大学生艺术创作与生成式AI的互动模式及其效应研究

1.引言

美育作为培养学生审美素养与人文精神的核心途径，在传统教学模式中常面临理论密度高、学生参与度低、创新能力培养有限等问题。随着数智技术的发展，生成式 AI（AIGC）为美育课程改革提供了新机遇。《大学美育》作为面向高校全体学生的通识课程，亟需打破“被动欣赏”的传统范式，构建“主动创造”的新型教学模式。本文以该课程创新实践为依托，探究生成式 AI 与大学生艺术创作的互动模式，分析其在教学中的实际效应，旨在为高校美育课程的数字化转型提供实践依据与理论支撑。

2.生成式 AI 与大学生艺术创作的互动模式构建

基于《大学美育》课程的教学目标与学情特点，生成式 AI 与大学生艺术创作的互动模式围绕“工具适配-任务分层-价值引领”展开，形成多维度、立体化的教学体系。

2.1 工具选择与操作适配：降低创作门槛，满足多元需求

课程根据学生专业背景与技术基础，筛选并引入多样化生成式 AI 工具，形成“图像生成-视频生成-辅助优化”的工具矩阵，实现操作难度与学生能力的精准匹配。

图像生成工具：以 Stable Diffusion（SD）WebUI 与 Liblib 为核心。WebUI 凭借低上手难度、丰富艺术风格模型（如水墨、波普艺术）及“垫图生成”（ControlNet）功能，适配不同美育主题教学。非艺术专业学生可通过上传基础草图或参考图片，由 AI 延伸创作，降低创作门槛；艺术专业学生则可借助其参数调整功能，实现个性化艺术表达。Liblib 平台支持 checkpoint、lora 及 VAE 模型筛选，学生通过精准输入正向/负向提示词、调节画幅比例，快速生成符合预期的图像，单张图像平均耗时15-30 秒，满足课堂即时互动需求。

视频生成工具：以可灵 AI 为主要载体。其操作界面设计贴心，包含素材筛选、短片模板、图片/视频/音频切换及预览区域，零基础学生可快速上手。学生既能通过文生视频功能（如输入“机械结构的对称美学”）实现跨专业创作，也能借助图生视频功能将《清明上河图》等传统艺术作品动态化，实现“传统美学的现代表达”。

辅助优化工具：引入OPS 提示词工作工具、Unlimited 提升画质工具及站长素材库。OPS 工具帮助学生精准撰写提示词，提升创作效率；Unlimited 工具优化图像画质，保障作品质量；站长素材库提供丰富创作素材，拓展学生创作思路。

2.2 分层任务设计与能力匹配：兼顾差异，实现进阶培养

针对学生专业背景（艺术/非艺术）与兴趣分化（视觉艺术、综合艺术、实用美学）的特点，课程依托生成式 AI 搭建“基础层+进阶层”双轨任务体系，实现“被动接受到主动创造”的层级跨越。

图2-1 艺术类和非艺术类专业学生异同

基础层任务：面向非艺术专业学生与艺术基础薄弱者，以“知识理解+简单创作”为目标。例如，在人体比例美学教学中，学生上传人体骨骼结构参考图，利用 ControlNet 深度控制功能生成符合正确比例的人体形象，对比不同风格生成图，加深对美学知识的理解；通过可灵 AI 模板生成“生活美学短视频”，记录校园风景或家庭场景，培养基础审美感知能力。

进阶层任务：面向艺术专业学生与兴趣浓厚者，以“创意拓展+专业融合”为目标。艺术专业学生可利用 WebUI的 ControlNet 局部调整（如优化人像眼神）、风格迁移（如照片转油画）功能，创作复杂场景绘画；非艺术专业学生则结合自身专业，生成“专业+美育”跨领域作品，如工科学生设计“机械结构对称美学” 视频，文科学生创作“传统文化元素现代设计”图像。

2.3 思政元素融入与价值引导：坚守人文内核，规范技术使用

《大学美育》课程以思政案例库为依托，将红色文化、传统文化与时代精神融入生成式 AI 创作过程，实现“审美素养与思政素养”协同培养。

构建涵盖原始陶器、传统书画、现代设计等领域的上百例思政案例库，学生在 AI 创作中需参考案例中的思政元素（如红色主题艺术作品的色彩运用、传统文化符号的现代转化），确保创作方向符合主流价值观。

同时，在教学中明确 AI 伦理知识，要求学生遵循“人机协作伦理”，规范使用 AIGC 工具。例如，在作品创作中需标注 AI 辅助程度，避免过度依赖技术；在跨文化审美创作中（如中西传统艺术融合），需尊重文化多样性，深化对本民族传统美学的认同。

3.生成式 AI 与大学生艺术创作互动的教学效应

通过一学年的课程实践，生成式 AI 与大学生艺术创作的互动模式在学生学习兴趣、教学效率、审美能力及创新成果等方面产生显著效应，同时也暴露出部分问题。

3.1 积极效应：激发主动性，提升教学质量

学生学习兴趣与参与度显著提升：课程满意度较上一学年明显增长，学生对课程趣味性、参与感和技术新鲜感的评价高于传统教学。课堂出勤率保持在 90% 以上，小组讨论中涉及“AI 与传统艺术对比”“跨专业审美融合”等深度话题的比例增加；课后学生自主创作行为增多，如使用 Liblib 生成家庭聚会艺术化图像、用可灵 AI制作个人生活美学视频，实现从“被动旁听”到“主动实践”的转变。

教学效率大幅优化：教师借助 AIGC 辅助备课，获取“分专业美育案例”和“风格化教学素材”的时间大幅缩短，以往需 2 小时的素材筛选工作可由 AI 快速完成。知识图谱与 AI 助教的运用，提升了学生学习效果与自查能力—AI 助教实时解答基础疑问，AI 学情分析根据作业情况生成个性化学习建议，替代部分教学任务，使教师能更精准地分析班级学情，实现“精准教学”。

