人工智能通识教程 课件 宋廷强 第6-11讲 AI赋能教学革新-未来趋势：从AGI到人机共生

人工智能通识教程《人工智能》第6讲AI赋能教学革新人工智能通识教程章节目标LEARNINGOBJECTIVES了解教育领域运用到的AI技术，熟悉AI技术在教育教学中的具体应用；掌握利用AI进行学情分析的方法；掌握“五步生成法”智能生成教案设计与优化；掌握利用AI生成教育领域知识图谱的方法，了解知识图谱在课堂演示中的应用；掌握利用AI生成能力图谱的方法，了解能力图谱在教学效果评价中的应用；能够利用AI技术收集和分析学习数据，以支持教学决策和优化学习策略。6.1相关技术基础人工智能通识教程第6讲AI赋能教学革新6.1相关技术基础6.1.1教育数据挖掘教育数据挖掘是指利用数据挖掘算法和技术，从教育环境中提取有价值的信息，以改进教学过程和提升教育质量。1）数据收集教育数据是指在教育过程中产生、收集和存储的各种数据。教育数据可以分为结构化数据和非结构化数据两类。预先定义数据结构没有预先定义数据结构应尽可能地从多维度获取学习数据，不同的数据来源可以提供不同的视角和信息，这有助于全面了解学生的学习状况。6.1相关技术基础6.1.1教育数据挖掘数据来源具体内容学习管理系统（LMS）作业提交记录、测试成绩、课程访问日志、讨论区发言在线行为数据视频观看时长、课件下载次数、答题时间分布、鼠标单击轨迹生理与环境数据眼动追踪、教室考勤记录、学习设备类型背景数据学生人口统计学信息（年龄、性别、教育背景）、家庭环境数据教育数据来源表6.1相关技术基础6.1.1教育数据挖掘2）数据预处理：目的是清理和规范数据、填补缺失值、删除噪声数据，以便于后续的数据挖掘过程。数据预处理包括数据清洗和特征工程两个步骤：主要是通过缺失值处理、异常值过滤、数据去噪等方法去除或修正错误数据数据清洗特征工程特征提取目的为将原始数据转化为可分析的特征或适合挖掘的格式特征转换主要是通过对变量进行标准化或归一化，将不同尺度的数据调整到一个统一的尺度。这些步骤的目的是提高数据的质量，从而提高数据挖掘结果的准确性和可靠性6.1相关技术基础6.1.1教育数据挖掘数据分析方法核心作用描述性分析刻画学习现状预测模型识别学习行为潜在趋势聚类分析划分学习群体，制定差异化教学策略关联规则挖掘学习行为与成绩的关联序列模式挖掘追踪学习路径这些发现的模式和规律可以帮助教师和教育机构更好地理解学生的学习行为，从而优化教学过程。3．模式提取模式提取是教育数据挖掘的核心步骤之一，其通过聚类分析、关联规则、序列模式挖掘等技术，找到数据中的潜在模式和规律。6.1相关技术基础6.1.2学习分析学习分析是指通过对学生学习过程中产生的数据进行分析，以提高学生学习效果的方法。教育人工智能通过进行学习分析，可以为学生规划个性化的学习路径，并帮助教师了解学生的学习情况，优化教学策略。1）学习行为分析与预测分析学习行为分析的主要内容：学习时间学习频率学习方法学习态度预测分析是利用历史数据和模式发现的结果，对未来的学习行为和成绩进行预测。预测分析的结果可以帮助教育机构提前采取措施，干预和支持有需要的学生，从而提高整体教育质量。分析学生的学习时间和频率，可以了解他们的学习习惯分析学习方法，可以发现他们的学习策略通过分析学习态度，可以了解他们的学习动机和兴趣6.1相关技术基础6.1.2学习分析2）个性化学习路径个性化学习路径是教育人工智能面向学生的重要应用之一，通过分析学生的学习行为和成绩，制定个性化的学习计划和路径。个性化学习路径的目的是让每个学生都能在最适合自己的环境中学习，从而达到最佳的学习效果。3）教学策略优化教学策略优化是教育人工智能面向教师的重要应用之一，通过分析学生的学习行为和成绩，教师可以动态调整和优化教学策略。数据分析、反馈机制、教学资源分配是优化教学策略的关键步骤。6.1相关技术基础6.1.3

AI教育应用1）自适应学习系统自适应学习系统（AdaptiveLearningSystem）是一种通过实时分析学生的学习数据，动态调整学习内容、路径和策略的智能教育技术。其核心原理在于将机器学习、数据挖掘与教育理论结合，实现“以学生为中心”的个性化学习体验。系统层级功能描述技术支撑数据采集层收集学生的学习行为、知识掌握度、情感状态等多维数据传感器、学习平台数据与日志、API接口智能分析层基于数据构建学生模型，预测学趋势，识别知识漏洞机器学习算法、知识图谱、统计模型策略生成层根据学生模型动态调整学习内容、难度、路径及反馈方式规则引擎、强化学习、推荐系统自适应学习系统三层系统架构6.1相关技术基础6.1.3AI教育应用2）智能辅导系统智能辅导系统（IntelligentTutoringSystem，ITS）是一种融合人工智能、教育学、认知科学等多学科的智能教育技术系统，其核心目标是通过模拟人类教师的辅导行为，为学习者提供个性化、交互式的学习支持。系统层级功能描述技术支撑领域模型存储学科知识体系的结构化表示，包括知识点、概念、规则、问题库及解题逻辑知识图谱、本体论学生模型动态记录学习者的知识状态、能力水平、学习风格及行为数据的模型数据采集、知识诊断、个性化刻画教学模型基于领域模型和学生模型，制定辅导策略的决策系统策略库、决策算法智能辅导系统经典三层模型6.1小结：相关技术基础1教育数据挖掘数据收集、数据预处理、模式提取2学习分析学习行为分析与预测分析、个性化学习路径、教学策略优化3AI教育应用自适应学习系统、智能辅导系统6.2AI驱动的精准备课与学情分析人工智能通识教程第6讲AI赋能教学革新6.2AI驱动的精准备课与学情分析通过AI驱动的方式重构教师备课流程，并精准定位学生学习状态，预测教学难点并提供干预策略，可以实现“以学定教”的个性化教学目标。采集学生的知识掌握数据、学习行为数据、认知和情感状态等维度的数据，借助AI进行多模态融合分析，自动识别学习困难和知识漏洞，生成精准的学情报告，确定教学任务的重点和难点。每次课程实施前，依据AI分析结果，自动生成针对性教学建议，动态调整教学目标、教学教案和教学策略。

