2020年10月，中共中央、国务院印发的《深化新时代教育评价改革总体方案》（以下简称《方案》）明确提出，要“创新评价工具，利用人工智能、大数据等现代信息技术”，“提高教育评价的科学性、专业性、客观性”。[1] 2021年7月，中共中央、国务院印发的《关于新时代加强和改进思想政治工作的意见》（以下简称《意见》）也提出，要“建立科学有效的评价考核体系，建立内容全面、指标合理、方法科学的思想政治工作测评体系”。[2]这些政策文件为思想政治教育质量评价的创新发展指明了方向。思想政治教育质量评价事关思想政治教育高质量发展、立德树人根本任务贯彻落实，是一项广泛性、艰巨性、实践性难题。利用智能技术革新发展思想政治教育质量评价过程与方法，赋能思想政治教育质量评价数字化、专业化和现代化转型是智能时代背景下攻克这一难题的必然趋势和发展方向。本文通过分析智能技术赋能思想政治教育质量评价的优势，管窥智能技术赋能思想政治教育质量评价的内在限度，进而提出实践进路，以期对推动思想政治教育质量评价创新发展或有裨益。

一、智能技术赋能思想政治教育质量评价的优势

智能感知、智能计算和智能交互技术与思想政治教育质量评价数据采集、评价模型构建及评价反馈运用具有内在的耦合机理，使智能技术赋能思想政治教育质量评价契合了提升新时代思想政治教育质量评价客观性、科学性和专业性的现实需要。

1. 智能感知技术赋能思想政治教育质量评价内容客观化

思想政治教育质量评价内容是关于“评什么”的议题。思想政治教育质量评价要坚持工作评价与效果评价相结合，既要对组织领导、制度建设、队伍建设、资源保障、教育过程（如目标设定、内容体系、方法手段、载体选用）等思想政治教育开展状况进行评价；也要对学生接受思想政治教育后的理论学习内化度，理想信念、政治素质、价值观念、道德品质、心理素质变化以及社会效益等思想政治教育效果进行评价。思想政治教育质量评价是否全面、客观取决于与这些评价内容相关数据的质与量，即与评价内容相关的数据体量是否充足、类型是否多样、来源是否客观真实。受制于思想意识类数据量化困难、数据采集方法单一、教育信息化进程缓慢，目前思想政治教育质量评价要么基于理论假设的小规模抽样统计，要么局限于评价主体的主观判断。诚然，思想政治教育质量评价的主观性无可避免，如何最大化提升评价内容的客观性是新时代思想政治教育质量评价面临的一大挑战。

智能感知技术，如计算机视觉、语音识别、自然语言处理技术，能突破时空限制，实现多空间、全过程、多模态的评价数据采集，提升思想政治教育质量评价内容的客观性。在空间向度上，智能感知技术赋能评价数据采集由定点转为全面，以提供评价内容相关的“全景式”证据。在线下场域，基于传感器技术、数字图像处理和模式识别技术，通过视频监控、智能移动终端、智能穿戴设备、智慧校园等硬件设施与软件系统，可以采集和分析学生校园生活轨迹、实践活动参与等多情境数据，以评价学生的思想动态、价值观念、道德素质等。这些全景式数据大部分是无感采集的，不会对学生的行为造成人为干扰，这保证了评价不会因为学生的抗拒、迎合或应付心理而失真。在线上场域，社交媒体已然成为青年人际交往、自我表达的重要平台，学生社交媒体在线行为能够通过电子记录在网络空间中被实时保存下来，反映了学生用户在自然社会情境中的想法。采用自然语言处理技术，基于社交媒体上这些海量的实时性、连续性和自然性数据评估学生思想动态和价值观念，能提高评价的真实性和可信度。

