AI賦能下高職視覺傳達“崗課賽證”教學模式研究

本文引用格式：.AI賦能下高職視覺傳達“崗課賽證”教學模式研究［J」.藝術科技，2025，38（6）：204-206.

中圖分類號：G712

文獻標識碼：A 文章編號：1004-9436（2025）06-0204-03

目前文化創意產業對“技術 + 創意”的復合型人才需求日益增加，這要求高職視覺傳達專業的人才培養模式和課程體系進行變革；“技術 + 創意”模式是以崗位要求為出發點，以課程內容為主線，將競賽作為教育對接實踐的重要橋梁，根據職業資格認證的內容確定不同的考核標準。但是在實踐過程中也出現了一些難題：一是教師難以統籌協調各崗位資源與時間進度；二是學生難以適應同一課堂內兼顧多崗位的教學任務；三是課程教學內容無法跟進最新技術應用（如市面上AIGC工具使用率已超過 60% ，而實際課堂教學用到的技術手段覆蓋率不到 30% ）。智能學習、人工智能等AI的應用為解決上述問題提供了新契機，本文聚焦于如何利用人工智能輔助教學，通過大數據與智能任務匹配，實現“崗課賽證”的流程貫通。

1高職視覺傳達教學“崗課賽證”模式應用現狀與挑戰

“崗課賽證”融通是創新技術技能人才培養，推動職業教育教學改革的重要模式之一，具有技能體系層次化、教學情境多樣化、學習評價多元化的特色優勢，然而在實際應用過程中還存在很多挑戰[1]。

目前高職“崗課賽證”相互融合的邏輯機理和發展需求尚未明確。產業界、教育界、競賽界、證書界四個系統之間在“運行機制、發展策略、行動準則、改革方式以及主體構成”等方面有較大差別[2]，因此，急需更新優化課程體系，協調四個環節的銜接，緊跟行業發展需要。

競賽項目通常涉及一些新的技術或生產工藝，這在日常教學中很難從課本上學到。競賽項目的訓練對實訓設備和時間的要求較高，高職院校大多存在經費緊張、師資缺乏等問題，很難為學生提供針對性強、質量較高的訓練，并且技能競賽受時間和課時的限制，一旦教學進程與競賽進程產生沖突，如何平衡教學和競賽工作就成了難題。

教師在課程設計方面承受著諸多壓力，其一，要符合崗位能力需求；其二，需達成比賽培訓目的；其三，要符合證書考核標準；其四，課程環節需要依照學科知識體系要求設置，因此課程設計工作量十分繁重。有研究表明，技能競賽相關的培訓課程存在以下問題：教師缺少系統培訓，缺乏獎勵機制，而且教師授課更依賴傳統的“示范一模仿”教學法，缺乏新穎的教學手段與教學素材，很難兼顧高級專業技能發展和基本能力提升這兩個目標。

由于學生個體能力與家庭背景差異性較大，因此對于專業知識的接受情況有很大的差別。在實際教學中，一部分學生的基礎較差，缺少自主學習意識；也有部分學生基礎良好，因此對常規實訓內容提不起興趣，這給教學組織帶來了難題。“崗課賽證”融合模式中統一的課程要求和競賽任務對基礎較差的學生而言任務負擔較重，對基礎好的學生存在任務缺乏挑戰的情況，長此以往會進一步拉開學生的差距。

在技能證書方面，“ Δ^?1+X^? ”證書制度使學生出現應試化考證傾向，以證論優的做法使部分學生將更多精力放在證書備考中，忽略了對于視覺傳達綜合素養和創新能力的培養，消磨了學生的內在學習動力和創新精神。

2基于行業趨勢的智能動態課程機制

在高職視覺傳達專業的教學實踐中，教師會按照教學大綱以及自身經驗來構建課程內容，難以快速匹配行業的發展趨勢、兼顧學生的個體差異。本文設計的基于行業趨勢的智能動態課程機制，希望憑借生成式人工智能（AIGC）實現課程模塊動態更新、分層分類推送，確保課程內容與行業發展趨勢一致，并依據學生的學習進度時調整任務難度。

