教 改 动 态
2025年第8期（总第374期） 2025年6月20日
河北经贸大学教务处主办 星期五
导读：湖南工商大学马院：打造“大思政课”建设的“湖湘品牌”
山东财经大学:MBA学院打造新质人才培养新模式
大模型如何助力数字教育资源建设
【湖南工商大学马院：打造“大思政课”建设的“湖湘品牌”】
用好“大资源”：聚合红色资源，构建内容供给新体系
学院教学团队录制了98个、近700分钟的教学视频，建立了32个单元测试、近4000个话题讨论和510个非视频资源库。教学内容分为6个篇章，涵盖24位湖湘著名革命人物，全面体现了鲜明的地域特色，构建起“人物故事生动化、革命精神具象化、理论阐释深刻化”的多维内容供给体系，确保红色基因在教学中鲜活可触、历久弥新。
学院积极拥抱信息技术变革，构建智能化的“大思政课”支撑体系。构建融汇革命史实、人物关系、中国共产党人精神谱系的红色知识图谱，实现革命历史脉络可视化、结构化呈现；应用AI问答系统即时回应学生关于革命历史的深度问题；运用AI生成技术围绕革命人物抉择、历史事件情境设计互动研讨题，驱动学生进行探究式学习；搭建汇聚海量红色数字资源的课程云平台，覆盖全国261所高校，累计学习超6.5万人次，互动量突破127万次。
打造“大课堂”：场域贯通联动，打造沉浸式育人新场景
依托“行走课堂”寻革命足迹。学院常态化组织学生赴新民学会旧址、秋收起义文家市会师旧址等红色地标开展现场教学，引导学生感受历史脉动，感悟信仰伟力，实现从“听故事”到“在现场”的升华。
依托“对话课堂”悟革命初心。学院邀请红色场馆专家、党史军史专家、革命人物后代进课堂，邀请多名院士专家来校开展“两弹一星”精神、载人航天精神、大庆精神、“我为祖国奏凯歌”等专题讲座，学生通过面对面交流，聆听鲜为人知的革命细节。
依托“创演课堂”抒革命情怀。学院鼓励学生围绕革命精神进行创造性转化，创作情景短剧、诗歌、音乐短片等，开展“传承红色基因 学思践悟中国共产党人精神谱系”主题表演、红色诗歌朗诵与红色歌曲合唱比赛，将学习感悟内化于心、外化于行，实现从“被动听”到“主动讲”“深情演”的转变，沉浸式思政舞台剧《微光》获得全国大学生艺术展演一等奖，生动再现了革命先辈的精神风骨。
组建“大团队”：融通育人力量，打造协同育人新机制
一方面，组建五支队伍讲好红色故事，形成“大思政课”育人合力。学院邀请多个红色场馆的馆长、研究员、宣教团队走进课堂，思政课教学团队由单一的思政课教师扩展为包括思政课教师、红色场馆专家、专业课教师、辅导员、学生党员在内的多元团队，五支队伍五个视角，协同构建“大思政课”合力。另一方面，在教师团队的引领与专业导师的指导下，学生骨干宣讲队伍通过查阅文献、实地访谈、考察调研，深学细悟，努力讲好红色故事，坚持“先感动自己，再感动别人”。
形成“大格局”：聚焦培根铸魂，彰显立德树人新效能
一、深化历史认知，增强理论认同，通过介绍马克思主义中国化时代化的成果，使学生进一步明确“中国共产党为什么能，中国特色社会主义为什么好，归根到底是马克思主义行，是中国化时代化的马克思主义行”；二、厚植家国情怀，实现情感升华，借助革命先烈的感人事迹与牺牲精神，使学生产生强烈的情感共鸣；三、形成行动自觉，强化使命担当，引导学生在宣讲服务、调研实践、文化创作中自觉传承红色基因。
（《中国教育报》2025年6月25日）
【山东财经大:MBA学院打造新质人才培养新模式】
项目式 建立横纵交错的项目强化衍生机制
