1. 引言
当前，人工智能技术正加速渗透至医疗、教育、金融等各领域，成为推动社会变革的核心力量。高等教育层面，面向非计算机专业学生开设人工智能通识课程，已成为培养复合型人才的必然要求[1]。然而，传统通识课程多以理论讲授为主，存在内容抽象、与实际脱节等问题，导致学生学习兴趣低、知识应用能力弱。因此，探索案例驱动的教学模式，优化教学内容，对提升人工智能通识课程教学质量、培养学生AI素养具有重要现实意义。
国外高校较早开展人工智能通识教育，如斯坦福大学开设《人工智能导论》，通过“自动驾驶决策”“图像识别应用”等案例贯穿教学；麻省理工学院依托“媒体实验室”，将AI技术与艺术、工程结合，设计实践导向的案例教学模块。国内方面，清华大学、北京大学等高校近年陆续开设相关课程[2] [3]，但多数课程仍存在以下不足：一是案例选择缺乏系统性，多为零散的技术介绍；二是实践环节薄弱，难以支撑学生动手能力培养；三是未充分融合跨学科视角与思政元素，课程育人价值未充分发挥。
AI学科的独特性对教学法提出了三重新要求：其一，技术迭代快，要求教学内容需动态纳入前沿成果，传统“教材滞后型”教学模式无法满足需求；其二，多学科交叉属性，要求打破学科壁垒，设计跨领域案例，但现有研究多局限于单一学科视角；其三，伦理争议性，要求教学过程需同步培养学生的技术伦理素养，而现有课程多将伦理内容作为“附加模块”，未融入技术学习全过程。
本研究的突破点在于：1) 构建“基础概念类–技术应用类–伦理社会类”三维案例体系，填补现有案例体系缺乏系统性与完整性的空白；2) 设计“分专业适配”的实践教学内容，解决实践环节与非计算机专业学生需求脱节的问题；3) 提出“技术案例承载–实践环节渗透–伦理思辨强化”的思政融入路径，突破“思政与专业两张皮”的困境。
2. 人工智能通识课程概述
2.1. 课程目标与定位
(1) 培养目标
人工智能通识课程面向非计算机专业学生，核心目标包括：(1) 知识层面，使学生掌握AI基本概念(如机器学习、神经网络)、核心技术(如数据预处理、模型训练)及应用边界；(2) 能力层面，培养学生运用AI工具解决简单实际问题的能力，如使用Python进行数据可视化、借助开源平台完成图像识别小项目；(3) 思维层面，引导学生形成跨学科思维与AI伦理意识，理解技术与社会的互动关系。
(2) 在学科体系中的位置
该课程属于“通识教育+专业融合”的交叉课程，一方面衔接数学、计算机基础等先修课程，为学生提供技术认知基础；另一方面可与各专业课程联动，如为金融专业学生设计“AI量化交易案例”，为医学专业学生设计“病历文本分析案例”，助力专业能力提升，是连接通识教育与专业教育的重要纽带。
2.2. 课程特点
人工智能通识课程具有三大核心特点：(1) 内容更新快，AI技术迭代周期短，课程需及时融入“生成式AI”“大模型应用”等前沿内容；(2) 综合性强，涉及数学(概率统计)、计算机(算法)、社会学(伦理规范)等多学科知识；(3) 实践导向，需通过案例分析与动手实践，帮助学生将抽象知识转化为应用能力。
3. 案例驱动教学法在人工智能通识课程中的应用
3.1. 案例驱动教学法实施流程与优势
案例驱动教学法在AI通识课程中的实施需遵循“认知规律”，构建“案例导入–知识拆解–实践应用–总结反思”的闭环流程，具体如图1所示：
Figure 1. Implementation process of case-driven teaching method in general courses on artificial intelligence
图1. 案例驱动教学法在AI通识课程中的实施流程
(1) 激发学习兴趣
传统理论讲授易使学生产生“抽象难懂”的认知障碍，而案例教学可将技术原理与实际场景结合。例如，在“机器学习”章节，以“电商平台商品推荐系统”为案例，通过分析“用户浏览数据如何转化为推荐模型输入”，引导学生理解“协同过滤算法”的核心逻辑，降低学习难度，激发探索兴趣。