2.1構建多源數據庫

為了使AI助教能準確掌握行業的風向標，需要分類整合數據庫，將這些數據庫分為行業案例庫、賽事題庫和課程資源庫等三大類。行業案例庫整合國際平面設計大獎，如紅點獎這樣的權威獎項案例、優質知名品牌案例，從案例中提煉主題、風格、色彩、排版等多維度標簽，確保AI助教根據任務類型進行匹配推送。賽事題庫匯總全國大學生廣告藝術大賽、全國職業院校技能大賽的歷屆比賽真題和優秀作品以及評委打分標準，通過對歷屆出題方向、難易程度和作品亮點等要素進行結構化處理后，在賽前根據學生所在專業/組別推薦往年適配的真題，并以真實的評分標準給出反饋。課程資源庫集合教材、課程大綱、課件、作業范本和教師點評等內容，標明知識點、技能點、難度系數以及實戰范例供選擇；AI助教通過學生畫像匹配適合其自身發展的課堂練習素材。

三大數據庫的建立奠定了課程單元智能化更新的基礎。

2.2學情畫像的構建與動態分析

引入人工智能技術，教師可以智能評估學生的知識掌握程度和學習學情，實現差異化和個性化教學[3]。基于龐大的數據庫資源，針對學生情況進行個性化匹配是構建動態課程的關鍵。本研究使用學情畫像對學生的具體行為進行分析，將學生的作品以及學習過程轉化為可量化的畫像數據，從而實現教學過程的精準化[4]。同時，AI可以通過作品特征提取（量化色彩搭配、版式編排、字體設計、交互原型等）與教師評分數據，構建學情畫像，預估學生技能掌握水平，分析學生偏好，在后續的學習中進行風格推薦。AI助教可以通過團隊成員往期作業構建小組學情畫像，分析該組完成協作任務時的工作效率、小組成員的契合度。例如，A擅長色彩搭配，B擅長構圖，可以判斷該小組具有高互補性，在后續任務中可以分配綜合性任務，激發學生潛能，發揮團隊優勢。

學情一趨勢映射：AI助教對比行業案例庫、賽事題庫、學情畫像的技能標簽，判斷學生技能水平和行業需求之間的差距，針對弱勢技能，加大該內容模塊任務的權重。如“動態海報”是當前行業的一大熱點需求，有些學生這項技能得分較低，在后續任務階段就要增加這方面的內容占比，為學生推送相關優秀操作范例。

2.3智能動態課程機制

動態課程的構建需要尋找各個模塊間的相關性、滲透性和整合性，強調知識體系的結構化和系統化[5]。AI可以根據數據庫以及學情畫像優化課程單元，為每一個階段的學習內容提供支撐，單元包含“趨勢解讀”“案例分析”“技能聚焦”“實戰演練”四個部分。

趨勢解讀：AI根據當期的行業案例提煉出相關的行業經驗、數據圖表的方式呈現，如針對品牌視覺識別的內容，AI會對Logo、配色、版式的不同表現形式進行趨勢分析，并給出相對應的對比圖，幫助學生更直觀地掌握行業動向。

案例分析：基于往期高分單元主題案例，AI憑借關鍵詞執行檢索篩選，以圖表形式剖析案例中的行業趨向以及技能應用方面的革新之處，供學生作參考學習之用。

技能聚焦：調取學生的作業記錄，對于薄弱之處，從數據庫中提取具有代表性的案例執行任務進行訓練分析。以版面設計為例，如果存在層次感缺乏的情況，可以采用案例拆解法，實施視覺引導，改良提升任務成果。

實戰演練：按照單元學習主題并遵照學情判斷，針對不同的學生生成符合其特點的綜合任務模板，該模板包含設計主題、核心技能、參考素材、輸出形式以及評價標準等內容。針對版面設計能力稍弱的學生，依照指定版式制作企業宣傳冊，并且要求附上至少200字的設計闡述；針對在色彩搭配方面缺乏美感的同學，則參照給出的參考配色方案重新規劃色彩搭配，并對宣傳冊的版面加以修訂。

數據庫要定期更新收集數據以響應行業變化，并遵照學生的任務成果反饋及時更新學情畫像。當學生做完一個單元的練習以后，系統會分析設計成果并改善畫像，這樣就能在下一個單元里調整“技能聚焦”和“實戰演練”模塊的內容，達成數據的滾動更新，從而為學生提供更精確的學習路徑。

