1. 引言

高校课程思政是将课程知识联系思政要素，在专业教学过程让学生把握思政元素，为高等教学中完成“三全育人”工作提供基础渠道。人工智能作为新兴产能，它推动着全行业的运行模式变革。课程思政教学与专业学习不同，不仅需要将专业知识与思政内容融合，还需要把握学术前沿，进行专业知识和课程思政融合研究。因此，人工智能在赋能学生课程思政教学，把握课程目标、融合思想元素、提升案例探索空间和实现学生思想的全面自由等方面有着不可忽视的作用。

2. 人工智能赋能课程思政教学的必要性

学生已经进入知识探索的初级阶段，对前沿知识充满好奇和憧憬，需要极强的工具支撑；其次，他们的思想整体体系逐渐完善，但其所受的思想教育主要在思政课程中。在专业应用和科研探索之后无法应用，无法持续地巩固思政要点和精髓。将专业探索与思政知识的场景联接起来需要具大的劳动储备。比如，专业基础和前沿知识的储备，与相应的思政知识融合模式，融合后与前沿探索之间的关系。这些过程的厘清和完成需要大量的知识储备和信息处理，学生很难独立承担。人工智能可以轻松将专业知识、前沿方向和思政案例进行模型性匹配，快速定位相应的联接要点，偏于人类融会贯通。因此，人工智能赋能学生课程思政，不仅能节省海量知识搜索过程，还能提升课程思政的融合方向和前沿研究概率，为学生提升课程思政的科研能力提供必要的保障。

3. 课程内容设置

葛玉辉和王淑君(2023)证实能够通过整合人力资源管理和国家人才战略的路径来进行课程思政的融合[1]。因此，如表1所示，本文以《公共部门人力资源管理课程》为例，构建专业知识、信息能力和价值取向同时并行的教学目的，凭借AI的搜索和自学习功能进行爬虫和联接，了解专业知识和思政的切入点。以此为契机，衔接案例进行内容推广，让学生快速了解其隐含的思政价值和专业功能，将课程专业与思政融为一体。具体课程衔接情况如表1所示。

Table 1. Ideological and political matching framework of artificial intelligence course

表1. 人工智能课程思政匹配框架

4. 研究问题

随着计算能力的增强、数据量的爆炸式增长以及算法的不断进步，人工智能技术正在迅速渗透到学生教育领域，特别是在机器学习、自然语言处理和认知计算等领域的突破，为教育领域带来了革命性的变化。人工智能的应用不仅改变了传统的教学模式，还为学生提供了个性化的学习体验。学界逐渐讨论人工智能在课程思政上的应用效果。例如，王佳和刘献岭(2024)提出人工智能可以通过赋能思政价值来改善教学模式，提升专业课程和思政知识的融通作用[2]。然而，这些讨论只在理论层面，没有获得实证数据的支持。本文旨在通过实证数据验证人工智能技术在课程思政教育中的应用效果，并识别提升其效果的诱导因素。本文的研究为改善课程思政教育的技术配置方案提供参考路径。路径逻辑尊重“可用、愿用、能用、预用”等过程。

从可用性来说，学员在教学过程中能够调用生成式人工智能工具的范围和多样性决定了AI的使用效果。比如，智能助教可以实现简单问题答疑、智能化作业批改、学习资源/路线推荐、课后练习推送。智能助教可以处理大量的学生查询，解答学生在课程学习中遇到的问题，提供及时反馈和灵活的学习资源，极大地增强了学生的学习体验[3]。从“愿用”角度分析，学员不断使用AI教学辅助工具，可以充分挖掘智能软件的潜能，让其应用效果在教学、互动和反馈过程中逐渐呈现。从技术挑战而言，适度难度的目标可以激发行为主体的探索动机，但难度超过人们的承受范围时，他们会受挫，应用积极性会下降。因此，技术挑战对AI应用效果的作用极为复杂，需要实证证明。从未来目标视角来看，AI在社会的应用趋势已势不可挡。AI的算力优势和自学习能力可以辅助教育业务上的互动不足和反馈滞后的问题，优化教学效果。从课程思政的结构内容来看，需要智能联接思政与专业的知识点，保持AI工具的可用性；其次，智能嵌入体验以使用意愿的形式展现；随后，技术挑战干扰着思政和专业知识的智能联接；最后以未来导向的方式解决思政和专业知识的衔接难题。因此，本文的研究问题是：人工智能应用程度、使用意愿、面临的技术挑战和未来导向水平对本课程的应用效果有怎样的影响？

