“人工智能+教育”佛山探索 | 生成式人工智能赋能小学英语跨学科主题学习的模型构建与实践

人工智能赋能基础教育

高质量发展的佛山探索

面对人工智能技术在教育领域的不断深化，广东省佛山市以教育部等五部门印发的《“人工智能+教育”行动计划》为导向，以《佛山市人工智能赋能基础教育高质量发展行动方案（2025—2027年）》为抓手，积极探索区域层面系统推进人工智能教育的体制机制，全力推进“人工智能赋能教育、人工智能通识教育”双轮高速高质量发展。

在系统推进人工智能与教育教学深度融合的过程中，佛山坚持顶层设计与基层探索相结合、技术支撑与教学应用相协调、教师素养提升与课程体系构建并进，形成了“区域统筹、专家引领、学校实践、教研支撑”的协同育人格局。

滑动查看更多图片

“人工智能+教育”佛山探索

岑健林

01

何蕴毅

02

何敏峰 张英华

03

王涛 李伟斌

04

赖建强

05

王慧芳

06

李瑞冰

生成式人工智能赋能小学英语跨学科主题学习的模型构建与实践

07

徐爱仪等

小学人工智能教育生态共创的三维实践

生成式人工智能赋能小学英语跨学科主题学习的模型构建与实践

驱动核心缺失、整合机制失灵与学习体验滞后，是当前小学英语跨学科教学深化的主要瓶颈。“主题—语言—思维”（TLT）三维整合模型，将生成式人工智能的技术特性有机融入智能主题开发、资源匹配与评价分析环节，以贯通学科壁垒，锻造学生的高阶思维。实践表明，该模型能有效营造个性化学习环境，促进学生在语言能力与思维品质上协同进步,同时也能为教师破解跨学科备课难题提供有力支持。

引言

《义务教育课程方案（2022年版）》以“不少于10%课时”的明确规定，确立了跨学科主题在学校课程中的战略地位。当前的小学英语跨学科主题学习实践正如火如荼地开展，但却普遍存在主题驱动核心缺失、内容整合机制失灵、学习体验设计滞后等挑战。而生成式人工智能（Generative Artificial Intelligence，GAI）技术的教育应用，为化解这一挑战提供了新的思路。

GAI赋能小学英语跨学科学习的内在机理

1.多模态内容生成是GAI赋能跨学科学习的重要特征

GAI能深度融合文本、图像、音频、视频等元素，构建多感官参与的学习情境。从双重编码理论的视角看，这能同时调动学生的“语言脑”与“形象脑”，为抽象知识构建立体的心理表象。

2.个性化学习支持系统是GAI教育适应性的核心体现

个性化学习支持系统通过动态解析学生的语言水平、认知特征与知识图谱，为每个学生构建了一个动态发展的“数字画像”，并据此规划“跳一跳才能够得着”的个性化路径。它通过精准匹配学习内容，将学生从记忆与理解的浅层负担中解放出来，最终真正触及学习的深度与本质。

3.即时反馈与迭代优化机制是GAI过程性支持的核心特征

GAI的即时反馈机制，将评价从“结果评判”转向了“过程教练”。在AI教练的持续点拨下，学生被迫停下并反思自己的策略是否有效。这种“逼停机制”，恰恰是“学会学习”（元认知能力）的核心。

GAI赋能跨学科学习“三维整合”框架的构建

基于前述GAI赋能的内在机理，本研究构建了“主题—语言—思维”三位一体（Theme-Language-Thinking，TLT）框架，该框架通过以下三大核心组件，对引言所述的挑战予以系统回应。

智能主题生成系统，是TLT框架的驱动之源。该系统基于教材语篇语义库与多学科知识图谱，运用深度学习算法析取教材语篇的语义内核，进而自动挖掘并关联其他学科的关键概念与情境，精准匹配跨学科链接点，采用“跨学科关联性—认知适切性—可探究延伸性”论证与生成智能主题，确保跨学科主题既源于教材，具备内在的学科逻辑，同时具备面向真实问题的探究张力。

多模态资源匹配引擎，是TLT框架实现“个性化”与“多模态”融合的关键。能对师生输入的主题进行深度语义理解，并动态对接学生模型，从背景知识、跨学科拓展到创新应用等多个层级，实时组装、生成甚至创设适配的多模态资源包（如学科知识词图、知识点动画、虚拟实验等），实现语言学习与学科知识的意义建构与融合发展。

过程性评价分析平台，是TLT框架保障思维发展的“导航仪”。通过自然语言处理、眼动追踪、交互日志分析等技术，直击学生的思维过程——从英文表达的准确性，到问题解决策略的运用，均可被精准剖析与追踪。评价结果以可视化的“语言—思维”指标体系呈现，使原本内隐的认知过程得以外显，为教师干预与学生元认知发展提供依据。

