智慧课程思政教学与评价体系构建研究

Research on the Construction of Intelligent Curriculum Ideology and Politics Teaching and Evaluation System

摘要

目的 医学院理工科课程思政普遍存在“融不进、评不准”难题。 方法 以OBE（Outcome based Education）理念和CIPPF（Context-Input-Process-Product-Feedback）全过程评价为框架，构建“四元素—五环节—多主体”智慧教学模型，将科学思维、AI素养、工程伦理、工匠精神四元素嵌入CIPPF教学闭环，并借助同伴互评、教师评价与智能平台诊断，对6级“个人医疗健康诊断系统”项目进行实时反馈。 结果 平台日志显示各任务节点完成率>90%；终测问卷四维能力均值7~9/15（s≈2.5），其中工匠精神最高8.35，AI素养最低6.94；四维能力皮尔逊相关系数0.67~0.93，呈显著正相关。 结论 该模型通过项目驱动与多元评价实现技术训练与价值引领协同，为医学院程序课程思政提供了可复制、可量化的实施范式。

Abstract

Objective Courses in science and engineering within medical schools commonly face challenges of “incompatibility and impracticality” in integrating ideological and political education. Methods Guided by the Outcome-based Education (OBE) concept and the Context-Input-Process-Product-Feedback (CIPPF) full-cycle evaluation framework, this study constructed a “four element, five links and multiagent” intelligent teaching model. This model embeds four core elements, including scientific thinking, AI literacy, engineering ethics, and craftsmanship spirit, into the CIPPF teaching cycle. Utilizing peer assessment, instructor evaluation, and intelligent platform diagnostics, the model provided real-time feedback throughout a level 6 “personal medical health diagnostic system” project. Results Platform logs indicated task node completion rates exceeding 90%. The final assessment questionnaire revealed average scores for the four-dimensional competencies ranging between 7 to 9 out of 15 (s≈2.5), with craftsmanship spirit scoring the highest (8.35) and AI literacy the lowest (6.94). Pearson correlation coefficients between the four competencies ranged from 0.67 to 0.93, showing significant positive correlations. Conclusion By employing project-driven learning and multi-faceted evaluation, this model effectively facilitates the synergistic development of technical skills and value cultivation. It provides a replicable and quantifiable implementation paradigm for integrating ideological and political education into programming courses within medical schools.

Graphical abstract

关键词

课程思政 / CIPP评价模型 / 工程伦理 / AI素养 / 医学类程序课程

Key words

Curriculum ideology and politics / CIPP evaluation model / Engineering ethics / AI literacy / Medical programming courses

近年来，课程思政建设在高等教育领域得到了广泛关注。课程思政作为培养学生核心素养和社会责任的重要途径，在医学院校逐渐受到重视。教育主管部门相继出台相关政策文件，推动各门课程与思想政治教育目标深度融合，特别是在专业课程中强化育人功能。专业课程不仅要传授专业知识，还要承担育人责任，推动学生全方位发展，增强社会责任感。针对理工科课程，尤其是程序设计类课程的课程思政建设，已有不少文献探讨了如何将思政教育与学科知识有效融合，但大多数研究集中在人文社科类课程领域，对于医学院校理工科课程的思政建设，特别是在实践性较强的课程中^［1］，相关研究仍显不足，尤其是课程思政目标的量化评价体系构建与实施路径方面，仍缺乏系统性和具体的实践指导。

当前，理工科课程特别是在医学类院校的程序设计类课程中，课程思政面临着几大突出问题。首先，由于课程内容的高度专业化与技术性，思政元素常常难以自然融入教学过程；其次，在教学过程中，思政内容往往流于表面，未能深入挖掘学科的社会责任和伦理问题；最后，缺乏切实可行的评价工具，使得思政目标的达成效果难以量化，教师在实施过程中往往感到“有心无力”，难以准确评估和反馈学生的思政素养^［2］。

