AI开始进入“教—学—练—评”全过程,一所高校这样改造大学课堂

面对计算机类专业项目教学中任务难度难以精准匹配、AI工具与教学结合不深、学生作品评价不够细致等问题，南京信息工程大学依托自主研发的大模型智能教学系统，对项目式教学进行了重新设计。其中一个明显变化是：AI不再只是课外使用的辅助工具，而是进入资源推荐、代码辅导、研究学习和作品评价等多个教学环节。

项目式教学并不是新概念。但在实际课堂中，教师常会面对一个难题：同一个班级里，不同学生的知识基础和实践能力差异很大。项目过于简单，能力较强的学生“吃不饱”；项目过难，一部分学生又容易在起步阶段就失去参与感。

南京信息工程大学的做法，是围绕《数据挖掘与安全》等课程，将项目任务划分为不同难度层级。第一层主要帮助学生理解和运用课程中的核心概念；第二层进一步增加算法优化、复杂问题解决等要求；第三层则鼓励学生围绕前沿方法开展研讨和创新实践。

也就是说，同样是做项目，不再要求所有学生完成完全相同的任务，而是形成由基础学习向综合应用、创新探索逐步递进的过程。这也是项目式教学中非常关键的一步。AI进入课堂之前，首先要解决的并不是“用什么大模型”，而是教师怎样重新设计学习任务。

在任务重新设计之后，大模型智能教学系统进一步进入学生学习过程。学校将其概括为“荐、辅、研、评”四类功能。

一是推荐学习资源。系统能够结合学生的学习情况，提供跨课程学习资源。这意味着，当学生在完成一个数据挖掘项目时发现自己缺少某项编程、算法或其他前置知识，可以进一步获得与当前任务相关的学习材料，而不只是等待教师统一补充。

二是辅助解决代码问题。在计算机类课程项目中，代码调试往往会占用大量时间。教学系统可以辅助诊断代码问题，为学生提供修改和分析思路。这里的重点并不是替学生完成代码，而是把AI作为项目实践中的即时辅助工具，使学生能够更快定位问题，再进行后续修改和验证。

三是辅助研究性学习。进入难度更高的项目后，学生往往需要接触论文和前沿研究。系统可以辅助检索相关文献，并帮助学生整理研究信息。这样一来，AI的使用场景就从简单“回答课程问题”，进一步延伸到文献检索、研究分析和项目方案形成阶段。

四是参与作品评价。AI还被用于学生项目作品的辅助评价。公开案例显示，系统会从选题、结构、规范性、实验完成情况等多个维度提供反馈。需要注意的是，这并不意味着把课程评价直接交给AI。教师仍然可以结合学生的学习过程、代码提交记录、AI辅导记录以及最终作品表现，对教学和评价进行综合判断。

AI进入课堂后，改变的不只是学生获得帮助的方式。教师获取教学反馈的方式也发生了变化。过去，教师往往主要通过课堂表现、作业和期末作品判断学生掌握情况。但在这套教学模式中，学习轨迹、代码提交以及学生使用AI辅助的过程，也能够成为教师调整教学的重要参考。

如果很多学生在同一个知识点反复求助，教师就可以判断这一部分可能需要增加讲解；如果部分学生已经能够较快完成基础任务，则可以进一步向更高难度项目推进。由此形成的是一个不断调整的教学过程，而不是教师在开课之前一次性设计完全部内容之后保持不变。

从公开的应用情况来看，这套模式已经开始向外推广。截至2026年1月，南京信息工程大学相关智能化项目式教学资源与模式已经被105所本科院校选用，其中包括8所985高校。

相关课程建设也取得了一系列成果。参与建设的《数据挖掘与安全》入选第三批国家级一流本科课程；学生近年来在“互联网+”“挑战杯”等创新竞赛中获得百余项国家级奖项，并曾在2023年、2025年中国国际大学生创新大赛中获得全国金奖。这些成果当然不能简单全部归因于AI教学，但至少说明，这种教学改革已经不只是概念层面的探索，而是进入了具体课程、项目和人才培养实践。

当前高校讨论AI教学，很容易把注意力集中到工具上：学校有没有自己的大模型？教师有没有AI助手？学生能不能使用生成式AI？但南京信息工程大学这个案例提供了另一种观察角度。

比如：同一项作业能不能设置不同难度？学生在哪些环节可以使用AI？AI提供帮助之后，学生还需要完成哪些独立判断？教师如何看到学生使用AI的过程，而不只是看到最后交上来的答案？哪些环节可以由AI提供即时反馈，哪些环节仍然必须由教师判断？

这些问题，可能比简单规定“允许用AI”或“禁止用AI”更值得一线教师研究。尤其是在编程、数据分析、工程设计等实践性较强的课程中，AI已经很难完全被隔离在课堂之外。

与其只把它当成一个需要防范的作业生成工具，如何重新设计课程、项目和评价，让学生在使用AI的同时仍然完成真正的学习过程，可能才是高校下一阶段AI教学改革需要解决的问题。