王瑞琦 陈红媛 刘子桐 王纬敏 郑文慧

摘要：现聚焦人工智能生成内容（AIGC）在职业本科影视类课程中的应用模式探索。针对当前职业本科影视类课程存在的师生比失衡、课程体系滞后、实践教学范式化、评价机制单一及教学效率低下等核心问题，构建以“AIGC辅助+教师主导”的双轨教育模式为基础，整合产教资源的动态课程体系、激发创意思维的实践教学内容、依托数据智能的多元化评价机制，以及提升教学效能的技术赋能路径。

绪论

人工智能生成内容即AIGC（AI-Generated Content），是指通过AI技术自动生成文本、图像、音频、视频等形式内容的新技术体系[1]。这一概念的技术根源可以追溯到Ian Goodfellow在2014年提出的生成对抗网络（GAN）。通过生成器和辨识器的博弈机制，使机器具备模拟和生成高仿图像和音频的能力。2017年，谷歌提出的Transformer架构进一步增强了模型对长文本依赖和上下文关系的理解能力，为后续文本生成模型的发展奠定了基础。

2022年，OpenAI发布的ChatGPT让AIGC进入了实用化阶段，其强大的语言生成能力和多模态扩展能力广泛应用于教育、媒体、商业等领域。截至2025年4月，全球活跃用户数突破5亿。与此同时，我国本土的AIGC平台，如DeepSeek、豆包、文心一言等也纷纷上线，推动AIGC成为各行各业的重要赋能工具。

职业本科院校作为中国现代职业教育体系的关键组成部分和新兴力量，其人才培养的核心定位在于强化学生的职业技能与实践应用能力，以适应产业升级对高素质技术技能人才的迫切需求。影视艺术与技术领域的快速迭代，尤其是AIGC技术的迅猛发展，对从业者的技术素养、创意效率与跨界融合能力提出了更高要求[2]。在此背景下，AIGC的出现为赋能职业本科影视类课程教学、重构教学模式、提升实践效能提供了重要的技术支撑和创新路径。

职业本科院校影视类课程建设现状

当前，我国高校影视类专业教育在快速发展的同时，面临着诸多挑战。笔者通过调研梳理发现，职业本科院校的影视类课程主要存在以下突出问题。

师生比失衡，难以实现因材施教

当前，职业本科院校多以民办为主，民办高校的办学经费主要来源于学生学费收入。这一定程度上导致了职业本科院校扩招的情况。师生比过高成为目前大部分民办职业本科院校普遍面临的问题[3]。过高的师生比使得教师精力分散，难以根据不同学生的兴趣和特长进行差异化指导，而职业本科院校的影视类课程对教师的及时反馈、精准点拨和持续互动有较高的依赖性。然而，在高师生比的现实压力下，教学往往被迫趋向“标准化”“批量化”，教师只能关注“共性”问题或完成基本教学任务，难以关注学生的个体差异、创意萌芽和独特技能成长路径。这不仅降低了教学质量，更削弱了职业本科院校培养高素质创新型影视技能人才的核心竞争力。

课程体系传统，难以与新时代专业需求对接

许多职业本科院校的影视类专业课程体系仍以传统的电影摄影、电影史、戏剧理论为主，课程设置相对保守，与当代企业用人需求存在明显脱节。以某职业本科影视类专业为例，该专业毕业生就业方向主要是传媒公司、宣传部门、新媒体运营等领域，真正从事电影拍摄、理论研究的人数占比极低。而这些企业对新媒体运营、摄影实操、后期制作及AI使用等方面能力要求较高，但在职业本科影视类课程的教学内容中，相关教学内容存在明显缺失，导致毕业生难以满足企业对复合型技术人才的迫切需求。

实践教学范式固化，创意转化能力培养不足

实践教学是职业本科教学的重点内容，目前大部分职业本科影视类课程的实践教学环节较为范式固化、对学生创意转化能力的培养不足。以《摄影摄像基础》课程为例，实践课程的主要学习内容过度聚焦相机的参数，如光圈、快门、感光度等基础参数的调试，以及三分法构图等常见构图法的学习。对目前企业需要的航拍、运动相机、AI修图、手机稳定器等的学习内容较少。同时，对学生创新性培养的投入力度不够。例如，在人像摄影的外拍环节，教师通常指定固定的拍摄地点，甚至限制校外取景，这一定程度上限制了学生创新思维的形成，导致拍摄的作品百人同景、千图一面，同质化严重，缺乏创意。

课程评价单一，缺乏多元化评价体系

当前，职业本科影视类课程评价主要围绕过程性评价和期末评价展开，过程性评价主要围绕考勤、平时作业、课堂提问、平时表现等方面展开，期末评价则主要侧重于期末考核。该评价框架虽然在形式上看似较为完整，但在实际执行层面仍存在诸多缺陷。

