廖鹏程,宋凌峰

传统设计课程评价体系高度依赖对最终作品的质性评审，存在过程性数据缺失、反馈滞后、维度单一等问题，难以适应人工智能（AI）课程强调过程、协作与人机迭代的新特点。本研究以某高校设计硕士“人工智能与设计创新”课程为实证场域，旨在重构一个数据驱动、全景式、发展性的智能教学评价体系。通过系统采集并融合学习管理平台日志、代码仓库提交记录、协作工具交互数据及多轮设计成果等多源学习行为数据，研究构建了包含“过程投入度”、“技术掌握度”、“协作贡献度”与“创新迭代度”的四维评价模型。采用社会网络分析、聚类分析与回归分析等方法对一期课程（N=32）数据进行实证检验。结果显示：1）该模型能有效识别“技术探索型”、“概念引领型”等不同学习模式；2）过程性行为指标与最终学业成绩呈显著正相关；3）基于行为序列的预警机制可提前识别学习困难。研究表明，基于学习行为数据分析的评价体系不仅能提升评价的客观性与及时性，更能实现从“总结性评判”到“形成性赋能”的范式转变，为AI赋能的设计教育提供精准的质量监控与教学优化依据。

学习行为数据；学习分析；教学评价；设计教育；人工智能课程；研究生教育

[1] 亢洁,杨帆,张万虎,等.成果导向“人工智能”课程实践教学改革与探索[J].实验室研究与探索,2025,44(06):157-161. [2] 张乐乐,顾小清.多模态数据支持的课堂教学行为分析模型与实践框架[J].开放教育研究,2022,28(06):101-110.D [3] 刘清堂,李小娟,谢魁,等.多模态学习分析实证研究的发展与展望[J].电化教育研究,2022,43(01):71-78+85. [4] 苏小红,何钦铭.人工智能赋能教与学场景和模式革新的探索——以程序设计课程为例[J].中国大学教学,2025,(06):65-72. [5] 王子琪,方恩印.人工智能赋能“设计创意与策划”课程的四维创新实践研究[J].印刷与数字媒体技术研究,2025,(03):203-209. [6] 韩锡斌,等.数字化学习环境下的学习行为分析模型研究[J].中国电化教育,2014(11):59-65. [7] 钟卓,钟绍春,唐烨伟.人工智能支持下的智慧学习模型构建研究[J].电化教育研究,2021,42(12):71-78+85. [8] 余明华,张治,祝智庭.基于可视化学习分析的研究性学习学生画像构建研究[J].中国电化教育,2020,(12):36-43. [9] 孙婧,杨子婷.人工智能时代教学评价改革的主要动因、基本原则与实践路径[J].课程.教材.教法,2024,44(05):64-70. [10] 李青,等.学习分析技术应用瓶颈与对策[J].远程教育杂志,2016,34(03):3-11. [11] 梁俊斌,谢贇,唐振华.生成式人工智能赋能教育数字化转型的机理、挑战与对策[J].现代教育管理,2025,(11):15-23. [12] 陈明选,等.基于数据驱动的教学评价改革研究[J].中国电化教育,2020(5):1-8.

点击下载PDF