引言

进入2025年，世界进入由生成式人工智能（Generative AI）所驱动的产业与社会结构剧烈变革的时代，这股技术浪潮深刻影响着各行各业的现实力量。在设计领域，从建筑装饰、视觉传达设计到数字媒体艺术，生成式AI的应用的深度和广度已开始颠覆传统的设计流程、创意生成方式乃至整个行业的生态格局。AI工具能够辅助设计师快速生成海量灵感、探索多样的概念方案、优化设计表达，极大提升了设计效率与创意的边界，同时，这种根本性的行业变革也向设计学高等教育传递着一个清晰而紧迫的信号：传统的教育模式已难以满足未来社会对设计人才的需求，一场深刻的教育改革势在必行。

然而，机遇与挑战总是相伴而生，当AI介入创意过程时，一系列严峻的问题也随之浮现。设计学教育的核心目标是培养学生的独立思考能力、批判性思维、原创精神和扎实的设计基本功，如今，学生只需通过简单的指令便可获得形式完整、视觉效果惊人的设计方案，这引发了教育界普遍的担忧：学生是否会因过度依赖AI而“思想懒惰”，丧失从零到一的原创能力和解决复杂问题的毅力？AI生成内容的便捷性，也使得学术不端和抄袭的界定变得异常模糊，对现有的学术诚信体系构成了巨大冲击。此外，AI算法中潜在的数据偏见可能在设计产出中被无意识地放大，引发新的伦理困境。

因此，本研究直面的核心问题是：在人工智能已成为不可逆转趋势的背景下，设计学教育应如何进行系统性、前瞻性的改革？教师团体如何在利用AI技术赋能教学、激发学生的创新潜力的同时建立一套有效的机制，引导学生正确看待和使用AI，规避其可能带来的负面影响？这不是一个“是否”拥抱AI的问题，而是“如何”智慧地、批判性地、创造性地整合AI的问题。本研究旨在回应这一时代命题，探索一条能够平衡技术赋能、能力培养、效率提升、思维深化、工具应用与价值塑造的改革路径。

一、人工智能重塑设计学教育

（一）AI赋能高等教育的催化剂作用

AI技术的整合为设计学教育注入了新的活力，其赋能作用体现“学生”“教师”与“学科”三个层面。以学生角度而言，AI能够有效提升创意效率与深度，将学生从大量重复性、机械性的劳动中解放出来，如方案的快速迭代、图像素材的生成、数据可视化等。这类的应用使得学生可以将更多精力投入到更核心的创意构思、用户研究和策略思考上，从而提升设计的深度与质量。在建筑设计、产品设计等领域，AI甚至可以辅助进行可持续性分析和复杂性能优化，极大地扩展了创作的可能性。

以教师角度而言，AI技术优化了整个教学流程和方法，提供了个性化的教学与学习体验。目前AI在教学中最常用的场景是根据学生的学习进度和知识掌握情况，推荐相应的学习资源和练习，课后练习与作业亦可通过AI驱动的设计工具实时反馈、智能评估给师生，此类创意生成系统逐渐成为各大高校普遍适用的教学辅助手段。

以学科角度而言，AI能够促进跨学科融合与实践。AI本就是一门跨学科技术，它的引入天然地促进了设计学与计算机科学、数据科学、认知科学等领域的交叉融合，亦可推动项目式学习（PBL）和校企合作的深化，让学生在更真实、更复杂的项目中锻炼整合能力。由AI引起的从根本上改变传统的教育理念、教育空间和管理模式，促使教育者重新思考知识的传授方式，从“教师为中心”转向“学习者为中心”，从单纯的技能训练转向综合素养的培养。

（二）AI技术整合的核心困境

在拥抱机遇的同时，教育工作者易犯“矫枉过正”的错误。教师过度强调AI的结合而忽略教育改革的核心问题，反会违背教育的初衷，因此教育者必须正视AI整合带来的严峻挑战。

