面向师范生的思政育人能力数字化评价方法

Digital Evaluation Methods for the Ideological and Political Education Competence for Normal University Students

摘要

师范生的思政育人能力的有效评估是保障基础教育课程思政改革质量的关键内容。针对面向师范生思政育人能力指标体系缺乏、数字化、智能化评价方法不足、数字化评价平台缺失的问题，本文首先构建了面向师范生的思政育人能力评价指标体系，设计了对应的思政育人能力测评问卷；其次，构建了师范生思政育人能力数字化评价平台，针对测评结果分别构建BERT-TextCNN 级联特征增强网络（BERT-CFEN）和思政育人能力解析教育智能体，进而提出双通道思政育人能力评估模型，实现师范生思政育人能力的量化评估。在构建的思政育人能力测评数据集（AIPEA）上的测试表明，本文方法对育人元素识别F1为95.45%。最后，构建了用于师范生思政育人能力数字化评价及可视化分析的数字化平台，并将该评价方法和平台应用于三个不同年级的师范生进行思政育人能力测评，验证了所提方法在师范生思政育人能力评价方面的有效性。

Abstract

The effective assessment of normal university students’ competence in ideological and political education is a key factor in safeguarding the quality of curriculum-based ideological and political reform in basic education. In response to the lack of an indicator system for ideological and political education competence of normal university students, insufficient digital and intelligent evaluation methods, and a lack of digital evaluation platforms, this article first constructs an evaluation indicator system for ideological and political education competence of normal university students, and designs a corresponding evaluation questionnaire for ideological and political education competence. Next, a digital evaluation method for ideological and political education competence of normal university students is constructed. Based on the evaluation results, a BERT-TextCNN cascaded feature enhancement network (BERT-CFEN) and an educational intelligent agent for analyzing ideological and political education competence have been built, respectively. Furthermore, a dual-channel evaluation model for ideological and political education competence has been proposed to be established to enable quantitative assessment of ideological and political education competence of normal university students. The test on the constructed AIPEA dataset shows that the F1 of our method in identifying educational elements is 95.45%. Finally, a digital platform is constructed for the digital evaluation and visual analysis of ideological and political education competence of normal university students, and the evaluation method and platform are applied to evaluate the ideological and political education competence of three different grades of normal university students, verifying the effectiveness of the proposed method in evaluating the ideological and political education competence of normal university students.

Graphical abstract

关键词

师范生 / 思政育人能力 / 评价体系 / 数字化评价

Key words

normal university students / ideological and political education competence / evaluation system / digital evaluation

0　 引 言

课程思政建设的关键在于教师，而师范生的思政育人能力的培养是抓好基础教育教师队伍“主力军”的关键保障，是基础教育课程思政高质量建设的重要一环。2020年6月教育部印发的《高等学校课程思政建设指导纲要》（http://www.moe.gov.cn/srcsite/A08/s7056/202006/t20200603_462437.html），针对教育学类专业特点，从师德理想、政治规范、教育情怀、专业能力4个方面给出了课程思政建设的重点。因此，思政育人能力已成为师范生专业能力新的重要组成部分，而实现对师范生思政育人能力的有效评价，则是师范院校思政教育工作必须解决的问题，是确保师范院校卓越教师培养成效的重要保障。

本研究面向师范生思政育人能力提升需求，创新评价方式、丰富评价内容，构建师范生思政育人能力数字化评价方法；将为提升师范生培养质量、推动思政育人教育改革提供技术支持和实践指导，为进一步实现教育数字化改革提供思路。

1　 现有研究分析与研究问题阐述

课程思政是一种综合性的教育理念，要求教师充分发挥育人作用，挖掘教学内容与思政元素的交叉融合点，从回答“为谁培养人、培养什么人、怎样培养人”这一教育根本问题出发，将思政育人内容融入专业课的课程教学，使各类课程与思想政治理论课程相辅相成，共同推进立德树人的根本任务^[1]。课程思政的教学改革已经成为当下研究的热点，但如何有效评价师范生的思政育人能力，进一步提高思政育人效果和教学质量，目前相关研究较少。为实现师范生思政育人能力的数字化评估，现有研究还存在以下问题。

1.1　师范生思政育人能力评价体系缺乏

教师思政育人能力评价主要存在两条路径：其一，聚焦教师本体，构建针对性的评价体系或模型，实现对课程思政知识、技能与素养的评估；其二，以课程为载体，通过课程思政实施效果反推教师能力水平，进而完成思政育人能力评估。

在教师本体评价研究中，学者多从教学能力维度构建指标体系。刘静馨等^[2]基于人的全面发展理论，构建包含课程思政设计、开发、实施及反思能力的医学专业课教师评价体系；孙丽娟等^[3]以TPACK(Technological Pedagogical Content Knowledge)理论为基础，从知识、技术、教学法和情境素养视角，构建外语教师课程思政教学能力模型。此外，邢菲等^[4]、高玉垒等^[5]、龚丽萍^[6]分别针对高职教师团队、大学英语教师、体育教师，围绕育人素养、学科素养及教学能力等维度建立评价指标；林娜^[7]、张艳芬^[8]和陈淑维^[9]结合学科特性与政策要求，提出学前教育、中学思政及高职院校专业课教师的思政育人能力评价框架。董翠香等^[10]基于德育理论构建体育教育专业课程思政元素结构体系。

在课程思政实施效果评价方面，刘国城等^[11]运用模糊综合评价法设计“审计学”课程思政效果评价指标；刘子怡等^[12]从学生视角构建“会计学”课程思政建设效果评价体系；许祥云等^[13]综合政策分析与统计方法，建立适用于高校及教师个体的课程思政综合评价指标。

