人工智能赋能实验课程的教学改革与实践概述——基于超星智慧教育平台的技术整合路径

An Overview of the Teaching Reform and Practice of Experimental Courses Empowered by Artificial Intelligence—The Technical Integration Path Based on the Chaoxing Smart Education Platform

摘要: 本文概述了基于超星智慧教育平台的人工智能赋能实验课程的教学改革与实践。实验课程作为工科专业工程认证的核心实践环节，长期面临设备受限、高危操作难开展、个性化指导不足等挑战。而人工智能技术的崛起，尤其是超星公司为高校提供的智慧教学技术生态，为构建“虚实结合、精准评估、全流程赋能”的实验教学新范式提供了系统性解决方案。

Abstract: This paper provides an overview of the teaching reform and practice of the artificial intelligence empowerment experimental course based on the Chaoxing Smart Education Platform. Experimental courses, as the core practical link of engineering accreditation for engineering majors, have long been confronted with challenges such as limited equipment, difficulty in conducting high-risk operations, and insufficient personalized guidance. The rise of artificial intelligence technology, especially the smart teaching technology ecosystem provided by Chaoxing Company for universities, offers a systematic solution for building a new experimental teaching paradigm that combines virtual and real, conducts precise assessment, and empowerment throughout the entire process.

1. 引言

实验课程是工科专业达成工程教育认证毕业要求的核心实践环节，对于培养学生解决复杂工程问题的能力至关重要[1]-[3]。然而，传统实验教学长期面临高成本设备数量有限、高危或极端条件操作难以开展、以及学生人数众多导致个性化指导不足等现实挑战。人工智能技术的迅猛发展，为破解这一困境提供了新的路径[4]-[6]。本文旨在探讨如何基于超星智慧教育平台构建的技术生态，系统性地推进人工智能赋能的实验教学改革与实践。该方案通过整合知识图谱、虚拟仿真、智能体引擎与数据驱动管理等技术，致力于构建一个“虚实结合、精准评估、全流程赋能”的实验教学新范式，以有效提升教学质量与学生的工程实践创新能力。

2. 超星AI技术体系及其教育应用核心功能

超星公司通过整合生成式AI、知识图谱、智能体引擎等技术，构建了覆盖教学全流程的智慧工具链，主要包括：知识图谱与专业达成度融合系统[7] [8]、AI内容生成与智能教学助手[9] [10]、虚拟仿真与数字人技术[11]、数据驱动的教学过程管理[12]。

2.1. 知识图谱与专业达成度融合系统

Figure 1. Dynamic knowledge graph

图1. 动态知识图谱

该系统支持教师将实验工艺和知识点关联为结构化网络，标注难度层级与实验技能要求，实现课程逻辑的可视化重构，构建动态知识图谱[13]，如图1所示，为湖北大学基于超星服务平台生成的材料制备实验课程的动态知识图谱。基于OBE (成果导向教育)理念，将实验操作规范、设备使用等能力目标与课程知识图谱节点精准映射，依托平台实时采集学生操作行为、实验数据及报告成果。通过算法模型自动量化分析能力达成度，生成可视化评估报告，形成“评价–反馈–改进”闭环，持续反向优化实验教学内容与路径设计，保障人才培养目标的高效实现[14]。

2.2. AI内容生成与智能教学助手

AI内容生成与智能教学助手是基于大型语言模型(LLM) [15]、知识图谱与自适应学习技术构建的新一代教育科技平台。其核心能力包括多模态教学内容自动生成(如课程设计、习题、案例分析)、24小时智能交互答疑与解题引导，以及基于学情数据的个性化学习路径规划[16]。该系统通过自然语言处理深度理解教学需求，为教师动态生成差异化教学材料，并自动完成作业批改与学情分析，实现精准教学决策；同时为学生提供自适应训练、写作辅导与实时反馈，扮演“个人导师”角色[17]。

