缪静敏 等 | 生成式人工智能如何改变教学？——来自高校教师的实践叙事

关注“在线学习”

获取更多资讯！

刊载信息

缪静敏，沈苑，& 汪琼.(2025).生成式人工智能如何改变教学？——来自高校教师的实践叙事. 中国远程教育(5),75-91.

生成式人工智能如何改变教学？——来自高校教师的实践叙事
缪静敏, 沈苑, 汪琼

【摘要】生成式人工智能（GenAI）为教学实践带来的变革机遇已引起社会各界的广泛关注。然而，目前关于GenAI对教学实践的具体影响，尤其是从教师视角进行的系统性研究仍然较为匮乏。美国作为ChatGPT的发源地，其高等教育系统较早受到该技术的冲击。在此背景下，许多顶尖高校迅速采取行动，通过提供资源支持与政策引导，积极推动教师探索GenAI在教学中的应用。随着探索的不断深入，教师们积累了丰富的实践经验，并通过网络平台分享了大量案例。这些案例为从“实践叙事”角度揭示GenAI对教学的影响提供了契机。通过深入分析100个相关案例，GenAI改变教学的双重路径被识别，包括优化与创新。基于上述路径，六类GenAI驱动的典型教学场景被进一步提取，包括定制资源、替代反馈、增强联结、模拟情境、加速进程和迭代创作。这些路径和场景从多个角度验证了GenAI对教学的影响，并揭示了其应用方式的多样性与复杂性。

【关键词】生成式人工智能; 高等教育; 教学创新; 应用场景; 案例研究

一、

研究背景

生成式人工智能（Generative Artificial Intelligence，GenAI）的迅速发展为教学实践带来了前所未有的变革机遇。关于这一技术如何影响和改变教学，社会各界展开了广泛的讨论。这些讨论的角度多种多样，形成了政策、研究和技术等不同的叙事视角。其中，“政策叙事”通常能够提供宏观指导，确保技术创新与教育系统的广泛整合，但大多聚焦于整体战略，较少关注教学情境的具体细节（王帅杰 等, 2024）。“研究叙事”则致力于通过理论分析和数据验证来揭示GenAI技术之于教育的潜在影响。然而，在技术变革初期，研究往往滞后于实践，尚未形成系统的经验证据和操作原则，无法为教师的实践探索提供充分支持（Yusuf et al., 2024）。“技术叙事”专注于工具和平台的创新开发，有效推动了技术的应用和普及，但这类叙事视角对教育实践的复杂性缺乏深入了解，对应用场景的构想也不够贴近实际，并且缺少关于伦理与道德风险的考虑（OpenAI, 2023）。随着GenAI教学应用探索的不断深入，一线教师逐渐积累了相对丰富的经验，并通过实践反思，形成了独特而完整的“实践叙事”。这种叙事不同于政策视角中的宏观分析，而是基于教学现场的具体情境展开，不仅涵盖了从问题识别、策略选择到成效反馈的完整路径，还通过丰富的经验证据揭示了GenAI在教学应用中的复杂性和多样性。目前，来自教师的实践叙事正成为理解GenAI如何真正改变教学的重要视角，并且能够为其他叙事视角提供有力补充。

基于上述背景，本文以美国高校教师为研究群体，通过系统收集与分析其在教学中应用GenAI的案例，补充和丰富一线教师的实践叙事。选择此群体的原因在于，美国作为ChatGPT的发源地，其高等教育机构较早受到GenAI的冲击，为此，美国的顶尖高校较早开始探索利用GenAI支持教学创新的路径和策略（欧阳嘉煜 等, 2023）。许多高校教师在支持性的环境下进行了多样尝试，并公开分享其经验，为构建教师的实践叙事提供了丰富素材。本研究意图通过收集、整理和分析上述案例，深入探讨“生成式人工智能如何改变教学？”这一问题。

二、

研究方法

（一）研究问题

本研究聚焦于美国高校教师群体，通过案例研究方法系统分析了该群体在教学中应用GenAI的探索。研究目的是从教师实践叙事视角揭示GenAI对教学实践的实际影响及其影响方式，以回应“生成式人工智能如何改变教学？”这一问题。为了突出教师视角的独特价值，本研究采用场景化的分析和叙事方法，对GenAI在教学中的典型应用场景进行了全面、深入的刻画。本研究通过呈现典型场景下教师的行动逻辑，致力于揭示GenAI教学应用的多样性和复杂性，为教育实践的利益相关者提供有价值的参考与支持。

（二）案例收集

本研究的案例收集工作共分为三个阶段：第一阶段为确立案例收集标准，明确案例需要包含的核心要素；第二阶段为系统收集案例，即依据既定标准广泛获取相关案例；第三阶段为补充收集案例，即进一步完善案例库以确保案例的全面性和典型性。其中，案例收集标准旨在确保所选案例具备反思性且内容完整，被纳入的案例需要包含以下三个要素：1）教师通过GenAI尝试解决的具体问题；2）教师在教学中应用GenAI的实践策略；3）对GenAI应用效果的反思与总结。选择具有反思性的完整案例，能够更加清晰地揭示教师在实践中的行动逻辑与决策过程。

在系统收集案例阶段，研究人员基于前期对高校GenAI治理策略的研究经验，选取了哈佛大学、密歇根大学、康奈尔大学、耶鲁大学和哥伦比亚大学五所知名高校作为案例收集的起点，并通过系统梳理这些高校的官方网站，全面收集与GenAI应用相关的教学案例。上述高校不仅较早发布关于GenAI开放使用的政策，为教师基于GenAI开展教学探索营造了支持性的环境，而且也鼓励教师分享其在GenAI教学应用中的实践经验，为本研究提供了丰富的案例来源。其中，学校的教学发展中心等类似机构的网站以及专门汇总GenAI资源的主题网站，成为本次案例检索的重点关注对象。检索中发现，案例涉及的关键高频词包括“Generative AI Use Case”“Generative AI Teaching Examples”“Generative AI Faculty Examples”等。

