1. 引言
2025年初，中共中央、国务院印发的《教育强国建设规划纲要(2024-2035年)》，再次强调以数字技术赋能教育，推动大规模因材施教和创新性教学的实现[1]。这一系列的政策文件，不仅为高校教育课程改革指明方向，也凸显了数字化与人工智能在教育强国建设中的战略地位。在数字化时代，高校要把教育数字化改革的旗帜高高举起，充分利用红色文化资源，建立一种新型的大学生思想政治教育模式，这对于深化高校思想政治理论课改革，推进教育现代化，办好人民满意的高等教育有着重要的战略意义。基于政策导向与教育现实需求，本文从DeepSeek助力高校思政课程建设的适配机制、实践场景和实践路径三个维度展开论述，旨在为数字化赋能高校教育课程建设的理论与实践提供新的视角和思路。
2. 数字化红色资源赋能高校思政课程建设的重要意义
数字化的红色资源是构建大学思想政治理论课的一项重要内容。它有利于实现理论教学内容的有机融合，符合现阶段的学情特点，丰富了实践教学方法，对高校思政课堂的建设起到了积极的推动作用。
2.1. 契合高校思政课程建设的政策导向
党的二十大报告强调推进教育数字化，为DeepSeek技术助力数字化红色资源融入高校思政课提供了行动指南。随着科学技术的发展，利用数字化的红色资源来提升高校思政课的教学质量，是我国实施数字教育战略的一项重大举措。要想进一步推动高校思政课堂建设的发展，就必须加大对红色资源的挖掘与运用。习近平总书记指出：“红色资源是我们党艰辛而辉煌奋斗历程的见证，是最宝贵的精神财富，一定要用心用情用力保护好、管理好、运用好。”[2]，红色文化资源与思政课之间存在内在关联与耦合“活灵活现”的数字化红色文化资源赋能思政课是推动我国高校思政课教学高质量发展的重要举措[3]。在新的时期和新的需求下，我们应充分利用人工智能技术运用到高校的实践中，让数字式的红色资源育人更具有针对性和实效性。这对于贯彻落实国家教育数字化战略、提升国民素质具有重要意义。
2.2. 促进高校思政课程建设的适配机制
在数字赋能思政教育课程建设过程中，课程建设的实效性关键在于技术工具和教育需求之间的适配机制。DeepSeek利用中文语境的优势，结合智能化的迭代创新，为课程建设的深层次问题提供了系统性解决方案。在人机交互的语境方面，DeepSeek基于大规模本土教育语料训练，依托中文语境独有的认知基因，实现了“自然语言的人工智能理解”[4]。与一般人工智能的机械式翻译相比，DeepSeek领域适应性算法可以高效地分析中文教学情境中的隐喻性表示和逻辑隐含，为高阶思维的培养提供支撑。
DeepSeek的技术特质则为全面赋能教育数字化转型提供了新的可能[5] (表1)。在高校思政课程建设过程中，利用DeepSeek多模态内容生成、逻辑化知识表达及复杂交互理解方面的技术优势，构建沉浸式学习场景，为学生打造沉浸式、自主化、可视化的学习形态，可以有效激发学生的学习兴趣，进一步增强学生的认知主动性，从而显著提升知识内化效率与深度学习效果。
Table 1. Comparison of technical advantages between DeepSeek and other models
表1. DeepSeek与其他模型的技术优势对比
维度 |
模型 |
特质 |
DeepSeek优势 |
性价比 |
Open AI |
按API调用次数/token量计费，企业级应用成本高昂 |
支持私有化部署，支付硬件成本终身使用 |
LIama |
开源但需自建GPU集群，硬件和维护成本高 |
提供蒸馏后的轻量化版本，普通服务器即可运行 |
国内大厂模型 |
采用订阅制收费，附加token超额费用 |
买断制授权 + 阶梯式定价，中小企业友好 |
开源程度 |
LIama |
限制商业用途，协议合规风险高 |
MIT开源协议，允许商用和二次开发 |
国内开源模型 |
多数仅开放推理接口，训练框架和微调工具闭源 |
完整开源训练工具链(含分布式训练、LORA微调等) |
推理可视化 |
Open AI ol |
完全黑箱运行，逆向解析被封号 |
提供思维链追溯功能，支持推理过程分步可视化 |
传统大语言模型 |