在时间向度上，智能感知技术赋能数据采集由离散转为连续，以提供评价内容相关的“增值性”证据。《方案》明确提出要“探索增值评价”，这要求建立纵向追踪数据库，获取学生思想道德、心理素质和行为习惯等的“增值”数据，分离出思想政治教育“净效应”，以识别思想政治教育工作薄弱点、着力点，不比基础比进步以激发学校教师教育活力和学生发展潜能、促进思想政治教育均衡发展。纵向追踪数据库是实现“增值”数据收集、存储、整理、分析等数字化操作的重要支撑条件。囿于纵向追踪时间跨度大、数据量大，纵向追踪数据库的开发和运维一直是思想政治教育质量增值评价的重难点。基于智能感知技术、分布式存储结构、服务器虚拟化技术、数据库链接技术以及数据库安全技术建设的纵向追踪数据库，能够支撑大量、长期的追踪数据获取、集成和存储，实现追踪数据间的链接与整合，确保数据库中个人信息隐私安全，降低开发运维成本。

在结构向度上，智能感知技术赋能数据采集由同构转为异构，以提供评价内容相关的“多模态”证据。目前，思想政治教育质量评价主要基于十分有限的结构化数据，许多蕴含着思想政治教育信息的异构数据，如思想政治教育活动中产生的图像、视频、声音、文本类型等现实数据，教育者和受教育者的眼动、血压、心率和脑影像等生理性数据，由于获取难度大并没有得到有效的价值开发与合理利用。采用基于智能感知技术研发的虚拟现实设备、脑波监测、眼动和磁共振设备，采集这些多模态数据并进一步去伪存真和交叉验证，将进一步提高思想政治教育质量评价的客观性。

2. 智能计算技术赋能思想政治教育质量评价模型科学化

初步收集的思想政治教育大数据往往参差不齐、信息价值密度低，必须建立科学的思想政治教育质量评价模型，在海量数据中提取关键有效的信息，才能对思想政治教育活动的关键要素及其相互关系进行定量刻画和价值判断。

在思想政治教育质量评价模型构建中，智能计算技术为提升评价指标体系设计、评价指标权重确立、评价模型验证优化三个环节的科学性提供了关键“锁钥”。首先，智能计算技术赋能科学设计思想政治教育质量评价指标体系。一方面，智能计算技术赋能评价指标设计实现方向性与实践性相统一。如运用文本分析技术，高效地从教育一般政策、思想政治教育专项政策、宏观综合政策挖掘提炼有关思想政治教育质量评价的内容要素，确保思想政治教育质量评价指标体系与党和国家政策方针保持高度一致；运用基于思想政治教育研究成果和实践工作经验构建的专家知识系统，对评价内容要素进行构念化与操作性定义，明确各评价指标与思想政治教育数据的映射关系，确保思想政治教育质量评价指标体系与思想政治教育实践相一致。另一方面，智能技术赋能评价指标设计化解大数据综合性与评价指标体系精简性相统一难题。智能感知技术使收集多空间、全过程、多模态的综合性评价数据成为可能，而构建思想政治教育质量评价指标体系则通过“降维”和“提纯”以提高数据的价值密度，强调评价的“精简性”。与传统的评价指标筛选方法相比，机器学习、人工神经网络、蒙特卡罗模拟方法等智能技术具有自动化高、分析维度多、适应性和灵活性强等优势，能使这些综合性、多模态数据被高效地整合、关联、表征、融合，筛选出强解释力和强预测力的思想政治教育质量评价指标。其次，智能计算技术赋能科学确立思想政治教育质量评价指标权重。判断各指标对评价思想政治教育质量的贡献度是构建评价模型的重要一环。传统的指标权重确定方法，如多层次分析法、德尔菲法、主成分分析法、因子分析法等，需要预先设定评价指标权重和层次结构，在处理大规模数据时可能面临计算复杂度高、处理复杂非线性数据乏力，寻找最优解动态调整权重困难等问题。人工智能时代，随着算法不断优化、算力不断提升，智能计算技术的大数据处理能力、自适应学习能力、全局优化能力在一定程度上突破了这些限制。再次，智能计算技术赋能科学验证优化思想政治教育质量评价模型。评价模型验证与优化是一个系统收集各种证据以证明评价模型科学性的过程。思想政治教育现象的复杂性、动态性特征要求评价模型需要持续性、动态性的验证和优化。传统的评价模型验证方法存在诸多限制，如小样本数据统计验证的数据偏差和过度拟合问题、权威专家验证的主观性和低效率问题、实践运用验证的高时间成本和影响实际教育活动问题。智能计算技术在一定程度上可以克服这些限制，使思想政治教育质量评价模型验证与优化更准确、更客观和更高效。譬如，交叉验证技术可以将数据集分成多个子集用于训练和验证，从而减少过度拟合问题，提高评价模型的泛化能力；贝叶斯优化、网格搜索、随机搜索等方法可以实现对模型参数自动化调整，减少传统方法中手动调整模型参数的主观性；集成智能计算技术和思想政治教育理论的专家系统，可以模拟专家的决策过程对评价模型进行自动化、高效率的验证优化。

