AI赋能教与学，南京财经大学刘培学老师讲述课程改革的完整路径
本篇实录整理自分享会内容，旨在呈现人文社科领域 AI 赋能教学的新思路与实践经验，为高校教师应对技术变革提供参考。
分享嘉宾
南京大学旅游地理学博士毕业。主要从事文旅数智决策、旅游大数据与流空间、文旅产业协同集聚等领域的研究工作，主持与参与各类文化旅游产业规划咨询项目30余项。主持国家自科基金1项，教育部人文社科基金1项，在《Tourism Management》、《旅游学刊》、《地理科学》等期刊发表SSCI与中文核心论文16篇。
以下为文字实录，如需获取专家分享完整视频回放，可点此链接或联系工作人员。
三是结合实际使用情况，说说我对于不同教学平台和工具的选择，及其在多方面的应用价值。
引言：对 AI 的理解及其如何影响教、学、研
教学与科研全流程均面临 AI 的系统性改造，聚焦当下便已存在大量任务需要完成
在教学场景中，教师对 AI 技术的应用同样存在新的挑战。当教师将 AI 工具深度融入教学时，传统的 “听课-记笔记-考试” 学习流程面临着模式重构，也有更多学生通过 AI 完成课程论文等任务，这意味着学生需要脱离固有的学习惯性，适应技术介入后对知识获取、思维训练与能力培养的新要求。而在实际的教学实践中，AI 技术的吸引力并非天然存在，单纯依赖技术本身并不能确保提升教学参与度，需结合教学目标设计针对性的引导策略。
关于 AI 工具的教学应用时长，研究结论与我个人的教学实践高度吻合。初次接触编程（如 Python）的学生在一开始需要面临思维转换挑战，尽管对新技术有新鲜感，但从零基础到掌握基础语法的过程伴随理解障碍，会伴随着痛苦感；度过入门阶段后的4-8周，学生逐步实现成果产出，成就感同步提升；但当课程周期延长至16-17周（尤其是本科生课程），学生对 AI 的新鲜感消退，课程课堂活跃度随技术熟悉度提升而下降，甚至出现依赖 AI 而失去自主思考能力。
首先受到冲击的便是高校师生，教学与科研全流程均面临 AI 的系统性改造。AI 的特点之一是知识获取的成本趋近于零：AI 工具的能力迭代呈现学历层级跨越，如2023年其水平约对应大学生基础能力，2024年提升至硕士研究能力，2025年随着DeepSeek等模型的发展，已接近博士一年级的水平。在此背景下，高校教育无需纠结于 AI 技术的未来路径，聚焦当下便已存在大量任务需要完成。
AI 赋能教与学的三年
01 课程概况与实施成效
对于致力于教学探索的年轻教师，我觉得我的经历具有一定参考价值。实际上，从 2022 年入职教学经验尚不足，到依托学校新课程建设支持开设此课、参与教学创新比赛，并于上个月获得了江苏省高校教师教学创新大赛人工智能赛道二等奖，这也标志着课程的建设初步步入了正轨。
- 一些来自工商管理、公共管理等文科专业的学生，在课程中掌握了基础代码技能，突破原有知识结构限制，部分学生结课后主动参与相关的实习、科研项目或学科竞赛，并在毕业论文中融入数据分析内容，展现出对技术工具的应用迁移能力；
- 在《大数据与智慧旅游》课程中，有硕士研究生在课程论文中为探索新的研究方法运用 AI 辅助完成编程，通过 AI 解决了计算机专业的同学均难以解答的技术问题，经验证后确认其成果真实性，这也凸显了 AI 在跨学科研究中的实际赋能价值；
- 这些案例表明，AI 对学生能力的提升已从知识传授层面延伸至实践创新层面，具有明显的教学成效。
此外，这门课程构建了以“树蛙”为核心的 IP 体系，取“数据挖掘”谐音，通过 AI 技术创作《树蛙之歌》、书包徽章纪念等文化产品强化教学认知，提升学生的学习获得感。还有学生主动提出想要“明年重修课程”的诉求，这也推动了我对“重修”概念的认知升级——课程需突破传统重复性教学模式，以不断更新迭代响应技术变革，确保课程内容的前沿性，形成“常修常新”的学习体验。
02 理念目标
课程理念方面我所采用的是非连续性教育的理念，它并不是通过积累来让学生按部就班地达成目标，而是希望通过更多的“觉醒”和“碰撞”让学生得到更多尝试，这也和当前的教育面对着AI浪潮的冲击比较吻合。
