在网上的找了一些选择题，学生们有一万种方式让AI帮忙回答；

教材后面的习题偏理论，学生做完还是没法真的会用；

自己从零设计一套实践作业，光是找数据、调环境、写评分标准，一周就搭进去了。

更难的是，人工智能教学和传统课程不一样，作业不能只是“写”，得让学生真的“跑起来”。可一旦跑起来，批改量就上来了：几十份代码，逻辑对不对、结果准不准、参数合不合理，逐份看根本不现实。

所以问题不是“要不要布置实践作业”，而是作业的素材和评价环节，能不能尽可能减轻老师们的负担。

和鲸根据在高校人工智能教育领域的数年实践，将这个问题拆成了几个具体的场景，分别探索了一些可用的资源路径。下面按一门课的实际节奏来说。

人工智能课程的第一道坎通常是：学生编程基础参差不齐。有人写过Python，有人连notebook都没打开过。如果一上来就讲模型，后半学期基本是在补前面的坑。

一个省力的做法是，把基础训练放到课前或平时作业里，用和鲸社区“课堂”页面的技能训练营来发布。这些训练营按知识点拆成多个关卡，学生按自己的节奏过，系统自动出分，老师不需要设计评分标准，也不需要逐份批改。

如果课程中间想穿插一次有真实案例的实践，但又不希望打乱整体进度，课内workshop也是一个不错的选择。

Workshop 通常包含了案例背景、数据、涉及知识点以及作业，教师可以将其穿插至知识点的讲解中，并集中通过 1-2 课时引导学生完成。这些课程涉及到的学科领域非常广泛，教师可以依据专业进一步精准筛选，如经济管理专业可以关注商分训练营，地球科学专业可以留意气象训练营。

例如，四川大学《数据思维：数字化生存的未来》通识课面向本科大一的学生所开设，旨在培养各专业学生的数据思维。为拓展教学形式，让学生提前接触到数据产业前沿，授课教师蔡老师抽出了两节课的时间，在和鲸的支持下开展课内 workshop。

学生分组合作，基于社区的“学生校园消费行为分析”与“食堂运营情况分析”两个案例，通过分析学生校园消费行为数据，产出数据分析报告，解决“学校应该给哪些学生发补助”、“食堂最受最欢迎的商品是什么”等问题，体验从数据可视化到数据洞察，用数据讲故事的完整过程。

落地方式：

期末大作业

期末考核往往是是课程作业设计里最费时，也最头痛的一块。在实训教学模式下，大作业已经成为高校越来越常见的考核形式，主要包括报告类考核与算法类考核。

与传统pre的形式较为不同，和鲸推荐的是线上线下结合：线上学生在和鲸提供的虚拟实验室中完成以代码实践为主的大作业，并提交结果报告，线下老师们再听取学生对于整体项目的完整思路和汇报。

落地方式：

• 参考和鲸社区实训季/在和鲸社区搜索应用场景的关键词；

• 找到 3-5 个不同主题的、写得比较详实的预测项目；

• 利用这些项目的数据，并总结其预测问题和核心步骤，提炼一个比较开放性的选题。

例如三峡大学2025年秋季学期的AI通识课更进一步：期末统一采用图像分类模型实验，以分组大作业答辩形式完成，80%以上的小组完成了从图片收集、数据清洗到模型测试的完整流程。课程负责人吴西燕副教授提到，图像分类实验“体验感非常强”，小组合作的氛围也非常浓厚，很多同学在深夜、周末都还在探索。

目前，ModelWhale还支持通过AI评审服务完成主观作业评审，老师可选择使用其代替手动评审，效率更高（AI主观评审幻觉不可完全避免）。

如果期望的结课方式是学生提交算法运行结果，并借助平台自动评审获取精度得分，进而实现自动化成绩评定，那我们很推荐采用这一模式。不过算法类大作业的痛点更直接：怎么批。

ModelWhale平台目前支持算法类考核的自动评审——学生提交算法运行结果，平台按AUC、RMSE、FWloU、F1-Score 等指标自动打分。对于机器学习、数据挖掘类课程来说，省下的是教师们整块的时间。

和鲸会提供这些指标具体的评审脚本，里面详细说明了指标用法，如指标上限、结果文件格式等内容

不过，算法类作业并不只有“写代码”一种形式。对于经管、人文社科背景的学生，强制要求用纯代码完成算法作业，往往适得其反。教师使用和鲸Canvas低代码工具同样可以设置算法作业。

南京财经大学《数据挖掘与商务智能》课程就引导学生通过ModelWhale内置的拖拽模式。连接预先封装的算法组件，构建完整的机器学习工作流，完成数据探索、模型训练与评估。

这种可视化模块的方式能清晰呈现每一步操作的目标与结果，帮助学生建立对算法流程的“思维框架”。也意味着算法类大作业的提交物可以从一份代码文件变成一条可运行、可复现的低代码工作流，教师评估时也更容易看清学生的分析逻辑是否完整，而不只是看最终指标是否达标。

课-赛-训一体不就来了

如果期末大作业想更有挑战性，还有一条路径：以赛促学。

和鲸社区本身有赛事板块，题目来自企业或公开数据场景，教师可依据教学规划与学生实际状况，引领学生积极参与其中，在锻炼能力的同时也有机会获得实习、奖金等更多激励。对学生来说，作业不再是“交给老师看的”，而是“拿去参赛的”；对老师来说，评审环节由平台流程化支撑，极大减轻了老师们的压力。

另一方面，和鲸也鼓励教师自主创建赛事作为教学实践，在班内、院内发布。ModelWhale平台已经集成了可选配的竞赛功能模块，将赛事的各个模块流程化处理，教师只需要在每个细分模块下做好信息配置即可顺利创赛，此后便可以通过管理界面，设置赛事运营过程中的各项需求，并实时查看报名情况及学生结果提交的情况。

落地方式：

和鲸平台比赛模块的最大优势是，即使老师举办规模再小的比赛，平台对于赛事过程的质量管理以及最终的评审、排名机制都是与前沿的数据竞赛高度对齐的，所以每一次竞赛训练，都可以视为学生日后参加更高级别数据竞赛的提前热身。

作业从哪来，本质上是一个资源复用的问题。作为国内首个支撑高校大规模落地AI通识教育课程的实训平台，和鲸科技致力于以丰富的跨学科低代码实训案例和一站式教学管理能力，助力高校构建“听得懂、用得上”的AI通识教育体系。

如果您对我们的教学解决方案感兴趣，可以扫码查看和鲸与智谱联合发布的《AI融合高等教育：从通识到专业——学科+AI人才培养白皮书》，里面整理了百余所高校的落地案例、政策解读、教学工具方法，期待与老师们共同攻克通识课落地难题。