滚动信息2

[摘  要] 人工智能技术的深度介入推动高校思想政治教育向智能化治理转型。在管理机制层面，高校通过顶层设计、资源配置与部门协同，构建“技术赋能+育人保障”体系。在技术应用层面，大数据、VR/AR、NLP、区块链等技术实现精准画像、沉浸式教学、个性化答疑与可信评价。在评价机制层面，智能评价、数据预警与情感计算推动考核向全程数据治理转变。实践证明，人机协同可提升思政教育精准性与实效性，但仍面临评价场景单一、伦理边界模糊、人机协同失衡等问题，需在技术理性与人文关怀间寻求平衡。

[关键词] 人工智能；思想政治教育；智能化评价；数智治理；技术赋能

一、传统思政教育的困境与人工智能介入的必要性

高校思想政治教育承担着立德树人、培育时代新人的根本使命，是党和国家意识形态工作的核心阵地。然而，在数字化时代浪潮冲击下，传统思政教育的内在矛盾日益凸显，亟待从根本上寻求突破。

就现实困境而言，传统思政教育主要面临三重结构性难题：其一，内容供给粗放。教材内容更新迟滞，难以紧跟社会热点与理论前沿，导致思政课呈现出“大水漫灌”式的均质化供给，与学生多元化、个性化的认知需求严重错位。其二，评价体系滞后。思政教育评价长期依赖末端的纸笔测试与阶段性问卷，仅能捕捉学生在特定时点的知识储量，而无法追踪其价值观的动态演变与“知信行”的内化轨迹，导致评价失准。其三，师生互动低效。传统“灌输—接收”的单向传播模式压抑了受教育者的主体性，缺乏双向的情感共鸣与思想碰撞，使思政教育难以真正“入脑入心”。

面对上述困境，党和国家高度重视人工智能技术在思政教育领域的应用价值。国家顶层设计持续深化：2025年1月，《教育强国建设规划纲要（2024—2035年）》将“信息技术与思政工作深度融合”纳入国家中长期教育战略；2026年4月，教育部等五部门颁布《“人工智能+教育”行动计划》，首次在国家层面明确提出“研发思政大模型，建立全息、全域、全员、全时的沉浸式思政育人模式”，标志着人工智能赋能思政教育已从探索阶段迈入系统推进的战略新阶段。

学界对这一议题的研究已积累了较为丰富的成果，主要集中于以下三个层面：其一，在技术赋能的价值意蕴层面，研究者普遍认为，人工智能技术通过重构知识传播逻辑与资源整合机制，在精准画像、沉浸式教学、智能交互等方面具有传统手段无可比拟的独特优势，能够有效强化思政教育的引领力与感染力。其二，在实践路径的创新层面，部分学者从生成式人工智能的技术特性出发，指出其可通过重构内容体系、创新学习模式、重塑话语表达三重向度，推动思政教育从传统单向灌输模式向数智化交互新形态跃迁。其三，在现实风险的审视层面，也有研究者在肯定技术赋能价值的同时提出警示，认为非实体交互可能削弱师生情感联结与价值引领力，碎片化个性化内容亦可能冲击思政教育体系的完整性，技术应用须在价值导向与风险防控之间保持必要张力。

综合上述政策导向与学术积累可以看出，人工智能已成为推动高校思政教育创新发展的战略性驱动力。然而，现有研究多停留于理论层面的宏观分析，对于高校如何在管理机制、技术应用、评价机制三个维度系统落地人工智能赋能思政教育，尚缺乏基于实证案例的整体性考察。有鉴于此，本文以上述三个维度为分析框架，通过对国内多所高校实践案例的深度梳理，系统呈现人工智能时代高校思政教育效果提升的实践图景，并在此基础上提出针对性的治理建议，以期为高校推进数智思政建设提供参考。

二、智能化管理机制的构建与协同治理

人工智能赋能思想政治教育的实践成效，在很大程度上取决于高校能否在制度层面建立起与技术逻辑相适配的管理体系。从各地高校的实践来看，管理机制的构建主要体现在三个层面：以顶层战略设计为AI赋能思政教育确立合法地位与资源保障；以师资赋能为核心，填补技术推进中的人力短板；以跨部门数据协同为手段，打通信息孤岛、构建全息育人监控体系。

