人工智能驱动的高校思想政治教育课程个性化定制研究——基于学习通与学银在线的实证分析

李红红 李瑞林 （南昌大学 共青学院，江西南昌 332020）

摘要：人工智能技术的普及运用，为攻克高校思想政治教育长期存在的个性化困境增添了新可能，传统思政教学的内容适配不足，互动手段单一，对学生个性化学习需求的回应不及时，极大降低了课程教学成效与学生学习热情，针对这一难题，本研究把协同过滤算法与知识图谱技术进行结合，创造了一种更为精准、高效的课程个性化推荐手段。2025 年春季，课题组依靠学习通与学银在线平台，从笔者所在高校的多个院系里随机选取了 500 名本科生，实施了为期八周的实证探究，令人欣慰的是，等实验结束了，实验组学生平均成绩提升近 10%，平台的使用频次提升了 23%。值得留意的是，80%以上的学生表明个性化教学极大提升了他们对思政课的兴趣和学习效率，这远超对照组所呈现的表现，也超出了课题组原本的期望范围，在实施 AI 技术推广的进程里，还面临算法黑箱效应、数据隐私保护难度大的情况以及教师传统角色转型受阻这类现实难题，下一步研究与实践需要重点攻克的方向就是这些挑战，本研究所做的探索努力，不仅给出了可操作的个性化教育实施办法，还为高校思政教育达成数字化、智能化转型提供了实证支撑及经验引导。

关键词：人工智能；高校思政教育；课程个性化；学习通；实证研究

一、引言

伴随人工智能技术的迅速普及，高等教育领域正进行着深刻的变革，这也为传统高校思想政治教育增添了新的发展契机，就目前而言，多数高校的思政课程普遍存在内容更新滞后、教学方式单一、课堂互动不充分等问题，造成课程对新时代大学生个性化、多元化学习期望的吸引力不足，极大降低了思政教育的实际成效。尽管已有学者宣称，采用引入人工智能个性化推荐这一技术，依靠大数据解析学生的学习行为、兴趣爱好与知识水平，可达成更精准无误的资源推送，助力教师精准掌握学生的不同需求，但这一设想在实践里依旧面临着不少障碍，大部分相关研究还停留在初步理论探讨层面，系统性的推荐模型以及大规模实证研究还比较欠缺。在具体应用情况中，同样暴露出算法透明性缺乏、数据隐私保护不易以及教师适应新技术带来的角色转型方面的难题等一系列实际挑战，本研究试图将协同过滤算法跟知识图谱技术结合运用，设计且构建出一套课程资源个性化推荐模型，并进行系统化的实证核查，为高校思政教育的数字化、智能化转变提供有价值的理论支撑与实践素材。

二、国内外研究现状

国内学者针对人工智能跟高校思想政治教育的交叉应用展开系统研究，不断拓展了此领域的理论与实践根基，金帅楠（2022）认为，人工智能技术的引进，促使高校思政教育向数字化、精准化和智能化迈进，方莉（2023）进一步重申，这种技术融合显著增强了教育的针对性及有效性，推动高校向智能化转变。张秋莹（2024）按照数字化转型角度，探究了人工智能时代思政教育面临的机遇跟挑战，意在提升教学整体效能，部分学者察觉到潜在风险，周玉祥（2024）借助 SWOT 分析表明，人工智能拓宽了教育的可用途径，但同样存在成本高、信息茧房等弊端，要审慎应对双重挑战；王燕红（2024）郑重强调，人工智能跟思政教育深度融合时，必须在技术创新与育人价值方面保持平衡，在具体的实施办法方面，陈庆渊（2023）认为应凭借精准落实与互动激励机制，发挥人工智能在改进教学质量和调动学生积极性上的效能。