为解决以上问题，本研究提出了一种基于“四元素—五环节—多主体”的智慧课程思政教学与评价体系。该体系从育人目标出发，围绕科学思维、AI素养^［3］、工程伦理及工匠精神四个元素，融入程序设计课程的教学全过程，包括Context（情境）、Input（投入）、Process（过程）、Product（结果）、Feedback（反馈）五个环节，采用多元主体评价机制，联合学生、同伴、教师和智能平台共同参与学生能力的评估与反馈。该体系基于成果导向教育（Outcome-based Education，OBE）理念和CIPP（Context-Input-Process-Product）全过程评价，结合智慧教育平台和人工智能工具，确保课程思政目标的有效实施、可量化评估与持续改进。

本研究旨在通过设计并实施这一综合体系，探索其在医学院校程序设计课程中的具体应用路径及初步成效，为理工科专业课程的思政建设提供一套可行的理论依据和实践范式，进一步推动医学类院校理工科课程中思政教育的深化和实践效果的提升。

1 理论框架与模型构建

1.1 理论基础

以“预期成果—过程保障—价值引领”为主线，本研究将OBE理念、CIPP（F）评价模型与国家课程思政政策有机融合，形成支撑“四元素—五环节—多主体”教学体系的三重动力。

首先，OBE理念奠定了“以终为始、反向设计”的顶层逻辑^［4］，要求教师从学生完成课程后应具备的核心能力出发倒推教学内容与评价方案，以确保学生“能做得到”而非仅“学过”^［5］。这种结果导向为课程思政确立了清晰、可衡量的育人目标——在本研究中即“科学思维、AI素养、工程伦理、工匠精神”四元成果指标。

其次，CIPP模型提供全过程质量监控框架，而新增的反馈环节（Context-Input-Process-Product-Fe-edback，CIPPF）将OBE理念的结果要求转化为持续改进机制。传统CIPP^［6］评价模型强调情境分析、资源投入、过程监测与产出评估^［2］，但若无实时反馈，难以闭环^［7］。因而本研究在“Product”之后嵌入“Feedback”，利用智慧平台实时采集数据，形成“目标—实施—评价—改进”的动态循环，使OBE理念设定的终点又成为下一轮教学优化的起点。

最后，国家课程思政政策为上述教育理念注入价值取向与时代使命。《高等学校课程思政建设指导纲要》等文件明确要求在理工科课程中融入科学精神、工程伦理与工匠精神，培养具有社会责任感的复合型人才^［8］。政策导向不仅回答了“教什么”与“为何教”的价值命题，也为 OBE-CIPPF 框架注入评价维度：所有产出指标和反馈环节均需同时检视技术能力与价值塑造的协同达成度。

OBE理念为课程确立“成果坐标”，CIPPF全过程评价框架构建“全过程航道”，政策导向明确“价值方向”。三者相互嵌套、层层递进，共同支撑本研究提出的“四元素—五环节—多主体”智慧课程思政教学与评价模型，实现目标清晰、实施有序、反馈可循、价值落地的系统化育人路径。

1.2 模型设计

依托OBE理念的成果导向、CIPPF全过程评价框架的闭环过程控制及政策的价值要求，本研究构建了一个三层嵌套的“四元素—五环节—多主体”智慧课程思政模型，如图1所示。模型自内向外依次回答：培养什么能力（核心层）？用什么教学流程保证能力落地（中层）？由谁来共同验收与改进（外层）？

1.2.1 核心层：四元素育人目标

如表1所示，四元素体系既覆盖了“知识-技能”范畴中的科学思维与AI素养，又涵盖“价值-态度”取向下的工程伦理^［9-10］与工匠精神。这种“双元并重”的结构，完整回应了国家课程思政文件对理工科人才“专业本领×社会责任”^［11-12］的总体要求，确保学生在掌握程序设计技术的同时，形成对社会影响的价值自觉。值得强调的是，依据OBE理念“以终为始”的原则，本研究已将每一元素进一步细化为可观测、可量化的产出指标（见表1“预期成果指标”栏）。在随后的教学与评价环节中，教师与平台均以这些指标为对照标准，持续追踪学生能力的达成度。