3. 智能交互技术赋能思想政治教育质量评价反馈专业化

思想政治教育质量评价反馈是将质量评级、经验成就、问题差距、对策建议等评级结果反馈给相关部门、学校、教师和学生等主体，对于科学调整和改善思想政治教育活动，提升思想政治教育质量具有重大意义。提升评价反馈的专业性水平，将评价结果以及对策建议以直观可视化的方式精准及时地反馈给不同评价主体，发挥思想政治教育质量评价的导向、鉴定、诊断、调控和改进等应用价值，是体现新时代新征程立德树人育人目标，消除思想政治教育评价功利化价值取向的关键所在。

智能交互技术是一种允许人类与计算机或其他智能设备进行自然、智能化、直观化交流的技术。这项技术赋能之下，思想政治教育质量评价反馈更加专业化，主要体现在反馈形式、反馈应用和反馈时间三个方面。首先，智能交互技术赋能思想政治教育评价反馈形式直观可视化。借助文本可视化、网络可视化、时空数据可视化、多维数据可视化等可视化技术，将反馈结果以个人画像、雷达图形、热力图表、折线图等直观的方式呈现给相关主体，并进行充分的备注与解释，既简化了反馈信息，也降低了数据解读的难度，拓展了数据理解的深度，从而帮助相关主体全面客观地了解思想政治教育现实情况，明确改进方向。其次，智能交互技术赋能思想政治教育评价反馈应用多元个性化。思想政治质量教育评价涉及多元主体，他们对评价结果的价值需求不同。智能交互技术可以针对多元主体的不同需求，调用相关思想政治教育质量评价模型和数据进行运算分析，提供个性化、定制化的评价反馈。例如，针对学生可构建“学习仪表盘”帮助其及时了解自身理论学习状态，并利用知识图谱技术推荐个性化学习方案；针对思想政治理论课（以下简称“思政课”）教师可以提供学生抬头率、获得感、考试成绩等教育教学实效性分析报告，帮助教师了解学生学习需求，推动教学反思与策略调整；针对学校可建设思想政治教育数据大屏，精准提供学生、教师、学院的个人或群体“数字画像”，分析学校组织领导、工作管理、规章制度等思想政治教育工作实效，辅助学校形成基于有效证据的循证决策；针对相关教育管理部门，提供全国或区域思想政治教育整体状态、各校思想政治教育质量评估，以及经费投入、政策文件等对思想政治教育质量的提升效力，为完善思想政治教育政策措施、优化思想政治教育资源配置和加强区域、学校的统筹规划提供重要参考。再次，智能交互技术赋能思想政治教育评价反馈时间持续动态化。从时间向度上看，思想政治教育评价反馈贯穿整个思想政治教育活动的始终，有过程性的即时反馈，也有诊断性的结果反馈。传统的思想政治教育评价反馈往往是在一个教育阶段后，如思政课考试后反馈考试成绩，这种评价反馈在时间上具有滞后性，且难以及时灵敏地察觉和预判潜在的管理、教育和教学危机。基于智能、实时、高效的评价数据采集及评价模型计算，智能交互技术赋能之下的评价反馈系统使思想政治教育质量评价结果能够以持续、动态化的方式反馈给相关主体，促进评价反馈从滞后到及时的转化，实现管、教、学、评在时间上的共时性和一体化。

