value guidance

Addressing the structural imbalance in smart tourism course teaching—characterized by "emphasizing technical principles while neglecting value guidance, and prioritizing case introductions over critical thinking and character cultivation"—this study takes the ideological and political education (IPE) reform of the course "Introduction to Smart Tourism" as its vehicle to construct a "dual-integration driven" teaching model. This model is driven by two wheels: interdisciplinary integration and industry-education integration. It systematically excavates the IPE elements embedded in the course, including cultural confidence, ecological protection, rural revitalization, red heritage, technological self-reliance, and data ethics. By building a full-chain IPE implementation system of "theoretical immersion—case discussion—project practice—evaluation feedback," and relying on a localized typical case database and a government-enterprise-university collaborative education platform, the model enables students to advance from "technical cognition" to "value internalization" and further to "professional practice." A three-year teaching practice shows that this model effectively enhances students' cultural identity, technological ethics awareness, and cross-cultural narrative ability, providing a replicable practical paradigm for similar universities to carry out IPE construction in smart tourism courses.

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.