大一新生到底期待什么样的人工智能通识课：从学情调研反推课程设计

一门面向全体新生的AI通识课要教什么，最有发言权的其实是学生自己。但学生的表达需要被正确解读，否则容易导向"迎合偏好"的误区。

需求很强烈，基础却很薄：课程设计的起点矛盾

面向全体新生开设人工智能通识课，最先遇到的不是资源问题，而是判断问题：这批学生的知识起点在哪里，他们对课程的期待是什么，不同专业、不同生源地的学生差异有多大。这些判断若不落实，课程设计很容易变成教师的一厢情愿。

一项覆盖综合型大学七个学部、901名大一新生的问卷调查与访谈，提供了一个可供参照的样本。调研结果中最值得注意的，是一组互相矛盾的数据。一方面，超九成新生认为学习人工智能知识对个人发展和专业学习有必要，从个人兴趣角度判断有必要的比例为94.90%，从所在专业角度判断有必要的比例为95.12%，仅有不到2%的学生认为没有必要；另一方面，近九成新生尚未系统接触过人工智能知识，掌握基础理论、中学信息技术课程相关内容或人工智能编程技术的学生仅占12.99%。此外，超过半数（53.83%）的新生具备一定编程基础，但整体技术基础仍偏薄弱；在使用过AI工具的学生中，应用场景按频次依次为课程学习、日常生活、科研活动与升学求职，使用范围基本集中在内容生成类工具。

这组矛盾对课程设计提出了明确要求：课程要接住学生的高期待，又不能假设他们已有基础。 如果课程从原理推导讲起，学生会觉得抽象遥远，与自己的使用经验接不上；如果课程直接进入项目实践，基础薄弱的学生又会因为缺乏必要概念而无从下手。合适的切入点是把学生已有的工具使用经验作为起点，先回应"怎么用得更好"，再逐步解释"为什么这样用"，让认知建构发生在需求被唤醒之后。

学情差异的三条线索：专业、生源地与素养结构

把学生视为同质群体，是通识课设计中最常见的偏差。调研数据显示，差异至少在三个维度上同时存在。

① 专业差异体现在能力倾向与需求侧重上。 从编程基础看，不同专业领域的学生存在显著差异，但需要强调的是，各专业学生的编程基础整体上都偏薄弱，差异是相对的而非绝对的。在知识需求上，差异更为明显：理学部与信息学部学生在"掌握编程和算法等技术技能"上的需求得分较高，人文学部学生该项得分最低；反过来，医药学部与农业生命环境学部学生在"解决跨学科问题"上的需求突出，人文学部与医药学部学生对"帮助未来职业发展"的期待更强。这说明同一门通识课在不同专业中的价值落点并不相同——对理工类学生是技术能力延伸，对人文社科学生则更接近职业工具与跨领域视野。

② 生源地差异带来基础起点的不同。 调研显示，不同来源区域的学生在编程基础和对人工智能知识的了解程度上均存在显著差异。这一现象与各区域中小学信息科技教育的开展情况有关：部分沿海地区学生在中学阶段已接触编程或初步的人工智能概念，而中西部及部分农村地区的信息科技教育起步较晚，相关基础相对薄弱。对高职院校而言，这一差异尤其需要重视，因为高职生源结构更为多元，同一班级内学生的基础跨度可能比研究型大学更大。

③ 素养结构呈现"伦理认识强、体系知识弱"的特征。 调研从体系化知识、构建式能力、创造性价值、人本型伦理四个维度考察学生的人工智能素养，结果显示学生在伦理关系认识上得分最高，在熟练使用人工智能工具方面次之，而在体系化知识的掌握上得分最低。这一结构对课程内容的排序有直接启发：学生的价值判断未必落后，但知识框架尚未建立，课程的重点应当放在把零散的使用经验系统化，而不是从零开始进行价值观灌输。

下表把三条线索对应的课程设计启示集中呈现，便于教研组在制定方案时逐项对照。

学生想要的课程形式，与教师习惯的课程形式不一致

从学情到课程方案的转换并非一步到位，下图呈现了这一路径的三个关键环节，其中学情调研既是起点，也是后续每一轮课程调整的依据。

```mermaid
graph LR
A["学情摸底\n基础、需求、素养结构"] --> B["目标转换\n把期待转为能力目标"]
B --> C["课程设计\n形式、内容、评价"]
C --> D["课堂实施\n实验操作与概念嵌入"]
D --> E["反馈收集\n学生表现与意见"]
E --> A

```

调研中最具操作价值的部分，是学生对课程形式的偏好数据。在课程内容呈现形式上，近半数学生（48.84%）偏好实验操作，选择理论讲解的占20.64%，科普讲座占17.20%，而案例分析（9.10%）与小组讨论（3.55%）的受欢迎程度明显偏低。在期待掌握的知识能力上，学生集中在工具使用（38.4%）、模型构建（30.41%）和算法编程（22.31%）三方面，对数据处理等内容的需求较低。