(2) 促进知识理解与应用
案例驱动教学遵循“从具体到抽象再到应用”的认知规律。以“神经网络”教学为例，先通过“手写数字识别”案例展示模型输入(像素数据)、隐藏层(特征提取)、输出(数字分类)的完整流程，再提炼神经网络的结构原理，最后让学生尝试调整模型参数(如学习率、迭代次数)，观察识别准确率变化，实现“理解–应用–深化”的知识转化[4]。
(3) 培养综合能力
案例分析过程中，通过小组讨论、项目实践等形式，可同步培养学生多方面能力。例如，在“AI伦理”章节，围绕“面部识别技术在校园安防中的应用争议”案例，组织学生分组辩论，不仅锻炼逻辑表达能力，还能引导学生从技术可行性、隐私保护、社会公平等多维度思考问题，提升批判性思维与团队协作能力[5]。
3.2. 案例选择原则
(1) 真实性
案例需基于真实应用场景，避免虚构或过度简化。例如，选择“某城市交通部门用AI优化信号灯配时”案例，提供真实的交通流量数据、优化前后的通行效率对比，让学生感受技术的实际价值，增强知识可信度。
(2) 相关性
案例需紧密贴合课程知识点，避免脱离教学目标。例如，在“监督学习”章节，选择“信用卡欺诈检测”案例，其“标签数据(正常/欺诈交易)–特征工程–模型训练–效果评估”流程，可完整覆盖监督学习的核心环节，辅助知识点落地。
(3) 多样性
案例需涵盖不同领域与技术类型，兼顾广度与深度，如表1所示。领域上，包括教育(AI作业批改)、医疗(影像诊断辅助)、农业(病虫害识别)等；技术上，涵盖机器学习、自然语言处理、计算机视觉等，帮助学生建立全面的AI认知框架。
Table 1. Table of case classification and major adaptation for case-driven teaching
表1. 案例驱动教学的案例分类及专业适配表
案例类别 |
覆盖领域 |
核心知识点 |
专业适配示例 |
实践形式 |
基础概念类 |
通用 |
AI定义、技术分类、工具基础 |
所有专业：AI与传统程序的区别(售货机vs推荐系统) |
课堂讨论 + 表格对比 |
技术应用类——金融 |
金融风控、量化交易 |
分类模型、时间序列预测 |
金融专业：信用卡欺诈检测、股票价格预测 |
Python编程 + 模型训练 |
技术应用类——教育 |
个性化学习、作业批改 |
推荐算法、自然语言处理 |
教育专业：学情分析、作文自动评分 |
数据可视化 + 规则设计 |
技术应用类——机械 |
设备诊断、故障预测 |
异常检测、传感器数据处理 |
机械专业：轴承故障诊断、机床加工精度预测 |
特征提取 + 模型评估 |
伦理社会类 |
隐私保护、就业影响 |
AI伦理、法律法规 |
所有专业：面部识别校园应用争议、AI岗位替代分析 |
辩论赛 +
调研报告 |
(4) 启发性
案例需预留思考空间，避免“结论先行”。例如，在“生成式AI”章节，引入“AI写作工具在学术论文中的应用”案例，不直接判定“可行”或“不可行”，而是引导学生思考“AI生成内容的著作权归属”“如何平衡效率与学术诚信”等问题，培养探究意识。
3.3. 案例的分类与设计
(1) 基础概念类案例
针对AI核心概念设计简单直观的案例，帮助学生建立初步认知。例如，在“数据与特征工程”章节，设计“学生成绩分析”案例：提供某班级数学、英语成绩数据，引导学生通过“数据清洗(处理缺失值)–特征转换(将分数转为等级)–特征选择(分析哪些科目与总成绩相关性更高)”，理解数据预处理的核心步骤，案例数据量控制在100条以内，确保学生快速上手。
(2) 技术应用类案例
聚焦AI技术的实际应用，展示技术落地流程。例如，在“计算机视觉”章节，设计“植物叶片病虫害识别”案例：提供标注好的叶片图像数据集(正常/病害类型)，指导学生使用TensorFlow Lite构建轻量级识别模型，通过“数据加载–模型搭建(CNN基础架构)–训练与测试–模型部署(在手机端演示识别效果)”，掌握计算机视觉技术的基本应用方法，案例配套提供简化的代码模板，降低实践门槛。
