基于 AI 的学生个性化学习效果过程评价方法探索与实践——以《环境学导论》课程为例

（陕西科技大学 环境科学与工程学院，陕西西安 710021） 安丹 朱超 杨刚 郭军康

摘要：人工智能技术为教育领域的个性化教学改革提供了新路径。本文以环境科学与工程类专业基础课程《环境学导论》为实践对象，构建了基于 AI 的个性化学习效果过程评价体系。通过整合学习数据分析、动态路径推荐及多维评价模型，系统实现了对学生学习行为的实时监测与精准干预。实践表明，该方法显著提升了学生的知识掌握度、实践能力及学习主动性，同时优化了教学策略设计。本文详细阐述了课程特色与 AI 技术融合的具体路径，为同类课程的教改实践提供参考。

关键词：人工智能；个性化评价；过程性评价；环境学导论；教学改革

引言：

在教育信息化深度发展的时代背景下，人工智能技术正有力驱动着教学模式由传统的“标准化”向“个性化”转变。这一转型契合了教育现代化发展的趋势，旨在满足学生多元化的学习需求，提升教育教学的精准度与有效性。《环境学导论》作为环境类专业的核心基础课程，具有鲜明的学科特性。该课程跨学科属性显著，融合了化学、生物学、地理学等多学科知识体系，要求学生具备综合运用多学科知识的能力与系统性思维。同时，课程强调理论与实践并重，不仅要求学生掌握扎实的环境学理论基础，更需具备将理论知识应用于实际环境问题解决的实践能力。鉴于环境问题日益成为全球关注的焦点，该课程在培养专业人才与提升公众环境意识方面发挥着重要作用。

然而，传统教学模式在《环境学导论》课程实施过程中暴露出一系列问题。学生个体能力差异较大，部分学生基础知识扎实、学习自主性强，而另一部分学生在基础知识掌握与学习策略运用上存在明显不足。此外，教学过程中的动态反馈机制滞后，教师难以实时、全面地掌握学生的学习进度与知识掌握情况，致使教学策略调整缺乏及时性与针对性，无法有效满足学生的学习需求。基于此，借助人工智能技术实现个性化学习支持，成为《环境学导论》课程教学改革的关键方向。本研究以某省属高校环境类专业《环境学导论》课程为实践对象，构建了一套融合人工智能技术的个性化学习效果过程评价体系。该体系通过搭建动态数据采集平台，实时、全方位地收集学生学习过程中的行为数据；运用智能分析算法对采集的数据进行深度挖掘，解析学生的学习行为模式与知识掌握程度；依托多维度反馈机制，将分析结果及时反馈给教师与学生，为实现“因材施教”的教学评价提供了可操作的实践路径，为提升课程教学质量与学生学习效果提供了新的思路与方法。

一、《环境学导论》课程特色与 AI 融合路径

1.课程核心特征分析

《环境学导论》课程内容涵盖自然科学、社会科学与工程技术三大领域，教学目标聚焦于：（1）基础理论体系的系统性构建；（2）跨学科思维能力的培养；（3）环境问题解决能力的实践转化。其教学难点在于：学生知识背景差异显著，传统“一刀切”式评价难以精准反映个体学习状态；复杂知识体系下，动态学习路径规划需求迫切。

2.AI 技术适配性设计

教育数字化转型背景下，研究团队针对课程教学特性，开发 “三位一体”AI 支持系统，为教学改革提供技术与方法支撑。

多源数据采集模块：在多源数据采集模块构建中，研究团队借助 API 接口，将雨课堂等课堂互动平台、在线学习系统与实验报告数据库进行系统对接，实现数据的实时同步。运用数据抓取与解析技术，系统能从各平台获取学生的行为数据，如统计学生在在线学习系统中观看教学视频的时长，统计雨课堂中参与讨论的发言频次；借助测验与作业数据接口，获取学生的测验正确率；从实验报告数据库中提取实验设计创新性评分，量化学生实践创新能力。

动态学习路径引擎：动态学习路径引擎以 Python 的Scikit-learn 库为基础，运用随机森林算法构建个性化推荐模型。模型每两周自动采集学生的阶段性学习数据，计算学生在各知识模块和能力维度的掌握度。针对掌握度较低的学生，系统自动推送基础知识巩固类学习资源，如 “生态系统能量流动” 微课视频；针对实践创新能力得分高的学生，系统从案例库中筛选“城市污水处理方案设计” 等复杂案例分析资源。

多维评价反馈系统：多维评价反馈系统采用层次分析法，构建涵盖知识、能力与态度的评价指标体系。借助 NLP 情感分析技术，系统自动提取学生学习过程中的文本数据，如作业、讨论发言等。系统根据预先设定的指标权重，计算学生在各维度的得分，并基于得分生成包含改进建议的个性化评语。教师通过系统实时查看学生的评价结果，据此调整教学内容与方法，推动教学由经验驱动向数据驱动转变。