但现有研究存在三方面局限：其一，研究对象主要聚焦在职教师群体，针对师范生思政育人能力的评价体系尚属空白；其二，多数评价模型停留在理论构建层面，缺乏实证检验与实践验证；其三，现有体系设计普遍未充分考虑师范生专业成长规律与能力提升需求，导致评价体系与培养目标的衔接性不足。

1.2　师范生思政育人能力评价的智能化技术应用存在不足

在教育数字化评价改革持续推进的背景下，国家相继出台系列政策推动教育评价技术创新。2018年《教育信息化2.0行动计划》（http://www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html）明确提出利用信息技术构建智能化、个性化教育评价体系；2020年《深化新时代教育评价改革总体方案》（https://www.gov.cn/gongbao/content/2020/content_5554488.htm）倡导借助现代技术开展全维度教育评价；2021年《关于加强新时代教育管理信息化工作的指导意见》（http://www.moe.gov.cn/srcsite/A16/s3342/202103/t20210322_521669.html）强调运用大数据、人工智能等技术革新教育评价方式；2025年《教育部等九部门关于加快推进教育数字化的意见》（https://www.gov.cn/zhengce/zhengceku/202504/content_7019045.htm）指出应建立基于大数据和人工智能支持的教育评价机制。因此针对师范生的思政育人能力实现数字化评价和优化，已成为基础教育发展的必然趋势。

学界围绕数字化教育评价也开展了诸多探索。魏培文等^[14]运用BP神经网络实现高校教师精准教学能力的客观评估；胡小勇等^[15]整合图像识别、语音识别等多源数据技术，完成师范生教学基本技能的智能测评与可视化画像；张一春等^[16]提出依托人工智能、虚拟现实等技术实现教师能力诊断与发展。现有研究在教师能力评价技术上积极探索了智能化评价方法，但其无法直接转化、应用于师范生思政育人能力的有效评价。

1.3　师范生思政育人能力数字化评价平台缺乏

在师范生教学能力数字化培养与评估领域，已有研究取得一定进展。本团队开发了基于移动式学习平台的教学技能训练微信小程序^[17]，构建了虚拟交互式师范生教学能力训练平台^[18]，初步探索了师范生教学能力训练数字化方法。同时，胡小勇等^[15]构建的师范生教学基本技能智能实训系统，实现了教学基本能力的视频化评价与可视化展示；孙发勤等^[19]基于智能研修平台构建教师群体画像，用于教学质量监控与教师发展。然而，现有数字化平台均聚焦于师范生的一般性教学能力训练与评估，尚未涉及思政育人能力评价这一关键领域。

思政育人能力的评估依赖对思政育人设计文本的数字化自动评分方法的有效支撑。现有文本自动化评分方法主要可分为两类：第一类是基于文本相似度计算的传统算法，如Jaccard相似度算法^[20]、编辑距离相似度算法^[21]和基于词频的向量空间模型算法^[22]。此类方法计算逻辑简捷、执行效率高，但仅能从文本表层特征判断相似性，难以深入挖掘语义逻辑关系。第二类是基于深度学习和机器学习的方法，例如Dodia等^[23]结合BERT与传统距离计算开发的主观题评估算法、Lin等^[24]的手写主观题智能评分算法，以及陈爽等^[25]基于知识蒸馏的数据增强算法、王士进等^[26]的要点匹配评分算法。这些方法虽具备深度语义理解能力，但均依赖预设的固定参考答案。

由于师范生思政育人教学过程强调方法多元性与设计创新性，其思政育人的教学设计、学情分析等文本内容难以预设统一标准答案。这使得上述两类文本评分方法无法直接适用于师范生思政育人能力评价。因此，如何整合数字化技术与智能算法，构建符合师范生思政育人能力评价需求的数字化方法，已成为亟待突破的关键问题。

2　 评价指标体系

2.1　师范生思政育人能力评价指标体系的构建

构建针对性的思政育人能力评价指标体系是实现师范生数字化思政育人能力评价方法的前提。本研究通过梳理国家相关部门发布的关于思政育人能力的政策文件以及国内学者关于思政育人能力评价的相关研究，从课程思政实施的角度出发，提取师范生思政育人能力评价的一级和二级指标，形成思政育人知识储备、设计育人方案的能力、组织实施育人活动的能力和反思优化育人行为的能力4个一级指标和16个二级指标。

本文采用德尔菲法对指标体系进行优化完善。选取了6位来自陕西高校的课程思政教育领域的研究人员，以及7位来自西安市中小学的一线教师作为咨询专家。首轮咨询向13位专家发放咨询问卷，征集专家对师范生思政育人能力评价初拟指标内容及内涵说明的认同程度以及修改意见。结合专家意见，对师范生思政育人能力评价指标各级指标内涵进行补充说明，增强指标体系的时代适应性。计算各指标的相关统计量（专家积极系数、专家权威程度、均值、变异系数），再根据统计结果修订完善指标体系。本次专家咨询共回收有效问卷13份，专家积极系数为100%。

在完成指标体系优化后，开展第二轮专家咨询。本轮问卷将修订后的指标体系反馈至原专家群体，邀请其对调整内容进行复核。结果显示，所有指标均符合预设临界值标准，且专家未提出进一步修改意见。

综合两轮专家咨询结果，最终构建的师范生思政育人评价指标体系见表1。

2.2　师范生思政育人能力评价指标体系权重

为量化评估师范生思政育人能力的指标权重，本文采用Saaty提出的层次分析法^[27]，通过构建层次模型、构造判断矩阵、计算权重及一致性检验，系统化确定各指标权重，具体过程如下。

