1. 引言
制造业正向智能化与数字化转型，人工智能、大数据及物联网技术在自动化生产中的深度融合，正在重塑精密加工人才的培养要求[1]。精密加工不仅要保证加工精度，还要灵活响应定制化和小批量生产，这对岗位人才提出了全新的挑战：不仅要掌握机床操作与编程技能，更要具备数据采集与处理能力、AI算法应用能力以及智能化系统协同的能力。然而，当前高职院校在人才培养中仍存在课程内容与行业需求脱节、AI相关教学内容匮乏、实践平台与企业场景对接不深入等问题，导致学生的数字化素养和智能化应用能力难以满足企业实际需求。
基于此，本文立足于产教合作，以智能制造与AI融合为背景，通过校企共建实训平台、联合开发课程、双导师制教学与项目驱动实践，将企业真实案例与智能智造、AI应用等前沿技术引入课堂，并由企业导师与校内教师协同指导，构建多维度评价体系，实现教学资源与产业需求的深度融合[2]。文章首先梳理了精密加工领域数字化能力的核心要素；在此基础上，通过文献分析、专家访谈与企业调研，构建出数字化能力模型；最后，设计出系统化协同培养路径并在教学实践中得到了验证。
2. 数字化能力框架与研究现状
2.1. 数字化能力的内涵与构成
数字化能力是指个体在数据获取、处理、分析与应用等方面所具备的综合素养，涵盖数据素养(数据采集、清洗与可视化)、信息素养(信息检索与评价)、技术素养(软件工具与编程)、以及系统素养(跨系统协同与优化思维)四大维度[3]。在智能制造背景下，数字化能力进一步延伸，涉及AI算法理解、模型训练与调优能力、以及数据驱动决策的能力等。
2.2. 产教合作协同育人模式演进
产教合作协同育人源于“校企深度合作 + 协同育人”的理念，强调高校与企业在人才培养目标、课程开发、实践教学与评价反馈全过程中的协同[4]。自“现代学徒制”与“订单式培养”模式兴起以来，协同育人逐步从“企业提供实训基地”向“共建课程体系、共管教学质量、共评培养效果”演进。双导师制、项目驱动实训和混合式评价体系构成协同育人的关键机制，有效提升学生的岗位胜任力与创新实践能力。精密加工人才的数字化能力模型应立足工程实践，以行业典型场景为载体，将数控技术与AI工具融合，以数据驱动工艺优化与故障预测为培养重点。
2.3. 智能制造与AI在精密加工领域的典型应用
智能制造强调柔性生产、实时监控与自适应控制，人工智能在精密加工中的应用包括智能工艺规划、在线质量检测和预测性维护，涉及深度学习、计算机视觉、大模型等技术[5]。这些技术显著提升了加工效率与质量，同时也对操作人员提出了更高的算法理解与数据分析能力要求。部分高职院校已开始积极探索“AI + 数控”的融合教学模式并取得初步成效。
2.4. 研究综述与创新点
当前智能制造人才培养研究存在以下共性问题：
(1) 能力模型维度单一化：主流研究多聚焦单一技术能力(如数据工具操作或AI算法原理)，缺乏“数据–AI–系统”全链条能力的层级整合。
(2) 培养路径同质化：多数实践依赖虚拟仿真软件(如数字孪生平台)，未对接真实生产数据流(如MES系统实时工单)。辽宁机电职业技术学院虽提出“岗课赛证创”融通模式，但其AI实训仍以模拟场景为主，未实现企业工单与教学系统的深度集成[6]。
(3) 评价机制静态化：欧盟“数字教育行动计划”等评价体系仍以传统技能证书为主，对GenAI引发的技能变革(如人机协作思维)响应不足[7]。
本研究的主要创新点：
理论层面：提出“数据素养–AI应用–系统协同”三维能力模型，突破传统单维框架；
层级递进结构：借鉴皮亚杰认知发展理论，构建“具体运算(数据采集)→形式运算(AI建模)→系统整合(跨平台协同)”的认知跃迁链条；
产教需求映射：将企业需求转化为可测量指标(如数据素养响应70%企业对数据清洗能力的需求，系统协同针对65%企业指出的跨部门协作短板)。
实践层面：首创“工单驱动型”培养路径，实现三大突破：
(1) 课程重构机制：以企业真实问题(如刀具磨损预测)为模块化课程载体，形成“数据清洗→AI调参→系统集成”任务链(对比传统“基础课–专业课”割裂模式)；
(2) 实训平台共建：通过MES工单系统(如星威家居产线)将生产需求转化为实训任务，使AI模型准确率提升至87% (较模拟实训提高15%)；
(3) 动态能力图谱：开发融合AI模型准确率、系统集成方案等量化指标的混合评价工具，突破静态评价的局限。
3. 数字化能力模型构建与需求分析
3.1. 数字化能力模型构建