仅输出最终结果，决策依据不可查 |
提供模型输出的权重数据，可进行定制 化微调 |
2.3. 助推高校思政课程建设的多维动态互构
人工智能技术正在对思想政治教育的形态和边界进行重构。其中，以DeepSeek为代表的智能系统通过意识形态话语生成、政治认知动态建模等技术，推动教育模式从“大水漫灌”向“精准滴灌”转变[6]。DeepSeek以技术赋能促进教材由静态文本向动态知识生态的转变。它可以对传统的思政课程教材的内容进行智能化的重新组合。根据地区特点、学校定位以及学情数据等，对教材进行动态编排。DeepSeek与区域学情数据库相结合，生成融合情境任务、分层活动的大单元教学设计架构，并将该架构自动地与跨学科资源和实际案例相连接，从而提高了老师的备课效率。智能技术可以借助构建动态交互的知识网络来促使马克思主义理论从静态的符号系统转变为可进行探索的意义空间，学生在这个空间里依靠数据关联、案例分析以及虚拟实践，逐渐构建起理论与现实的双向对话能力[2]。
3. 数字化红色资源赋能高校思政课程建设的实践困境
当前国内许多高校结合当地特色鲜明的红色文化资源开发了多样的数字化教学资源，但在整合地方红色文化资源的同时，也在实践中遇到了许多困难。
3.1. 教学工具维度：数字化红色资源平台建设不足
高校思政课堂的有效建设离不开数字化平台的支撑。红色资源通过数字化形式展现出鲜活的精神动力，对促进高校思政课的建设发展具有重要意义。现如今数字化红色资源的平台建设相对滞后，相较于线下的红色展馆、红色遗址以及博物馆等实物资源，当前数字化红色资源缺少全面、生动、高效的线上资源信息库[2]。目前的平台大多还停留在文字、图片、视频等基本形式的数字化转化阶段，呈现形式较为简单，缺乏互动、沉浸感，很难实现有效的育人效果和产业转化。其次，数字红色资源平台的整合度不高，没有形成有效的协作联动机制。正是由于联动机制的缺失，目前的数字化红色资源并没有得到很好的利用，数字技术和教学内容没有实现有机融合。因此，通过应用DeepSeek技术，能够在协同联动的基础上，对各个红色资源库进行共建共享，从而提高了数字红色资源的开发和使用效率。
3.2. 教学应用维度：虚拟与现实相互制衡
纸质教材及练习册是传统思想政治教学内容的主要来源。课堂教学大多采用以教师为主的线下讲授模式，以灌输式的形式将大量的语言知识单向地输出给学生。在此背景下，为了体现思政元素的融入，授课过程更是从头至尾都举与思政相关的例证，学生只能被动接受这些价值观，缺乏互动性和参与感，思政目标并没有得到真正内化[7]。因此，数字化红色资源能否在教学实践中广泛应用是其转化为高校思政课教学资源的关键。
目前，大部分教师缺乏利用线上教学平台和数字化工具的教学手段和教学意识。数字化红色资源的建设还处于探索发展阶段，有些教师在传统定势思维模式影响下，没能充分认识到数字化教育的重要性；部分教师的数字化水平不高，从而导致在使用数字化教学资源时形式单一、不够新颖灵活。这也造成了在课程执行过程中，很难将学生的积极性和学习积极性给调动起来，从而影响了思政课程教学的效果。
3.3. 教学创新维度：构建人机协同学习机制
生成型人工智能在促进科技应用的同时，也在教育与教学层次上实现了人与机器之间的共生关系。由于受到教师的主观经验及阶段性测验的限制，传统的教学反馈方式存在评价维度单一、认知诊断滞后等结构性缺陷。而DeepSeek的兴起，让教育反馈的时效性和多维性得到了很大的提升，他可以借助多模态认知感知系统，实时评估学生对教学内容的理解与掌握程度。在数智化教育形态加速重构的背景下，DeepSeek基于“思维过程可视化–文化语境适配–生成性交互进化”的三维智能要素，为教材创造性使用开辟了新路径，实现了从静态知识传递到动态课程创生的范式转换，推动教师从知识传递者转向课程创造者[8]。生成式人工智让教师从一个知识的传播者变成了一个学习活动的设计者，人工智能与教师一起进行协同学习、协同决策、协同教学，从而形成教学层面的人机共生。
4. 数字化红色资源赋能高校思政课程建设中的优化路径
在教育数字化时代，高校思政课必然从线上线下“混合”式教学走向“融合”式教学阶段[9]。红色文化数字化赋能思政课教学，使之更加符合时代发展的需要，从而达到立德树人的教育目的。