首先，基于师范生的思政育人能力评价指标体系，构建目标层、准则层与方案层的递进层次结构。其中，目标层为师范生思政育人能力，准则层为一级指标，方案层为二级指标。

在完成上述层次结构构建后，进行判断矩阵的构造与数据采集。针对准则层与方案层的各项指标，采用1-9标度法^[28]对同级指标进行两两重要性比较，构造判断矩阵。借助专家问卷调查采集数据，向来自陕西高校的25名思政育人领域专家发放问卷，回收有效问卷24份，有效回收率为96.0%。问卷要求专家依据经验对指标间相对重要性赋值，从而形成判断矩阵。

获得判断矩阵后，运用相应软件求解权重向量及组合权重。同时，对各判断矩阵进行组合一致性检验，确保整个指标体系具备良好的内部一致性。经计算，本指标体系中各矩阵的一致性比率分别为0.023 6、0.013 9、0.010 5、0.006 0、0.000 3，均小于临界阈值0.1，表明各矩阵均通过一致性检验，权重计算结果具备较高的可靠性与可信度。通过上述流程，最终确定师范生思政育人能力评价指标体系各维度的权重，结果见表1。

3　 师范生思政育人能力数字化评价

在上述评价指标体系的基础上，本文搭建了师范生思政育人能力数字化评价平台，其由能力测评问题、能力评分及能力分析展示三个模块组成。在能力测评问题模块，基于构建的指标体系设计测评问题，获取师范生思政育人能力的不同维度信息。根据师范生的答题结果，能力评分模块设计相应的评分算法，对师范生不同维度的能力计算得分。能力分析展示模块根据师范生各个能力的得分及当前测试学生的平均得分，实现对师范生能力现状的可视化展示及分析，具体流程如图1所示。

3.1　能力测评问题模块

数字化平台共设计了12道选择题和7道简答题作为测评问题。其中，思政育人知识储备（A1）与反思优化育人行为能力（A4）两个一级维度，通过11道不定项选择题进行测试，以此考察学生对传统文化、时政热点的关注程度以及学生的自我反思能力。

设计育人方案的能力（A2）和组织实施育人活动的能力（A3）这两个实践性较强的维度，采用简答题和选择题相结合的形式进行测评。在上述一级维度下，激励评价学生的能力（B12）维度通过选择题考察；育人目标的定位与设计（B6）、育人资源的选取与组织（B7）、育人内容与课堂教学融合（B8）、育人方法的设计与创新（B9）、培育新型师生关系的能力（B10）、引导学生成为主体的能力（B11）、改进思政育人效果的能力（B13）通过简答题考察，题目内容涉及学情分析、思政育人方法、教学设计等方面。

3.2　能力评分模块

根据选择题和简答题两类测评结果，采取不同的评分方式完成思政育人能力评估。

3.2.1　面向选择题的能力评估方法

针对选择题，核心思路是将师范生的作答与预设的正确答案进行匹配，并依据匹配的具体结果实施赋分操作。从题型类别来看，主要涵盖以下三大类选择题：

1） 知识考查类：此类型题目主要聚焦于对师范生在教育相关知识体系、基础理论架构、重大历史事件以及政策法规等多方面的考查，涉及社会主义核心价值观、教师职业道德规范等关键知识领域。在评分规则设定上，仅当师范生所选选项与标准答案完全匹配时，赋予相应分值；存在偏差，则判定为0分。这种评分方式能够严格且有效地检验师范生对重要知识的掌握程度，确保其知识储备的准确性与完整性。

2） 自我认知类：这类题目着重于探究师范生对自身教育教学行为模式、教育意识以及职业素养的认知水平。例如，“您是否始终留意自身于校园环境中的言行举止，以切实为学生树立榜样示范作用？”。在评分过程中，各选项分值从高到低依次递减。这一评分策略旨在激励师范生持续强化正确的教育教学理念，逐步塑造良好的职业素养，推动其在教育职业生涯中的自我成长与发展。

3） 教学行为类：该类题目重点关注师范生在日常教学实践过程中的实际行为表现与教学策略运用。例如，“师范生在教学实践中融入思政元素尤为重要，以下属于恰当教学行为的是？”。在评分时，每个选项都被赋予相同的分值，师范生选择的正确选项数量越多，其最终得分越高。此评分方式有助于全面、综合地评估师范生在教学实践中的方法运用能力，鼓励其积极探索多样化、多元化的教学方式，提升教学质量与效果。

3.2.2　面向简答题的能力评估方法

针对简答题，收集到的信息以文本形式存储，为适应师范生思政育人设计的多样性和创新性，本研究提出双通道思政育人能力评估模型。该模型包含指标匹配度评估与内涵契合度评估两通道，在指标匹配度评估通道，基于本文提出的BERT-CFEN网络，评估师范生回答文本与思政育人能力评价指标体系的显性关联；在内涵契合度评估通道构建思政育人能力解析教育智能体，分析和评估回答文本与具体指标内涵的契合度，最后加权融合两通道得分，完成对师范生思政育人能力的量化评估。

由于目前没有用于思政育人能力测评的文本数据集，本研究构建了思政育人能力测评（Assessment of Ideological and Political Education Ability, AIPEA）数据集。AIPEA数据集共收集了11个学科的273份优秀教学范例，对其进行识别、提取和标注，最终得到了包含育人目标的定位与设计（B6）、育人资源的选取与组织（B7）、育人内容与课堂教学融合（B8）、育人方法的设计与创新（B9）、培育新型师生关系的能力（B10）、引导学生成为主体的能力（B11）、改进思政育人效果的能力（B13）7种能力的2 166条文本数据及对应类别标注。在标注中使用了以下三种方法：

