新工科背景下的“人工智能+课程”教学改革探索与实践——以《JavaScript程序设计》为例

摘要：在国家推进教育数字化转型及智慧教育体系构建的背景下，“人工智能+课程”教学改革成为破解传统教育困境的关键路径。针对前端开发课程存在的知识碎片化、教学低效化及创新实践不足等问题，本文提出AI驱动的教学体系重构的教学改革方案。通过建设知识图谱实现个性化学习路径导航，利用虚拟AI助教和智能编程助手打造实时反馈的互动课堂，借助AI技术开发分层项目案例库对接行业前沿需求。改革举措聚焦“智能+课程”、“智能+课堂”、“智能+资源”三维度，有效促进知识体系系统化构建、教学效率提升及创新实践能力培养。

关键词：课程融合；知识图谱；编程助手;

基金资助：；教育部产学合作协同育人项目“大思政体系下教育数字化赋能教学模式变革的研究和探索”（231107551220141）；济南大学“人工智能交叉”本科课程教研项目。

一、理论框架：人工智能+与课程的交叉融合

1、研究背景

当前，人工智能作为新一轮科技革命的核心驱动力，已被纳入国家战略体系。教育部通过《高等学校人工智能创新行动计划》推动高校构建“人工智能+X”复合专业，将学科交叉纳入“新工科”与“四新”建设核心框架。2023年教育部等三部门联合印发《关于深入推进学科交叉融合，培养拔尖创新人才的若干意见》，将学科交叉融合定位为高等教育改革的战略方向，要求高校“重构课程体系，强化人工智能与人文社科、工程技术等多领域协同育人”。

2025年教育部发布的《中国智慧教育白皮书》更是明确了教育数字化转型和智慧教育体系构建的战略路径，强调要充分发挥人工智能在教育理念更新、教学模式变革、教育治理现代化等方面的赋能作用。

在这一背景下，探索“人工智能+课程”的教学改革，既是落实国家战略与政策部署的必然要求，也是破解传统教育模式与智慧化、交叉化人才培养需求间矛盾的关键路径。

2、“人工智能+课程”的理解

“人工智能+课程”是一种将人工智能（AI）技术深度融入各类课程的设计、教学、学习和评价全过程的教育理念和实践模式。它不是指单一教授人工智能技术的课程（如机器学习、深度学习课程），而是指利用人工智能作为工具、内容或思维方式，来改造、赋能和提升传统学科或专业领域的教学。其核心在于利用AI技术提升教学效果、优化学习体验，并培养学生在数字化时代的创新能力和实践能力。

二、问题提出：传统前端课程教学的现实困境

随着Web3.0技术的快速发展，前端开发人才需求呈现“技术迭代快、能力复合化、实践强导向”的特征。然而传统教学模式面临三重困境：

1、知识体系碎片化，学习路径单一性

课程采用混合式教学模式，提高了有主动学习意愿学生的积极性，但部分学生仍存在学习“泛在化”与“碎片化”带来的效率低下及个性化缺失问题，这部分学生课前知识输入太少，课堂教学活动参与感不强，活跃度不高。前端课程知识模块琐碎繁杂且存在强关联性，半数学生认为“难以建立知识间的逻辑联系”，导致软件开发知识体系系统化构建困难，更是难以形成完整能力链条。

2、现行教学负重低效，反馈滞后纠错无门

教师负担繁重，教学效率受限。对于程序设计类课程而言，学生写了一大段代码之后蹦出来解决不了的bug或者理不清的逻辑错误，内心是非常崩溃的，程序卡在那里无法往下运行，就容易失去学习的热情。以前的编译环境或评判系统只能检测出你有错误、结果不对，但是为什么不对怎么修改它是没办法帮你分析的。尽管老师们勤于答疑，由于资源和时间的限制，教师难以提供实时反馈与个性化辅导。

3、案例脱离产业动态，评价空泛难指精进

 现有项目案例库更新速度落后于产业技术发展，未能充分反映前端技术在多领域（如后端、数据分析）的应用及前沿动态，与企业实际需求存在差距。学生成绩反馈仅包含分数与笼统评语，缺乏具体的改进建议，不利于其有针对性的精进提升。

当前人工智能技术的迅猛发展及其对各行各业产生的深远影响，将人工智能技术与课程进行交叉融合，与传统教学模式相比，在个性化教学、智能辅导、资源高效利用等方面都有着极大的必要性。

三、改革举措：AI驱动的教学体系重构

基于对上述问题的思考，课程组老师们在原有混合式教学模式基础上充分利用现代化信息技术，将人工智能与本课程进行交叉融合，开展了一系列改革探索。以“唤醒-赋能-成长-成才”的教学理念促进学生的全面发展。

