基于AI与大数据的职业教育课程智能设计与动态优化研究----以高等数学课程为例

         天津电子信息职业技术学院   孙海青

摘要：在职业教育数字化转型背景下，人工智能与大数据技术为课程改革提供了全新路径,高等数学作为高职工科、信息类、经管类等专业核心基础课，长期存在教学内容固化、与岗位结合不紧、学情响应滞后、评价方式单一等问题。本研究根据多年一线教学与课程改革实践经验，以人工智能与大数据为技术支撑，构建并实施高等数学课程智能设计体系与动态优化闭环机制，依托知识图谱、学情采集、智能推荐、数据诊断、动态评价等技术，实现课程目标、内容、活动、评价的精准化设计，并依托真实教学数据完成课程全周期迭代优化。通过一学期教学实验对比验证，该模式显著提升学生学习参与度、知识点掌握率、课程及格率与优秀率，教学满意度大幅提高，可为职业教育基础课智能化改革提供可复制、可推广的实践方案。

关键词：人工智能；大数据；职业教育；高等数学；课程智能设计；动态优化

一、绪论

1.1 研究背景

当前，我国职业教育进入数字化转型与内涵提升的关键时期。国家大力推进教育数字化战略，明确提出要运用新一代信息技术推动教育教学变革，创新课程体系与教学模式。高等数学是高职各专业重要的公共基础课，具有理论抽象、应用广泛、工具性强等特点，是培养学生逻辑思维、计算能力、工程应用能力的关键载体。但在传统教学模式下，课程内容固定、难度统一、与专业岗位脱节，难以满足不同基础、不同专业学生的学习需求。开展基于AI与大数据的职业教育高等数学课程智能设计与动态优化研究，既是落实国家教育数字化战略的必然要求，也是破解高职数学教学痛点、提升基础课育人质量的现实需要。

1.2 研究意义

本研究将人工智能、大数据技术与职业教育课程理论、教学理论深度融合，构建数据驱动的课程智能设计框架与动态优化机制，丰富和完善职业教育数字化课程建设理论体系。研究成果弥补了当前高职高等数学智能化研究不足、理论模型与实践脱节的问题，为AI+教育融合背景下基础课程改革提供理论参考与范式支撑，具有重要的理论创新价值。同时该模式可为高职其他基础课、专业课的数字化、智能化改革提供借鉴，推动职业教育整体教学质量提升，服务高素质技术技能人才培养。

1.3 研究内容与方法

以本校高数课程为载体，构建智能设计与动态优化机制，采用文献研究法、问卷调查与访谈法、数据分析法、模型构建法、实验研究法、案例研究法、行动研究法，确保研究的科学性与实践性。

二、高职高数课程现状与需求分析

2.1 课程现状调研

通过问卷、访谈、课堂观察等方式对本校高等数学教学现状开展调研。结果显示：72%学生认为数学内容抽象难懂；68%的教师反映课程与专业结合不足；81%的学生希望获得个性化辅导与分层教学；76%的师生认可AI与大数据对教学的提升作用。传统统一化教学难以满足差异化需求，智能化改革势在必行。

2.2 学情特征分析

高职学生数学基础差异大，学习主动性参差不齐，重应用、轻理论，对与专业、岗位相关的数学应用兴趣更高。学情呈现基础分层、需求多元、目标实用三大特征。

2.3 专业与岗位需求分析

工科、信息类、经管类等岗位对数学的需求集中在计算能力、逻辑推理、数据处理、数学建模、工程应用等方面。课程必须突出“够用、实用、能用”，强化与专业场景、岗位任务的融合。

三、基于AI与大数据的高等数学课程智能设计

3.1 智能设计整体思路

坚持以学生为中心、以岗位为导向，把课程拆解为目标、内容、活动、评价四个核心模块，用AI工具完成精准匹配与自动编排，让课程不再“一刀切”，而是适配不同基础、不同专业、不同学习习惯的学生。在设计中始终遵循：基础薄弱学生能学会、中等学生能提高、优秀学生能拓展，同时让数学知识真正对接专业岗位需求。

3.2高等数学知识图谱构建

梳理并拆解高数全部知识点，按照模块——章节——知识点——微技能四级结构，建立适合高职学生的知识图谱：

1. 知识点层级划分：所有内容分为基础层、提高层、应用层。基础层保证及格，提高层对接专业，应用层面向岗位与竞赛。

2. 知识点逻辑关联：标注每个知识点的前置依赖、平行关系、拓展方向，让系统能智能判断学生薄弱点，并推送最合适的学习路径。

3. 专业岗位标注：结合我校电子信息、计算机等专业特点，为每个知识点标注岗位应用场景，如导数用于信号变化监测、积分用于电路电量计算、矩阵用于数据处理，让学生感受到“数学有用”。