智能動態課程機制可讓學生及時知曉行業動態，并依循學生的學習畫像實施個性化推送，從而讓課程更具針對性與實效性。

3AI賦能的“崗課賽證”協同機制

“崗課賽證”模式關注崗位、課堂、競賽和認證這四個環節的有機銜接，重點在于將職業導向深人教學過程中，本研究提出的AI助教在這個模式中充當四種核心角色，即崗位分析師、課堂設計師、競賽教練以及認證顧問，從而創建起“崗課賽證”的閉環反饋機制。

崗位環節AI按照行業案例庫中所標注的崗位能力來獲取核心技能點，比如創建“UI/UX設計師”崗位模型的時候，系統會提煉出諸如“微交互動畫”“用戶流程圖設計”“色彩排版規范”等崗位關鍵詞，并將這些關鍵詞轉為教學目的，進一步形成微課程單元。這樣學生就能對這個崗位有所了解，從而對目標崗位有預先認知。

課堂環節不采用傳統按難度分層的教學模式，而是采用五維難度模型（包含技能難度、創意設計、時間壓力、資源依賴度協作深度）去剖析任務，AI助教按照學情畫像，及時調整各個維度的權重以確定任務的難度值，接著將相應難度等級的任務發布給學生，在任務推進過程中，AI全程協同指導，憑借聯網搜索功能推送學習視頻，助力學生改善學習體驗并更好地達成任務。

競賽環節通過“模擬訓練 + 評委反饋”來實現。“賽”是對學生綜合能力的綜合測試，模擬訓練由AI助教在事件題庫基礎上生成一個擬真比賽環境，選取歷年真題，包括示范答題、評分要點和比賽規則等組成的賽前訓練套件供參賽同學訓練使用；作品完成后由AI助教根據評委打分標準給出視覺分、創意分和技術規范分，由AI虛擬導師 + 授課導師進行雙

軌評價，確保反饋的全面性。

證書環節由AI助教基于崗位/課堂/競賽的數據生成學生綜合能力報告，并給出相應的作品集優化建議、學情畫像變化趨勢、競賽成績對比及職業資格認證路徑；根據準備報考的學生情況，統計對比備考學生與考試大綱要求之間的差異，針對薄弱環節，給出相應的知識點學習規劃建議與針對性訓練內容模塊。

AI助教對上述四個環節給予不同的支持，將產業、課程、競賽、證書各模塊銜接融通，創建完整的學習知識路徑和能力檔案。其有如下幾方面優勢：第一，目標一致，這個過程始終以行業數據作指引；第二，時效性強，AI可以遵照學生完成任務的情況展開即時分析，進而調整后續任務的難易程度；第三，資源利用率高，行業實例、賽題匯集、課件等數據庫使優質資源能夠被最大限度地反復利用；第四，具備個性化的提升途徑，依照學情畫像、數據分析來剖析學生并制訂專屬任務方案，既顧及學生的個體差異進行因材施教，又培養了團隊協作能力。

4結語

本研究基于“崗課賽證”理念，就高職視覺傳達專業開展個性化教學模式的探索，憑借AIGC技術和學情畫像分析，打造動態課程生成機制以及AI助教協同框架，探尋人工智能技術在教學內容適配和流程改良方面的應用可行性。個性化的任務和反饋機制，有效提升了學生對課程任務的參與度，但由于實際測試覆蓋面窄，該模式需要在后續教學里進行更深人、全面的測試，以改良并驗證其有效性，助力培養符合時代需求的復合型設計人才。

參考文獻：

[1」馬玉霞，王大帥，馮湘.基于“崗課賽證”融通的高職課程體系建設探究［J].教育與職業，2021（23）：107-111.

[2］張慧青，王海英，劉曉.高職院校“崗課賽證”融合育人模式的現實問題與實踐路徑[J].教育與職業，2021（21）：27-34.

[3」宮宇.智能化時代人工智能與視覺傳達設計專業教學的深度融合［J」.現代職業教育，2022（28）：154-156.

［4］吳曉如，王政.人工智能教育應用的發展趨勢與實踐案例[J」.現代教育技術，2018，28（2）：5-11.

[5］丁蕾.數字時代視覺傳達設計教育的應對研究［J」.南京藝術學院學報（美術與設計版），2009（6）：158-160.