人工智能时代高校人才培养评价范式转型

随着人工智能技术的迅猛发展，全球教育生态正经历前所未有的重塑。从知识生成到深度学习的行为预测，技术革新不仅重构了知识生产逻辑，更对高等教育人才培养评价体系提出根本性挑战。当前，传统以量化指标为核心的评价范式，已难以满足人工智能时代对复合型、动态化人才能力考察的需求，其结构性矛盾主要体现在评价维度单一性与人才能力需求多样性的矛盾、静态评估模式与动态学习过程的脱节，以及技术工具革新与教育价值论滞后的冲突。《教育强国建设规划纲要（2024—2035 年）》明确指出，评价改革将成为人工智能时代教育改革的重要命题之一，要求促进人工智能助力教育变革。因此，探索人工智能驱动的高校人才培养评价范式转型，既是教育改革的迫切需求，也是顺应时代潮流的必然选择。

一、高校传统人才培养评价范式的局限

传统高校人才培养评价范式在长期实践中形成相对固定模式，曾在教育发展中发挥重要作用。但随着时代发展，尤其人工智能时代的到来，其逐渐暴露出诸多局限，难以适应新时代高校人才培养要求。

（一）评价指标：单一性与片面性突出

传统评价过度聚焦学业成绩，将考试分数作为衡量学生学习成果和能力水平的核心指标。这类以知识记忆与再现为主要考察内容的考试，难以全面涵盖学生的创新思维、实践能力、团队协作能力、批判性思维及解决复杂问题的能力等综合能力。在科技创新迅速发展的当下，这些能力对学生未来职业发展和社会适应至关重要。同时，传统评价指标缺乏对学生情感态度、价值观，以及学习过程中努力程度、进步幅度等非认知因素的考量。

（二）评价方式：程式化与静态化明显

传统评价主要采用纸笔测试、标准化考试等方式，虽便于操作和量化评价，却存在诸多弊端。纸笔测试的时间和空间相对固定，无法真实反映学生在实际情境中的能力表现。现实生活和工作中，学生需运用知识解决复杂多变的问题，而传统考试难以模拟这些真实情境，导致评价结果与学生实际能力存在偏差。此外，传统评价多为学期末考试、课程结业考试等阶段性总结性评价，侧重对学习结果的判断，忽视学生学习过程中的动态变化和成长轨迹。学生在学习中遇到的问题、取得的进步及学习方法的改进等，无法通过这种静态评价及时体现和反馈，不利于教师调整教学策略、学生改进学习方法。

（三）评价主体：局限性与封闭性显著

传统评价范式以教师评价为主导，学生处于被动接受评价的地位。教师虽对学生学习情况有一定了解，但受个人认知、教学任务繁重等因素限制，评价可能存在主观性和片面性。而且单一的教师评价无法全面反映学生学习情况，学生在学习中与同学、学习资源的互动表现，需多主体评价才能充分展现。另外，传统评价缺乏学生自我评价和互评，学生难以发挥主观能动性，也无法培养自我反思和批判性思维能力，不利于自主学习能力提升。

（四）评价时效：滞后性与非连续性问题突出

传统评价结果往往在学习过程结束一段时间后才反馈给师生，这种延迟导致评价结果无法及时用于教学改进和学生学习调整。学生在学习中遇到问题时，因不能及时获得反馈，问题可能积累，影响后续学习效果；教师也无法依据实时评价信息调整教学策略、优化教学过程，造成教学与学生实际需求脱节，降低教学质量和人才培养效率。同时，各教学环节评价相互割裂，课堂考核、实践实训等缺乏纵向关联，且忽视课外学习场景，使学生能力成长轨迹碎片化，无法形成连续完整的评估体系。

二、评价范式转型的紧迫性与现实需求

随着人工智能时代全面来临，社会各领域对人才的需求发生深刻变革，高校人才培养评价范式转型迫在眉睫，具有极强的紧迫性与现实需求。

（一）顺应社会产业升级的必然选择

从社会发展层面看，人工智能技术的广泛应用加速了产业结构调整与升级。人工智能、大数据、云计算、物联网等新兴产业蓬勃发展，传统产业也在借助人工智能技术进行数字化转型。这要求高校培养的人才能够适应新兴产业和转型后传统产业的需求。例如，智能制造领域需要人才既具备扎实的机械工程知识，又掌握人工智能、自动化控制等技术，能运用多模态数据分析优化生产流程，实现智能制造系统高效运行；智能医疗领域的人才，既要精通医学专业知识，又要熟悉人工智能在医疗影像诊断、疾病预测等方面的应用，能利用医学影像、患者病历、基因数据等多模态信息开展精准医疗。传统人才培养评价范式无法准确衡量学生在跨学科、综合性领域的能力和素质，难以满足社会对新型人才的需求。因此，为向社会输送适应产业发展的合格人才，高校人才培养评价范式必须向多模态认知与动态评估体系转型，以全面、准确地评价学生在新兴技术和跨学科领域的学习成果与能力水平。

