人工智能賦能生成式教學：實現教與學的結構性對齊

摘要：生成式教學模式和人工智能技術相結合，為實現教與學的結構性對齊提供了動力。生成式教學模式確保教學設計的協調性，而人工智能支持教學的個性化和適應性。這種結合不僅提高了教學效率，還促進了教師和學生之間的互動，以及學生之間的協作學習，從而實現了更深層次的結構性對齊。人工智能加持的生成式教學模式通過三個主要途徑促進了教與學的結構性對齊：個性化學習路徑，實時反饋和支持，數據驅動的決策支持。其中，個性化學習路徑的發展和完善，為學生的未來發展打下堅實基礎；實時反饋能夠即時、有針對性地促進學生的學習和發展；數據驅動的教育決策有助于多維度塑造和促進教與學的結構性對齊，促進教育個性化、公平性和有效性。

關鍵詞：人工智能；生成式教學；結構性對齊；個性化學習；數據驅動

中圖分類號：G434

文獻標識碼：A文章編號：1674-7615（2025）01-0061-09

DOI：10-15958/j-cnki-jywhlt-2025-01-006

一、引言

進入21世紀以來，教育界一直在尋求更有效的教學方法以應對快速變化的社會環境與技術環境提出的挑戰。生成式教學作為一種教學策略，已引起學術界和教育界的廣泛關注。它不僅促進了學生的深度學習，而且鼓勵批判性思維和創造性表達^［1］。隨著信息技術的迅速發展，特別是人工智能（AI）技術的出現，現代教育系統正經歷著前所未有的變革。如何理解和利用這些新技術優化教學和學習過程，成為一個重要的研究議題。

生成式教學是一個集成概念，它認為知識不是被動接受的，而是通過學生積極參與和構建而生成的^［2］。這種方法強調學生的主體性，學生在學習中不僅是信息的接收者，還要成為知識的創造者^［3］。教師的角色也從知識的傳授者轉變為學生學習過程的引導者和促進者^［4］。生成式教學方法的核心目標在于培養學生的高階思維技能，如分析、評估和創造能力，這些技能是在21世紀的社會和職場中取得成功的關鍵。然而，要實現這一教學目標，就需要在教與學之間實現結構性對齊。Biggs首先在教育領域引入“結構性對齊”的概念，這一概念強調教學活動、學習活動、課程目標和效果評估之間的一致性^［5］。在一個結構性對齊的教學系統中，所有的教學元素都是協調一致的，共同支持學生達成預定的學習目標^［6］。這種教學系統能夠確保教學的各個方面都支持學生的深度學習，而不僅是形式上的淺層學習^［7］。

隨著人工智能和先進技術在教育領域的應用日益增多，教師和學者正在探索這些技術如何支持和增強生成式教學。自適應學習系統、智能教育游戲和虛擬助手，正在改變教師教學和學生學習的方式。這些技術不僅可以使學生的學習個性化，還可以為教師提供實時反饋，幫助他們調整教學策略，以更好地滿足學生的需要^［8］。本文旨在分析生成式人工智能技術如何應用于現代教育實踐，進而討論如何通過人工智能加持的生成式教學模式促進教與學的結構性對齊，以期指導未來的教育實踐和研究。

二、文獻回顧

生成式教學的概念源于認知科學和教育心理學，強調知識是學生通過積極參與和自我構建而產生的^［9］。這種觀點與傳統的“填鴨式”教學法所持觀點形成鮮明對比，后者認為學生是被動接收知識的容器^［10］。生成式教學強調學生的主體性，認為學生是自己學習過程的主人，教師是指導者和促進者，而不是傳統意義上的知識傳授者^［11］。在生成式教學環境中，學生被鼓勵探索、提問、解決問題，并通過這些過程構建自己的知識體系。這種教學方法強調真實世界情境的重要性，認為最有效的學習發生在與真實生活密切相關的情境中^［12］。這種對情境的強調促進了基于項目的學習、以問題為導向的學習等一系列學習方法的發展^［13］。生成式教學的另一個核心原則是元認知，即學生對自己的思維過程的理解和控制^［14］。在這種教學環境中，學生被鼓勵反思他們的學習策略、思維模式和問題解決過程，從而更有效地掌握新知識^［15］。