5. 研究设计

《公共部门人力资源管理》课程思政是一门高校网络平台公共选修课程，在职研究生，全日制在校生均可选修。课堂上采用生成式人工智能软件文心一言作为主要的教学软件，师生在课堂教学，知识问题和互动方面均需要使用。为了深入了解利益相关者对在学生教育中应用人工智能的态度、看法、经验和期待，探讨文心一言这种生成式人工智能在学生教育中的应用效果，我们设计了一份在线调查问卷。调查问卷包括两个主要部分。第一部分研究了参与者的人口统计数据，包括性别、年龄、当前职业、所在的教育机构类型、所在的学科领域、人工智能使用频率和操作熟练程度。问卷的第二部分包括29个题目，旨在探讨参与者对在课程思政教育中应用人工智能的体验，包括整体应用效果评价、使用意愿、人工智能的应用效果、应用中面临的技术挑战、以及人工智能的未来导向作用。这些问题和本文的研究目标一致。答题项采用里克特4点量表显示，1表示非常不同意，4表示非常同意。

问卷数据先后采用信效度分析保证量表的有效性和稳定性，再使用相关系数分析人工智能应用效果与相关因素可能的初步关系，最后使用多元层次分析呈现各个相关因素对人工智能课程应用效果的影响系数和显著度。

6. 研究结果

6.1. 描述性统计分析

在7个平行班449名学员中，人口特征分布较为广泛。如表2所示，课程参与者的性别比例相对均衡，其中女性略高于男性；年龄分布以19~30岁的青年群体为主，占比超过七成；职业主要集中在学生群体，占72.44%，其次是教师和行政人员；学员所属的教育机构类型中，普通高等学校占主导地位，接近一半，此外民办学生教育机构和成人高等学校也有一定比例。总体来看，数据主要反映了相关人群对人工智能在高等教育中的应用效果的关注和反馈。

表3所示，关于人工智能在学生教育中的使用频率，大多数受访者表示偶尔使用或经常使用人工智能技术。具体而言，约37.36%的受访者偶尔使用人工智能，34.17%的人经常使用，而从未使用和很少使用的比例较低，分别为8.66%和19.82%。这表明，尽管并非所有受访者都频繁使用人工智能，但其在学生教育中的应用已相对普及，且逐渐被更多人接受和使用。在操作熟练程度方面，受访者的分布较为广泛。约37.59%的受访者表示自己对人工智能操作“比较熟练”，27.79%的人“非常熟练”，而28.47%的受访者为“初学者”，仅有6.15%的人表示“完全不了解”人工智能。这表明，尽管仍有一部分受访者处于学习阶段，但大多数人对人工智能具有一定程度的熟练度。

Table 2. Demographic variables

表2. 人口统计变量

Table 3. Participants’ AI proficiency and usage

表3. 参与者人工智能熟练度和使用度

6.2. 信度分析

如表4所示，各变量Cronbach’s Alpha系数都高于0.7，这表明问卷中的各个条目在衡量相同概念时具有很好的一致性。同时，高信度系数意味着调查中的问题是可靠的，它们在衡量目标概念时保持了一致性。这也增加了调查结果可信度，可以进行进一步的效度检验。

