人工智能技术与大学计算机基础课程教学融合路径探索

摘要：当前，人工智能技术正以迅猛的速度发展，在众多行业的发展中扮演着越来越重要的角色。教育领域同样受到这股技术浪潮的冲击与影响。作为培育大学生计算机素养的重要课程，大学计算机基础课程在人工智能技术蓬勃发展的背景下，迎来了全新的发展契机，同时也不得不直面诸多的挑战。本文分析了人工智能技术在教育领域展现出的优势，当前大学计算机基础课程教学中存在的问题，重点阐述了人工智能技术与大学计算机基础课程教学融合的策略，希望能够对大学教育发展提供参考。

关键词：高校教育；人工智能技术；计算机基础课程；融合；路径

在数字化发展大背景下，人工智能技术已成为社会发展的核心驱动力之一。承担培育大学生信息技术素养与创新能力重任的大学计算机基础课程，面临着时代发展提出的新课题——如何与人工智能技术实现深度融合，更好满足当下教育需求。深入探究两者的融合策略，能够为提升课程教学质量、培育适应时代发展的创新型人才提供有力支撑，具有重要的现实价值。

课题名称：本科院校计算机类课程思政教学评价指标体系构建研究

课题编号：GJJG652

一、人工智能技术在教育领域展现出的优势

（一）提供个性化学习体验

人工智能系统通过对学生学习进度、兴趣偏好及风格的精准分析，构建个性化学习方案。借助学习数据分析，该系统可识别学生的知识优势与薄弱环节，进而推送适配的学习资料与习题。以智能辅导系统为例，其依据学生答题表现动态调整题目难度，既保障学生在适度挑战中成长，又规避因难度过大引发的学习挫败，显著提升学习效率与积极性，助力学生全面发展[1]。

（二）教学辅助工具的智能化升级

人工智能为教师打造了高效教学辅助工具。智能教学平台具备自动批改作业、试卷的功能，有效减轻了教师的工作负担，使其能将更多精力投入到学生个性化指导当中。同时，系统生成的详细学情报告，为教师呈现班级整体学习状况，便于教师及时发现教学问题并优化教学策略。在语言教学场景中，语音识别技术实时纠正学生发音偏差，提供即时反馈，显著提高语言学习成效。

（三）教育资源的拓展与优化

人工智能技术打破时间与空间壁垒，为大学计算机课程教学资源供给带来深刻变革。在线学习平台依托人工智能技术，汇聚全球顶尖高校的计算机专业课程，无论是前沿的机器学习理论，还是实用的软件开发实践教程，学生均可按需随时获取。智能推荐系统通过分析学生在数据结构、算法设计等课程中的学习表现与兴趣偏好，精准推送进阶的深度学习框架应用课程、开源代码库实践指南等资源。例如，系统能为Python编程基础扎实的学生推荐网络爬虫实战项目，或 TensorFlow神经网络开发教程，既满足个性化学习需求，又拓宽学生在计算机领域的知识视野，有效激发学习主动性与技术探索热情[2]。

（四）能够提升学习效果

在大学计算机课程教学中，人工智能与虚拟现实（VR）、增强现实（AR）技术的融合，为教学模式创新提供了新路径。在计算机硬件课程里，学生利用VR技术进入虚拟环境，可反复练习CPU安装、主板布线等操作，系统实时纠错并给予指导，突破硬件设备不足的限制。在编程教学环节，AR技术将代码逻辑可视化，学生编写Python程序时，通过AR设备能直观看到变量变化、函数执行效果。这种沉浸式学习模式，不仅激发了学生对计算机课程的学习兴趣，还提升了实践操作能力，从知识理解与技能应用层面实现了教学效果的显著提升。

二、当前大学计算机基础课程教学中存在的问题

（一）教学内容滞后社会发展

计算机技术迭代节奏加快，新软件、工具与技术持续推陈出新，然而大学计算机基础课程的教学内容更新却存在明显滞后。众多高校沿用的教材与教学内容，其技术水平仍停留在过去几年，难以契合当下实际应用需求。以办公软件操作教学为例，部分课程使用的教材版本较社会主流软件版本落后2～3年，致使学生在实际操作场景中面临诸多阻碍。此外，课程内容未能充分考量不同专业对计算机技能的差异化需求，与学生专业学习及未来职业发展的关联性不强，使得学生学习动力不足[3]。