一、依托案例项目、构筑理论思维。学院签约东阿阿胶股份有限公司、海信集团有限公司等12家案例基地，深度开发企业管理案例，加强教师的企业认知，以项目式学习小组强化学员的决策能力与结构化思维能力。二、依托模拟项目、提升实操技能。学院签约瀚高基础软件股份有限公司、上海商汤智能科技有限公司等联合培养基地，联合芬兰Cesim公司，在产业园沙盘实验室模拟产业园区企业间的竞争，展现学员的企业管理技能。三、依托企业项目、落实咨询方案。学院从基地企业选聘60名产业导师加入标杆课程组，形成能力互补的教学团队，共同完成“课程设计—案例教学—深度调研—方案反馈”的课赛融合发展。四、依托产业项目、深化交叉融合。学院深度对接行业协会、产业园区，依托MBA校友会开展跨界交流沙龙，在终身学习活动中拓展认知边界，提升学员的创新创业能力。
场景化 打通古今贯通的深度职业体验场景
一、依托本土案例，增强管理经验。学院研发鲁商案例，开展“董事长进校园”“鲁商大讲堂”等活动，重建本土化决策场景。建立“校赛—区域赛—全国赛”的挑战机制，增强学员的决策体验。二、开展实验探究，明确角色定位。学院基于职业测试选择虚拟管理角色，通过企业模拟实训、管理经济学沙盘等，构建职业技能整合场景。通过“校赛—区域赛—全国赛”，增强学员的职业体验。三、积极调研，强化科技创新。学院深入国家高新技术企业、专精特新企业开展调研，提升授课教师的技术敏感性，选聘38名高级工程师担任校外合作导师，开展企业立项资助项目，向学员提供“技术—场景—市场”的创新体验。四是跨界合作，赋能产业拓展。
全链条 重构产教学研的新质人才培养生态
一、基地签约、互利共赢。学院针对基地企业的实际问题，以商业模式设计赛等形式，提供解决方案，实现“企业支持赛事，赛事服务企业”的双向激励。二、技术共研、成果转化。学院提供科研团队，企业提供应用场景与资金支持，成果通过咨询服务等形式实现商业化，支持师生创业团队的研究成果转化落地，实现“学术—商业”闭环。三、人才共育、生态反哺。学院联合本土龙头企业发起MBA校友产业交流活动，通过行业论坛等形式，促进校友企业与合作方的商业合作，构建“联合—教育—实践—反哺”的产教协同生态闭环。
（《中国教育报》2025年6月16日）
【大模型如何助力数字教育资源建设】
一、大模型可大幅提高数字教育资源建设效率
大模型依靠其文本理解和生成能力，能够准确识别和理解用户所提出的教育资源开发需求，自动生成与用户需求相匹配的文本型资源，如教案、教学大纲、习题等。此外，大模型依靠其多模态处理能力，还可将文本、图像、音频、视频等媒体元素进行融合，生成互动式教育资源，如历史场景对话、语言学习配音、虚拟实验操作等。同时随着大模型在教育中的应用不断延伸，依靠其上下文推理与交互能力，在与学生进行多轮对话过程中，能实时感知和监测学生的学习状态和水平，并据此动态调整资源内容难度和资源呈现方式。
可见，大模型可大幅提高资源开发效率、降低资源开发成本、提升资源精准服务水平。大模型在促进数字教育资源的快速生产，降低人力成本和时间成本的基础上，依靠其先进的算法和强大的算力，可同时满足面向不同学科、不同学段、不同用户的资源生成需求，能有效解决我国教育体量庞大而数字教育资源供给相对不足的问题，助推数字教育资源的快速普及和推广应用。
此外，大模型能通过智能语义分析自动建立资源之间的关联，形成多元化的资源群，构建复杂的知识图谱。借助知识图谱，一方面可使资源在彼此关联基础上形成结构化的知识体系，另一方面可实现资源的个性化分发和精准化推送，实现在数字教育资源层面的因材施教。
二、大模型助力数字教育资源建设的实施路径
由大模型生成的数字教育资源在本质上是一种由资源开发者和大模型共同创作和生成的教育资源，即该类资源并不是由大模型独立生成的，是资源开发者与大模型在彼此互动过程中以教学需求为牵引、以人机对话为手段所生成的数字教育资源。鉴于大模型生成数字教育资源过程中所具有的协同性、互动性、创造性、共生性等特点，在大模型助力数字教育资源建设的具体实施上应遵循三个原则、执行六步流程、做好四方核验。
