能力框架指导下的计算机基础课程改革：内容怎么改，评价怎么定

计算机基础课是多数高职学生接触人工智能的第一门课。这门课改得好不好，直接决定学生对AI的第一印象是"会用"还是"怕学"。

一门最难改的课：学生基础差异大，内容深浅都不好界定

几乎所有高职院校都开设计算机基础类课程，它通常排在新生第一学期，覆盖全部专业。这门课的地位特殊——它是学生进入大学后接触的第一门信息技术类课程，也是很多学生第一次系统性接触人工智能概念的地方。 正因如此，它承担的任务远不只是教会学生使用办公软件。

但这门课的改革难度同样突出，原因集中在授课对象上。面向的多数是非计算机类专业的大一新生，计算机水平参差不齐，相当一部分学生的操作能力停留在日常应用的层面，对相对专业的理论和技术掌握有限，围绕人工智能开展理论和实践教学的条件并不充分。与此同时，作为一门基础课，课程在融入AI内容时还要同时满足两个约束：既要有实际效果，不能空泛地谈概念；又不能过于艰深，否则学生理解不了，还容易对后续深入学习产生畏难情绪。

这就形成一个典型的困境。如果把人工智能简化为科普讲座，学生听完没有留下什么，课程目标无法达成；如果按专业课程的方式讲算法和大模型原理，多数学生跟不上，课堂效果反而更差。在"太浅"和"太深"之间，需要一条明确的标准线来判断内容该讲到什么程度、评价该考核什么。 这类标准不能靠任课教师各自把握，否则同一门课在不同班级之间会出现明显落差。

一条可行的思路是引入权威的能力框架作为标尺。联合国教科文组织在2024年推出的《面向学生的人工智能能力框架》，正是针对"AI时代学生应该学什么、教师应该如何教"这两个问题给出的参考标准。它把人工智能能力划分为知识、技能和价值观三个方面，并提出五项关键原则和四项核心能力，为课程改革提供了可对照的依据。 用框架而非经验来划定内容边界，好处在于标准是外部的、可检验的，教研组讨论时有共同的参照物。

五项原则：内容取舍的判断依据

框架提出的五项关键原则，可以直接转化为课程内容设计的判断标准。它们并不抽象，每一条都对应着具体的课堂做法。

① 培养对人工智能的批判性方法。 这条原则指向的是内容组织方式，而非内容本身。课程需要加入人工智能的基本概念和知识，但重复性、陈述性的讲授难以调动学生积极性，更谈不上培养批判性思维。更有效的做法是把概念讲成可讨论的对象：不直接给出人工智能的标准定义，而是提供若干不同的定义让学生讨论其异同优劣，在教师引导下整理形成共识；对图灵测试这类学生熟悉的概念提出质疑，讨论它是否合理、是否完备，进而引出当前人工智能的测试如何实现、标准如何制定等问题。围绕同样的基本概念，学生在讨论和质疑中获得的体验与被动听讲差别很大，参与度和主动性通常明显更高。

② 优先考虑以人为本的人工智能互动。 课程包含实践环节，人工智能工具的应用必不可少。无论是AI助教的使用还是生成式工具的运用，都需要给学生充分的指引，重点在于帮助他们认识到自己是人工智能的参与者、创造者，而不是依赖者。一个很有价值的实践设计是：先鼓励学生在课程中借助AI助教辅助学习，教师通过后台记录和学生反馈会发现，不少学生因为不会提问而得不到想要的结果，据此指导学生提升提问质量；当学生掌握了初步的提问方法后，又会发现即便提问没问题，仍然存在AI回答不正确的情况——这些失败案例本身就是很好的教学素材。教师把这些问题收集起来，将正确答案补充给AI助教学习后，学生会发现此类问题能够被正确回答。通过这样的切身体验，学生既直观理解了当前大语言模型的局限，也了解了解决思路，同时真切感受到人在AI应用中发挥的作用。

③ 鼓励环境可持续的人工智能。 这条原则容易被忽视，但对课程内容更新有直接提示作用：内容不能只停留在基本概念上，当前受到关注的技术方向也应当同步引入，例如大模型相关内容。考虑到课程定位，技术细节不宜深入讲解，但可以按照学生的基础，在难度高于日常科普介绍的同时，借助流程图和熟悉的概念增加可理解的细节。具体做法上，可以围绕一些开放性问题组织课堂讨论，例如模型复杂度提升是否必然带来智能水平的提升，在此基础上给出具体数据——全球云计算市场在未来数年预计保持较高增速，这直接推动了算力资源需求，进而增加了能源消耗，而算力设备的能耗又导致温室气体排放增加，对环境造成压力。这类讨论让学生看到技术应用背后的环境代价，对未来可能从事相关工作的人来说，这种视野比记住技术参数更有价值。

