1. 引言
在人工智能技术快速发展的背景下，大学计算机专业课程正面临着技术驱动带来的教学挑战。首先，教学内容更新速度滞后于技术迭代速度，教材内容更新缓慢，导致对新技术覆盖不足。其次，不断涌现的大语言模型、生成式AI等前沿技术，给传统教学模式带来了冲击。张向颖[1]在动画创作理论课程的教学模式中阐述了AI技术的赋能维度，朱俊杰等[2]将AI赋能自动化系统综合课程设计的教学全过程，张伟等[3]提出了人工智能教学实践一体化平台建设方案，章雁宁[4]将AI赋能数据库课程设计，桂小林等[5]提出了一套AI赋能的大学计算机通识教育体系。尽管这些研究已取得阶段性成果，但从整体来看，大学计算机专业课程仍处于教学模式与AI技术工具深度融合的探索阶段。
人工智能导论在我院是计算机专业人才培养体系中的专业必修课，从课程体系架构来看，它衔接了高等数学、概率论、数据结构、程序设计基础等前导课程，同时为机器学习、深度学习、计算机视觉应用等专业进阶课程提供知识铺垫，是构建计算机专业知识体系的重要环节。人工智能导论课程设立的目的是对整个人工智能学科知识和知识结构进行系统地、全面地讲授，具有多学科交叉的特点[6]。本文正是以人工智能导论为例，从课程教学和课程内容两个层面探讨人工智能，为在大学教育中教师如何运用人工智能技术进行教学创新，以及在人工智能大背景下对人工智能课程建设的优化提供思路。
2. 课程特点和教学现状
2.1. 课程特点
人工智能导论作为人工智能领域的入门核心课程，是一门前沿的综合学科，涉及计算机科学、统计学、脑神经学、社会科学等。因该课程知识点多、内容抽象、理论性较强，需要一定的前导课程，要求学生有较好的数学基础、较强的逻辑思维和编程能力等[7]。课程旨在引导学生了解人工智能的基本概念、发展历程和应用领域，理解人工智能的基本原理和技术，掌握人工智能应用的基本操作与应用场景，为学生深入学习后续专业课程和从事人工智能相关工作奠定基础[8]。
2.2. 教学现状与存在的问题
通过文献研究和实际教学经验总结发现，当前国内高职院校开设的人工智能导论课程的教学现状仍存在如下问题。
2.2.1. 教材内容重理论轻实践，且与技术发展存在脱节现象
当前市面上人工智能导论相关的教材普遍存在“重理论、轻实践”倾向，教材中理论讲解部分平均占比超过50%，教材更新周期普遍在3~5年，落后于人工智能技术的迭代速度。教材内容很大程度上决定了课程内容，由于人工智能领域的迅猛发展，涌现出许多新的技术、算法和应用，部分课程内容滞后于最新的研究成果和技术趋势，导致学生无法接触到最前沿的技术和研究成果[9]。
2.2.2. 理论知识抽象枯燥，学生学习兴趣与主动性不足
学生在刚开始学习人工智能导论课程时，通过了解人工智能发展史、人工智能经典案例，以及结合自身在生活中对人工智能软件的应用，对课程学习兴趣较高。但随着对课程内容的深入学习，涉及大量数学推导、算法逻辑等抽象知识时，对不少学生来说，理解难度加大，导致学习兴趣降低，产生畏难情绪，一定程度上也削弱了学生的学习主动性。
2.2.3. 实践内容技术门槛偏高，学生掌握难度大
一个完整的AI实践项目通常需要学生同时掌握Python编程、深度学习框架的使用、数据处理等多重技能，这对基础薄弱的高职学生构成较大压力，面对复杂的代码调试、参数优化任务时容易产生挫败感。即使将人工智能导论课程安排在大二第一学期，学生已经学习了部分专业前导课程，但前导课程知识与AI实践需求的衔接不足，多数学生仍然缺乏对多技能综合运用的能力，例如在独立完成从数据准备到模型训练的完整流程中，因对实践各环节理解不透彻、编程能力不足、代码调试困难等原因，出现实践效果不理想的情况，难以达成实践教学目标。
2.2.4. 教学模式创新不足，教学效果受限
人工智能导论课程内容中涉及理论性强的知识点，如机器学习算法的数学推导、卷积神经网络的层次结构、隐马尔科夫模型的状态转移原理等等，教师多采用PPT罗列公式，板书推导过程的传统方式讲解，对于卷积核运算、状态概率矩阵等抽象概念，仅靠语言描述难以让学生建立直观认知，使得多数学生陷入“记不住概念、理不清逻辑”的困境。由于缺乏对理论重点、难点进行可视化教学设计，学生无法直观感受技术原理，对理论知识的掌握不够深入，导致在实际应用中无法与理论知识联系起来，存在理论和实践脱节的现象。
