以医学生“数字素养”为导向的医工融合专业课程数智化教学探索与实践

Exploration and practice of digital and intelligent teaching of Medical-Engineering integrated professional courses oriented by medical students’ “digital literacy”

摘要

为探索以医学生“数字素养”为导向的“机器学习与模式识别”课程培养模式，系统推进医工融合类课程教学改革，以智能医学工程专业本科生为研究对象，通过挖掘医学生的数字素养核心内涵确立教学目标，结合学科竞赛与行业需求重构教学内容，构建 AI 赋能的问题驱动式教学策略及课程知识图谱，同步开展师生共建数字资源、深化产教融合、设计多元评价体系等举措，构建医工融合类课程培养模式。经实践应用，该举措有效解决了课程理论与行业需求脱节、数字素养应用转化能力薄弱等问题，学生社会竞争力与思政素养显著提升。该培养模式可提升医学生的数字素养及创新实践能力，为医工融合类专业的课程建设提供参考。

Abstract

To explore the cultivation mode of “Machine Learning and Pattern Recognition” course oriented by medical students’ “digital literacy” and systematically advance the teaching reform of Medicine-Engineering integrated courses, this study takes undergraduates majoring in Intelligent Medical Engineering as the research object, establishes teaching objectives by excavating the core connotation of medical students’ digital literacy, reconstructs teaching content by integrating discipline competitions and industry needs, develops an AI-empowered problem-driven teaching strategy and a curriculum knowledge graph, and simultaneously implements initiatives such as joint development of digital resources by teachers and students, deepening industry-academia integration, and designing a multi-dimensional evaluation system to construct a training model for medicine-engineering integration courses. In practice, this mode has effectively addressed issues including the disconnection between curriculum theory and industry needs as well as the weak ability in applying and translating digital literacy into practice, significantly enhancing students’ social competitiveness and ideological and political literacy. Ultimately, this training mode can improve medical students’ digital literacy and innovative practical capabilities, and provide a reference for the curriculum construction of Medicine-Engineering integrated majors.

Graphical abstract

关键词

AI赋能 / 数字素养 / 医工融合

Key words

AI empowerment / digital literacy / Medicine-Engineering integration

中央网信办明确指出提升全民数字素养与技能是建设数字中国的一项基础性、战略性、先导性工作。数字素养是指“数字社会公民学习工作生活应具备的数字获取、制作、使用、评价、交互、分享、创新、安全保障、伦理道德等一系列素质与能力的集合”，是应用数字医疗技术的必备素养^[1]。在培育实践上，已有高校在信息学等课程中引入数字素养^[2-4]，但受到生成式AI的影响，本科医学生的数字素养水平总体属中等偏下，医工融合类专业的计算机类课程教育质量也随之下降。

“机器学习与模式识别”是智能医学工程专业的核心课程，是衔接数字技能与医学场景的关键载体，课程所涉及的医学数据处理、算法实践等内容，正是医学生数字素养的核心训练场景，数字素养的培育质量决定该课程“医工融合”的实现程度。但在实际教学中，存在内容与医学实践脱节、算法的理解门槛较高、评价体系未聚焦数字素养核心能力等痛点，制约了医学生数字素养的提升。因此，本文挖掘医学类人才数字素养的核心内涵，重点分析“医学生数字素养所需的技能和知识以及如何正确使用生成式AI辅助培育实践”，旨在形成以医学生数字素养为导向的“机器学习与模式识别”课程培养模式，为医工融合类专业的课程建设提供参考。

1 当前医工融合类课程教学存在的问题

“机器学习与模式识别”“医学图像处理”等计算机课程是医工融合专业的专业课程，通过问卷调查、学生访谈、同行访谈等对医学计算机类专业课程教学现状进行分析发现以下问题：

1.1 理论与行业需求联系不紧密

赣南医科大学的智能医学工程专业是新兴专业，学生在面对课程授课时，仅关注到知识点的学习和考试的难易程度，并未思考该知识点可用于学科竞赛、行业的哪些方面。由于现有的大部分教材是工科专业所采用，有些教材仍然采用“波士顿房价”“人脸识别图像分割”等陈旧案例，课程内容与医疗行业需求联系不紧密，缺乏目标性的框架整合。