(3) 伦理与社会问题类案例
围绕AI伦理与社会影响设计案例，强化课程育人价值。例如，设计“AI招聘系统的公平性争议”案例：介绍某企业使用AI筛选简历，却因训练数据中“男性简历占比过高”导致女性候选人通过率低的事件，引导学生分析“算法偏见的成因”“如何通过数据平衡与模型优化减少偏见”，同时结合《个人信息保护法》，讨论技术应用的法律边界，实现知识传授与价值观引导的融合。
4. 教学内容优化策略
4.1. 知识体系重构
(1) 整合基础知识
打破传统“技术分类式”知识结构，构建“问题导向”的知识框架。将课程内容分为“AI是什么(概念与历史)–AI如何工作(核心技术)–AI能做什么(应用场景)–AI该如何规范(伦理与法律)”四大模块，每个模块以1~2个核心案例为牵引，整合相关知识点。例如，“AI如何工作”模块以“推荐系统”为核心案例，整合“数据采集–机器学习算法–模型评估”等知识，避免知识点碎片化。
(2) 融入前沿技术
及时更新前沿内容，确保课程时效性。在“生成式AI”板块，新增“ChatGPT等大语言模型的工作原理”“AI绘画工具(如MidJourney)的技术逻辑”等内容，设计“用Prompt工程优化AI写作效果”的小实践；在“AI与行业融合”板块，补充“AI + 元宇宙”“AI + 自动驾驶L4级技术进展”等前沿应用案例，帮助学生追踪技术动态。
(3) 跨学科知识融合
结合学生专业背景，融入跨学科视角。例如，面向文科专业学生，在“自然语言处理”章节，设计“AI古籍文字识别与断句”案例，结合历史学知识分析技术对文化传承的价值[6] [7]；面向理工科专业学生，在“强化学习”章节，设计“机器人路径规划”案例，结合自动化专业知识讨论技术优化方向，实现“AI知识 + 专业特色”的深度融合。
4.2. 实践教学内容优化
(1) 实验项目设计
构建“基础–进阶–综合”三级实验体系，匹配不同学习阶段需求，如图2所示。基础实验：如“用Excel进行数据可视化分析”，掌握数据处理基本方法；进阶实验：如“用Scikit-learn实现简单的线性回归预测(如房价预测)”，熟悉机器学习工具；综合实验：如“小组合作完成‘校园快递智能分拣’方案设计”，涵盖“需求分析–数据模拟–模型选择–方案汇报”全流程，培养综合应用能力。实验项目均配套“任务书 + 操作指南 + 常见问题解答”，降低实践难度。
Figure 2. Structure of the “Three-Level Practical System” for general courses on artificial intelligence
图2. 人工智能通识课程“三级实践体系”结构
(2) 实践活动组织
拓展课外实践渠道，强化能力培养。一是开展“AI小发明”竞赛，鼓励学生结合生活需求设计小型应用，如“基于AI的智能垃圾分类助手”；二是搭建校企合作平台，邀请企业工程师开展“AI项目实战”讲座，组织学生参观AI企业(如科大讯飞、商汤科技)，了解技术落地场景；三是引入开源社区资源，指导学生参与Kaggle数据科学竞赛的入门级项目，提升实战经验。
4.3. 思政元素融入
思政元素融入需避免“生硬说教”，通过“案例渗透、实践体现、专题讨论”三种方式，实现“知识传授、能力培养、价值引领”的有机统一。具体融入路径如表2所示。
(1) 思政教育目标
明确课程思政核心目标：1) 培养家国情怀，展示我国AI领域的成就(如“讯飞星火大模型”“嫦娥探月中的AI技术”)，增强民族自信；2) 树立正确价值观，引导学生认识到AI技术的“工具属性”，强调“科技向善”；3) 强化责任担当，通过分析AI带来的就业结构变化，引导学生思考“如何提升自身竞争力，适应技术变革”[8]。
Table 2. Approaches for integrating ideological and political elements into general courses on artificial intelligence
