生成式人工智能驅動的實踐教學個性化評估與反饋平臺的研究與應用

引言

隨著教育信息化、智能化的快速發展，個性化教學與動態評估成為破解上述難題的關鍵方向[1-2]。近年來迅速興起的生成式人工智能（generativeartificialintelligence，GenAI）展現出強大的自然語言處理、語義理解和內容生成能力，為教育評估模式的變革帶來了新的可能3。GenAI具備根據學生表現自動生成個性化評估任務和反饋內容的能力[，有助于實現評估的精準化、動態化和實用化，推動教學從“結果考核”走向“過程診斷”[5-6]

國內外學者對GenAI在教育評估中的應用進行了大量探索。陳小強等基于GenAI和個性化學習理論，提出了一種個性化學習路徑模型。曾明星等研究了在知識創新階段引入SEC1知識創新擴展模型8。在國際上，GenAI在教育領域的應用更為成熟。Abunaseer等深人探討了人工智能對教育的影響，特別關注生成式人工智能和個性化學習體驗的應用。Bowles討論了在GenAI的世界中培養具備就業能力的優秀畢業生的環境[]。Dimitriadou等研究出GenAI可以用于課堂管理，從而提高課堂環境的便利性[11]。

1.“智慧學評”的需求分析與總體設計

“智慧學評”是一款基于人工智能驅動的實踐教學個性化評估與反饋平臺，致力于為教育工作者提供智能、高效的教學評估解決方案。平臺通過整合人工智能算法與教學評估流程，打破傳統教學評估的局限性，實現對學生學習情況的精準分析和個性化反饋，助力提升實踐教學質量與學生學習效果。

1.1系統功能分析

“智慧學評”平臺設計的目標是解決傳統實踐教學中評估效率低、反饋滯后、個性化不足等問題，依托生成式人工智能實現教師與學生在實踐教學過程中的高效互動與智能評估。“智慧學評”平臺的功能需求可歸納為六大方面：評估任務管理、AI輔助評分、反饋生成與推送、學生行為追蹤、教學數據分析、課程資源管理。這些功能共同支持教學全流程的智能化、可視化、個性化運行。

1.2總體概要設計

采用B/S架構模式，前后端分離設計，整體結構包括表示層、業務視圖層、數據層、AI服務層四個部分。系統架構如圖1所示。

圖1“智慧學評”平臺架構圖

在表示層，采用Vue.js結合ElementUI構建響應式交互界面，分為教師端與學生端。教師端主要功能包括評估管理、反饋撰寫、學生數據查看、課程管理，學生端主要功能包括任務接收、作業提交、反饋查看、學習進度展示。在業務視圖層，使用SpringBoot框架處理業務流程邏輯，主要功能為處理用戶身份認證與權限控制、教學任務的發布與調度、請求轉發與數據路由、反饋生成控制、接口統一管理與異常處理。RESTAPI接收來自前端的請求，并將請求內容解析、轉發至相應的后端服務邏輯。數據層使用關系數據庫MySQL存儲用戶信息、課程與評估任務、學生提交內容與評語、平臺日志與行為數據，Redis作為緩存中間件提升高頻數據訪問效率并臨時存儲AI處理中的任務數據。數據結構設計遵循高內聚低耦合原則，便于后期維護與擴展。AI服務層獨立部署為微服務，使用AI模型處理自然語言任務，如自動生成評語、作業文本質量分析、個性化學習建議生成，任務調度模塊功能為動態分配計算資源、多任務并行處理，并具有異常處理機制。該服務通過API與后端連接，具備任務調度控制能力，可根據負載動態擴展容器實例，并實現平臺與AI模型之間的高效通信。

2.“智慧學評”的模塊設計與實現

圍繞“智慧學評”平臺的實際開發過程，詳細介紹平臺各功能模塊的實現方式、系統交互流程與部署等方式。

2.1教學評估任務概覽模塊

教學評估任務概覽模塊主要功能是為教師用戶提供教學評估任務的整體概覽與各類關鍵數據的快捷訪問。模塊的設計核心在于信息的直觀呈現與操作的高效聯通，以支持教師在登錄后迅速掌握當前教學任務和學生學習動態。該模塊集成了“最近評估”（如圖2所示）和“學習趨勢”兩個動態圖表模塊，分別用于展示近期開展的評估任務詳情和學生群體的學習活躍度變化。

此部分功能通過調用學生評估記錄表和學習行為日志表的數據，結合時間序列分析算法實現圖表生成。這些設計不僅增強了信息展示的直觀性，也為教師后續的教學調整與策略制定提供了數據支持。

2.2學生表現追蹤模塊

學生表現追蹤模塊作為“智慧學評”平臺的重要功能之一，旨在為教師提供以學生為單位的全面學習表現視圖，便于進行個性化指導和差異化教學決策。該模塊通過多維數據展示和智能交互設計，實現了對學生學習狀態的持續監控和精準掌握。

在功能實現方面，平臺前端采用動態表格組件作為主要信息載體，展示學生姓名、學號、所屬課程、學習進度、評估成績等關鍵信息。學生個人畫像頁面，集中呈現該學生的學習軌跡圖、各階段評估反饋摘要、AI自動分析結果，以及教師過往手動反饋內容。該頁面為教師提供了更細粒度的數據支持，有助于識別學生在學習過程中的優勢與薄弱環節，并據此實施個性化干預。

