P5 课程设计段向导 — 演示记录
日期：2026-08-22
模型：deepseek-v4-flash
BASE_URL：https://api.deepseek.com
API Key：已配置（不回写明文）
班级：2024级法学1班 id=2
verified_at=null
画像标注：基于问卷的待验证假设，需首月课堂观察修正
G2 无主案例：ok=false message=案例型课须先选主案例
文案锁定：案例型课须先选主案例
G2 已选主案例：ok=true mainCaseId=1
—— 真实生成：type=curriculum 本班课程目标草稿 ——
任务 id=4 status=pending
结束 status=done 耗时=30372ms
model=deepseek-v4-flash flagged=false
retries={"api":0,"json":0,"schema":0}
usage={"prompt_tokens":3072,"completion_tokens":4278,"total_tokens":7350,"prompt_tokens_details":{"cached_tokens":2944},"completion_tokens_details":{"reasoning_tokens":3239},"prompt_cache_hit_tokens":2944,"prompt_cache_miss_tokens":128}
class_outcomes=7
1. [O1-1] 能用自己的话说明人工智能的基本概念、能力边界与典型应用，并区分「能做什么」与「不能做什么」
落地：结合司法 AI 应用实例（如智能辅助量刑、类案检索），澄清『算法中立』等常见误解（基于待验证假设）。面向法学班，避免技术细节，强调能力边界与法律场景的联系。
2. [O1-2] 能解释常见 AI 技术（含 NLP 舆情分析）的基本流程，并指出其中至少一个依赖人工判断的环节
落地：以 NLP 舆情分析流程为例，突出至少一个依赖人工判断的环节（如事实核查），呼应法律事实认定程序（待验证假设：学生对算法流程不熟悉）。
3. [O2-1] 能在许可工具范围内完成一次带事实核查步骤的人机协作任务（检索、摘要或公开舆情演示）
落地：设计法律主题的人机协作任务，如用 AI 检索并核查一起名誉权案件相关信息，培养学生证据核查习惯（待验证：学生工具基础分布）。
4. [O3-1] 能基于具体案例指出模型可能出错的典型场景并说明原因（如语境缺失、群体标签、数据偏见）
落地：以司法 AI 的数据偏见为例（如训练数据失衡导致误判），引导学生分析模型出错的场景及法律后果（待验证：对算法中立存在误解）。
5. [O3-2] 能比较两种以上 AI 治理方案的利弊，并说明各自的适用边界
落地：比较算法透明、算法审计等治理方案在舆情治理中的利弊，说明其适用边界（待验证：学生辩论参与度为待观察项）。
6. [O4-1] 能就「AI 输出能否作为处置/裁判依据」给出有法律或伦理原则支撑的立场
落地：组织辩论：AI 输出能否作为裁判依据？要求学生从正当程序、证据规则等法律原则出发论证（待验证：学生伦理立场分布）。
7. [O5-1] 能把本课技术事实迁移到本专业情境（如网络治理、名誉权、舆情处置）提出一条可操作建议
落地：结合网络名誉权、舆情处置等真实情境，学生提出一条可操作的人机协作建议，明确人工判断的不可替代性（待验证：专业迁移兴趣）。
rationale=本班课程目标草稿沿用了公共课程目标 O1-1 至 O5-1 共 7 条，未另设编码。目标覆盖概念理解（O1-1/O1-2）、应用与人机协作（O2-1）、批判评价（O3-1/O3-2）、伦理与治理（O4-1）、专业情境迁移（O5-1）五个素养维度。结合法学班专业背景（司法 AI、AI 生成内容责任、舆情与言论等）进行班级适应化描述，重点强化人工判断、证据核查、伦理论证等法律职业相关能力。需要说明的是，班级画像分布（如编程基础、数学基础、讨论意愿）来自教师预填问卷，尚未通过课堂观察确认，因此上述班级适应化设计均为待验证假设，需在首月教学中动态修正。