4.1. 虚实互融：构建虚实相融的思政课数字化生态
现如今，在思政课程教学过程中有两种不同的课堂模式，即数字化教学模式和传统课堂教学模式。数字化教学指数字化的教学环境中，师生运用数字化教学资源，通过数字化教学模式培养人才的教学方式[10]。传统课堂教学以师生真实互动为特征。数字化教学方式相较于传统教学方式而言，可以利用AI人工智能工具来丰富智能教学，进一步提升学生的学习效果。DeepSeek通过整合文本、图像、视频和音频等多模态资源、创建深度模拟情景。情景是沉浸式学习环境的核心特性，也是促进学习者有意义知识建构的要素。
为验证DeepSeek在思政课教学中的实际效果，本研究设计了为期四周的教学实验。选取H高校两个平行思政教学班，分别为实验班(采用DeepSeek辅助教学)和对照班(传统教学)。教学内容为“长征精神的时代价值”。在实验设计中，实验班使用DeepSeek生成的虚拟长征情景对话、历史人物模拟访谈、多模态知识图谱等资源；对照班采用讲授 + 视频展示的传统方式。在数据收集方面，先对学生进行前测与后测，测试学生对“长征精神”的理解与情感认同；在课堂中观察记录，记录学生参与度、互动频率；学生访谈：了解学生对教学方式的接受度与感受。得出初步结果为：实验班学生在情感认同、知识内化、课堂参与等方面显著优于对照班；DeepSeek辅助教学能够有效增强学生学习的沉浸感与个性化，尤其在历史情境再现与价值观引导方面表现突出。
下表2为教学实践前测数据分析，本实验在教学实验前对实验班和对照班进行前测。实验班发放了45份问卷，对照班发放了49份问卷，且全部问卷均得到了回收，回收率高达100%。经过初步筛选，我们确认有效问卷共计94份，有效回收率同样达到了100%。通过SPSS数据整理后，各项数据见表2所示。前测旨在确保两组学生在基线水平上一致，满足平行组假设。
Table 2. Pretest data table of experimental class and control class
表2. 实验班和对照班前测数据表
维度 |
班级 |
个案数 |
平均值 |
标准差 |
标准误差平均值 |
情感认同 |
实验班 |
49 |
24.0000 |
2.85000 |
0.40714 |
对照班 |
45 |
23.5000 |
2.90000 |
0.43233 |
知识内化 |
实验班 |
49 |
32.0000 |
4.10000 |
0.58571 |
对照班 |
45 |
31.8000 |
4.20000 |
0.62622 |
课堂参与 |
实验班 |
49 |
28.0000 |
3.80000 |
0.54286 |
对照班 |
45 |
27.5000 |
3.90000 |
0.58124 |
总分 |
实验班 |
49 |
84.0000 |
10.5000 |
1.50000 |
对照班 |
45 |
82.8000 |
10.8000 |
1.61007 |
前测独立样本T检验结果显示，实验班与对照班在情感认同、知识内化、课堂参与和总分上均无显著差异(p > 0.05)，表明两组学生在教学干预前水平相当，符合实验要求。
教学实践后测数据分析，经过四周的DeepSeek辅助教学干预后，实验班在情感认同、知识内化和课堂参与方面均有显著提升，对照班变化较小。后测数据见表3。
后测独立样本T检验(3)显示，所有维度和总分均出现显著差异(p < 0.001)，表明DeepSeek辅助教学对提升学生情感认同、知识内化和课堂参与有显著效果。
为验证实验班自身的变化，进行前后测配对样本统计，见表4。实验班在后测中各维度平均值均显著增加，表明DeepSeek辅助教学有效促进了学生的情感认同、知识内化和课堂参与。
Table 3. Post-test data table of experimental class and control class
表3. 实验班和对照班后测数据表
维度 |
班级 |
个案数 |
平均值 |
标准差 |
标准误差平均值 |
情感认同 |
实验班 |
49 |
29.0000 |