在课程内容上进行结构优化，重构个性化“智能+课程”，同时，打造高效“智能+课堂”，建设前沿“智能+资源”。

重构个性化“智能+课程”：知识图谱导航，学习路径优化

依托在线平台（智慧树/学银在线）六年数字化资源的积累，本课程构建动态知识图谱实现了课程体系可视化。将碎片化知识点系统化，形成清晰的学习网络。学生可依图自主选择学习路径并深入探究。平台通过收集学生学习行为数据形成个体画像

，当学生出现知识薄弱点，系统自动推送微课及习题组合包，形成个性化学习路径。

创新点：构建动态知识图谱，将课程知识点体系化、可视化，支持学生自主选择学习路径，结合AI分析学情数据生成个性化学习推荐。

实施方案：

（1）梳理知识点

使用工具：利用XMind思维导图工具，或DeepSeek、文心一言等。

操作示例：将课程大纲输入AIGC工具，利用它们的文档分析功能，自动提取课程章节核心概念与关联，生成各个章节的知识点关联图。也可以使用XMind思维导图工具梳理课程知识点。

（2）动态更新与可视化

使用工具：超星等在线课堂平台的知识图谱功能。

操作示例：在超星平台上传课程资源（PPT、视频），设置视频切片并匹配知识点、题库、教学资源，生成可交互知识图谱。

（3）学情数据采集

通过平台记录学生预习、测试、作业数据，超星平台可自动给出相关学情数据分析。

（4）学习路径生成

若某学生知识点未掌握，平台推送相关微课视频、练习题。

2、打造高效“智能+课堂”：虚拟AI助教，智能编程助手

线上课程嵌入了AI助教，学生可以随时与助教对话，给予课程相关知识点的解答。教师团队建设知识问答库，将学生们提问率较高的问题整理后纳入问答库，提高AI助教的准确度。课程组也建设了自己的课程智能体，成为学生们的随身AI学伴。

在编码环境中加入AI智能编程插件，可以帮助学生分析代码，提供纠错、补全、解释等支持。同时培养了学生编写高质量的代码、进行代码审查和测试等职业素养。

创新点：

嵌入AI助教（如问答库、智能体）实现实时答疑，缓解教师负担。集成智能编程插件（如代码纠错、补全、解释），辅助学生调试代码，培养代码审查与优化能力。

实施方案：

（1）搭建AI问答系统

学生在超星平台通过AI助手进行提问，收集学生历史提问（如“什么是闭包？”），整理成结构化问答对，并导入到超星的问答库，如果再有学生提问“闭包是什么？”，AI自动返回问答库中该问题的回答，如果没有对应问答，会提供大模型搜索答案。

（2）集成智能编程插件

步骤1：选择开发环境

推荐工具：VSCode+Comate编程插件（或其他AI编码插件）。

步骤2：代码辅助教学

场景示例：学生编写登录验证功能时，根据提示词，插件自动补全代码框架，或者给出有错误的代码，编码插件帮你修正错误。

教师引导：要求学生提交代码时附上AI优化建议截图（如“箭头函数替代function提升可读性”），对比人工与AI反馈差异。

3、建设前沿“智能+资源”：AI驱动的分层项目设计、迭代案例库

借助AI分析JavaScript市场需求与技术趋势，确保项目案例紧密对接行业。AI工具用于快速生成符合教学目标、贴合学生兴趣的分层（基础必做、拓展挑战）项目。这些案例不仅检验知识掌握，更鼓励学生运用AI编码工具探索新技术，全面提升编程、创新思维及对最佳实践的理解。

创新点：利用AI分析行业需求生成分层项目案例（基础→拓展→创新），融入新技术。借助AI工具（如文心一言、即梦、天工）自动生成项目素材（文档、图片、音视频等多媒体资源），提升项目设计效率。

实施方案：

（1）AI驱动的市场需求智能分析与项目主题初定

工具： 使用DeepSeek等AI模型

Prompt示例： 上传某章节课程PPT，使用DeepSeek输入提示：“根据PPT中的知识点，生成五个与生活情境应用相关的实践项目，要求能覆盖所涉及的知识点，又要有创新和拓展”。后续可根据实际要求多次迭代细化。

输出结果： 初步筛选出如“在线协作工具”、“健康生活密码”、”轻量级电商应用”等贴合市场需求的项目主题。

（2）分层项目案例的AI智能设计与拆解

工具： DeepSeek、文心一言。

任务： 针对步骤1确定的项目主题（例如：“多用户实时协作白板”），AI将自动进行功能拆解和难度分层。

Prompt示例： “请为‘多用户实时协作白板’项目设计一个分层教学方案。基础版要求仅包含单用户DOM操作绘图；进阶版需集成LocalStorage实现历史记录和画布保存；挑战版需实现WebSockets实时协作、用户管理、以及支持自定义图层。为每层明确核心技术点、预期学习目标和推荐实现方案。”