（一）顶层战略设计与AI赋能思政的制度局面

制度化的顶层部署是技术赋能从自发探索走向系统推进的根本前提。长期以来，高校思政教育的技术应用往往呈现出碎片化、自发性的特征，导致资源配置效率不高、部门间协同不畅。为从根本上破解这些瓶颈，多所高校相继出台专项战略，在制度层面明确了人工智能在思政育人格局中的核心地位。

西安交通大学通过实施《人工智能先导计划》，在教学管理层面设立专项教改课题并提供经费支持，为“大思政云小宝”等智能系统的研发提供了政策合法性，实现了从宏观政策向基层实践的精准传导。电子科技大学则通过强化党委在AI战略中的主导地位，构建了“政治引领、技术赋能”的协同架构，有效化解了技术逻辑与意识形态安全之间的内在张力，确保人工智能算法在处理思政内容时始终在主流意识形态的轨道上运行。上述实践的共同逻辑在于，通过制度化手段为思政教育开辟“绿色通道”，使跨部门协作从偶发性求助转变为常态化履责，极大地增强了管理体制的响应速度与制度韧性。

（二）师资赋能与数字素养提升

技术工具的引入并不自动等同于教学效果的提升，教师的数智素养才是决定技术应用效能的关键变量。当前，高校思政教师队伍普遍存在人文知识深厚但技术应用能力薄弱的结构性矛盾。若缺乏制度化的培训机制，引进的先进AI平台极易沦为摆设，甚至增加教师的事务性负担。

河北大学教务处发布的“AI赋能智慧随行”系列培训政策，标志着管理部门开始系统性介入教师能力的重塑过程。该政策强调理念与技术的双轮驱动，旨在培育一批既懂马克思主义理论又懂智能技术的复合型师资队伍，实现从“输血”向“造血”的转变，确保人工智能技术真正内化为思政教师的教学能力。与此同时，华中师范大学在建设“学生域数据仓”的过程中，同步构建了辅导员队伍的数据素养培训体系，帮助一线思政工作者从数智平台生成的画像与预警报告中读懂学生、精准施策，有效弥合了技术供给与教育实践之间的能力断层。

（三）跨部门数据协同与全息育人体系构建

实现精准育人的首要逻辑在于全量数据的汇聚与治理。传统管理模式下，学生在不同维度的表现数据被分割在各个行政系统中，形成严重的“信息孤岛”，导致管理者无法从全局视角评估思政教育的实效。打破部门壁垒、实现数据协同，是构建智能化育人体系的关键前提。

南开大学在推进“NK-GENIOS”智能体矩阵建设时，采取鼓励师生共建共享的政策导向，通过提供底层技术规范和语料支持，引导师生从管理对象转变为治理参与者，构建出一种动态适应的管理生态。四川大学马克思主义学院则探索建立了“技术初滤—专家复审—实践反馈”的三阶校准机制，要求所有进入思政大模型的语料数据须经马院专家组严格审核，定期对模型生成内容进行伦理与政治方向的校验，将马院的政治把关职能嵌入技术运行的全生命周期，构建了坚实的意识形态防火墙。重庆大学则通过建设智能工作台与“双模型协同驱动”机制，将思政工作者从繁重的报表统计与规律分析中解放出来，使其能够将更多精力回归到情感连接与价值引导的核心职责，实现了管理效率与人文关怀的动态平衡。

综合上述实践可以看出，高校智能化管理机制的构建遵循着一条清晰的内在逻辑：制度先行确立合法地位，赋能师资激活人力要素，数据协同打通治理末梢。三个层面相互支撑、协同运转，共同构成了AI赋能思政教育管理转型的制度基础。

三、技术工具的实践应用与多维赋能

管理机制的完善为人工智能赋能思政教育提供了制度保障，而具体技术工具在育人场景中的深度嵌入，则直接决定了思政教育的质地升华。当前，大数据、虚拟现实技术与NLP智能交互平台分别在精准画像与知识库扩容、沉浸式教学场景重构和个性化智能交互等方面展现出显著优势，推动思政教育从粗放供给向精准滴灌的范式转型。

（一）大数据技术与精准学情画像及知识库扩容

大数据技术作为底层支撑，实现了对受教育者行为规律的深度洞察与育人资源的指数级增量。其与思政教育的结合，主要体现在精准学情画像的绘制和专业知识库的智能化迭代两个维度。