1.2.2 中层：五环节教学闭环

在中层结构中，如表2所示，CIPPF全过程评价框架为课程实施提供了完整的过程管理机制：教学从Context的真实情境出发，经Input的资源配置进入Process的项目推进，随后在Product阶段产出可评估成果，并立即通过Feedback环节形成诊断与调整。该闭环意味着每当学生完成一次项目提交，系统都会推送错误热区与改进建议，促使教师快速干预、学生即时修订，从而实现“环环有评价、步步可改进”的动态迭代。与此同时，五个环节中的“过程—结果—反馈”链条直接对应OBE理念的成果要求；而在每一环节内设置的“技术指标+价值指标”双重量表，又进一步将国家思政政策的价值诉求嵌入日常教学流程，保证技术训练与价值引领同步落地。

1.2.3 外层：多主体协同评价

外层评价体系由同伴互评、教师评价与智能平台评测共同构成，如表3所示。三类主体各司其职、优势互补：同伴互评注重代码可读性与团队协作，可在学生群体中营造责任共担的学习氛围；教师评价则聚焦功能完备度与思政深度，为学习过程提供专业方向的把关；智能平台通过测试用例与NLP（Natural Language Processing）语义分析实现高频、客观的数据诊断，为教师精准干预提供实时依据。主观评价与客观评价的交叉验证有效削弱了单一视角偏差，使课堂评价既具人文关怀，又能保持量化严谨。同时，所有评价数据会自动沉淀至教学平台，为后续课程迭代与纵向研究提供可追溯的证据链，体现持续改进的理念。

四元素育人目标为课程确立了清晰的价值坐标，五环节教学闭环把这些目标嵌入全过程教学实践，而多主体协同评价则确保教学—评价真正形成闭环。三层嵌套在OBE理念的成果导向框架下运行，辅以CIPPF全过程评价框架的过程保障与国家政策的价值引领，最终构成一个可操作、可量化、可持续优化的理工科课程思政范式。这一范式不仅回答了“培养什么、如何教、如何评”的基本问题，也为日后在更多技术类课程中的推广提供了通用的结构模板。

2 教学实施与智慧融合路径

为落实课程思政的“四维育人”目标——科学思维、AI素养、工程伦理与工匠精神，本研究在“C语言程序设计”课程中设计并实施了以“个人医疗健康诊断系统”为背景的综合实验任务。项目围绕“结构体—数组—函数—文件”四大知识模块，设置六个层级任务（Level 1~6），引导学生从基础信息输入到AI评分模型构建，逐步完成系统化开发任务，并在过程中理解技术应用中的伦理与责任问题。教学路径采用“任务驱动—平台支撑—智慧反馈”三位一体策略，构建了涵盖Context（情境）、Input（投入）、Process（过程）、Product（产出）与Feedback（反馈）的五阶段教学框架。平台通过超星系统实现任务发布、Rubric评分、AI判题与数据分析闭环，促进教师精准干预与学生持续优化。

教学互动中，通过设置思政引导问题，推动学生从“写程序”到“负责任地写程序”，实现从知识传授到价值引领的跨越，提升了学生的技术实践能力与工程伦理意识。

2.1 情境引入（Context）

为有效落实课程思政目标，本研究在讲授完所有知识点后，设计了“科技赋能医疗健康”^［13］的现实情境，引导学生围绕“个人健康指标诊断系统”开展项目式学习。学生需面向医生与患者群体，开发支持体温、血压、血氧等数据评估的健康管理程序，从而在真实语境中理解技术的社会功能，增强专业学习的使命感与责任意识。项目分为六个层级任务（Level 1~6），推动学生实现从“编程者”到“系统责任人”的身份转变。

通过任务设计，学生在Level 2和Level 5中基于医学常识设定合理阈值，培养数据驱动与逻辑严谨的思维方式；在Level 4和Level 5中关注数据隐私和评分公平，理解“代码行为即社会行为”的伦理内涵；在Level 3和Level 6中注重注释清晰、命名规范和异常处理，培养工匠精神和高质量代码的专业追求。同时，引入AI可信度和算法决策公平性等问题情境，促使学生主动思考技术边界与社会价值的关系（表4，表5）。

