生成式人工智能驱动的自适应学习模式研究

随着《中国教育现代化2035》及教育部等六部门印发的《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》的发布，基于生成式人工智能的智能助教、智能学伴等教学工具不断涌现。“人机共教、人机共育”正在助推教育教学质量的提升。2023年，教育部办公厅印发《基础教育课程教学改革深化行动方案》进一步明确，应借助数字化赋能提升教学质量，构建数字化背景下的新型教学模式，助力教学效率和质量的提高。基于生成式人工智能实施差异化教学，建立个性化学习辅助、实时化评价反馈等机制，有望解决传统教学中教学进度统一、学生缺乏个性指导、评价无法实现即时反馈等问题，进而构建自适应学习模式。近年来，国内外推出了各类生成式人工智能，如ChatGPT、Gemini、文心一言、通义千问、Kimi等。然而，目前对生成式人工智能在教育领域的应用主要集中在机制、场景、伦理、风险等方面，缺乏教学实践层面的深入探索。Kimi等生成式人工智能具备图片识别、图文转换、在线搜索、文件学习及总结等功能，彰显其在教学应用中的价值。研究Kimi等生成式人工智能在教育领域的应用，对于辅助教学设计、支持学生学习、改进评价质量，进一步构建新型的教学模式具有重要的现实意义。

一、生成式人工智能的教育应用场景

（一）辅助教学设计

《普通高中课程方案（2017年版2020年修订）》（以下简称“课程方案”）提倡“教—学—评”三者的一致性，要求教师基于课程标准设计教学方案，关注学生的学习，重视对评价量规的设计。教师应在课程方案的指导下，深度解读教材做好教学设计，拟定教学目标，设计教学任务，评价学生的学习表现，提升教学设计的有效性。生成式人工智能在辅助教师开展教学设计、提升教学设计效率与质量方面具有潜力。首先，它可以辅助拟定学习目标。教师上传学科课程标准、教材中相应单元的教学内容之后，让生成式人工智能辅助设计教学目标。教师在生成式人工智能输出信息的基础上进行迭代优化。其次，它可以辅助设计学习任务。教师基于最近发展区等理论设计学习任务，并借助生成式人工智能逐步验证，对学习任务进行不断优化与迭代，使之梯度合理且富有挑战性^[1]。最后，它可以辅助评价学生的学习表现。教师在设计表现性评价方案时，可借助生成式人工智能在设定引用专业量规的基础上生成评价量表。对于开放性作业的设计，教师在生成式人工智能辅助下设定需要设计的作业目标、题型及数量即可生成作业。

（二）支持学生学习

在教学过程中，由于学生的知识基础存在差异，同样的教学内容，部分学生在接受知识方面会存在障碍，需要外界支持。生成式人工智能在收到学生输入的提示语^[2][3]，会输出相应的信息，为学生的学习提供支持。学习支持是多维度的，如个性化学习、自适应学习等。从生成式人工智能输出的文件类型来看，学习支持可分为文本类、图片类、视频类三种。首先，提供文本类支持。当学生对概念及知识点有疑问时，生成式人工智能以文本的形式提供学习支持，包括自动生成练习题、测试题及反馈报告等。其次，提供图片类支持。生成式人工智能生成图片有助于学生更加形象地理解复杂概念，例如以思维导图的形式对知识进行结构化呈现。图片类支持还包括对图片的识别并生成反馈，如开放题与手画作品的评价，进行评分并形成合理的反馈意见。最后，提供视频类支持。视频类支持包括动画或仿真辅助学习，教师借助Sora或Runway形成虚拟的教学场景，或利用第三方解决方案形成视频。