3. 课程建设优化方案
3.1. 课程目标重构
课程目标重构的核心变化从知识目标、能力目标和素质目标三个层面展开，如表1所示。在知识目标中，原目标存在明显缺陷：理论核心内容侧重算法推导却脱离应用场景，应用开发基础不成体系，前沿技术完全缺失。重构后以案例式教学整合理论与实践案例(45%)，应用开发模块(40%)通过实操案例和代码执行效果强化应用能力，并新增前沿技术内容(15%)，确保知识时效性。能力目标层面，原目标局限于Python简单代码复现，缺乏问题解决和项目开发能力培养。重构后侧重技术应用，要求掌握Python数据处理库、深度学习框架操作，强化问题解决能力，培养开发项目的执行能力。素质目标层面，基于人工智能课程的课程特点，培养创新思维，以团队协作开发培养沟通能力，结合案例强化伦理认知，全面提升了目标体系的实用性与育人价值。
3.2. 课程内容重构
人工智能是一个非常专业的研究方向，它与许多专业相关，如果设置过高的课程要求，给学生太大压力，很可能会产生相反的效果，所以应以注重基础和拓展视野为出发点。从这个角度出发，课程内容的重构以单元进行教学设计为主，不同的课程单元着重于不同的内容和研究方向[10]，将课程教学内容整合为五个递进式单元：认识人工智能、计算机视觉、语音智能、自然语言处理、人工智能技术综合实战。课程重构内容以“基础认知–核心技术–综合应用”三个主要模块构成，构建了系统化的教学体系。如表2所示。
基础认知模块6课时，“认识人工智能”通过生活案例、技术演进、发展历程以及伦理探讨等内容，建立人工智能领域知识架构，为后续学习筑牢基础。
核心技术模块重点培养三大方向的能力：计算机视觉、语音智能、自然语言处理，通过具体领域对人工智能核心技术从理论到实践进行系统化训练。“计算机视觉”(14课时)单元以“计算机看懂图像”为核心目标，按技术逻辑分层推进。基础理论层：计算机视觉概念与典型应用、研究任务分类、图像数据特征；算法实现层：图像数据预处理、图像特征描述与匹配、深度学习应用；项目实战层：目标监测与跟踪、图像分割与实例分割，形成完整技术链。“语音智能”(10课时)从领域相关概述、语音识别、语音合成、Python开发聊天机器人、Python开发智能语音助手五个方面强化技术原理向应用能力转化。“自然语言处理”(12课时)主要包括自然语言理解、自然语言生成原理，文本数据预处理、文本分析算法实现基础，文本分类项目、生成式应用项目实战。每个技术方向都采用“基础理论–算法实现–项目实战”的三阶教学法，确保学生既能深入理解技术原理，又能熟练应用于项目实践。
综合应用模块是课程内容的收尾阶段，通过整合前序核心技术，实现理论知识与实践技能的融会贯通，提升学生的综合开发意识和动手能力。“人工智能技术应用综合实战”(6课时)，是对核心技术模块的进一步巩固，首先梳理计算机视觉、语音智能、自然语言处理的交叉应用案例，以团队形式完成开发任务，要求至少整合两个核心技术方向，完成项目需求分析、方案设计、代码实现与演示。
教学内容紧扣人才培养方案和课程标准，按照“由浅入深、由简单到复杂、由学习变创新”的思路构建课程教学内容，将学科精神、学科与文化、学科与工程素养融入到各单元任务中。
Table 1. Comparison between original and reconstructed course objectives
表1. 原课程目标与重构课程目标的对比
目标维度 |
原课程目标 |
重构后课程目标 |
知识目标 |
理论核心内容 |
侧重经典算法数学推导，未建立理论与应用场景的关联 |
案例式教学将理论原理融入实践案例45% |
应用开发基础 |
未明确设置，仅隐含在编程教学中，未形成系统知识模块 |
以案例驱动教学，通过实操案例演示开发流程，结合代码运行效果强化应用能力，占知识目标40% |