在学情画像方面，北京理工大学建设的“精准思政平台”通过整合教务、学工、图书馆及生活服务等多维数据，对学生进行动态、立体的数字画像，实现了从群体行为中识别潜在思想动态的伴随式引导，显著提升了思政工作的科学化水平。武汉理工大学则进一步通过聚类分析等算法技术，对学生的学习偏好与行为特征进行精准刻画，建立了常态化的实时监控机制，使思政评价体系从定性判断迈向定量分析。

在知识库扩容方面，南开大学推出的“NK-GENIOS”智能体平台依托数亿级优质语料数据，构建了覆盖哲学社会科学各领域的垂直语料库，解决了通用大模型在思政专业领域“知识密度不足”的问题。电子科技大学研发的“i思政”大模型则通过构建包含200万组思政专业问答对的数据集，依托“5R+”智慧思政中心持续优化，将抽象的理论具象化为互动性知识点，使思政教育在“算法推荐”生态中具备了更强的竞争力和渗透力。

（二）虚拟现实技术与沉浸式历史场景重构

虚拟现实（VR）与增强现实（AR）技术通过对物理空间的数字重构，为受教育者创造了高度沉浸的育人环境。其核心价值在于将抽象的理论话语转化为具象的感官体验，有效解决了传统教学中由于物理距离与时间跨度导致的“现场感”缺失问题。

湘潭大学依托“四史”虚拟仿真实验教学中心，利用VR技术深度开发了关于红船精神、长征精神等主题的数字化场景。学生在虚拟场景中通过第一人称视角体验革命史实，实现了思政教育内容从书本知识向鲜活历史的转化，使抽象的革命精神在具象的虚拟交互中得到内化。西南财经大学则通过“飞夺泸定桥”等沉浸式思政课程，将身体参与式的学习模式与历史场景相结合，利用情感计算与场景重构建立了一套基于感官冲击的情感引导机制，显著缩短了师生间的心理距离，为提升思政课的“抬头率”与“点头率”提供了最直接的技术支撑。总体来看，VR/AR技术在思政教育中的应用，最终体现为从观赏式体验向交互式学习的方法论跨越，实现了内容的场景化、形式的沉浸化以及方法的互动化。

（三）NLP智能交互平台与个性化答疑服务

自然语言处理（NLP）技术通过对文本与语音的语义解析、意图识别与逻辑生成，为教育者与受教育者之间构建了高效的数智交互中介。其核心价值在于将思政教学从单向的理论灌输转向双向的启发对话，不仅解决了大规模学生群体个性化问询的供需矛盾，更通过教学方法的底层重构，推动了思政课实现知识传递与价值共鸣的统一。

浙江大学推出的“AI思政课一点通”平台实现了24小时在线的智能答疑服务，确保了学生在任何时间、任何地点都能获得科学的理论指导。该平台不仅提升了信息传递的效率，更通过后台数据收集，使教育者能够清晰把握学生的关注热点与认知盲区，从而为教学内容的动态调整提供精准的数据支撑。可见，NLP技术通过互动答疑的精准化、教学方法的个性化以及评价逻辑的科学化，全面驱动了育人效能的系统性提升。

四、评价机制的系统重构与实践反思

评价机制作为高校思想政治教育体系的指挥标尺，直接关系到育人成效的科学判定与教育决策的精准投放。人工智能赋能下的思政评价机制，实质上是构建了一套基于数据驱动的全息感应系统，将抽象的思政素养转化为具象的数字指标。各高校的实践主要体现在过程性评价体系的建设、预测预警机制的嵌入与情感计算模型的应用三个层面。

（一）智能化过程性评价与动态反馈闭环

北京邮电大学确立了“评价有智、发展有数、预警有速”的目标，构建了“四化协同”的数智评价体系。该校针对本科生与研究生分别设置了70项和57项评价因子，并引入机器学习算法实现动态赋权——系统会根据学生的学科背景与成长阶段自动调整各项指标权重，从而确保评价结果能够真实贴合受教育者的实际成长逻辑。通过对接全校12个职能部门的业务系统，完成了包含10142张数据表、1700个字段、3896万条数据的标准化处理，为评价机制提供了全景式的信息支撑，将评价从单纯的感性推测转向了科学客观的理性证据。