6.2AI驱动的精准备课与学情分析设计示例：AI驱动的学情分析与精准教学建议以DeepSeek平台为例：借助前一节课的随堂测试数据，对学生的学习薄弱点进行分析，并给出下一步教学建议。DeepSeek对数据展开结构化处理与内容解析，快速生成涵盖多维度信息的分析报告教师将前一节课随堂测试题目及答案和学生的测试数据上传至DeepSeek平台，输入提示词6.2AI驱动的精准备课与学情分析设计示例：AI驱动的学情分析与精准教学建议如果教师认为首轮反馈中“教学建议”与“后续计划”部分较为概括，可进一步提出细化要求：针对需求更新提示词DeepSeek给出教学实施建议DeepSeek更新分析结果6.2AI驱动的精准备课与学情分析反思：AI如何平衡教学效率与教育公平？教学效率侧重以更少时间、资源达成更好教学效果，强调知识传递的高效性；教育公平聚焦为所有学生提供均等学习机会与资源，保障个体发展权益。传统教育中，两者常存在矛盾：为追求效率采用统一教学模式，会忽视学生个体差异；为保障公平投入资源，可能降低教学效率。而AI技术通过数据驱动与智能算法，能够在两者间搭建桥梁，实现协同发展。AI通过智能备课与教学优化，提升教师备课效率，提升课堂教学针对性，为教育公平提供效率支撑；AI可构建学生知识掌握度、学习风格等模型，实现精准辅导，让不同水平学生都能按自身节奏进步，在提升效率的同时，满足学生个性化学习需求，促进教育公平；AI可以实现自动化管理与评估，自动完成作业批改、成绩统计等工作，节省教师时间，使其专注教学创新，并能够通过全面分析学生学习数据，提供多维度反馈，帮助教师及时调整教学策略，提升整体教学效率。此外，AI还可以推动优质资源普惠共享，关注特殊群体需求，消除教育歧视与偏见，避免人为偏差，确保所有学生获得平等对待，确保每个学生都能获得公平的学习机会，进而提升教学整体效率。6.3智能教案设计与动态优化6.3.1智能教案设计与优化智能教案并非一成不变，而是能够根据教师个人教学经验进行调整，并可以根据教学过程中的实时反馈进行动态优化，确保教学的适应性和有效性。教案调整和动态优化的策略主要从以下几个方面考虑：教学内容调整教学方法变换教学资源更新教学节奏把控6.3智能教案设计与动态优化人工智能通识教程第6讲AI赋能教学革新6.3智能教案设计与动态优化6.3.1智能教案设计与优化智能教案设计核心架构主要包含三个关键部分：数据层、分析层与生成层。分析层数据层生成层数据是智能教案设计的基石，数据层主要进行多维度教学数据的采集与整合。分析层利用人工智能技术对采集的数据进行深度挖掘。运用机器学习算法，分析学生的知识掌握程度、认知特点等，构建学情分析模型。整合多样化的教学策略，教学策略库。基于数据层和分析层的结果，生成层自动生成个性化教案。为教案设计提供丰富的素材支持，并可以作为新教案设计的重要参考。将学科知识进行结构化拆解，构建知识图谱，清晰地呈现知识间的逻辑关系与依赖路径，为教案的知识编排提供依据；6.3智能教案设计与动态优化6.3.1智能教案设计与优化利用AI辅助生成教案，可采用系统化的“五步生成法”：6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(文心一言平台为例)上传教学内容文档，输入指令“请对以上文档内容进行分析，总结出其结构和核心模块”第一步，内容结构解析第二步，模板模式学习上传一份完整的教案模板，并输入指令：“这是某一课程的教学设计，请分析总结该教学设计的结构和核心模块”6.3.1智能教案设计与优化6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(文心一言平台为例)第三步，生成初版教案第四步，人工迭代优化6.3.1智能教案设计与优化基于前两步的分析成果，输入生成指令：“请参考上述教学设计模板，对‘***’文档的内容，结合相关网络资源，写出详细的教学设计”。教师结合自身教学经验，对初版教案进行审阅，通过针对性的追问引导AI完善设计。6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(文心一言平台为例)第五步，模块固化保存通过上述“五步生成法”的实践可以看出，AI在教案设计过程中主要承担着“结构分析者”、“内容整合者”和“方案生成者”的角色，而教师则始终扮演着“需求定义者”、“质量把关者”和“优化引导者”的关键角色。6.3.1智能教案设计与优化将经过优化验证的教案结构与AI进行确认，输入指令：“请记住本次的教学模板设计，以便日后进行相关的教学设计”或“请总结当前教学设计的核心结构，形成可复用的模板格式”。6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(Kimi平台为例)第一步，启动PPT助手功能6.3.2AI生成教学课件Kimi的PPT助手选项打开Kimi平台，在左侧功能菜单中选择“PPT助手”，进入课件制作专属界面。该模块针对教学场景优化，支持内容解析、模板匹配与可视化编辑等功能。6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(Kimi平台为例)制作PPT的文档上传和输入指令6.3.2AI生成教学课件第二步，上传教学内容与生成指令Kimi解析出文档内容第三步：模板选择与一键生成

在解析结果页面底部，点击“一键生成PPT”，进入模板选择界面。选择PPT模板Kimi将自动解析文档，提取关键内容与逻辑结构：6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(Kimi平台为例)6.3.2AI生成教学课件第四步：课件编辑与优化生成的课件支持在线编辑功能，教师可根据实际教学需要对内容进行多维度调整：包括修改文本内容与优化格式、插入形状、图示与表格等可视化元素、替换或调整模板的配色方案与版式设计，以及添加教学备注与讲解提示。完成编辑后，课件既可下载至本地直接使用，也可在线保存便于后续修改与共享。制作PPT完成之后，可以下载至本地。生成的PPT效果6.3智能教案设计与动态优化设计示例：AI辅助的教案生成与优化(Kimi平台为例)第五步，增强教学动画生成6.3.2AI生成教学课件Kimi生成演示动画在Kimi首页（非PPT助手）对话框中，输入“基于HTML、CSS和JavaScript，生成频分多路复用的动画演示”或者“生成基于Web前端的频分多路复用的动画演示”，Kimi会分析动画演示的步骤，并生成纯Web前端代码，点击代码右上角的“预览”即可查看动画效果：值得注意的是，AI生成的课件仍需教师基于学情进行个性化调整，尤其在知识呈现逻辑、案例选择与互动设计等方面，教师的教学智慧与专业判断仍不可或缺。为了增强教学效果，在PPT的重难点位置往往需要加入图片、动画、视频等，以提高学生对知识的理解程度。6.3小结：智能教案设计与动态优化通过上述“五步生成法”的实践可以看出，AI在教案设计过程中主要承担着“结构分析者”“内容整合者”和“方案生成者”的角色，而教师则始终扮演着“需求定义者”“质量把关者”和“优化引导者”的关键角色。这种人机协同的教案开发模式，既发挥了AI在处理结构化信息、快速生成方案方面的效率优势，又充分保留了教师的教学智慧与实践经验，为实现规模化因材施教提供了切实可行的技术路径。未来随着教育大模型的持续发展，AI在教学设计领域的支持作用将从方案生成进一步延伸到教学效果预测、个性化适配等更深层次，推动课堂教学向更加智能化、精准化的方向发展。6.4教育领域知识图谱构建与课堂演示人工智能通识教程第6讲AI赋能教学革新6.4教育领域知识图谱构建与课堂演示知识图谱作为结构化语义网络，能将碎片化知识转化为可视化的概念关联网络，可大幅提升课堂演示的逻辑性与系统性。知识图谱在教育中具有多方面的实际价值：能够辅助教师梳理课程知识框架，优化教学设计的完整性；为学生提供可视化的学习导航，帮助理解概念间的关联；基于知识图谱的个性化推荐机制，还可为不同学习进度的学生适配相应的学习资源与路径；还能整合教材、案例、文献等多元教学材料，构建系统化的资源网络，提升教学资源的利用效率与获取便捷性。6.4.1教育领域知识图谱的构建6.4教育领域知识图谱构建与课堂演示设计示例：利用AI从文档生成知识图谱(文心一言平台为例)第一步：上传文档并输入生成指令6.4.1教育领域知识图谱的构建上传课程内容文档并输入指令将需分析的课程材料或教学文档上传至文心一言，在对话框中输入指令：“基于文档内容生成知识图谱”，同时选中“深度思考”选项，以启用更深层次的语义解析与推理。6.4教育领域知识图谱构建与课堂演示设计示例：利用AI从文档生成知识图谱(文心一言平台为例)6.4.1教育领域知识图谱的构建