图3-1 知识图谱与 AI 助教在《大学美育》中的应用

学生审美能力与创新成果涌现：课程构建的多元知识体系（涵盖美学原理、艺术史、AI 伦理）帮助学生形成双重视角，在艺术作品分析中既能关注技术实现逻辑，又能运用传统美学标准（如形式美法则）评价优劣。学生跨文化审美包容力增强，利用 AIGC 生成中西传统艺术融合作品的数量显著增加；在2024 年各类竞赛中，教师指导学生凭借 AI 辅助创作的作品取得优异成绩，如“传统文化现代设计”系列图像、“专业+美育”跨领域视频等，体现出课程对学生创新能力的培养成效。

3.2 现存问题：需警惕的潜在风险

AIGC 工具的便捷性导致部分学生过度依赖预设模型与模板，容易陷入原创性认定困境，部分学生作品同质化严重，因此在考核阶段难以界定“学生创意”与“AI 生成”的边界，对课程考核的“原创性评价”提出挑战。

同时，非艺术专业学生更关注 AI 参数调整，忽视手绘、拍摄等基础艺术表现能力的训练；艺术专业学生也存在“重技术、轻基础”的倾向，传统艺术创作中的细节把控能力（如线条运用、色彩搭配）未得到充分培养。最后，部分学生在创作中仅关注“图像/视频效果”，未深入理解作品背后的时代背景、人文内涵与美学逻辑，导致作品缺乏思想深度，难以实现“审美素养与人文精神”的深层培养目标。

四、优化方向与未来展望

针对生成式 AI 与大学生艺术创作互动中的成效与问题，结合《大学美育》课程发展需求，未来需从“技术应用深化、教学体系完善、伦理教育强化”三方面推进优化。

4.1 深化生成式 AI 技术应用，拓展教学场景

持续探索 AIGC 新技术在美育中的应用，如引入文生3D 模型用于艺术创作实践，让学生从“二维创作”迈向“三维表达”；开发“AI+虚拟展览”平台，将学生作品以虚拟展厅形式呈现，增强作品传播力与学生成就感；结合元宇宙技术，构建沉浸式美育教学场景，提升学生学习体验。

4.2 完善分层教学体系，强化传统技能融合

进一步细化“基础层+进阶层”任务设计，在基础层增加“AI 辅助+传统技能结合的任务（如先用 AI 生成初稿，再通过手绘优化细节）；在进阶层设置“传统技能主导+AI 优化”的挑战任务（如艺术专业学生先完成传统绘画，再用 AI 进行风格转化），实现“技术赋能与传统传承”协同发展。同时，根据每学期学生对内容难度的评价，实时更新调整教学内容，确保任务难度与学生能力动态匹配。

.3 强化 AI 伦理教育，明确原创性标准

将 AI 伦理知识纳入课程核心内容，通过案例教学（如分析“AI 生成作品版权纠纷”案例）帮助学生理解技术边界；制定“AI 辅助创作原创性认定标准”，明确学生在选题、提示词撰写、参数调整、作品优化等环节的贡献度，作为考核评价依据；鼓励学生在作品中融入个人思想与情感表达，避免“技术堆砌”，提升作品思想深度。

4.4 加强教师培训，提升技术应用能力

积极组织教师参与AIGC 高级师资研修班，提升教师运用生成式AI工具的能力；建立“AI美育教学资源库”，由教师团队共同开发优质案例、模板与课件，实现资源共享；鼓励教师开展“AI+美育”教学研究，探索更高效的互动模式，推动课程持续创新。

五、结论

本研究以《大学美育》课程为载体，探究生成式 AI 与大学生艺术创作的互动模式及其效应。结果表明，生成式 AI 通过“工具适配-任务分层-价值引领”的互动模式，能有效降低艺术创作门槛、激发学生学习主动性、提升教学效率与审美能力，为高校美育课程数字化转型提供可行路径。然而，互动过程中存在的原创性困境、传统技能弱化等问题，也需通过完善教学体系、强化伦理教育、加强教师培训等方式解决。未来，随着生成式 AI技术的不断发展，高校美育需进一步平衡“技术赋能”与“人文传承”，构建更具创新性、包容性与引领性的教学模式，为培养具有审美素养与创新能力的时代新人提供有力支撑。

参考文献

[1]黄咏麟.基于 UTAUT 模型大学生线上教学接受意愿影响因素研究[J].现代职业教育，2024，（23）：133-136

[2]刘彦.高校数智融创下的美育浸润：基于 AI 艺术的创新审美思维驱动模型建构及其实践[J].中国大学教学，2024，（08）：60-68.

[3]Abukmeil，M.，Ferrari，S.，Genovese，A.，Piuri，V.，&Scotti，F.（2022）.A survey of unsupervised generative models for exploratory data analysis and representation learning.ACM Computing Surveys，54（5）， 1–40.

[4]Vartiainen，H.，&Tedre，M.（2023）.Using artificial intelligence in craft education： crafting with text to-image generative models.Digital Creativity， 1–21.

[5]Carolus，A.，Koch，M.J.，Straka，S.，Latoschik，M.E.，& Wienrich， C. （2023）.MAILS-Meta AI literacy scale： Development and testing of an AI literacy questionnaire based on well - founded competency models and psychological change - and meta - competencies. Computers in Human Behavior： Artificial Humans， 1（2）.

作者简介：

柯佳（1996-），女，汉族，籍贯：湖北十堰人助教，硕士学位，专业：动画与数字媒体，研究方向：AIGC 及数字媒体艺术