2.3. 虚拟仿真与数字人技术

超星公司的虚拟仿真与数字人技术深度融合数字孪生、3D建模与AI智能体，构建了跨时空、沉浸式的元宇宙教学空间。该技术能高精度还原真实场景(如企业展厅、精密仪器)并进行动态交互操作，实现物理世界到数字空间的精准映射。数字人技术通过语音合成与形象定制，支持教师生成虚拟讲师或复现历史人物，提供个性化教学辅导与跨时空对话。此外，平台集成AI智能体实现“师–生–机”三元协同，AI助教可进行实时答疑、智能评估与学习路径推荐，而虚拟仿真模块则支持多用户协同操作与数据实时分析，深度赋能工程实训、医学模拟等高风险、高成本以及受限且不能实现实地操作的实践场景，显著提升教学效率与沉浸感[18]-[20]。

2.4. 数据驱动的教学过程管理

Figure 2. Capability map statistics

图2. 能力图谱统计

超星公司依托其智慧教学平台，构建了一套数据驱动的精细化教学过程管理体系[21]-[23]。该体系的核心在于对学生的学习全流程进行实时、动态的多维度数据采集，涵盖课前预习进度、虚拟仿真实验的操作完成度与精度、实验报告的质量(如数据准确性、分析深度)以及在线测验表现等多个关键指标。这些数据经过平台的智能算法处理与分析后，能生成直观的能力图谱统计(图2)，其中包括基本信息、学情分析、学情分析雷达、学习记录与趋势，为教师和学生提供可视化的学习成效诊断。

3. AI技术在实验课程中的整合应用路径

3.1. 课程重构

以“陶瓷材料烧结制备”实验为例，采用知识图谱驱动的实验体系设计方案，图谱构建将“粉体研磨→成型→烧结→表征”设为主线，关联设备操作(如球磨机转速设定)、参数优化(升温曲线设计)、故障处理(开裂归因分析)等子节点。线下实验前可在虚拟智能体平台完成3次烧结模拟，系统自动记录参数选择合理性实验并生成模拟实验报告。

3.2. 实验实施

超新公司在“陶瓷材料烧结制备”实验中应用AI技术，构建了数据驱动的智能教学体系，实现了人机协同的闭环学习流程。实验前，系统基于材料基因组数据库与机器学习算法(如生成对抗网络GAN)为学生推荐优化的配方比例及烧结工艺参数，并通过虚拟仿真预演反应过程，系统并非简单地提供固定配方，而是利用GAN进行“虚拟材料设计”。其简化模型如下：生成器根据输入的初始材料成分(如氧化物比例、掺杂元素)和工艺约束条件(如最高烧结温度)，生成一批可能具有优异性能的微观结构图像；而判别器则基于材料基因组数据库中的海量真实成功数据，判断生成图像的真伪。两者不断博弈迭代，最终生成器能输出逼近真实最优解的工艺参数方案。这本质上是让学生在实验前，就在一个高维参数空间中进行了一次“虚拟探索”，超越了传统试错法的局限，此过程将隐含的、经验性的专家知识通过算法显性化，使学生直观理解“成分–工艺–结构”之间的复杂非线性关系，为后续真实实验奠定了深刻的认知基础[24]。实验中，集成物联网传感器与机器视觉系统实时采集窑炉温度、压力及样品形貌数据，通过卷积神经网络(CNN)动态分析并自动调整工艺参数，系统通过窑炉内的摄像头，持续采集陶瓷样品在高温下的形貌图像。CNN在此扮演了“超级视觉质检员”的角色。其简化工作流程分为以下步骤，(1) 特征提取：CNN的卷积层自动识别图像中的关键局部特征，如表面是否出现裂纹、孔隙率变化、颜色均匀度等，这些特征是人工观察难以实时量化的。(2) 状态分类/回归预测：基于这些特征，网络的全连接层可以对样品的烧结状态进行分类(如“正常”“过烧”“欠烧”)，或更进一步的，回归预测出当前的致密化程度等关键性能指标。(3) 闭环控制：当CNN识别出“边缘区域出现轻微过烧”的特征时，系统会立即将此信号与物联网传感器采集的实时温度、压力数据融合，通过一个预设的控制算法(如PID控制器或更高级的强化学习控制器)，自动微调窑炉的加热功率或气氛压力，实现对工艺参数的动态纠偏，确保烧结质量，这使学生从繁琐、被动的设备看守中解放出来，将注意力集中在理解“工艺参数如何实时影响产品宏观/微观结构”这一核心工程原理上，实现了从“操作工”到“工艺分析师”的角色转变[25]。实验后，AI连接自动化表征设备(如XRD、SEM)快速生成烧结质量评估报告，如晶粒尺寸、相纯度等性能指标。系统利用强化学习(RL)算法，将本次实验的“状态”(初始参数)-“动作”(执行的工艺曲线)-“奖励”(最终性能)作为一个数据点进行学习，通过多次迭代，RL算法模型能够自主发现那些在传统经验范围之外的可能更优的工艺路径，为下一轮实验提供更智能的起点[26]。该技术通过多模态数据融合与自主决策，将传统经验性操作转化为精准可控的科学实验，显著提升了学生对材料“成分–工艺–性能”关系的理解效率，它构建了一个“设计–执行–学习”的完整科学探究循环，培养了学生基于数据进行持续优化和创新的现代工程思维。