二、智能技术赋能思想政治教育质量评价的限度

智能技术能有效地革新评价理念、丰富评价主体、转换评价方法、改善评价结果，已然成为提升新时代思想政治教育质量评价客观性、科学性和专业性水平的“利器”，但同时智能技术赋能思想政治教育质量评价又是有限度的，甚至是有一定风险的。

1. 评价理念偏差下的主体性困境

智能技术的兴起与发展唤起了人们的新一轮期许：被智能技术解放出来的人们将更多的时间和精力用在富有创造性的工作上，实现人类的全面解放。而情况也可能是，智能技术非但没有如人们所期待的那样促进人的自由而全面发展，反而随着智能技术的自主性日益增强，逐渐冲击人类享有的自主性和独立性，使人类陷入主体性困境之中。人工智能时代，技术进步引发包括教育在内的社会各领域的连锁反应，我们要以一种积极的、系统性的建构性方略审视智能技术赋能思想政治教育质量评价中可能存在的主体性困境，防范智能技术异化思想政治教育质量评价的风险。

在单向度工具理性思维下，思想政治教育评价主体被边缘化。通过智能技术赋能，相关评价主体可以从数据收集、建模分析等繁杂的事务性工作中解放出来。但是智能技术的深度嵌入容易使思想政治教育质量评价主体产生“有用即真理”的单向度“工具理性”，只关注效率、功用、计算和手段，过分信任、过度夸大技术和工具的作用，缺乏对技术负面影响的批判与审视，机械地将评价数据收集、评价模型建构、评价决策的权力让渡给智能技术。譬如，在设计评价指标时一味追求数据的易获得性、指标操作的便利性，遮蔽了思想政治教育质量评价的价值导向和问题逻辑；建模分析评价数据时缺乏对数据因果关系的深入剖析，而仅仅停留于分析数据间的相关性，弱化了思想政治教育质量评价的改进功能。随着各种智能评价系统、工具的开发和应用，在单向度工具理性思维下，评价主体与技术的“主辅关系”移位，评价主体逐渐被智能技术和工具“边缘化”。

在数据主义思维盛行下，思想政治教育质量评价客体被辖制。数据为算法提供算料，为评价决策提供资料。然而，坚守“数据为王”、“量化一切”、“凡是存在必有数量，既有数量即可测量”的数据主义思维，赋予了数据、算法权力，以超时空、不可见的无感方式实施对思想政治教育质量评价客体的规训和辖制。在数据主义思维下，评价数据采集容易异化为“数据监控”，评价决策也被简单、机械地等同于数据驱动决策。这种对基于量化数据的评价预测结果的盲目信任，赋予了数据、算法对师生乃至整个思想政治教育活动“标签植入”的权力，将其辖制于评价系统量身定做的发展轨道。

2. 评价算法算料中的客观性悖论

理想图景中，智能技术赋能之下的思想政治教育质量评价力图以智能感知技术规避人脑感知的“数据偏见”、以智能计算技术规避人脑计算的“决策噪音”，最终提升评价结果的客观性。而论及现实，智能技术赋能提升思想政治教育质量评价客观性并不如人们所期待的那样易实现，存在被主观因素渗透的风险。