基于“数据素养–AI应用–系统协同”的三维结构(见图1)，通过文献研究、专家访谈与企业调研构建出能力模型，分为三层：
数据素养能力：传感器数据采集、信号处理、数据可视化；
AI应用能力：机器学习原理、模型训练与调优、在典型场景中的AI工具应用；
系统协同能力：数字孪生、MES/ERP操作、跨系统协作与数据管理。
Figure 1. Digital competency model
图1. 数字化能力模型
该模型不仅强调知识与技能的层级递进，从基础的数据处理，到中层的算法应用，再到高阶的系统集成与协同操作；更突出能力的实践导向，强调将抽象知识与真实工业场景深度融合，促使学生在解决实际工程问题中形成系统思维与跨领域协作能力。通过构建“基础–应用–集成”的能力链条，该模型可作为课程设计、项目实践和能力评价的框架。
本模型的“数据素养→AI应用→系统协同”三维能力层级设计，符合经典教育学理论对认知能力发展的规律阐释。
皮亚杰认知发展理论[8]：能力进阶对应“具体运算→形式运算”的认知跃迁。数据素养(如数据清洗、可视化)需依赖具体操作(如传感器采集)，属于具体运算阶段；AI应用(模型调优、算法设计)需抽象符号推理(如数学建模)，进入形式运算阶段；系统协同(跨系统优化)则需整合多维度知识解决复杂问题，体现形式运算的高阶思维。
布鲁纳螺旋式课程理论[9]：能力三维度需通过“螺旋上升”式教学实现。例如数据素养在基础课程中初步建立，在AI应用中深化为算法输入，在系统协同中升维为决策依据，形成“基础→迁移→创新”的循环强化机制。
这一设计确保学生能力从“操作技能”向“策略思维”递进，契合智能制造人才从“技术执行者”到“系统优化者”的角色转型需求。
3.2. 培养需求分析
为了验证模型的合理性并明确培养重点，我们在2023年5月至7月期间对5家合作企业的技术负责人及37名一线工程师进行了问卷调查及访谈。
在培养需求分析部分，为科学验证数字化能力模型的合理性并明确培养重点，本研究采用了问卷与深度访谈相结合的调研方法。
调研对象选择标准：调研对象来自合作企业的技术负责人和一线工程师。选择标准基于：(1) 行业代表性：企业均为精密加工行业的领先企业(如涉及智能制造与AI应用的典型代表)，确保需求反馈具有行业普遍性；(2) 岗位相关性：所有受访者需具备3年以上相关工作经验(包括数控编程、设备维护或AI应用岗位)，以确保反馈的专业性和实战参考价值；(3) 合作背景：所有参与者来自台州科技职业学院的5家常年合作企业(如星威国际家居股份有限公司等)，便于数据采集与回访验证。
抽样方法：采用配额抽样法(quota sampling)。根据企业规模和技术岗位比例，对37名工程师进行分层抽样：其中，大型企业(员工数 > 500)技术负责人10名，一线工程师15名；中小企业(员工数 ≤ 500)技术负责人2名，一线工程师10名，覆盖设计、生产、质检等部门，以保证样本的多样性和平衡性。抽样依托学院校企合作平台完成，邀请率100%，参与率92.5%，确保了较高的代表性。
问卷和访谈提纲设计：问卷包含李克特5点量表(1 = 非常不同意；5 = 非常同意)和开放式问题，主要分为三部分：(1) 数据素养能力现状评价(4个题项)；(2) AI应用能力需求(5个题项)；(3) 系统协同能力差距(3个题项)。访谈提纲则包括半结构化问题，如“请描述生产场景中数据驱动的决策过程”，以补充定量数据。问卷Cronbach’s α系数为0.85 (数据素养)、0.82 (AI应用)，满足信度要求(α > 0.7)，并通过专家评审(邀请2位职教专家和2位企业高管)验证内容效度(CVR = 0.78)。
调研结果(见表1)显示：① 70%受访者认为当前学生在数据预处理和可视化方面能力薄弱，难以支撑生产现场的数据驱动决策；② 超过50%的企业期望毕业生能够独立搭建与调优机器学习模型，以解决刀具磨损预测、工艺参数优化等实际问题；③ 约65%的被访者指出，学生对MES/ERP系统运作及数字孪生技术应用理解不够，难以有效参与跨部门协同工作。
Table 1. Summary of survey results on students’ digital competency status and enterprise needs
表1. 学生数字化能力现状与企业需求调研结果汇总
编号 |
能力维度 |
主要问题描述 |
企业反馈比例 |
① |
数据预处理与可视化能力 |
学生在传感器数据采集、清洗及可视化呈现方面掌握不牢，难以支持现场数据决策 |
