个性化教育中道德责任缺失预警——一种机器学习(Machine Learning, ML)方法

《Frontiers in Psychology》:Early warning of moral responsibility deficiency in personalized education: a machine learning approach

【字体: 大 中 小 】 时间:2026年01月15日 来源:Frontiers in Psychology 2.9

编辑推荐:

  道德责任(Moral Responsibility)不仅是道德规范体系的重要组成部分,也是衡量个体道德意识与道德水平的关键指标。当代社会具有分化与个体化(Individualization)特征,个体化社会不可避免地冲击大学生思想,亦对高校德育工作提出新挑战,

  
道德责任(Moral Responsibility)不仅是道德规范体系的重要组成部分,也是衡量个体道德意识与道德水平的关键指标。当代社会具有分化与个体化(Individualization)特征,个体化社会不可避免地冲击大学生思想,亦对高校德育工作提出新挑战,因此加强当代大学生道德责任培养十分紧迫。研究人员通过自填式问卷(Self-administered Questionnaire)与个别访谈实证调查大学生伦理责任现状,发现大学生道德责任整体状况良好,但存在道德认知模糊、道德情感不稳定、道德能力不足及道德行为不规范等问题,且在政治面貌、年级、专业、学业成绩及参与集体活动次数上存在显著差异,故有必要重视大学生道德责任培养。在此基础上,研究人员建立了基于深度学习(Deep Learning, DL)的大学生道德责任早期预警模型,以实现对大学生道德责任缺失的及时预警。
该研究发表于《Frontiers in Psychology》。研究背景方面,责任是维系人类进化、社会可持续发展及文明进步的道德命脉,道德责任(Moral Responsibility)本质上是个体对外部道德义务的内在认同,是主动意识到并具有良心成分的道德使命。当代中国社会呈现分化与个体化(Individualization)特征,个体化社会中青年更关注自我实现与个人幸福,传统集体导向的道德教育易被视作"说教"与"道德强制"而产生心理拒斥,部分大学生出现道德责任意识淡薄、态度不明、行为失范等问题。同时深度学习技术在学生教育领域已有广泛应用并成效显著,为将机器学习引入德育预警提供了可行性依据。现有研究缺乏对大学生道德责任现状的系统量化及针对责任缺失的早期预警手段,因此研究人员开展此项研究,旨在通过实证调查明确大学生道德责任现状与影响因素,并构建基于随机森林(Random Forest)算法的预测模型对道德责任缺失学生进行及时预警,为学校实施精准化德育干预提供依据。研究结论表明大学生道德责任总体良好但存在多维不足且受人口学变量显著影响,所建随机森林模型预测准确率(Accuracy)达90.53%,AUC(Area Under ROC Curve)为0.97,优于XGBoost,可有效识别高危群体。
主要关键技术方法:研究人员以中国矿业大学在校生为分层抽样(Stratified Sampling)样本队列,采用含40题的自编大学生道德责任现状问卷(参考李2007与苏2013量表,前30题测道德认知(Cognitive Dimension)、道德情感(Emotional Dimension)、道德能力(Ability Dimension),Likert 5点计分;31–39题测道德行为(Behavioral Dimension);第40题为开放题),经验证性因子分析(Confirmatory Factor Analysis, CFA)与Cronbach's α系数检验信效度。以性别、专业、年级、政治面貌、学业成绩、参与集体活动次数为输入特征(Feature),总问卷得分≤75界定为严重责任缺失、76–99为有责任缺失需改进、≥100为责任良好。数据集按9∶1划分为训练集与测试集,采用随机森林算法(基尼系数(Gini Coefficient)划分解点,Bagging集成,投票法输出)构建分类预警模型,并以XGBoost(eXtreme Gradient Boosting)作对照,用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、AUC评估性能,辅以十折交叉验证(Cross-validation)与ROC曲线、混淆矩阵(Confusion Matrix)验证。