通过将C语言知识与医疗健康主题深度融合，课程在教学伊始便建立了“技术训练+价值引领”的双重任务框架，为后续教学奠定了坚实的思政基础。

2.2 投入准备（Input）

在进入编码环节之前，教师通过超星智慧课堂平台为学生提供了任务说明、参考资料、评分标准和互评机制。平台支持多阶段提交与反馈，学生在每个阶段完成任务后可获得即时的AI判题结果，包括代码正确性、规范性检查和功能验证。但学生的最终成绩是在教师参考AI判题结果的基础上给出分数和答案，确保对学生的公正和合理性。教师可通过平台实时掌握班级进度和常见错误，针对性地进行讲解和指导。

此外，课程结束后鼓励学生使用开源大模型助手辅助编程，生成代码框架并进行调试与优化^［14］。平台还设计了思政拓展环节——“代码背后的责任”情境化任务，通过“技术+责任”^［15］的引导，帮助学生认识技术背后所承担的社会责任，如表6所示。

2.3 教学过程（Process）

教学过程中，通过六个层级任务展开，形成从知识掌握到系统构建、从功能实现到价值思考的螺旋上升式学习路径。每个任务通过超星平台发布，并附带思政提示，鼓励学生小组协作，并在解决编程问题时展开讨论。例如，在Level 3中，教师引导学生讨论“为何要对数据进行完整性检查？”在Level 4中讨论“医疗数据存储需要注意的安全问题？”这些讨论使思政教育融入任务完成的每个环节。

整个教学过程由技术工具、思政引导与学生反思交织而成，构成“任务驱动—过程监控—价值引领”三位一体的教学链条^［16］。学生从最初的“代码实现者”逐步成长为“系统设计者”和“责任承担者”，对专业知识有了更深刻的理解，并对自己的社会责任有了更清晰的认知。

2.4 结果产出（Product）

项目结束时，学生提交完整的个人医疗健康诊断系统代码和实验报告，教师依据Rubric量表对功能正确性、代码质量和思政反思等方面进行综合评分。这些数据既用于评定学生成绩，也作为教学质量评价的数据支持。大多数学生成功实现了系统功能，并在报告中深入思考了程序设计过程中的责任与伦理问题，体现出课程思政目标的落实。

2.5 反馈改进（Feedback）

教师通过超星平台收集学生的反馈，分析任务完成情况与学生的思政认知发展。例如，在程序模块化设计与结构规划能力方面，学生展示了是否具备将复杂任务分解为有组织模块、并合理规划整体系统架构的能力；在代码规范性与编程细节意识方面，学生普遍重视命名、注释和异常处理等关键细节，体现出高质量代码的追求和责任意识。此外，学生对课程资源与评分标准的理解情况，也直接影响其能否高效完成任务。

数据分析显示，学生围绕多个关键问题进行反馈，涵盖了程序设计、AI使用、任务完成与调试等多个维度。这些问题与课程目标之间高度关联，能够反映学生在项目任务中的实际表现和能力达成情况，如表7所示。

3 教学成效与案例分析

3.1 分布形态解读

调查数据显示，所设计的问卷涉及学生在科学思维^［17］、AI素养^［18］、工程伦理和工匠精神^［19-20］等方面的自我评估（如图2所示）。通过分析各个问题的评分，结合学生的回答，来评价这些能力的掌握情况。高分反映学生在该方面的理解与应用较好，低分则表明可能存在一定不足。

采用Likert量表（1~5分）进行评分，并将学生对每项能力的自评分数进行汇总分析。高得分意味着学生对该领域有较深的理解和应用，而较低的分数则表明可能存在知识理解或实践上的困难。

本研究进一步分析了学生评分的分布情况，探讨哪些学生群体在某些问题的理解和应用上较强，哪些群体则需进一步提高。调查结果显示，四个能力元素的得分平均值均位于7~9分区间，各元素的标准差约为2.5。其中，“工匠精神”的平均分略高（约8.35分），反映大多数学生在代码规范和编程细节上自我评价较好。而“AI素养”的得分较低（约6.94分），表明部分学生在程序模块化设计和系统规划能力上仍存在一定的不足。总体来看，四个元素的得分分布较为均衡，没有出现极端的高分或低分。