受制于师生比失衡，任课教师普遍承担着超负荷的教学任务与庞大的授课班级。教师难以对海量学生作业进行细致、深入的评阅，长时间的重复性评阅易导致评价标准模糊化，甚至产生“评价麻木性”。因此，在实际操作中，大部分教师仍然采用“印象分”和“期末一锤定音”的简化考核方式。并且，评价主体单一化是另一突出弊端，评价过程几乎完全依赖授课教师，缺乏同行评议、行业专家评审或学生互评等多元主体的参与，进一步加剧了评价结果的主观性与片面性。同时，在户外实践过程中，由于学生小组众多，且相对分散，教师难以对每个小组进行实时监督和评价，评价维度多聚焦固定参数，这就导致学生“为交作业而实践”，只为完成实践任务，可实践成果的品质不佳、效果不好。

实践生产效率低下，技术赋能降本增效能力缺失

首先，在实践课程的实施过程中，其教学效能与企业日益强化的“降本增效”要求存在显著差距，导致学生未来就业竞争力堪忧。以《纪录片创作》课程为例，这门课程的前置课程《摄影摄像基础》已经包含了相机的使用、拍摄的技巧等方面的基本功，但在《纪录片创作》课程中，仍存在部分重复的教学内容。这种教学内容的重叠，不仅影响了课堂时间，也影响了叙事手法、选题挖掘、深度采访这些课程核心内容的教授，同时让学生产生一定的学习倦怠感，这对学习成效和实践生产都是不利的。

此外，课程作业和期末考核的内容设置普遍较为简单，以《纪录片创作》课程为例，一个学期仅需拍摄一个纪录片的三分钟片段，在AI技术不断革新和普及的当下，课程实践没有充分利用技术赋能提高效率，依然使用传统的人工制作流程，在分镜头撰写、纪录片拍摄、后期制作等环节投入了过多的课程时间。这种相对宽松的教学安排，限制了学生练习不同题材、风格纪录片的实践机会，更与企业高效率、快节奏的项目执行要求不符，不利于学生适应未来的职场环境。

AIGC赋能职业本科影视类课程的应用模式构建

构建“AI辅助+教师主导”的双轨教育模式

现以《摄影摄像基础》课程的摄影用光单元为例，构建课前、课中、课后的闭环教学模式。

课前，可以借助AI工具进行辅助预习和精准备课。教师可向学生发放预习清单，让学生课前对学习章节进行必要的预习，借助豆包、DeepSeek等AI工具预习章节内容，了解基础概念，并对软件进行提问，达到学习效果。学生提交预习中遇到的问题清单，通过AI工具收集整合后，汇总到教师端，教师根据学生反馈的问题清单进行定向备课，解决共性问题。同时，教师可以借助AI软件实现高效备课，对讲解知识点需要的课件、图片、视频、教学辅助工具进行AI检索，提高备课效率。

课中，教师集中解决问题清单反馈的共性问题，并对章节核心知识点进行必要的讲解。在摄影用光实践部分，当教师指导实践操作小组时，等待实操轮次的学生可借助豆包、Midjourney、专业灯光模拟软件等工具进行虚拟布光实践。例如，上传个人肖像照片或人物写真，生成“伦勃朗”“蝴蝶光”“逆光”不同布光效果的预览图；也可以找寻对标图片，上传至AI工具后，AI辅助分析布光技巧，进而模仿拍摄。该环节有助于学生在后续实操中更具目的性，提高效率。

课后，学生可以将自己课堂拍摄的照片发给豆包、DeepSeek等AI软件进行智能分析，如曝光评估、色彩分析、布光效果诊断、优化建议等。学生需将AI工具反馈的智能分析内容归纳整合，形成作品分析报告，通过电子问卷提交给教师。教师则可以通过这些报告掌握学生本节课的学习成效、共性问题，从而调整自己的教学策略，有效应对师生比失衡带来的挑战，实现更精准的“因材施教”。

产教融合的课程体系重塑

当前，多数AI工具具备文件读取与数据分析能力。学校可组织课程组团队，搜集市面上主流公司的招聘启事，对招聘中关于岗位技能要求的部分进行汇总整合，然后将整合的内容输入AI工具进行智能分析，对这些海量数据进行智能归类、整合，形成“技能热力图”，每年定期收集、定期更新，确保时效性。

基于热力图中智能分析的核心技能要求，对现有的课程体系进行产教融合重塑。例如，在《剧本创作》课程中，融入AI剧本生成、AI润色剧本等模块；在《摄影摄像基础》课程中，引入AI辅助拍摄、AI智能后期、虚拟场景生成等模块；在《后期制作》课程中，引入AI智能剪辑、AI智能配音、AI特效生成等前沿模块。

同时，由于企业深耕行业前沿，对AI技术及新兴岗位技能掌握更深入，可聘请企业高级工程师对校内教师开展AI技术及新兴岗位技能的主题培训，进一步提高教师的AI素养和实践能力。在课程体系重塑的过程中，可以积极开拓“双师型”教师培养，鼓励教师前往行业一线进行实践锻炼，或在课程教学中实行“企业导师+校内教师”共同承担的双轨教学机制，从而进一步深化产教融合的课程体系建设。