在补充收集案例阶段，研究人员进一步追踪高校官方网站中提供的外部资源链接，以获取更为丰富和多样化的案例资源。此外，研究人员总结了高校在描述教学案例时使用的高频关键词（如前所述），并利用通用搜索引擎进行更广泛的检索。为了兼顾分析的广度和深度，研究人员在收集到的案例总数达到100个时，便停止了收集。最终，本研究收集了来自美国24所高校的100个案例（收集截止时间为2024年9月底），案例来源分布情况如图1所示，学科分布情况如图2所示。可以看出，GenAI已经被广泛应用于不同学科之中。其中，大部分人文艺术学科案例集中于语言学习、文本写作与艺术创作课程，这可能与GenAI具有的生成特性会对这些课程造成直接影响有关。

图1 GenAI教学案例学校来源分布（单位：个）

图2 GenAI教学案例学科来源分布

（三）案例分析

在本研究中，分析案例的目的是从中提取GenAI教学应用的典型场景，以此阐释GenAI对教学的变革作用。为实现这一目标，研究人员首先采用“问题—策略—成效”三元分析框架对每个案例进行结构化编码，随后基于编码结果，对案例中呈现的问题类型、策略特征以及应用成效进行归纳与总结。基于上述分析，研究人员识别了教师应用GenAI改变教学的双重路径。其中，第一条路径关注如何应用新技术解决旧问题，即探究如何应用GenAI克服日常教学中，因教学条件限制而长期存在的基础性问题，涉及本地资源建设、个性反馈供给，以及课堂高效互动；第二条路径则聚焦于如何应用新技术推动新变化，一方面考察GenAI为教学模式创新提供的多种支持，另一方面分析GenAI对专业实践的影响如何引发教学目标与内容的变化。双重路径的区分为典型应用场景的总结提供了框架支持。基于第一条路径，研究人员从案例中提取了三类典型场景，包括定制资源、替代反馈以及增强联结。基于第二条路径，研究人员识别了另外三类典型场景，包括模拟情境、加速进程和迭代创作。其中，场景与案例之间并非一一对应，一个案例可以同时包含多种场景，这也说明了GenAI教学应用的复杂性。最终，研究通过总结GenAI教学应用的双重路径与六类场景，揭示了GenAI改变教学的多种方式。

三、

GenAI应用路径一：优化，用新技术解决旧问题

（一）定制资源场景

在定制资源场景下，如何利用GenAI定制本地化资源、缓解教育资源建设的压力，是高校各学科教师普遍关注的问题。在实践中，本地化教学资源的缺失经常是教学改革推进的重要阻碍（范福生, 2024）。受限于工作时间紧张、教学任务繁重、专业开发工具和相关技能缺乏等因素，教师自主开发的教育资源大多数量有限且质量参差不齐。GenAI的出现能有效帮助教师摆脱上述困境，使得教师能够在定制资源过程中充分发挥自己的创造力。

在此次收集的案例中，“批量定制”与“衍生变体”是较为典型的资源定制策略。“批量定制”策略利用GenAI能够快速生成内容的技术特性，解决了传统资源开发过程中批量生产与个性定制之间的矛盾。例如，一名公共政策专业教师针对课程习题数量有限且难度水平无法满足所有学生需求的问题，利用GenAI生成了一批不同难度级别的习题，以此确保每个学生都能进行适合自己水平的练习。此种做法有效地提高了课程资源的覆盖面和适用性（Svoronos, 2024）。“衍生变体”策略则是利用GenAI擅长模式识别与迁移的特性，基于学习主题构建多种类型的任务变体，以适应任务更新、学习迁移乃至内容拓展的需要。例如， 一名法学专业教师在课程中采用案例教学法时发现，部分学生会通过高年级学生或其他渠道提前获知案例内容，这在很大程度上降低了案例教学的有效性。为解决这一问题，她通过构建案例变体及时更新案例内容，从而保持教学的新鲜感与挑战性。同时，该教师没有直接应用GenAI生成的案例，而是通过与GenAI的持续交互，融入更多创意和想法，例如要求GenAI生成更具挑战性的问题、在案例中加入更多具体细节、隐藏案例的具体名称，甚至是利用GenAI的“幻觉”创造出不同于以往的事实模式，从而引发学生更深入的讨论。从中，教师发现应用GenAI辅助生成案例能够更好更快地满足多样化的教学需求（Brady, 2024）。

除了上述两类策略，教师在资源创作过程中，还会将GenAI应用于辅助教学决策、增强内容表达、丰富活动要素等多个方面，从而实现多种教学目的。从辅助教学决策的角度，GenAI能够以头脑风暴等形式为教师提供设计灵感，还能够在诸如目标与评价一致性校验的场景下，检查教师开发的方案是否存在盲区（Koning, 2024）。从增强内容表达的角度，GenAI能够通过生成不同媒介类型的学习资源来增强教学内容的表达，从而深化学习者的学习体验，例如教师可以应用GenAI创作视觉隐喻来帮助学生更好地识别概念特征（Olveczky, 2024）。从丰富活动要素的角度，教师能够应用GenAI生成以往活动中由于时间、技术、能力限制而难以生成的活动要素，例如用GenAI生成简单的html游戏，增加课堂的紧张感与参与度（Weiss, 2024）。

总之，GenAI的生成能力为教师构建本地化教学资源提供了有力支持，从而为开展多样化的教学活动创造了更多机会。同时，已有案例也表明，教师在定制资源时并非只是被动的接收者，而是能够根据教学需求主动创作，实现真正意义上的自定义开发。

（二）替代反馈场景

替代反馈场景旨在通过GenAI生成的机器反馈来弥补人工反馈的不足，从而更好地满足学生的学习需求。学习是跨越课堂内外、连接线上线下的持续过程，但教师的支持与反馈不仅受限于时间和空间，而且难以规模化实施。因此，利用机器反馈替代人工反馈成为重要的问题解决途径。