Biggs用結構性對齊的概念描述理想的教學系統，其中教育活動、學習活動、學習目標和評估方法之間能夠實現有機結合。在這樣的系統中，所有的組成部分都是互相協調的，共同支持學生達到預定的學習目標。結構性對齊的重要性在于：它確保教學的各個方面都支持學生的深度學習，而并非僅追求考試分數或完成表面性任務。在一個結構性對齊的教學系統中，評估標準清晰明確，與學習目標和教學活動緊密相連，學生清楚地知道他們需要做什么才能成功^［16］。結構性對齊的另一個關鍵要素是反饋，它被認為是促進學生學習的重要因素。在一個結構性對齊的系統中，學生經常接收到與他們學習進度和成就相關的反饋，這有助于他們了解自己的優勢和需要改進的地方，從而調整學習策略^［17］。結構性對齊不僅關注教學的宏觀層面，如課程設計和評估，也關注微觀層面，如教學活動和學生互動。這需要教師在設計和實施教學的過程中進行精細調整，確保學生的學習經歷與預定的學習目標相一致。實現這一點的策略之一是使用形成性評估，它能夠提供持續、及時的反饋，使學生知曉自己的進步并了解有待改進的地方^［18］。

生成式教學和結構性對齊在教育理論和實踐中一直占據重要位置，但在傳統教學環境中，如何結合這兩者往往面臨重大挑戰。生成式教學要求學生以積極主動的方式參與學習，而結構性對齊則要求教學元素之間的協調一致。在傳統的教育模式中，這種對齊往往難以實現，原因在于固有的教學方法、評估標準的僵化，以及教師和學生的傳統角色固化^［19］。然而，隨著人工智能和其他先進技術在教育領域的引入，新的可能性開始出現。這些技術為教育帶來了革命性變化，提供了實現生成式教學和結構性對齊的新途徑。在人工智能的加持下，現代教學模式正在經歷根本性的轉變，這不僅影響教學方法和學習資源，還改變了教師和學生的互動方式。在這種轉變中，人工智能不僅促進了生成式教學模式的發展，而且進一步推動了這一模式向人工智能生成式教學的轉變。在人工智能生成式教學模式中，教學和學習過程更加個性化，且兼具靈活性和適應性，這些都是通過智能算法和持續的數據分析實現的^［20］。更重要的是，這種新的教學模式極大地促進了教與學的結構性對齊，因為它允許實時調整教學策略，以滿足學生的個體差異和偏好，同時確保教學目標、教學活動和教學評估之間的一致性。通過人工智能生成式教學，可以更加精確地識別學生的需求，更靈活地調整教學方法，更系統地評估學生的表現^［21］。這不僅增強了學生的學習體驗，也提高了教學的有效性。那么，這就引出了一個關鍵問題：人工智能生成式教學如何促進教與學的結構性對齊呢？為了回答這個問題，需要深入探討人工智能在教育中的應用，研究人工智能技術如何與生成式教學策略相結合。

三、人工智能在現代生成式教學模式中的應用與作用

（一）促使教學方法和策略持續創新，實現生成式“教”

在技術快速發展的時代，教學方法和策略的創新是教育轉型的核心，是實現高質量教學變革及數智化育人的發展之路^［22］。人工智能在教學創新中扮演著越來越重要的角色，它不僅改變了教育方式，還增強了學生的學習體驗。這種轉變是多方面的，包括定制學習路徑、提供實時反饋以及通過虛擬現實（VR）和增強現實（AR）技術提供沉浸式學習體驗。

傳統的“一刀切”教學方法已經無法滿足所有學生的需求，而人工智能可以通過分析學生的學習習慣、性能和偏好，定制學習計劃，滿足學生的個性需求。此外，人工智能還可以為教師提供實時反饋，幫助他們監測學生的學習進展，識別可能存在的挑戰和障礙，及時調整教學策略^［23］。虛擬現實和增強現實是正在改變教育領域的信息技術。通過創建一個沉浸式的3D環境，虛擬現實幫助學生親身體驗歷史事件或遠程地點，從而加深他們的理解和記憶。增強現實通過在現實世界中添加數字元素（如視頻或圖形），為學生提供豐富、互動的學習環境。這些技術不僅有利于提升學生的學習動機，還有助于他們更好地理解復雜概念^［24］。此外，人工智能和機器學習也在學習效果評估中發揮著重要作用。它們通過分析學生的答案和解決問題的方法，評估學生對知識和技能的掌握，提供形成性和總結性的反饋，指導教師改進教學。