研究结果如下:
3 问卷施测与大学生道德责任现状结果分析:经CFA与Cronbach's α检验(总量表α=0.88,道德认知α=0.78,道德情感α=0.80,道德能力α=0.79),问卷结构效度与信度均达标。调查发现57.26%学生道德责任良好,36.51%存在一定不足,6.23%存在严重问题。道德认知维度仅57.8%达标(≥32分);道德情感维度58.1%达标(≥35分);道德能力维度56.4%达标(≥33分);道德行为维度50.9%表现强、39.7%中等、9.4%差。助父母家务、为集体牺牲、遇困相助及个人理想与社会理想关系等行为题显示部分学生自我中心倾向明显。
4 人口学变量对大学生道德责任现状的影响:政治面貌方面,党员学生总分均值124.97显著高于非党员96.84(Sig=0.0022),三维度均具显著差异;年级方面,高年级(大三大四)总分均值110.73显著高于低年级(大一、大二)92.67(Sig=0.026);专业方面,文科生总分均值107.19显著高于理工科95.52(Sig=0.033);学业成绩方面,前50%学生总分112.68高于后50%的106.90(Sig=0.023);参与集体活动≥2次/月者总分120.06高于<2次/月者103.15(Sig=0.0033)。结论:党员身份、高年级、文史类、较好学业成绩及高频集体活动参与均与更高道德责任水平正相关。
5 大学生道德责任培育影响因素探讨:自身因素含价值观错位(功利主义、重物质轻精神)、自我中心主义(宿舍班级家庭均不愿主动担责)、社会责任感不足(漠视公共利益);家庭因素含家长自身素养局限、"重智轻德"及家庭结构变迁(留守、离异、单亲等);高校因素含德育内容与现实脱节、教学方式单一("美德袋"灌输式)、全员育人理念未落实;社会因素含负面社会风气消解助人意愿(仅21.2%主动助人,30.7%因怕惹麻烦不帮)、网络多元价值冲突与传统规范失效。
6 大数据环境下基于随机森林(Random Forest)的多维融合预警:介绍决策树(Decision Tree)与Gini系数计算公式,阐述随机森林通过Bootstrap抽样与随机特征子集选取构建多棵决策树并以多数投票输出。以六个人口学特征为输入,按9∶1划分数据集,随机森林(n_estimators=50,min_leaf=1)训练误差收敛于0.026,十折交叉验证平均误差0.0294。对比实验显示随机森林准确率90.53%(较XGBoost高3.4%),召回率90.6%,AUC对应ROC曲线下面积大,运行时间短于XGBoost,综合性能更优,适合本研究中混合类别特征的小样本低维数据分类。仿真实验(约1000名大学生模拟数据集)验证模型准确率91.16%,ROC之AUC=0.97,混淆矩阵显示模型能正确区分不同道德责任水平学生。
7 讨论(Discussion):指出数据层面存在自陈偏差(Self-report Bias)、单校样本同质性限制外推性;模型层面机器学习识别相关性而非因果,且"黑箱(Black Box)"特性难追溯责任判断逻辑链。伦理层面警示算法可能固化价值观偏见、侵蚀学生道德自主性(将道德行为变为"刷分游戏")、责任归属模糊化及将动态伦理探索静态化,与教育本质相悖。
8 结论(Conclusion)翻译总结:①大学生道德责任整体良好但存在认知不清、情感不稳、能力不足、行为不规范等问题,在政治面貌、年级、专业、学业成绩及集体活动参与频次上有显著差异,需予以重视;②建立了基于随机森林算法的大学生道德责任缺失早期预警模型,可实现对道德责任缺失的及时预警;③建议教育者依模型识别高危群体,由"大水漫灌"转向"精准滴灌(Precise Drip Irrigation)"开展个性化干预;建议决策者摒弃单一静态德育评价,建立动态多维道德发展评估框架,整合校园数据构建学生发展数字画像(Digital Portrait),优化思政教育资源配置。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号