其一，数据采集的主观性因素。算法和算力仰赖于“数据喂养”，数据量越大、越全、越真，算法决策就越客观精准。思想政治教育是关于人内心精神世界的教育。在思想政治教育质量评价数据采集中，思想政治教育经费、师资队伍数量、学生思政课成绩、参与实践活动次数等外显性数据获取相对容易，但思想政治教育工作的效果评价涉及对人的政治思想、道德品质、心理素质等多种非直观因素的分析和掌握，[3]要准确量化这些内隐性思想意识数据则十分困难，实现真正意义的“全样本”更是难上加难。现实而言，智能技术赋能之下，这些思想意识数据常常被剥离在外，或被降维成可测量的、与之相关的外显行为数据。尽管人们的行为受思想意识所驱使，但某种思想意识并不必然表现为特定的行为。在此意义上，通过采集行为数据揭示其背后潜隐性的思想意识是有条件的，而非必然的、普遍的，这很大程度上是带有主观性的。

其二，算法黑箱中的主观性因素。算法是智能计算技术运行的灵魂，人们对其抱有技术中立的浪漫幻想，认为它不受外界主观因素干扰。标准化、统一化的算法程序执行使其具备技术中立的外在表现，即同样的数据输入同样的算法程序，其评价结果必然是一致的。实际上，算法并非简单的计算公式和无意识的程序运行，而是从一开始就被“教导”了相关知识与逻辑，算法设计者或程序编写者的价值取向、学术判断、政治立场早已在无意识中被编入程序里。此外，算法决策不予公开、不接受质询、不提供解释、不进行救济，难免会有演化为“算法霸权”的风险。[4]可能更糟糕的是，由于无法看清“算法黑箱”里的规则，加之算法决策常以“客观”、“科学”的面目呈现，增大了对算法决策的反思和纠偏难度。可见，在智能技术发展到一定程度或治理能力足以防范相关风险之前，算法决策的客观性与中立性都只能是有限的。在设计评价程序时思想政治教育质量评价相关专家学者、教育管理人员以及学校师生的开放性参与，对打造可公开、可解释的智能评价系统十分必要。

3. 评价过程中的外在伦理性风险

如果追问智能技术赋能思想政治教育质量评价数据采集、建模分析和反馈运用等过程中的伦理性风险，人们就会窥见个人信息隐私问题和技术鸿沟下的公正问题。

个人信息隐私问题。个人信息隐私涉及将他人排除在知晓个人信息之外，保护和控制与个人有关的信息。在思想政治教育质量评价尤其是实效评价过程中，无论被动收集抑或主动分享，教师绩效、学生成绩乃至师生思想政治和道德品质负面问题等信息数据流入公共空间不可避免。智能技术赋能思想政治教育质量评价数据抓取更高效、存储量更大、挖掘分析更深入的同时也增大了个人信息隐私泄露的风险。理论上思想政治教育过程中的数据是否能用于分析评价必须获得相关主体知情同意，实际上，计算机视觉、语音识别、生物传感器等智能感知技术抓取数据往往是无感的，师生个人数据往往变得无“私”可“隐”。即使在获得个人允许的情况下采取匿名形式收集思想政治教育质量数据并进行模糊化、脱敏化处理，机器学习、深度学习等智能计算技术也能将这些数据和历史数据关联、交叉和重组并进行精准画像，个人隐私又将会被重新披露。如若数据隐私监管缺位，数据获取、存储、分析技术的无序、失序或者疏于管理防范，造成个人信息泄露或被不正当利用，则会对个人隐私造成极大侵害。这些潜在个人信息隐私问题也阻碍了师生对智能技术在教育领域应用的接受度。因而，数据安全和个人信息隐私是智能技术赋能思想政治教育质量评价过程中必须考虑的伦理问题。