第二步：内容解析与三元组提取文心一言首先会对处理任务进行分析思考，并通过文档问答工具提取文档中的关键术语和关系，并以“实体—关系—实体”的三元组形式进行结构化提取，得到结构化的三元组数据，最后将这些数据转化为可视化的知识图谱。文心一言绘制知识图谱的过程6.4教育领域知识图谱构建与课堂演示设计示例：利用AI从文档生成知识图谱(文心一言平台为例)6.4.1教育领域知识图谱的构建

第三步：代码生成与可视化实现文心一言会将提取的用于构建知识图谱的三元组和绘制知识图谱的步骤转化为Python代码，调用知识图谱可视化库（如NetworkX、PyVis等）自动生成图谱绘制程序。

用户可直接运行该代码，或根据需要调整布局、节点样式、关系标签等参数。文心一言根据文档提取的三元组数据文心一言绘制知识图谱的Python代码设计示例：AI辅助的教案生成与优化(Kimi平台为例)第四步：图谱渲染与结果解读6.4.1教育领域知识图谱的构建

执行Python代码后，系统生成交互式知识图谱。图中节点表示核心概念，连线代表概念间的语义或逻辑关系。平台通常同时提供对文档内容的文本摘要，辅助用户理解图谱所对应的知识框架。需要说明的是，若文档内容较多、知识结构复杂，在某些环境中可能遇到界面渲染限制或布局重叠等问题。此时可切换至“代码”视图，将程序复制到JupyterNotebook或本地Python环境执行，以获取更稳定、可自定义的可视化结果。文心一言生成的知识图谱6.4教育领域知识图谱构建与课堂演示6.4.2知识图谱在课堂演示中的应用增强教学内容的可视化支持个性化学习促进师生互动与讨论实现智能问答与辅助教学通过知识图谱，教师可以将抽象的知识点以图形化的方式展示出来，帮助学生更直观地理解知识点之间的关联和层次结构。知识图谱可以根据学生的学习进度和能力水平，为其推荐个性化的学习路径和资源。知识图谱可以作为师生互动和讨论的工具。教师可以引导学生围绕知识图谱中的某个节点或关系展开讨论，激发学生的思考和创造力。同时，学生也可以通过知识图谱发现自己的知识盲点，主动向教师或同学请教。结合自然语言处理技术，知识图谱可以实现智能问答功能。通过专业的智慧平台生成的智慧图谱，学生可以通过输入问题，快速获取相关的知识点和解释。此外，知识图谱还可以为教师提供教学辅助，如自动生成教案、推荐教学案例等。6.4教育领域知识图谱构建与课堂演示6.5学生能力图谱构建与教学效果分析人工智能通识教程第6讲AI赋能教学革新6.5.1学生能力图谱构建6.5学生能力图谱构建与教学效果分析能力图谱是指以可视化方式展示个人或群体具备的知识、技能、态度、经验等多维度能力的一种工具，它能够帮助人们更直观地了解自己的优势与不足，并为提升自身能力提供方向和策略。在教育领域，能力图谱尤其适用于对学习者进行综合能力的评估和个性化指导。设计示例：基于DeepSeek的学生能力图谱自动生成首先，在DeepSeek中上传包含学生学习过程与结果的数据文档，例如考试答题记录、线上学习行为日志、作业提交情况等，并在对话框中输入明确的生成指令：“依据***，生成学生的能力图谱”或者“依据***，绘制该学生的能力图谱”等。在DeepSeek上传数据文档并输入指令6.5.1学生能力图谱构建6.5学生能力图谱构建与教学效果分析设计示例：基于DeepSeek的学生能力图谱自动生成模型将首先分析任务需求，制定数据处理与图谱构建步骤，随后对文档内容进行解析，提取学生在不同能力维度上的表现数据。基于提取的信息，系统自动生成符合Mermaid语法的graphTD代码，用于描述能力节点及其关系。DeepSeek思考过程生成的graphTD代码6.5.1学生能力图谱构建6.5学生能力图谱构建与教学效果分析设计示例：基于DeepSeek的学生能力图谱自动生成执行代码后，系统输出可视化能力图谱，并以结构化文本形式呈现能力解析结果与针对性改进建议。图谱中节点通常代表不同能力维度，节点大小、颜色或连线强度可反映学生的掌握程度或能力间关联性。DeepSeek绘制出的能力图谱能力解析结果能力总结和建议6.5.1学生能力图谱构建6.5学生能力图谱构建与教学效果分析除DeepSeek外，文心一言等其他AI平台也支持能力图谱生成，但不同工具在可视化形式、分析维度和交互方式上可能有所差异，用户可根据实际需要选择。需要强调的是，数据源的丰富程度直接影响能力图谱的精度与实用性。6.5.1学生能力图谱构建6.5学生能力图谱构建与教学效果分析构建时可在提示词中明确能力维度与评估标准，对于教学场景中的系统性能力图谱构建，一般可遵循以下步骤：明确能力维度制定评估标准收集过程性数据数据分析与可视化图谱构建与动态更新教学应用与反馈迭代依据课程目标、教学大纲及人才能力要求，确定需评估的核心能力维度；为每个能力维度设计可观测、可量化的评估指标与方法；收集过程性数据：通过课堂互动、作业实验、项目实践、学习行为记录等多渠道持续采集学生学习表现数据；数据分析与可视化：对数据进行清洗、整合与分析，识别学生能力特征，并借助可视化工具形成能力图谱框架；图谱构建与动态更新：将分析结果以节点网络形式呈现，并随教学进程与学生发展不断更新优化；将能力图谱用于学情诊断、个性化资源推荐及教学策略调整，并通过实践反馈持续完善图谱结构与评估机制。能力图谱在教学评价与学习中具有重要价值：一方面帮助教师准确把握学情，优化教学设计；另一方面支持学生自主规划学习路径，开展针对性提升。6.5.2基于能力图谱的教学效果分析6.5学生能力图谱构建与教学效果分析能力图谱通过系统拆解教学目标，将知识、能力与素养三个维度的培养要求转化为可量化、可追踪的评估指标，并以网络化形式直观呈现。这不仅帮助学生清晰定位学习目标与当前水平，也为教师开展精准教学评估与干预提供了结构化依据。

学生在使用能力图谱时，可通过对照图谱中的具体指标点进行自我评估，并结合学习表现开展持续反思。这种“评价—诊断—反馈—调整”的闭环过程，有效实现了“以评促学”，推动学习从被动接收转向主动建构。促进学生学习的维度支持教师教学评估的维度实验学习与创新能力的评估示例示例进行分析：6.5.2基于能力图谱的教学效果分析6.5学生能力图谱构建与教学效果分析能力图谱在教学评价中的作用不仅体现在个体层面，还可支持群体分析与趋势研判。未来，随着学习分析技术与人工智能诊断系统的融合，能力图谱有望实现动态更新与实时预警，进一步推动教学评价向过程化、精准化、智能化方向发展，构建“评—教—学”一体化的教育质量提升闭环。6.6AI出题与作业批改人工智能通识教程第6讲AI赋能教学革新6.6AI出题与作业批改设计示例：AI辅助出题与作业批改实践(豆包平台为例)（一）智能出题豆包大模型出题豆包大模型出题范围说明及进一步建议指令

借助人工智能平台，教师可以高效完成出题、组卷与批改等任务，将更多精力投入教学设计与学生个性化指导中。

教师可在豆包对话框中输入指令，例如：“请围绕‘***’知识点，出5道由易到难的练习题”或者“给一些练习***知识点的题目”等。平台将根据知识点核心内容，自动生成覆盖不同难度层次与应用场景的题目，并附上题目设计说明与进一步的教学建议。6.6AI出题与作业批改设计示例：AI辅助出题与作业批改实践(豆包平台为例)（二）作业批改与反馈豆包大模型作业批改

