فکر بنیانبانک مقالات روان‌شناسی

هم‌نویسندگان: Xiangjun Lin

Personalized learning model for higher education based on the integration of big data and ideological and political education

مدل یادگیری شخصی‌سازی‌شده برای آموزش عالی مبتنی بر ادغام داده‌های بزرگ و آموزش ایدئولوژیک و سیاسی

雪娇 徐; Xiangjun Lin Acta Psychologica, 2026, Vol. 270, pp. 107934 https://doi.org/10.1016/j.actpsy.2026.107934

چکیده

Big data supports personalized learning but often neglects value-oriented student development. In China, ideological and political education (IPE) is essential for talent cultivation, yet its integration with data-driven personalization remains limited. To address this, we propose a Big Data and IPE Personalized Learning Model (BD-IPE-PLM) that links data collection, learner profiling, IPE integration, personalized support, and dynamic evaluation. Using expert consultation and survey data, we assess the model's rationality and applicability. Results show that big-data-supported analytics positively relate to perceived personalized support and IPE integration, with IPE integration more strongly associated with IPE outcomes than academic outcomes. Data privacy concern negatively correlates with perceived support, emphasizing the need for responsible governance. We conclude that personalized learning is not purely technical. It requires data evidence, teacher judgment, value guidance, student engagement, and ethical governance.

داده‌های بزرگ از یادگیری شخصی‌سازی‌شده پشتیبانی می‌کنند اما اغلب توسعه دانشجویان مبتنی بر ارزش‌ها را نادیده می‌گیرند. در چین، آموزش ایدئولوژیک و سیاسی (IPE) برای پرورش استعدادها ضروری است، اما ادغام آن با شخصی‌سازی مبتنی بر داده هنوز محدود باقی مانده‌است. برای رفع این مسئله، ما مدل یادگیری شخصی‌سازی‌شده مبتنی بر داده‌های بزرگ و آموزش ایدئولوژیک و سیاسی (BD-IPE-PLM) را پیشنهاد می‌کنیم که جمع‌آوری داده‌ها، پروفایل‌سازی یادگیرنده، ادغام IPE، حمایت شخصی‌سازی‌شده و ارزیابی پویا را به هم پیوند می‌دهد. با استفاده از مشاوره خبرگان و داده‌های پیمایشی، معقولیت و قابلیت کاربرد مدل را ارزیابی می‌کنیم. نتایج نشان می‌دهد که تحلیل‌های پشتیبانی‌شده توسط داده‌های بزرگ با حمایت شخصی‌سازی‌شده ادراک‌شده و ادغام IPE رابطه مثبت دارند و ادغام IPE با پیامدهای IPE نسبت به پیامدهای تحصیلی ارتباط قوی‌تری دارد. نگرانی درباره حریم خصوصی داده‌ها با حمایت ادراک‌شده رابطه منفی دارد و بر لزوم حکمرانی مسئولانه تأکید می‌کند. نتیجه می‌گیریم که یادگیری شخصی‌سازی‌شده صرفاً فنی نیست؛ بلکه نیازمند شواهد داده‌ای، قضاوت معلم، هدایت ارزشی، مشارکت دانشجو و حکمرانی اخلاقی است.

سایت ناشر ↗ دسترسی آزاد