Table 4. Reliability analysis

表4. 信度分析

6.3. 效度分析

(1) KMO和Bartlett检验

表5显示，本次调查的KMO为0.917，并通过了Bartlett球形度检验，支持了数据之间存在共因性。这说明数据适合因子分析。

Table 5. KMO and Bartlett analysis

表5. KMO和Bartlett分析

(2) 探索性因子分析

通过查看旋转后的因子载荷矩阵，确定每个变量的主要因子归属。因子载荷值较高(通常大于0.4)的变量被认为在该因子上有显著贡献。最大方差旋转后，确定研究项与因子间的关系。如表6所示，排除小系数(0.4以下)后，通过观察旋转后的因子载荷系数可知，题项对应因子载荷均超过了0.4，对应关系与预设相符合，说明本研究数据效度良好。

Table 6. Factor analysis

表6. 因子分析

6.4. 相关性分析

如表7所示，各个变量的均值都大于正态分布均值2.5，说明各个变量对人工智能在高等教育中的各项指标之间存在显著的正相关关系。具体而言，应用程度与使用意愿之间的相关系数为0.463，说明应用程序的使用频率与受访者对人工智能的使用意愿之间存在中等程度的正相关；应用程度与应用效果之间的相关系数为0.391，表明两者也具有较强的正向关系。此外，技术挑战与其他指标之间的相关系数普遍在0.35至0.38之间，显示出人工智能应用中的挑战因素与应用程序、使用意愿等方面也有一定的联系。总体来看，各项指标之间的正相关关系表明，人工智能在课程思政教育中的应用效果在多个维度上相互影响，具有较强的互依性。

Table 7. Correlation analysis

表7. 相关性分析

注：对角线部分是各个变量的均值，括号中显示的是其标准差。

6.5. 层次回归分析

Table 8. Hierarchical regression analysis

表8. 层次回归分析

表8所示，多个变量对人工智能在高等教育中的应用效果产生了显著影响。首先，年龄、教育机构类型、人工智能使用频率、操作熟练程度、使用意愿、应用效果、技术挑战和未来导向均与应用效果显著相关，且具有正向影响。特别是使用意愿的标准化系数较大，为0.199。此外，年龄(p = 0.048)、教育机构类型(p = 0.005)、人工智能使用频率(p = 0.019)，操作熟练度(p = 0.017)，技术挑战(p = 0. 109)和未来导向(p = 0.121)也表现出对人工智能应用效果较强的正向关系，表明这些因素与应用效果的提升密切相关。然而，性别和职业对应用效果的影响不显著(p = 0.431和p = 0.694)，其标准化系数分别为−0.031和0.015，表明这两个变量对人工智能应用效果的影响较小。整体模型的R²值为0.36，表明所选自变量能够解释36%的应用效果变异，且模型整体显著(F (11,427) = 21.820, p = 0.000)，说明该回归模型对人工智能在高等教育中的应用效果具有较好的解释力。

7. 讨论

7.1. 使用意愿分析

在高等教育中，人工智能已经成为了教师的得力助手。传统的教学资源下，需要教师从事评阅、考核专业和思政内容等大量重复性的工作，容易产生职业倦怠，难以在课堂内容优化上投入精力。人工智能的出现提供了智能识别和内容衔接模型等教学辅助工具。这些工具能够减轻教师同时兼顾课程专业知识和思政内容的负担，提高教学效率[4]。通过运用大数据分析技术，教师还能够更全面地掌握学生的思政和专业学习情况，并据此制定更为精确的贯通性教学计划，实现教学效果的实时监测和管理。此外，智能技术还促进了思政和专业资源的开放共享，使教师能够获取更广泛和多样化的融合资源，提升教学内容的质量和针对性[5]。