随着GenAI的发展，机器反馈质量显著提升，替代反馈也由此成为GenAI教学应用的关键场景，并逐渐在更多学科领域得到应用。例如，为解决医学生在从预科过渡到实习阶段缺乏专业指导的问题，有一位教授尝试借助GenAI来帮助学生培养在不同场景下解决患者问题的能力。他利用ChatGPT以及匿名患者案例，辅助学生分析病情、提出诊断建议，并指导后续的医学检测工作。结果证明，这种方法提升了学生分析案例的速度，深化了他们对诊断推理的理解（Succi, 2024）。再如，在教授“物理科学”（Physical Sciences）课程时，教师发现，集体授课模式下，由于学生必须跟随教师的教学节奏，因此缺少了遇到困难时暂停下来思考的机会。为解决这一问题，该教师与同事们应用GenAI工具构建了AI导师系统，帮助学生按照自己的节奏学习，并在需要时获得AI导师的指导和帮助。最终，这种方法不仅受到学生们的广泛欢迎，而且学习效果也未受到任何负面影响（Kestin, 2024）。

然而，机器反馈虽然能够弥补人工反馈的不足，但如果使用不当，也可能会带来风险。在各位教师的叙述中，两类风险尤为突出。其一，GenAI的输出结果并不稳定，在一些任务场景下会产生错误的反馈。针对上述情况，一些课程团队会定制和调试GenAI工具，并借助相关知识库，以此在一定程度上避免信息错误。例如，密歇根大学的一名教授利用学校提供的Maizey AI工具创建了专门的课程助教，并结合课程材料对其进行了调试。在与ChatGPT的比较测试中，Maizey在课程内容的准确性和反馈质量上表现更优。（University of Michigan, 2024）其二，学生还可能因过度依赖GenAI而减少自主练习，导致“替代反馈”演变为“替代思考”。面对此类风险，教师探索出了两类典型的应对策略。一类策略是限定使用GenAI的条件或定制课程专属的GenAI工具，确保学生不会在学习过程中回避或错过需要独立思考的关键任务。例如，一名计算机科学专业教师在“编译器”（Compilers）课程中，允许学生在理解高层次概念和解决低层次问题时使用GenAI，但在编写程序时禁用这些工具，以确保学生独立思考和实践（Chong, 2024）。另有一名公共政策专业教师及其课程团队定制了能够模拟教学团队的回答风格、引导学生探索问题而非直接给出答案的“StatGPT”工具，并在“定量分析与实证方法”（Quantitative Analysis and Empirical Methods）课程中使用。结果显示，学生的参与度和学习效果显著提升，提出的问题也更加深入。（Goel, 2024）规避风险的另一类策略，就是引导学生反思其与GenAI的交互过程，从中理解GenAI的局限性，从而提高学生合理与有效应用GenAI反馈的能力。有教师在教授“法国文学经典选读”（Major French Texts）课程时发现，当要求ChatGPT提供叙事表演的建议时，它对文本的理解并不充分，经常出现基本叙事要素错误。为解决这一问题，教师设计了一项引入GenAI的写作练习，通过实践引导学生认识到过度依赖ChatGPT写作可能带来的错误结果。（Postlewate, 2024）

回顾上述策略与案例可以发现，教师在替代反馈场景下会倾向于更加谨慎地评估GenAI的使用风险，并通过开发各种策略来保障替代反馈能够在可控范围内实施。这些保障策略也进一步推动替代反馈在实践中的广泛应用。此外，值得注意的是，教师在引导学生探索GenAI局限性的过程中，能够更加意识到人类反馈相比于机器反馈的特殊价值。例如，有医学教师发现，尽管ChatGPT在提供最终诊断方面表现良好，但在基于有限信息提出可能的诊断方案时效果不佳。这一发现凸显了在信息有限时提出多种方案的重要性，而这不仅是医学生培养的关键领域，也正是人类教师反馈发挥重要作用的地方。（Succi, 2024）

（三）增强联结场景

增强联结场景旨在应用人机交互来促进人人交互，这与替代反馈场景中使用人机交互来替代人人交互的做法形成了对比。在实际教学中，教师在促进师生、生生之间的交流时，往往面临多重因素的限制，例如规模化的教学情境、有限的教学时间、学生能力水平的差异等（Bianchini, 1997; Blatchford et al., 2011）。与此同时，学生群体日益增长的多样性也对教师提供个性化支持造成了挑战（Northedge, 2003）。GenAI的应用则有助于打破上述各类因素与条件的限制，通过增强师生、生生联结来提升教学质量。

首先，GenAI能够实时且规模化地处理学习过程数据，帮助教师及时了解学生的学习情况，从而调整教学策略并提供有针对性的反馈。特别是在大班教学场景下，学生经常会因为害羞、焦虑或不想拖慢课程进度而不愿提问。有教师发现此类问题之后，尝试使用GenAI工具收集与处理学生提交的问题。具体做法包括利用GenAI分类学生提出的问题，然后集中展示与回应上述问题，并鼓励学生参与讨论（Deslauriers, 2024）。根据学生反馈，此种做法有效减少了课堂焦虑，并能帮助不常发言的学生更好地适应课堂。另一位教师的做法则是在课堂展示提前设计好的问题，利用GenAI工具从学生提交的答案中提取出主要观点并追踪贡献者的名字，然后将这些信息同时呈现在大屏幕上。通过这种方式，教师能够及时了解与认可学生的想法与观点，并根据需要灵活调整教学内容（Levy, 2024）。综上，应用GenAI处理信息能够有效解决规模化教学场景下的师生交互问题，师生双向反馈循环在此过程中也真正得以建立。

其次，GenAI能够在一定程度上扮演专业顾问的角色，助力教师更精准地满足学生多样化的学习需求，推动师生之间的有效沟通。在一些主题开放的课程或涉及跨学科知识的课程中，其效果尤为显著。以一位教师的“创业管理”（Entrepreneurship）课程为例，该课程鼓励学生探索不同领域的创业机会。然而，由于行业广泛，教师难以为每位学生提供详尽反馈。为解决这一问题，他借助ChatGPT辅助教学。通过上传学生的项目计划，ChatGPT能够快速生成摘要，识别常见问题，并搜索相关创业案例，使教师无须耗费大量时间进行背景研究，就能与学生展开深入讨论（Koning, 2024）。在上述案例中，GenAI所扮演的顾问角色快速拓展了教师的经验范围，使其能够更高效地为学生提供多样化支持。

