1. 引言
环境影响评价制度是我国环境管理的一项重要法律制度，环境影响评价工作贯穿建设项目全生命周期[1]，环境影响评价相关知识的掌握是环境保护从业人员的必备技能之一，因此绝大多数环境相关专业开设环境评价课程，部分学校为了强化学生环境评价技能，还增设了环境评价的课程设计或课程训练。辽宁科技大学环境工程专业在本科生第七学期设置32学时环境评价课程，两周环境评价课程训练。如何在有限的学时内，拓宽学生知识，提升学生环境评价技能，增加学生择业竞争力，使学生未来能更快适应岗位需要，更好服务社会，是环境评价课程教育教学改革的根本目的之一。
人工智能(Artificial Intelligence, AI)的概念是1956年达特茅斯会议正式提出的，其发展大致经过四个浪潮。第一次：1956年达特茅斯会议确立“人工智能”概念，基于符号逻辑的推理系统初现，如几何定理证明程序，但因计算能力有限与算法瓶颈，60年代末陷入低谷；第二次：80年代，专家系统兴起，依靠领域专家知识解决特定问题，商业应用初显。然而知识获取困难，90年代再次遇冷；第三次：90年代末至21世纪初，机器学习发展，数据挖掘、语音识别取得进展。但算法局限，未达预期广泛应用；第四次：21世纪，互联网发展积累海量数据，计算能力提升，深度学习算法兴起，人工智能在图像识别、语音识别、自然语言处理等领域取得惊人成果，广泛应用于各行业，迎来爆发式增长，深刻影响人们生活与社会发展[2]。特别是在2022年末，生成式人工智能ChatGPT正式发布，引起了全球范围的广泛关注，近年国内外各种生成式AI大量涌现，大模型加持AI (人工智能)技术对我们的生产、生活产生了不可忽略的影响[3]。教育行业也随着AI技术的飞速发展，呈现出加速发展的特征[4] [5]。齐凤林等整理的我国历年来统筹实施的与人工智能技术相关的教育数字化战略(图1)，展示了我国教育数字化进程的发展轨迹。2024年4月，教育部公布了首批“人工智能 + 高等教育”应用场景典型案例。这一举措充分彰显了我国在推动高等教育与人工智能技术融合发展方面的高度重视。与此同时，当前学者们借助智能技术，在支撑人才培养模式创新、推进教学方法改革、提升教育治理能力等方面均取得了一定成果。这些成果不仅体现了智能技术在高等教育领域的积极应用，也为未来高等教育的智能化发展奠定了坚实基础，进一步推动了教育领域的深度变革与创新。陈曦综述了生成式人工智能在教育领域的应用，认为AI技术可在提升教师教学学术能力、提升教学综合素养、为学生提供个性化学习支持、为学生成长提供全方位关怀等多元路径为高等教育全方位赋能[6]。笔者在“知网”进行检索，未找到AI赋能环境评价课程的相关报道。值得一提的是我国生态环境部于2024年9月14日发布的《关于进一步深化环境影响评价改革的通知》(环环评(2024)65号)提出“开展环评文件标准化编制、智能化辅助审批试点”，并制定了完整的试点工作方案，奏响了AI引入环境评价工作的序曲。如何顺应时代潮流，高效利用AI技术，助力环境评价课程教学质量全方位提升是每位环境评价教育工作者思考的问题。但是众所周知，一件新事物的引入，在带来积极的效应的同时，或多或少也会引入负面效应，引入环境评价教学的AI也不例外，如果不对其利弊进行预先评估，有针对性地扬长避短，很可能带来意想不到的效果，甚至适得其反。本研究通过深入分析我国环境评价制度国情，环境评价教学学情，及AI技术发展现状，评价AI赋能“环境评价”及其课程训练教学改革的可行性，进行优势劣势分析，预测可能面临的问题，探寻解决方法，提出教育教学改革初步方案。
![]()
Figure 1. The digitalisation strategy for education coordinated and implemented in China for the past 17 years [7]
图1. 我国近17年统筹实施的教育数字化战略[7]
2. 环境评价课程教学现状分析
因环境评价课程修读前，需要学生已掌握环境科学、数学、环境法学、环境工程等相关基础知识[8]，各高校通常将环境评价课程安排在高年级进行，而此时部分学生因备考研究生、公务员，实习，找工作等事务，精力易分散，有时无法保证按时预习、上课、复习，进而影响学习效果。