针对人文经管类专业学生，建立与 AI 时代的实质连接应该以“数字素养”的培养为核心目标，编程只是实现这一目标的有效手段。以数据挖掘为例，面对晦涩难懂的新技术概念，在选修课教学中不应该贸然灌输，而是通过具象化认知策略来降低理解门槛，例如下图“数据湖”的类比就很合适。对于非计算机专业学生，教学重点应从“技术路线完整掌握”转向“技术本质认知”，让学生能够理解这些新技术的底层逻辑，形成系统性认知。
在2025年的教学实践中，我们的课程进行至半程就已初步呈现出了较好的教学状态。部分学生在 AI 工具应用与跨学科迁移能力上已超越预期，能够突破现有教学框架，实现“一通百通”的认知跃迁，甚至在专业领域展现出独立解决复杂问题的能力。
从数据分析岗位的能力要求演变看，传统进阶路径往往是从Excel、SPSS等工具起步，逐步向数据开发（需掌握编程）、数据挖掘及数据专家层级提升。但基于三年教学实践我们发现，非技术背景学生也可以直接从Python编程入门，对于Excel、SPSS等专用软件的需求已经减少。 AI 时代对数字化人才的能力要求虽然趋向综合化，但也不必陷入技术焦虑，非技术背景的学生不需要跟计算机背景的学生去比较，在具备基础编程能力与数据思维后，结合专业特性找到差异化切入点才能在 AI 时代开辟不可替代的职业发展路径。
03 课程创新
- 在线编程平台我选择的是和鲸 ModelWhale 平台，对编程新手友好，也有许多免费开放的工具，提供初阶可视化与高性能显卡支持，是核心的实践平台；
- 老师们较熟知的学习通、智慧树等平台用于课程管理与资源分发，实现课前课后跟踪评价；
另外，对于大模型工具的选择我们也在不断迭代：2023年受限于国产大模型缺失，仅能使用 ChatGPT 代理版（响应速度较慢）；2024年 Kimi、豆包等国产工具崛起，显著提升教学交互体验；2025年Deepseek、 Coze 等模型工具进一步优化，可以支持更复杂的教学场景开发。
对此，和鲸平台还是具备着一些核心优势：一方面是能提供全链条教学支持，不仅包括编程项目案例库（可直接检索调用），还支持课程项目设计、数据模型库管理等功能；二是能够兼容大模型工具接入，能够适配文科专业学生数字化转型全过程。另外，它同时支持纯 Python 编程与低代码编程，后者在解决新手的“流程迷茫”问题上很有用。比如学生用纯代码做数据分析时，常因无法弄清各步骤的逻辑关联而陷入迷茫，而低代码就可以通过可视化的模块清晰呈现每一步操作的目标与结果，这对之前讲到的“思维框架”的建立非常重要。
那么我们为什么要采用平台开展教学，我认为有两个方面。首先，传统的本地编程环境在教学过程中确实会存在一些困难，比如项目资源的支撑、学生的安装配置等，像和鲸这样的平台能大幅降低技术准入门槛；另一方面 AI 工具的快速进化也会带来新的挑战，比如豆包的一键生成完整数据分析结果的功能虽然便捷，但会对传统教学模式造成冲击，学生认为“无需编程就能获得结论”，就会丧失学习动力，所以我们需要借助平台优化学生的实践体验。
在课程设计方面，我采用的是“挑战性跨越式”的节奏方式，如可视化（第2周）→ARIMA（第5周）→机器学习XGBoost（第10周）→深度学习Pytorch（第16周），既能规避教学的枯燥性，又能使学生的技能逐层提升；而在研究生培养的高阶训练中，也是跟通过与和鲸共建的线上虚拟实验室，贯彻产教融合，科教融汇，实现数字化人才培养从技能训练到创新能力的跨越。
- 学习通平台：知识图谱功能可以帮助学生进行课程预习回顾，利于自学；
- Coze：AI 学伴可以我自定义智能体角色来回答学生问题，也可以自定义上传课件、案例数据等资料；
- 豆包：利用语音交互特性可以设置 AI 数据分析师面试官，具备数据分析能力，能够与学生进行交流探讨。
作为国内较早探索 AI 课程的实践者，三年间技术迭代给课程带来了不断的冲击，作为教师我的感受可谓悲喜交集。从 GPT 3.5、GPT 4 到 DeepSeek 等工具的演进，我们见证了 AI 的跃进，而同时我们的课程教学也面临“教学内容被 AI 工具解构”的挑战。实际上，当我们教授的内容是可以通过 AI 工具实现“一步完成”的时候，我们的教学目标和教学内容就应该要改变了。