3.00000 |
0.42857 |
对照班 |
45 |
24.0000 |
2.95000 |
0.43981 |
知识内化 |
实验班 |
49 |
36.0000 |
4.00000 |
0.57143 |
对照班 |
45 |
32.0000 |
4.30000 |
0.64104 |
课堂参与 |
实验班 |
49 |
32.0000 |
3.90000 |
0.55714 |
对照班 |
45 |
28.0000 |
3.80000 |
0.56652 |
总分 |
实验班 |
49 |
97.0000 |
10.8000 |
1.54286 |
对照班 |
45 |
84.0000 |
10.9000 |
1.62481 |
Table 4. Pre- and post-test paired sample statistics for the experimental class
表4. 实验班前后测配对样本统计
配对 |
项目 |
平均值 |
个案数 |
标准差 |
标准误差平均值 |
1 |
实验班情感认同前测 |
24.0000 |
49 |
2.85000 |
0.40714 |
实验班情感认同后测 |
29.0000 |
49 |
3.00000 |
0.42857 |
2 |
实验班知识内化前测 |
32.0000 |
49 |
4.10000 |
0.58571 |
实验班知识内化后测 |
36.0000 |
49 |
4.00000 |
0.57143 |
3 |
实验班课堂参与前测 |
28.0000 |
49 |
3.80000 |
0.54286 |
实验班课堂参与后测 |
32.0000 |
49 |
3.90000 |
0.55714 |
4 |
实验班总分前测 |
84.0000 |
49 |
10.5000 |
1.50000 |
实验班总分后测 |
97.0000 |
49 |
10.8000 |
1.54286 |
从表4可见，实验班后测平均值较前测增加：情感认同平均增加5.00，知识内化平均增加4.00，课堂参与平均增加4.00，总分平均增加13.00。所有维度均有显著提升，表明DeepSeek辅助教学在激发学生情感认同、促进知识内化和提高课堂参与方面效果突出，尤其通过虚拟情景和个性化资源增强了学习沉浸感。
4.2. 内在机制：建立教、学、育三个维度的教学体系
在信息科技快速发展的今天，越来越多的先进的技术手段被引进到教育领域以提升教学质量和效率。当前，DeepSeek凭借其超强的多模态内容生成能力、跨学科信息整合能力、深度模拟能力和逻辑推理能力有望从“教”“学”“育”三个维度驱动教育变革，解决教育领域当前面临的关键问题[11]。
在“教”的维度，DeepSeek可以通过混合专家框架，构建多模态深度学习和计算机视觉协同的教育认知强化体系，促进教育系统向个性化适配、多样化供给和动态演化的深层转变。通过个性化、多元化、动态化的教学体系对传统思政教学的“标准化供给”内容进行重构，DeepSeek让传统的思政教学实现了从普适性教育到个性化教育的飞跃，它使得“因材施教”成为可能，让每个学生都能在适合自己的学习节奏中，实现知识的有效积累与能力的稳步提升。
在“学”的维度，DeepSeek能够建立多模式沉浸式学习场景，为学习者提供自主探究的途径，并建立可视化的知识拓扑网络，帮助建立沉浸式、自主性和可视化的学习形式。它可以融合文本、图像、视频、音频等多种信息资源，创设深度模拟情境。这种真实的情境营造和展示，能有效地调动学生的学习积极性，也能帮助他们对复杂的概念有更深刻的了解。
在“育”的维度，DeepSeek以培养学生的跨学科思维能力为主导，利用深层神经网络构建概念之间的隐性关联，构建动态的知识网络，促进跨学科知识生成，并凭借自身强大的多模态内容生成能力构建道德认知的浸润式成长环境[10] (如图1)。
Figure 1. DeepSeek drives the internal mechanism of educational reform from three dimensions: “teaching”, “learning”, and “nurturing”
