对应结题书"三、教学应用情况"栏目。数据口径与《智慧教学应用报告》一致（知识图谱 522 知识点/5 级/896 关系，问答库 1496 题，知识库 110 小节）。
《人工智能基础》课程的设计以"以学生为中心、理论与实践融合、案例驱动、价值引领"为核心理念，充分发挥人工智能技术在学情分析、个性化推荐、智能测评、课堂互动等方面的优势，使课程在知识传授、能力培养、价值塑造三个维度上形成全面提升。通过粤港澳大湾区高校在线开放课程联盟的优质资源，以及我校自主建设的课程知识库与问答库，打造了贯穿课前、课中、课后全过程的智慧教学闭环。
课前环节，AI 助教基于学生的学习数据和知识图谱，推送与学习目标匹配的预习资料、视频讲解和案例分析，并在后台实时采集预习行为数据，分析每位学生的薄弱环节与兴趣领域。这些数据既帮助学生在课前有针对性地准备，也为教师精准调整课堂重点提供参考。
课堂环节，以线上线下融合方式开展。线上部分依托联盟平台与知识图谱，为学生提供完整的核心内容及丰富的拓展资料；线下课堂在教师引导下围绕重难点进行深入讲解和案例实操。AI 助教贯穿课堂全过程，通过实时分析答题正确率、互动参与度等指标，为教师及时反馈学生的理解情况，支持动态调节教学难度和内容；学生通过案例讨论、项目实验体验人工智能在教育、金融、智慧城市等领域的实际应用，在理论与实践结合中提升综合能力。
课后环节，AI 系统根据学生课堂表现和历史数据自动生成针对性练习和复习题集，涵盖学生未掌握或掌握薄弱的知识点；客观题自动评分快速反馈，主观题由教师结合系统的分析建议进行评审，并在下一轮学习推送中调整个性化学习路径，帮助学生建立科学的自我诊断与自主学习机制。
课程思政自然渗透于各环节：讲解人工智能发展历程时引入钱学森先生的思想和贡献，以及我国在大模型和生成式 AI 领域取得的突破，引导学生树立民族自信心；在跨领域应用案例分析中强调科技与社会责任的辩证关系，培养科技伦理意识。
教师备课支撑（本项目建设）：为支撑上述教学设计的落地，项目自建 AI 备课工作台，按"班级画像分布 × AI 素养五维 × 专业模板"两段式生成个性化教案、课件与习题，并以六条质量标准与系统闸门（G1–G6）控制生成质量，使教师能够针对多专业班级快速产出与学情匹配的教学设计（见图4）。
整门课程的教学活动组织充分体现线上线下融合、理论与实践结合的特征，教学安排遵循"课前引导—课堂探究—课后巩固—跨时延评价"的节奏，以人工智能贯穿各环节，实现信息流、数据流和交互流的有效整合。
课前阶段，教师与 AI 助教系统协同工作，根据课程知识图谱和学生学习档案进行内容推送和预习指导；学生在平台上接收针对自身水平的预习资料、导学问题和案例链接，并通过小测验或互动题自动记录学习数据。这些课前活动帮助学生提前接触核心概念，为课堂深入探究做好准备，同时为教师提供真实、即时的学情报告，使课堂环节有所侧重。
课堂阶段强调双线互动：线上依托联盟平台提供可视化课件、实时答疑板和互动测评，线下由教师引导学生进行重点知识讲解、实验演示和案例研讨。在大班教学基础上辅以小组讨论、任务驱动实验等形式，让学生在解决实际问题的过程中体会人工智能方法的应用；AI 测评系统实时收集课堂答题正确率、互动频率等指标，帮助教师动态调整教学节奏，对理解薄弱的内容即时补充。课程思政元素渗透于案例选择和讨论议题，既引导学生关注科技对社会的积极推动，也鼓励其反思技术应用中的伦理和法律挑战。
课后巩固以个性化作业和在线复习为核心。AI 系统根据学生课堂与作业表现自动生成专题练习、推送拓展阅读和视频案例，帮助学生补足短板、延伸兴趣；教师通过平台批阅作业并结合学习行为报告，对群体性或个体性的薄弱环节安排专项返课或案例延展；学生可通过智能问答库随时查询课程相关问题，形成随时可触达的学习支持环境。
教学活动的组织遵循动态调整与持续优化原则。教师在每轮教学任务结束后，利用系统学情分析结果对内容设计、活动安排和评价标准进行微调，使课程始终贴近学生的真实需求和技术发展的最新趋势。项目自建 AI 备课工作台通过课后反馈四字段自动回写与知识补丁机制，支撑教师"边教边调"，将课堂证据直接转化为下一轮备课的输入。
课程评价体系坚持过程性与终结性相结合，形成由数据驱动、师生互动、价值引领的综合模式。依托 AI 助教和课程知识库，评价贯穿课前准备、课堂参与、课后巩固及最终能力检验全过程。
整体评估比例采用考试卷面成绩占 50%、平时成绩占 50% 的方式：卷面成绩来自期末考试，客观题由平台自动评分，保证评分的精准与透明，主观题由教师在 AI 系统分析的基础上进行人工评定，既看解题思路的完整性，也关注答案的创新性与社会价值；平时成绩来源于多个维度的学习行为数据，包括视频观看完整度、互动答题表现、知识点掌握进度、课后作业完成质量与及时率，以及线下课堂的参与程度、提问与交流积极性、团队协作和案例讨论贡献度。
过程性评价由系统持续监控和教师定期分析共同完成：课前预习表现、课堂答题情况、讨论参与频率、小组任务表现形成多维度学情档案，期中和期末纳入综合评价参照；终结性评价除卷面考试外，还结合课程项目或案例展示，检验学生在知识应用、问题解决、团队合作方面的能力。
价值引领维度：评价不仅考查技术掌握，还关注学生的科技伦理意识与社会责任感，案例研讨、项目选题等环节中的价值判断与立场由教师记录并作为综合素质参考。
最终，课程通过 AI 量化数据与教师质性评价相结合，形成可追踪的个人学习档案：学生能清晰看到自己在知识掌握（50% 卷面）和能力提升与学习过程（50% 平时）上的成长轨迹，教师则借助结果持续优化教学安排和资源配置，推动课程在智慧教学环境中的持续迭代。课程知识图谱（522 知识点、896 关系）与问答库（1496 题）为评价提供"按知识点定位薄弱环节"的能力，支撑精准反馈。
针对"教学设计、教学活动组织、教学评价"三个部分分别绘制模式图：
本说明整合项目中期检查表相关表述与结题阶段建设成果（知识图谱、知识库/问答库、AI 备课工作台）撰写。