随着人工智能技术的飞速发展，教育数字化转型已成为全球高教改革的重要趋势。高等数学作为工程类人才培养的核心基础课，长期面临模式单一、反馈滞后、个性化不足等困境。本研究聚焦AI赋能下的高等数学课程数字化改革，探索构建“知识图谱+行为数据”双驱动教学新模式，通过学习通等平台整合全周期学习数据，建立多维动态评价体系。实践表明，该模式可精准追踪学情、推送个性化资源、优化教学策略，有效提升学习效果与课堂参与度，为高校数学类课程数字化转型提供实践范例。

一、本课题研究现状及必要性

（一）研究现状

随着人工智能技术的快速发展，其在教育领域的应用已成为研究热点，高校课程数字化建设已成为全球教育现代化的重要方向。《教育信息化2.0行动计划》强调通过大数据采集、分析，将人工智能切实融入到实际教学环境中，实现因材施教、个性化教学。从国家到省多级指导文件中强调了人工智能赋能教育数字化转型的战略意义。

然而，根据中国知网（CNKI）数据显示，以“人工智能背景下课程数字化”为主题的文献较少，由此可见，当前国内对如何将人工智能更好地应用在课程数字化改革建设中的相关研究还不够以人工智能为依托，促进教育数字化转型，对教学全过程进行评价，进一步提升教学质量。

需要个性化与自适应学习：AI通过分析学习行为数据，推荐定制化学习资源和习题（如“AI助学”系统），实现因材施教（张龙健，2025）；并且利用智能评测系统（如“AI助评”）提供实时反馈，覆盖主观题评价和学习效果解析。

（二）高等数学课程数字化改革的必要性

丰富数字化教育理论体系，构建“知识图谱+行为数据”双驱动的数学课程数字化改革框架，在教学中及时生成可视化教学评价报告，动态追踪学生学习轨迹，打通教学各环节数据孤岛，进而建立动态学习数据库；利用学习行为数据，AI推荐资源和辅助教师调整教学策略。实现因材施教与精准管理，并优化教育评价体系，基于大数据的多维评价（如学习行为分析）弥补传统考试的局限性。解决了以往重结果轻过程，评价单一、反馈滞后的问题，推动教育公平与创新。数据驱动的个性化，推动教育公平与创新。

二、高等数学教学数字化转型的内容

针对应用型本科工程类人才培养方案的要求，整合高等数学的知识体系显得尤为重要。依托超星学习通平台，开发智能教学工具链：知识图谱构建工具、动态题库系统、学情分析模型。

（一）高等数学知识图谱与AI融合体系构建

系统梳理高等数学核心概念（极限、导数、积分、微分方程等），构建知识点间的逻辑网络，重点标注与AI技术的关联节点（如极限、导数与积分）（图1）。

（二）动态题库系统和知识图谱相结合实现教学互补

根据知识图谱中知识点的难易程度，在课程题库中标记相应习题的难度等级。例如，极限的基本运算习题设为易（基础）等级，利用洛必达法则求解复杂极限的题目设为中（中等）等级，结合极限去证明一些复杂定理的习题设为难（提高）等级，方便教师针对不同基础的学生布置个性化作业和测试。针对知识图谱中拓展性、研究性较强的知识点路径，在题库里配置开放性探索题目，满足学有余力的学生深入探究高等数学知识，比如，让学生自主探究如何运用泰勒公式求解一元函数极限等，并尝试总结规律，再通过习题来检验学生探究的成果。通过学生完成习题的情况，教师可以从知识图谱中容易分析出学生对各章节知识点的平均掌握率以及具体章节每个学生的掌握率。还可以进行AI动态组卷：按知识点关联度和难度系数智能生成个性化试卷。