最后，GenAI不仅能够促进师生之间的交流，还能支持学生之间的知识共建。其中，教师可以在生生合作与交流的过程中引入GenAI，从而推动群体的合作进程并提升知识建构的质量。例如，有教师发现，GenAI不仅能有效地总结和分类学生的观点，还能从中捕捉学生的直觉与判断，识别其困惑模式，从而推动小组讨论的进一步深入。学生还可以在合作与交流的前期阶段提前与GenAI交互，为正式讨论做好准备。这种提前交互不仅能够为讨论提供丰富素材，引导学生识别关键讨论点，避免在课堂讨论时陷入无关细节，还能为群体成员建立共同经验基础，从而确保不同能力水平的学生都能积极参与讨论（FAS, 2024）。还有教师开发了一款支持学生在课前提前处理案例内容的聊天机器人，以此提醒学生关注案例的关键决策点，帮助他们充分准备课堂讨论（Bussgang, 2024）。另一位教师则要求学生在课前与GenAI扮演的职业教练进行对话，探讨个人价值观、技能和职业目标，并将对话记录作为课堂讨论的参考材料。这种做法在促进学生自我反思的同时，激发了更深入的课堂讨论。（Jay, 2023）

综上，GenAI在课堂教学中能够以多种形式增强师生、生生之间的联结。在GenAI的帮助下，教师可以更全面、更快速地了解学生的学习情况，更好地满足学生的多种需求，学生则能够在有限的课堂教学时间内生成更高质量的讨论。

四、

GenAI应用路径二：创新，以新技术推动新变化

（一）模拟情境场景

模拟情境场景关注如何应用GenAI帮助教师快速构建模拟真实世界的学习环境，让学生通过探究复杂问题来掌握知识与技能（Herrington & Oliver, 2000）。虽然真实性学习被认为能够有效提升学生学习动机、学业表现与思维技能，但以往构建真实性学习环境时，教师常面临工具、资源、能力、时间等多方面挑战（Gedik et al., 2013; Roach et al., 2018）。GenAI的出现则为构建上述环境提供了极大助力，能够推动真实性学习在更大范围内落地，并为教学模式创新提供了更多可能。

具体而言，GenAI能够为教师创建真实性学习环境提供创作平台。与传统方式相比，该平台能够更为便捷地整合来自多种来源与媒介类型的资源，从而创作出丰富且多元的学习材料。教师在设计真实性学习任务时，还可以通过该平台获取如何模拟真实情境的创意建议。例如，一位教师在选择应用GenAI工具辅助创建学术辩论案例时，会首先通过GenAI寻找与学生生活相关的、复杂、真实且具有争议性的话题，以激发学生思考，然后借助GenAI生成案例的基础内容，包括背景设定、争议解释、角色分配和任务安排，并同时利用GenAI生成支持和反对各方观点的证据清单。这些证据基于可验证的事实和数据，能够帮助学生掌握多角度信息。在整个过程中，教师与GenAI持续互动，不断调整和优化输出内容，确保其符合教学目标且准确无误。（Prud’homme-Généreux, 2024）在此过程中，GenAI优化了真实性学习环境的设计过程，并提高了其构建效率。

同时，GenAI不仅是一个情境创作平台，也是一个情境模拟平台，能够通过角色扮演模拟真实世界中的交互，让学生在低风险环境中应对各种挑战并解决复杂问题，进而发展和提升多项能力，如批判性思维、沟通与合作能力，以及特定的专业技能等。以一位教师开发的GenAI谈判模拟平台为例，该平台能够模拟多种谈判情境，并提供即时反馈和定制化建议，从而辅助学生提升谈判技巧。同时，该平台还引入了面部表情识别技术，可以根据学生情绪调整反馈内容。这种低风险模拟练习增强了学生的自信，使他们能在安全环境中反复练习与改进。（Curhan, 2023）该教师的探索不仅为学生带来了更深入的学习体验，也彰显了GenAI在真实情境模拟中的应用价值。

值得关注的是，GenAI工具的易用性还为学生参与创作真实性学习环境提供了便利。教师可以借此机会将环境构建过程转化为学习活动，让学生从学习环境的参与者转变为学习环境的创作者。通过这种方式，学生不仅能参与学习过程，还能理解学习环境的设计和构建方式，并在反思如何改进的过程中实现深层学习。例如，一名法语专业教师在其课程中利用GenAI的自然语言交互功能，通过邀请学生参与互动情境的创作来激发学生的语言表达和创意写作能力。在该课程的“巴黎美术”单元，这位教师构建了“艺术馆谋杀案”的故事情境，由学生自主创建虚拟的法语角色，然后通过与不同角色的对话推断嫌疑人并完成任务。（Mills, 2024）通过这一方式，GenAI不仅降低了情境创作的门槛，还增强了学生在模拟中的参与感，使他们能够更积极地投入学习过程中，加深对学习内容的记忆与理解，并提升批判性思维和创新能力。

模拟情境作为一种教学方法并非新兴概念，但其实际应用还面临诸多制约。上述案例表明，GenAI的出现能够为突破这一困境提供解决方案，包括降低情境创作的技术门槛与制作成本，以及为教师提供相关知识与经验的支持。在GenAI的支持下，模拟情境这一方法能够更广泛地融入学科教学实践，并推动教学模式的创新。

（二）加速进程场景

加速进程是一类特殊的应用场景，其核心在于利用GenAI分担学生学习过程中必要但非核心的任务，并在学生解决开放与复杂的问题时及时提供其所需支持。通过这种方式，学生能够将更多精力和注意力集中在学习的核心环节，从而加速学习进程。换言之，这种学习加速不仅体现在时间效率的提升上，更在于帮助学生更快地触及核心目标。在这一过程中，教师甚至能够突破传统教学中因资源或能力限制而带来的任务设计瓶颈，进而重构学习流程。例如，教师可以采用“整体—局部”的学习模式，让学生首先在整体实践中理解学习的意义和识别任务的全貌，随后再专注于局部技能的精细化打磨。这种方法更符合情境学习理论的原则，有助于促进深层学习和知识迁移。（Brown et al., 1989）