此类问题在设计学尤为明显，AI可能导致学生的认知依赖与思维惰性，面对复杂的作业与任务时过度依赖AI工具快速生成“看似完美”的方案，从而放弃了必要的独立问题解决过程，长期以往，将引起学生核心设计能力的萎缩，尤其是概念发展和思辨性思维的能力。

AI可能引发学术诚信与原创性危机。如何界定学生作业的原创性、如何防止抄袭和滥用，亦成为教学管理中的一个棘手难题。绝大部分高等院校与设计类竞赛主办单位已开始制定针对性的学术诚信政策，但仍无法解决其根本问题。

AI具有算法偏见与伦理风险。AI工具并非中立，其输出结果受到训练数据和算法的限制，固化甚至放大现实世界中的偏见，设计教育必须引导学生正确审视AI的“黑箱”，理解其潜在的伦理风险、数据隐私问题和知识产权归属争议。

AI可能引起教育公平性失衡。高性能的AI工具和算力资源价格不菲，这也直接导致了不同经济背景的学生在获取和使用先进技术方面产生新的不平等。同时，教师队伍的AI素养参差不齐，部分年长教师仍坚持使用传统教学模式，构成了推广AI整合教育的障碍。

二、AI时代的设计学教育改革框架

为应对上述挑战并抓住机遇，设计学教育需要进行系统性的改革。改革的核心思想是——“守正创新”，坚守设计教育培养独立思考和人文关怀的根本（守正），积极面对技术变革，探索人机协同的新范式（创新）。

（一）设计学课程体系重构

传统的课程体系需要进行深度调整，将AI从一个外部工具内化为课程结构的有机组成部分，从“授人以渔”到“授人以渔网”，除去教授如何使用某个AI软件之外亦要提升学生“AI素养”的高度，具体包括AI的基本原理、AI在设计领域的应用历史与趋势、主流AI工具的能力边界与局限性分析，并且需要教会学生“提示词工程（Prompt Engineering）”和批判性评估AI输出的能力，引导学生学会审视AI工具的创造者、目的、数据来源和潜在影响。

接纳AI、整合AI的过程中，设计教育者不应直接放弃传统教学，面对AI强大的内容生成能力，设计教育更应加强那些AI无法替代的设计理论与人文思辨领域，包括设计史、设计批评、设计伦理、可持续设计、社会创新理论以及以人为本等设计研究方法。这些相关课程旨在培养学生的历史观、价值观和同理心，确保技术被用于有益和负责任的目标。

在不同年级和课程中，应有策略地引入AI并构建分层递进的AI应用课程，避免部分学生在基础类课程中滥用AI导致专业技能的缺失。对于低年级学生的培养，应侧重于基础设计原理和手动技能训练，同时引入AI作为激发灵感、拓宽视野的辅助工具；高年级学生的教育，应在专业课程中深度整合AI，将其作为解决复杂问题的协同伙伴。无论处于哪一阶段，教师都应主动控制学生使用AI的“时机”，让学生明确自己是设计的“主体人物”。

（二）构建人机协同学习生态

教学活动的设计应转向引导学生建立与AI的健康、高效的协同关系，设置更多具综合性和挑战性的真实世界项目，要求学生跨学科协作，AI在其中扮演数据分析、方案生成、模拟仿真的角色。除此之外，还需让学生接触到最前沿的技术和工作流程，确保教育内容与行业需求保持同步，可采取与在AI应用方面领先的企业合作的形式，与企业共同开发课程、设立联合工作室。

教师队伍建设亦需要赋能，各大高校必须投入资源，为教师提供持续的AI技术和教学方法培训，教师的角色需要从“知识的传授者”转变为“学习的引导者”和“人机协同的教练”，且能示范如何批判性地与AI互动。

三、AI滥用风险治理与认知自主性保障策略

（一）评估设计再造

改革评估方法是设计学教学改革的核心杠杆，其目标是让“纯靠AI”的学生无法获得高分，让“善用AI”的学生能够脱颖而出，具体方法包括：

1. 过程文档与反思性写作

在作业过程中，要求学生提交最终成果时一并提交详尽的设计过程档案，档案内容包含：与AI的交互记录（如关键的提示词、生成结果的筛选过程）、草图、思维导图、方案迭代的逻辑以及对AI输出结果的批判性反思。反思性写作可促使学生清晰地阐述“为什么选择这个方向”“AI在其中扮演了什么角色”“我如何修正或超越了AI的建议”等深层问题。