因学生未来人生规划不同，就业目标不同，对环境评价课程学习结果的要求千差万别。有的学生未来拟从事环境评价工作，甚至已经与环评公司签订了就业意向书或就业合同，希望通过课程学习全方位掌握环境评价方式方法，为就业做更充分的准备；有的学生未来拟从事环境管理相关工作，对如何写环评不感兴趣，关注点更多集中在环境评价的法律地位、环境评价的管理程序等内容；有的学生拟从事环境工程相关工作，对环境评价的环境保护措施尤其感兴趣，会关注写环评和做设计的交叉和界限问题；有的学生希望深造后从事科研工作，热衷于探寻环境评价方法背后的理论和应用场景；而更多的同学则随波逐流，本着对该门课程成绩的不同追求，以与其他课程相同的学习态度学习环境评价课程。这就给环境评价课程提出了个性化学习要求，而传统的《环境评价》课程一师多生、有限学时的教学方式只能在深入和全面之间权衡取舍，对大多数知识点只能做到点到为止。而AI技术海量信息的处理能力和不知疲倦可以分身的AI助教可能为这一问题提供解决途径。
3. 通用AI模型处理环境评价问题的现状评估
目前大模型技术方兴未艾，各大平台纷纷推出自己的特色AI，那么这些某种意义的通用AI模型现有发展水平是否可以满足《环境评价》课程使用要求呢？为此我们设计了以下三道题，选择国内四款热门AI (分别记为AI甲、AI乙、AI丙、AI丁)进行初步评估。
1) 某地表水的CODCr值变化较大，经几次监测，结果分别为15.5 mg/L、17.6 mg/L、14.2 mg/L、16.7 mg/L，为了使评价因子能够突出高值的影响，采用内梅罗法，则评价值应确定为( )。
A. 16.0 mg/L B. 17.6 mg/L C. 16.8 mg/L D. 17.2 mg/L
2) 在统计污染物排放量的过程中，对于新建项目要求算清( )本账，对于改扩建项目和技术改造项目的污染物排放量统计则要求算清( )本账。
3) 根据以下资料，确定水环境影响评价等级：废水15000 m3/d，其中含CODCr为1000 kg/d，BOD5为200 kg/d，SS为1000 kg/d，NH3-N为50 kg/d。
第1题为选择题，是数学与统计学知识在环境评价中的应用题，第2题是经典的环境评价的工程分析填空题，第3题是环境评价的基础题，具体为水环境评价等级划分问题。对于前两天，四款AI均给出了正确答案，说明AI技术发展已经达到一定水平，可以正确处理环境评价中的部分问题，特别是对经典问题和网络问题处理上更显优势。四款AI对第3题的回答结果列于表1。
显然，四款AI均未最终给出正确答案，AI甲和AI乙像极了考试遇到难题的学生，在尽力写满卷纸，AI丙采用了废止的《环境影响评价技术导则 地表水环境》(HJ2.3-93)，明显错误，但即使按该导则判定，该判定过程也存在多处错误。AI丁最接近正确答案，以现行《环境影响评价技术导则 地表水环境》(HJ2.3-2018)为依据进行判定，但其错误地将导则中明确规定的“水污染物当量数计算公式中污染物排放应为年排放量”更改为“日排放量”，导致后面的大量计算错误，而偏离了正确答案。
从第3题的测试结果可以看出，现有通用AI还不能直接用于环境评价辅助教学，如果盲目应用不仅难以提升教学效果，达到预期目的，反而会误导学生，适得其反。
基于现有模型进行驯化，或在现有模型基础上开发专用AI模型似乎能为这一问题提供解决途径。那么环境评价与AI模型的结合点、结合优势、劣势又在哪里呢？
4. 环境评价AI模型训练与优化优劣势分析
AI赋能环境评价课程中，优质的环境评价AI助教首先是自我学习和提升的过程，在基于环境评价课程应用的AI模型训练与优化过程中，由于“环境评价”的特殊性，也会具有其特殊的优劣势。
环境评价制度建立已久，注册环评工程师考试已开展近二十年，加之历史上执行数年的持证上岗，每年多次的上岗证考试，各种复习资料，培训教程，历年考试真题和模拟题库提供了巨量可以用于AI训练的参考资料。环境影响评价制度是我国环境管理的基本制度，环境评价相关法律法规，技术导则往往以规范的文件发布，使环境评价资料较其他课程更规范，更便于AI学习。