70% |
② |
AI模型应用能力 |
学生缺乏独立构建与优化机器学习模型的能力，难以应对刀具磨损预测等实际任务 |
>50% |
③ |
系统协同能力 |
学生对MES/ERP系统与数字孪生技术理解不足，难以参与多部门协同与流程集成工作 |
65% |
此外，调研还发现，高职院校普遍存在AI实训软硬件资源匮乏、企业参与教学设计深度不足以及以终结性考试和技能考核为主的单一评价机制等问题。
基于上述需求分析，可明确培养方向：(1) 加强数据处理与可视化教学模块的设置，配备真实生产数据与工具平台；(2) 引入AI项目驱动实训，将企业真实工艺问题作为算法训练与应用案例；(3) 完善校企混合式评价体系，增加过程性项目评估与企业导师评价环节。通过构建“课程–实训–评价”一体化的协同培养路径，探索数字化能力的培养。
4. 培养路径设计与实践机制
4.1. 课程体系与教学内容重构
基于“数据–AI–协同”能力框架，重塑数控技术专业的课程结构。首先，新增数据处理基础与数据可视化模块，引入Python、Tableau等实用工具，强化学生在生产现场对实时数据的采集、清洗与分析能力；其次，开设AI算法与应用课程，结合刀路优化、缺陷识别与预测性维护案例，组织学生完成算法原理学习与模型实训；最后，整合智能制造系统集成内容[10]，将数字孪生与MES/ERP系统操作纳入选修或实践课，培养学生的系统协同意识与流程优化能力。各模块采用混合式教学，理论讲授与案例研讨交替进行，并配合线上微课与模拟仿真平台，实现“线上 + 线下”深度融合。
4.2. 校企联合实训平台共建
依托产教合作机制，与合作企业共建智能加工示范车间和AI实训室。在示范车间中，布置配备多种传感器(如温度、振动、电流、电压)的数控机床及在线检测系统，实现对加工过程中的关键工艺参数进行实时采集与记录。学生可在教师指导下，围绕设备状态监测、工艺稳定性分析等任务，完成数据预处理、异常识别及可视化分析，提升其数据素养与工程判断能力。
在AI实训室中，配置高性能GPU服务器、云端算力接口及多款主流数字孪生建模与仿真软件，如 Siemens Tecnomatix、Ansys TwinBuilder等，支持学生基于实采数据开展机器学习模型训练、算法调优及仿真验证。通过典型案例驱动，如刀具寿命预测、设备故障诊断、产线节拍优化等，引导学生完成从问题建模到智能决策的全过程，强化AI工具的工程化应用能力。
企业工程师参与平台建设与日常维护，并定期组织生产线参观与技术沙龙，让学生在真实场景中理解数据与算法的具体应用路径。通过“工单式”项目驱动，学生团队直接承接企业小批量加工或预测性维护任务，确保实训内容紧贴产业需求，实现教学内容与岗位能力的有效衔接。
4.3. 双导师制与混合式评价体系
实施校内导师与企业导师“双导师制”，由校方教师负责知识传授与项目管理，企业工程师负责现场指导与需求反馈。每一培养模块均配备一名校企导师，共同制定学习目标与评价标准。在过程性评价中，融入项目报告、现场考核与企业导师点评；结业性评价除闭卷考试外，还包括项目验收与数据分析作品集评审，全面衡量学生的数据素养、算法应用与系统协同能力。
4.4. 实施成效分析
为科学论证数字化能力培养路径的有效性，本研究将学生分为实验组和对照组。
研究设计：研究对象为台州科技职业学院数控技术专业2023级60名学生(自愿参与)，其中实验组30名学生接受基于本文模型的数字化能力培养路径(包括课程重构、校企实训和双导师制)，对照组30名学生采用传统教学模式(无AI应用模块，以理论讲授和基础技能训练为主)。分组方式为类随机分配(基于入学成绩和性别比例匹配)，确保基线相似性。
评估工具与前后测：使用“智能制造数字化能力量表”进行学习成果评估，该量表已在先导试验中经信效度检验(Cronbach’s α = 0.88，因子载荷 > 0.7)。量表涵盖3大维度：数据素养(含数据预采集、清洗等5题)、AI应用(算法建模、预测维护等6题)、系统协同(MES操作、集成能力等4题)，总分100分。前测在学期初进行，后测在学期末实施(间隔5个月)，同时收集作品集成绩(如AI模型准确率)。
Table 2. Statistical analysis of the improvement effects on digital competency in the experimental and control groups
表2. 实验组与对照组数字化能力提升效果的统计分析