（三）提升评价质量

准确而及时反馈的多元评价有助于促进学生学习。受学生人数、量规设计等多种因素的影响，教师设计评价量规、作业批改需耗费大量时间精力，但评价维度单一且反馈不及时。生成式人工智能在量规设计、作业设计、作业批改等方面具有明显优势，能快速设计出量规及作业，并结合评价结果给出后续的实时反馈建议与改进意见，支持学生的学习。其一，生成式人工智能支持个性化评价。教师利用生成式人工智能跟踪学生的学习进度，针对薄弱之处生成个性化的评价报告；或结合学生的学业进度与学业表现，提供个性化的建议与策略，指导学生学习。其二，实现自动化评价。教师利用生成式人工智能可对学生的作业、试卷等进行快速而准确的评分，并及时提供详细的反馈信息和改进建议，帮助学生理解与纠错。其三，综合评价。生成式人工智能读取历史交互信息，不仅可以分析学生在各个科目中的综合学习表现，生成全面的分析报告，而且可以预测学生未来的学习表现和潜在的挑战，从而提前采取干预措施，帮助教师优化教学策略，提高教学质量。

二、构建自适应学习的教学模式

《普通高中通用技术课程标准（2017年版2020年修订）》等学科课程标准均关注学生的学习自主性，倡导从“教”为中心转向以“学”为中心。受师资配备、技术支撑、教学组织等因素影响，教师在教学中很难悉心关注学生个体，做到以“学”为中心。教师按照统一的教学计划授课，容易忽视学生的个体差异，难以满足每个学生的学习需求。教师无法对学生进行个性化指导，这使得学生在遇到学习困难时无法得到及时的帮助。传统模式下，教师主要依靠课后作业及考试成绩来评价学生学习效果，作业及考试评价具有一定的滞后性，不能及时反馈学生的学习情况。这样的课堂教学存在教学进度统一、学习过程被动、评价方式单一等不足，难以构建以学生为中心的高质量教育体系。

自适应学习模式的构建与生成式人工智能的应用有望破解上述难题。自适应学习是指分析学生学习中的知识状态及交互过程，动态调整学习内容，实现个性化学习的路径^[4][5]。生成式人工智能在教学中具有丰富的应用场景，可以辅助教学设计、支持学生学习并提升评价质量，从“教”“学”“评”三个维度全面赋能（如图1）。

在辅助教师“教”的方面，生成式人工智能支持课前教学内容生成、课中差异教学实施及课后学习资源组织；在支持学生“学”的方面，助力课前自主预习、课中个性学习及课后在线辅导；在提升质量“评”的方面，支持课前量规设计、课中实时反馈及课后学习分析。生成式人工智能支持的自适应学习模式，以“学”为中心从教、学、评三个维度进行重构，改进传统教学模式。在教的维度上，生成式人工智能辅助教师开展差异化教学，提高对不同学生群体教学的精准性；在学的维度上，助力学生个性化学习，满足不同学生的学习需求，提供适合的成长路径；在评的维度上，生成式人工智能实时反馈，分析学生的思维模式，帮助他们改进学习行为。教师可应用自适应学习理论，关注学生的认知基础，动态调整教学内容，从而构建生成式人工智能支持下的新型教学模式。

三、指向自适应学习的教学设计

用户与生成式人工智能的对话，可以文件、图片、语音、文字等形式实现，其中最为常见的是用输入提示语文本控制生成式人工智能输出。提示语设计的规范性影响输出文本的质量与可用性。针对教学场景中的应用，用户设计提示语需遵循三项原则：一是需设计明确的问题，引导人工智能正确理解；二是提供背景及示例提高信息或指令的准确性；三是多次对话逐步深入与验证优化生成文本的质量。基于自适应学习理论的教学模式，就是借助生成式人工智能开展差异化教学设计，提供个性化学习支持，实现实时化评价反馈。

（一）差异化教学设计

生成式人工智能可提供差异化的教学设计。人工智能对课程标准及教学内容进行关联分析，梳理相应的教学目标并提供多个载体，实现差异化、多元化的教学设计，即针对不同的学生群体，提供不同的学习路径，支持不同学生群体自适应学习。以“简单结构的设计”为例，教师上传《普通高中通用技术课程标准（2017年版2020年修订）》及“结构与设计”单元内容后，生成式人工智能随即自动分析“简单结构设计”的教学目标，并按要求提供3个项目，作为教学载体供教师在教学设计时参考。在确定学生的学习载体后，教师可利用生成式人工智能进一步按学生群体分类，同时生成多种教学方案，进行差异化教学。