人工智能技术在课程思政的应用提高了双元学习效率。AI通过分析学生的进度和兴趣，定制专业知识和思政融合的学习计划。通过个性化反馈促进学生自我认知，及时识别并支持有思政融通兴趣的学生，从而激发学习动机，提升学习效率。作为智能辅导工具，AI还能够实时响应学生问题，提供反馈和解题指导，强化专业和思政关键知识点的衔接。在面对复杂问题时，AI可以模拟各种情景，提供多样化的解决方案，激励学生进行深入分析与思考。这种互动式学习让学生在解决实际问题时学会评估不同观点，引导学生识别信息的真实性，培养学生质疑和反思的能力。AI技术还通过多样化学习方式，如VR和AR，提升学生的社会适应能力、专业素质和职业素养，为未来的社会生活和就业市场做好准备[6]。

7.2. 推广频率和使用度分析

人工智能推动了高等教育教学模式的变革。从注重知识灌输和应试能力培养转变为更加注重学生的个性化发展和创新能力培养。通过AI技术的赋能，高等教育可以实现更加灵活多样的教学方式，如项目式教学、游戏化教学等，让学生在实践中学习和应用知识。AI技术还可以支持在线教育、远程教育等新型教学模式的发展，使得教育更加便捷和高效。这些变革不仅提高了教育质量，也为学生提供了更加广阔的学习空间和机会[7]。从数据分析结果来看，学生的使用意愿和应用程度都较好，且促进了人工智能的教育效果。

人工智能技术已经驱动了高等教育的深刻变革。学科建设上，高校需依据社会需求设立人工智能相关学科，培养产业所需人才，同时促进“人工智能 + X”交叉学科的发展，模糊学科界限，并将AI素养纳入通识教育。管理模式上，AI技术降低管理成本，提升效率，通过数据分析实现智能决策，优化资源配置。教育理念亦随之转变，强调构建“大教育”观，打破学科壁垒，提供个性化学习空间，重视产教融合，推动教育多元化、综合化和智能化发展[8]。

7.3. 意外发现分析

本文发现年龄对人工智能在课程思政的应用效果有正向影响。这与年轻人更易习得人工智能技术等常识不符。然而，本文强调的是人工智能衔接专业知识和思政内容的效果，除了技术应用水平外更注重思政价值的敏感性。尽管年轻学员操作AI技术更加熟练，但年长学员拥有更多的专业和思政知识储备，抵消了其技术不足的劣势。同时，教育机构类型上，随着从民办院校到研究生院所等研究层次的提升，人工智能技术在课程思政上的应用效果越好。这说明研究层次越高，学员的专业和思政融通需要更为强烈，借助技术的学习效果越强。此外，本文发现技术挑战增强了人工智能的应用效果。这说明在构建专业知识和思政内容的技术模拟环境过程中，目标难度激活了学员探索课程思政的内在动机。在可承受的范围内，技术挑战激励了学生主动融通课程思政的趣味需求。

7.4. 挑战与建议

尽管人工智能在某些领域取得了显著进展，但在课程思政教育这一复杂且多变的领域中，其应用仍面临诸多技术难题。AI技术依赖算法与数据来执行任务，为教育提供了个性化学习与教学的新方式，提升了教育的效率与体验，但技术尚未达到完全成熟的阶段。学习数据的稀疏性可能导致个性化方案精准性有所欠缺。现有的智能教学系统大多依赖于大量的历史数据进行分析和预测，但在实际教学环境中，学生的学习行为和成绩往往受到多种因素的影响，这使得系统的预测准确性受到限制。在数据资源有限的情况下，模型存在以偏概全的现象。此外，教育者和管理者可能会过度依赖这些技术来解决教学和管理上的问题，学习者也可能过度依赖人工智能技术获取知识和信息，这可能导致教与学中的技术依赖风险，忽视教学过程中的反思和学习过程中的独立思考重要性。为了克服这些技术挑战，研发人员需要不断深化技术研发，优化算法，并结合教育专家的知识，创建更加智能的交互系统。这包括开发更加精准的学习分析工具，提高系统的自然语言处理能力和情感识别能力，以及构建能够自适应调整教学策略的智能教学系统。同时，教育机构需要加大对人工智能技术的投入，引进先进的智能教学设备和系统，为教师和学生提供更好的技术支持[9]。