在此次收集的案例中，应用GenAI加速学习进程的常见任务类型包括开放性的实践项目和跨学科的综合任务。在开放性的实践项目中，学生通常需要掌握大量背景信息才能顺利完成任务。然而，教师很难提前提供所有相关的知识资源，也难以随时给予支持。学生可能会因此花费大量时间搜集和理解信息，导致项目进度停滞，无法及时进入任务核心环节，最终在关键部分投入的时间和精力大大减少。面对上述问题，教师可以利用GenAI工具帮助学生快速获取信息并迅速进入任务核心环节。例如，一名教师在其主讲的“设计影响力”（Impact by Design）课程中面临的主要挑战就是帮助学生快速投入设计工作，并掌握迭代、提问和问题定义等关键技能（Dockterman, 2024）。为解决上述问题，他引入了ChatGPT作为学生在问题定义和信息获取阶段的加速工具。这一方法既帮助学生迅速获取背景知识并理解大量内容，又使其更快地建立分析框架并投入实际设计中。

在跨学科的综合任务中，学生常因特定学科经验的缺失而面临认知过载问题，这将导致其注意力被次要细节分散，从而偏离任务的核心学习目标。针对这一问题，GenAI能够通过提供特定学科的专业知识与技能支持，有效减轻学生的认知负荷。这种支持不仅可以帮助学生过滤无关信息，还能引导其聚焦于任务的关键环节，从而更高效地实现高层次认知目标，如分析、评价与创造等。例如，一名管理学专业教师在MBA课程教学中发现，GenAI技术为缺乏编程经验的学生提供了极大的便利。学生无须掌握复杂的编程技能或专业工具，便能轻松运用高级数据分析技术。这不仅减轻了学生在学习过程中的认知负荷，还帮助他们将更多精力集中于问题分析，从而提升其问题解决能力。（Bojinov, 2024）再如，另有一名物理学教授为了让学生专注于物理思想与算法，在其课程中鼓励学生利用ChatGPT辅助编写代码以节省时间。不同于前一个案例的是，他同时也强调，学生应在理解编码过程的基础上使用这一工具，避免直接复制代码，从而确保学习深度与自主性。（Moore, 2024）

进一步分析上述案例可以发现，GenAI在提升复杂任务学习效能方面优势显著，不仅能够有效缩短学生的认知建构周期，还能够为学生高阶思维能力的发展创造必要条件。上述优势也使得GenAI能够突破传统课堂在时间分配、学生差异、教师能力、师生比等方面的限制，为复杂学习任务的设计与实施开辟了新的路径。综上，这种学习进程的加速不仅带来了时间效率的量变，更引发了教学范式的质变，并重新定义了教育的可能性边界。

（三）迭代创作场景

迭代创作场景的兴起，源于高校教师为应对GenAI对专业实践的广泛影响而做出的积极调整。根据收集到的教学案例，GenAI正从多个方面重塑专业实践。首先，它正在逐步取代一些传统专业工具，优化专业流程，并拓展专业实践的边界。其次，它能够打破技术限制，将复杂创意快速转化为实际产品或解决方案，并迅速优化改进（Yuen, 2024）。最后，它还能够通过定制智能体来参与复杂的创作任务，并独立承担部分工作（Brenner, 2024）。GenAI对专业实践的影响促使教师重新审视现有的教学内容，并将培养学生与GenAI高效合作的能力作为重要的教学目标。

鉴于GenAI的生成特性，与其高效合作的能力本质上是通过持续交互和迭代改进来开发最优方案的能力，即迭代创作能力。这使得引导学生应用GenAI进行迭代创作成为重要的教学场景。在该场景下，学生需要掌握三种不同复杂程度的迭代创作能力，具体如图3所示。其中，最为基本的能力是响应迭代能力，侧重于通用提示词技巧的掌握。学生需通过调整和完善输入的提示词来提高GenAI响应的质量。作品迭代能力比响应迭代能力更为复杂，学生不仅要精心设计和调整输入的提示词，还需深入评估和反思与GenAI的协作过程，以确保作品达到最佳水平。相比于前两种迭代，智能体迭代能力要求学生针对特定任务场景，自主构建个性化的工作伙伴，并通过迭代逐步增强智能体的执行和创作能力。这一类型的迭代最为复杂，需要学生对任务场景特征和智能体技术特性有深刻理解，从而实现问题解决过程建模，以支持智能体的创建。

图3 迭代创作场景中的三类迭代

现有教学案例大多聚焦于响应迭代与作品迭代。以响应迭代为例，教授“AI写作：提示与响应”（AI Writing: Prompt + Response）课程的教师要求学生通过与GenAI合作，完成一项旨在培养结构化提示词策略的探索性作业。学生需不断迭代优化提示词，引导GenAI输出符合特定需求的措辞，在此过程中逐步掌握获取高质量响应的提示词技巧。（Gogan, 2024）在作品迭代方面，城市规划与设计专业的一位教师会指导学生将GenAI技术积极纳入设计工作流程。这种做法使得学生能够更高效地进行快速设计实践，并分享其设计经验。相比以往依赖想象评估设计效果，GenAI生成的直观效果图更能激发学生的讨论和学习兴趣。该教师认为，GenAI能显著提高设计效率，帮助学生迅速实现高质量的视觉效果。其中，指导学生持续反思和讨论GenAI的应用效果是教学的关键（Yuen, 2024）。与前两类迭代相比，涉及智能体迭代的教学实践在本次收集的案例中较少出现。这可能与相关技术应用仍然处于初期阶段有关。这也能解释为什么在已有的少量案例中，教师往往会选择和学生携手合作，共同探索专业领域智能体的构建路径。例如，应用数学专业的一位教师会在课程中组织学生开展智能体实验探索。学生需要训练聊天机器人解决数学问题，并提交最佳提示词。（Brenner, 2024）