3.3四维一体智能设计

3.3.1 课程目标智能设计：分层设定、精准匹配

不再用统一目标，而是按三类学生智能设定目标：基础薄弱的学生以掌握公式、会计算、能及格为目标；中等学生以理解概念、会应用、能提分为目标；优秀学生以数学建模、解决专业问题、准备竞赛为目标。同时把岗课赛证要求融入目标，确保目标可落地、可评价。

3.3.2 教学内容智能设计：分层设计、岗位重构

本版块为设计核心，对高数内容进行三梯度、专业定向智能编排：基础层内容简化理论推导，强化步骤化教学，配备大量例题与同类练习，保证学困生能跟上；提高层内容增加综合题型、方法总结，对接专业课所需数学能力；应用层内容编写专业类岗位案例，如信号拟合、误差分析、数据处理、电路计算等，实现“数学+专业”的深度融合。并利用AI工具自动生成差异化内容包，基础差的学生收到补基础材料，基础好的学生收到拓展任务。

3.3.3 教学活动智能设计：全程编排、动态推送

课前、课中、课后全流程设计智能活动：课前通过系统推送预习微课、基础检测，自动判断学生预习效果，调整课堂讲授重点；课中用AI随机出题、即时测验、分组任务，根据学生实时答题数据，灵活调整讲解节奏；课后智能推送作业、错题重做、薄弱点辅导，实现当堂问题当堂清、当天问题当天改。

3.3.4 评价体系智能设计：过程优化、形式多维

改变“一考定终身”，构建过程+结果+个性化智能评价：过程占比60%，包括签到、预习、课堂互动、作业、测验、阶段任务；结果占比40%，包括期中、期末考核。并根据系统自动生成的学情诊断报告，明确每个学生的薄弱知识点、进步幅度，为动态调整课程提供依据。

四、大数据驱动的课程动态优化机制

4.1动态优化闭环模型

在教学实践中，我们跟着学生学的情况实时改、持续改。建立并运行数据采集—分析诊断—调整实施—效果反馈—迭代更新五级闭环动态优化机制，用真实数据指导每一次教学调整。以学情数据为核心、教学数据为参考、岗位需求为方向，形成闭环：每节课、每周、每月、每学期都进行小—中—大迭代优化，确保课程始终适配学生、适配课堂、适配岗位。

4.2数据采集

通过智慧教学平台，采集三类核心数据：

1. 学生学情数据：学习时长、资源访问、预习完成率、作业正确率、错题分布、测验成绩、学习路径；

2. 课堂实施数据：授课的重难点、学生接受度、课堂互动率、知识点通过率；

3. 岗位需求数据：结合企业调研、专业人才培养方案，收集岗位对数学能力的最新要求。

4.3智能分析诊断

1. 知识点掌握诊断

正确率≥85%：掌握，可以加快进度、减少重复讲解；60%–84%：基本掌握，需要增加练习、强化巩固；<60%：未掌握，必须重新讲解、补充微课、降低难度。

2. 学习状态诊断

高参与高正确率：推送拓展内容与建模任务；高参与低正确率：推送学习方法与一对一辅导；低参与高正确率：用岗位案例提升兴趣；低参与低正确率：启动学习预警，重点帮扶。

3. 课程适配诊断

判断内容难度是否合适、与专业是否相关、资源是否有效，并据此直接调整教学设计。

4.4动态优化实施

4.4.1 教学内容动态优化

高频错题知识点：增加同类例题、拆解步骤、补充微课；学生理解困难内容：替换讲解方式、增加可视化动画、结合专业场景；与专业脱节内容：直接替换成专业类岗位案例；过时冗余内容：删除或简化，保证内容精简实用。

4.4.2 难度与进度动态优化

班级整体正确率偏低：整体降难度、放慢进度、强化基础训练；班级整体正确率偏高：整体提难度、增加应用与建模任务；个体差异大：分层推送、一人一策，让每个学生都有适合自己的难度。

4.4.3 教学策略动态优化

课堂互动率低：增加随机提问、即时测验、小组竞赛；作业拖沓：设置分段提交、即时反馈、积分激励；学生理解困难：多用板书演示、软件可视化、实操计算，降低抽象度。

4.4.4 评价方式动态优化

基础薄弱班级：提高过程性评价占比，鼓励进步；整体水平较好班级：增加应用能力型评价，强化数学应用；根据数据自动调整评价权重，让评价更公平、更科学。

4.5迭代更新机制建立

课中微调：根据实时答题数据，当场调整讲解与练习；每周小更：根据周测数据，优化下周内容与资源；期中大更：根据阶段成绩，重构后半学期重难点；学期总结：结合企业需求与教学效果，全面修订下一学期课程方案。把所有优化流程固化为标准，形成可复制、可推广的动态优化范式。