2. 设计“AI无法轻易解答”的真实性评估

可布置更开放、复杂且具有真实情境的课业，如要求学生为一个特定社区的非物质文化遗产设计一个数字化传承方案，此类任务需要其深入的田野调查、与当地居民的共情访谈以及对文化敏感性的深刻理解，因此无法依赖基于通用数据的AI模型，故而培养学生亲手实践、独立思考的行为习惯，且任务可更侧重于分析、综合、评估等布鲁姆分类学中的高阶思维活动。

3. 引入“AI对抗性”任务

可在课程中设计专门的任务，让学生扮演“AI批评家”的角色，如要求学生使用AI生成一个设计方案，提交相关详尽报告，分析该方案的优点、缺点、潜在的偏见、未考虑到的用户需求以及伦理问题。这种方式将评估的重点从“创作”转向了“评判”，直接锻炼了学生的批判性思维。

4. 强化口头答辩与互动式评估

可将口头答辩和方案汇报作为评估的重要环节，在答辩中，教师针对设计过程中的关键决策点进行追问，要求学生捍卫自己的设计逻辑并解释其与AI的协作过程，此类即时、互动的评估方式很难通过AI代劳。同时，可鼓励小组合作并建立同伴评审机制，在协作作业中，要求学生在协作中沟通、协商、整合不同观点，同伴评审则要求学生以批判性的眼光审视他人的作品和过程。

（二）教学流程嵌入式引导

在日常教学中，教师需要主动引导，帮助学生建立正确的AI使用心智模型，具体可包括以下三种策略：

1. AI使用规则的制定

针对不同课程和作业，教师应明确规定AI工具的允许使用范围。教育者可借鉴“AI评估量表（AI Assessment Scale, AIAS）”等框架，将AI使用分为“禁止使用”“部分允许（如用于文献检索或拼写检查）”“鼓励使用（如用于头脑风暴）”“要求使用（如作为项目核心工具）”等不同级别，并清晰告知学生评分标准与学术诚信的底线。

2. 示范性教学与人机协同建模

教师应在课堂上公开演示如何与AI进行富有成效的“对话”，如展示如何通过不断追问和优化提示词，引导AI生成更具深度的概念；如何将AI生成的多个初步想法作为起点，进行人工的整合与升华；如何识别并规避AI输出中的谬误和偏见等。

3. “反思性实践者”的培养

教师应鼓励学生将每次与AI的互动都视为一次学习机会，引导学生思考：AI的建议是基于什么逻辑？它的知识边界在哪里？个人经验和判断如何与之结合才能产生1+1>2的效果？在教学过程中，教育者亦可提供多样化的AI工具集，向学生介绍不同类型、不同特点的AI工具并讲解其适用场景，此法可有效避免学生仅依赖于某一个通用大模型，帮助学生学会根据具体设计任务，策略性地选择和组合工具，成为一个聪明的“工具管理者”。

四、AI整合的教学模型与实践路径

（一）AI整合的教学模型框架

完整的AI整合教学流程可被设计为多阶段的闭环系统，采用基于ADDIE模型（分析、设计、开发、实施、评估）的变体，或如下嵌入式教学模型：

1. 第一阶段：课前引导与问题定义

教师通过智能教学平台发布预习材料，学生可使用AI工具（如ChatGPT）进行初步的资料搜集和概念理解，随后教师布置一个开放性的设计问题。此阶段AI扮演“知识导航员、问题探索助手”的角色。

2. 第二阶段：课堂讲授与互动思辨

教师讲授核心理论和方法。在课堂上，组织学生以小组为单位，使用AI进行快速的头脑风暴或概念可视化（如Midjourney），并立即对AI生成的结果进行讨论、批判和筛选。此阶段AI扮演“灵感催化剂、快速原型工具”的角色。