（二）提升人才核心竞争力的关键路径

在提升人才竞争力方面，全球人才竞争日益激烈，人工智能时代对人才的要求不断提高。具备创新能力、实践能力、批判性思维以及良好的信息素养和数字化技能，成为人才竞争力的关键要素。多模态认知与动态评估体系能够关注学生学习过程中的思维发展、创新表现及解决实际问题的能力。通过分析学生在课堂讨论、项目实践、科研活动等场景中的语言表达、肢体动作、表情变化及与他人互动模式等多模态数据，评估学生的创新思维和实践能力，为学生提供针对性反馈和指导，助力其提升自身竞争力。在国际学术交流和科研合作中，会运用多模态认知工具进行研究和交流的学生更具优势，他们能更好地理解和整合不同来源的信息，提出创新性研究思路和方法。动态评估体系可实时跟踪学生学习进展和能力提升，及时发现学生的优势与不足，为其制定个性化发展路径，使学生在不断变化的人才市场中保持竞争力。

（三）驱动教育创新的内在要求

教育创新是高等教育发展的核心动力，而评价范式作为教育活动的 “指挥棒”，对教育创新起着关键引导作用。传统评价范式注重知识的记忆和再现，抑制了教育创新活力。多模态认知与动态评估体系则鼓励学生积极探索、勇于创新，关注学生的学习过程和创新思维培养。通过引入多模态数据采集和分析技术，能为教育创新提供丰富数据支持，帮助教育者深入了解学生的学习行为和认知过程，进而推动教学方法、课程设计等方面的创新。例如，利用虚拟现实、增强现实等技术创设多模态学习环境，让学生在沉浸式学习体验中培养创新能力和实践能力；

依据多模态数据分析结果，优化课程内容和教学策略，实现个性化教学，激发学生的学习兴趣和创新潜能。评价范式的转型还能促进教育者自身创新意识和能力的提升，鼓励教育者积极探索新的教学理念和方法，推动高等教育持续发展。

三、多模态认知赋能人才培养评价的优势

将多模态认知应用于高校人才培养评价，相比传统评价方式具有显著优势，能为人才培养评价带来更全面、精准、个性化的视角，有力推动高校人才培养质量提升。

（一）提供更全面的评价视角

传统评价主要依赖学生的考试成绩、书面作业等单一文本模态信息，难以涵盖学生学习过程中的全方位表现。而多模态认知可整合文本、图像、音频、视频等多种模态数据，全方位捕捉学生的学习行为和表现。在课堂教学中，通过视频记录学生的课堂参与度，包括发言次数、发言时长、与同学互动情况等；利用音频分析学生的语音语调，判断其表达观点时的自信程度和思维活跃度；结合学生的作业文本及线上学习平台的操作轨迹等多模态信息，能全面了解学生的学习过程，包括学习态度、学习方法运用以及知识掌握和应用情况。在实践课程中，通过图像识别技术记录学生实验操作的动作流程和规范程度，并与实验报告文本相结合，可更全面地评价学生的实践能力。这种多模态数据的融合，让评价不再局限于单一维度，能够呈现学生学习的全貌，为人才培养评价提供更丰富、更立体的信息基础。

（二）提高评价的精准度

不同模态的数据在反映学生学习状态和能力方面各有优势，多模态认知通过对这些数据的融合分析，可相互补充和验证，从而更准确地评估学生的能力和水平。以语言学习评价为例，传统笔试仅能考查学生的语法、词汇等知识记忆和书面表达能力，而引入多模态认知后，通过语音识别技术评估学生口语发音的准确性、流利度，结合面部表情分析判断学生口语交流时的情感状态和自信程度，再综合学生的课堂表现、小组讨论中的语言运用等多模态信息，能更精准地评价学生的语言综合能力。在创新能力评价方面，通过分析学生在项目实践中的创意展示视频、团队讨论音频以及撰写的项目报告文本等多模态数据，从不同角度评估学生的创新思维、问题解决能力和团队协作能力，避免了单一评价方式可能产生的偏差，使评价结果更接近学生的真实能力水平。

（三）助力实现个性化评价

每个学生都有独特的学习风格和认知特点，多模态认知能够根据学生在不同模态下的表现，深入分析学生的学习行为模式和认知偏好，为个性化评价提供依据。通过分析学生在学习过程中对文字教材、视频教程、音频讲解等不同模态学习资源的使用频率和学习效果，可了解学生的学习风格。对于偏好视觉学习的学生，可通过分析其观看教学视频时的专注度、对图像信息的理解和应用能力等多模态数据进行更有针对性的评价；对于擅长听觉学习的学生，则重点关注其在听取讲座、讨论发言等音频模态下的表现。基于多模态认知的评价结果，教师可为每个学生制定个性化的学习建议和发展规划，满足学生的个性化学习需求，促进学生全面发展。同时，多模态认知还能实时跟踪学生的学习进展和变化，及时调整评价策略和教学方法，实现对学生学习过程的动态、个性化支持。