GAI赋能跨学科学习的实施流程设计

GAI赋能跨学科学习实施流程如下图所示。

GAI赋能跨学科学习实施流程

1.智能化主题开发

本阶段旨在生成兼具课程规范性与学习驱动性的主题，共分三步：第一步，语篇语义挖掘。GAI系统对教材语篇进行深度语义分析，自动提取其中蕴含的多学科知识要素，完成跨学科链接点的初步识别。第二步，学科关联度计算。系统基于多学科常识图谱，计算上述知识要素与英语学科核心素养的关联强度，筛选出融合度高、意义丰富的候选主题。第三步，学生兴趣预测。结合学生历史学习数据与认知特征，预测并推荐其最感兴趣的候选主题变式，供教师做最终决策。

2.多学科活动实施

阶段一：问题链引导思维进阶。GAI依据布鲁姆认知目标分类，自动生成由浅入深的问题链，系统性地引导学生从基础理解走向应用分析与创新评价。

阶段二：任务群支撑个性化探究。GAI的多模态资源匹配引擎根据问题链，为不同学生动态组装并提供图文、实验、虚拟场景等差异化学习资源，形成个性化的探究任务群，确保所有学生都能在“最近发展区”内开展学习。

阶段三：评价环促进过程优化。GAI提供的即时反馈，为学生及时点拨思路，同时也为教师判断课堂节奏、调整教学策略提供参考。

3.动态化评价与优化机制

步骤一：构建证据基础。系统自动化采集从主题开发到活动实施全链路的学情数据，涵盖结构化测试结果与非结构化交互日志、语言产出与作品成果，为精准诊断建立全面依据。

步骤二：实施双向干预。评价分析结果向师生两端提供针对性支持。面向学生，系统通过“三明治”反馈机制与动态任务调适，实现学习路径的实时优化。面向教师，集成化数据看板将“语言—思维”进程可视化，为教学决策与主题迭代提供支持。

步骤三：恪守伦理规范。全过程采用差分隐私等技术对敏感信息进行脱敏，并在评价中侧重呈现进步幅度，以此守护学生数据隐私，确保教育公平。

教学实践案例及效果分析

为检验TLT框架的可行性与有效性，笔者选取人教版小学英语六年级下册Unit 4 Then and now单元，开展了为期3周的教学实践。

1.TLT框架下的教学案例设计

实践以“科技演进下的交通变革”为核心主题，完整验证TLT框架的三大环节。

①智能主题开发，确立探究核心。GAI对教材语篇进行了深度语义分析，精准识别出“能源”“材料”“效率”等跨学科核心概念，经教师整合筛选，生成驱动性探究任务——“未来环保交通工具的设计”。

②多模态资源匹配，搭建学习支架。阶段一：GAI依据布鲁姆认知目标自动生成问题链，从“What were the main transportation means in the past？”到“How would you design a zero-emission vehicle？”，引导学生思维层层深入。阶段二：启动多模态资源引擎，为不同认知水平的学生动态匹配差异化资源。学习基础薄弱者通过图文并茂的术语表扫清障碍，学有余力者则进入3D虚拟实验室进行材料与结构的模拟测试。同时，嵌入式评价环持续作用，如当学生向AI助教提问“What material is both strong and eco-friendly？”时，系统在提供选项的同时，会穿插追问其推理过程，以此探查并引导其批判性思维。

③过程性评价嵌入，优化探究路径。过程性平台通过分析学生的对话逻辑、绘本叙事结构与最终创意报告，生成个性化的“语言—思维”发展图谱。对在“可视化”任务中表现优异的学生，系统将推送更具挑战性的任务，而对表现暂不理想的学生，则提供关于基本词汇的动画解说，实现了学习路径的动态优化。

2.实施效果的多维度分析

实践表明，TLT框架有效促进了学生认知与思维品质的协同发展。后测数据显示，实验班学生在“科技类”主题词汇使用的丰富性与准确性上显著优于对照班。这证实了在GAI构建的、以意义表达为驱动的语言环境中，学生的语言输出不再是对孤立句型的机械操练，而是服务于深度探究的有意义的交际行为。

3.实践反思

部分教师对GAI技术不熟练、人机协同挤压师生深度交流的时间等问题在实践中有所显现。未来，应通过组建跨学科备课组，汇聚群体智慧，共同研判GAI生成内容的质量与适用性，来提升教师技术的自主性。

TLT模型是让技术真正融入跨学科主题学习活动的一次有效尝试，让教师能够基于真实的学生数据持续优化教学，使跨学科主题学习活动从依赖经验的“艺术”变成了有据可循的“技术”。

本文作者：

李瑞冰

广东省佛山市南海区狮山镇教育发展中心

文章刊登于《中国信息技术教育》

2026年第16期

引用请注明参考文献：

李瑞冰.生成式人工智能赋能小学英语跨学科主题学习的模型构建与实践[J].中国信息技术教育,2026(16):24-26

陆续推送 敬请期待 ...

欢迎订阅

识别上方二维码订阅纸质版或电子版杂志