输出结果：

基础必做层： 单页面JSDOM操作绘图，涵盖事件监听、CanvasAPI基础、坐标变换。

拓展挑战层： 引入LocalStorage实现数据持久化、撤销/重做功能，提升数据管理能力。

综合创新层： 引入简单后端Node.js服务器实现基础用户认证，探索集成AI生成内容（如AI辅助绘图）或第三方API。

（3）AI驱动的项目素材与文档生成

工具：文心一言（或DeepSeek）用于文档生成；即梦等文生图工具用于图片素材生成；天工等文生音工具用于音乐素材；讯飞智作等视频生成工具用于操作演示视频。

任务：针对每个分层项目，自动化生成配套的学习资源包。

设计合理“智能+评价”：智能评估与反馈系统

使用AIGC工具开发了智能评分智能体，能够自动评估学生代码的质量并提供改进建议。通过AI分析学生作品，积累优秀案例库和技术库，形成教学资源闭环。智能评估与反馈系统的引入，使学生能够及时了解自己的学习情况，有针对性地进行改进和提高。

创新点：

开发智能评分工具（如项目评分智能体），自动评估代码质量并提供改进建议。

通过AI分析学生作品，积累优秀作品库和技术库，形成教学资源闭环。

实施方案：

（1）代码自动评分

步骤1：评分规则配置

使用DeepSeek定义评估维度（如语法正确性、代码规范、功能完整性），生成评分规则模板。

步骤2：批量评估与反馈

工具推荐：通过AIGC建立智能体，输入学生代码，输出评分报告。

（2）教学资源闭环管理

步骤1：积累优秀作品

要求学生将AI优化后的代码+录屏讲解上传至平台。

步骤2：动态更新资源库

使用Kimi等工具分析学生高频错误，生成“常见问题解析”视频，纳入技术库。

四、效果反馈

1、学生学习成效显著提升，学生满意度与参与度大幅提高

通过该教学案例的实施，学生的学习成效得到了显著提升，人工智能与课程的交叉融合满意度非常高。根据课后问卷调查和知识图谱学情分析，学生对JavaScript编程的掌握程度和理解深度明显增强。学生普遍认为，通过知识图谱导航和个性化学习路径的引导，他们能够更加清晰地了解学习目标和内容，学习更加有针对性和高效。同时，AI编程助手和虚拟AI助教以及智能体的引入使得学习过程中的互动性和趣味性增强，学生在代码编写、调试和优化方面的能力有了显著提升，编写高质量代码的能力得到加强。

2、教师教学效率与教学质量双提升

改革后的教学模式借助AI工具减轻了教师的教学负担，提高了教学效率，教师能够更快速地解答学生的疑问，提供个性化的辅导。同时，项目评估智能体的引入使得教师能够对学生的作品进行快速而准确的评分，并提供详细的反馈意见，有助于学生有针对性地改进和提高。

3、创新能力与团队协作能力得到培养

通过重构“三库”（技术库、作品库、项目库）和设计分层分级项目，学生的创新实践能力得到了有效培养。此外，在项目完成过程中，学生需要分工合作、共同完成任务，这有助于提高他们的团队协作精神和沟通能力。

五、结论

本研究围绕“人工智能+课程”的交叉融合，针对传统前端开发课程存在的知识碎片化、教学低效及创新能力不足等问题，提出AI赋能的系统性教学改革方案。通过构建知识图谱优化学习路径、引入虚拟AI助教和智能编程工具提升课堂效率，并借助AI动态生成分层项目案例库，实现教学精准化和个性化。实践表明，该模式有效提升了学生的技术应用能力、学习自主性及职业竞争力，为教育数字化转型提供了一定实践经验。

参考文献

[1]王春梅,王曙燕.“人工智能+教育”背景下的程序设计类课程教学改革[J/OL].软件导刊,1-8[2025-06-10].

[2]白杨,周益民,石磊,等.大学“人工智能+密码学”交叉学科教学改革[J].计算机教育,2025,(06):146-151.

[3]边小勇,盛玉霞,王薇,等.“人工智能+”导向的计算机语言类课程教学创新培养——以Web前端开发课程为例[J].计算机教育,2024,(12):65-69.

[4]陈圣楠,陈智勤,范新民,等.生成式人工智能驱动软件工程实践课程中的代码重构教学[J].计算机教育,2025,(06):213-217.

[5]许哲,许祥云.生成式人工智能对高校教师教学创新行为的双刃效应——效能感-压力与认知重构的作用[J/OL].高校教育管理,1-14[2025-06-11].

[6]许锋华,胡先锦.人工智能技术赋能个性化学习:意蕴、机制与路径[J].广西师范大学学报(哲学社会科学版),2023,59(4):68-79.

第一作者简介：段春笋，女，硕士，研究方向为Web前端、数据分析。