“计算思维+人工智能”赋能大学计算机课程教学改革与创新

［摘要］聚焦于大学计算机课程的教学改革，深入探究计算思维与人工智能的融合应用。通过详细阐述二者的内涵及发展现状，剖析当前大学计算机课程教学存在的不足，提出了一系列基于“计算思维 + 人工智能”的教学改革策略。这些策略涵盖课程体系优化、教学方法创新、师资队伍强化以及教学评价改革等方面，旨在为提升大学计算机课程教学质量、培养适应新时代需求的创新型人才，提供全面的理论依据与实践指导。

［关键词］计算思维；人工智能；大学计算机；人才培养；教学改革

［中图分类号］ G64２［文献标志码］ A ［文章编号］ 2096-0603（2025）09-0１３７-04

在当今科技迅猛发展的时代，计算思维已成为各领域解决复杂问题的核心思维模式。与此同时，人工智能技术取得了举世瞩目的成就，广泛应用于医疗、交通、金融等行业，深刻地改变着人们的生活与工作方式。2024年的两会政府工作报告着重强调“人工智能+”理念，旨在培育一批具备解决社会和自然问题能力的计算思维人才，推动高校高质量教育体系建设，全面提升高校计算机人才培养质量。本文旨在探究如何将计算思维与人工智能有效地融入大学计算机课程教学，构建一套科学合理、切实可行的教学改革方案，以此提升教学质量，培养学生的综合素养与创新能力。

一、计算思维与人工智能的理论阐释

（一）计算思维的内涵与特征

计算思维是一种独特的思维方式，它运用计算机科学的基本概念、原理和方法来解决问题、设计系统并理解人类行为。其抽象性体现在将复杂的现实世界问题转化为计算机能够处理的形式；逻辑性是计算思维的显著特征，如在编写成绩统计程序时，需要依据不同的分数段进行分类统计，这便用到了条件判断语句。计算思维还注重算法设计与优化，在海量数据的搜索场景中，选择合适的搜索算法，能极大地提高查找效率，节省计算资源和时间成本。[1]

（二）人工智能的发展历程与技术体系

人工智能的发展经历了漫长的探索过程。早期，符号主义占据主导地位，专家系统通过将人类知识以符号形式编码，实现了特定领域的问题求解，如医疗诊断专家系统，依据预设的医学知识和规则为患者提供诊断建议。随后，连接主义兴起，神经网络的出现为人工智能发展带来新的突破。近年来，深度学习成为人工智能领域的热门方向，深度神经网络能够自动提取数据的高级特征，在图像识别、语音识别等领域取得了巨大成果，如将人脸识别技术广泛应用于安防、支付等场景。

人工智能的技术体系庞大且多元，涵盖机器学习、深度学习、自然语言处理、计算机视觉等重要分支。机器学习使计算机能够从数据中学习规律，从而对未知数据进行预测和决策，垃圾邮件过滤系统通过学习大量邮件的特征来识别垃圾邮件。深度学习基于深度神经网络，在图像和语音处理等方面展现出卓越性能。自然语言处理专注于计算机与人类语言的交互，实现语言的理解、生成和处理，智能语音助手能够理解人类语音指令并提供相应服务。计算机视觉使计算机具备感知和理解图像、视频信息的能力，在自动驾驶领域发挥着关键作用，帮助汽车识别道路、行人及障碍物等。[2]

二、大学计算机课程教学现状分析

（一）学生基础差异显著

由于各地区教育资源不均衡，加之学生个人兴趣与学习经历各异，大学新生在计算机知识及技能水平上呈现出较大差距。部分学生在高中阶段已涉足编程领域，具备一定的数学素养，能够迅速理解并掌握计算机课程中的相关知识。然而，另一部分学生可能连基本的计算机操作都不够娴熟，数学基础也较为薄弱。面对复杂算法和编程任务时，他们容易滋生畏难情绪，学习进度滞后。这种学生基础参差不齐的状况，给教学的统一组织与实施造成了极大困难，教师难以制订出适配全体学生的教学进度和方法。[3]