1.2 医学生数字素养的应用转化能力不足，学科纵向思维和创新思维同质化

受到生成式AI的冲击，学生在课程学习中几乎100%使用豆包、DeepSeek等工具，这对其数字素养产生了严重影响。一是在知识内容方面，AI“直给”的方式因为缺少系统而深入的内化过程，造成学生浅尝辄止且基础不牢的现象，易诱导学生大段复制或仿造，学生的学科纵向思维和创新思维易同质化；二是在能力素养方面，学生对AI生成的内容没有独立思考且未进行多维验证，易形成信息茧房；三是在情感价值方面，学生依赖AI返回的结果，若反复引导生成式AI仍无法得到科学结果，则易产生挫败感，对计算机教育失去兴趣。并且根据问卷调查，医学本科生的数字素养水平总体偏低，应用转化能力不足。

1.3 算法枯燥乏味，学习动力不强

机器学习算法枯燥乏味，知识点抽象难懂，深度依赖数学公式推导，学生通常仅记忆公式表征，未能理解背后的原理及现实意义。在实践环节，学生的学习过程更显得“无效努力”，易卡在数据预处理、模型调参等细节，模型实现成功率较低。另外，相比较于系统开发等技术，学生学习机器学习算法的即时收获较小，即便投入大量精力，模型性能(如准确率)仅提升0.1%~1.0%的微幅区间。这些因素使得学生的学习动力下降。

2 课程培养模式构建

根据智能医学工程专业的办学特点，以“机器学习与模式识别”课程为例，设计专门的教学内容并对教学模式进行改进。如图1所示。首先，教学团队挖掘本科医学生数字素养在课程中的核心内涵，以此为导向，重构教学内容和完善多维度评价体系。其次，以大学生学科竞赛为载体，依托医学项目案例以及企业岗位需求设计教学内容，从“问题”切入，引出“知识点”，结合“医学情景”展开教学，解决理论同医学行业需求、实践场景脱节的问题。再次，构建以医学实际问题为核心的AI赋能问题驱动式教学，同时利用可视化建模工具辅助教学，降低医学生对复杂算法的理解门槛，增强学生的即时收获和学习动力。然后，开展含医学生数字素养在内的多维度评价。接着，推进师生共建医学项目案例库等数字化教学资源库，并深化产教融合，推动学生学科融合思维与创新思维的多样化发展。

3 以医学生“数字素养”为导向的医学计算机类课程教学实践

3.1 医学生数字素养评价要素挖掘

根据对国际数字素养与技能框架的内容分析，数字素养包含信息维度、社会维度、伦理维度、迁移维度和目标维度这五个维度^[4]。团队对接这五个维度，结合问卷调查以及文献资料^[5-8]，从医疗机构、企业两种执业环境出发，挖掘“机器学习与模式识别”课程须培养的医学生数字素养内涵，如表1所示，以确立符合智能医学工程专业的课程目标。

3.2 教学内容重构

依托大学生创新训练计划所构建的医工交叉人才培养路径，已展现出显著的实践应用价值^[9]。团队以大学生学科竞赛为载体，整合智能医学工程、生物医学工程等跨学科资源，以医学项目案例和企业岗位需求重构“机器学习与模式识别”课程教学内容。在此基础上，团队整理出课程的8类核心问题，进而以问题为导向拆解出55个关键知识点，为各关键知识点匹配对应的医学应用场景。如表2所示。

3.3 教学策略设计

生成式AI工具在分层教学和个性化教育领域发挥重要作用^[10]。课程教学体系划分为课前预习、理论教学、实践教学与实战教学四个核心环节，其中理论教学进一步细分为基础理论层、创新拓展层与实践应用层。

在基础理论层，教师通过小组讨论、案例演示等教学方法，引导学生推导算法核心原理、分析算法优劣；同时启发学生梳理总结思考成果，提供相关参考文献供学生进一步研读，以此激发其学术研究兴趣，从而过渡至创新拓展层。

完成基础理论讲解与创新思考训练后，教学环节转入实践应用阶段，遵循“以实践验真知”的原则，引导学生运用生成式AI大模型等工具，完成算法的落地实现与应用验证。

实践教学环节通过头歌平台发布生成式AI大模型相关医学实践案例。如图2所示。案例体系涵盖七大核心模块：一是实验内容与任务；二是实验过程及要求（含大模型的使用、实验平台使用说明、学生匿名互评规则、讨论交流）；三是相关知识与背景解析；四是教学目标（含情感与价值观目标、技能目标、知识目标）；五是实验教学与指导（含案例背景阐述、大模型的使用与引发思考）；六是实验原理及实施方案（含头歌平台实验操作、实验评估标准、教师评估维度）；七是实验报告要求。