技术鸿沟下的公正问题。“技术鸿沟”指先进技术的成果不能为人们所公平分享，某些群体在技术、信息可及性方面遭到了不合伦理和得不到辩护的排除。我国处于人工智能建设起步阶段，囿于教育教学资源不均衡，智能技术建设成本、维护升级成本高昂，城乡区域、学校之间在硬件基础设施、软件程序系统以及智能评价技术素养上均存在差异。据《2022年人工智能教育蓝皮书》显示，东部地区六成左右的学校配置了智能教育程序系统，如自适应系统、智能评测系统和智能仿真教学系统，而东北地区只有三成左右学校配置；东部地区学校的信息化基础设施、智能教育硬件设备、智能教育实验室等也优于中西部和东北地区。在此现实情况下，智能技术赋能下的思想政治教育质量评价仅限于“技术鸿沟”的强者一侧，处于技术弱者一侧可能并无机会受益于智能技术赋能之下的以评促管、以评促教、以评促学，加剧了不公正风险。

三、智能技术赋能思想政治教育质量评价的进路

1. 树立新时代评价观，匡正评价方向

一是树立育人为本的评价目的观。思想政治教育质量评价的最终目标是促进思想政治教育质量全面提升，培养担当民族复兴大任的时代新人。新时代新征程，以智能技术赋能思想政治教育质量评价改革，必须紧密结合立德树人的根本要求，坚持价值理性与工具理性相统一。此外，也要将育人为本的评价目的观嵌入思想政治教育质量智能评价的数据感知、分析计算、决策处置等全过程，真正实现以评促管、以评促教、以评促学。

二是树立素养增值的评价主体观。充分发挥智能技术对思想政治教育质量评价的赋能优势，要树立素养增值的评价主体观，唤醒评价过程中人的主体性，强化思想政治教育质量智能评价人才支撑。一方面，要着力提升多元评价主体的智能素养。教育管理部门、学校、家庭、社会等多元评价主体共同参与思想政治教育质量评价，不仅可为实现“三全育人”的目标营造良好的评价生态，也有助于满足思想政治教育多样化的发展需求。组建“骨干引领、学科联动”的思想政治教育质量智能评价培训队伍，通过线上线下培训课程、研讨会、实践教学等方式为不同评价主体提供定制化的智能素养培训，增强其人工智能体验和兴趣，提升其相关理论知识、实践技能。另一方面，要打造思想政治教育质量智能评价专业化人才队伍。要深化人才培养方案改革，建立政府、高校、科技公司、科研机构的良性互动机制，推进思想政治教育质量智能评价政学产研一体化合作；要鼓励培养思想政治教育质量智能评价交叉人才，促进思想政治教育学科与人工智能、大数据、数学、心理学、管理学等学科的交叉融合，培养智能技术与思想政治教育质量评价融合的复合型人才。

三是树立守正创新的评价方法观。智能技术赋能思想政治教育质量评价不是对传统评价方法的颠覆性重塑，而是要在充分发挥已有方法手段优势的基础上循序渐进地拓展与变革。目前，一些常规性评价方法，比如访谈、观察、问卷调查、档案资料审查等，在思想政治教育质量评价实践中得到应用和发展，且不断取得成效。树立守正创新的评价方法观就是要在发挥这些传统评价方法优势的同时，推动智能技术应用于思想政治教育质量评价，让思想政治教育质量评价焕发新的生机活力。在具体实践中，要综合运用定量评价方法与定性评价方法、常规评价技术与新兴技术，避免机械地、盲目地运用智能技术，陷入唯技术论、唯数据论的误区。运用智能技术时，要明晰其赋能思想政治教育质量评价的范围和限度，论证思想政治教育实践中哪些方面能进行量化分析、算法决策、智能推荐，哪些方面不能，并且要保持常态性反思，对跑偏方向的方法及时予以纠正。