前沿技术覆盖 |
未涉及 |
涵盖大语言模型基础应用、智能系统开发趋势等前沿内容，占知识目标15% |
能力目标 |
技术应用 |
Python编程完成简单代码复现，无模型搭建与数据处理专项能力要求 |
掌握Python数据分析库操作、深度学习框架基础使用，能独立完成模型搭建与基础调试 |
解决问题 |
未设置相关目标，仅要求被动接受知识，缺乏问题诊断与优化能力培养 |
能诊断模型训练中的常见问题，通过代码调试演示优化过程，掌握参数优化基本方法 |
项目执行 |
无项目开发相关目标 |
掌握小型AI应用完整开发流程，以案例项目为载体贯穿教学，通过代码实现与效果演示完成需求分析、架构设计与功能实现 |
素质目标 |
创新思维 |
课堂教学以知识灌输为主，缺乏针对性训练 |
涵盖问题解决方案优化、技术应用场景拓展，结合代码效果对比激发技术创新尝试 |
团队协作 |
学习过程以个体独立完成任务为主，或以团队形式完成简单的实践项目 |
包含项目分工协作、技术方案研讨、成果展示汇总，通过代码协同开发与效果共同验证培养团队沟通协调与任务执行能力 |
伦理意识 |
仅在课程思政环节提及 |
数据安全规范遵守、AI技术伦理评估、社会责任认知，结合伦理风险案例分析，通过代码运行效果演示违规后果，建立技术应用的价值判断标准与伦理底线意识 |
Table 2. Course content hour allocation table
表2. 课程内容课时分配表
模块 |
课时分配(课时) |
基础认知 |
认识人工智能 |
6 |
核心技术 |
计算机视觉 |
14 |
语音智能 |
10 |
自然语言处理 |
12 |
综合应用 |
综合实战 |
6 |
3.3. 课程资源开发
在人工智能导论课程资源开发上，教材开发采用“项目引领 + 案例贯穿”的模式，以六大教学模块为基础框架，每个章节按照技术原理剖析、行业应用场景、项目代码实现递进式编排。依托校企合作，教材案例采用开源数据集或企业脱敏后的数据集，保证教材案例的真实性，同时又符合数据安全规范。
课程配套的智能平台线上学习资源建设方面，48课时数字资源包含8~10分钟微课、算法动画演示、与企业合作共同开发的虚拟仿真实验，开发分层题库，分基础理论测试、代码实战、案例分析，配备自动批改、错误定位，实现精准学习。每学期新增一定数量的前沿专题，保持内容与时俱进。
4. 教学改革思路
4.1. 教学模式创新
在“线上课程资源补充 + 线下课堂主导”的混合模式教学已成为主流的背景下，本课程采用基于“智慧职教平台”的线上资源与线下课堂相结合的方式开展教学，课程本身旨在传授人工智能知识，其混合模式教学中也融入人工智能技术，即“AI赋能型混合模式教学”。在AI赋能型混合模式教学中，本课程引入了以DeepSeek (杭州深度求索人工智能基础技术研究有限公司推出的AI助手)为代表的大模型作为核心AI工具，同时也使用智慧职教平台集成的AI辅助工具。传统的混合教学主要靠多媒体技术，通过优质的线上资源平台让学生获得个性化的学习体验，学生能自主选择学习的时间、地点、进度、学习资源以及师生互动方式，但更多还是依赖人的决策和灵活性[11]；线下课堂以老师讲课为主，实践操作时老师来回指导，存在纠错慢、作业批改费时间、没法针对性辅导等问题。
AI赋能型混合模式教学采用了很多人工智能技术，关键技术包括机器学习：通过分析学生数据，机器学习能针对学生的特定需求进行个性化调整；自然语言处理：促进了与学生的自然语言交流，使AI能够理解学生的问题并提供相应的指导和反馈；知识图谱与推荐系统：利用知识图谱构建学科知识结构，推荐系统根据学生进程提供定制化学习资源；情感分析：分析学生的情感状态，根据学生的情绪反应调整教学策略[12]。真正做到了以人工智能为教学内容的同时，也将人工智能引入到教学方法中，教学方法甚至作为人工智能案例进入教学内容，在全过程中提高学生参与度。为了进一步提升个性化学习的效果，借助AI分析了解学生学习情况，根据学生的个性特征、能力、学习风格和知识水平构建学生画像模型，并利用特征匹配、协同过滤或知识建模等方法[13]，为学生推荐最优学习路径、合适的预习内容，实现每个人学习的内容不一样。教师与AI在教学过程中发挥各自的优势，形成互补。教师负责传授核心知识，有效利用人工智能技术工具提升教学效果，并引导学生借助人工智能工具探究学习；AI则提供实时的学习支持，如智能辅助教学、个性化学习推荐、辅助代码编程、代码调试纠错等。