1） 专家标注。为保证数据集中标注数据的创新性和准确性，从中国知网获取融入思政育人改革的中小学优秀教学范例，邀请数据标注专家对应7种能力从教学范例中进行分割和标注，共获得203条标注数据。

2） 大模型辅助标注。从中小学智慧教育平台获取优秀教学设计案例，使用大模型辅助标注，并进行人工检验^[29]。研究基于DeepSeek-R1模型将专家标注的数据以及对7种能力的具体要求提供给模型，要求其对教学范例中包含的7种能力的具体描述进行识别、提取和标注。在标注完成后进行人工检验，确保数据可靠性，最终获得369条标注数据。

3） 智能体生成数据。为进一步提升数据集的多样性，构建“思政教学设计生成”教育智能体，使用DeepSeek-R1模型，输入师范生思政育人能力评价指标及学科教学内容，要求智能体挖掘其中的思政元素完成教学设计，同时要求生成的教学设计必须包含简答题测评的7种思政育人能力，以此来直接生成标注数据，具体流程见图2。

在所有标注完成后，将所有标注数据按8∶1∶1的比例随机划分至训练集、验证集和测试集，最终训练集包含数据1 732条，验证集217条，测试集217条。

获取到师范生回答文本后，指标匹配度评估通道使用BERT-CFEN网络分析回答文本内容与数据集中不同指标对应案例文本的相关度概率，进而得出回答文本与对应指标的匹配度，完成相应能力维度的评分。BERT-CFEN网络基于BERT网络和TextCNN模型构建，BERT^[30]网络采用双向Transformer编码器，生成的字向量可以充分融合字词左右的上下文信息，具有强大的语言理解能力和迁移学习能力，能够挖掘文本语义依赖关系，捕捉长距离语义信息；TextCNN^[31]是一种将卷积神经网络应用于文本分类任务的模型，通过卷积操作捕捉文本中的局部特征，再池化操作组合成全局特征表示。具体运行时，对输入的回答文本，BERT-CFEN网络首先在特征提取模块使用预训练的BERT-base-Chinese网络提取回答文本中的语义信息。当回答文本进入BERT-base-Chinese网络时，先通过Embedding层进行处理，在该层，输入文本经WordPiece分词器解析为子词单元后，借助预训练词嵌入矩阵映射为768维稠密向量，随后，将对应的位置向量和段落类型嵌入向量融入其中，将文本转化为固定长度的向量表示。经过Embedding层处理后，向量化表征的文本序列被输入至12层Transformer架构进行深度编码。该架构每层包含768维隐藏状态与12头自注意力机制，通过多层堆叠结构逐步提取上下文敏感的全局语义特征，由此获得文本特征。

在获得预训练BERT-base-Chinese网络提取的文本特征后，特征强化模块进一步强化文本特征，如图1所示。该模块基于TextCNN模型，通过三个尺寸分别为3\times768、5\times768、7\times768的卷积块，并行提取不同层级的局部语义特征。每组卷积操作后均接入ReLU激活函数，以此增强模型的非线性表达能力；随后采用最大池化操作，筛选各尺度下的显著性特征，在保留重要特征的同时，抑制噪声和冗余。在得分输出模块，强化后的文本特征由全连接层进行整合，再通过Softmax层将输出转化为相应指标的相关度概率，该概率即为师范生回答文本的指标匹配度得分。

内涵契合度评估通道应用思政育人能力解析教育智能体，重点评估回答内容与对应问题具体内涵的契合度。智能体被要求作为善于完成思政育人设计的思政育人教育专家或经验丰富的一线教师，通过对回答内容与对应指标内涵进行解析，从育人相关性、育人逻辑性与育人深入性三个角度分析回答文本，并依据指标内涵判断文本内容的完成度概率，获得内涵契合度得分。

为实现对师范生思政育人能力的全面量化评估，采用加权融合策略对双通道评分结果进行整合，生成师范生思政育人能力相关二级维度能力的量化评分，具体加权公式计算如下：

s_c^i=\mathrm{100}\left(s_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}^i\alpha +s_{\mathrm{l}\mathrm{l}\mathrm{m}}^i\beta \right)(1)

其中，s_c^i为第i题的基本得分，s_{\mathrm{b}\mathrm{a}\mathrm{s}\mathrm{e}}^i为第i题的指标匹配度得分，s_{\mathrm{l}\mathrm{l}\mathrm{m}}^i为第i题的内涵契合度得分，\alpha和\beta为对应的权重，本文取\alpha =\mathrm{0.6}，\beta =\mathrm{0.4}。

本文构建的BERT-CFEN网络设置了长度奖励机制。将各个题目回答文本的标准长度与学生提交的文本长度进行比较，计算奖励分数，公式如下：

s_r^i=

(2)

其中，s_r^i指学生在第i题的奖励分数，L_i指学生提交的第i题的文本长度，L_{\mathrm{s}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{d}\mathrm{a}\mathrm{r}\mathrm{d}}^i指第i题回答文本的标准长度。最终第i题的得分s_i即为：

s_i=s_r^i+s_c^i(3)

3.2.3　评分整合

在获取选择题和简答题的得分后，需要按照评价体系中的权重计算总分，并输出最后的得分结果:S=\left\{s_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}},s_{\mathrm{1}},s_{\mathrm{2}},\cdots ,s_z\right\}，s_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}指师范生思政育人能力总分，s{}_i{}^{}指师范生在第i题上的得分，z为测试总题目数。师范生思政育人能力总分s_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}计算公式如下：

s_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}={\displaystyle \sum _{i=\mathrm{1}}^z}{\omega }_i{s}_i(4)