提示语：我是一名高中通用技术教师，你是我的知识助理，将协助我进行教学设计。请结合已上传文档中《普通高中通用技术课程标准（2017年版2020年修订）》及《技术与设计2》教材中“简单结构的设计”中的内容，分析教学目标及素养目标，列出4条学习目标。

输出：理解结构设计的基本原理、进行简单结构的设计实践、模型制作与测试、案例分析与改进设计（为节省篇幅，作了适当精简，下同）。

提示语：结合教学目标，列举能实现以上目标的3个项目，且能在1课时内完成。

输出：手机支架设计与制作、书立的设计与制作、相片架的设计与制作。

提示语：以手机支架设计与制作为载体，将学生群体分优秀、良好、一般三个层次，针对三类群体设计难度不同的学习任务，每个学习任务包括3个学习活动，活动梯度符合最近发展区理论。

输出：

跟跑学生（一般）：简单实用手机支架设计与制作（基本功能需求与分析、基础设计方案的绘制、简单模型制作与初步实施）。

并跑学生（良好）：美观而稳定的手机支架设计与制作（稳定性与美观性分析、实用设计方案绘制、模型制作与基本功能测试）。

领跑学生（优秀）：创新型多功能手机支架设计与制作（高级功能需求分析、复杂设计方案的绘制、多功能模型的制作与测试）。

（二）个性化学习支持

生成式人工智能可为学生提供个性化学习支持。教师借助生成式人工智能对学生已有知识与经验进行诊断，提供个性化的反馈信息及学习建议，使之与新知识建立关联，提供与学生的认知相适应的方案支持他们自适应学习。以“简单结构的设计”为例，教师上传“结构与设计”单元教学内容后，生成式人工智能自动生成相应的学习建议。人工智能针对学生提出的稳定性概念相关问题，输出相应的定义及对应的三要素，帮助结合新知识“简单结构的设计”进行学习，结合实例探究影响结构稳定的因素。从知识与概念的激活，到知识与概念的重构，再到知识与概念的迁移，生成式人工智能均能为学生提供个性化的学习支持。

提示语：我是一名高中生，你是我的通用技术教师，将协助我自主学习。我已上传文档包括《普通高中通用技术课程标准（2017年版2020年修订）》，请你阅读《技术与设计2》教材中“简单结构的设计”中的内容，提出建议。

