融合机器学习与心理模型的大学生媒体素养教育路径优化与辨识能力增强策略研究.pdfVIP

融合机器学习与心理模型的大学生媒体素养教育路径优化与辨识能力增强策略研究1

融合机器学习与心理模型的大学生媒体素养教育路径优化与

辨识能力增强策略研究

1.研究背景与意义

1.1大学生媒体素养现状

在当今数字化时代，大学生作为信息社会的重要群体，其媒体素养水平对个人发展

和社会稳定有着深远影响。据相关调研数据显示，当前大学生在媒体素养方面存在以下

特点与问题：

•信息获取与筛选能力不足：面对海量的网络信息，约60%的大学生表示难以快速

准确地筛选出有价值的信息，容易被虚假信息、低质量内容所干扰，导致信息过

载与认知偏差。

•内容创作与意识传播薄弱：在社交媒体活跃的大学生群体中，仅有不到30%的学

生在创作和分享内容时会主动考虑信息的真实性、客观性以及对受众的影响，部

分学生存在盲目跟风、制造不实话题等不良行为。

•媒介批判性思维欠缺：面对复杂多变的媒体环境，仅有约25%的大学生能够对媒

体所传递的信息背后的利益关系、意识形态等进行深入批判性思考，多数学生缺

乏独立判断能力，易受媒体操控。

•网络安全与隐私保护意识淡薄：在网络安全事件频发的背景下，约40%的大学生

存在不良的网络使用习惯，如随意泄露个人信息、使用简单密码等，对个人隐私

和财产安全构成威胁。

这些现状问题反映出大学生媒体素养教育的紧迫性，亟需通过有效的教育路径优

化与策略实施来提升其辨识能力，以适应新时代对高素质人才的要求。

1.2机器学习与心理模型融合的必要性

传统的大学生媒体素养教育多依赖于理论讲授与案例分析，但随着媒体环境的复

杂化与多样化，这种单一模式已难以满足教育需求。融合机器学习与心理模型的教育路

径具有以下显著优势与必要性：

•精准识别个体差异：机器学习算法能够通过对大量学生数据的分析，精准识别每

位大学生在媒体素养方面的特点与短板。例如，通过对学生在社交媒体上的行为

2.媒体素养教育现状分析2

数据、信息筛选习惯等进行分析，可将学生分为不同类别，如“信息筛选困难型”“内

容创作随意型”等，为个性化教育提供依据。而心理模型则可进一步探究这些行为

背后的心理动机与认知偏差，如“信息筛选困难型”学生可能因注意力分散、缺乏

信息评估标准等心理因素导致，从而为教育干预提供更精准的心理学依据。

•动态适应教育需求：媒体环境处于快速变化之中，新的媒体形式、传播手段层出

不穷。机器学习模型能够实时更新数据，动态调整教育策略，以适应不断变化的

媒体素养教育需求。心理模型则可从心理认知角度解释学生对新媒介的接受与适

应过程，帮助教育者更好地引导学生应对新变化。例如，当虚拟现实、增强现实等

新兴媒体技术应用于教育时，机器学习可分析学生对这些新技术的使用数据，预

测其可能产生的影响；心理模型则可研究学生在沉浸式媒体环境中的认知与情感

反应，为教育者提供如何利用这些新技术提升媒体素养的建议。

•增强教育效果评估：传统的教育效果评估多依赖于问卷调查与考试成绩，难以全

面准确地反映学生媒体素养的提升情况。融合机器学习与心理模型后，可通过多

维度数据监测学生的媒体素养变化。机器学习可对学生的网络行为、信息处理能

力等进行量化评估，生成详细的行为报告；心理模型则可从心理认知、情感态度

等层面评估学生的变化，如通过心理测试、访谈等方式了解学生对虚假信息的警

惕性、对媒体内容的批判性思维是否增强等，从而更全面地评估教育效果，为教

育优化提供有力支持。

•提升教育的针对性与有效性：基于机器学习与心理模型的融合，可针对不同学生

群体、不同媒体素养问题设计个性化的教育内容与方法。例如，对于“内容创作随

意型”学生，结合机器学习分析其创作内容的特点与问题，再依据心理模型探究其

创作动机，如追求关注、表达自我等，从而设计针对性的教育课程，如引导学生

树立正确的网络创作价值观、教授内容创作的规范与技巧等，以提升教育的针对

性与有效性，切实增强大学生的媒体素养辨识能力