（二）教学方法的单一性

“理论讲解 + 上机实验”的传统教学模式在大学计算机基础课程教学中占据主导地位。这种以教师为核心的教学模式虽有助于系统知识传授，但弊端显著。一方面，教学过程缺乏互动，形式枯燥，难以激发学生学习积极性；另一方面，教学方法单一，不利于培养学生的创新思维与实践能力。在部分课堂教学中，教师演示操作步骤后，学生仅进行被动模仿，缺乏自主思考与探索空间，便是该模式局限性的体现。

（三）考核评价体系不完善

当前，多数高校的大学计算机基础课程考核以期末考试为主要方式，考核重点偏向理论知识掌握情况，对学生实践能力与创新思维的考查有所欠缺。这种单一的考核方式无法全面、客观地评估学生的学习成效，也难以调动学生学习的兴趣与主动性。例如，部分学生虽能在期末考试中取得优异成绩，但在实际运用计算机解决问题时却表现欠佳，暴露了现有考核评价体系的片面性[4]。

三、人工智能技术与大学计算机基础课程教学融合的策略

（一）内容方面的融合路径

1.更新课程知识体系

大学计算机基础课程知识体系的更新，需将人工智能基础知识纳入教学内容。教学过程中，教师应系统讲解人工智能的基本概念、发展脉络及核心算法，如向学生阐释神经网络的运行机制，包括神经元构造、激活函数功能及网络训练流程。以图像识别领域为例，深入剖析卷积神经网络（CNN）通过卷积层、池化层与全连接层，实现图像中物体识别的具体过程，助力学生构建对人工智能技术的基础认知，为后续学习应用筑牢根基。

现实中，数据处理与分析能力是人工智能实践的关键，课程教学应强化这部分内容。教师可围绕数据生命周期展开教学，涵盖数据采集（如网络爬虫基础技术介绍）、数据清洗（重复数据剔除与缺失值处理）、数据存储（数据库选型及操作）及数据分析工具（Python中Pandas与 NumPy库的应用）。以学生成绩数据集为例，演示缺失成绩数据的均值填充、插值法修复等清洗操作，让学生在实际案例中掌握数据处理技巧，理解人工智能数据预处理环节的重要性。

2.人工智能案例教学的深度融合

在教学实践中，教师可借助日常办公软件案例，引导学生探索人工智能技术的应用。以Microsoft Word为切入点，展示智能语法检查与写作建议功能，组织学生实际操作体验，并剖析自然语言处理中的语法分析、语义理解算法在其中的应用，帮助学生建立人工智能与办公软件的关联，提升学习趣味性与实用性。

多媒体软件是展现人工智能应用的重要载体。教师可利用Adobe Photoshop 等工具，演示图像智能修复与风格转换功能。以存在划痕的老照片修复为例，操作智能修复工具去除瑕疵，并解读图像识别与生成算法的作用原理。在视频处理领域，介绍视频编辑软件中基于人工智能的内容分析（如人物、场景自动识别）与特效添加（如自动生成字幕）功能。通过多类型案例展示，学生能直观感受人工智能在多媒体领域的广泛应用，拓宽技术认知视野[5]。

（二）教学方法方面的融合路径

1.智能辅导系统的创新应用

人工智能驱动的智能辅导系统，能够依据学生的学习进度、知识掌握程度及个人学习习惯，为其定制专属学习路径。该系统通过分析学生在在线课程平台的学习行为数据，包括视频观看时长、习题完成正确率等，精准识别学生知识薄弱环节。对于编程基础掌握不足的学生，系统会推送针对性的编程练习资源与知识点讲解视频；而对已熟练掌握相关内容的学生，则提供进阶的小型人工智能项目实践任务，推动其学习进阶。

实时答疑是智能辅导系统的核心功能之一。当学生在学习过程中遭遇问题时，可随时向系统提问。系统运用自然语言处理技术解析问题，并结合学生知识背景生成解答。以Python 编程学习为例，若学生对函数定义存在疑问，系统不仅会详细阐释语法规则，还会提供实际代码案例辅助理解。此外，系统通过分析学生提问记录，梳理出共性问题，为教师优化教学内容与方法提供数据支撑。

2.VR/AR技术赋能教学体验

VR/AR 技术为计算机教学构建了全新实践场景。在计算机硬件组装与操作系统安装教学中，VR技术打破设备与场地限制，学生得以在虚拟环境中反复演练硬件组装流程。从CPU安装、内存插接至硬盘固定，虚拟系统实时监测操作并给予即时反馈。例如，当CPU安装方向错误时，系统立即发出错误提示，并展示正确安装步骤，强化学生实践操作能力[6]。