三个原则即人机互促原则、人机互信原则和人机互补原则。要厘清资源开发者与大模型的各自职责范围，既充分发挥资源开发者的意义建构和知识阐释优势，又大力彰显大模型的信息加工和知识生成优势，在人机相互促进中完成资源创作与生成。
六步流程即确定需求、素材生成、素材审核、重组聚合、分发试用、反馈优化等六个资源开发流程。确定需求是资源开发的前端环节，即以需求调研为基础，精准确定用户对资源内容、表征形式、结构等方面的需求。素材生成是指资源开发者将资源需求转化为精确提示词，与大模型通过互动输入的方式生成多模态数字教育资源素材。素材审核是指资源开发者与大模型以协同方式对生成的资源素材进行形式和内容筛查，剔除不符合要求的素材。重组聚合是指对大模型生成的资源素材进行聚合集成，使其形成功能齐全的资源有机体。分发试用是指将生成的资源进行小范围分发，获取用户试用的第一手资料。反馈优化是指将师生用户试用资源后的体验和感受反馈至资源开发者和大模型，以达成数字教育资源的迭代开发和持续优化。
四方核验即由资源开发者、学科专家、资源使用者、AI检测工具四方协同，对资源进行多维核验，核验通过的资源方可进入正式流通环节。其中，资源开发者主要从规范性、交互性、互操作性、可复用性等维度对资源的技术属性进行把关；学科专家主要从科学性、准确性、权威性、完整性、相关性、时效性等维度对资源内容属性进行审查；资源使用者主要从教学设计合理性、教学活动支持度、教学场景适配性、教学目标达成度等方面对资源的教学性能进行核查；AI检测工具则主要对资源的训练数据来源、语言质量、技术标准等进行自动筛查。
三、 控制和化解数字教育资源建设风险
随着大模型在教育教学中的应用日益广泛，由大模型生成的数字教育资源正逐渐成为传统数字教育资源的重要补充。但受制于数据、算法等方面的局限性，数字教育资源开发中应用大模型存在一定的风险，既包括技术及方法层面的风险，也包括内容及伦理层面的风险。对这些可能存在的风险进行有效控制和化解，是大模型助力数字教育资源建设可持续性发展的关键所在。
提升训练数据质量，优化大模型算法。大模型生成数字教育资源过程中起点是数据，训练数据决定了大模型的输出质量。一方面，要整合来自不同领域和多种格式的大数据，保证数据源主题和内容的广泛性。另一方面，要建立数据源白名单制度，使用经过官方认证的大数据作为训练数据源，确保数据源的科学性和可靠性。同时，要根据资源开发需求建立学科领域微调模型，基于国内主流大模型架构，根据各学科特点对大模型算法进行微调，提升算法的准确性和适切性。
加强对大模型背后“算法黑箱”的审查和管控。要对教育教学领域的大模型进行全面监管，包括事前、事中和事后全过程监管。事前监管主要指制定严格的标准和指南，事中监管主要指对大模型平台运行过程进行实时监控，事后监管主要指对大模型平台生成的内容进行质量抽检和审查。同时，建议在大模型中添加用户反馈系统模块，设置用户反馈算法，对用户反馈情况进行筛选整合并作为训练数据集的新构成。
大力提升资源开发者的提示素养。大模型在生成资源时依赖于资源开发者输入的提示词，精心设计的提示词可以引导大模型生成更科学准确的资源内容，从这一点上来讲，资源开发者必须具备较强的提示素养。所谓提示素养，是指人与大模型进行有效互动的技能，包括对大模型的理解与认知、提示词编写技能以及对生成内容的评估技能等。要提升资源开发者的提示素养，必须设计科学完备的提示素养课程，开展形式多样的提示素养提升培训活动，使资源开发者系统掌握提示词设计知识和技能；要将提示素养作为资源开发者的关键素养，纳入到对资源开发者的评价考核体系中，设计阶梯式提示素养认证框架，提升资源开发者与大模型的协同互动能力和资源共创水平。
（《中国教育报》2025年6月17日）
编辑：张伟 刘惠瑶 电话：87326042 电子邮箱：gaojsh@heuet.edu.cn
