【天光学术】思想政治教育论文:我国古代思想政治教育的文化历史演进及启示

本文从文化视野探讨我国古代思想政治教育,分析其伴随文化发展从自发到自觉的演进,以及文化形态的多元发展。文章指出,古代教育以伦理政治为主,强调道德与政治的融合,对新时代教育提出注重文化育人、文化认同功能和加强理论性的启示。
摘要由CSDN通过智能技术生成

赵志业

摘 要:从文化视野对我国古代思想政治教育进行研究,不仅是丰富思想政治教育学科发展的需要,也是加强新时代思想政治教育以文化人和以文育人的需要。在文化历史演进过程中,我国古代思想政治教育呈现出伦理政治型思想政治教育的特点,它经历了伴随文化的发展从自发到自觉的漫长演进、文化形态的多元发展与儒家文化对思想政治教育的奠基、汉代儒家文化的主导化与思想政治教育的一元追求、汉代以后中国文化形态的曲折发展及其与之对应的思想政治教育发展的阶段。以史为鉴,新时代我国思想政治教育应更加注重各类文化形态的意识形态功能、注重思想政治教育的文化育人与文化认同功能、加强思想政治教育的文化理论性。

关键词:古代思想政治教育;文化历史;启示

DOI:10.15938/j.cnki.iper.2018.04.025

中图分类号:D09文献标识码:A文章编号:1672-9749(2018)04-0123-05

思想政治教育作为一种文化现象和文化实践,它本身就是随着特定社会文化发展而逐渐演进的。世界上任何一个国家和民族的思想政治教育都是对昨天思想政治教育的继承,并在继承中创新,在創新中超越。对我国古代思想政治教育的文化历史演进进行研究,并不是简单地梳理我国古代思想政治教育的文化历史,而是以现代视角和理性思维反思我国古代历史上文化发展中的思想政治教育,为我国新时代思想政治教育服务。

一,思想政治教育伴随文化的发展从自发到自觉的漫长演进

从历史视角看,从远古到先秦时期,是中国文化逐渐产生和形成时期,从而也是思想政治教育从自发到自觉不断演化的时期。追溯到历史的开端,早在原始社会时期就存在特定的中国文化形态,并在其影响下形成与之相适应的思想政治教育的雏形。从黄帝、尧舜禹到夏商时期,由于当时的生产力十分低下,人们在具体的自然力量面前,深刻感受到强大外力的不可抗拒性,也深刻意识到自己命运的不可预测性,人们意识到人类自身渺小的同时,也使人类陷入对外力的极度恐惧中。这时,人们感觉无法与大自然的强大外力抗争,但为了消除自身的恐惧心理,并祈求大自然对自身的庇佑,便开始将大自然的力量合理化。这种合理化的结果便是“人们从生活直觉中感受到天、祖、群对自身生存的价值,发现了群体合力的作用,于是自发性的出现尊天、尊祖和尊群的思想与行为,为了寻求对自身的保护,自发地维护天、祖、群的无上权威,自发地神话大自然的伟力,形成承认天命、遵从天意、恪守天道、维护天威的思想指向”[1],最终形成了自然崇拜、祖先崇拜、图腾崇拜的文化形态。与这一文化形态相适应,也就形成了这一时期思想政治教育的主要模式:以天命为基础,通过自然崇拜、祖先崇拜、图腾崇拜三大崇拜,将文化价值观念和价值规范传播到日常生产和生活中去,从而实现对人们思想观念的建构。这一思想政治教育模式主要以“神道设教”为其运行规律。所谓“神道设教”,即“合鬼与神,教之至也”、“明命鬼神,以为黔首则,百众以畏,万民以服”[2]。

西周时期的文化形态逐步摆脱了原始时期的文化蒙昧状态,这表现在周朝对“天人关系”的重新思考和定位。周朝对夏商时期遗留下来的天命观进行了批判和质疑,提出了“天命无常”的观念,认为天并不是不变的,同时还提出了“近人而忠”“尊礼尚施”“天道远,人道迩”等观点,使人的价值开始凸显。虽然这时还不能与天命和鬼神文化观念实施彻底决裂,但已经努力尝试从重神鬼之事向重人事的转换,从而使人们的文化生活焕发出人文色彩,祖先神与上帝神开始分离,尊天帝意识开始淡化而尊祖意识开始强化。相应的,文化形态从神权性向伦理性转换,从而使文化形态实现了一次重大的变革而走向自觉。与这一文化转换相适应,思想政治教育开始从自发走向自觉,这体现在提出并实施“敬德保民”的思想政治教育纲领。这一教育纲领的内容为,“天”是有德性的天,只有统治阶级实施德政,才能获得上天的庇护。同时,也只有“敬德”才能真正“保民”,“敬德”是“保民”的基础和前提,“保民”是“敬德”目的和归宿。而“保民”的重要理念就

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值