由于利用GenAI进行迭代创作的关键在于创作者对任务的深刻理解、对Gen-AI输出的准确评估以及对创作潜力的充分挖掘，因此，此类任务不仅能提升学生与GenAI的合作能力，还能深化其对学习内容的理解，并推动批判性思维和创造性思维等高阶认知能力的发展。此外，学生的迭代创作记录为教师提供了理解其思维过程的依据，有助于教师跟踪和引导学生的认知过程，并在一定程度上解决抄袭和剽窃问题。

五、

讨论与总结

（一）GenAI改变教学实践的双重路径

通过对高校教师教学案例的深入分析，本研究揭示了生成式人工智能影响教学的双重路径：一方面，GenAI通过应用新技术有效解决了传统教学中的诸多旧问题，从而实现了教学的优化；另一方面，GenAI借助新技术推动教学实践的新变化，进而促进了教学的创新。针对实践的优化路径，本研究从日常教学中的常见问题入手，基于定制资源、替代反馈和增强联结三类场景揭示GenAI在支持本地资源构建，实现个性化反馈，以及加强师生、生生交互方面发挥的基础性作用。针对实践的创新路径，本研究则从GenAI引发的教学模式创新与培养目标变化入手，结合模拟情境场景、加速进程场景和迭代创作场景探究了GenAI对教学更为复杂和深层的影响。

优化路径与创新路径并非相互独立，前者为后者提供了重要支撑。正是由于GenAI提升了资源定制的灵活性，教师才能突破传统教学方法的局限，构建更具真实感的学习情境；正是由于GenAI替代人类提供反馈的能力得到提升，学生才能借助GenAI加速学习进程；正是由于GenAI增强了师生、生生之间的交互，学生才能在探索复杂问题时获得更广泛的社会支持。综上，GenAI改变教学的双重路径之间存在着渐进发展的关系。

进一步剖析上述渐进发展关系，可以得到以下两点重要启示。

第一，GenAI能够夯实教学变革的底层逻辑，为大规模教学创新提供坚实的实践基础。与以往一些技术因缺乏底层逻辑支撑而难以推动教学改革不同，Gen-AI能够直击教学实践最为底层与基础的问题，如解决本地化教学资源建设的难点，克服规模化教学与个性化支持之间的冲突，以及提升学习共同体知识共建效率和质量等，从而为教学变革提供坚实的根基。这也使其在推动大范围教学创新方面展现出巨大潜力。第二，教师在应用GenAI开展教学实践时，既要关注优化，又要注重创新。教师需要认识到应用GenAI解决旧问题的重要性，这便为教学创新提供了基础条件。同时，教师还要致力于实现从优化到创新的突破，特别是考虑到GenAI对专业实践的深远影响，可能会引发教学目标与内容的根本性变革。

（二）GenAI引发的学习环境与流程重构

分布式认知理论强调，认知过程不仅发生在个体内部，还广泛分布于个体与外部环境的动态交互之中（Hutchins, 2000）。基于这一理论视角，GenAI作为外部环境中的关键要素，能够通过重塑环境的性质与功能，深刻影响学生与环境的互动模式，并进一步作用于学生的认知过程。换言之，GenAI能够通过重构学习环境，推动学习流程的转变，从而促进学习目标的高效达成。这一点在模拟情境、加速进程、迭代创作这三类致力于教学创新的GenAI应用场景下尤为突出。

在模拟情境场景下，GenAI能够帮助教师突破以往教学中构建真实性学习环境所面临的时间、资源与能力等多重限制，灵活地为学生提供更具复杂性和挑战性的问题情境，从而推动真实性学习在课堂教学中的落地。真实性学习的引入不仅解决了以往教学中知识与情境脱节的难题，还转变了学生孤立学习抽象知识的传统模式，使学习过程更加贴近真实世界的复杂性与多样性，进而促进了知识在真实情境中的迁移与应用（Brown et al., 1989; Herrington & Oliver, 2000）。

在加速进程场景下，GenAI能够在复杂任务情境中进一步为学生提供多种过程性的支持，例如帮助学生快速获取大量资源，通过任务分担减轻认知负荷，引导学生识别任务的关键环节等。上述支持使得学生能够紧密围绕核心目标展开学习行动，并将更多时间与精力投入高层次认知的发展中，从而在有限的教学时间内提高学习效率。同时，学习效率的提升也为教师尝试更加复杂多样的教学模式提供了机会。

在迭代创作场景下，随着GenAI在专业实践中的广泛参与，与GenAI高效合作的能力已成为一项重要的学习目标。这种合作能力以迭代创作为主要特征。与模拟情境场景和加速进程场景中GenAI分别从空间和时间维度克服教学变革面临的潜在问题不同，在迭代创作场景下，GenAI不仅是促进学习环境与流程重构的推动力量，也是引发学习环境与流程重构的重要源头，并且能够对学生认知产生重要影响。已有案例显示，教师引导学生利用GenAI进行迭代创作，不仅能够提升学生与GenAI合作的能力，还能够深化学生对专业实践的理解，并推动高阶思维能力的发展。

总结上述三类场景，GenAI引发的学习环境与流程的重构可以体现在多个方面，包括：通过模拟真实情境的复杂任务，为学生提供沉浸式学习体验；聚焦于核心学习目标的过程性支持，助力学生高效达成学习任务；以迭代创作为重要培养路径，推动学生在实践中不断提升与GenAI协同创作的能力，等等。在此基础上，教师有必要重新审视课程目标与内容体系，从模拟情境、过程支持与迭代创作等关键维度出发，深入思考并探索本地化的GenAI教学应用路径，以积极应对GenAI对专业实践带来的广泛影响，并充分把握GenAI为教学创新带来的关键机遇。