国际研究更突出跨学科与实证导向，Chakraborty（2024）剖析了生成式人工智能（GenAI）在教育系统中的作用，揭示出其集成中碰到的技术挑战和发展潜力；Maher（2024）把目光投向人工智能的跨学科理解及其社会技术影响，表明技术伦理及隐私保护是实现教育智能化的重要之处，国内外学者均肯定人工智能对教育个性化起到的积极价值，但国内在系统化模型搭建、大规模实证研究推进及治理体系搭建方面仍有不足，尤其是处于高校思想政治教育场景的时候，相关探索依旧处于起步伊始，亟待深度推进落实。

三、研究方法

1.研究设计

本研究采用包含“模型构建—实验验证—效果评估”的三阶段设计方案，计划构建数据驱动的课程推荐系统以实现目标，解决思政教育存在着的内容单一、学习动机不足与反馈滞后问题，模型由数据采集层、智能算法分析层、动态推荐反馈层组成，三部分一起协同运作，实现学生学习路径的持续优化跟个性改动。

2.数据采集与处理

研究把笔者所在高校 500 名本科生当作对象，覆盖五个学院，实验的周期是 2025 年春季学期的 8 周，采集到的数据有：

（1）基础信息：所在年级、所学专业、已修课程及学业成绩。

（2）学习行为：以“学习通”和“学银在线”为基础，记载登录频率、学习的时长、资源访问先后及互动的行为。

（3）学习成果：平时作业得分、阶段测验成绩以及期末考试得分。

（4）兴趣标签：依靠历史行为与问卷调查，搞清学生对理论讲解、法律案例、热点新闻等资源的偏好。

在进入算法分析之前，所有原始数据均做了去噪、标准化与匿名化处理，以此保障分析质量及隐私安全。

3.推荐算法设计

（1）协同过滤模块

按照用户的协同过滤途径，经由计算学生间兴趣相似度对资源需求进行预测，相似度采用皮尔逊相关系数进行度量，公式如下：

其中，ru,i 和 rv,i分别表示学生 u 和学生 v 对资源 i 的评分（或点击次数）， ru 和 rv 为各自的平均评分。协同过滤算法在提升个性化兴趣推荐的同时，也存在知识覆盖面不足、容易出现推荐单一性的问题。

（2）知识图谱模块

为弥补此不足，本研究进一步引入知识图谱技术，综合推荐策略采用加权融合途径达成个性化兴趣与课程知识覆盖的均衡，公式为：

Scorei=α×CFi+(1-α)×KGi

其中，Scorei为资源 i 的最终推荐得分，CFi为协同过滤的兴趣相关得分，KGi为知识图谱的结构性得分，权重参数α取 0.6，保证推荐内容兼顾个性化兴趣与课程核心知识结构。

为了使推荐系统动态适配学生的学习过程，本研究还设计了持续优化的反馈机制：

推荐更新周期：根据学生最新的学习行为数据和测试表现，系统每 48 小时更新一次推荐结果，进而调整资源推荐列表，实现学习路径的动态迭代。

反馈数据采集：系统自动记录推荐资源的点击率、完成率与互动频率，同时结合匿名满意度调查，评估推荐内容的适配度与实用性。

教师干预机制：教师可通过平台查看学生的学习轨迹与推荐资源，必要时对推荐结果进行人工调整，确保内容符合课程育人目标与政策导向。

算法自我优化：根据反馈数据，系统自动调整协同过滤与知识图谱的权重比例，优化推荐效果，避免过度个性化或知识覆盖不足的情况。

该推荐模型的采用不仅增进了学生的学习兴趣和参与积极性，还协助教师精准发现学生的薄弱环节，实现依托数据的个性化指引，进而带动高校思政教育在内容输送、方法改进及学习成效层面的整体增强。

四、实验设计与效果评估

实验组（250 人）采用本研究提出的推荐模型，对照组（250 人）采用常规的推荐方式进行，实验安排的周期是 8周，评估指标计有学业成绩提升率、平台使用频率以及学习方面的满意度，利用配对样本 T 检验和多元回归分析对推荐模型的有效性进行检验。