3.3. 评价创新与成果

OBE理念的核心在于所有教学活动和资源配置都围绕学生最终达成的学习成果来组织。上述AI技术(人机协同教学)的应用正是OBE理念落地的典范[27] [28]。首先，AI技术能“明确学习成果”，传统实验的学习成果可能模糊为“完成烧结操作”，而本体系通过技术手段，将成果具体化为：能利用AI工具设计优化工艺方案(对应GAN应用)、能解读实时数据并理解参数对质量的动态影响(对应CNN应用)、能基于表征结果进行迭代优化(对应RL应用)，这些成果是可观察、可测量的。其次，AI技术能“实现学习成果”，AI技术创设了达成这些成果的条件，虚拟仿真与GAN确保了学生在零物理风险和经济成本下进行方案设计尝试(对应“环境赋能”)；CNN与物联网提供了传统课堂无法实现的、对微观过程的宏观实时洞察(对应“认知赋能”)；AI助教与数据分析则能为每位学生提供基于其自身操作数据的个性化反馈报告(对应“规模赋能”)。再者，AI技术能“评估学习成果”，评估方式从单一的样品好坏结果验收，转变为全过程、多维度的精准评估。系统自动记录并评估学生在虚拟设计中的合理性、在实时调控中的响应策略、以及最终实验报告的数据解读深度，从而对学生的工程实践能力、创新思维和数据分析能力给出更客观、全面的评价。最后，AI技术能“利用评估结果持续改进”，不仅学生在进行“设计–执行–学习”的闭环，教学本身也进入了闭环。平台汇聚的全流程数据，能帮助教师发现教学中的普遍难点，例如多数学生在哪个参数调整点上决策失误，从而有针对性地优化课程内容和指导策略，实现教学质量的螺旋式上升。上述模式通过将CNN、GAN、RL等AI技术深度融入实验教学的每一个环节，不仅提升了实验的精度与效率，更重要的是，它为实现OBE理念所倡导的“成果导向、学生中心、持续改进”提供了坚实的技术路径与方法论支持，有力地推动了工科实验教学从经验传承向数据驱动的现代范式转型。从结果量化到过程诊断，通过多维度数据分析实现精准评价，合并效应值又称效应量，根据Cohen [29]提出的标准，0.2为小的效应值，0.5为中的效应值，0.8为大的效应值。合并效应值越大，表示效应越强，也就是影响越显著。陈学者研究表明，采用元分析方法，对国内外43篇实验和准实验研究文献进行分析，发现人机协同教学对学习效果具有中等正向影响(合并效应值为0.624)，并且对能力层面的影响更为显著[30]。钱学者同样采用元分析方法，对2024年6月前有关生成式人工智能影响学生学习效果的39篇实验和准实验研究文献(60个效应量)进行了系统梳理与元分析，结果表明，其对学生学习效果具有中等偏大的积极影响(合并效应值为0.623) [31]。