浙江大学在“德法课”的教学评价改革中，建立了常态化的评价反馈机制，将评价报告同步推送至学生个人与授课教师，形成“评价—反馈—修正”的闭环机制。教师通过AI生成的教学效果分析，能够精准识别班级中普遍存在的认知偏见或知识短板，并据此开展精准备课，实现了教学与评价的同步迭代。

（二）大数据驱动的思想倒归预测与预警机制

预测与预警机制是实现精准治理的核心闭环。长期以来，思政教育评价面临着显著的时空滞后性，即教育者往往在问题发生后才能通过表征现象进行被动干预，难以在受教育者思想波动的萌芽期进行有效引导。人工智能技术的介入，通过对受教育者全口径、全时段流数据的实时监测，构建起了一套从感知到预见的逻辑支撑体系。

西南财经大学构建了严密的思想倾向监测机制，依托大数据技术对学生在校内网络平台、社交空间及学习互动中产生的非结构化文本数据实时分析，利用NLP技术对学生言论进行语义倾向性扫描。该系统对文本情感倾向的识别准确率达到了85%以上，能够自动生成舆情研判报告，为高校思政管理提供了科学的思想晴雨表。北京邮电大学则构建了“常态化监测+精准化识别+智能化预警+个性化决策”的完整链条，当监测到的行为指标或思想倾向偏离预设的健康阈值时，系统会自动触发分类预警，并基于大模型能力生成个性化的谈话建议、帮扶策略或资源推送方案，实现了评价预警与精准干预的无缝对接。这种“监测—评价—预警—干预—优化”的制度循环，确保了高校思政教育能够在数据支撑下实现精准动态对齐。20

（三）实践反思与治理进路

数智评价机制在释放治理效能的同时，也必然伴随着技术逻辑与教育伦理之间的深层张力。这是一种根植于人工智能的技术本性与思政教育的价值本质之间的结构性矛盾——前者追求数据的完备性与算法的最优解，后者则以人的精神世界为作用对象，强调价值引领的温度与情感共鸣的深度。根据浙江大学、西南财经大学、北京邮电大学等校的实践反馈，当前数智评价机制主要面临以下三项亟待正视的问题。

其一，评价场景局限于特定课程或社区，尚未实现思政教育全场景、全过程的无缝覆盖。评价场景的单一性导致数据抓取的代表性不足，难以完整还原学生在课堂外、网络外、社会实践中的隐性表现。

其二，虽强调“人机协同”，但AI生成的评价报告与辅导员、班主任的实际教育行为之间往往存在脱节现象。面对复杂的算法结果，教师往往“看不懂、不会用”；系统生成的干预策略则往往缺乏对特定学生性格、家庭背景的深层考量，弱化了思政教育的情感温度。

其三，伦理边界模糊。学生行为数据的大规模采集涉及隐私保护问题，目前多数高校尚未建立系统的算法审计与伦理审查机制，学生对其行为数据如何被使用、评分如何被赋权缺乏基本的知情权与申诉权。

针对上述三项问题，未来的治理进路应着眼于以下三个方向，推动数智评价从工具理性走向价值理性与工具理性的有机统一。

其一，深化跨部门数据治理，突破评价场景碎片化困境。借鉴校际经验，集成教务、学工等多源动态数据，构建学生在校全生命周期数据底座。引入隐私保护技术，实现跨部门数据安全融合，为构建学生全息画像提供信息支撑，破解评价场景单一与数据代表性不足问题。

其二，重塑人机协同边界，在算法逻辑中留出人文接口。明确AI与教育者权责边界：AI负责大样本数据处理与风险筛查，深度情感引导与复杂教育决策回归教育者。加强思政队伍数智素养培训，使其具备解读算法报告、转化评价结论的能力。在系统设计中保留教育者主观判断空间，避免算法刚性约束，确保人机协同落地。

其三，健全评价伦理治理体系，以数智评价促进学生自我发展。建立数据采集、算法运行、结果使用全流程的审计与伦理审查机制，明确数据采集边界与使用权限，保障学生知情权、异议权与申诉权。推动评价理念从外部监控向自我发展转变，将评价报告作为学生自我认知与管理工具，使数智评价成为促进学生成长的正向力量。

李歆雅

上海大学马克思主义学院