教师只需上传学生作业文档或清晰图片，并输入指令如：“请批改一下作业，按100分打出分数”或者“请批改本次作业，按百分制评分，并给出各题得分依据与修改建议”等。6.6AI出题与作业批改设计示例：AI辅助出题与作业批改实践(豆包平台为例)（二）作业批改与反馈

部分平台还支持批量批改与学情统计功能。教师可一次性上传多份作业，系统在批改后自动生成班级整体正确率分布、高频错误点汇总等分析报告，帮助教师快速把握学情共性，为后续教学调整提供依据。

在考查高阶思维、创新表达类题目时，需结合学科特点与教学目标进行必要干预。6.7AI助教人工智能通识教程第6讲AI赋能教学革新6.7AI助教设计示例：基于超星泛雅平台的AI助教构建与应用智慧课程建设平台不仅包含前述AI学情分析、AI教案、AI课件、知识图谱等基础教学辅助功能，往往还包含AI助教等特色教学辅助功能。

启用超星平台的AI助教功能，教师需进入相应课程管理界面，在“AI助教管理”模块中进行知识资源配置。其核心是建立结构化的教学知识库，教师可将课程大纲、教材内容、讲义PPT、习题解析、补充资料等教学材料上传至知识库，作为AI助教理解和回答学生问题的基础语料。AI助教管理的知识库管理6.7AI助教设计示例：基于超星泛雅平台的AI助教构建与应用完成知识库建设后，学生即可在学习过程中通过课程界面的AI问答入口提出问题，AI助教将基于知识库内容进行语义理解与信息提取，提供准确、规范的解答。AI助教问答界面需注意的是，仅依赖基础知识库可能无法覆盖所有复杂或跨领域问题。为提高助教应答的准确性与完整性，建议教师结合教学实际设置“典型问题库”。6.8案例分析：AI辅助个性化教学与评估人工智能通识教程第6讲AI赋能教学革新6.8案例分析：AI辅助个性化教学与评估2026年1月发表在《通信与信息技术》期刊上的一篇关于AI辅助个性化教学的论文为例——“AI技术辅助物联网工程专业“Python程序设计”个性化教学”，展示AI辅助个性化教学的实践效果。背景如何将多项AI技术系统化地整合到一个学期的教学中，构建了一位24小时在线的“AI编程教练”，成功地将通用编程教学转化为深度契合物联网专业的个性化学习体验。6.8案例分析：AI辅助个性化教学与评估2026年1月发表在《通信与信息技术》期刊上的一篇关于AI辅助个性化教学的论文为例——“AI技术辅助物联网工程专业“Python程序设计”个性化教学”，展示AI辅助个性化教学的实践效果。AI应用场景与技术支撑本案例并非使用单一AI工具，而是构建了一个“AI技术生态系统”，每项技术都针对一个具体的教学痛点：教学环节与痛点应用的AI核心技术解决的问题与实现方式答疑辅导：教师时间有限，无法即时响应所有疑问。领域知识增强的智能问答机器人以ChatGLM3-6B为基座，注入物联网专业语料库，能精准回答“如何使用Python解析传感器数据”等专业问题，分担教师72%的共性答疑。代码反馈：代码批改滞后，学生不知错在哪、如何改进。多维度代码自动评测系统结合静态分析（代码风格）与动态测试（功能逻辑），并加入物联网设备资源消耗模拟，评估代码的内存与CPU占用，提供超越“对错”的行业级反馈。学习路径：统一进度无法满足个性化需求。基于知识图谱的自适应推荐引擎构建“物联网-Python”知识图谱，连接语法概念与应用场景。算法根据学生实时学情，动态推送个性化学习路径与练习。编程助手：学生直接复制AI生成代码，缺乏思考。引导式智能编程助手明确将AI助手定位为“高级调试伙伴”，并要求学生在使用后完成“代码解释”和“边界条件测试”等任务，强制进行批判性思考。6.8案例分析：AI辅助个性化教学与评估2026年1月发表在《通信与信息技术》期刊上的一篇关于AI辅助个性化教学的论文为例——“AI技术辅助物联网工程专业“Python程序设计”个性化教学”，展示AI辅助个性化教学的实践效果。研究团队通过准实验设计（实验组38人，对照组39人），对比了AI辅助教学与传统教学的效果，核心量化数据对比：案例效果评估维度实验组

(AI辅助教学)对照组

(传统教学)统计学差异教学启示代码正确率78.5%±8.2%65.2%±10.3%t=5.74,p<0.001AI的即时反馈显著减少了错误累积，提升了编程成功率。项目完成度81.2%±7.8%62.8%±12.4%t=6.51,p<0.001场景化的AI支持，让学生更敢于且能够完成复杂的物联网综合项目。调试效率平均提交

6.3次平均提交9.2次t=3.15,p=0.002AI的精准报错和优化建议，帮助学生更快定位和解决问题。学习动机83.7%(动机指数)74.4%(动机指数)t=2.98,p=0.004个性化、有成效的学习体验，显著增强了学生的学习内驱力。6.8案例分析：AI辅助个性化教学与评估2026年1月发表在《通信与信息技术》期刊上的一篇关于AI辅助个性化教学的论文为例——“AI技术辅助物联网工程专业“Python程序设计”个性化教学”，展示AI辅助个性化教学的实践效果。案例启示本案例的成功，为在通识课程中理解AI与教育融合提供了三个关键启示：从“通用工具”到“领域专家”：AI要真正赋能专业教育，必须进行领域知识增强。“人机协同”的精准分工：AI并非取代教师，而是重新定义角色。教学设计是关键约束：技术本身不能保证成功。本章小结本章围绕AI赋能教学革新展开，系统介绍教育数据挖掘、学习分析等技术基础，阐述精准备课、智能教案、知识图谱、能力图谱、智能出题批改及AI助教等应用，并结合案例说明AI在个性化教学与精准评估中的实践效果，全面展现人工智能推动教学模式创新与教学质量提升的重要作用。设计实践使用AI工具设计一节课的教案并模拟教学。加入多维度评估模型，如“知识掌握度+情感态度”。THANKYOU感谢聆听，敬请批评指导人工智能通识教程|第6讲AI赋能教学革新

人工智能通识教程《人工智能》人工智能通识教程第7讲

跨学科融合应用章

节目标LEARNINGOBJECTIVES掌握利用AI进行模型预测、优化实验设计的方法；理解AI在数字人文领域的应用，能够借助AI分析理解文学著作；能够利用AI进行角色IP设计等艺术设计创作，了解AI创作存在的艺术伦理和风险；了解病例分析和诊断方面的AI模型及应用场景。7.1理工科：模型预测与实验设计优化人工智能通识教程第7讲