其中,{\omega }_i指该题目对应的二级指标的组合权重。

3.3　能力分析展示模块

能力分析展示模块基于能力评分模块的得分，对师范生的思政育人能力得分以柱状图、雷达图以及玫瑰图的形式进行直观展示，同时提供具有针对性的评语与改进建议。通过可视化平台，帮助师范生直观了解其能力的发展情况，引导师范生精准定位自身优势与不足，从而促进其在思政教育领域的专业成长与发展,如图3所示。

柱状图展示了能力测评问题得分情况（蓝色），并将其与当前各题目的平均分（绿色）进行对比，有助于清晰呈现该师范生在各题表现上与平均水平的差距，为师范生思政育人能力个性化提升提供基础数据支撑。雷达图以4个一级指标为基本单元，全面呈现师范生在各一级指标的能力分布态势，有助于其明确自身在不同维度的能力发展水平与相对位置，为制定个性化的能力提升计划提供数据支撑。玫瑰图将师范生各维度的能力得分以占比形式予以呈现，展示其在思政育人领域的综合水平，不仅能让师范生对自身的能力结构有全面认知，也为后续能力提升策略的制定提供数据支持，为教育管理者与教师开展针对性的教学指导与资源配置提供量化的参考依据。

4　 实验与结果分析

4.1　双通道思政育人能力评估模型实验

4.1.1　评价指标

为检验本文构建的双通道思政育人能力评估模型对思政育人设计内容判断的准确度，本研究使用均方误差（MSE）、准确率、精确率、召回率和F\mathrm{1}值作为评估指标。其中，均方误差用于评估模型对于指标体系完成度识别的精度，具体公式表示如下：

\mathrm{M}\mathrm{S}\mathrm{E}=\frac{\mathrm{1}}{m}{\displaystyle \sum _{i=\mathrm{1}}^m}(X_i-{\widehat{X}}_i{)}^{\mathrm{2}}(5)

其中，m为预测文本的数量，X_i表示第i个文本体现的对应指标体系完成度（默认为1），{\widehat{X}}_i表示模型预测的第i个文本体现的对应指标体系完成度。

准确率（Accuracy,Acc）是指分类正确的样本数占总样本数的比例，用于衡量分类模型的整体分类正确性，计算公式如下：

\mathrm{A}\mathrm{c}\mathrm{c}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}\times \mathrm{100}\mathrm{\%}(6)

其中，\mathrm{T}\mathrm{P}表示将正样本预测为正样本的数量，\mathrm{T}\mathrm{N}表示将负样本预测为负样本的数量，\mathrm{F}\mathrm{P}表示将负样本预测为正样本的数量，\mathrm{F}\mathrm{N}表示将正样本预测为负样本的数量。精确率（Precision,Pre）是指在所有被模型判断为正样本的样本中真实正样本的比例，计算公式如下：

\mathrm{P}\mathrm{r}\mathrm{e}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}\times \mathrm{100}\mathrm{\%}(7)

召回率（Recall,Rec）是指在所有真实正样本中被模型正确判断为正样本的比例，计算公式如下：

\mathrm{R}\mathrm{e}\mathrm{c}=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}\times \mathrm{100}\mathrm{\%}(8)

F\mathrm{1}值是一种精确率和召回率的调和均值指标，用于衡量评估模型的综合表现，计算公式如下：

F\mathrm{1}=\frac{\mathrm{2}\times \mathrm{P}\mathrm{r}\mathrm{e}\times \mathrm{R}\mathrm{e}\mathrm{c}}{\mathrm{P}\mathrm{r}\mathrm{e}+\mathrm{R}\mathrm{e}\mathrm{c}}\times \mathrm{100}\mathrm{\%}(9)

4.1.2　参数设置

在数据预处理部分，考虑到数据集中案例文本内容的长度，设置模型最大长度为128。在训练过程中，设置训练轮数为100轮，批量大小为32。为了防止模型过拟合，采用了早停策略，当验证集的准确率在连续3轮没有提升时，提前终止训练。优化策略上，使用AdamW优化器，初始学习率设置为\mathrm{2}\mathrm{E}-\mathrm{5}。权重衰减设置为0.01，用于正则化模型参数。

4.1.3　实验结果验证及分析

为验证本文提出的双通道思政育人能力评估模型的有效性，研究开展对比实验，将其与TextCNN、BERT、BERT-CFEN模型的效果进行对比分析，以检验模型性能。具体实验结果如表2所示。

如表2所示，本研究提出的双通道思政育人能力评估模型在各项指标上均优于TextCNN、BERT及BERT-CFEN模型。原因在于，TextCNN网络无法理解深层次语义，难以挖掘回答文本中的课程思政信息；BERT网络虽然可以理解深层语义，但其对课程思政信息的挖掘不够深入，导致其无法识别潜藏的思政信息；BERT-CFEN虽通过多尺度卷积实现了文本特征强化，但本质上仍依赖文本特征提取，未能突破浅层语义分析的局限。而双通道思政育人能力评估模型引入教育智能体，在BERT-CFEN提取结构化特征的基础上，进一步通过语义理解与逻辑推理机制深入提取教学文本内涵。这种双通道模式弱化了传统模型对特征向量的过度依赖，借助教育智能体的推理优势实现了对文本内容的精准语义解析，达到了更好的识别效果。