四、人才培养动态评估体系的构建

动态评估体系的有效实施是实现高校人才培养评价范式转型的关键环节，它涵盖指标设计、数据采集与分析、反馈应用等一系列复杂且有序的流程，各环节紧密相连、有机统一，为精准、全面地评估学生学习过程和能力发展提供保障。

（一）指标设计

评价指标体系的科学构建需紧密围绕人才培养目标和多模态认知理论。要明确不同学科和专业的人才培养目标，如工科专业注重学生的工程实践能力、创新设计能力和问题解决能力，文科专业侧重于学生的文字表达能力、批判性思维能力和文化素养。根据这些目标，从多模态认知角度确定相应的评价指标。以工程实践能力评估为例，可设置实验操作规范、实验数据处理、实验报告撰写等指标，同时结合实验过程中的视频记录，分析学生的操作熟练度、团队协作表现等多模态信息；在评价学生的创新设计能力时，除关注设计方案的创新性和可行性等文本指标外，还可通过分析学生在头脑风暴、小组讨论中的语言表达、思维活跃度以及展示设计成果时的肢体语言等多模态数据，全面评估学生的创新思维和沟通能力。

（二）数据采集与分析

这是动态评估体系实施的核心环节。需利用多元化的数据采集工具和技术，广泛收集学生的多模态数据。借助学习管理系统、在线教学平台等记录学生的学习轨迹，包括课程访问时间、作业提交情况、在线测试成绩等文本数据；运用摄像头、麦克风等设备采集学生在课堂互动、小组讨论中的音频和视频数据，分析学生的参与度、沟通能力和情感状态；通过可穿戴设备收集学生的心率、脑电波等生理数据，了解学生在学习过程中的注意力集中程度和疲劳状态。

（三）反馈应用

这是动态评估体系发挥作用的关键。要及时将评估结果反馈给师生，帮助他们了解学生的学习情况和进步情况。为学生提供个性化的学习建议和发展规划，根据评估结果分析学生的优势与不足，制定针对性学习计划，推荐适合的学习资源，指导学生改进学习方法。例如，对于数学学习存在困难的学生，根据评估结果分析其函数、几何等具体薄弱环节，为其推荐相关的在线课程、辅导资料和练习题，助力学生提高数学成绩。

（四）优化调整

教师需根据评估结果调整教学策略和方法，优化教学内容和课程设计。若发现大部分学生对某个知识点理解困难，可调整教学进度，增加相关案例分析和实践活动，帮助学生更好地掌握该知识点；根据学生的学习兴趣和能力水平，对课程内容进行分层教学，满足不同学生的学习需求。同时，将评估结果应用于人才培养方案的优化和改进，为学校的教育决策提供数据支持。通过对学生的长期跟踪评估，分析人才培养方案的实施效果，发现存在的问题和不足，为学校调整专业设置、课程体系和教学方法提供科学依据，不断提高人才培养质量。

五、结语

本研究聚焦人工智能时代高校人才培养评价范式转型，探讨多模态认知与动态评估体系构建。多模态认知融合多学科知识，模拟人类多感官认知过程，基于认知加工机制与数据处理技术，在人才培养评价中具有全面、精准、个性化的优势。动态评估体系构建遵循实时性、全面性、适应性、激励性原则，运用大数据、学习分析技术与过程性评价方法，从指标设计、数据采集与分析到反馈应用形成完整路径。多模态认知与动态评估体系是高校人才培养评价范式转型的核心路径，对提升人才培养质量、培养创新人才具有重要作用。

展望未来，随着人工智能技术的不断发展，多模态数据采集、处理与分析技术将愈发强大，评价效率与准确性将进一步提高。多模态认知与动态评估体系将更加注重学生的全面发展与个性化需求，不仅评价学生的综合素质，还能为学生提供更具针对性的个性化建议。未来研究还可关注该体系在教育政策制定、质量保障等方面的应用，为教育决策提供依据，推动高等教育高质量发展。

参考文献

[1] 郑永和，王一岩，杨淑豪。人工智能赋能教育评价：价值、

挑战与路径 [J]. 开放教育研究，2024.

[2] 杨宗凯。高等教育数字化发展：新特征·新范式与新路径 [J].

中国高等教育，2024.

[3] 刘学。智能技术赋能高职课堂教学评价研究与实践 [J]. 高

教学刊，2024.

[4] 王金羽，王瑜琪。人工智能赋能拔尖创新人才培养：技术路径、

现实挑战、政策空间 [J]. 东华大学学报 （ 社会科学版） . 2025.

作者简介：王杰茹（1987.3-），汉族，山东青岛人，现就职于山

东财经大学财政税务学院，博士，副教授，研究方向：高等教育财政政策；

涂罡（1980.5-），汉族，山东人，现就职于山东财经大学科研处，

硕士，高级，研究方向：教育管理。基金项目：2023 年山东财经大学“基于‘导学评’三维一体教学

模式的财税专业课程教学改革与实践”（JY202304）；2021 年山东省

教育科学规划办公室“新时代硕士研究生招生考试综合评价模式研究”（2021KYB003）。