跨学科融合应用AI赋能理工科研究的主要特点01性质预测仅根据材料的化学组成和结构，即可高精度预测其物理化学性质，大幅缩减实验验证的周期与成本。02实验路径优化在海量潜在实验方案中智能筛选，推荐最优或接近最优的实验路线，让科研工作者聚焦于关键创新环节。03反向结构设计颠覆传统试错模式，从目标功能需求出发，反向推导并设计出具备该功能的理想分子或材料结构。04跨领域知识整合数秒内整合多学科海量文献与数据，打通知识壁垒，为复杂交叉学科问题提供创新视角与解决方案。AI正从辅助工具转变为科研合作者，通过这四大核心能力正在改变理工科研究的模式。7.1理工科：模型预测与实验设计优化7.1理工科：模型预测与实验设计优化核心观点AI的角色正发生根本性转变：它不再仅是处理实验后数据的“分析工具”，而是前置到研究起点，成为能提出假设、设计方案的“先验设计伙伴”。角色演进传统阶段AI是实验的“总结者”，聚焦数据复盘；新范式下，AI跃升为实验的“规划师”与“预言家”，引领科研路径的探索方向。后验：数据复盘→转型：前置介入→先验：假设生成→目标：科学发现应用价值这种转变将科研流程从“实验-分析-总结”的线性模式，升级为“预测-实验-验证”的闭环，极大压缩试错成本，加速前沿突破。设计示例：AI辅助新型防水材料的研发（一）平台与任务启动本示例以材料科学专用AI智能体MatChat为工具，演示如何利用AI完成从材料设计到性能预测的全流程。访问MatChat官网（/）并登录，其主界面提供了专业的材料科学对话入口，如研究目标是研发一种新型防水材料，则可直接在输入框内以自然语言下达指令：“合成新型防水材料”。设计示例：AI辅助新型防水材料的研发（二）AI驱动的实验设计MatChat接收到指令后，并非进行简单的文献检索，而是启动其内嵌的生成式模型与材料知识图谱。MatChat返回了4种常见的制备方法及其应用，包括聚合物-纳米颗粒复合涂层、原子层沉积（ALD）与自组装单分子层（SAMs）、两性离子涂层和PDMS涂层。MatChat在数秒内整合了跨领域的知识（合成化学、表面物理、仿生学），提供了多角度的可行性方案，这是传统文献调研难以快速完成的。设计示例：AI辅助新型防水材料的研发（三）结构可视化与性能关联分析为进一步理解材料的构效关系，MatChat自动生成了相应的结构示意图。如图7-4所示，“具有疏水特性的拉胀膜”展示了其独特的负泊松比微观结构；图7-5则呈现了“疏水拉胀表面模型”的三维构型。这些可视化结果不仅辅助研究者直观理解AI的推荐方案，更将抽象的“防水性能”与具体的“微观结构”联系起来，为后续的分子设计提供了参考依据。设计示例：AI辅助新型防水材料的研发MatChatAI是松山湖材料实验室联合中国科学院多家机构开发的材料科学领域专用AI智能体。MatChatAI于2025年2月发布，是一款专注于材料科学领域的智能问答引擎，其支持预测材料合成路径、多格式文献解析与数据可视化分析。设计示例：AI辅助新型防水材料的研发（四）分子层级的预测与验证在确定宏观设计思路后，研究可深入分子层级。输入指令“新型防水材料分子结构预测”，MatChat调用其分子性质预测模型，生成候选分子的二维或三维结构图，如图7-6所示。设计示例：AI辅助新型防水材料的研发图7-7展示了“用于金属氧化物纳米颗粒的通用涂层平台”中可能涉及的各种聚合物单体的化学结构式。AI能够进一步预测这些分子的表面能、与基底的结合能、环境稳定性等关键参数，从理论上筛选出最优的候选分子，从而在进入耗时的湿实验前，大幅降低研发的不确定性。（四）分子层级的预测与验证关键词：材料筛选、药物发现、工艺优化、环保材料设计、科学研究智能化。AIforScience的典型应用领域1新能源领域利用AI技术高效筛选具备高容量、高稳定性的电池关键材料，同时辅助研发高效催化剂，加速新能源技术迭代。2生物医药领域借助AI算法从数百万级的化合物库中快速挖掘、筛选出具有潜在活性的候选药物分子，大幅缩短药物研发周期。3先进制造领域在3D打印过程中，AI实时监测并动态调整打印参数，有效减少产品缺陷产生，显著提升打印精度与成品质量。4环境科学领域AI辅助设计新型多孔材料，可高效吸附水体中的重金属离子与有机污染物，为生态环境治理提供创新解决方案。这种AIforScience的核心价值在于建立从“需求”到“设计方案”再到“性能预测”的快速迭代闭环，为包括新能源、生物医药在内的众多前沿科技领域提供了一种可借鉴的方法。AIforScience融合人工智能与基础科学研究，通过数据驱动与算法赋能，重塑科学发现的路径与效率。7.1理工科：模型预测与实验设计优化7.2文科：数字人文技术人工智能通识教程第7讲

跨学科融合应用7.2文科：数字人文技术核心观点AI正推动人文社科领域研究方法的革新，它不再是单纯的检索工具，而是进化为能进行深度文本分析、模式识别与文化解读的智能“研究伙伴”。技术核心依托自然语言处理（NLP）、知识图谱构建等技术，将海量分散的非结构化文本数据，转化为可计算、可分析、可可视化的结构化知识网络。海量文本数据→NLP深度解析→知识图谱构建→文化洞察与发现价值重塑将传统人文研究从定性、个案的解读，拓展为定量与定性结合、宏观与微观互证的全新研究模式。7.2文科：数字人文技术AI在人文研究中的四大核心能力01实体识别从海量文本中自动识别并提取人物、地点、时间、事件等关键实体，为人文数据的深度分析奠定基础。02关系提取在识别实体的基础上，进一步挖掘实体间的亲属、社会、情感等语义关系，还原人文文本背后的复杂关联网络。03知识图谱构建将提取出的离散实体与关系进行系统整合，构建可视化的互联网络结构，直观呈现宏大且复杂的人文知识体系。04模式发现利用智能算法洞察长篇巨著或史料中隐含的宏观模式与动态演变规律，突破传统人文细读方式的认知局限。AI技术通过自动化与智能化手段，为人文研究打开了从微观实体挖掘到宏观规律探索的全新跨学科视野。数字人文主要平台成果展示|北京大学数字人文研究中心设计示例：ＡＩ分析《红楼梦》任务关系网１．基础关系提取与分析中国古典名著《红楼梦》人物众多、关系错综复杂，传统阅读难以全局把握。本示例展示如何利用AI大模型（如DeepSeek）对其中的人物关系进行量化分析与可视化呈现，从而解读其深层的社会结构与叙事逻辑。在DeepSeek对话框中输入“分析《红楼梦》人物关系”，AI会基于对全书文本的理解，首先返回一份结构化的人物关系摘要，如图7-8所示。该摘要不仅会列出主要人物（如贾宝玉、林黛玉、薛宝钗），更会概括他们之间的核心关系类型（如亲属、婚恋、主仆、盟友、敌对），并可能指出关键情节节点（如“宝黛初会”“抄检大观园”），为后续的深入分析奠定基础。设计示例：ＡＩ分析《红楼梦》任务关系网设计示例：ＡＩ分析《红楼梦》任务关系网２．可视化关系图谱生成为清晰呈现《红楼梦》中的人物关系脉络，可输入更精确的指令“生成《红楼梦》人物关系图谱”。AI将调用其知识图谱构建能力，自动识别并关联文本中的人物实体与关系，生成一个交互式网络图，如图7-9所示。设计示例：ＡＩ分析《红楼梦》任务关系网３．专题网络深度挖掘基于总图谱，研究者可进行更聚焦的专题挖掘。例如可以继续分析《红楼梦》社会联姻网络分析：指令可细化为“绘制以贾、史、王、薛四大家族为核心的联姻关系网络图”，平台会生成联姻关系网络。设计示例：ＡＩ分析《红楼梦》任务关系网３．专题网络深度挖掘2继续细化指令为：“分析贾宝玉、林黛玉、薛宝钗三人的核心情感关系演变，”聚焦核心情感关系。AI不仅能生成三角关系示意图，如图7-11所示，还能结合章节内容，分析三人关系在不同情节阶段的动态变化与张力。通过DeepSeek对《红楼梦》人物关系进行量化分析与可视化呈现，可以清晰地看到数字人文研究上的革新。关键启示：文科研究正走向“人文洞察”与“数据智能”深度融合的新阶段，其分析逻辑可拓展至历史档案、社会网络史、法律文书关系梳理等广泛的人文社科领域。小