④ 促进包容性的人工智能能力发展。 坚持学以致用、重视学生的个性化选择。课程中会使用各类数智教学与辅助学习工具，如果只是把工具推送给学生、让其漫无目的地使用，就失去了教师的指导价值，学生也很难掌握这些工具在日常生活需要之外的功能。可行的做法是重新规划课程的实践任务，在任务书中明确不同环节使用某个工具的具体功能，并鼓励学生分享使用效果较好的实例，这样教师能够考察其掌握程度。同时应当保留选择空间——调研发现相当比例的学生已经有自己熟悉的AI工具，因此在布置任务时提供两种以上的工具供选择使用，尊重学生的个性与偏好差异，实践课后的讨论中往往能看到不同工具带来的多样化发现。有教师在讨论中遇到过学生提出设计帮助听障人士的AI工具设想，这类反馈正说明包容性设计能够激发学生的主动性。

⑤ 建立终身学习的人工智能核心能力。 对多数学生而言，计算机基础课是他们接触人工智能的第一门课，也是唯一一门系统讲授AI的课程。因此课程既要让学生了解基本知识，更要让学生具备继续学习的能力。一个有效的方法是结合专业方向做定制化案例设计：通过集体备课梳理不同专业中人工智能的相关应用，在不同专业的课程讲授中融入与专业相关的应用介绍。例如面向物流类专业，可以重点介绍人工智能在物流优化、需求预测、沟通协作和自动化等方面的应用；面向财会类专业，则可以突出AI在数据整理、数据分析和风险管理等环节带来的变化。让学生感受到人工智能与自己专业之间无处不在的关联，这种关联感是持续学习最直接的动力来源。

下表把五项原则与对应的课堂做法集中呈现，便于教研组在制定课程方案时逐项对照。

四项能力：评价方案怎么设计

内容改完之后，评价方式如果不同步调整，改革效果很难体现。能力框架给出的四项核心能力——以人为本的思维方式、人工智能伦理、人工智能技术和应用、人工智能系统设计——可以直接作为课程的达成目标，并据此设计评价方式。

由于课程还要承担其他能力的考核，可以把人工智能相关能力的评价单独作为一个模块来处理。一种做法是设定该模块满分，针对不同的能力及对应的进展水平，设置相应的考核方式和评分比例。四项能力的权重分配需要体现课程定位：以人为本的思维方式和人工智能伦理属于基础能力，技术应用能力是课程重点，系统设计能力则属于高阶要求。 具体设计上，两项基础能力的评价以客观题保证基本观点的掌握，以讨论任务的完成情况作为主要考核方式，比重最大，重在突出参与度、独立思考和表达能力，课后思考题作为选做任务给予适度评分，鼓励学生进一步探索；技术应用能力与学生个人的实践任务完成情况结合，考虑到应用与创造的工作量较大，实践环节设计为小组任务并加入自评，在成果展示环节加入学生互评；系统设计能力面向课程竞赛及相关竞赛，学生可以设计、应用或实现不同类型的应用，以个人或团队形式参与评比。为了体现包容性，也可以允许学生选择其他相关竞赛作为替代考核方式，提供证明材料经审核后给予相应评分。

评价方案的参考设计

下面给出一份可以直接参照的评价方案设计思路。方案的关键不在于数值本身，而在于每一项权重背后都对应着明确的教学意图——权重高的部分，是课程最希望学生掌握的能力；设置了但权重低的部分，是希望学生有所接触、为后续学习留出接口。

方案中有一处设计值得特别说明：允许学生用其他相关竞赛替代课程竞赛作为系统设计能力的考核方式。 这一安排体现了包容性原则，照顾了不同专业学生的参赛资源差异——有的专业有对应的行业赛事，有的专业没有。提供替代路径并辅以材料审核，既保证了考核的有效性，也避免了对特定专业学生的实际不利。类似的灵活安排在其他能力项上也可以适度采用，但需要设定清晰的审核标准，否则灵活性会变成标准松弛，反而损害评价的公信力。