二、个性化评价方法实施与效果分析

1.实施流程与关键节点

以“大气污染控制”教学单元为例，AI 系统运行流程如下：

（1）课前阶段：系统基于学生过往化学课程的测验、作业数据，评估学生化学基础。对于化学基础薄弱的学生，系统从资源库中精准推送“污染物化学转化” 动画演示，帮助其理解复杂的化学原理；对于基础扎实的学生，则推送 “大气污染治理前沿技术”资料，拓展其知识视野。

（2）课中阶段：借助课堂答题器收集学生对知识点的即时反馈。AI 系统对答题数据进行分析，快速定位学生的知识盲区。例如，当多数学生在“气态污染物净化技术”题目上出错时，AI 系统自动从教学资源库中调取相关资料，生成课堂补充讲解内容，助力教师在课堂上及时答疑解惑。

（3）课后阶段：系统将学生提交的实验报告数据和在线测验结果进行整合分析。若是学生在气溶胶采样实验报告中出现原理性错误，且在线测验中该部分题目正确率较低，系统便会在生成的个性化报告中，明确给出“建议加强气溶胶采样原理学习”的指导，同时推送相关学习资料，如原理讲解文档、实验操作视频等，帮助学生查缺补漏。

2.实践效果量化评估

为深入验证“三位一体” AI 支持系统在“大气污染控制”教学单元中的应用成效，研究团队选取 2024-2025 年两届学生展开对比分析，其中实验组 126 人，对照组 118 人。在知识掌握度方面，实验组期末考试成绩均值提升 11.2%，且该提升具备高度统计学意义（p<0.01）。在跨学科综合题板块，实验组得分率提高 19.5% 。这得益于 AI 系统为学生量身推送学习资料，如针对化学基础薄弱学生推送“污染物化学转化”动画，帮助其理解复杂原理，从而更好地应对跨学科题目。能力发展水平上，在“环境问题解决方案设计”实践任务中，实验组方案创新性评分较对照组高 23.6%（p<0.05）。AI 系统通过课后整合实验报告与测验数据，给出 “建议加强气溶胶采样原理学习” 等针对性指导，并推送学习资料，让学生在实践时知识运用更灵活，提升了方案创新性。

学习行为改善方面，系统监测表明，实验组学生平均每周主动学习时长增加 2.3 小时。课中 AI 系统通过答题器分析数据、定位知识盲区并生成补充讲解内容，极大地激发了学生的学习兴趣。课堂互动参与率从 58%大幅提升至 82%，充分表明 AI 系统营造的互动式学习环境，让学生更愿意主动参与课堂，与教师和同学交流探讨，促进了知识的吸收与内化。

3.师生反馈与改进方向

问卷调查显示，87.5%的学生认为 AI 系统“帮助明确学习重点”，91%的教师表示“系统反馈为教学设计提供数据支撑”。现存问题包括：部分实验数据采集自动化程度不足，需进一步接入物联网传感器；评价模型对“非结构化能力” （如团队协作）的识别精度有待提升。

四、讨论与建议

1.导学课程 AI 评价的实践价值

本研究表明，AI 技术与《环境学导论》课程的深度融合，有效破解了导学阶段“知识跨度大”与“评价滞后性” 的矛盾。通过动态路径推荐，学生能够根据自身特点构建个性化知识网络；而多维评价模型则为教师提供了从“经验驱动”到“证据驱动”的教学决策支持。

2.推广应用的挑战与对策

为推动“三位一体”AI 支持系统的持续优化，需要从数据治理、教师培训、伦理规范三方面着力。在数据治理上，团队需拟定标准化数据接口协议，利用加密传输与身份验证技术，保障多平台数据的兼容性与安全性。开展 AI 工具工作坊是教师培训的重要途径，通过实操演练，帮助教师掌握数据解读和干预策略设计的技能。在伦理规范层面，严格遵循《生成式人工智能服务管理暂行办法》，明确数据使用边界，对算法进行多重校验，避免算法偏见，让 AI 系统在合法合规的轨道上助力教学。

五、结论

本研究通过将 AI 技术深度嵌入《环境学导论》教学过程，验证了基于数据驱动的个性化评价体系在导学课程中的有效性。未来将进一步优化算法模型，拓展至环境工程实践类课程，推动 AI 赋能环境教育的范式创新。

参考文献：

【1】余胜泉, 王辞晓. 人工智能赋能教育评价：技术路径与实践案例[J]. 中国电化教育, 2021(5): 1-10.
【2】黄荣怀等. 智能教育：教育信息化 2.0 时代的变革与挑战[J]. 开放教育研究, 2018, 24(3): 12-24.
【3】周建设, 王志军. 环境科学导论课程混合式教学模式改革实践[J]. 环境科学与技术, 2020, 43(S1): 245-250.
【4】教育部. 高等学校人工智能创新行动计划[Z]. 教技〔2018〕 6 号, 2018-04-02.
【5】吴飞, 孙茂松. 人工智能驱动的教育评价体系构建研究[J]. 现代教育技术, 2022, 32(7): 34-42.
【6】陈丽等. 基于学习分析的个性化学习路径推荐研究[J]. 电化教育研究, 2019, 40(9): 68-75.

本文系陕西科技大学本科智慧化（信息化）教育教学改革研究项目《基于人工智能的个性化学习路径构建与动态评价研究》（项目编号：24Z027）研究成果。