结7.2文科：数字人文技术7.3艺术类：角色IP设计与艺术伦理人工智能通识教程第7讲

跨学科融合应用核心价值突破创作者个体的想象力边界和技术技能壁垒，实现从文本描述到视觉呈现的即时转化，让创意表达不再受限于专业技法的掌握。变革核心以AI为赋能工具，重构艺术创作的全流程与行业生态，打破传统创作在时空、技术与资源上的多重限制，释放全民的艺术创造力。人人皆是设计师→创意构思极速化→艺术风格无边界→创作生态新融合未来展望AI并非要取代人类创作者，而是作为强大的协作伙伴，将创作者从技术实现的繁琐中解放，专注于更核心的审美判断、情感注入与思想表达。7.3艺术类：角色IP设计与艺术伦理设计示例：AI辅助大学校园IP形象设计１．概念构思与文案生成本节聚焦于“角色IP设计”这一兼具商业价值与艺术表达的典型场景，系统介绍了从概念构思到视觉生成的全流程AI辅助方法，并深入探讨由此引发的艺术原创性与伦理等核心问题。IP设计的起点是清晰的概念定位。以“大学校园IP形象”为例，设计师无须从零开始构思，可借助大语言模型（如Kimi）进行头脑风暴与文案生成。使用Kimi输入关键词“生成大学校园IP形象”。Kimi返回了一个名为“学小智”的完整IP设计方案。该方案结构清晰，涵盖四个维度。外观形象应用场景故事背景性格特点设计示例：AI辅助大学校园IP形象设计以下是应用Kimi完成的一个大学校园IP形象的创意设计，可以根据实际情况进行调整和完善。设计示例：AI辅助大学校园IP形象设计2．生成IP形象文字概念需要转化为视觉形象，主要利用文生图AI模型（如即梦AI、Midjourney）实现。操作流程主要有三个步骤。（1）提炼关键词：从Kimi生成的文案中，提取用于图像生成的核心描述词，如“大学生热情开朗勤奋好学创新进取，校服徽章志愿者，自信微笑大眼睛，中景镜头，现代风格”或者类似的关键词。将上述提示词输入文生图平台：即梦AI网站（/）：设计示例：AI辅助大学校园IP形象设计2．生成IP形象（2）输入与生成：AI模型根据输入的内容，融合其训练数据集中的相关视觉特征，生成多幅符合要求的候选图像，如图7-13所示。设计示例：AI辅助大学校园IP形象设计2．生成IP形象（3）选定与调整：从生成结果中，选取最符合预期的一幅作为IP形象基础，如图7-14所示。随后，可进一步通过“图生图”、局部重绘等功能进行细节微调，或生成同一形象的不同姿态与表情，构建形象资产库。生成的图片可以下载到本地用作校园IP形象。IP形象文案生成，Kimi文字转成成视觉形象，即梦AI网站IP形象选择与微调小

结角色IP设计还能在哪些场景能用到？选择感兴趣的领域进行设计。互动思考7.4医学：人工智能病理分析与诊断流程人工智能通识教程第7讲

跨学科融合应用2024年哈佛医学院在病理大模型领域开源了一系列模型，典型模型如下。UNI：理解病理学图像的基础模型。CONCH：视觉语言基础模型。CHIEF：一种临床组织病理学成像评估基础。TITAN：一种多模态WSI基础模型，7.4医学：人工智能病理分析与诊断流程当前国内推出的AI医疗影像诊断类典型大模型如表7.4医学：人工智能病理分析与诊断流程7.5案例分析：人工智能在跨学科研究中的应用01为什么是蛋白质？蛋白质是生命的基石，其三维结构决定了生物功能。理解蛋白质结构是破解生命奥秘、开展新药设计与疾病治疗研究的关键前提。02传统实验方法的局限依赖X射线晶体学、冷冻电镜等技术，不仅耗时漫长、成本昂贵，还面临极高的技术门槛，难以实现大规模、高通量的蛋白质结构解析。氨基酸序列→AlphaFold2建模→三维结构预测→新药与医疗应用03AI带来的革命性突破以AlphaFold2为代表的AI模型，彻底解决了困扰科学界半个世纪的“蛋白质折叠问题”，预测精度可媲美实验测定，极大加速了生命科学研究进程。

蛋白质是生命活动的主要执行者，其三维结构直接决定了其功能。传统实验方法（如X射线晶体学）解析结构耗时数年且成本高昂。以

AlphaFold2

为代表的AI模型，革命性地解决了这一“蛋白质折叠问题”。

本节将展示一个融合了生物学、化学、计算机科学和物理学的典型跨学科AI应用—蛋白质结构预测。本案例以国产开源框架“飞桨”的模型为例，演示如何利用AI平台，零代码完成这项前沿科学任务。7.5案例分析：人工智能在跨学科研究中的应用7.5.1平台介绍：飞桨飞桨（PaddlePaddle）是中国首个自主研发、功能完备的产业级开源深度学习平台，由百度公司于2016年正式开源并持续运营。其官方网址是/。在服务科研与教育方面，飞桨专门建设了AIStudio学习与实训社区和官方模型库（ModelZoo）。AIStudio集成了在线编程环境、免费算力、丰富的公开数据集与课程，极大地降低了AI学习与实践的门槛。7.5.2操作流程1.访问平台与模型（1）访问飞桨官网，单击页面顶端的“模型库”链接，在打开的页面中登录百度账号。（2）单击左侧“开发广场”下的“模型库”，然后单击“科学计算”下的“蛋白质结构预测”，如图所示。7.5.2操作流程1.访问平台与模型（3）页面中返回一个蛋白质结构预测模型PP-HelixFold，如下图所示。（4）单击该模型，进入模型详情页面，如下图所示。7.5.2操作流程1.访问平台与模型（5）页面中提供了使用该模型的线上服务，如图所示，单击服务链接进入页面。页面会弹出右图所示窗口提示，可以体验全新发布的HelixFold3模型，本次选择不体验。7.5.2操作流程2.配置与提交预测任务（1）进入在线服务界面后，选择“蛋白单体结构预测”下的HelixFold-Single任务，如左图所示。（2）为降低门槛，可直接使用平台提供的示例数据（如709F_B）。在“预测名称”栏自定义任务名称（如“预测1”），单击“运行”按钮提交，如右图所示。7.5.2操作流程3.查看与管理结果（1）在“任务列表”中可查看任务状态，能够查看所有预测任务，“当前状态”栏显示“成功”即完成，如下图所示。7.5.2操作流程3.查看与管理结果（2）单击“查看”进入结果页，如下图所示。核心结果是预测出的蛋白质三维结构模型，可通过鼠标进行旋转、缩放。7.5.3结果解读与交互分析1.序列与结构联动(1)单击三维结构上的任意部分，左侧的氨基酸序列会对应高亮，可以看到数据序列中的第3行中的H被标红，右侧StructureTools界面中显示“HIS208|A”，如下图所示。7.5.3结果解读与交互分析1.序列与结构联动(2)选中数据序列中第1行开始的M，StructureTools界面中显示“MET1|A”，如下图所示。7.5.3结果解读与交互分析2.可视化风格切换(1)Stylized（卡通模式）突出显示蛋白质的二级结构（α螺旋、β折叠），最利于观察整体折叠模式，如下图所示。7.5.3结果解读与交互分析2.可视化风格切换(2)Illustrative（插图模式）是在卡通基础上增加光影效果，更美观，适合展示和出版，如下图所示。7.5.3结果解读与交互分析2.可视化风格切换(3)在StructureTools界面中依次执行Components→Preset→Automatic→AtomicDetail，结果如下图所示。访问平台与模型：飞桨平台与PP-HelixFold模型配置与提交预测任务：使用平台提供的示例数据查看与管理结果：查看预测结果结果解读与交互分析：序列与结构联动，可视化风格切换小