可見，人工智能的應用可增強學生的學習體驗，創新評估方法，更精準地識別學生的問題和困難，使教師能夠針對性地加以解決，從而不斷創新教學方法與策略，實現生成式“教”。

（二）協助學生主動構建知識和技能，實現生成式“學”

生成式學習是一種強調學生主動參與并深度處理信息的教學方法，它鼓勵學生通過組織、解釋和整合新信息與已有知識來構建自身的知識體系。在這個過程中，人工智能技術起著至關重要的作用，尤其是在個性化學習和元認知技能發展方面。

首先，人工智能支持的教育平臺可以跟蹤學生的學習進度和偏好，提供獨特的資源和活動，以促進學生的主動學習。例如，適應性學習系統可以根據學生的特點自動調整內容難度和復雜度。這種系統使學生能夠按照自己的節奏學習，同時確保他們面臨適當的挑戰，從而維持參與學習的動機和一定的參與度^［25］。

其次，人工智能通過模擬和游戲化學習環境來增加實踐機會。這些環境可以幫助學生在實際情境中應用概念和技能，從而加深理解和記憶。例如，通過模擬軟件，醫學專業的學生可以在無風險的環境中練習手術技能。同樣，游戲化學習平臺通過任務和獎勵系統提供即時反饋，提高學生學習的參與度和持久性。

最后，人工智能技術支持元認知技能的發展，這些技能有助于學生控制和調整學習過程。例如，人工智能教育平臺可以提供有關學生學習策略效果的反饋，并對如何改進提出建議。學生可以學會更有效地設置目標、制定計劃、評估學習并調整學習方式，從而成為更獨立、更擅長自我調節的學習者。

可見，人工智能的應用可以極大地促進生成式學習，通過個性化的學習途徑和實踐機會，使學生能夠主動參與信息的深度處理和知識構建。人工智能不僅提供適應性學習和模擬環境，增強學生的學習體驗和實踐技能，還通過元認知幫助學生更好地控制和調整學習策略，更加獨立和自主地進行學習，進而實現生成式“學”。

（三）賦能師生協作，實現生成式“教與學”

在生成式教學框架下，教師和學生的角色發生了轉變，他們更像是合作伙伴，共同參與知識的構建。這種教與學的動態關系在人工智能的支持下得到了加強，因為人工智能提供了新的方法來促進交流、協作和共同探索。

智能輔導系統和虛擬助手能夠促進學生之間以及教師和學生之間的交流。這些系統可以回答學生的問題，提供即時反饋，甚至通過對話和互動，向學生發起挑戰。此外，通過分析學生的互動和表現，這些系統可以向教師提供學生對學習內容理解的情況，幫助教師更有效地指導學生。

在協作學習方面，人工智能支持生成式教與學。人工智能通過組織學生進行小組活動，根據他們的能力和學習風格匹配合作伙伴^［26］。在這些小組活動中，師生可以共同探討問題、共同創造解決方案，教學相長。人工智能還可以監測小組動態，提供有關團隊合作和互動的反饋，幫助學生提高他們的協作技能^［27］。

共同探索是生成式教與學的另一個關鍵方面，學生和教師可以一起探索問題、應對挑戰。人工智能可以提供虛擬環境，允許教師和學生一起測試假設、進行實驗并觀察結果。這不僅豐富了學生的實踐經驗和問題解決技能，還鼓勵了教師和學生之間的互動和討論^［28］。

總的來說，生成式教與學強調教師和學生的合作關系，以及他們在學習過程中的互動和共同探索。人工智能技術賦能的教學方法提供了更豐富的交流機會，更多的協作體驗，以及更深入的探索活動，為學生和教師創造了一個更具互動性和有意義的學習環境。隨著技術的不斷發展，可以預見教師和學生的這種合作關系將繼續增強，為教育帶來更多的創新和轉變。

四、人工智能加持的生成式教學模式促進教與學的結構性對齊

（一）生成個性化學習路徑

在教育領域，個性化學習已成為提高學生參與度、滿足其多樣化需求并提高學習成效的關鍵策略。傳統的“一刀切”教學方法忽略了學生個體間的差異，這不僅限制了他們學習潛力的發揮，也可能使學生產生挫敗感和排斥感。與此相反，個性化學習路徑尊重每個學生的獨特性，力求為他們提供最適宜的學習體驗。

