面向高職精準教學的生成式人工智能智能優(yōu)化機制研究

中圖分類號：G434文獻標識碼：A 論文編號：1674—2117（2025）15—0105-04

引言

近年來，隨著信息技術的快速發(fā)展，信息安全問題日益凸顯，國家相繼出臺了《中華人民共和國網絡安全法》《中華人民共和國數(shù)據(jù)安全法》等法律法規(guī)，并加快推進網絡安全標準化建設。國家政策文件明確要求高校加強網絡安全標準化相關課程建設，推動專業(yè)教育與行業(yè)標準的深度融合。然而，目前高職院校信息安全專業(yè)的人才培養(yǎng)在課程內容更新、實踐能力培養(yǎng)及標準化教育等方面仍存在不足，難以滿足行業(yè)對高水平技能型人才的需求。因此，構建精準教學體系，以智能化手段優(yōu)化教學模式，提升學生的實踐能力和標準化理解能力，成為當前高職信息安全教育改革的重要方向。

生成式人工智能技術的興起，為教育領域的智能優(yōu)化提供了全新的思路。生成式人工智能通過結合深度學習、大規(guī)模預訓練模型和強化學習等技術，實現(xiàn)了知識生成、自動批改3、智能推薦4等功能，能夠有效賦能教育資源開發(fā)與教學優(yōu)化。將生成式人工智能應用于高職信息安全專業(yè)的精準教學，不僅能提升教學效率，還能增強學生的自主學習能力與實踐應用能力。因此，筆者在高職信息安全專業(yè)的教學實踐中探索基于生成式人工智能的智能優(yōu)化機制（如下頁圖），構建了課前智能資源生成、課中個性化學習路徑推薦、課后智能評測反饋的全鏈條精準教學體系。

課前優(yōu)化：教學資源智能生成

在傳統(tǒng)教學模式下，教學資源的生產主要依賴于教師的個人經驗，教學通常采用固定教材、課件和案例，難以快速適應行業(yè)技術的快速迭代。同時，由于教學資源的更新周期較長，課程內容往往難以及時反映信息安全領域的新興技術和最新發(fā)展趨勢。此外，學生在知識背景、學習風格和認知能力上存在較大差異，統(tǒng)一的教學資源難以滿足個性化的學習需求。

1.生成式人工智能生成多模態(tài)課程內容

生成式人工智能能夠通過結合自然語言處理、計算機視覺和生成式對抗網絡等技術高效生成文本、圖片、視頻、交互式案例等多模態(tài)教學資源，為信息安全專業(yè)課程提供更加豐富、直觀的教學內容。具體而言，在文本內容生成方面，生成式人工智能可根據(jù)課程大綱自動撰寫知識點講解、案例分析、實驗步驟等，并結合實時更新的行業(yè)動態(tài)，使課程內容更加前沿。在視覺化內容方面，生成式人工智能可生成教學所需的圖表、流程圖、架構示意圖等，使復雜的網絡安全原理更易于理解。此外，生成式人工智能還能自動生成交互式案例和仿真實驗場景，使學生能夠在模擬環(huán)境中進行網絡安全攻防演練。

2.知識圖譜構建與動態(tài)資源 更新

生成式人工智能可結合知識圖譜技術構建動態(tài)化的教學資源體系，通過關聯(lián)課程內容、行業(yè)標準、前沿研究和實際應用案例，實現(xiàn)教學資源的智能更新。知識圖譜是一種能夠系統(tǒng)化表示知識結構的技術5，能夠以圖結構形式組織和存儲不同知識點之間的關聯(lián)關系。在信息安全專業(yè)的課程中，生成式人工智能結合知識圖譜技術可以構建從基礎概念到高級技術的知識層次關系。例如，在“網絡安全防御體系”模塊中，它可通過知識圖譜展示防火墻、人侵檢測系統(tǒng)、零信任架構等概念的層級關聯(lián)，幫助學生構建完整的知識體系。它還可以通過與行業(yè)數(shù)據(jù)庫、網絡安全漏洞庫、法規(guī)政策庫等數(shù)據(jù)源連接，自動檢測新技術、新威脅、新標準的發(fā)布情況，并及時更新相關教學內容。

3.個性化資源匹配

基于生成式人工智能可構建個性化的資源匹配機制，通過分析學生的學習軌跡、認知水平和興趣偏好，動態(tài)推薦最適合的學習資源，提高教學適配度。首先，生成式人工智能可為基礎薄弱的學生提供更多基礎概念解析和案例演示，而對于能力較強的學生，則推薦更具挑戰(zhàn)性的任務和實驗。其次，生成式人工智能可以結合學習風格分析，為不同類型的學生提供個性化資源匹配。對于視覺型學生，系統(tǒng)會推薦更多圖像化、動畫演示內容，而對于文本型學生，則提供詳細的文字講解和文獻閱讀材料。此外，結合交互式學習技術，生成式人工智能還能生成個性化的練習題和測試任務，并根據(jù)學生的答題表現(xiàn)動態(tài)調整后續(xù)推薦內容。