结AI在病理诊断中的应用一户国内外AI医疗影像诊断大模型以“飞桨”为主要场景的能力分析7.5案例分析：人工智能在跨学科研究中的应用请结合你的专业，研究一下飞桨平台可以有哪些应用？互动思考7.5案例分析：人工智能在跨学科研究中的应用感谢聆听，批评指导THANKYOU

人工智能通识教程《人工智能》第8章

内容创作与新媒体运营人工智能通识教程了解AI内容创作的相关技术。了解账号运营的SOP流程，掌握账号运营过程中AI工具的应用场景和方法。掌握利用AI平台生成多模态内容的方法。理解AI生成多模态内容的伦理风险。章

节目标LEARNINGOBJECTIVES8.1相关技术基础人工智能通识教程第8章

内容创作与新媒体运营8.1相关技术基础了解生成式AI模型了解GPT、DALL·E等典型生成式AI模型知道生成对抗网络（GAN）知道生成对抗网络（GAN）的训练过程了解多模态学习了解多模态学习的目的与构建逻辑学习内容创作与新媒体运营，先要了解文本与媒体内容用什么生成？如何来生成？本小节学习目标8.1.1生成式AI模型生成式AI模型是一类能够自主生成新内容的人工智能模型，GPT和DALL-E是其中的典型代表，它们的工作原理均以大型数据集训练为核心基础。GPT（GenerativePre-trainedTransformer）：基于Transformer架构的文本生成模型。在训练阶段，模型会对海量的文本数据集进行学习。通过分析这些文本中词语、句子之间的关联规律，GPT逐渐掌握语言的模式和特征。训练过程本质上是模型不断调整内部参数，以最小化预测误差，从而能够根据前文内容预测出最可能出现的后续文本。当进行文本生成时，用户输入一个提示词或句子，GPT就会依据训练学到的语言模式，从概率分布中选择合适的词语，逐步生成连贯、符合语境的文本内容。DALL·E：用于图像生成的模型。其训练数据包含大量的图像以及对应的文本描述。模型在训练中学习图像的视觉特征与文本描述之间的映射关系，理解文本语义所对应的视觉表现。当用户输入一段文本描述时，DALL·E会基于训练得到的映射关系，生成与文本内容相匹配的全新图像。1、生成对抗网络(GenerativeAdversarialNetwork，GAN)的提出伊恩·古德费洛(lanGoodfellow)于2014年提出了一种新型生成模型。8.1.2生成对抗网络（GAN）生成对抗网络在生成模型之外引入了一个判别模型，通过两者之间的对抗训练达到优化目的。生成对抗网络是一种属于无监督学习的深度学习模型，通过让生成模型和判别模型两个神经网络以相互博弈的方式进行学习。2、生成对抗网络的核心思想源于博弈论的纳什均衡(Nashequilibrium)生成对抗网络的框架中包含一对相互对抗的模型：生成器和判别器。生成器的目的是使生成的数据的分布尽可能逼近真实数据的潜在分布；判别器的目的则是正确区分真实数据和生成数据，从而最大化判别准确率。GAN的对抗式训练过程是一场“零和博弈”，在博弈中逼近“真实”：生成器试图欺骗判别器，判别器则试图识破生成器的伪造品，两者在对抗中不断优化参数，最终达到纳什均衡——生成器生成的内容让判别器难以分辨（判别概率接近0.5）。8.1.2生成对抗网络（GAN）8.1.3多模态学习核心目标打破文本、图像、视频等单一模态的界限，通过构建统一的模型框架理解不同模态数据的内在关联，进而生成融合多模态信息的内容。实现逻辑可概括为“模态对齐-关联建模-协同生成”三个核心步骤。怎么理解多模态？1、模态对齐：统一不同类型数据的“语言”文本是离散符号序列（如词语、句子），图像是像素矩阵，视频是时序化的图像序列+音频信号，不同模态的数据格式和特征差异极大。多模态学习首先需要将这些异质数据映射到共享语义空间，实现“模态对齐”。8.1.3多模态学习文本编码通过Transformer、BERT等模型将文本转化为稠密向量，捕捉文字背后的概念和逻辑。图像编码用卷积神经网络（CNN）或VisionTransformer（ViT）提取图像的视觉特征，转化为与文本向量维度一致的视觉向量。视频编码在图像编码基础上，增加时序建模模块，提取视频的动态特征和时序关系，生成包含时空信息的视频向量。2、关联建模：学习模态间的深层互动关系模型需要学习不同模态之间的“关联规则”。常见的建模方式有两种：8.1.3多模态学习跨模态注意力机制借鉴Transformer的自注意力原理，让模型在处理一种模态时“关注”另一种模态的关键信息。模态转换学习通过大量标注数据训练模型学习模态转换规律。3、协同生成：融合多模态信息输出目标内容基于模态对齐和关联建模的结果，多模态模型可根据任务需求生成融合多模态的内容，典型场景包括：简言之，多模态学习通过“统一语义空间+跨模态关联+协同生成机制”，让机器像人类一样“看懂图像、听懂声音、理解文字”，并将这些信息整合为更丰富、更贴合需求的多模态内容。8.1.3多模态学习“文本→图像+视频”生成“视频→文本+图像”生成多模态交互生成8.2账号运营方法与AI工具应用人工智能通识教程第8章