在编程教学领域，AR 技术带来增强现实编程体验。学生编写代码时，借助 AR 设备可直观查看代码运行的可视化效果。以Python编写的简易游戏程序为例，学生能够清晰观察变量变化、函数执行在游戏场景中的具体作用，如游戏角色移动轨迹、得分计算过程等。这种可视化呈现方式，助力学生深入理解代码逻辑，有效提升编程技能。

3.基于项目的协作式学习模式

教师可设计人工智能主题项目，组织学生分组开展协作学习。以构建基于机器学习的学生成绩预测系统项目为例，学生需综合运用数据收集整理、算法选型实现、结果分析展示等计算机基础知识。项目实施过程中，团队成员分工明确，涵盖数据收集员、算法工程师、结果分析师等角色，在协同作业中培养团队协作与知识整合能力。

项目推进期间，教师要发挥指导与监督作用。在算法选型阶段，教师依据项目特性与数据特征，引导学生选择适配算法，如线性回归或决策树算法。同时，定期检查项目进度，针对学生在数据处理异常值、算法优化等环节遇到的问题，及时提供解答与改进建议。通过完成项目，学生不仅深化对人工智能技术的理解，还显著提升实际问题解决能力[7]。

（三）教学评价方面的融合路径

1.多元化评价指标体系的构建

传统教学评价多以考试成绩衡量学生计算机基础知识掌握程度，而在人工智能与教育融合背景下，需拓展评价维度，着重考查学生知识应用能力。以人工智能算法考核为例，除要求学生阐释算法原理、步骤外，还需要学生将算法应用于实际分类或预测任务，并对结果进行分析解读，以此推动学生从知识记忆转向实践运用。

实践教学中，项目式学习评价聚焦学生创新与协作能力。对于学生在项目中提出的算法优化方案、独特设计思路等创新成果，可设置专项加分机制予以鼓励。团队协作能力评估则结合多方视角，通过团队成员互评与教师观察相结合的方式，从沟通协作、任务分配、协同解决问题等方面，综合评定学生在团队中的表现。

2.智能化评价工具的应用

人工智能驱动的自动评分系统，可实现编程作业、实验报告等学习成果的高效评分。针对编程作业，系统依据预设答案与评分标准，自动检测代码逻辑正确性、运行结果准确性及代码规范性，同时反馈详细错误提示与优化建议，助力学生提升编程水平。实验报告评分时，系统从结构完整性、内容准确性、数据分析合理性等维度进行量化评估，确保评分客观高效。

此外，智能化评价工具还具备学习过程分析功能。通过采集学生在学习平台的学习时长、访问频率、讨论参与度等数据，系统能够洞察学生学习态度与习惯。例如，若学生在人工智能算法学习阶段投入时长不足且互动较少，可能反映其学习存在困难或积极性欠佳。教师可依据此类分析结果，为学生提供个性化辅导与学习督促，优化教学指导策略。

四、结束语

人工智能技术与大学计算机基础课程的深度融合，是顺应时代发展的必然趋势。通过在教学内容、方法及评价环节探索融合路径，能够有效提升课程教学质量，激发学生学习热情，培养学生计算机素养与创新实践能力。未来需持续深化相关研究与实践，推动融合模式不断完善，为高等教育教学创新注入持久动力。

参考文献

[1]荆东星,陈杨晖.以学科交叉为基础的跨应用领域人工智能教学模式探索[J].湖南工业职业技术学院学报,2025,25(02):113-120.

[2]王凤芹,李瑛,张燕红.计算机基础课程数字化教学方案设计与实践[J].中国现代教育装备,2025,(07):33-35.

[3]朱丽.人工智能技术与大学计算机基础课程教学融合路径探索[J].大学教育,2024,(16):60-63.

[4]杨丹.人工智能技术在计算机文化基础课程教学中的应用[J].信息与电脑(理论版),2024,36(15):196-199.

[5]桂小林,何钦铭,王移芝,唐德凯.新一代信息技术赋能的大学计算机课程体系与内容改革[J].计算机教育,2022,(11):20-24.

[6]周围,许宏丽,王移芝,金一.智能·赋能：大学计算机基础实验教学研究与践行[J].计算机教育,2022,(04):65-69.

[7]刘凯,张立民,张兵强.基于人工智能的大学计算机基础综合实验设计[J].实验技术与管理,2020,37(04):196-200+237.