（二）教学内容更新滞后

随着科技迅猛发展，计算思维与人工智能技术在各领域广泛应用。然而，大学计算机课程的教学内容更新速度相对迟缓，未能及时体现这些技术的最新进展与实际应用。例如，在人工智能相关课程中，部分教材仍侧重传统机器学习算法的讲解，对深度学习、强化学习等热门领域的介绍不够深入，且实际应用案例多为陈旧范例，无法让学生了解人工智能在新兴领域（如智能医疗、智能交通、智慧城市等）的具体应用，致使学生所学知识与实际需求脱节，毕业后难以快速适应工作岗位要求。

此外，计算思维与人工智能相关内容的融合不够紧密，往往将两者分开教学。学生难以将计算思维应用于人工智能的学习与实践，也无法从人工智能的应用中深化对计算思维的理解。这种融合欠缺导致学生复合型思维培养不足，难以运用计算思维和人工智能技术解决复杂的实际问题。[4]

（三）教学方法单一

传统以教师讲授为主的教学方法，使学生在学习过程中处于被动地位，缺乏主动参与和探索的积极性。该方法注重知识灌输，忽视学生的主体地位与个性化需求，难以激发学生的学习兴趣与创新思维。在实践教学中，学生通常依照教师指导操作，缺乏自主思考和解决问题的能力，不利于培养实践能力与创新精神。

（四）教学评价有失偏颇

现有的教学评价体系过于侧重期末考试成绩等结果性评价，对学生学习过程关注不足。这种评价方式无法全面反映学生在学习过程中的努力程度、进步情况以及实践能力和创新思维的培养状况。因此，这种重结果轻过程的评价方式难以全面衡量学生的学习效果，不利于学生的全面发展。[5]

三、“计算思维+人工智能”融合的教学改革策略

（一）课程体系优化

1.基础课程强化计算思维训练

在程序设计、数据结构等基础课程中，教师应精心设计并增设计算思维专项训练模块。以程序设计课程为例，设置一系列基于实际问题求解的综合性编程项目，要求学生在项目实践过程中充分运用计算思维进行问题分析、算法设计和代码优化。如设计简单的数据分析程序，学生需先运用抽象思维确定数据的合理表示方式，选择合适的数据类型和数据结构存储数据；接着通过逻辑思维设计数据处理算法，如数据排序、筛选、统计分析等算法；最后利用分解思维将整个程序划分为数据输入模块、数据处理模块、数据输出模块等子模块，并进行代码编写和调试优化。[6]

在数据结构课程中，紧密结合实际应用场景讲解数据结构的选择和应用，让学生深刻领悟数据结构与计算思维的内在联系。例如，在地图导航应用中，详细讲解如何使用图数据结构精确表示复杂的道路网络，以及如何运用相关图算法（如最短路径算法、最小生成树算法等）实现高效精准的导航功能，使学生在实际案例中体会数据结构对解决复杂问题的重要性，以及如何运用计算思维设计和实现相应的数据结构与算法。

2.核心课程融入人工智能元素

在操作系统、数据库等核心课程中，巧妙引入人工智能技术的应用案例和相关算法，实现与人工智能的有机融合。以操作系统课程为例，深入探讨如何利用人工智能算法优化进程调度策略，显著提高系统资源利用率。如采用强化学习算法，让操作系统根据系统当前的实时负载情况、任务优先级、资源使用状况等多维度信息自动学习并动态调整最优的进程调度策略，以实现系统性能的最大化提升。

在数据库课程中，详细介绍如何运用机器学习算法进行数据挖掘和数据分析，从海量数据中高效提取有价值的信息。例如，利用聚类算法对用户数据进行分类分析，以便企业更精准地进行市场细分和客户定位，开展个性化营销或提供定制化服务。