Table 1. Generalised AI model results for typical environmental assessment problems
表1. 通用AI模型处理典型环境评价问题结果
题目 |
根据以下资料，确定水环境影响评价等级：废水15,000 m3/d，其中含CODCr为1000 kg/d，BOD5为200 kg/d，SS为1000 kg/d，NH3-N为50 kg/d。 |
AI甲 |
|
AI乙 |
|
AI丙 |
|
AI丁 |
|
同时，环境评价作为环境科学的一个末端分支，具有一定的交叉学科特征[9]。而各学科的视角和侧重点又不尽相同，AI通过最擅长的“搜索”功能很容易得到“似是而非”的结果，对于“跨专业”的AI来说，很难得到环境评价行业需要的准确的信息和结果，直接将这些结果呈现给初学者大学生，他们通常不具备明辨是非的能力，这时候的AI盲目应用，对学习者来说“弊大于利”。因此在对AI模型进行基于环境评价课程应用的训练与优化过程中，特别要加强其环境评价专业知识的甄别能力训练，甚至进行人工辅助识别反馈，以克服这一弊端。
环境评价知识与很多自然科学不同，其具有“环境管理”属性，正确与否的判断需要依据“现行”法律法规、导则[10]，而这些依据的法律法规等本身，国家相关部门会依据国家经济发展情况、人民环保意识水平、环境质量发展现状及趋势、环境管理水平等诸多因素适时调整。自2017年1月1日新《建设项目环境影响评价技术导则 总纲》实施以来，地表水环境、大气环境、声环境、土壤环境、生态环境、环境风险评价导则分别在2018年、2018年、2021年、2018年、2022年、2022年、2018年纷纷更新，且变化颇大，作为环境评价文件分类确定依据的《建设项目环境影响评价分类管理名录》则频繁更新。日新月异的环境评价法律法规、导则、技术方法可能是训练AI助教面临的最大挑战。因此一方面在对AI模型进行基于环境评价课程应用的训练与优化过程中需要特别关注知识的“时效性”，使其能真正应用“现行”环境评价知识与技术处理相关问题，戒除“过时”知识与技术的负面影响，同时优化AI模型，使其具有自我更新能力，当新的法律法规发布实施，导则等规范修订更新时，及时更新相关技能。
5. AI赋能环境评价课程的主要应用领域及实施方案
鉴于环境评价课程特点，考虑AI技术优势，若将AI赋能环境评价课程，至少可在以下方面发挥重要作用。
(1) 提供个性化学习支持：AI可针对学生的不同学习目标，个性化要求，结合AI算法分析学生学习数据，综合考虑课程要求，为不同学生定制不同的学习方案。如当课程时间与考研面授时间冲突时，允许备考研究生的同学错时完成学习任务，对基础薄弱的学生推送基础知识巩固内容，对学有余力的学生推送预测模型的机理及推导过程。具体的学习路径可包括：考研学生路径：对于备考研究生的学生，若所学课程与考研面授时间冲突，优先保障考研面授学习时间。在课程学习上，根据考研相关课程的重点，对现有课程内容进行筛选与整合；学生就业路径：以就业为目标的学生，结合其目标岗位所需技能，设计学习路径，如目标岗位为环保管家，在课程学习中，重点引导学生学习我国建设项目环境管理程序，环境质量监测计划、环境评价文件、环保竣工验收报告撰写方法与技巧，安排实际项目案例进行练习，提升学生解决实际问题的能力；考证学生路径：针对有环境评价工程师考证愿望的学生，依据考证大纲梳理课程知识点，将课程学习与考证备考紧密结合等。
在AI技术辅助《环境评价》课程个性化学习支持中，用于模型训练的AI算法可从决策树算法、神经网络算法、支持向量机算法、聚类算法、朴素贝叶斯算法等算法中选用[11]。决策树是一种基于树结构进行决策的算法。