五、教学实验与效果验证

5.1实验设计

在我校2025级计算机专业开展一学期对照实验，亲自授课、采集数据、统计分析，确保结果真实可信。

实验对象：计算机专业2个班，

实验班（45人）：采用智能设计+动态优化模式

对照班（45人）：采用传统教学模式

实验周期：16周

控制变量：教材、课时、考核标准、授课教师完全一致

观测指标：参与度、知识点掌握率、期末成绩、满意度

5.2 实验结果与我的分析

5.2.1 学习参与度对比

实验班：预习完成率91.2%，课堂互动率86.7%，作业提交率95.6%；对照班：预习完成率62.3%，课堂互动率53.1%，作业提交率78.4%。发现智能推送与即时反馈显著提升学生主动性，参与度平均提升25%以上。

5.2.2 核心知识点掌握率对比

实验班：84.5%；对照班：65.7%。通过数据诊断与动态优化，帮助学生补齐薄弱点，掌握率提升18.8个百分点。

5.2.3 期末成绩对比

经t检验，P<0.05，差异具有统计学意义。动态优化有效缩小两极分化，大幅提升整体教学质量。

5.2.4 教学满意度对比

实验班：94.5%学生满意（难度合适、内容有用、辅导及时、能学会）；对照班：68.9%学生满意；满意度提升25.6个百分点，说明设计与优化符合学生需求。

5.2.5 学习预警与帮扶效果

在实验班识别出8名薄弱学生，通过动态调整内容+个性化推送+一对一辅导，7人成绩达标，转化率87.5%，证明机制对学困生提升显著。

5.3实验结论

通过一学期实践，证实：智能设计让课程更精准、更接地气；动态优化让教学更灵活、更适配学生；数据驱动模式可显著提高成绩、缩小差距、提升满意度；该模式可直接在高职高数及其他基础课推广。

六、研究结论与推广价值

6.1 研究结论

本研究构建了基于AI与大数据的高职高等数学课程智能设计框架与动态优化闭环机制，形成了可操作的设计方案、资源库、评价体系与实施流程。教学实验证明，该模式能够有效解决传统高数教学痛点，提升教学质量与学生学习效果，符合职业教育数字化转型方向。研究表明：AI与大数据能够实现课程精准化、个性化、动态化设计；岗课对接与学情适配是职教基础课智能化改革的核心；闭环动态优化是课程持续改进的关键；技术与教学深度融合才能真正提升育人效果。

6.2 创新点

（1）构建职教特色鲜明的高数课程智能设计与动态优化完整体系；（2）实现知识图谱、学情画像、智能推荐、动态评价一体化应用；（3）形成可复制、可推广的高职基础课智能化改革范式。

6.3 推广价值

研究成果可直接应用于高职高等数学教学实践，也可推广至线性代数、计算机数学、物理等其他基础课，以及专业课的智能化改革。为职业院校数字化课程建设、智慧教学改革提供实践参考与方案支撑。

6.4 不足与展望

研究存在样本范围有限、技术应用深度有待加强等不足。未来将进一步扩大实验范围，深化生成式AI在资源生成、个性化辅导、智能评价等方面的应用，完善动态优化机制，推动职业教育课程智能化水平持续提升。

参考文献

[1]王健,李明.岗课赛证融合下高职课程智能化改革的路径与实践[J].中国职业技术教育,2024(12):45-52.

[2]张莉,赵强.大数据驱动的高职基础课动态优化机制研究——以高等数学为例[J].职业技术教育,2023(28):36-42.

[3]吴庆华,郭丽君.生成式人工智能时代高职院校的教学变革:挑战、框架与路径[J].大学教育科学,2023(6).

[4]周如俊.生成式人工智能赋能职业教育教学变革:主要维度与发展进路[J].当代职业教育,2024(4).

[5]王光明,刘霞,吴世霞.高等数学智能化教学模式构建与实践[J].数学教育学报,2024,33(02):76-82.

[6]周杰,刘珍,童卫丰.生成式人工智能增强职业教育适应性学习的价值逻辑与实践探赜[J].中国职业技术教育,2025(15).

[7]吴小勇.人工智能与大数据驱动的高职数学教学改革探索[J].职业技术教育,2024,45(08):52-57.

[8]孙文博,高翔.基于生成式AI的高职数学建模课程资源自动生成机制研究[J].数学教育学报,2025,34(1).

[9]黄志雄,周婷.大数据与生成式AI融合下的高职课程评价体系重构[J].高等教育研究,2025,46(22).

[10]吴砥,彭超.生成式人工智能在教育中的应用场景与伦理规范[J].中国电化教育,2024(02).