2. 拓展技术应用场景，提升评价效能

提升思想政治教育质量评价效能，要持续开发并创新应用相关智能技术，增强其在思想政治教育质量评价数据感知、建模计算、反馈运用三个环节的适切性。在数据感知阶段，针对思想政治教育思想数据采集难、多源数据集成难、异构数据标注难、过程数据留存难等现实难题，要加强数据智能采集和存储的基础设施建设，打造智能技术赋能思想政治教育质量评价的“数字底座”；构建一体化的内部评价数据共享平台，打破“信息孤岛”、数据壁垒；研发应用伴随式智能感知技术，面向学校、家庭、社区、网络等场域采集文本、图像、音频和视频等多模态过程性数据；加强对多源异构数据归约、转换、清洗、集成和自动标注技术的研发，实现针对思想政治教育质量评价数据的自动化、多空间、全过程、多模态采集和汇聚。

在建模计算阶段，针对多模态数据分析粗糙、评价模型精准性和解释性低等现实难题，要加强依赖词嵌入技术与神经语言模型等关注上下文关系的文本特征提取方法在思想政治教育数据特征提取中的运用，加强循环神经网络、卷积神经网络等深度学习算法在评价模型训练中的运用，提升模型准确性；坚持理论驱动与数据驱动相统一，在模型训练中，除了机器学习和深度学习方法外，要结合使用知识图谱、小样本学习迁移技术，汇聚更多的专家智慧，提升模型的可解释性，化解“算法黑箱”问题，确保评价模型的可实用、可泛化和可扩展。

在反馈应用阶段，如何利用智能技术直观清晰地呈现思想政治教育过程、效果和发展态势是需要重点解决的技术难题。针对上述难题，亟待开发应用人工智能大模型、虚拟现实技术、个性化推荐技术，从智能化、共享化、可视化和个性化等方面着手提升思想政治教育质量评价反馈应用的专业性，为思想政治教育者和教育对象提供个性化发展建议和学习路径。

3. 加强规章制度保障，规范评价行为

一是加强思想政治教育质量智能评价的制度供给。一方面，要推进思想政治教育质量智能评价顶层制度建设，制定思想政治教育质量智能评价相关发展规划、实施方案、行动指南，为明确评价目标、制定评价标准、确定评价职责、健全评价监管等提供重要依据。另一方面，要充分发挥地方教育部门和各级各类学校的自主性和能动性，持续细化国家层面的规章制度，形成具体、可操作的落地举措；对国家层面的制度规范还未出台或尚未涉及的领域，按照相关政策文件基本精神先行先试，设计本地区、本校的思想政治教育质量智能评价标准规范，并将典型案例、成功做法上升为国家制度设计层面，实现自上而下与自下而上协同推进思想政治教育质量智能评价实践进步和制度创新的融合共生。

二是逐步建立思想政治教育质量智能评价的规范标准。一方面，建立思想政治教育质量智能评价的数据规范。基于《数据安全法》《个人信息保护法》等法律法规，建立并完善思想政治教育质量智能评价数据采集、分析、共享、存储安全规范，为建立思想政治教育多模态数据共享安全保障机制、个人隐私数据分级保障机制以及智能评价系统访问控制与使用监管机制提供重要依据，保障数据的集成使用、规范利用、隐私安全。另一方面，建立思想政治教育质量智能评价的技术标准。按照国家智能技术标准，借鉴国际智能技术标准，构建思想政治教育质量评价数据感知获取、连接分析、计算处理等环节所涉及的智能技术标准体系，保证智能技术赋能思想政治教育质量评价合理合法、科学有序。

参考文献：

[1]中共中央国务院印发《深化新时代教育评价改革总体方案》 [N].人民日报，2020-10-14.

[2]中共中央国务院印发《关于新时代加强和改进思想政治工作的意见》[N].人民日报， 2021-07-13.

[3]冯刚.高校思想政治教育工作质量评价的时代特点与展望[J].湖北社会科学，2021 (1).

[4][美]凯西·奥尼尔.算法霸权——数学杀伤性武器的威胁与不公[M].译者：马青玲.北京：中信出版集团，2018：V.

作者简介：陈科，重庆大学马克思主义学院研究员、博士生导师。

来源：《思想理论教育》2023年第12期