下图呈现了课程改革的整体推进逻辑，从外部框架到落地环节形成一条完整的链条，其中评价方案与内容设计是同步确定的，而不是内容全部改完之后再考虑。

```mermaid
graph TD
A["《面向学生的人工智能能力框架》"] --> B["五项关键原则\n内容取舍依据"]
A --> C["四项核心能力\n课程达成目标"]
B --> D["课程内容设计\n概念讨论、工具实践、专业结合"]
C --> E["评价方案设计\n分能力设定考核方式与占比"]
D --> F["课程实施\n理论课与实验课同步调整"]
E --> F
F --> G["课程评价与能力单评"]
G --> H["结果分析\n调整内容与评价方式"]
H --> D

```

从内容到评价：三个容易出错的地方

改革推进过程中，有几个环节的判断特别容易出现偏差，值得提前提示。

第一，把融入理解为增加内容。 计算机基础课的课时通常已经排得较满，如果在原有内容之外再加一个AI模块，最可能的结果是每一部分都被压缩，学生什么都没学透。更合理的做法是替换而非叠加——把部分原有用办公软件完成的操作任务，改为借助AI工具完成，让同一段课时同时承载工具应用和AI理解两个目标。内容总量基本不变，但课程的性质发生了改变。

第二，评价比例定得过于平均。 四项能力权重相同看起来公平，实际会削弱课程重点。技术应用能力是这门课的核心产出，也是学生后续学习的基础，在评价中应当占有足够比重；系统设计能力作为高阶要求，比重可以较低，但必须存在，否则课程会停留在应用层面而缺少向上延伸的通道。权重的差异本身就是对学生的一种引导，它告诉学生这门课最看重什么。

第三，忽略学生的基础差异。 同一班级内学生的计算机基础可能差距较大，如果实践任务的起点统一设定在较高水平，基础薄弱的学生会在第一步就卡住并放弃。可行的处理方式是提供分层的任务说明和支持材料，让不同基础的学生都能找到切入点，同时保证最终的能力要求不降低。这也符合包容性原则的要求。

一个学期的改革能带来什么变化

从实践情况看，围绕能力框架开展一个学期的课程改革，通常能够观察到的变化集中在几个方面。

学生的课堂参与度会有比较明显的提升。 当概念不再是需要记住的结论而是需要判断的对象，学生就有话可说。讨论环节的活跃程度往往是改革效果最先显现的信号。 与此同时，实验任务和小组任务的完成质量通常也会改善，因为任务与学生自身专业建立了关联，学生的投入意愿会更强。

竞赛参与情况是一个更客观的观察指标。 改革之后，课程相关竞赛的参与人数和作品水平通常会有提升，作品在伦理、社会价值、人文关怀等方面的表现也会更丰富。这类变化说明学生不只是掌握了工具操作，而是开始思考技术应用的边界和意义，这正是批判性方法和以人为本原则希望达到的效果。

教师端的变化同样值得关注。 收集AI助教的失败案例、按专业方向设计定制化案例、组织讨论与互评，这些工作都要求教师投入更多精力。如果院校没有相应的教研支持和成果认定，这种投入很难持续。因此在推进课程改革的同时，院校需要同步考虑教师的工作量安排和教研机制建设。

在实践环境方面，这类课程改革对实验条件有一定要求。面向非计算机专业学生的AI实践环节，需要的是上手门槛低、开箱可用的环境，而多数院校并不具备自行搭建和维护的条件。实战云我在学AI实践内容平台面向高校提供"学—练—评—用"一体化环境，支持Web实验、Jupyter、命令行、AI Agent智能体实验等多种类型，学生可以在浏览器中直接完成实践任务，教师的实验报告管理环节支持在线批改与AI辅助分析，这对课时紧、班级多的基础课尤其有意义。已服务超120所院校的实践表明，平台的价值主要在于把实验环境、任务管理和评价环节集中到一处，减少教师在技术准备上的时间消耗——教师把省下来的时间用在案例设计和讨论组织上，课程改革才更容易落到实处。对院校而言，选择环境时更值得关注的是它能否与本校的课程安排和评价方式衔接，而不只是功能数量。

计算机基础课的改革，本质上是在回答一个问题：当学生走出这门课之后，他们带走的应该是什么。 如果他们带走的是几个需要记住的概念，那这门课的价值会随着时间迅速衰减；如果他们带走的是判断AI输出是否可靠的习惯、用工具解决专业问题的信心，以及继续学习的方向，那么这门课就完成了它作为第一课的任务。 对正在推进这门课改革的院校而言，值得先做的或许不是讨论课时和内容如何分配，而是先把四项能力的评价方案定下来——评价标准确定之后，内容和方法的调整方向会自然清晰。