4.2　应用分析

为检验本研究提出的师范生思政育人能力数字化评价方法，研究选取陕西师范大学2020级、2021级、2022级共56名信息技术学科师范生，运用该评价方法开展能力测评与对比分析。经数据清洗，去除未完全作答问卷，最终收集有效数据51份，包含2020级14份、2021级21份、2022级16份，问卷回收有效率91.07%。

经统计，2022级、2021级、2020级师范生思政育人能力平均分分别为68.26、70.87、73.26，呈现出随受教育年限增加而逐步提升的趋势。在一级指标表现上，各年级在“思政育人知识储备”“设计育人方案的能力”“组织实施育人活动的能力”和“反思优化育人行为的能力”4项一级指标上的得分，均呈现随年级升高递增的规律，如图4所示。

上述结果表明，面向师范生的思政育人教育体系与专业培养过程形成有效协同，随着学习进程推进，学生在各个维度均实现了能力进阶，验证了本评价模型对师范生成长轨迹的科学刻画能力。值得关注的是，对比分析发现，参加测试的师范生在“设计育人方案的能力”和“组织实施育人活动的能力”两个实践维度的表现，均弱于其他两个维度。这一结果体现出当前师范生在思政育人实践领域仍存在能力短板，需通过优化完善培养体系架构、强化实践教学环节等针对性举措，推动师范生思政育人实践能力的全面提升与均衡发展。

5　 结 语

本研究围绕师范生思政育人能力数字化评价这一问题，展开了探索。在研究过程中，构建了师范生思政育人能力评价指标体系、数字化思政育人能力评价方法和对应的数字化平台，平台包括能力测评问题、能力评分及能力分析展示模块，实现了对师范生思政育人能力的评估与可视化展示。同时，本研究通过整合BERT-CFEN网络与教育智能体，构建了师范生思政育人能力双通道评价模型。实验结果表明，该模型结合深度学习模型与大语言模型，实现了师范生思政育人能力的数字化评价。本文应用神经网络和教育智能体技术，采用直接将文本映射到能力评价指标的方法，完成思政育人能力的量化评估，在一定程度上完成思政育人能力的数字化评价并有利于师范生培养方案的优化，后续可以进一步考虑细化提取能够反映思政育人能力对应指标的文本关键词，以实现思政育人设计的细粒度指标维度挖掘。

参考文献

[1] 李晓东. 培养担当民族复兴大任的时代新人——六年来我国落实立德树人根本任务的进展与政策分析［J］. 人民教育， 2024（17）： 16-19.

[2] LI X D. Cultivating a new generation capable of shouldering the mission of national rejuvenation： Progress and policy analysis of China’s six-year implementation of the fundamental task of fostering virtue through education ［J］. People’s Education， 2024（17）： 16-19 （Ch）.

[3] 刘静馨， 魏选东. 医学专业课教师课程思政能力评价量表的编制及信效度检验［J］. 护理学杂志， 2024， 39（13）： 89-92. DOI： 10.3870/j.issn.1001-4152.2024.13.089 .

[4] LIU J X， WEI X D. Development and psychometric properties of an evaluation scale of curriculum ideological and political competence of medical professional course teachers［J］. Journal of Nursing Science， 2024， 39（13）： 89-92. DOI： 10.3870/j.issn.1001-4152.2024.13.089（Ch ）.

[5] 孙丽娟， 李琪. 智能时代外语教师课程思政教学能力实证研究［J］. 外语电化教学， 2024（5）： 87-92. DOI： 10.20139/j.issn.1001-5795.20240513 .

[6] SUN L J， LI Q. An empirical study of foreign language teachers’ teaching competence in curriculum-based ideological education in intelligent era［J］. Technology Enhanced Foreign Language Education， 2024（5）： 87-92. DOI： 10.20139/j.issn.1001-5795.20240513 （Ch ）.

[7] 邢菲， 陈凯， 戎成， 等. 高职院校教师教学创新团队课程思政意识与能力现状及提升策略［J］. 中国职业技术教育， 2024（17）： 78-87.

[8] XING F， CHEN K， RONG C， et al. Research on the current situation and improvement strategies of curriculum ideological and political consciousness and ability of teaching innovation teams for higher vocational college teachers［J］. Chinese Vocational and Technical Education， 2024（17）： 78-87 （Ch）.

[9] 高玉垒， 张智义. 大学英语教师课程思政教学能力的结构模型建构［J］. 外语电化教学， 2022（1）： 8-14.

[10] GAO Y L， ZHANG Z Y. Toward a structural model of college English teachers' teaching competence in curriculum—Based political and virtuous awareness［J］. Technology Enhanced Foreign Language Education， 2022（1）： 8-14 （Ch）.

[11] 龚丽萍. 体育教师课程思政能力模型构建［J］. 成都体育学院学报， 2022， 48（5）： 111-116. DOI： 10.15942/j.jcsu.2022.05.018 .

[12] GONG L P. Model construction of physical education teacher’s ideological and political ability［J］. Journal of Chengdu Sport University， 2022， 48（5）： 111-116. DOI： 10.15942/j.jcsu.2022.05.018 Ch .

[13] 林娜. 学前教育专业教师“课程思政” 素养指标体系设计与应用［J］. 陕西学前师范学院学报， 2023， 39（7）： 111-116. DOI： 10.11995/j.issn.2095-770X.2023.07.014 .

[14] LIN N. Design and implementation of the index system for the cultivating of “ideological-political education” literacy of teachers in preschool education［J］. Journal of Shaanxi Xueqian Normal University， 2023， 39（7）： 111-116. DOI： 10.11995/j.issn.2095-770X.2023.07.014（Ch ）.