通过进一步分析各元素得分的分布形态，图3显示出一些细节特征，总结内容如表8所示。

科学思维：得分集中在8~9分之间，少数学生得分过低或满分，整体分布略右偏（均值：7.90/15）。这表明大部分学生通过课程训练提升了自己的数据分析与逻辑推理能力，然而也存在少数学生在这一领域的收获较少。

AI素养：得分较为集中在6~8分区间，略微右偏，均值为6.94/15。部分学生对AI工具的理解与应用仍有不足，尤其是在程序模块化设计和系统规划方面。

工程伦理：得分偏向较高的8~10分区间，整体分布较宽（均值：8.00/15），表明大多数学生意识到了程序开发中的社会责任和伦理问题，但也存在部分学生对此的关注较少。

工匠精神：大多数学生的自我评价集中在8~10分之间，分布形态较为对称，均值为8.35/15。尽管大部分学生注重代码的规范性和细节，但仍有少数学生在编码细节上存在欠缺，表现出一定的提升空间。

3.2 四维相关性分析

通过表9所示的皮尔逊相关系数分析，四个元素之间的正相关关系表明，学生在一个元素上的进展会促进其他元素的提升，尤其是在科学思维与工程伦理、工匠精神之间的关系尤为密切。具体来说，科学思维与工匠精神的相关性最高（ρ=0.932），这意味着具备扎实的推理能力的学生在代码质量和细节上表现得也更为精益求精。对于AI素养与其他元素的相关性稍低（0.67~0.75），但仍然呈现正相关，这表明流程化设计的思维能够促进编码规范和伦理问题的系统化处理。

4 讨论

本研究立足医学院校“C语言程序设计”课程，围绕“个人医疗健康诊断系统”设计项目式任务，构建并实施了基于OBE与CIPPF框架的“四元素—五环节—多主体”智慧课程思政体系。通过将科学思维、AI 素养、工程伦理、工匠精神四个育人元素嵌入Context-Input-Process-Product-Feedback教学闭环，并引入同伴、教师与智能平台协同评价，我们实现了“技术训练—价值引领—数据驱动改进”的全过程育人机制。

教学成效数据印证了体系的有效性。终测问卷显示，四元能力自评均值均处于7~9分区间（满分15分），标准差约2.5；其中工匠精神均值最高（8.35分），AI 素养相对较低（6.94分），但整体分布无极端低值，反应能力发展相对均衡。皮尔逊相关分析进一步揭示元素间的强耦合关系：科学思维与工匠精神ρ=0.932、科学思维与工程伦理ρ=0.891，说明逻辑推理与代码规范、伦理敏感性同步提升；AI 素养虽与其他元素关联略低（ρ≈0.70），仍呈显著正相关，显示流程化设计对规范编码与伦理考量具有促进作用。

课堂过程与质性反馈亦提供佐证。平台日志记录显示>90%的学生按节点完成六级任务；Rubric数据表明功能正确率和代码规范得分整体良好。同伴互评与教师点评中，“评分公平性风险”“隐私保护”等议题讨论热度位居前二，学生在反思环节能主动联系医疗场景，探讨算法误判的临床后果。任务后访谈显示，多数学生认同“写负责任的代码”是医工交叉背景下的核心职业要求。

本研究在实践中也存在一些不足之处。首先，AI素养的培养深度尚显不足，学生在AI工具应用及程序模块化设计方面仍存在困难。其次，工程伦理教育虽然提高了学生的伦理意识，但在应对复杂伦理冲突，尤其是涉及医疗数据隐私等问题时，学生的反思和应用仍显局限。因此，未来研究应加强AI素养专项训练，通过增加实际应用案例与挑战性任务，帮助学生更好掌握AI工具，同时强化工程伦理的深度，结合更多伦理冲突案例，引导学生在复杂场景中进行深入的伦理思考与判断。

本研究体系有效解决了理工科课程思政中“融不进、落不实、评不准”的痛点，为医学院校培养兼具数字健康能力与社会责任感的复合型人才提供了可操作、可量化的实施范式。后续研究可在纵向跟踪AI素养提升路径、横向迁移至其他医学信息类课程等方面进一步拓展，并结合具体反馈进一步优化评价体系的精确性与公平性。

参考文献

[1] 王晨，齐惠颖 ．医学类专业大学计算机课程思政元素挖掘与应用［J］．计算机教育，2024（1）：77-81．

[2] LI Y. Research on the effective path of curriculum ideo-logical and political education in general education［J］.Journal of Education Reform，2023，12（4）：112-119.