人工智能技术在高等教育中的应用需要大量的学生数据作为支撑。包括学业成绩、个人背景等等。教师和学生普遍担心使用人工智能相关技术会残留使用者个人信息，商家可以利用这些信息用于非教育用途。人工智能在数据收集、存储和转化过程中的作用机制不断进化，这大大提升了标的信息的泄露风险[9]。为了保障学生的数据安全和隐私权益，高等教育机构需要采取一系列措施。应该建立严格的数据保护法规和政策框架，明确数据的收集、使用和管理规范。应该采用先进的数据加密和匿名化技术，确保数据在传输和存储过程中的安全性。同时，还需要加强对学生数据的监控和管理，及时发现并处理潜在的数据泄露风险。加强对学生数据隐私保护的宣传教育，提高学生的数据保护意识和能力。

传统的高等教育注重培养学生的批判性思维、创新能力和人文素养，而人工智能技术的广泛应用可能会使教育过程更加标准化和程序化，从而削弱学生的创造力和个性发展。本文发现学会未来导向有助于提升AI的教学效果。尽管在“人工智能 + 教育”场景下，技术将发挥不可替代的作用，但教育过程在于促进学生的可持续发展本质不变。技术应该成为实现这一目标的辅助工具，而不是主导或取代教育过程。其次，人工智能技术在教育中的应用会加剧教育不公平现象，不利于国家整体教育资源布局。经济条件较差的地区和学校无法承担高昂的技术成本，导致优质教育资源的分配不均衡。因此，在推进人工智能技术在高等教育课程思政的应用时，必须充分考虑其价值层面的影响，确保教育的公平性和可持续性。这包括制定公平和伦理的使用原则和标准，确保技术的普及性和可访问性，以及加强对教育行业的监管和评估[10] [11]。

人工智能技术的引入对教师和学生角色带来了冲击。教师不再仅仅是知识传授者，而逐渐演变为学习引导者和辅助者。教师不仅要有扎实的专业知识和高尚的道德情操，还需要掌握一系列新的教学工具和方法。教师需要正确认识和掌握新技术，深入理解人工智能的特点、应用场景以及在教学中的潜力与价值，以便更好地与人工智能技术相结合，发挥其最大的教育作用。同时，教师需要适应新的教学模式，如个性化教学、项目式教学、人机协作教学等，要求教师具备更强的创造力和批判力。对于学生而言，需要更加自主地学习和探索知识，同时还需要具备更强的信息筛选和批判性思维能力，以便在海量信息中筛选出有价值的内容。此外，人工智能技术的广泛应用也可能导致学习方式变化，从传统的课堂学习转变为线上学习和混合学习。这要求学生具备更强的自我管理和自律能力，以便在无人监督的情况下保持高效学习状态。因此，师生需要技术、专业和思政三重融合培训，更好地适应人工智能时代的课程思政教育[12]。

8. 结论

本研究揭示了人工智能在课程思政中的效果诱因，包括提升机构层次、技术推广程度、改善AI模拟配置难度、优化学习体验和教育公平的未来导向设置，也指出了技术、价值、数据安全和角色适应等方面的挑战。人工智能的应用需在融通教育本质和思政价值的前提下，平衡技术与教育效果之间的关系。即AI落地技术障碍的消除和思政专业衔接的匹配适应性的提升可以提升该技术在课程思政上的应用效果。未来，在技术研发、政策制定、伦理规范和教育培训等方面做出联合配置，以确保人工智能技术能够在课程思政教育中发挥最大潜力。同时，面对技术挑战，师生应采取自适应的方式融合人工智能工具，专业知识和思政意涵，促进高等教育模式的创新和发展。

基金项目

本文受到上海理工大学研究生教学建设项目(SZ202405)的资助。

参考文献