表2. 人工智能通识课程思政元素融入路径表
课程模块 |
思政元素 |
融入方式 |
典型案例/实践 |
育人目标 |
AI认知基础 |
科技自信、理性认知 |
案例渗透 + 对比分析 |
“中外AI发展对比”案例：呈现我国“讯飞星火大模型”在医疗领域的应用成果，对比国外同类技术的优势与不足；引导学生讨论“我国AI发展的‘跟跑–并跑–领跑’历程”，同时客观分析“核心算法仍需突破”的现状 |
增强民族自信，培养理性看待技术差距的认知 |
AI核心技术 |
创新精神、工匠精神 |
实践环节 + 反思总结 |
“模型优化实践”：要求学生在“成绩预测”“故障检测”等专业相关实验中，反复调整参数(如学习率、特征数量)提升模型准确率，记录“优化过程–遇到的问题–解决方案”；实践后组织“技术攻坚分享会”，邀请学生分享优化经验 |
培养精益求精的实践态度与解决问题的创新思维 |
AI行业应用 |
社会责任感、服务意识 |
专业案例 + 价值分析 |
“乡村振兴”系列案例：为农业专业学生设计“AI病虫害识别助力农民增产”案例，为教育专业学生设计“AI教育扶贫(偏远地区个性化学习)”案例；要求学生在实践报告中增加“社会价值分析”部分，讨论“技术如何解决行业痛点、服务社会需求” |
理解AI的社会价值，树立“技术服务社会”的意识 |
AI伦理规范 |
法治意识、伦理素养 |
伦理思辨 + 法规应用 |
“算法公平性”专题讨论：围绕“AI招聘歧视”“信用评分算法偏见”等案例，组织学生分析“算法歧视的成因”；提供《个人信息保护法》《生成式人工智能服务管理暂行办法》相关条款，要求学生结合法规提出“算法优化的合规方案” |
增强法律意识，培养“技术应用有边界”的伦理观 |
跨专业实践 |
协作精神、团队意识 |
项目合作 + 互评反馈 |
跨专业小组项目(如“AI教育贷款风险评估”)：明确金融专业学生负责“风险模型设计”、教育专业学生负责“教育需求分析”的分工，要求小组制定“协作规则”；项目结束后开展“互评反馈”，从“任务完成度”“沟通协作”“贡献度”三个维度评价 |
培养跨学科协作能力与团队责任感 |
(2) 典型融入案例设计
以“推荐系统”为例，展示思政元素的深度融入过程：
案例导入：呈现“某短视频平台推荐算法导致用户沉迷”的真实案例，提供平台用户使用时长数据、内容推荐类型分布数据；
技术分析：指导学生使用简化的推荐算法模型(如协同过滤)，复现“用户越喜欢某类内容，推荐越多”的机制，理解“信息茧房”的技术成因；
伦理思辨：组织“信息茧房与个人发展”专题讨论，引导学生从“个人认知局限”“社会共识分裂”两个维度分析危害；要求教育专业学生结合“个性化学习”讨论“如何避免推荐算法窄化学生知识视野”，金融专业学生结合“投资信息获取”讨论“如何通过算法优化保障用户获取多元投资建议”；
实践优化：布置“推荐算法优化”实践任务，要求学生在模型中加入“多样性权重”参数，对比优化前后的推荐结果；同时要求学生撰写“算法优化的社会价值报告”，分析优化方案如何平衡“用户体验”与“信息公平”；
法规链接：引入《互联网信息服务算法推荐管理规定》中“算法推荐服务提供者应当采取措施防止用户沉迷，不得设置诱导用户沉迷的算法”条款，引导学生讨论“算法设计者的法律责任”，强化法治意识。
5. 实践与效果评估
5.1. 教学实践过程
(1) 教学实施步骤
以某高校2024级非计算机专业(涵盖金融、教育、机械3个专业)共120名学生为实践对象，课程为期8周(每周2课时)，实施步骤如下：
课前：通过学习通发布案例预习资料(如“推荐系统工作原理短视频”“案例相关文献”)，布置预习题(如“你在生活中遇到过哪些AI推荐场景？”)；
课中：采用“案例导入–知识讲解–小组讨论–实践操作”流程，例如“监督学习”章节，先展示“信用卡欺诈检测”案例，再讲解监督学习原理，组织小组讨论“如何优化检测模型的准确率”，最后指导学生完成简单的分类模型实践；