課中優(yōu)化：學習路徑個性 化推薦

傳統(tǒng)教學模式主要依賴固定的課程安排，教師通常按照既定教學計劃講授知識點，難以動態(tài)適配學生的個體差異。尤其是在信息安全專業(yè)課程中，知識體系龐大且實踐要求較高，學生的學習節(jié)奏和掌握程度存在顯著差異。結合生成式人工智能和強化學習技術，可構建個性化學習路徑推薦模型，動態(tài)調整教學內容與學習進度，提高學習效率和學生滿意度。

1.學生學習行為分析

生成式人工智能能夠利用數(shù)據(jù)挖掘方法追蹤學生在學習過程中與不同類型資源的交互情況，形成個性化學習畫像。首先，通過學習管理平臺收集學生的學習數(shù)據(jù)，包括課程訪問記錄、作業(yè)完成情況、測驗得分、論壇互動頻率等。其次，利用機器學習模型分析這些數(shù)據(jù)，識別出學生的知識薄弱點、學習興趣、偏好的學習資源類型等。學習行為分析不僅關注個體學習軌跡，還可基于群體學習模式發(fā)現(xiàn)學生之間的共性和差異。例如，利用生成式人工智能對比不同學生群體在“加密算法”課程中的學習時長和測試成績，分析哪些教學資源更適合特定類型的學生，并進一步優(yōu)化課程內容推薦策略。

2.強化學習驅動路徑優(yōu)化

強化學習是一種能夠自適應優(yōu)化策略的技術，特別適用于構建個性化學習路徑推薦模型。強化學習通過\"狀態(tài)—動作—獎勵”機制，不斷探索最優(yōu)路徑，使得學生的學習體驗得到持續(xù)優(yōu)化。強化學習將學生的學習狀態(tài)視為環(huán)境輸入，將學習路徑的不同選擇（如推薦某一章節(jié)的深人學習、跳轉到實踐環(huán)節(jié)或復習某個知識點）視為動作，而學生的學習效果（如測試分數(shù)、學習時長、課程完成率等）則作為獎勵信號。生成式人工智能通過強化學習智能體（Agent）給予的反饋，自動調整學習路徑，使其符合學生的學習習慣和目標。例如，對于某些學習基礎較好的學生，生成式人工智能可以加快課程進度，引人更高級的挑戰(zhàn)任務，而對于學習基礎較差的學生，則可適當放緩節(jié)奏，并提供更多的補充材料和練習機會。

3.任務分層與動態(tài)推薦

任務分層指依據(jù)Bloom認知分類理論[，將學習任務劃分為基礎理解（初級任務）、應用實踐（中級任務）和創(chuàng)新拓展（高級任務）三個層級。生成式人工智能可以基于學生的學習表現(xiàn)和反饋，智能調整任務難度。例如，如果某個學生在“網絡流量分析”模塊的初級任務中表現(xiàn)良好，系統(tǒng)會自動推薦中級任務，讓學生在掌握基礎知識的前提下進一步提高技能；反之，如果學生在初級任務中遇到困難，系統(tǒng)則會提供更多的輔助資源（如額外講解視頻或引導式練習），以幫助其鞏固基礎。

課后優(yōu)化：智能評測精準 反饋

當前的教學評估主要依賴于期末考試和教師評分，評估周期較長，反饋滯后，難以及時發(fā)現(xiàn)和解決學生在學習過程中存在的問題。此外，傳統(tǒng)作業(yè)批改高度依賴教師，尤其在大規(guī)模教學環(huán)境下，教師的批改工作量大，難以做到精細化反饋，導致個性化教學的落實困難。

1.生成式人工智能自動批改作業(yè)

生成式人工智能可以結合自然語言處理和深度學習算法，實現(xiàn)自動化作業(yè)批改，提高評測效率和準確性。對于客觀題（如選擇題、填空題），生成式人工智能可以直接比對標準答案并快速給出評分；對于主觀題（如簡答題、論述題），生成式人工智能可以利用NLP技術進行文本理解，結合規(guī)則匹配和語義分析對學生答案進行智能評分。此外，基于生成式人工智能的自動批改系統(tǒng)還可以學習教師的評分風格，通過深度學習模型不斷優(yōu)化評分規(guī)則，使其更加貼近人工評分標準，減少評分誤差。