4. 教师培训与实施保障

成功应用AI技术需同步提升教师数字素养，建立系统性保障机制。首要任务是构建分层培训体系，基础层聚焦平台操作与数据解读，确保教师熟练使用智能教学工具，设计层培养课程知识图谱构建与AI任务引擎设计能力，支持个性化学习路径开发，创新层引入智能体(Agent)开发技术，推动教学模式的根本性创新[32]。同时，需建立校本实践社群，例如通过跨学科虚拟教研室，促进教师协作开发智能实验题库、共享AI助教使用经验，形成“培训–实践–迭代”的闭环，最终实现人机协同教学模式的常态化落地[33] [34]。

5. 挑战与局限性

首先，教师转型难度大。教师需从传统角色转变为课程设计师与技术应用者，不仅要掌握复杂平台操作，还需理解知识图谱、AI助教与数据分析。这带来了显著的知识更新压力与教学惯性阻力。其次，成本门槛高昂。平台的初期开发与后期维护、内容更新均需持续投入大量资金与技术力量，对普通院校构成沉重财务负担，可能加剧教育资源不均。再者，学科适配性挑战显著。模式在工艺类实验中效果较好，但对于依赖精密手感(如机械装配)或复杂微观过程(如化学反应)的实验，其仿真效果和实用性会大打折扣，难以普适。最后，虚实关系难以平衡。过度依赖虚拟操作可能削弱学生应对真实设备故障、培养动手能力的机会，存在使实验教学沦为“闯关游戏”、背离工程教育实干初衷的风险。综上，该模式的推广是一场系统性工程，其成功依赖于跨越资金、师资、课程设计等多重障碍，方能避免成为空中楼阁[35]-[37]。

6. 结论

本研究概述了人工智能赋能实验课程的教学改革的思路和方向，技术赋能教育的本质是回归“人的发展”，超星AI技术生态为材料实验教学提供了工具支撑，以“学生为中心、数据为驱动、能力为导向”，强调通过技术融合实现三个维度的系统性赋能，“三维赋能”模型的核心价值在于以下三点，环境赋能、认知赋能和规模赋能。环境赋能是安全与成本维度，坚持“能实不虚，以虚补实、以虚强实”原则，利用虚拟仿真与数字孪生技术，构建覆盖“高危、高成本、高复杂度”场景的教学环境，其核心价值并非替代真实操作，而是为学生提供无风险的试错空间与深度探究的可能。认知赋能是认知与思维维度，通过知识图谱揭示复杂工艺的内在逻辑，利用知识图谱与生成式AI，将隐性的专家经验与工艺逻辑显性化、结构化。教学设计的核心从“技能传授”转向“思维显影”，帮助学生构建起关于“成分–工艺–结构–性能”等核心工程概念的深层认知框架。规模赋能是指导与评估维度，依托AI助教与学习分析技术，实现个性化指导的规模化，将教师从重复性劳动中解放，转向更具创造性的启发、引导与人文关怀，形成“人机协同、优势互补”的教学新范式。

未来需进一步探索生成式AI在创新实验设计中的应用，推动学生从“操作执行者”向“工艺设计者”跃迁，真正实现人工智能与材料教育的共生进化，在“三维赋能”模型中，如何建立一套可量化的评估体系，以精确衡量各维度的赋能效果及其对学生不同层次能力(如知识迁移、创新设计)的真实影响；生成式AI在辅助学生进行创新实验设计时，如何有效规避其可能产生的“算法依赖”或“思维固化”，并设计提问方式与教学流程以真正激发而非替代学生的批判性思维与原创性[38]；当AI承担了更多知识传递与技能训练职能后，教师角色将如何实现本质性转型，未来的教师培训模型应包含哪些核心能力模块，以胜任在高度智能化的环境中培养学生解决复杂工程问题与实现创新的能力，以上问题和困难都值得进一步探究[39]。

基金项目

本论文得到了2023年湖北大学教学研究立项项目——“基于知识图谱的‘材料制备实验’新教学模式的探索与实践”的经费支持。