基于AIGC的创意赋能实践教学改革

在实践教学考核标准中，教师应把“创意性”放在更重要的位置，对选题的新颖度、美学的独特性、叙事结构的特别性等方面进行创意性评价。同时，将学生从传统设备操作者的角色中解放出来，通过AIGC工具简化设备操作流程，提升效率，如构图部分可以借助DeepSeek、豆包获取构图建议、相机的参数通过Adobe Sensei进行优化、剪辑通过Premiere Pro AutoReframe实现、抠像借助RunwayML工具实现等，从而释放更多时间和精力用于创意构思。同时，可以教给学生更多的AI提示语、关键词，结合目前AIGC工具的模型思考连贯性，进行持续的人机协作对话，激发更多创意灵感，创作出更丰富的创意作品。

同时，尽量减少对拍摄地点、内容、形式的限制，学生既可以对校外地点进行取景，也可以利用AIGC工具生成虚拟场景，拍摄在深海、北极寒地、热带雨林等多种创意场景的图片或视频，甚至衍生出更有创意的内容、形式更多样的图片和视频。例如，山东省艺术研究院联合济南皮影戏传承人推出的“西游记AI数字皮影”，获得了“荷花杯”山东省工艺美术设计创新大赛金奖。这证明了只有突破艺术创作过程中技术冗余与物理边界的枷锁，才会有更多、更精彩的艺术作品呈现，AIGC则是这场创意裂变的实践教学改革的关键所在。

数据智能的多元化评价机制

在实践教学过程中，可以借助“腾讯问卷”“WPS表单”“我是摄影狮”等数据收集和照片发布工具进行实践学习过程的记录以及照片的实时发布共享。以《摄影摄像基础》课程的构图单元为例，学生通过“腾讯问卷”以小组为单位提交工作照、拍摄照片、实践报告等阶段性材料。教师将通过“腾讯问卷”收集到的课程数据集中交给AIGC工具（如DeepSeek、豆包等）进行智能分析和归类整合，由AI生成针对实践过程的初步评分和诊断反馈（如指出“拍照参数的调整建议”“拍摄创意的优化方向”“拍摄地点和时间的可选方案”等），作为重要的过程性评价记录。

学生可在实践课堂中实时提交构图主题的随堂摄影作品至“我是摄影狮”工具，这样一来，既可以使教师对实践课程各小组的进度及时管理和监控，也可以让其他同学欣赏本节课的课程成果，互相学习。此外，学生还可以将实践课作业直接提交给AIGC工具获取初步评阅意见（如参数调整、创意优化、场景选择建议等），这样不仅可以让学生在实践过程中得到及时的教学指导，还能提高学生作品的综合质量。

此外，为进一步优化课程评价体系，课程评价机制可从单一的教师评价升级为“AI初步评分+教师综合评价”相结合的双重评价体系。具体而言，学生的平时作业、期末作品等成果性材料，可以由AI先行打分，教师结合AI的评阅意见进行综合打分，两个分值按照权重（AI评分40%，教师评分60%）加权计算得出。这种机制有效融合了AI的客观数据分析能力和教师的综合评判，使课程评价结果更全面、科学。

提升效能的技术赋能教学模式

课程开始之前，课程组应组织教学研讨会，与前置课程及后置课程的课程组就教学内容、考核方式等教学模式进行充分研讨。共同制订科学高效的教学方案，以规避教学内容重叠等问题，优化教学效率和质量。

同时，为解决职业本科影视类课程中实践资源紧张、制作周期冗长、技术迭代滞后等问题，应构建以AIGC为核心的技术赋能教学模式，实现教学效率提升、资源消耗降低与成果质量优化。例如，在《剧本创作》课程中，高效利用DeepSeek、豆包、文心一言等AIGC工具生成剧本大纲、分镜头剧本的初稿，使学生专注于剧本的筛选、润色及创意性头脑风暴。在《摄影摄像基础》课程，可以运用豆包、Adobe Sensei等AIGC工具对照片进行润色和优化。运用Midjourney、Leonardo.AI等AIGC工具快速生成虚拟场景，减少实体资源消耗。在后期制作环节，应用Premiere Pro的Auto Reframe自动重构画面比例，利用RunwayML、Pika进行智能抠像、补帧或生成特效，使用Descript、剪映的AI功能快速生成字幕、配音与背景音乐，显著提升制作效率。

此外，还需整合AIGC工具链，融入职业本科影视类课程的各环节，并在人才培养方案中更新。职业本科影视类课程通过构建标准化AIGC辅助创作流程，提高课程的成果转化率，从而适配日益突出的企业“降本、增效、提质”要求。

（作者单位：广东工商职业技术大学）

参考文献：

[1]范凯,刘庶.融媒体视阈下地方高校传媒专业实践教学体系研究[J].当代教研论丛,2022,8(11):63-66. 

[2]何强,杨崧,曾学真,等.智能技术引领新闻样态革新：新华社全国两会报道的虚实融合实践[J].传媒,2024(09):19-20.

[3]刘长海.新媒体环境下民办高校传媒专业实践教学体系构建研究[J].山西青年,2021(22):1-4.