（三）借助学习通等实践平台基于学习行为数据的动态评价体系进行学情分析

构建“人工智能+高等数学”的教学理论框架，探索AI时代的学习科学，如人机协同认知机制，丰富数字化教育理论体系。并优化教育评价体系，基于大数据的多维评价（如学习行为分析）弥补传统考试的局限性。整合课前预习（视频观看完成率、视频暂停点）、课中互动（随堂测验表现）、课后巩固（作业错题分析）、考试测验等教学全周期数据，打通教学各环节数据孤岛，进而建立动态学习数据库（图2）。

根据知识图谱+课程题库+线上、线下课程的资源构建符合学生认知规律和强化过程性考核的多目标课程评价体系（表1）。

总评成绩构成	平时成绩25%					2次阶段性测试成绩25%		期末成绩50%
二级指标及 比例	考勤20%	随堂练习完成情况10%	作业25%	章节任务点学习15%	课程积分（抢答、讨论等）30%	基础知识80%	扩展应用20%	基础知识80%	扩展 应用20%
目标	知识目标、能力目标、情感和价值观目标

借助人工智能，在高等数学教学中及时生成可视化教学评价报告，动态追踪学生学习轨迹。比如，利用学习行为数据（如积分应用错误率）推荐资源（如补充“积分换元法”微课视频）；以及为不同专业学生定制案例（工科类：加速度与二阶导数；经管类：边际效应与导数分析）。打通课前（预习完成率）、课中（课堂互动）、课后（作业错题）数据孤岛，构建动态学习数据库。

根据学生的作业、阶段性考试情况经过数据分析，支持教师决策。对学生的学习能力和对知识的感知兴趣做出个性化评价，制定符合学生实际情况的下一阶段的教学计划。并在教学工作中动态学习数据库实时更新章节知识点题库、作业库及试卷库。实现因材施教与精准管理解决了以往重结果轻过程，评价单一、反馈滞后的问题，推动教育公平与创新。通过AI模型多维度评估学生知识、能力与素养，动态分析学生学习行为，识别学生知识掌握模式；还可以精准学情反馈：自动生成包含知识维度、能力发展和素养提升的多维评估报告。

提供班级学情看板（如“60%学生混淆全微分与偏微分”或者班级高频错误点），辅助调整教学策略，增加对应案例讲解。实时学习干预，基于学生答题数据及时推送补救资源。

实践验证：选取2个平行班（n≥60），通过对照实验（实验班采用AI系统vs对照班传统教学），对比期末成绩。指标是平均分和及格率。其中传统班级平均分为72.3和及格率为68.5%，实验班的平均分为84.7和及格率为91.2%；对比显示，实验组阶段性成绩显著提高。学生学习积极性显著提高、参与度明显提升以及解决实际问题的能力得到提升。

随着人工智能技术的快速发展，高校课程数字化建设已成为全球教育现代化的重要方向。人工智能通过自适应学习平台及大数据分析等技术，推动教学模式从“知识传授”向“能力培养”转变，有力促进学生个性化教育以及教学质量的提升。本课题主要研究以人工智能为依托，促进教育数字化转型，对教学全过程进行评价，进一步提升教学质量。

三、结语

构建“人工智能+高等数学”的教学理论框架，探索AI时代的学习科学，如人机协同认知机制，丰富数字化教育理论体系。在高等数学教学中及时生成可视化教学评价报告，动态追踪学生学习轨迹，打通教学各环节数据孤岛，并优化教育评价体系。实现因材施教与精准管理解决了以往重结果轻过程，评价单一、反馈滞后的问题，推动教育公平与创新。

参考文献：

1. [1] 倪倩. 人工智能时代大学数学建模教学的机遇与挑战[J]. 中国多媒体与网络教学学报(上旬刊),2023(11):46-49.
2. [2] 张龙健, 李锦辉. 微积分与人工智能融合教学创新与探索[J]. 中关村,2025(01):249-251.
3. [3] 李继成,赵小艳, 马丽, 等. 项目驱动研究人工智能大模型技术对大学数学课程教学的影响与变革[J]. 大学数学,2024,40(03):123-124.