[15] 张艳芬. 中学思政课教师育人能力之内涵、价值与提升［J］. 中学政治教学参考， 2023（31）： 63-66.

[16] ZHANG Y F. The connotation， value， and enhancement of middle-school ideological and political teachers’ educative capacity ［J］. Teaching Reference of Middle School Politics， 2023（31）： 63-66 （Ch）.

[17] 陈淑维. 高职院校专业课教师课程思政素养的要素构成与模型建构［J］. 职教论坛， 2023， 39（10）： 115-122.

[18] CHEN S W. The elements composition and modeling of curriculum ideological and political literacy of professional course teachers in vocational colleges［J］. Journal of Vocational Education， 2023， 39（10）： 115-122 （Ch）.

[19] 董翠香， 樊三明， 高艳丽. 体育教育专业课程思政元素确立的理论依据与结构体系建构［J］. 体育学刊， 2021， 28（1）： 7-13. DOI： 10.16237/j.cnki.cn44-1404/g8.2021.01.001 .

[20] DONG C X， FAN S M， GAO Y L. Theoretical basis and structural system construction of the curriculum ideological and political elements in physical education major［J］. Journal of Physical Education， 2021， 28（1）： 7-13. DOI： 10.16237/j.cnki.cn44-1404/g8.2021.01.001（Ch ）.

[21] 刘国城， 陈婕妤， 陈意正. “审计学” 课程思政的建设理念、实践路径与效果评价［J］. 财会通讯， 2024（5）： 160-165. DOI： 10.16144/j.cnki.issn1002-8072.2024.05.026 .

[22] LIU G C， CHEN J Y， CHEN Y Z. The construction concept， practical path， and effectiveness evaluation of ideological and political education in the course of “Auditing” ［J］. Communication of Finance and Accounting， 2024（5）： 160-165. DOI： 10.16144/j.cnki.issn1002-8072.2024.05.026（Ch ）.

[23] 刘子怡， 董必荣， 王蓉. 课程思政建设效果评价研究——以南京审计大学“会计学” 课程为例［J］. 财会通讯， 2022（22）： 42-46. DOI： 10.16144/j.cnki.issn1002-8072.2022.22.028 .

[24] LIU Z Y， DONG B R， WANG R. Research on the evaluation of the effectiveness of course ideological and political con-struction： A case study of the “accounting” course at Nanjing Audit University ［J］. Communication of Finance and Accounting， 2022（22）： 42-46. DOI： 10.16144/j.cnki.issn1002-8072.2022.22.028（Ch ）.

[25] 许祥云， 王佳佳. 高校课程思政综合评价指标体系构建——基于CIPP评价模式的理论框架［J］. 高校教育管理， 2022， 16（1）： 47-60. DOI： 10.13316/j.cnki.jhem.20211224.005 .

[26] XU X Y， WANG J J. The construction of the comprehenive evaluation index system for curriculum ideological and political education in colleges and universities： Based on the theoretical framework of the CIPP evaluation model［J］. Journal of Higher Education Management， 2022， 16（1）： 47-60. DOI： 10.13316/j.cnki.jhem.20211224.005（Ch ）.

[27] 魏培文， 朱珂， 叶海智， 等. 基于BP神经网络的高校教师精准教学能力评价模型构建［J］. 河南师范大学学报（自然科学版）， 2024， 52（5）： 108-116. DOI： 10.16366/j.cnki.1000-2367.2023.12.05.0001 .

[28] WEI P W， ZHU K， YE H Z， et al. Construction of precision teaching ability evaluation model for college teachers based on BP neural network［J］. Journal of Henan Normal University （Natural Science Edition）， 2024， 52（5）： 108-116. DOI： 10.16366/j.cnki.1000-2367.2023.12.05.0001（Ch ）.

[29] 胡小勇， 许课雪， 张缨斌. 面向教师画像的能力精准测评和可视化呈现［J］. 中国电化教育， 2024（1）： 104-110. DOI： 10.3969/j.issn.1006-9860.2024.01.014 .

[30] HU X Y， XU K X， ZHANG Y B. Accurate evaluation and visual presentation oriented teachers' profile［J］. China Educational Technology， 2024（1）： 104-110. DOI： 10.3969/j.issn.1006-9860.2024.01.014（Ch ）.

[31] 张一春， 汤玲， 马春兰. 人工智能助推教师发展的路径与对策研究［J］. 电化教育研究， 2023， 44（10）： 104-111. DOI： 10.13811/j.cnki.eer.2023.10.014 .

[32] ZHANG Y C， TANG L， MA C L. Research on the path and countermeasures of artificial intelligence to facilitate teacher development［J］. e⁃Education Research， 2023， 44（10）： 104-111. DOI： 10.13811/j.cnki.eer.2023.10.014（Ch ）.

[33] 杨楷芳， 姜晓雯， 施资羽. 基于移动学习的“五位一体” 信息技术教师教学技能训练实践模式［J］. 计算机教育， 2023（4）： 92-96. DOI： 10.16512/j.cnki.jsjjy.2023.04.001 .

[34] YANG K F， JIANG X W， SHI Z Y. “Five-in-one” practice mode for training it teachers’ instructional skills based on mobile learning［J］. Computer Education， 2023（4）： 92-96. DOI： 10.16512/j.cnki.jsjjy.2023.04.001（Ch ）.

[35] 杨楷芳， 李君池， 许艳， 等. 教育元宇宙视域下虚拟交互式师范生教学技能训练模式的创新构建［J］. 计算机科学， 2024， 51（10）： 144-152. DOI： 10.11896/jsjkx.240400120 .

