当前,人工智能(AI)和机器学习(ML)正深刻重塑化工领域的传统研究和工业实践(Ding et al., 2025, Xu et al., 2024, Chowdhury et al., 2026)。从过程优化和新材料开发到反应器设计,数据驱动建模与基于物理现象的传统机理模型正在迅速融合,推动化工产业向智能化转型(Bishnu et al., 2023, Md Nor et al., 2020, Ma et al., 2022)。这种技术变革不仅在改变工业工作流程,也对下一代化工人才提出了前所未有的要求。现代化工工程师不仅需要掌握流体力学、传递过程和反应工程的扎实知识,还必须具备利用计算智能和深度学习框架处理复杂工程数据的跨学科能力(Lavor et al., 2024, Pilario, 2024, Saguy et al., 2025)。然而,如何将这些前沿行业需求有效转化为课堂教学内容,仍是高等工程教育面临的一项重大挑战10。
在传统化工本科和研究生核心课程中,教学大纲通常侧重于机械设计、材料力学分析和基于经验公式的设备选型计算。尽管这些内容为学生的工程基础所必需,但当面对高度非线性和多维度的反应器设计问题时,传统教学模式暴露出显著局限。首先,课程内容往往停留在静态公式推导层面,缺乏将人工智能与实际工程数据相结合的操作闭环(Bascu?ana et al., 2023, Hossain and Ayodele, 2025)。这使得学生难以直观理解海量数据如何反馈并指导反应器设计。其次,将复杂的深度学习模型引入课堂面临极高的技术门槛。由于学生普遍缺乏系统的进阶编程训练,配置本地环境(如安装依赖包和接入GPU算力)往往导致严重学习受挫,严重干扰核心化工知识的吸收,使得"AI+化工"的跨学科教学难以真正落地。
为解决上述问题,本研究实施了一个产学研教学模块,将上海交通大学的"校我算"AI算力生态系统和"思源-1"云平台引入《化工机械基础》和《化工科技前沿》课程。以反应器选型与设计为锚定问题,该模块引导学生经历涵盖数据准备、代理建模、模型评估和工程解释的完整工作流。学生使用云端AI笔记本训练深度学习模型,用于预测固定床反应器内的浓度场分布,从而以直观方式将反应器设计变量与空间分布性能结果联系起来。
这一方法具有两方面实际优势。第一,云端工作流消除了大部分本地部署和硬件障碍,使学生能够专注于数据的工程含义、模型结构和输出结果的解读。第二,该模块采用分层组织方式,既可以在引导入门层面支持本科教学,也可以作为更具开放性和研究性的练习服务于研究生。通过这种方式,同一教学案例可在不同学习阶段进行适配,而不改变其核心工程语境。
本研究跟踪了72名学生的教学过程与反馈,其中包括22名本科生和50名研究生。研究生组包含6名一年级硕士生和44名一年级博士生。全部72名学生均参与了教学及匹配问卷评估。课程考试和展示记录可用于一个28名学生的子集(包括22名本科生和6名硕士生)。本研究通过以下研究问题(RQs)评估技术可行性、学生感知和短期课程表现:
RQ1:在模块教学过程中,学生的AI知识自评、课程感知、平台感知和学习参与度如何变化?在可用的课程考核中观察到了怎样的短期表现?
RQ2:基于云端的AI笔记本工作流在课堂中的可用性如何?哪些技术、教学和支持需求影响了其实施?
RQ3:在不同教育阶段的本科生和研究生之间,干预后的感知有何差异?
本文其余部分组织如下。第2节描述教学设计、评估框架、案例研究和技术环境。第3节呈现模型结果和学生成效评估。第4节总结主要发现、讨论当前局限并展望未来教学实践方向。