生成式教學模式在實施個性化學習路徑方面具有獨到之處。首先，教師在設計教學計劃時，不再依賴統一的標準或模板，而是根據學生的先驗知識、學習風格、興趣和目標來制定個性化的學習計劃。這種方法不僅鼓勵學生在自己感興趣的領域深入學習，還能幫助他們在面對挑戰時找到適合自己的解決策略。其次，生成式教學強調知識的構建而非簡單的知識傳授。學生在知識構建的過程中扮演著積極的角色，他們不是被動接受信息，而是通過查詢、探索和反思來構建自己的知識體系^［29］。這種學習方式能夠促進學生批判性思維和解決問題能力的培養，這種思維和能力是他們在未來獲得成功的關鍵。人工智能支持的個性化學習還可以促進教師和學生之間的互動。教師可以利用系統提供的數據監測學生的進度，識別可能需要額外指導或干預的領域^［30］。這使教師能夠更加關注學生的個性需求，實現更有針對性的教學，從而加強教與學的結構性對齊。

總之，生成式教學通過個性化學習路徑滿足了學生的個性化需求和偏好，促使他們更加主動深入學習。人工智能技術可以進一步提高這一過程的效率，為學生提供更加豐富、個性化的學習體驗。隨著教育技術的不斷進步，可以預見個性化學習路徑將繼續發展和完善，為學生的未來發展打下堅實基礎。

（二）提供實時反饋和支持

實時反饋在教育過程中占據核心地位，它不僅可以即時糾正學生的錯誤，還能夠激勵學生，增強其學習動力和自信心^［31］。在傳統的教育模式中，學生通常需要等待作業批改結果或考試分數公布才能接收到學習反饋，而這種延遲往往會減緩學習進度，甚至可能導致錯誤習慣的固化。相比之下，實時反饋系統能夠在學生完成任務或練習后立即提供指導，幫助他們即時了解自己的表現和對學習內容的理解程度。

在生成式教學模式中，實時反饋不僅限于對錯誤的簡單提示。更重要的是，它提供了有針對性的指導，幫助學生理解錯誤的根源，并提供改進策略^［32］。例如，學生在解決數學問題時采用了錯誤的公式，實時反饋系統不僅會指出錯誤，還會解釋正確公式的適用情況。這種及時而具體的指導能夠強化學生的深度理解和長期記憶。

人工智能技術的應用極大地加強了實時反饋的功能。先進的人工智能系統可以分析學生的答案，即使是開放式的回答也能準確判斷其正確性和深度^［33］。此外，通過自然語言處理和機器學習，人工智能系統還可以生成詳盡的反饋，不僅包括錯誤分析，還可以提供正確示例和進一步閱讀的建議。這種智能反饋遠遠超出了傳統自動評分軟件的功能，為學生提供更加豐富和深入的學習支持。人工智能驅動的實時反饋還有助于教師教學。通過實時監測學生的表現和學習進度，教師可以迅速識別哪些學生需要額外的幫助，哪些概念需要進一步講解。這種即時的信息反饋讓教師能夠靈活調整教學計劃，實施針對性的干預措施，從而提高教學效率。實時反饋也促進了教師與學生之間的互動。借助AI系統，教師可以即時回應學生的疑問，甚至在課堂外的環境中也能持續互動。這種及時的溝通加深了教師對學生需求的了解，增強了學生的學習體驗，同時也建立了更加積極和具有支持性的學習環境。

綜上所述，實時反饋是生成式教學的重要組成部分，它能夠即時、有針對性地促進學生的學習和發展。人工智能技術的引入不僅增強了反饋的質量和深度，還改善了教師的教學管理和學生的學習體驗，從而更好地促進教與學的結構性對齊。

（三）開展數據驅動的決策支持

在教育領域，數據驅動的決策支持是指使用學生學習過程的數據指導教育實踐和政策制定^［34］。這種方法依賴于準確和及時的數據收集、分析和解釋，旨在優化教學方法、提高學習成效，并解決教育中的不平等問題。在生成式教學框架下，數據驅動的決策支持是確保教與學結構性對齊的關鍵，它強調基于證據的實踐，促進教育個性化、公平性和有效性。