2.智能測評與反饋生成

生成式人工智能根據(jù)學生的學習行為、答題情況和知識掌握度，可動態(tài)生成適應性測評題目，并提供個性化的學習反饋。它還可以結合自適應測試（AdaptiveTest）技術[，根據(jù)學生在答題過程中的表現(xiàn)動態(tài)調整試題難度。測評結果不僅包含分數(shù)，還會提供詳細的分析報告，如答對率、常見錯誤類型、知識點掌握情況等，使學生能夠明確自己的學習薄弱點，并得到針對性的學習建議。

3.實時學習改進建議

生成式人工智能可以結合知識追蹤（Knowledge Tracing）技術，分析學生在不同知識點上的掌握程度，預測其未來學習表現(xiàn)。例如，如果系統(tǒng)發(fā)現(xiàn)某個學生在“數(shù)據(jù)結構”課程中的“二叉樹”相關題目上表現(xiàn)不佳，它會自動推薦相關的學習資料，并提供額外的練習機會。同時，生成式人工智能還能根據(jù)學習進度預測學生可能遇到的學習瓶頸，提前提供相應的學習路徑規(guī)劃和輔導建議，從而減少學生學習中的挫敗感，提升學習動力。

此外，生成式人工智能還可以結合學習行為數(shù)據(jù)，生成個性化的學習提醒。例如，如果某個學生在過去一周的學習時長較短，生成式人工智能會自動提醒該學生調整學習計劃；如果學生在某個主題的測評中成績波動較大，生成式人工智能會分析可能的原因，并推薦相應的補救措施。

教學實踐與效果反饋

本研究在筆者所在學校的信息安全專業(yè)開展教學實驗，實驗組采用生成式人工智能生成多模態(tài)教學資源、個性化學習路徑推薦及智能評測反饋，對照組沿用傳統(tǒng)教學方式。實驗持續(xù)一個學期，涵蓋100名學生（實驗組50名，對照組50名），從知識掌握度、學習效率、任務完成度、學習興趣和教學滿意度五個維度進行評估。

實驗結果表明，實驗組在所有指標上均顯著優(yōu)于對照組，生成式人工智能技術有效提升了學生的學習效率和學習體驗。調查反饋顯示， 86% 的學生認可生成式人工智能生成的個性化資源， 78% 的學生認為智能測評有助于知識理解80% 的學生希望推廣至更多課程。整體來看，生成式人工智能輔助教學能精準適配個體需求，提升學習效率，為高職教育的智能化發(fā)展提供了有力支持。

結束語

本文圍繞高職院校信息安全專業(yè)的精準教學需求，提出了基于生成式人工智能的智能優(yōu)化機制，構建了涵蓋課前智能資源生成、課中個性化學習路徑推薦、課后智能評測反饋的全鏈條教學優(yōu)化體系。教學實踐結果表明，該方法有效提升了學生的學習效率、學習興趣和教學滿意度，顯著優(yōu)化了教學資源配置與評測反饋效率，為高職教育的智能化轉型提供了可行方案。

參考文獻：

[1]王志華，任兩品.網絡安全國家標準引入信息安全專業(yè)人才培養(yǎng)的探索[J].高教學刊，2025，11（02）：170-174.

[2]沈秀龍，劉建.生成式人工智能在中小學教學中的應用[J].教育信息技術，2025（Z1）.90-92.

[3]楊怡.基于AGC對智能教學與學習路徑的研究與構建[J.中國戰(zhàn)略新興產業(yè)，2025（08）.23-25.

[4]劉麗.數(shù)據(jù)驅動背景下基于深度學習的多媒體學習資源智能推薦[J.信息與電腦：理論版，2024，36（10）：178-180.

[5]王光，姜皓.融合多視圖對比學習和知識圖譜的推薦算法[J/OL].計算機系統(tǒng)應用，2025，34（06）：118—127.

[]陸悠，陳洋，傅啟明，等.基于強化學習的高校課程教學質量評價指標優(yōu)化模型研究[J].高教學刊，2025，11（07）：106-109+113.

[7]劉貴如，王陸林.基于Bloom分類法的“C語言程序設計”課程思政案例教學實踐——以圓周率計算為例[J.湖北第二師范學院學報，2025，42（02）.92—97.

[8]曹瑞.A時代下的課堂革新：個性化學習帶來的教學變化[J教育教學論壇，2025 （08） ：16-19.

[9]賈寧.基于學習者畫像與游戲任務驅動的教學模式探索[J.計算機教育，2024（12）：148-152.

作者簡介：張笛，助教，碩士，研究方向為人工智能、信息安全。

本文系鄭州財稅金融職業(yè)學院校級課題“AGC視域下高職院校信息安全技術應用專業(yè)精準化教學模式的構建與實施研究（課題編號：ZCY2025004）的研究成果。