图1. DeepSeek从“教”“学”“育”三个维度驱动教育变革的内在机制
4.3. 实践路径：实现“师–生”二元互动到“师–机–生”三元共生
在传统的思想政治教育中，主客体呈现的是二元结构教学模式，主要由教师讲授，学生学习的行为方式来呈现课堂教学。随着科学技术的发展，在技术赋能的情况下，从认识论层面出现进一步的优化，形成了教师、机器、学习者三者协同衍生出一种新型的教育共同体。DeepSeek以其超强的自然语言理解与推理能力，有效地推进了“教师–机器–学生”三元认知协作的范式转变。在该三元结构中，教师作为教学系统的主体，承担着教学活动设计、过程执行和效果评估的关键职责；智能技术扮演虚拟教师、学习伙伴的角色；而学生则是教学活动的主体参与者[12]。
在教师专业发展的智能提高机制方面，DeepSeek系统可以利用关联技术对教学设计的认知界限进行解构，实现教师由“知识权威”到“学习者”的角色转换。同时，DeepSeek能够打破传统知识图谱的限制，通过动态语义网络建立一个跨学科的知识关联体系，将各学科的教学资源进行整合，协助老师生成跨学科的教学案例，激发教师的教学创新思维能力。在学生学习能力培养方面，DeepSeek可以根据学生的个人情况，为他们量身定制个性化学习方案与阅读推荐，借助思维导图，模拟对话，辅助写作等方式来精准解答各类学科问题。这样的人机协同模式，不但提高了教学过程中的效率，而且还促进了“人为主导 + 机器智能”的新型协同模式。
4.4. 风险与挑战：审思AI在思政教育中的风险
将生成式人工智能DeepSeek引入高校思政课堂，在带来历史性机遇的同时，也伴随一系列不容忽视的风险与挑战。尽管DeepSeek的知识生成精准度和逻辑推理能力提升，但其也会出现“幻觉问题”，即生成看似准确但实际是编造或缺乏数据支撑的虚假内容[13]。我们必须秉持审慎和批判的态度，对潜在风险进行系统性审视，并构建有效的治理框架，以确保技术赋能走在健康、安全、可持续的轨道上。
首先，我们应建立“投喂–产出”全流程价值观校准机制：在模型微调阶段，投喂高质量、权威的红色经典文献、领导人讲话和官方史学著作，强化模型对主流价值观的理解与认同。建立生成内容的关键词与敏感概念清单库，进行实时筛查与过滤。其次，应构建人机协同的内容审核闭环：不能完全依赖机器审核。建立“DeepSeek初步生成→教师人工重点审核(尤其是涉及历史评价、政治定性的内容)→反馈修正模型”的闭环流程，将教师的政治判断力置于核心位置。神经科学研究揭示，长期依赖AI进行高阶思维活动会削弱前额叶皮层(负责执行功能)与海马体(负责记忆整合)的神经可塑性[14]，导致批判性思维钝化与概念迁移能力下降。长此以往，这不仅限制个体潜能的发展，也可能使整个社会的创新能力下降。最后，应防范学生思想数据的敏感性与泄露风险：学生在与DeepSeek对话中可能流露出的对敏感政治议题的困惑、个人价值观的迷茫等，都属于高度敏感的个人思想数据。一旦平台数据保护不力，导致泄露或被滥用，将对学生的隐私权和未来发展造成不可估量的损害。因此，要推进DeepSeek与思政教育的深度融合，必须坚持“统筹发展与安全”的原则。我们既要拥抱技术带来的无限可能，更要筑起应对风险的坚固堤坝，通过制度建设、伦理规范和人文关怀，确保技术在正确的轨道上运行，最终服务于“立德树人”的根本任务。
5. 结语
本研究探究了DeepSeek赋能的高校思政课程教学场景对学生学习效果的影响。以DeepSeek为代表的新一代数字技术给思想政治教育的数字化建设带来了全新的契机。本文对当前高校思政课程建设中存在的资源设施、教学内容和教学方法等问题进行了深入的剖析，并在此基础上，结合我国目前正在大力推进的教育数字化转型的大背景，提出以数字化红色资源对高校思政课程建设的赋能作业，利用数字化资源和平台，从学校、学生和教师三个层次，全方位地提高任课教师的育人意识和思政能力。然而，本研究主要结合思政教师所授的思政教学实践来进行抛砖引玉，未来的研究与探索应将人工智能DeepSeek工具应用于更多学科的课程教学中，综合提升各学科教师的教学水平，提高学生的学业成绩。