首先，數據驅動的決策支持可以增強教學的個性化。通過分析學生的學習評估結果、學習活動和互動，教師可以深入了解學生的知識水平、學習風格和需求。這些數據不僅可以指導教師為每個學生制定個性化的學習計劃，還可以幫助他們選擇最適合學生的教學方法和材料。例如，數據顯示學生在閱讀理解方面存在困難，教師可以采用更多的視覺材料和互動練習增強他們的理解。其次，數據驅動的決策支持有助于實現教育公平。通過對不同群體學生的數據進行比較分析，教育者可以識別教育不平等問題。例如，如果某個民族或群體的學生表現落后，學校可以開發針對這些學生的支持計劃，提供額外的資源和服務，確保所有學生都能獲得必要的支持，有助于縮小差距。最后，數據驅動的決策支持促進了教育的有效性。通過定期收集和分析學生數據，教育者可以評估教學策略、課程設計和評估方法的有效性。如果數據顯示當前的教學方法沒有達到預期的效果，教師可以及時調整教學策略，嘗試新的方法。這種持續的自我評估和改進，是教育質量得以保證的重要組成部分。

總體而言，在生成式教學環境中，數據驅動的決策支持是現代教育的重要工具。它通過提供實時、詳細的學生學習數據，支持教師進行有針對性的教學和干預。人工智能技術的加入進一步提升了這一過程的智能化和精確性。隨著技術的不斷進步和教育實踐的深入發展，數據驅動的教育決策支持將繼續演進，并在多維度塑造和促進教與學的結構性對齊。

五、結語

傳統意義上，教育研究主要關注教師如何傳授知識，學生如何接受知識，以及教學環境如何支持這一過程。然而，隨著技術的進步和教育需求的變化，教與學也處于動態的轉變過程之中。智能時代，教育數字化轉型的重要目標是轉向人工智能教育，推進教育智能化^［35］。在21世紀，教育者和研究者開始探索參與式、互動式的教學方法，這些方法強調學生的主動參與、合作學習和反思實踐。在這一背景之下，生成式教學模式應運而生。它倡導教育者設計富有挑戰性的學習任務，使學生能夠構建自己的知識體系，而不僅是接收既定的信息。傳統的生成式教學模式往往受限于教師的個人能力、資源的可用性以及教育環境的約束^［36］，而人工智能的崛起為教育帶來了新的變革。自適應學習系統、智能導師和學習分析工具，為個性化學習、實時反饋和學習路徑優化提供了可能^［37］。早期研究主要集中在對這些技術的開發和實現上，而對它們如何與教育理論和實踐相結合的探討卻相對較少^［38］。本研究提出：通過結合生成式教學的教學策略和人工智能的技術優勢，創建一個動態、互相支持的教學環境，不僅能夠促進學生的深層學習，還可以提高教育質量和效率。更重要的是，這種結合為教與學的結構性對齊提供了新的機制和途徑，而這些機制和途徑在以往的研究中尚未得到充分探討。

首先，實現結構性對齊的機制可理解為：生成式教學模式和人工智能技術相結合，為實現教與學的結構性對齊提供了動力。生成式教學模式確保教學設計的協調性，而人工智能支持教學的個性化和適應性。這種結合不僅提高了教學效率，還促進了教師和學生之間的互動，以及學生之間的協作學習，從而實現了更深層次的結構性對齊。其次，人工智能加持的生成式教學模式通過三個主要途徑促進了教與學的結構性對齊：一是通過創新教學策略，如基于項目的學習、反轉課堂和個性化學習路徑，鼓勵學生主動參與和深度思考，從而實現教學目標與學習活動之間的對齊^［6］；二是人工智能技術如智能教輔系統和學習分析工具，提供了實時、個性化的反饋和支持，加強了教學內容與學生需求之間的對齊^［39］；三是多元化的評估策略確保了評估活動與學習目標的一致性，同時反映了學生的全面學習能力和深層學習^［40］。

在未來的教育研究和實踐中，應強調跨學科合作的重要性，將教育理論、教學設計和技術創新相結合，積極促進智能技術與教育深度融合，全方位重塑教育過程^［41］，以解決教育發展過程中出現的新挑戰。在實施人工智能加持的生成式教學模式時，也需要考慮倫理和社會問題，如數據隱私、教育公平和學生福祉。技術雖然提供了新的機會，但在追求創新的同時，也需要關注教育的核心價值和原則。

參考文獻：

[1]

SAWYERRK.TheCambridgeHandbookoftheLearningSciences［M］.Cambridge：CambridgeUniversityPress，2006：2-3.