内容创作与新媒体运营账号运营标准规程（SOP）账号运营标准规程（SOP，StandardOperatingProcedure）将科学的运营方法论与前沿的AI工具相结合，能够显著提升各环节的效率与精准度。涵盖从账号定位、内容创作、推广运营到用户维护、数据分析和风险管控的全流程。8.2账号运营方法与AI工具应用掌握AI辅助内容创作全流程AI辅助内容创作，要从四个方面入手：内容给谁看？做什么方向？具体内容是什么？如何呈现？本小节学习目标学会通过AI工具进行高效地进行账号定位与受众分析、选题与内容创作及视觉化呈现设计示例：AI辅助美妆类账号内容创作全流程第一步：账号定位与受众分析，用数据锚定方向百度指数清博指数8.2账号运营方法与AI工具应用运营者需明确垂直领域，并通过市场与竞品分析找到差异化路径。AI工具能高效地完成目标受众的画像分析，为后续内容创作和运营策略提供依据。目标受众的画像分析工具：......设计示例：AI辅助美妆类账号内容创作全流程第一步：账号定位与受众分析，用数据锚定方向8.2账号运营方法与AI工具应用1.确定分析平台打开百度指数（）。2.输入核心关键词输入你所在领域的核心词，如“美妆”，然后单击分析。3.解读需求图谱查看“需求图谱”模块，分析关联性较强的主题词。设计示例：AI辅助美妆类账号内容创作全流程第一步：账号定位与受众分析，用数据锚定方向8.2账号运营方法与AI工具应用4.分析人群画像查看“人群画像”模块。数据显示，关注“美妆”的用户中，30至39岁的女性占比最高。这决定了账号内容方向的语言风格、推荐产品的价位和关注的护肤抗衰话题，都应优先迎合这个主力人群的偏好。注意：网络热点是实时变化的，因此，不同时间的分析结果可能会不同。设计示例：AI辅助美妆类账号内容创作全流程第二步选题与内容创作：从灵感到初稿的人机协作8.2账号运营方法与AI工具应用在明确了方向后，需要产出具体的内容。我们将使用大语言模型（如“天工AI”）作为创意与写作助手。建立内容矩阵，涵盖图文、视频、音频等多种形式，保持稳定的更新频率。内容创作需结合热点、用户需求和账号定位，注重价值输出和风格统一。设计示例：AI辅助美妆类账号内容创作全流程第二步选题与内容创作：从灵感到初稿的人机协作8.2账号运营方法与AI工具应用1.输入指令打开“天工AI”（），输入明确要求，例如：“为美妆账号提供5个关于夏季防晒的实用技巧选题，要求结合近期防晒新品，具有时效性和实用性。”或“为面向30-39岁女性的美妆账号，策划5个关于‘防晒’的实用技巧选题。要求结合今年夏季新品，重点突出抗老、肤感清爽和性价比。”设计示例：AI辅助美妆类账号内容创作全流程第二步选题与内容创作：从灵感到初稿的人机协作8.2账号运营方法与AI工具应用2.与AI交互确认(非必然)接下来，用户根据提示便可一步步得到相应的选题及文章初稿。AI可能会追问细节，可以输入指令并根据提示补充细节信息。根据用户的指令和补充的细节信息，AI将制定一份任务清单，以供用户确认是否继续执行。设计示例：AI辅助美妆类账号内容创作全流程第二步选题与内容创作：从灵感到初稿的人机协作8.2账号运营方法与AI工具应用3.获取并优化结果用户确定无误后，AI开始搜索网页检索任务清单内容，并进行聚合信息。设计示例：AI辅助美妆类账号内容创作全流程第二步选题与内容创作：从灵感到初稿的人机协作8.2账号运营方法与AI工具应用3.获取并优化结果AI完成数据分析之后，会按用户要求给出选题范围，并给出具体选题和要点列表。AI划定选题范围AI给出选题列表设计示例：AI辅助美妆类账号内容创作全流程第二步选题与内容创作：从灵感到初稿的人机协作8.2账号运营方法与AI工具应用3.获取并优化结果每一个选题都会生成一篇文章初稿供用户参考，内容包含详细的图表数据论证，并在选后最后附该选题的关键要点总结，并提供word、PDF及HTML格式下载，方便用户对文章建立全面的理解和把控。经过以上两步操作，现在可以获得具备时效性和实用性的完整文章初稿，并通过人工优化，几乎可以达到可发布标准。设计示例：AI辅助美妆类账号内容创作全流程第三步视觉化呈现：生成高质量封面8.2账号运营方法与AI工具应用Midjourney是一款AI制图工具，只要关键字，就能通过AI算法生成相对应的图片，可以选择不同画家的艺术风格，还能识别特定镜头或摄影术语。也可以选择Midjourney官方授权的中国实验室版本——悠船，支持中文提示词，并进行了本地化参数适配。设计示例：AI辅助美妆类账号内容创作全流程第三步视觉化呈现：生成高质量封面8.2账号运营方法与AI工具应用1.明确封面要求生成封面之前，需要先根据确定的选题内容，明确封面的风格、核心元素、色彩搭配等要求。考虑平台的封面展示规范，如尺寸比例、是否有文字限制等，确保生成的封面符合平台要求。2.指令设计运营人员根据封面要求，设计详细的提示词指令。指令需准确描述封面的风格、元素、构图、色彩等信息。设计示例：AI辅助美妆类账号内容创作全流程第三步视觉化呈现：生成高质量封面8.2账号运营方法与AI工具应用3.封面生成与调整将设计好的指令输入Midjourney(或悠船)系统中，生成一批封面初稿。运营人员对初稿进行查看，评估其是否符合要求。AI生成的一组封面提示词指令：“生成一张夏季防晒主题的封面，风格清新明亮，画面中有一瓶防晒霜、一顶遮阳帽和一把太阳伞，背景是海边的自然风光，色彩以浅蓝、白色、淡黄色为主，构图饱满，突出防晒产品。”设计示例：AI辅助美妆类账号内容创作全流程第三步视觉化呈现：生成高质量封面8.2账号运营方法与AI工具应用3.封面生成与调整对于不符合要求的封面，分析问题所在，如元素缺失、风格不符、色彩不协调等，然后调整指令重新生成。(例如，若想在生成的封面中强调紫外线影响，可在指令中明确添加“必须包含烈日”的要求。)对于相对认可的封面图片，可以再进行细微变化，生成一组新的封面效果，直至比较满意为止。设计示例：AI辅助美妆类账号内容创作全流程第三步视觉化呈现：生成高质量封面8.2账号运营方法与AI工具应用首要原则在利用AI生成封面时，首要原则是设计清晰、具体的指令，精确描述主题、主体、风格和色彩，避免模糊表述。生成调整生成后，必须由运营者进行主导性筛选与调整，确保封面视觉与文章核心内容、情感基调完全匹配，并符合账号整体调性。规避侵权风险需严格规避侵权风险，禁止模仿受版权保护的特定艺术家风格或生成指向性明确的真人肖像，应使用通用、合规的描述。至此，我们会得到一张与文章内容高度匹配、具有视觉吸引力的定制化封面图。8.2账号运营方法与AI工具应用账号运营标准规程（SOP）涵盖从账号定位、内容创作、推广运营到用户维护、数据分析和风险管控的全流程AI辅助内容创作第一步AI辅助账号定位与受众分析第二步AI辅助选题与内容创作第三步AI辅助视觉化呈现（生成高质量封面）小结:8.2账号运营方法与AI工具应用拆解一条你近期在社交媒体上看到的“爆款”内容，分析其标题、视觉、文案或互动点，试论其背后可能运用的AI生成技术与创作逻辑。调研一个完整的新媒体运营周期（从账号定位到内容分发），列举在各个阶段（如市场分析、内容创作、发布排期、用户互动、数据分析）可能用到的具体AI工具，并简述其作用。AI多模态生成工具的普及，是否正在加剧内容创作的“模板化”与“同质化”？请结合具体现象（如相似的AI绘画风格、文案套路）阐述你的观点，并讨论如何规避这一问题。互动思考8.3AI跨模态内容生成人工智能通识教程第8章

内容创作与新媒体运营8.3AI跨模态内容生成了解跨模态内容生成技术概述了解跨模态生成技术的完整应用过程掌握剪映AI文案成片能够运用剪映“AI文案成片”功能快速制作短视频掌握即梦AI视频生成与剪辑能够使用即梦AI生成与剪辑视频片段利用AI降低新媒体制作成本、提高产出效率的最明显体现：文案成片本小节学习目标跨模态内容生成核心技术体系包含八个核心环节：8.3.1跨模态内容生成技术概述1数据预处理与特征提取对不同模态数据的清洗、标准化和特征提取。2深度学习基础模型跨模态生成的“发动机”，CNN、RNN、Transformer等技术3跨模态对齐与融合通过对比学习、注意力机制等技术，模型能学习不同模态数据在语义空间中的对齐关系4多模态联合嵌入将文本、图像等映射到一个共享的语义向量空间中，从而实现跨模态的检索、理解与生成。跨模态内容生成核心技术体系包含八个核心环节：8.3.1跨模态内容生成技术概述5条件生成技术以条件生成对抗网络或扩散模型为代表，它们可以接受一个模态的输入作为条件，精确指导另一模态的生成过程，确保输出符合给定约束6跨模态推理与理解进行深层的逻辑与语义推理7优化与评价技术用于调整生成内容的参数和风格，以满足用户的不同需求和偏好。还可以利用评价指标对生成内容进行评估和比较，以选择最优的生成结果。8实时交互与反馈技术根据用户的实时指令或反馈，动态调整生成参数，实现内容的迭代优化，使创作过程从单向输出转变为双向、互动的智能协作。设计示例：使用剪映“AI文案成片”功能快速制作科普短视频第一步：启动功能与智能策划8.3.2