输出：

学习建议：阅读基础知识、实际案例分析、动手实践、优化和测试。

实践流程：设计草图、选择材料、制作原型、测试与改进。

提示语：我对结构设计中的稳定性概念理解得不是很深，请你结合实际案例给予指导。

输出：稳定性的概念与定义（略），影响稳定性的三个因素（略）。

实际案例分析：儿童自行车。

稳定性（重心低、车架设计、辅助轮）、实践建议（设计草图、材料选择、制作与装配、安全检查）。

提示语：结合教材中的案例“可升降桌的设计与制作”，分析在设计中需要考虑的稳定性因素。

输出：可升降桌设计案例——稳定性分析。

调整重心高低。①设计低重心：设计桌面和底座时要尽量降低整体重心。②中央重心：确保桌子的重心位于中央，避免因重心偏移导致倾斜或失稳。

改变结构形状。①对称结构：桌腿或支撑柱对称分布，均匀承受桌面的重力。②框架稳定性：采用矩形或正方形框架，提高结构的稳定性和整体性。

控制支撑面积。①宽大底座：设计宽大的底座，增大接触面积，提高稳定性。②多点支撑：确保桌子的每条腿或支撑柱都有独立的支撑点，分散重力。

（三）实时化评价反馈

生成式人工智能可提供实时的评价反馈。生成式人工智能对学习过程及知识网络进行分析，可对学生的学习提供实时的反馈，避免学生对概念及知识产生错误的认知。这样实时评价与反馈，能引导学生及时调整学习策略，从而实现自适应学习。以“简单结构的设计”为例，学生在经历可升降桌等设计过程后，应掌握稳定性三要素在实际作品设计中的迁移运用。以设计“户外防风画架”为例，学生提出了提升稳定性的三项措施，“增大上部画板的质量、在两个前侧支撑脚中间增加一个支撑脚、加上横档形成三角形结构”。生成式人工智能对三条措施进行分析并提出优化建议，其中“增大上部画板的质量”属于错误的认知。生成式人工智能在分析过程中指出了增加上部画板质量对稳定性的影响，并提出了相应的改进建议。生成式人工智能实时给出反馈策略，使学生建立正确的认知网络，避免了不正确的知识迁移。

提示语：我要运用稳定性知识设计一个户外画架，画架有两个与画板同平面的前支撑脚及一个用于调节角度的后支撑脚。我计划采用以下三项措施提高稳定性：“一是增大上部画板质量，二是后侧从单支撑脚改为双支撑脚，三是在前后支撑脚之间加上横档形成三角形结构”，请分析这几条措施的合理性，并提出专业而合理的建议。

输出：对增加上部画板质量的方案分析如下。①重心高：增大上部画板的质量会提高画架的重心，降低画架的稳定性。高重心容易导致画架在受外力（如风）作用时倾倒。②受力情况：增加上部质量会给画架的前支撑脚和后支撑脚带来更大的力矩，容易导致支撑脚变形或损坏。

设计建议如下。①保持轻便：画架的上部画板轻便为宜，避免增加过大重力。②重心低：将一些配重放在画架的底部，以降低整体重心，增强稳定性。

四、生成式人工智能的应用建议

生成式人工智能应用于教育领域，从“教”“学”“评”三个维度发挥作用，助力学生构建自适应学习模式。生成式人工智能辅助教师进行差异化教学设计，因材施教；支持学生个性化学习，提升学生学习的自主性；实施实时与多样化的评价并及时反馈，帮助教师改进教学。笔者构建并应用自适应学习模式，推进了从群体教学到个体教学的转变。笔者设计的提示语设计规则及交互案例可供教师在开展教学设计时参考。

生成式人工智能是基于数据训练的模型，其知识水平受限于训练数据的范围和质量。教师应用生成式人工智能时尚需从三个层面予以关注：一是生成式人工智能受限于上下文理解的容量，教师进行辅助教学设计时，所用文档不宜过大，尽可能以一个单元或一个章节为单位上传教材内容，这样更有利于生成式人工智能对信息进行学习与理解；二是生成式人工智能受限于图形的理解能力，教师开展实时评价时，图文及评价指标不宜过于复杂，精简评价指标有利于提高生成式人工智能对图文评价的准确性；三是目前应用的模型大多为通用型人工智能，学生在个性化学习过程中，对于部分学科中的专业问题，生成式人工智能有时会产生错误的输出，这需要师生在应用时先引导生成式人工智能学习相关的专业知识，以提高生成文本的质量及准确性。

注：本文系浙江省教研课题“人工智能支持下通用技术自适应学习研究”（G2024286）的阶段性研究成果。

参考文献

[1]梁灵辉.指向深度学习的挑战性学习任务设计：以普通高中通用技术课程为例[J].基础教育课程，2023（21）：55-59.

[2]黎加厚.生成式AI大模型教育应用的四大秘诀[J].中小学信息技术教育，2024（5）：8-11.

[3]赵晓伟，祝智庭，沈书生.教育提示语工程：构建数智时代的认识论新话语[J].中国远程教育，2023（11）：22-31.

[4]范云霞，杜佳慧，张杰，等.面向动态学习环境的自适应学习路径推荐模型[J].电化教育研究，2024（6）：89-96.

[5]李建伟，武佳惠，姬艳丽.面向自适应学习的个性化学习路径推荐[J].现代教育技术，2023（1）：108-117.

（作者系浙江省台州市教育教学研究院教研员、高级教师，台州市名教师）

责任编辑：祝元志