在《环境评价》课程的个性化学习场景中，可将学生的学习数据(如过往课程成绩、学习时长、作业完成情况等)作为属性，根据这些属性来判断学生适合的学习路径或推荐的学习内容；神经网络算法是一种模仿人类神经系统的计算模型，由大量的神经元组成，通过对输入数据的层层处理，最终输出结果，在《环境评价》课程中，可将学生的各种学习数据作为输入，经过神经网络的多层计算，输出学生适合的学习方案或推荐的学习资源；支持向量机算法的基本思想是在特征空间中找到一个最优的超平面，将不同类别的数据分开，使得不同类别数据到超平面的间隔最大，在《环境评价》课程个性化学习中，可将学生分为不同的学习类型(如基础薄弱型、学有余力型等)，通过支持向量机算法找到一个合适的分类超平面，对学生进行分类，从而为不同类型的学生推荐合适的学习内容；聚类算法，其中的：K-均值聚类算法是一种无监督学习算法，它的目标是将数据集划分为K个不同的簇，使得同一簇内的数据点相似度较高，不同簇之间的数据点相似度较低，在《环境评价》课程中，可以根据学生的学习行为数据(如学习时间分布、课程访问频率等)对学生进行聚类，将学生分为不同的学习群体，为每个群体制定个性化的学习方案；朴素贝叶斯算法基于贝叶斯定理和特征条件独立假设，通过计算给定特征下不同类别的概率，选择概率最大的类别作为预测结果，在《环境评价》课程个性化学习中，可以根据学生的学习特征(如学习成绩、学习兴趣、学习习惯等)来预测学生适合的学习路径或推荐的学习内容。具体算法的采用需要专业人员经过严格的方案比选后确定。
(2) 丰富教学内容呈现形式：利用AI的图像生成能力和多媒体管理及应用能力，可以使教师和学生都更容易将教学内容以更生动更丰富多彩的方式呈现出来，增加教与学的趣味性，使枯燥的科学知识更利于学生理解、记忆和应用。如思维导图的制作，环境评价预测不同应用场景动画模拟，用3D动画展示污染物的扩散与消解过程等。
(3) 虚拟建设单位代表，提供环境评价基础数据：环境评价的评价对象是建设项目或规划等，以建设项目为例，环境评价工作过程需要依据建设项目实情进行工程分析、现状评价、影响预测与评价，建设单位需要配合完成相关基础资料的提供、确认、环境保护措施建议反馈等工作，因此和建设单位的交流是环境评价工作不可或缺的环节，因此也是环境评价课程训练的重要组成环节。传统环境评价课程训练通常采用假定教师为甲方代表，学生合理假设，实际项目资料再收集等方式解决这一问题，AI技术的引入可以提供又一迅捷解决方式，AI可以作为虚拟建设单位代表，提供更专业、更广泛的基础数据。
(4) 环境评价案例筛选及模拟案例生成：环境评价的对象一般是建设项目，实际建设项目作为课堂案例当然更有针对性，但实际项目千差万别，如何在环境评价过程中获得合适的案例对知识点的理解和环境评价能力的提升至关重要。目前的环境评价课堂虽然大多会引入案例，但案例选择全靠授课教师手工进行，受案例获得渠道，教师经验、责任心、和投入的精力及个人能力限制，实际教学效果有限。如能借助AI辅助，则如虎添翼，因为文字材料筛选和虚拟构建恰是其最擅长技能之一。当然AI在环境评价案例筛选及模拟案例生成中的表现还要依赖于算法的科学性，专业训练、深度学习、情景反馈等的适宜性等因素。针对环境评价案例筛选及模拟案例生成功能可以开发相应的软件工具和平台。
(5) 虚拟专家评审：依据我国环境评价管理程序，建设单位委托环评单位编制的环境评价文件，需要环境管理部门审批通过，才能作为进一步环境管理的依据，而环境评价文件审批最常用的模式是邀请环境评价专家评审，通常以环评评审会的形式。环境评价课程训练教师有时会组织模拟评审答辩，但限于环评专家的稀缺性，只能采用教师点评或学生相互点评的方式，而使教学效果大打折扣。引入AI技术，可以生成数字环境评价评审专家，对学生环境评价文件进行专业的点评，提出修改建议。也可以对学生初稿进行及时多轮的评审，提出中间评审意见，督促学生反复修改，完善环境评价文件，大大提升环境评价课程训练的教学效果。
6. 结语
AI辅助教学是必然趋势，AI赋能环境评价课程势在必行，针对我国环境评价制度和环境评价课程的特性，AI模型不仅能与其他课程一样，进行全方位辅助教学，还可以在虚拟专家评审等诸多特定场景辅助教学，增强教学效果。在基于环境评价课程应用的AI模型训练与优化过程中，需充分考虑环境评价知识的时效性，注意环境评价课程的学科交叉性特点。实证研究是AI赋能“环境评价”课程及其课程训练教学改革的必要环节，收集数据，验证AI技术在环境评价教学中的实际效果。可以进行课堂实验或问卷调查，收集学生学习数据和教师反馈，对AI辅助教学的效果进行定量分析。经多轮反馈与优化，使AI真正实现赋能“环境评价”课程及其课程训练教学的目的。
基金项目
中国冶金教育学会教育教学研究项目(YJJY2024035YB)。