课后：布置案例拓展任务(如“调研你所在专业的AI应用案例，撰写500字分析报告”)，通过学习通答疑，定期组织线上小组项目辅导。
(2) 教学方法与手段
综合运用多种教学方法与技术手段：1) 讲授法，聚焦案例背后的核心知识，避免冗余；2) 讨论法，针对伦理类案例组织小组辩论，鼓励多元观点碰撞；3) 演示法，通过“直播演示AI模型训练过程”“展示企业真实项目案例”增强直观性；4) 技术手段上，采用“学习通(预习与作业) + Jupyter Notebook (实践编程) + 腾讯会议(线上辅导)”的混合教学模式，提升教学效率。
5.2. 效果评估指标与方法
(1) 知识掌握程度
通过“过程性考核 + 终结性考核”评估：过程性考核(占比40%)包括案例分析报告(20%)、实验操作(15%)、课堂参与(5%)；终结性考核(占比60%)采用开卷考试，题目以案例分析为主，如“分析‘AI医疗影像诊断系统’的技术流程与应用风险”，考察知识综合运用能力。
(2) 能力提升情况
通过“实践项目成果 + 技能测试”评估：实践项目成果(占比30%)考察小组综合项目的完成质量(如方案合理性、技术应用准确性)；技能测试(占比20%)通过“给定数据集，要求学生完成数据预处理与简单模型训练”，评估动手能力，测试时间90分钟，提供必要的代码参考。
(3) 学习态度与兴趣
采用“问卷调查 + 访谈”方式评估：课程结束后发放问卷(共120份，回收有效问卷115份)，内容包括“课程案例的吸引力”“实践环节的满意度”“对AI知识的兴趣变化”等；选取10名学生(各专业3~4名)进行半结构化访谈，深入了解学习体验与建议。
5.3. 实践结果分析
(1) 数据分析
知识掌握程度：过程性考核平均分为82.3分(满分100)，终结性考核平均分为78.5分，85%的学生能准确分析案例中的技术逻辑，较传统教学班级(平均及格率75%)有明显提升；
能力提升情况：90%的学生能独立完成基础实验，75%的小组综合项目达到“良好”及以上标准，技能测试中“数据预处理”环节正确率达88%，“模型训练”环节正确率达72%，显示实践能力显著提升；
学习态度与兴趣：问卷显示，82%的学生认为“案例教学使AI知识更易理解”，78%的学生对“AI技术的应用前景”感兴趣，较课前调查(45%感兴趣)提升明显；访谈中，学生普遍反馈“实践环节有成就感”“希望增加更多专业相关案例”。
(2) 经验总结与反思
实践成效显著，但仍存在不足：1) 案例针对性需加强，部分文科专业学生反映“技术实践环节难度略高”，需进一步优化分专业案例设计；2) 实践资源有限，受限于设备与时间，部分综合项目仅能完成“方案设计”，无法实现完整落地；3) 思政元素融入需更自然，部分案例存在“思政与知识脱节”的情况，需进一步挖掘案例中的育人内涵。
6. 展望
本研究通过案例驱动教学法的应用，实现了人工智能通识课程教学内容的优化：(1) 构建了“基础–应用–伦理”三类案例体系，明确了案例选择与设计原则；(2) 重构了“问题导向、跨学科融合、前沿融入”的知识体系，优化了“三级实验 + 多元实践”的实践教学内容；(3) 通过教学实践验证，案例驱动教学能有效提升学生的知识掌握程度、实践能力与学习兴趣，为AI通识课程教学提供了可行路径。
未来展望：(1) 完善案例库建设，联合多所高校与企业，开发“分专业AI案例资源库”，提供标准化的案例教学包；(2) 深化实践教学改革，引入“AI虚拟仿真实验平台”，解决设备与场地限制，支持学生开展更复杂的项目实践；(3) 探索“AI + 思政”深度融合路径，挖掘更多具有育人价值的案例，如“我国AI企业助力乡村振兴”案例，进一步强化课程的育人功能。
基金项目
2025年江苏本科高校“人工智能通识课程、基础课程教学改革研究”专项课题(2025ZNT-51)、江苏理工学院课程思政示范课程建设项目(11210312502)、江苏理工学院教学改革与研究项目(11610312503)。
NOTES
*通讯作者。