应用系统（低阶） 教务 学工 人事 科研 一卡通 … 低价值、低质量数据层 低价值、高质量数据层 高值数据 挖掘平台 挖掘工具 挖掘模型 挖掘算法 … 高价值、高质量数据层 应用系统（高阶） 智慧校园、大数据时代 服务化、智能化、移动化、泛在化、融合化 统一 门户 基本 校情 掌上 校园 （第一代） 精华科技致力于教育信息化建设 17 年，河南高校数字校园建设项目占有 第五阶段：智能化应用服务阶段 建设任务 大量高阶应用系统的出现，才意味着真正踏入了智慧校园的时代。高值数 据层是实现高阶应用系统的一个必要条件，但是还需要其它的基础。如：无线 网络的密集覆盖、基于 NFC 技术的精确身份识别、各类感知网络的覆盖…这些 系统在带来直接应用价值的同时，也带来了丰富和重要的基础数据。 建设的成效 通过高阶应用系统的使用，减少人工作业与分析，真正的实现了教学、管 分布式挖掘引擎 挖掘模型 挖掘算法 分布式数据高速缓存 挖掘层 图表生成引擎 知识层 高价值数据、信息和知识 展现层 接口层 标准化服务接口 应用系统（高阶） 2. 设计思路 通过统一的数据交换，实现各个业务应用系统之间、业务应用系统与学校 全量数据仓库之间的数据交换，通过统一接入的方式，简化各个业务应用系统、 学校全量数据仓库之间交互的复杂度，实现各个业务应用系统和学校全量数据

协助形成性评估 ， 监控学习过程 ， 关于个性化的建议 学生参与和 促进增强 人类互动 ； AI 在哪里 优势可以被验证 ， 将 AI 工具和资源融合到 以学生为中心的教学 实践 ， 以提高学生的 高阶思维 ， 理解、应用 知识和技能 ， 适当的社会互动 和价值取向。 LO4.2. 3 严格检查 使用的适当性 特定的 AI 应用程序 或集成的 AI 辅助 学习系统 (例如 LMS) 形成性学习评价 适用于不同类别的 人工智能 ； 理解和解释 关键的教学假设 支持给定的教育 AI 工具或系统。 设计和促进 学生对人工智能的使用 高阶思维和 社会情感学习 ： 设计以学生为中心的教学 和学习活动的基础上 经过验证的教育 AI 工具 促进学生使用 AI 为了支持高阶思维 ， 合作 ， 以及社会和 情感学习。 人类负责的 AI 辅助 评估: Debunk 神话 围绕使用 AI 实现自动化 设计、管理 分析 学生之间新颖的三角互动 ， 教师和人工智能系统 ， 以及设计 利用其优势的策略 并降低他们的风险 ； 提供机会 为教师丰富他们的实践技能 人工智能辅助的设计和工程 为学生开放学习选择和 培养学生的高阶智力 能力、创造力和好奇心。 LO4.3. 1 严格检查 之间的动态相互作用 AI 的进步和 教育学的演变 方法 ； 利用真正的 AI 技术的好处 实现教育目标 并确定可能的限制 现有的完全教学法

极简设计，操作简 单 课后巩固 创新教学模式，助力金课建设 课前备课 前置学习 线上线下教学设计 环 环 相 扣 ， 学 习 资 料 在 线 自 学 ， 助力 低阶学习目标 达成 课中互动教学 达成高阶教学目标 促进学生参与课堂， 主 动 学 习 课 堂 互 动 贴 近 教 学 法 设 计 ， 丰富 易用 数据指导教学改进 作业、测验帮助学生 内化知识，教学全过 程数据分析，促进教

慧校园管理、智慧校园服务、信息安全体系等系统架构及基 本要求。 • 2018 年 4 月 ，教育部在《教育信息化 2.0 行动计划》指出 要持 续推动信息技术与教育深度融合 ，促进教育信息化从融合应 用向创新发展的高阶演进； 政策背景 | 政策解 读 教育信息化十三五规划 教育信息化 2.0 行动计 划 四 、 校 园 大 数 据 平 台 3 、数据众多、如何呈现； 2 、数据完善、缺乏挖掘； 1 、信息资源、缺乏整合；

渡到 高阶思维。 2. 使问题遵循记忆→理解→应用→分析→评价→创造 的认知发展序列。 3. 保证问题难度适中，契合学生实际能力水平。 4. 让每个问题是前一问题的自然延伸，助力学生提升 思维能力。 请设计三级分层课后作业方案。 ## 设计要求： 1. 分层设计： - 基础层：巩固核心知识点和基本概念 - 提高层：应用知识解决专业问题 - 拓展层：培养高阶思维和创新能力 请根据上传文档，设计三级分层课后作业方案。 ## 设计要求： 1. 分层设计： - 基础层：巩固核心知识点和基本概念 - 提高层：应用知识解决专业问题 - 拓展层：培养高阶思维和创新能力 2. 方案内容： - 各层次具体作业题目（需明确具体） - 多样化作业形式（案例分析、实践操作、项目式学习等） - 合理的时间安排与工作量 - 作业指导说明（含完成要求和评分标准）

式合理且高 效。但大模型的出现打破了传统教育的基础假设——“教师是知识的主要来源”，能够提供准确、及时、个性 化的知识内容，甚至能够进行启发式对话教学。促使教育的重心转向更深层的目标：培养学生的高阶思维能力、 创造力，以及与人工智能协作的能力。如果教育者还停留在知识传授层面，就无法充分发挥大模型的优势，也 无法应对人工智能时代的挑战。 1. 教育范式转型带来教育生态重构的阵痛 当前高等 智能辅导系统、自动评分工具）直接影响学生发展，因此被列为“高风险 AI 系统”，需满足严格的透明度和 人类监督要求 72。首先，算法的既定性可能导致教育变得过于浅层化，忽视知识的深层意义建构与学生高阶思 维能力的培养。其次，算法“黑箱”效应会催生教育被隐形控制的现象，算法的复杂性使得人们难以理解其决 策过程，容易被算法所左右。再次，算法偏差可能放大教育中的不平等，加剧教育资源和机会的差异，使部分 教育大模型智能体机遇与挑战并存。机遇体现在智能体多场景赋能作用突出：赋能科研，高效检索、总结文献； 赋能协作学习，协助学生提问、假设，组织、监督协作学习；赋能社会情感学习，对学生语言表现进行管理、 提供支持；赋能高阶思维，对学生的深入分析进行启发。挑战体现在能力短板：个性化反馈不够，无法融合多 个模型进行联合学习，不能针对性激发学习动机；教学场景融合不深入，师生人机协同素养偏低；学科知识训 练数据不完善，知识量偏小限制了教学深度应用。

议增加互动式教学和情感支持，激发学习兴趣。 基于这些分析结果，教师可以通过以下方式优化教学策略：第 一，针对不同学生群体设计差异化的教学计划，例如为群体 A 提供 更多的课后辅导，为群体 B 引入更高阶的学习内容。第二，利用实 时数据分析动态调整课堂教学节奏，例如在学生普遍表现出困惑时 及时补充讲解或调整教学方式。第三，结合学生的学习行为和成绩 趋势，预测未来可能出现的学习问题，并提前采取干预措施，例如

倍，甚至能够将应用在磁盘上的运行速度提升 10 倍。S p a rk 让 开发者可以快速的用 J a v a、S c a l a 或 Py t hon 编写程序。它本 身自带了一个超过 80 个高阶操作符集合。而且还可以用它在 s he11 中 以交互式地查询数据。除了 Ma p 和 Re du ce 操作之外，它还支持 S QL