2.3教學評估模塊

教學評估模塊是“智慧學評”平臺的核心功能之一，面向教師用戶提供教學評估任務的創建與管理服務。通過本模塊，教師能夠實現評估流程的標準化管理，并通過AI技術實現作業評分的自動化與智能輔助，從而大幅提升評估效率與科學性。為實現AI輔助評估，平臺集成了多項智能分析服務。系統對接代碼分析引擎，結合語法解析、代碼規范性檢測工具等，自動判斷程序結構是否合理、命名是否規范、邏輯是否存在錯誤等；在文檔類作業方面，平臺實現文本相似度檢測，輔助識別作業抄襲、引用不當等問題。教師在完成手動評分的同時，系統會自動將學生提交的作業同步上傳至AI評分模塊，由模型返回評分建議或風險提示，供教師參考。

2.4反饋生成模塊

在AI反饋生成方面，平臺集成了語義分析模型，對學生提交的作業內容進行結構化理解與自動化處理。此過程不僅提升了反饋生成的效率，還增強了其客觀性和針對性，為教師決策提供輔助依據。同時，平臺也保留了教師手動撰寫反饋的功能，以確保對學生個體差異的充分照顧。教師可在作業評估頁面或學生畫像頁面中，通過內嵌的富文本編輯器撰寫評價內容。

圖2最近評估視圖

3.平臺應用

為驗證“智慧學評”平臺在實際教學中的應用效果，本文在四川郵電職業技術學院信息安全專業的“路由交換技術”課程中設計并實施了對比實驗。具體實驗設置如下：

實驗對象：共選取90名學生隨機分為實驗班與對照班，每班45人，課程教學內容、授課教師和學時安排保持一致。

分組標準：兩個班的學生學習能力無明顯能力差異。

教學方式：實驗班使用“智慧學評”平臺完成任務布置、作業提交、AI輔助評分、反饋查看、資源推薦等教學環節；對照班采用傳統教學方式，即不使用“智慧學評”平臺，教師線下布置任務、人工評分、紙面反饋。

實驗周期共計12周，涵蓋項目布置、學生提交、評分反饋、學習修正等完整閉環。課程結束后，從學生成績、實驗環節提交作業準時率、教師批改作業時間、學生反饋滿意度、學習資源使用頻率方面進行對比分析，核心數據如表1所示。

表1結果顯示：對照班學生平均成績為69.8分，作業準時提交率為 84.3% ，學習資源使用頻率較低，教師批改作業效率不高。而實驗班通過“智慧學評”平臺實現了AI輔助評分與結構化反饋，平均成績提升至76.5分，作業準時提交率達

98.4% ，學習資源使用頻率明顯提升。對比結果表明，平臺在提高教學效率、提升學生理解力和促進主動學習等方面具有顯著效果。

同時，平臺在運行穩定性方面也表現良好，系統響應迅速，無明顯異常，具備良好的可用性和擴展性。這些結果充分說明，平臺能夠為專業課程教學提供智能輔助性支撐，為今后在更多課程推廣應用提供了良好依據。

結語

表1“智慧學評”平臺應用前后關鍵指標對比表

本研究圍繞“智慧學評”人工智能驅動的實踐教學評估與反饋平臺，設計并實現了集教學評估、學生追蹤、個性化反饋、課程管理、數據分析于一體的綜合性教學管理系統。平臺在架構上融合了人工智能技術與現代教學理念，以實現評估過程的自動化、反饋機制的智能化、數據分析的可視化，進一步推動實踐教學環節的信息化升級和質量提升。

[1]蕭婷.新機遇，新挑戰：生成式人工智能下高等教育教學模式的思考[].創新教育研究，2024，12（5）：544-550.

參考文獻

[2]王帥杰，湯倩雯，楊啟光.生成式人工智能在教育應用中的國際觀察：挑戰，應對與鏡鑒[J].電化教育研究，2024，45（5）：106-112.

[3]蓋青.生成式人工智能賦能高等教育高質量發展的挑戰與應對策略[J].大學

教育，2024（17）：16-20.

[4]徐升，佟佳睿，胡祥恩.下一代個性化學習：生成式人工智能增強智能輔導系統[].開放教育研究，2024，30（2）：13-22.

[5]王悅曉，郝天聰.生成式人工智能賦能職業教育變革：挑戰與現實路徑[].教育與職業，2025（4）：14-20.

[6]彭玲.生成式人工智能賦能高職院校“Python”課程分層教學模式與實踐[].計算機應用文摘，2024，40（23）：51-53

[7]陳小強，肖麗萍，張慧.生成式人工智能賦能高職個性化學習路徑研究[J].計算機應用文摘，2024，40（17）：57-60.

[8]曾明星，廖柏林，覃遵躍.從ChatGPT到Sora：生成式人工智能如何重塑深度學習場景[J].遠程教育雜志，2024，42（6）：11-23.

[9]AkinwalereSN，IvanovV.Artificial inteligence in higher education： Challenges and opportunities[EB/OL].（2022-02-06） [2025-07-17].https：//doi.org/10.33182/ bc.v12i1.2015.

[10]Bowles D C，Kruger J S.GeneratingEmployable，Intelligent GraduatesinaWorldWithGenerative AI：Thoughts for Educators[EB/OL]. （2023-06-01）[2025-07-17].https：//doi. org/10.1177/23733799231175171.

[11]DimitriadouE，Lanitis.Acritical evaluation， challenges，and future perspectives of using artificial intelligence and emerging technologies in smart classrooms.[EB/OL]. （2023-02-03）[2025-07-17].https：//doi. org/10.1186/s40561-023-00231-3.

作者簡介：任勉，碩士研究生，講師，renmian@sptc.edu.cn，研究方向：人工智能，信息安全。

課題項目：四川郵電職業技術學院2024高等學校教育數字化轉型專項課題——生成式人工智能驅動的個性化評估在實踐教學中的應用與反饋機制研究（編號：GJX25Z2178）。