（三）GenAI在教学应用中的风险防控

尽管高校教师普遍认可GenAI对教学实践的支持作用，但他们也对GenAI的使用风险表现出高度关注，并在采取相关举措时保持谨慎态度。从现有案例来看，一类常见的风险是GenAI可能会输出不准确的内容，这类问题在不同学科中表现出不同的特点。例如，有一名医学专业教师（Succi, 2024）发现GenAI在有限条件下做出的诊断并不令人满意；而一名法语专业教师（Postlewate, 2024）则发现GenAI在提供叙事表演建议时，经常会出现基本叙事要素的错误。这些现象表明，教师有必要深入评估GenAI在专业实践中的表现，以支持其在学科领域更好地应用GenAI，同时避免输出内容不准确对教学造成的负面影响。鉴于GenAI仍在持续演化，其在各学科领域的能力可能会随时间发生变化，因此，对教师而言，评估GenAI在学科领域的能力表现将是一个持续的过程。

此外，GenAI应用于教学时还存在另一类常见风险，即学生可能会过度依赖GenAI而缺乏独立思考，这也是各学科教师普遍关注的问题。针对这一问题，此次案例中的教师们采取了多种应对策略。从学习者赋能的角度出发，教师们设计了与GenAI交互的任务，引导学生认识到GenAI在回答某些问题方面的局限性。同时，在支持条件充分的情况下，教师们还搭建了专属课程平台与工具，设置限定或引导条件，让学生在可控范围内与GenAI交互。其中，最为关键的是，教师需要明确对合理人机关系的预期，识别学习者在完成任务过程中必须经历的关键学习过程。在此基础上，教师与学生进行沟通，明确允许或禁止使用GenAI的任务类型，从而形成共识。

目前，GenAI的应用仍处于初级阶段，关于其对学习者行为与思维方式的长期影响，尚缺乏充分的经验证据。对于教师而言，有必要敏锐而充分地辨识Gen-AI在教学应用中潜在的风险，并在采取相关行动时保持审慎的态度。

六、

研究局限与不足

本研究聚焦于GenAI应用的典型性而非普遍性，因此在选取样本时更关注教学案例的创新性和多样性，而不是从反映普遍现状的角度考察其代表性。由此，本研究并未进一步考察六类应用场景在已有案例中的具体分布情况。这也正是本研究的局限所在。后续研究可以基于更具有代表性的样本开展此类工作，以更全面地了解GenAI应用的整体格局。此外，本研究收集的教学案例主要源自美国高校。考虑到不同文化与教育体系之间存在显著差异，为避免对结论的过度泛化，未来，关于六类教学场景的相关结论仍需在国内高等教育语境下进行更深入的考察与验证。

参考文献

范福生. （2024-3-3）. 华师专家研究成果：大单元教学对教师的挑战与机遇. 搜狐网站. https://news.sohu.com/a/761553520_121124349

欧阳嘉煜, 缪静敏, 汪琼, 孙冰, & 董文斌. （2023）. 国外一流大学应对生成式人工智能挑战的策略分析——基于对31所国外一流大学的线上调研. 高等教育研究, 44（10）, 99-109.

王帅杰, 汤倩雯, & 杨启光. （2024）. 生成式人工智能在教育应用中的国际观察：挑战，应对与镜鉴. 电化教育研究, 45（5）, 106-112, 120.

Bianchini, J. A. (1997). Where knowledge construction, equity, and context intersect: Student learning of science in small groups. Journal of Research in Science Teaching, 34(10), 1039-1065.

Blatchford, P., Bassett, P., & Brown, P. (2011). Examining the effect of class size on classroom engagement and teacher-pupil interaction: Differences in relation to pupil prior attainment and primary vs. secondary schools. Learning and Instruction, 21(6), 715-730.

Bojinov, I. (2024, February 22). Data analysis for non-coders. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/22/data-analysis-for-non-coders/

Brady, M. (2024, January 21). Creating novel legal problems for classes. Harvard Law School Website. https://www.harvard.edu/ai/2024/02/21/creating-novel-legal-problems-for-classes/

Brenner, M. (2024, February 19). Learning by teaching chatbots. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/19/learning-by-teaching-chatbots/

Brown, J. S., Collins, A., & Duguid, P. (1989). Situated cognition and the culture of learning. Educational Researcher, 18(1), 32-42.

Bussgang, J. (2024, February 17). Enhancing student course preparation. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/17/enhancing-student-course-preparation/

Chong, S. (2024, February 14). GenAI as a peer learner. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/14/gen-ai-as-a-peer-learner/

Curhan, J. (2023, December 20). Innovative pedagogy meets AI: Jared Curhan’s Modern Twist on Negotiation Training at MIT Sloan. MIT Sloan Teaching & Learning Technologies Website. https://mitsloanedtech.mit.edu/2023/12/20/innovative-pedagogy-meets-ai-jared-curhans-modern-twist-on-negotiation-training-at-mit-sloan/

Deslauriers, L. (2024, February 12). Understanding student learning in real-time. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/12/louis-deslauriers-understanding-student-learning-in-real-time/

Dockterman, D. (2024, February 7). Harnessing GenAI as a collaborative tool in educational problem-solving. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/07/david-dockterman-harnessing-genai-as-a-collaborative-tool-in-educational-problem-solving/

FAS. (2024, May 1). Faculty Research & AI Show-and-Tell. Harvard Faculty of Arts and Sciences Website. https://www.fas.harvard.edu/initiatives/generative-artificial-intelligence/

Gedik, N., Kiraz, E., & Ozden, M. Y. (2013). Design of a blended learning environment: Considerations and implementation issues. Australasian Journal of Educational Technology, 29(1), 1-19.

Goel, S. (2024, February 6). Building an AI Slackbot to tutor students. Generative AI @ Harvard Website, https://www.harvard.edu/ai/2024/02/06/building-an-ai-slackbot-to-tutor-students/

Gogan, B. (2024, January 30). The Gen/ReGen Log: Refining the Rhetoric of Structured Prompts. The WAC Clearinghouse Website. https://wac.colostate.edu/repository/collections/continuing-experiments/january-2024/prompt-engineering/the-gen-regen-log-refining-the-rhetoric-of-structured-prompts/

Herrington, J., & Oliver, R. (2000). An instructional design framework for authentic learning environments. Educational Technology Research and Development, 48(3), 23-48.

