如何有效提升医工交叉领域数据挖掘课程的教学效果？近日，北京理工大学医学技术学院辛怡副教授在和鲸组织的分享会上，系统介绍了其团队在《数据挖掘在生物医学中的应用》课程中的创新实践，为解决普遍教学痛点提供了可借鉴的“平台化”路径。

辛老师在会上系统阐述了《数据挖掘在生物医学中的应用》课程建设的完整线路图和创新实践，从课程建设的背景、痛点和培养目标出发，重点介绍了“两线三域”学习链路、“立体拼图”教学活动、“四重支持”导学模式三大课程设计创新举措及课程成果。辛老师还强调，课程基于和鲸 ModelWhale 平台构建了多元化的教学实践场景，实现了资源整合、互动协作与实践赋能的深度融合。学生基于 ModelWhale 完成编程实践，借助 AI 工具提升学习效率，学生解决医工领域问题能力显著提高，成果斐然。

当前生物医学医工融合人才培养面临结构性挑战：一方面，学生医学知识和临床业务背景薄弱与技术快速衍新导致学用脱节；另一方面，医学数据兼具强领域特异性、严格隐私约束及动态临床场景等复杂属性，导致传统数据挖掘课程“从算法到案例”的教学范式难以适配。为破解医工交叉人才培养痛点，辛怡老师为参会教师分享了北理工独到创新基础：课程团队以“培养面向国家重大需求和人民生命健康的医学技术人才”为目标，以国家大健康战略为牵引，持续开展数智赋能的混合式教学改革。将教学内容与科技资源深度融合，构建“两线三域”学习链路，实施“立体拼图”教学活动，提供“四重支持”导学模式。将医学业务逻辑与数据科学思维耦合，开展“问题拆解-算法探索-方案迭代”，培养学生从事医学技术研发所需数据挖掘的核心能力。

在交流环节，参会教师表示，传统教学模式面临学生实践机会匮乏、团队协作效率低下，编程水平参差不齐导致教学进度难以统一等种种问题，要在短短一学期内让学生完成一个完整的实践项目更是难上加难，这些痛点已然成为提高数据挖掘教学质量提升的核心挑战。

对此，辛怡副教授特别强调，一个稳定、高效、整合的一站式实践平台是实现上述教学创新的关键基础，《数据挖掘在生物医学中的应用》课程选用和鲸 ModelWhale 平台打造 AI 创新虚拟实验室，构建师生一站式交流学习入口，成果构建了多元化的教学实践场景，解决了大部分学生实践难、协作难的痛点。

• ·资源整合，提升效率：平台课程页面支持整合 AI 课程助手、医学知识图谱等核心教学资源，方便学生查看和调用，有效提高学生的学习效率。

• ·协作共享，激发热情：课程在平台上开设了线上讨论区，由教师引导学生在讨论区公开作业成果，分享实用工具与学习心得，实现知识“众筹”、同伴互学、资源共享，激发学生主动探究热情，形成良好自主学习氛围。
• ·分层学习，因材施教：课程引入和鲸平台“挑战闯关”功能，由学生根据自身情况自主学习，以闯关的形式完成数据预处理、可视化、统计分析等具体任务。平台通过自动化引导与评测，确保学生切实掌握对应能力。

• ·案例引领，赋能实践：平台配有完整案例项目供学生参考借鉴。许多学生表示这些案例能够帮助他们在有限的时间内找到完成期末作业项目的思路和方法，进一步提高了工作效率和成果质量。

北京理工大学《数据挖掘在生物医学中的应用》课程创新实践，生动展示了如何通过目标明确的教学设计，结合功能强大的一站式实践平台，系统性解决医工交叉数据挖掘教学中的深层痛点。辛怡副教授的分享为同行提供了宝贵的经验，其“平台赋能实践”的思路，为深化医工融合人才培养改革提供了重要参考。

您可点击前往和鲸官网获取白皮书，或联系工作人员了解更多“学科+AI”相关案例与资讯。