AI赋能的混合教学可以根据学生不同的情况推送不同的内容，打破了内容统一、进度统一的局限，提高了学习效率；老师通过分析学生全程学习数据，能准确掌握学生情况。教师与AI的角色定位清晰而又相辅相成：教师主导教学策略和决策，关注学生的情感和道德发展；而AI提供技术支持，优化学习体验和效果[14]。这种教学模式不仅让上课更有效率，还让学生有更好的学习体验，真正做到了因材施教，为培养智能时代需要的人工智能人才提供了新方法。
4.2. 理论与实践融合教学的优化思路
如前文所述，人工智能导论在计算机专业课程体系中起到承前启后的作用。为了提升课程教学效果，改变以往重理论的课程知识体系，本课程秉持理论和实践深度融合的教学理念。但人工智能导论课程又有别于计算机专业中后续开展的其他技术性较强的专业课程，如机器学习、深度学习技术等。因此，本课程引入的实践项目案例，旨在让具备一定编程能力的学生易上手，在保证核心技术原理传递的基础上，降低实操门槛，正确引导学生借助AI编程工具提升实践可行性，让学生在动手过程中进一步理解理论知识点。
以第一个模块“认识人工智能”为例，课程引入“应用AI训练二分类图像识别模型识别猫与狗”的实践案例，为第二模块“计算机视觉”的进一步学习做铺垫。该案例简化了复杂的模型构建流程，提供预处理后的数据集与基础代码框架，学生只需通过参数调整、训练过程监控等关键步骤，即可完整体验数据准备、模型训练、效果评估的全流程。此案例设计既规避了高深编程技术的阻碍，又让学生直观感受数据、模型、预测三要素的核心逻辑，在成功识别图像的趣味体验中，理解机器学习的基本原理，同时初步掌握AI编程工具的使用方法。
通过这类轻量化实践项目的设计，理论教学与实践操作的有机衔接，既区别于纯理论讲授，又不同于高阶课程的深度技术训练，为学生后续专业学习奠定扎实的认知基础与实践兴趣。
4.3. 课程考核机制
本课程作为计算机专业的专业必修课，考核方式由过程考核和期末理论考核构成。期末理论考核占比下调至50%，主要考察学生对课程核心理论知识的掌握情况；结合课程内容重构、课程线上线下资源的建设，过程考核占比提升至50%，过程考核内容包括课堂出勤情况、线上课程学习(新增考核项)、课堂表现情况、作业完成情况，其中作业考核着重关注学生实践操作作业完成情况，如模型训练、项目实操成果等，全面反映学生的理论应用与实践能力。
5. 总结
本文以人工智能导论课程为例，探讨了在人工智能技术快速发展的背景下，该门课程教学面临的问题，如课程教学存在的教材内容滞后、理论与实践脱节、学生学习兴趣不足、学生实践门槛高、新技术对教学模式的冲击等。针对这些问题，围绕人工智能技术从课程建设的重构和教学模式的创新两大层面阐述人工智能导论课程的优化思路，并在一个47人的教学班级中开展试点。在课程即将结束时进行了问卷调查，从学习个性化体验、投入度、教学内容难易程度、技术接受度等收集学生的反馈，超过90%的学生认为AI辅助编程和代码纠错功能极大提升了他们的学习效率和学习兴趣，动手能力也有进步。在实践项目层面，试点班级学生的成果在创新性、技术复杂度和完成度上均优于往届学生；在知识掌握层面，试点班级的理论考试平均成绩为80.5分，高于往届的76.4分。
综上，本次试点表明AI赋能型混合教学模式在提升学生知识水平、强化实践能力以及优化学习体验方面，均产生了优于传统混合教学模式的积极效果。这为该模式的有效性提供了初步的数据支撑，也为后续大规模推广与持续优化奠定了基础。课程全面铺开后，需持续开展实证研究，确保教改成果落地，为人工智能人才培养积累可复制的实践经验。