这组数据需要被谨慎解读。学生对实验操作的偏好，与其知识基础的薄弱形成了结构性矛盾——学生想动手，但动手需要的概念与技能准备恰恰是他们最欠缺的部分。直接按偏好安排大量实验环节，很可能出现学生"跟着步骤做完了，却说不清做了什么"的情况。可行的处理方式是把实验操作作为课程的主要组织形式，但每个实验环节都嵌入明确的概念目标，让学生在操作中建立理解，而不是把操作与原理分成两段各自讲授。

小组讨论与案例分析受欢迎程度偏低，同样不宜简单理解为学生排斥协作与分析，更可能反映的是学生在缺乏基础时对这两类活动的预期不确定。把讨论与分析设计成有明确产出、有明确角色分工的任务，例如围绕一个具体场景的AI方案做评估并给出结论，学生的接受度往往会明显提高。

评价方式怎么改：让考核与能力目标对应

课程形式一改，评价方式若不同步调整，改革效果会大打折扣。既然课程重心落在工具使用与问题解决上，期末一次笔试就很难准确反映学习成果。更合理的做法是把考核分散到教学过程，并让各部分对应明确的能力目标：基础概念通过对阶段性小测检验，工具操作通过在课实训任务检验，综合能力通过项目成果检验，协作与表达通过成果汇报检验。

允许学生在课程中使用AI工具的同时，评价规则必须同步明确。 哪些环节允许调用AI、调用后需要说明什么、哪些结论必须给出自己的依据，这些规则应当在课程开始时向学生讲清并纳入评分。把规则前置，既能减少后续争议，也能让学生把注意力放在"如何用得好"而不是"如何用得隐蔽"上。

对于高职院校而言，还有一个现实约束需要考虑：课时通常比本科更紧。这意味着评价环节不宜过于繁琐，用三到四个环节覆盖核心能力即可，关键不在于考核次数多，而在于每个环节都能提供可用于改进教学的信息。

从调研到课程：师资、资源与校企协同的落点

学情调研的价值最终体现在课程能否落地。调研提出的几项建议方向，对高职院校同样适用，但落地方式需要结合自身条件调整。

师资方面，跨学科协作是绕不开的选择。 计算机类教师熟悉技术原理与开发实践，但未必了解财经、艺术、医药等专业场景；专业教师了解本领域问题，但技术应用经验有限。可行的组织方式是组建跨专业教研团队，由技术教师负责原理与工具部分，专业教师负责设计与本专业相关的应用案例，共同形成案例集。降低协作成本的关键在于提供统一的教学模板与资源规范，让非技术背景的教师也能较快上手，这一点在教师培训中往往比技术讲解更重要。

资源方面，需要建立可持续更新的机制。 人工智能工具迭代快，案例与数据如果长期不更新，课程很快会与现实脱节。教研组可以约定每学期做一次内容巡检，替换失效工具、补充新案例，把资源维护变成常规任务而非临时项目。

实践环境方面，是多数院校最需要外部支撑的环节。 从调研结果看，学生对实验操作的强烈偏好，意味着课程必须提供充足的动手机会，这对实验环境的种类与数量都提出了要求。面向零基础学生、以工具应用为主的课程，需要的是上手门槛低、即开即用的实验环境——实战云围绕高职文科专业形成的AI通识课程解决方案即采用这一思路，以零基础友好、低代码、专业融合为原则，提供"课程资源＋师资培训＋AI实验平台＋评价工具"的一体化交付，配套AIGC工作台、提示词模板库与AI课程智能体，覆盖财经商贸、文化艺术、新闻传播、教育体育、公安司法、旅游等专业大类。对资源积累有限的院校而言，这类方案的价值主要在于把课程启动期需要的基础资源与环境一次性备齐，让教师可以把精力集中在专业融合案例的设计上，而不是从零搭建工具链。需要明确的是，方案提供的是起点，课程质量仍然取决于教研组对本校学情与专业需求的判断。

从调研结果看，新生对人工智能通识课的期待是真实且强烈的，他们缺的不是意愿，而是被理解的起点和可执行的路径。课程设计者需要做的，是把这种期待转换成具体的能力目标、与之匹配的课程形式和能够反映真实水平的评价方式。当学生在一门课结束后能说清楚自己掌握了哪些工具、解决了哪类问题、在哪些判断上有了依据，这门通识课就完成了它最核心的任务。 对于正在规划AI通识课程的高职院校来说，把自己的新生也用一次摸底调研问清楚，或许比直接参照任何现成的课程方案都更值得先做。