3. 第三阶段：项目执行与人机协同

此阶段为整个项目的核心阶段，要求学生在一个完整的设计流程中与AI深度协同，这个流程可以被分解为四个子阶段，具体包括：构思（Ideation），利用AI生成大量、多样化的初步想法；提炼（Refinement），学生基于自己的专业判断和设计目标，对AI生成的想法进行筛选、组合和深化；内容生成（Content Generation），在确定方向后，使用AI辅助生成部分设计内容，如渲染图、代码片段、文案等；整合（Integration），学生将AI生成的内容与自己原创的部分无缝整合，进行最终的调整和完善，确保整体方案的统一性和原创性。此阶段AI扮演“设计合伙人、效率放大器”的角色。

4. 第四阶段：成果评估与迭代反馈

学生提交包含最终成果和完整过程文档的作业，教师利用AI工具对作业的技术规范、完整性等进行初步检查，然后将主要精力放在对学生设计思路、批判性思维和过程反思的深度评估上，评估结果将作为下一轮教学改进的依据。此阶段AI扮演的角色为“评估助手、反馈工具”（框架图见图1）。

（二）课程案例分析

1. 案例一：建筑学“数字构造”课程

AI整合方式为：要求学生使用参数化设计软件（如Grasshopper）结合AI优化算法（如Galapagos），探索复杂的结构形态与性能之间的关系。在此过程中，AI负责进行大量的计算和优化，学生需要定义优化目标（如采光、通风、结构稳定性）、设置约束条件，并对AI生成的“最优解”进行符合建筑美学和人文关怀的再诠释和再设计。

此课程的评估重点为：学生定义问题的能力、对算法逻辑的理解、对技术输出结果的人文批判以及创造性转化能力。

2. 案例二：交互设计“用户体验设计”课程

AI整合方式为：要求学生利用AI分析大规模用户评论数据，快速生成用户画像（Persona）和用户旅程图（Journey Map）的初稿。同时，作业要求学生必须通过真实的定性访谈来验证、修正或推翻AI生成的画像，并基于访谈中的感性洞察设计出能够满足用户深层情感需求的服务流程。

此课程的评估重点为：学生结合定量数据（AI分析）和定性洞察（人工访谈）的综合分析能力以及设计的共情和创新水平。

3. 案例三：视觉传达“品牌形象设计”课程

AI整合方式为：在项目初期，允许学生使用AIGC工具（如DALL-E, Midjourney）进行海量的视觉风格探索和情绪板（Mood Board）制作，但最终的品牌标志（Logo）和核心视觉元素必须由学生手动绘制，并提交一份详尽的品牌策略报告，阐述其设计理念如何与品牌价值观、目标受众和市场定位相契合。

此课程的评估重点为：学生从海量可能性中进行战略性选择的能力、品牌策略的深度以及核心视觉元素的原创性和执行质量。

五、量化与质化结合的评估改革策略

“独立思考能力”是较为复杂的认知构念，难以通过单一的指标直接量化，必须采用量化与质化相结合的混合研究方法（Mixed Methods），通过系列代理指标（Proxy Indicators）来综合评估。

（一）量化评估指标与工具

量化评估旨在通过可测量的数据来追踪学生能力的变化，数据包括各类问卷或量表及学生作品分析评分，问卷/量表具体包括：前后测问卷/量表，在改革实施前后，对实验组和对照组学生进行问卷调查，使用成熟的心理学和教育学量表；创造性自我效能感量表（Creative Self-Efficacy Scale），用于测量学生对自己创造能力的信心，研究表明AI整合可以提升此项指标；批判性思维倾向量表（如CTDI），评估学生在多大程度上倾向于进行批判性思考；学习者自主性量表（Learner Autonomy Scale），衡量学生在学习过程中的自我管理、自我监控和自我激励水平。

学生作品分析评分可邀请多位专家评委，采用双盲评审的方式，根据预设的评分准则（Rubric）对学生的设计作品进行打分，评分维度包括方案的原创性和独特性、方案探索的可能性广度以及方案的完成度和细节深度。除此之外，亦可对学生行为数据分析，通过学习管理系统（LMS）或AI工具后台，收集学生与AI的交互数据，分析其使用频率、提问复杂度、迭代次数等，以区分学术在创作过程中是对AI“浅层依赖”还是“深度协同”。