1.实验结果

（1）学习成绩对比

表 1 显示了实验组与对照组在三次单元测试及期末考试中的平均成绩及标准差。

独立样本 t 检验结果显示，两组在成绩上的差异具有统计学显著性（t = 5.324, p < 0.01），表明个性化推荐系统对学生学习成绩的提升具有显著作用。

（2）学习参与度对比

表 2 展示了实验组与对照组在平台访问次数、互动频率及作业提交率方面的表现。

结果显示，实验组学生的访问频率、互动积极性以及作业完成率均显著优于对照组，尤其是互动频率差异最为明显。

（3）学习满意度对比

表 3 列出了两组学生在学习满意度五个维度上的评分（满分 5 分）。

调查结果表明，实验组学生在所有维度上的满意度均显著高于对照组，其中“推荐内容适配度”和“总体学习体验” 的差异最为突出。

2.结果分析

就以上实验数据而言，人工智能驱动的课程个性化推荐模型在提升学生学习成绩、参与度和满意度方面起到显著成效，协同过滤算法协助学生找到兴趣相似群体钟爱的资源，知识图谱推荐让课程内容具备系统性与连贯性，由此平衡了个性化学习跟教学目标之间的关联。

进一步做的相关性分析表明，学习参与度跟成绩提升表现出中等程度的正相关（r = 0.53）,p 达到小于 0.01 的水平，学习满意度跟成绩提升也体现出显著正相关（r = 0.47）,p呈现小于 0.05 状态，表明推荐系统通过激发学生的学习积极性与学习体验，间接带动了学业成绩的上扬。

五、结论

本研究验证了基于人工智能的课程推荐模型在高校思想政治教育里的有效性，模型能大幅增进学生的学习效果与体验，为高校教育往数字化、智能化转型提供实践例证，未来研究将重点攻克算法透明性、隐私保护及教师培训方面的难题，也去探索跨学科协同及长期应用效果的测评。

参考文献：
【1】金帅楠. 人工智能变革高校思想政治教育发展研究[J].时代人物,2022,(18):167-170.

【2】方莉,李育博.人工智能推进高校思想政治教育精准化的动力机制、主要内容与实践路径[J].实事求是,2023(3):91-97.
【3】张秋莹.人工智能时代高校思想政治教育数字化研究[J].源流, 2024(18):75-79.
【4】周玉祥.人工智能应用于高校思想政治教育的 SWOT 分析[J],林区教学, 2024(03):23-27.
【5】王燕红.人工智能时代高校思想政治教育的隐忧与应对[J],集美大学学报（教育科学版）,2024,25(2):41-45.
【6】陈庆渊和张雄.人工智能助推高校思想政治教育的路径研究[J],时代报告:学术版,2023(7):130-132.
【 7 】 Chakraborty S. Generative AI in modern education society[J].arXiv preprint arXiv:2412.08666,2024.
【8】Tadimalla S Y, Maher M L. AI literacy for all: adjustable interdisciplinary socio-technical curriculum[C]//2024 IEEE Frontiers in Education Conference (FIE). IEEE, 2024: 1-9.

本文系江西省高等教育学会 2024 年度课题《基于人工智能技术的高校思政教育课程内容个性化定制研究》（项目编号：JX-D-009）；2025 年九江市社会科学基金项目《AI 赋能九江红色文化融入地方高校思政教学研究》（项目编号：25YB071）；2025 年度江西省高校人文社会科学研究专项项目（红色文化育人研究）《生成式人工智能赋能红色文化融入工科教育的江西路径研究》课题研究成果。
作者简介：李红红（1985 年 3 月-）女，汉族，江西抚州人，硕士，讲师，研究方向：项目管理、思政教育。
李瑞林（1983 年 4 月-）男，汉族，安徽宿州人，硕士，副教授，研究方向：人工智能、控制工程。