3.开设融合创新课程

专门开设“计算思维与人工智能融合应用”课程，该课程以综合性项目为核心驱动，全面涵盖从项目需求分析、模型设计到算法实现与优化的完整项目开发流程。例如，设置智能推荐系统开发项目，要求学生运用计算思维对用户行为数据（如浏览历史、购买记录、搜索关键词等）进行深入分析，利用人工智能算法（如基于协同过滤的推荐算法、基于深度学习的推荐算法等）构建个性化推荐模型，并进行性能评估和优化。[7]学生首先运用抽象思维将用户行为数据抽象为特征向量，通过逻辑思维设计推荐算法的核心架构和数学模型，然后利用分解思维将整个项目划分为数据收集与预处理子系统、推荐模型训练子系统、推荐服务提供子系统等子模块进行开发。通过此类课程的实践教学，让学生在真实项目环境中深入体会计算思维与人工智能的深度融合应用，全面提升综合实践能力和创新能力。

（二）教学方法创新

1.案例化教学

案例化教学是一种以实际案例为基础的教学方法，通过引入真实的案例，引导学生运用计算思维和人工智能方法解决问题。在教学过程中，教师选择具有代表性的案例，将课程知识点融入案例中，让学生在分析和解决案例问题的过程中掌握知识和技能。例如，在讲解机器学习算法时，可以引入银行客户信用评估案例，让学生运用分类算法对客户信用进行评估。学生在分析案例的过程中，需要运用计算思维对问题进行抽象和建模，选择合适的机器学习算法进行求解，并对结果进行评估和优化。通过案例化教学，能够提高学生的学习兴趣和主动性，培养学生运用知识解决实际问题的能力。

2.一体化实训

一体化实训是将理论教学与实践教学有机结合，提供综合性实践项目，让学生在实践中深化对知识的理解和掌握。在一体化实训过程中，学生以小组为单位，完成一个完整的项目开发任务，从需求分析、设计、编码到测试和部署，全面体验项目开发的全过程。例如，开发一个智能校园管理系统，学生需要运用计算思维对校园管理中的各种问题进行分析和建模，运用人工智能技术实现智能考勤、智能教学资源推荐等功能。通过一体化实训，能够提高学生的团队协作能力、实践能力和创新能力，培养学生的工程素养。[8]

3.线上综合平台评测

利用线上综合平台进行教学资源共享、作业提交、测试评估等，实现教学过程的数字化和智能化。线上综合平台可以提供丰富的教学资源，如教学视频、电子教材、在线测试题等，学生可以根据自己的学习进度和需求自主学习。同时，教师可以通过平台布置作业、进行在线测试和评估学生的学习情况，及时了解学生的学习进度和存在的问题。平台还可以利用大数据分析技术，对学生的学习行为数据进行分析，为教师提供教学决策依据，为学生提供个性化的学习建议。

4.引入AI助教和虚拟实验

借助人工智能技术辅助教学，引入AI助教和虚拟实验。AI助教可以通过自然语言处理技术与学生进行交互，解答学生的疑问，提供学习建议。例如，学生在学习过程中遇到问题，可以向AI助教提问，AI助教根据问题的关键词和知识库进行解答。虚拟实验则利用虚拟现实技术和仿真技术，为学生提供一个虚拟的实验环境，让学生在虚拟环境中进行实验操作。例如，在计算机网络课程中，学生可以通过虚拟实验平台搭建网络拓扑结构，进行网络配置和测试，避免了在实际实验中因设备损坏等问题带来的风险，同时也提高了实验的效率和安全性。[9]

5.线上线下混合式教学

结合自建MOOC与实验平台，开展理论实验双轨教学，满足学生的个性化学习需求。线上教学通过MOOC平台提供丰富的教学资源，学生可以随时随地进行学习，自主安排学习进度。线下教学则通过课堂讲解、小组讨论、实践操作等方式，加强师生之间的互动和交流，解决学生在学习过程中遇到的问题。例如，在讲解人工智能算法时，教师先在MOOC平台上发布教学视频和相关资料，让学生进行自主学习。课堂上，教师针对学生在学习过程中遇到的问题进行讲解和答疑，并组织学生进行小组讨论和实践操作，让学生在实践中加深对算法的理解和掌握。