您所在的学校，非计算机专业人工智能相关课程的开设现状是？
已作为必修课面向全部非计算机专业开设
已作为必修课面向部分非计算机专业开设
仅作为公共选修课面向全校非计算机专业开放
尚未开设任何面向非计算机专业的人工智能相关课程
目前面向非计算机专业开设的人工智能相关课程，常规设置的总学分为？
该门人工智能相关课程的总学时安排为？
16学时及以下
18-32学时
33-48学时
49学时及以上
课程中理论学时与实践学时的占比情况是？
以理论为主，实践学时占比不足20%
理论为主，实践学时占比20%-40%
理论与实践各占约50%
以实践为主，实践学时占比超过50%
课程的主要授课对象覆盖的非计算机专业数量为？
10个及以下
11-30个
31-50个
51个及以上
您所在学校的该门课程，是否将Python等编程语言基础作为前置必修内容？
是，已明确设置为前置必修
是，但仅作为课程内的开篇模块讲解
否，完全不涉及编程语言内容
无统一要求，由授课教师自行决定
课程中对人工智能基础概念的讲解深度是？
仅科普定义、发展历史与典型应用场景
覆盖常见技术分支的核心逻辑，不展开细节
结合应用案例讲解概念的实现思路
深入拆解概念对应的底层原理
课程中是否涉及机器学习相关算法的内容？
完全不涉及任何算法相关内容
仅介绍算法的功能和应用场景，不讲解实现逻辑
讲解常见算法的核心思路，不涉及公式推导
包含典型算法的数学公式推导与原理讲解
针对非计算机专业学生，课程中算法相关内容的教学定位是？
了解算法能解决什么问题即可
能看懂算法的基础运行流程
能借助工具调用现成算法完成简单任务
能独立实现基础算法的代码编写
课程中实践环节的主要形式是？
观看演示视频、完成概念类线上习题
使用无代码/低代码AI工具完成应用搭建
基于开源AI框架完成给定案例的复现
自主设计并实现小型AI应用项目
目前该课程的考核方式主要是？
以线上理论知识考核为主
平时作业+实践报告综合评定
以小组项目作品作为核心考核依据
理论考试+实践操作考试结合
您认为当前非计算机专业学生学习该课程的基础能力适配情况是？
大部分学生无编程基础，学习门槛较高
约半数学生有基础，整体学习难度适中
多数学生有一定信息素养，接受度较好
学生基础差异极大，分层教学难度高
您所在学校是否为该课程配套了专属的实验实训平台？
完全没有配套相关平台
仅使用通用的计算机基础实验平台
有专门的AI实践教学云平台
配套了支持本地部署的AI实训环境
目前制约课程内容向算法深度延伸的最主要因素是？
学时学分总量不足，没有多余课时安排
非计算机专业学生数学基础薄弱，难以理解
缺乏能胜任算法内容教学的师资
配套的实践软硬件资源不足
未来3年内，您所在学校对该类课程的建设规划倾向于？
维持现有内容体系，不做大的调整
增加应用实践内容，降低理论深度
适当补充算法基础内容，提升内容深度
升级为分专业定制的AI应用类系列课程
目前您所在学校面向非计算机专业的人工智能相关课程，已纳入常规教学的核心模块包含以下哪些？
人工智能发展简史与典型应用场景科普
机器学习基础概念与常见任务类型介绍
深度学习基础（神经网络、CNN/RNN等）入门
大语言模型的基础使用与提示词工程
计算机视觉、自然语言处理等细分领域应用实践
人工智能伦理与数据安全相关内容
在设计非计算机专业AI课程的算法相关内容时，您认为合理的取舍原则包括以下哪些？
完全砍掉所有算法相关内容，只讲应用
优先讲解算法的业务价值，弱化数学推导
用可视化演示替代复杂的公式讲解
结合对应专业的真实案例讲解算法作用
仅面向有理科基础的非计算机专业开放算法内容
您认为当前面向非计算机专业开设AI类课程，存在的主要教学痛点有哪些？
不同专业学生的信息基础差异过大，难以统一授课
课程内容和学生所在专业的场景结合度不足
实践环节的硬件算力资源不足，无法支撑多人同时实训
缺乏适配非计算机专业的本土化配套教材
教师的跨专业教学经验不足，难以对接不同专业需求