Hutchins, E. (2000). Distributed cognition. International Encyclopedia of the Social and Behavioral Sciences. Elsevier Science, 138, 1-10.

Jay, J. (2023, September 1). Rethinking educational paradigms: Jason Jay’s innovative use of ChatGPT in the classroom. MIT Sloan Teaching & Learning Technologies. https://mitsloanedtech.mit.edu/2023/09/01/rethinking-educational-paradigms-jason-jays-innovative-use-of-chatgpt-in-the-classroom/

Kestin, G. (2024, February 4). Introducing concepts at students’ pace. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/04/introducing-concepts-at-students-pace/

Koning, R. (2024, February 2). Using ChatGPT to assist with feedback. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/02/using-chatgpt-to-assist-with-feedback/

Levy, D. (2024, February 1). Understanding student learning in class. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/02/01/understanding-student-learning-in-class/

Mills, N. (2024, January 31). Using GenAI to create interactive games. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/01/31/nicole-mills-using-genai-to-create-interactive-games/

Moore, D. (2024, August 1). AI teaching examples. Poorvu Center for Teaching and Learning, Yale University Website. https://poorvucenter.yale.edu/ai-teaching-examples

Northedge, A. (2003). Rethinking teaching in the context of diversity. Teaching in Higher Education, 8(1), 17-32.

Olveczky, D. (2024, January 30). Using GenAI images as teaching tools. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/01/30/using-genai-images-as-teaching-tools/

OpenAI. (2023, August 31). Teaching with AI. OpenAI Website. https://openai.com/index/teaching-with-ai/

Postlewate, L. (2024, August). Integrating generative AI in teaching and learning: Faculty approaches across Barnard. Center for Engaged Pedagogy, Barnard College, Columbia University Website. https://cep.barnard.edu/integrating-generative-ai-teaching-and-learning

Prud’homme-Généreux, A. (2024, April 3). Writing case studies using generative AI: Intimate debate case study. Faculty Focus Website. https://www.facultyfocus.com/articles/teaching-with-technology-articles/writing-case-studies-using-generative-ai-intimate-debate-case-study/

Roach, K., Tilley, E., & Mitchell, J. (2018). How authentic does authentic learning have to be? Higher Education Pedagogies, 3(1), 495-509.

Succi, M. (2024, January 20). Using scenarios to bridge the gap from textbook to practice. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/01/20/using-scenarios-to-bridge-the-gap-from-textbook-to-practice/

Svoronos, T. (2024, January 18). Using generative AI for interactive learning scenarios. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/01/18/using-ai-to-create-unlimited-practice-problems/

University of Michigan. (2024, January 2). U-M GenAI offerings. Academic Technology, University of Michigan Website. https://academictechnology.umich.edu/instructional-resources/generative-ai/u-m

Weiss, M. B. (2024, January 13). Using GenAI to practice solving real-world problems. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/01/13/using-genai-to-practice-solving-real-world-problems/

Yuen, A. (2024, January 10). Exploring AI in the classroom with deeper discussions. Generative AI @ Harvard Website. https://www.harvard.edu/ai/2024/01/10/exploring-ai-in-the-classroom-with-deeper-discussions/

Yusuf, A., Pervin, N., Román‐González, M., & Noor, N. M. (2024). Generative AI in education and research: A systematic mapping review. Review of Education, 12(2), e3489.

How Does GenAI Transform Teaching? Insights from Faculty Narratives

Miao Jingmin, Shen Yuan, Wang Qiong

Abstract:The transformative opportunities that Generative Artificial Intelligence (GenAI) may bring to teaching practices have attracted widespread attention from various sectors of society. However, there is still a lack of systematic research on the specific impact of GenAI on teaching practices, especially from the perspective of teachers. Since ChatGPT originated in the United States, its higher education system has been among the first to be affected. In this context, many top universities have quickly responded by providing resource support and policy guidance for educators to explore innovative uses of GenAI in teaching. As these explorations deepen, teachers have accumulated valuable practical experience and shared their teaching cases online, offering a key opportunity to reveal the impact of GenAI on teaching through practice-based narratives. Through in-depth analysis of 100 teaching cases, two primary pathways for GenAI’s application in education were identified: optimizing existing processes and driving innovative transformation. Based on the above pathways, six typical types of GenAI-driven teaching scenarios were further identified: customized resources for local practice, alternative feedback with machines, enhanced connections with teachers and peers, situational simulation for authentic learning, accelerated learning process, and creation through iterative interactions with GenAI. These pathways and scenarios collectively showcase GenAI’s multifaceted impact on teaching and underscore the diversity and complexity of its application methods in education.

Keywords:Generative Artificial Intelligence; higher education; teaching innovation; application scenarios; case study

作者简介

缪静敏，广州大学教育学院（师范学院）讲师（广州 510006）。

沈苑，之江实验室数字枢纽与安全研究中心博士后（杭州 311121）。

汪琼，北京大学教育学院教授（通讯作者：wangqiong@pku.edu.cn 北京 100871）。

基金项目

国家社会科学基金2023年度重大项目“新一代人工智能对教育的影响研究”（项目编号：VGA230012）

责任编辑：郝丹

期刊简介

《中国远程教育》创刊于1981年，是教育部主管、国家开放大学主办的综合性教育理论学术期刊，是中文社会科学引文索引（CSSCI） 来源期刊、全国中文核心期刊、中国人文社会科学期刊AMI综合评价（A刊） 核心期刊、中国科学评价研究中心（RCCSE） 核心期刊、中国期刊方阵双效期刊、人大复印报刊资料重要转载来源期刊，面向国内外公开发行。

本刊关注重大教育理论与政策，推动科技赋能教育，反映国际学术前沿，聚焦本土教育改革，注重学术研究规范，提倡教育原创研究。

地址

北京市海淀区复兴路75号

邮编

电话

010-68182514

电邮

zzs@ouchn.edu.cn

网址

cjde.ouchn.edu.cn

来源丨中国远程教育微刊

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与我们联系，我们将及时更正、删除，谢谢。