（二）质化评估方法

质化评估旨在深入理解“为什么”和“怎么样”，捕捉量化数据背后的深层原因和个体经验，简而言之，即在教学过程中需要研究“教师”与“学生”对改革的影响以及教学改革对这两类团体产生了什么影响。具体操作上，可要求学生提前完成反思性日志，研究者在课后系统性地分析学生在整个项目过程中提交的反思性日志，寻找学生元认知能力（Metacognition）、问题识别能力和批判性思维发展的证据。

对教师、学生与AI的关系而言，研究者可采用焦点小组访谈与深度访谈的方式，与参与改革的学生和教师进行半结构化的访谈，深入了解他们对新教学模式的体验、感受以及他们认为AI如何影响了他们的思考方式和设计流程。研究者亦可作为观察者深入课堂和设计工作室，记录师生之间、生生之间以及学生与AI之间的互动模式，通过详细的案例分析来揭示改革在真实情境中的具体成效和问题。

通过将上述量化和质化数据进行三角验证（Triangulation），可以更全面、客观地评估AI整合教育改革对学生独立思考能力及其它核心素养的真实影响。

六、结论与展望

在2025年这个时间点，设计学教育正站在一个关键的十字路口，人工智能的浪潮既是挑战也是契机。本研究表明，教育改革若要取得成功需依赖于深刻的范式转换，从关注设计产出的“结果”转向关注设计思考的“过程”，从传授特定工具的“技能”转向培养驾驭复杂性的“素养”。这种“范式转换”要求教育者成为人机协同的引导者，课程设计要鼓励思辨与反思，评估机制必须精准地识别、奖励能与AI进行深度协作、批判性协作的学生。

展望未来，教育改革是一项持续的、动态的工程。随着AI技术的不断飞速发展，未来的研究应聚焦于以下三个方向：开发更精准的“独立思考能力”评估工具，探索利用AI辅助评估学生的认知过程；进行长期的纵向研究，追踪学生在毕业后人机协同能力如何在职业生涯中发挥作用；构建开放的教育者社区，用于持续分享、迭代和优化AI整合的最佳实践案例与教学资源。

教育改革的最终目标是培养出新一代的设计师：掌握传统的设计精髓，具备与智能机器共创未来的智慧与胸怀，能够以负责任、有远见的方式，运用人机协同的力量解决人类社会面临的复杂挑战。

参考文献：

1. [1] 于爽,叶俊民,尹兴翰,等.联结人智协同学习干预的设计与应用：理论模型及实践框架[J].电化教育研究,2025,46(07):93-99+107.
2. [2] 刘邦奇,尹欢欢,余浩然,等.基于AI的教师数字化应用能力评价画像：理论设计、框架构建与实践应用[J].现代教育技术,2025,35(04):14-24.
3. [3] 郭广军,李新良,邓明亮.数智时代高等教育产教融合质量平台监测体系的内涵特征、理论框架与构建设计[J].湖南邮电职业技术学院学报,2024,23(04):76-84.
4. [4] 王华珍,林海斌,林昕愉,等.大语言模型与知识图谱协同下高校AI项目导师构建研究——以“人工智能创新项目设计”为例[J].数字教育,2024,10(05):70-76.
5. [5] 单俊豪,刘永贵.生成式人工智能赋能学习设计研究[J].电化教育研究,2024,45(07):73-80.
6. [6] 江丰光,梁晓妮,肖雄子彦,等.校企合作视域下人工智能课程开发与实践的设计研究[J].远程教育杂志,2023,41(03):65-74.
7. [7] 罗利能,吴秋蓉,石莹禹,等.智能化数据挖掘学习平台的设计与实现[J].计算机技术与发展,2021,31(05):168-173.
8. [8] 张凌.基于人工智能网络的远程教学系统设计[J].现代电子技术,2021,44(02):131-134.