[36] YANG K F， LI J C， XU Y， et al. Virtual interactive teaching skills training mode for normal students in educational metaverse perspective［J］. Computer Science， 2024， 51（10）： 144-152. DOI： 10.11896/jsjkx.240400120 （Ch ）.

[37] 孙发勤， 许晓曦， 沈霞娟， 等. 智能精准教研背景下教师群体画像实践研究［J］. 中国电化教育， 2024（10）： 112-119. DOI： 10.3969/j.issn.1006-9860.2024.10.015 .

[38] SUN F Q， XU X X， SHEN X J， et al. The practice research of teachers portrait under the background of AI-based precision teaching research［J］. China Educational Technology， 2024（10）： 112-119. DOI： 10.3969/j.issn.1006-9860.2024.10.015（Ch ）.

[39] RINJENI T P， INDRIAWAN A， RAKHMAWATI N A. Matching scientific article titles using cosine similarity and jaccard similarity algorithm［J］. Procedia Computer Science， 2024， 234： 553-560. DOI： 10.1016/j.procs.2024.03.039 .

[40] CHAABI Y， ATAA ALLAH F. Amazigh spell checker using Damerau-Levenshtein algorithm and N-gram［J］. Journal of King Saud University - Computer and Information Sciences， 2022， 34（8）： 6116-6124. DOI： 10.1016/j.jksuci.2021.07.015 .

[41] 代晓丽， 刘世峰， 宫大庆. 基于NLP的文本相似度检测方法［J］. 通信学报， 2021， 42（10）： 173-181. DOI： 10.11959/j.issn.1000.4362021192 .

[42] DAI X L， LIU S F， GONG D Q. Text similarity detection method based on NLP［J］. Journal on Communications， 2021， 42（10）： 173-181. DOI： 10.11959/j.issn.1000.436.2021192（Ch ）.

[43] DODIA S， SPOORTHY V， CHANDAK T. Machine learning-based automated system for subjective answer evaluation［C］//2023 IEEE International Conference on Electronics， Computing and Communication Technologies New York： IEEE Press， 2023： 1-6. DOI： 10.1109/CONECCT57959.2023.10234818 .

[44] LIN Y H， SHEN H Y. SmartQ： A question and answer system for supplying high-quality and trustworthy answers［C］//2014 20th IEEE International Conference on Parallel and Distributed Systems （ICPADS）. New York： IEEE Press， 2014： 744-751. DOI： 10.1109/PADSW.2014.7097877 .

[45] 陈爽， 李莉. 集成数据增强提高自动简答题评分的泛化性［J］. 中文信息学报， 2022， 36（11）： 110-120. DOI： 10.3969/j.issn.1003-0077.2022.11.011 .

[46] CHEN S， LI L. Enhanced data augmentation improves generalisation of automated short answer scoring［J］. Journal of Chinese Information Processing， 2022， 36（11）： 110-120. DOI： 10.3969/j.issn.1003-0077.2022.11.011（Ch ）.

[47] 王士进， 巩捷甫， 汪意发， 等. 基于要点匹配的文科主观题通用评分［J］. 中文信息学报， 2023， 37（6）： 165-178. DOI： 10.3969/j.issn.1003-0077.2023.06.020 .

[48] WANG S J， GONG J F， WANG Y F， et al. Key points matching based scoring method for liberal arts subjective questions［J］. Journal of Chinese Information Processing， 2023， 37（6）： 165-178. DOI： 10.3969/j.issn.1003-0077.2023.06.020（Ch ）.

[49] SAATY R W. The analytic hierarchy process—What it is and how it is used［J］. Mathematical Modelling， 1987， 9（3/4/5）： 161-176. DOI： 10.1016/0270-0255（87）90473-8 .

[50] 葛世伦. 用1-9标度法确定功能评价系数［J］. 价值工程， 1989， 8（1）： 33-34. DOI： 10.14018/j.cnki.cn13-1085/n.1989.01.014 .

[51] GE S L. Determination of functional evaluation coefficient by 1-9 scale method［J］. Value Engineering， 1989， 8（1）： 33-34. DOI： 10.14018/j.cnki.cn13-1085/n.1989.01.014（Ch ）.

[52] 田萍芳， 刘恒永， 高峰， 等. 基于大语言模型的本体提示指导的司法命名实体识别［J］. 武汉大学学报（理学版）， 2025， 71（2）： 219-231. DOI： 10.14188/j.1671-8836.2024.0027 .

[53] TIAN P F， LIU H Y， GAO F， et al. Judicial named entity recognition by ontology prompt guidance based on large language model［J］. Journal of Wuhan University （Natural Science Edition）， 2025， 71（2）： 219-231. DOI： 10.14188/j.1671-8836.2024.0027（Ch ）.

[54] DEVLIN J， CHANG M W， LEE K， et al. BERT： Pre-training of deep bidirectional transformers for language understanding［C］// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics： Human Language Technologies， Volume 1 （Long and Short Papers）. Stroudsburg：Association for Computational Linguistics， 2019：4171-4186. DOI： 10.18653/v1/N19-1423 .

[55] KIM Y. Convolutional neural networks for sentence classification［C］//Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）. Stroudsburg： Association for Computational Linguistics， 2014： 1746-1751. DOI： 10.3115/v1/d14-1181 .

基金资助

中国教育学会教育科研重点规划课题(202426676908A)

陕西师范大学2025年度教师教育研究项目(JSJY2025002)

陕西师范大学综合教学改革研究重点项目(23JG13)

西安邮电大学教学改革课程思政研究专项项目(JGSZB202403)