实战教学环节聚焦“知识迁移应用”目标，引导学生将所学内容应用于三大实战场景：一是学科竞赛；二是导师科研项目；三是医院与企业实践。

3.4 评价体系搭建

注重过程评价是建设一流课程的重要环节，也是教学管理的重要组成部分^[11]。课程采用过程性评价（40%）和终结性评价（60%）相结合的评价方式，其中，过程性评价包括学习通的平时表现（10%）、头歌平台的实践练习（10%）和医学生数字素养评价（20%）。评价方式含生生匿评与师生互评，在匿评环节，设置学生匿评人数7人，为规避互评高分问题，设置分数段人数限制（60~80分有2人、80~90分有3人、90~100分有2人），若学生出现缺评或违规匿评情况，均从其过程性评价总分中扣除3分。

3.5 数字资源共建

医学资源是医工融合专业人才培养的必要资源，需要协调多个部门，更重要的是把医院的资源整合进来^[12]。利用数字技术，建设智能医学工程专业“机器学习与模式识别”的数字化教学资源库，资源体系涵盖教材、教学课件、教学视频、医学项目案例库、文化思政案例库及拓展学习资源库。团队在教学中融入中国传统文化元素：决策树算法中的“过拟合”与“欠拟合”现象，可与儒家“中庸”思想所强调的“不偏不倚、恰到好处，反对‘过’与‘不及’”形成理论呼应。在学习通平台，团队基于重构后的教学内容构建课程专属知识图谱；在头歌平台上，进一步收集并开发“算法-医学”融合型项目案例，如慢性肾脏病数据挖掘与分析预测、聚类分析在有机化合物结构与性质关系中的应用等。

3.6 产教深度融合

医工融合强调学校、企业与医院的“三位一体”^[13]。团队邀请企业参与课堂教学指导，由黑马工程师向学生传递行业实践经验，围绕大模型应用案例开展专项培训，并指导学生完成项目文档的规范撰写。在医学院校，多数医工结合专业学生在毕业时被授予工学或理学学位，人才培养结构更偏向于工程技术，医学知识储备与实践能力相对不足^[14]。为此，团队进一步带领学生进入医院开展沉浸式学习，重点聚焦药剂科、设备科、大数据中心、病案室、信息科、康复科、心脑血管中心、影像科等关键部门，系统了解各部门的运作机制、技术应用场景及创新实践方向。

4 创新育人成效

自2023年实施教学改革以来，团队经过多层次、全方位的探索，有效培养了具有医学生数字素养的医工交叉型人才，学生的社会竞争力、思政素养大大提高，教师的教学水平也在不断提升。

4.1 学生社会竞争力增强

智能医学工程专业学生的社会竞争力，可通过学科竞赛获奖、大学生创新计划立项、项目成果转化及用人单位反馈四大维度体现。

截至2025年，从具体成效来看：学科竞赛领域，该专业学生省级奖项数量从15项增长至67项，国家级奖项数量从5项增长至14项；创新计划立项中，学生参与率显著提升，项目立项数从6项增长至11项；项目成果转化方面，学生将医工融合方向的项目实践成果转化为软件著作权，累计达9项。如表3所示。

在用人单位反馈方面，学生受到黑马企业人员的好评，部分学生进入飞桨科技有限公司、深圳量旋科技有限公司等单位实习。

4.2 学生思政素养提高

在算法教学中融入中国传统文化元素，不仅有效激发了学生的文化自信，更推动其思政素养得到系统性提升，促使学生主动投身建设美好中国与家乡的事业。

自2023年教学改革实施以来，学生实践参与积极性显著提升，具体成果如下：一是寒假社会实践方面，学生积极参与“返家乡”志愿服务，部分学生凭借突出表现荣获江西省高安市“最美志愿者”个人称号；二是暑期实践方面，学生在学院领导指导下开展“三下乡”社会实践活动，其参与的团队因实践成效显著获评“优秀团队”；三是校园活动参与方面，学生主动参与思政类与文化类活动，包括学校组织的“红医文化”课程微视频大赛、云端红医演讲比赛，以及大学生自律委员会主办的“寝室文化节”等，均取得良好成绩，进一步印证了文化融入与思政教育的实践成效。