[3] TOLENTINO R， BARADARAN A， GORE G，et al ．Curriculum frameworks and educational programs in AI for medical students，residents，and practicing physicians：Scoping review［J］．JMIR Medical Education，2024（10）：e54793．

[4] SHARMA A， GUPTA R， WANG J， et al.Curriculum compliance improvement model for addressing accreditation using OBE［J］. Journal of Engineering Education & Technology， 2025， 43（2）： 1-11.

[5] AHMED S， O’CONNOR K， LEE M， et al.Outcome-based engineering education： a global report of international accreditation practices［J］.International Journal of Engineering Education， 2025，41（1）：1-15.

[6] BROWN T， SMITH P. Evaluating engineering progr-ams with the CIPP model： insights and pitfalls［J］.Frontiers in Education，2024，9（3）：55-67.

[7] HASSAN M. Designing a curriculum-evaluation fram-ework with CIPP in higher education［J］.Interna-tional Journal of Research in Education and Humanities Curriculum， 2024，5（2）：22-30.

[8] ZHANG X. MCU principles course： a case of curriculum ideological and political practice［C］//Proceedings of the SHS Web of Conferences.EDP Sciences，2023：02021.

[9] CARSON M， MILLER S. AI-ABCs framework： buil-ding foundational AI literacy for health professionals［J］.Nurse Leader，2025，23（1）：35-40.

[10] FUNG K， TEO E. An AI literacy micro-course for first-year medical students［J］. MedEdPublish，2024，13（78）： 1-10.

[11] COOPER J. Library services’role in advancing AI literacy in medical schools［J］. Journal of Medical Library Science，2025，53（2）：85-93.

[12] 王斌，田士来，王小成，等 ．以ChatGPT为代表的人工智能技术在医学教育中的机遇与挑战［J］．医学教育研究与实践，2023，31（4）：402-405．

[13] 方建宏，刘群英.把医德教育融入课程思政建设的路径［J］. 南京医科大学学报·社科版， 2018， 18（4）： 310-313.

[14] AL-HASSAN R， KHALIL S. Assessing AI literacy and attitudes among medical students［J］. Journal of Health Organization & Management，2024，38（4）： 512-528.

[15] SALEM S. Integrating AI into health professions education： barriers and enablers［J］.BMC Medical Education，2024（24）：307.

[16] RYU B， LIM S， CHOI Y. AI education for clinicians： three-tier competency model［J］. eClinicalMedicine， 2024（63）：102210.

[17] PURDUE UNIVERSITY.Ethical engineering of medical technologies-syllabus［EB/OL］.（2025-06-09）［2025-07-06］.

[18] 王永秋，程海涛，孙宏志，等.新医科背景下“仪器分析”课程“科教+思政”双融合改革［J］.医学教育研究与实践， 2025，33（4）：480–485.

[19] 高园园，曹蕾，王丹丹，等 ．新医科背景下医学生的Python课程教学设计与实践［J］．医学教育研究与实践，2024，32（2）：181-185．

[20] CARLETTI L， MARTIN P.Artificial intelligence literacy among healthcare professionals： a scoping review［J］.Health Informatics Journal，2024，30（1）：1-18.

基金资助

济宁医学院人工智能赋能教育教学研究项目(JYJGZX2025049)

山东省高等学校本科教学改革研究基金资助项目(Z2023307)

济宁医学院实验教学改革和实验室建设研究重点基金资助项目(SY2024005)

济宁医学院高等教育（本科）成果培育重点基金资助项目(cgz202405)