以下哪些措施有助于提升非计算机专业学生对算法内容的接受度？
开发无代码的算法可视化交互实验
结合对应专业的真实业务场景设计算法案例
前置补充必要的线性代数、概率统计基础铺垫
降低算法考核的难度，侧重考察应用理解
邀请行业从业者分享算法在本专业的落地应用
您所在学校目前支持该类课程建设的配套政策包含以下哪些？
认定为通识核心课程，给予专项建设经费
支持教师参加AI教学相关的师资培训
配套建设专属的AI教学实训云平台资源
鼓励和其他专业联合开发跨专业融合的教学内容
暂无相关专项支持政策
结合您所在学校的教学实际，您认为面向非计算机专业开设人工智能方向课程时，在学分学时设置、算法内容深度把控、跨专业内容适配这三方面，最值得推广的经验或最需要解决的核心问题是：
贵校是否已面向非计算机专业开设人工智能相关课程？
已开设，且覆盖多个专业
已开设，仅面向少数专业
正在筹备中
尚未开设
贵校非计算机专业人工智能课程主要面向哪个学科门类？
理工类（非计算机）
经管类
文史哲法类
艺术体育类
多门类全覆盖
该课程的总学时为？
16学时及以下
17-32学时
33-48学时
49学时及以上
课程学时中理论讲授与实践实验的比例大致为？
纯理论讲授，无实验
理论为主，实验占比30%以下
理论实验各半
实验为主，实验占比50%以上
课程教学内容是否涉及人工智能算法原理的讲解？
系统讲解算法原理与推导
讲解算法基本思想，不涉及推导
仅介绍算法概念与名称
完全不涉及算法
课程中对机器学习算法的教学深度定位为？
要求学生理解原理并能简单实现
要求学生理解原理，会调用工具库
仅要求了解算法适用场景
不讲授机器学习内容
课程是否包含编程实践环节？
包含，使用Python等语言独立编程
包含，使用可视化/低代码平台操作
包含，仅演示教师操作
不包含编程实践
课程是否涉及深度学习（神经网络）内容？
系统讲授，含模型训练实践
简要介绍概念与典型应用
仅提及，不作展开
完全不涉及
课程是否涉及生成式AI（如大语言模型）相关内容？
有专门章节系统讲授
作为案例穿插介绍
仅简要提及
未涉及
课程考核方式以何种为主？
闭卷笔试
课程论文/报告
项目实践作品
过程性考核（考勤+作业+展示）组合
该课程是否涉及AI伦理、安全与法律规范内容？
有专门章节讲授
结合案例穿插讲解
仅简要提及
未涉及
承担该课程教学的师资主要来自？
计算机学院教师
各专业教师经培训后承担
校企合作，企业工程师参与
混合团队（校内多学院+企业）
贵校对该课程教学效果的主要评价依据是？
学生评教分数
学生作品/项目质量
学生后续应用情况跟踪
尚未建立系统评价机制
该课程的教学模块包含以下哪些内容？（可多选）
人工智能概念与发展历程
机器学习基础（分类、回归、聚类等）
深度学习与神经网络
自然语言处理与大语言模型
计算机视觉
智能机器人/智能系统
AI伦理、安全与法律
AI工具（如Copilot、ChatGPT）的应用实践
课程实践环节采用以下哪些形式？（可多选）
Python编程实验
调用现成AI模型/API完成应用
使用低代码/可视化AI平台
课程项目/大作业开发
案例分析讨论
企业参观或讲座
课程教学中使用的主要资源或平台有？（可多选）
自建在线课程（慕课/SPOC）
国家级/省级慕课平台课程
教材配套实验平台
开源工具与数据集（如scikit-learn、Kaggle）
商业AI平台（如百度飞桨、阿里云）
无固定平台，教师自主选择
课程建设当前面临的主要困难有？（可多选）
师资力量不足
适合非计算机专业的教材缺乏
学生编程基础薄弱，教学难度大
实验环境与算力资源不足
学时学分紧张，内容难以展开
课程定位与专业需求匹配度不高
贵校未来对该课程的建设计划包括？（可多选）
扩大开课专业覆盖面
增加学时学分
深化算法与编程内容
强化生成式AI与工具应用
建设专属教材与资源库
加强校企合作
暂无明显调整计划
您对非计算机专业人工智能课程建设还有哪些建议或需要说明的情况？（开放填写）