［2］PAPERTS.Mindstorms：Children，Computers，andPowerfulIdeas［M］.2nded.NewYork：BasicBooks，2020：31-32.

［3］HANNAFINM，LANDS.TheFoundationsandAssumptionsofTechnology-enhancedStudent-centeredLearningEnvironments［J］.InstructionalScience，1997（3）：167-202.

［4］JONASSEND.ActivityTheoryasaFrameworkforDesigningConstructivistLearning［J］.EducationalTechnologyResearchandDevelopment，1999（47）：61-79.

［5］BIGGSJ.EnhancingTeachingthroughConstructiveAlignment［J］.HigherEducation，1996（3）：347-364.

［6］BIGGSJ.WhattheStudentDoes：TeachingforEnhancedLearning［J］.HigherEducationResearchamp;Development，1999（1）：57-75.

［7］ENTWISTLEN.MotivationalFactorsinStudents'ApproachestoLearning［C］//LearningStrategiesandLearningStyles，NewYork：Plenum，1985：21.

［8］LUCKINR，HOLMESW，GRIFFITHSM，etal.IntelligenceUnleashed：AnArgumentforAIinEducation［M］.London：Pearson，2016：18-19.

［9］VYGOTSKYLS.MindinSociety：TheDevelopmentofHigherPsychologicalProcesses［M］.Cambridge：HarvardUniversityPress，1978：71-72.

［10］FREIREP.PedagogyoftheOppressed［M］.NewYork：ContinuumInternationalPublishingGroup，1970：71-72.

［11］DEWEYJ.ExperienceandEducation［M］.NewYork：MacmillanCompany，1938：28-31.

［12］BROWNJS，COLLINSA，DUGUIDP.SituatedCognitionandtheCultureofLearning［J］.EducationalResearcher，1989（1）：32-42.

［13］HMELO-SILVERCE.Problem-basedLearning：WhatandHowDoStudentsLearn？［J］EducationalPsychologyReview，2004（3）：235-266.

［14］FLAVELLJH.MetacognitionandCognitiveMonitoring：ANewAreaofCognitive-DevelopmentalInquiry［J］.AmericanPsychologist，1979（10）：906-911.

［15］ZIMMERMANBJ.BecomingaSelf-regulatedLearner：AnOverview［J］.TheoryintoPractice，2002（2）：64-70.

［16］GIBBSG.UsingAssessmentStrategicallytoChangetheWayStudentsLearn［C］//AssessmentMattersinHigherEducation：ChoosingandUsingDiverseApproaches.London：SocietyforResearchintoHigherEducationamp;OpenUniversityPress，1999：41-43.

［17］NICOLDJ，MACFARLANE-DICKD.FormativeAssessmentandSelf-RegulatedLearning：AModelandSevenPrinciplesofGoodFeedbackPractice［J］.StudiesinHigherEducation，2006（2）：199-218.

［18］BLACKP，WILIAMD.AssessmentandClassroomLearning［J］.AssessmentinEducation：Principles，Policyamp;Practice，1998（1）：7-74.

［19］HARDENRM.DevelopmentsinOutcome-BasedEducation［J］.MedicalTeacher，2002（2）：117-120.

［20］周洪宇，常順利.生成式人工智能嵌入高等教育的未來圖景、潛在風險及其治理［J］.現代教育管理，2023（11）：1-12.

［21］李云曉，李紅，陳選超.人工智能生成式預訓練模型輔助的對話式學習審視［J］.成都師范學院學報，2023（7）：116-124.

［22］杜尚榮，潘舒愛雪.人工智能背景下教學方式變革的邏輯與路向［J］.教育文化論壇，2024（2）：68-76.

［23］林鑫海.人工智能視域下的教師專業發展路徑探析［J］.教育探索，2023（9）：84-88.

［24］KULIKJA.EffectsofUsingInstructionalTechnologyinElementaryandSecondarySchools：WhatControlledEvaluationStudiesSay［M］.Arlington：SRIInternational，2003：59

［25］JOHNSONL，ADAMSBS，ESTRADAV，etal.NMCHorizonReport：2016HigherEducationEdition［M］.Austin：TheNewMediaConsortium，2016：45-46.