4.3 教师教学水平提升

在教师层面，课题组成员参加了2024年第六届中国计算机教育大会，实验教学案例“心衰患者特征数据分析及发作风险预测”荣获基于大模型的计算机类教学与实验一等奖；参加2024年全国高等院校计算机基础教育研究会等学科会议，荣获优秀课程思政案例；获批基于头歌平台的教育部产学合作协同育人项目；在省级青年教师教学竞赛中获得优异成绩。

5 结束语

本文对以医学生“数字素养”为导向的“机器学习与模式识别”课程培养模式进行了探索，挖掘医学生数字素养核心内涵，结合学科竞赛与行业需求重构教学内容，构建AI赋能的问题驱动式教学策略以及课程知识图谱，丰富医学项目案例库等数字资源，设计多元评价体系，构建了医工融合类课程培养模式。实践表明，该培养模式有效提升了医学生的数字素养，解决了理论同医学实践脱节等问题。但课程培养模式缺少持续的数字素养跟踪机制、AI教学数据看板，与医疗科技企业的合作不深入，成果转化质量有待提高。未来团队将继续深化教学改革，不断完善医工交叉融合课程与智慧教学模式，探索数字素养持续跟踪模式，建立AI教学数据看板，走访医疗科技企业以深化合作，积极响应一流本科专业建设“双万计划”^[15]，促进新医科专业建设质量提升，为社会培养更多具有数字素养的医工交叉型人才。

参考文献

[1] 王飞, 王馨雨, 杨婷婷. 教育数字化背景下医学生数字素养提升路径思考[J]. 中国高等医学教育, 2025(3): 10-12.

[2] 龚芙蓉. ChatGPT类生成式AI对高校图书馆数字素养教育的影响探析[J]. 图书情报知识, 2023(5): 97-106.

[3] 张云秋, 郭明昊. 医学本科生数据素养现状与提升策略研究: 基于吉林大学的调查分析[J]. 中国高等医学教育, 2019(11): 30-34.

[4] 黄如花, 冯婕. 国际数字素养与技能框架的内容分析[J]. 图书与情报, 2022(3): 73-83.

[5] 温佳程. 数字化时代医学生数字素养培育思考[J]. 合作经济与科技, 2023(4): 96-97.

[6] 郭鋆. 数字时代医学院校数字素养培养体系建设研究[J]. 太原城市职业技术学院学报, 2023(3): 30-32.

[7] 周海涛, 朱元嘉. 提升大学生数字素养的创新路径[J]. 中国电化教育, 2023(5): 49-55.

[8] 江帅卿. 面向“新医科”建设的医学生数字素养测评指标体系及成熟度模型构建[D]. 武汉: 华中科技大学, 2024.

[9] 谢璐, 何帅, 杨扬, 等. 依托大学生创新大赛的医工结合复合人才培养模式探索[J/OL].医学教育研究与实践, 1-5[2025-09-07].

[10] 胡斯乐, 吴江鸿. 生物信息学教学中引入ChatGPT的分层教学策略[J]. 教育教学论坛, 2025(19): 65-68.

[11] 陈会敏, 段妍君, 夏慧, 等. 数字赋能中西医结合基础课程创新教学模式研究[J/OL]. 中国医学教育技术, 1-6[2025-09-07].

[12] 郭建如, 张涵露. 资源对综合性高校医工交叉本科人才培养模式的影响: 基于北京大学的案例研究[J]. 高等教育研究, 2022(6): 70-79.

[13] 党豪, 李苗, 刘俊娟, 等. 人工智能赋能下医工融合型专业创新人才培养模式探索: 以河南中医药大学医学信息工程专业为例[J]. 中国教育技术装备, 2025(13): 150-153.

[14] 李中浩, 陈梓尧, 李萱汶, 等. 以医院为中心的医工结合研究及人才培养的思考[J]. 中国卫生人才, 2025(7): 19-23.

[15] 潘海生. 教育强国支撑引领中国式现代化的历史经验和推进方略[J]. 天津大学学报(社会科学版), 2025(3): 215-221.

基金资助

江西省教育厅教学改革研究课题“ChatGPT 视域下以‘医学数字素养能力’为导向的‘机器学习与模式识别’课程教学改革与实践”(JXJG-23-13-11)