能力维度 |
组别 |
前测 (均值 ± SD) |
后测 (均值 ± SD) |
提升 幅度 |
组间差异 (t值, p值) |
组内差异 (配对t检验p值) |
数据素养 |
实验组 |
65.2 ± 8.5 |
83.7 ± 7.3 |
+ 18.5 |
t = 6.25, p < 0.001 |
p < 0.001 |
|
对照组 |
66.1 ± 8.2 |
70.3 ± 7.8 |
+ 4.2 |
- |
- |
AI应用 |
实验组 |
72.3% ± 5.1% |
87.4% ± 4.2% |
+ 15.1% |
t = 5.89, p < 0.001 |
p < 0.001 |
|
对照组 |
73.5% ± 5.0% |
74.1% ± 5.0% |
+ 0.6% |
- |
- |
数据分析与结果(见表2)：数据处理采用SPSS 28.0软件。首先进行描述性统计：实验组在数据素养维度的平均成绩从前测的65.2 (标准差SD = 8.5)提升至后测的83.7 (SD = 7.3)，而对照组从66.1 (SD = 8.2)微升至70.3 (SD = 7.8)。对于AI模型实训准确率，实验组后测均值为87.4% (SD = 4.2%)，较前测72.3% (SD = 5.1%)提升；对照组前后测均无显著变化(73.5% vs. 74.1%, SD ≈ 5.0%)。
采用独立样本t检验(p < 0.05为显著)比较组间差异：实验组后测成绩在数据素养维度显著高于对照组(t = 6.25, df = 58, p < 0.001)，AI应用维度亦然(t = 5.89, df = 58, p < 0.001)。同时，实验组内部前后测配对t检验显示数据素养和AI应用维度均显著提升(p < 0.001)。这些结果证实本文培养路径显著提升了学生数字化能力(p < 0.05)，同时企业反馈支持了项目质量提升(如学生能独立完成故障预警设计)，为教学改革提供了实证支持。
初步成效表明，本路径在理论与实践、校内与企业之间形成了良性循环，为数字化能力培养提供了可复制、可推广的协同育人模式。
4.5. 研究局限性
本研究作为探索性实践，还存在以下局限：
(1) 样本规模与代表性局限：试点仅覆盖台州地区1所高职院校的60名学生及5家合作企业，样本量较小且地域集中，结论外推需谨慎；
(2) 周期与变量控制不足：一学期的试点周期较短，难以观测能力的长期稳定性；未设置接受传统教学的对照组，干预效果的归因分析受限；
(3) 评价指标待完善：能力提升主要依赖成绩、准确率等量化指标，缺乏对学生系统思维、创新迁移等隐性素养的动态追踪；
(4) 技术依赖风险：AI实训平台依赖企业提供的Siemens NX/Ansys等商业软件，存在成本高、适配性低的问题，影响模式推广的普适性。
5. 结论
本研究构建了“数据素养–AI应用–系统协同”三维数字化能力模型，并设计了课程重构、校企实训平台共建、双导师制与混合式评价的协同培养路径。在台州科技职业学院数控技术专业的试点中(n = 60，周期1学期)，观察到学生能力呈现初步的积极变化：
(1) 数据处理课题平均成绩提升18% (前测均值65.2→后测均值83.7)；
(2) AI模型实训准确率从72.3%提升至87.4%；
(3) 企业反馈显示学生可独立完成刀路优化与故障预警原型设计。
这些结果表明该路径在试点场景下具有可行性，为智能制造人才的数字化能力培养提供了实践参考。未来需扩大样本范围、延长验证周期，并探索跨区域适配方案。
未来研究需在以下方向深化探索：
(1) 扩大实证范围：在长三角、珠三角等多区域院校开展对照实验，验证模式的跨产业适配性；
(2) 构建长效评价机制：开发涵盖“技能操作–系统思维–创新迁移”的多维评价量表，追踪毕业生3~5年职业发展路径；
(3) 降低技术推广成本：探索开源工具(如Python-ML库、数字孪生平台)替代商业软件，构建轻量化实训解决方案；
(4) 深化产教数据联动：对接区域产教融合平台(如浙江省“产教融合数智平台”)，动态更新能力模型与课程内容。
基金项目
台州市2023年度产教融合“五个一批”项目——精密机械加工校企协同产教融合育人项目(TZWGYP-YR-2023-04)；台州科技职业学院2022年度校级课程思政教学项目(Szkc202204)；浙江省2024年度高校国内访问工程师“校企合作项目”(FG2024367)。
NOTES
*通讯作者。