［26］O'DONNELAM.Constructivism［C］//APAEducationalPsychologyHandbook，Vol.1.Theories，Constructs，andCriticalIssues，Washington：AmericanPsychologicalAssociation，2012：62.

［27］戴云，楊緒輝.人工智能時代教師專業成長的路徑探究——基于人機協同智能視角［J］.教育理論與實踐，2022（30）：53-57.

［28］李海峰，王煒.人機學習共生體——論后人工智能教育時代基本學習形態之構建［J］.遠程教育雜志，2020（2）：46-55.

［29］BRUNERJS.TheActofDiscovery［J］.HarvardEducationalReview，1961（31）：21-32.

［30］SPECTORJM.ConceptualizingtheEmergingFieldofSmartLearningEnvironments［J］.SmartLearningEnvironments，2014（1）：2-10.

［31］HATTIEJ，TIMPERLEYH.ThePowerofFeedback［J］.ReviewofEducationalResearch，2007（1）：81-112.

［32］SHUTEVJ.FocusonFormativeFeedback［J］.ReviewofEducationalResearch，2008（1）：153-189.

［33］VANLEHNK.TheRelativeEffectivenessofHumanTutoring，IntelligentTutoringSystems，andOtherTutoringSystems［J］.EducationalPsychologist，2011（4）：197-221.

［34］MANDINACHEB.APerfectTimeForDataUse：UsingData-DrivenDecisionMakingtoInformPractice［J］.EducationalPsychologist，2012（2）：71-85.

［35］彭紹東.AIGC時代基于雙向賦能的人工智能教育創新框架［J］.教育文化論壇，2023（4）：12-26.

［36］ERTMERPA.AddressingFirst-andSecond-OrderBarrierstoChange：StrategiesforTechnologyIntegration［J］.EducationalTechnologyResearchandDevelopment，1999（4）：47-61.

［37］BAKERRS，BLIKSTEINP.EducationalDataMiningandLearningAnalytics.：ApplicationstoConstructionistResearch［J］.Technology，KnowledgeandLearning，2014（5）：205-220.

［38］WELLERM.TwentyYearsofEdtech［J］.EducauseReview，2018（4）：34-48.

［39］WOOLFBP.BuildingIntelligentInteractiveTutors：Student-CenteredStrategiesforRevolutionizingE-Learning［M］.Burlington：MorganKaufmann，2010：308-309.

［40］SHEPARDLA.TheRoleofAssessmentinaLearningCulture［J］.EducationalResearcher，2000（7）：4-14.

［41］乜勇，康欣欣.國內人工智能教育應用：研究現狀、熱點主題和機遇挑戰［J］.教育文化論壇，2024（1）：85-94.

AI EmpoweredGenerativeTeaching：AchievingStructuralAlignmentbetweenTeachingandLearning

FENGYuanyuan

（SchoolofPublicAdministration，GuizhouUniversity，Guiyang，Guizhou，China，550025）

Abstract：

Thecombinationofgenerativeteachingmodelsandartificialintelligencetechnologieshasprovidedimpetusforachievingstructuralalignmentbetweenteachingandlearning.Generativeteachingmodelsensurethecoherenceofinstructionaldesign，whileartificialintelligencesupportspersonalizedandadaptivelearning.Thisintegrationnotonlyenhancesteachingefficiencybutalsofacilitatesinteractionbetweenteachersandstudents，aswellascollaborativelearningamongstudents，therebyachievingadeeperstructuralalignment.GenerativeteachingmodelsempoweredbyAIpromotestructuralalignmentbetweenteachingandlearningthroughthreeprimaryavenues：personalizedlearningpathways，real timefeedbackandsupport，anddata drivendecisionsupport.Thedevelopmentandrefinementofpersonalizedlearningpathwayslayasolidfoundationforstudents'futuredevelopment;real timefeedbackcanpromptlyandspecificallypromotestudent'slearningandgrowth;data driveneducationaldecisionsaidinshapingandpromotingstructuralalignmentbetweenteachingandlearninginmultipledimensions，fosteringeducationalpersonalization，equityandeffectiveness.

Keywords：

AI;generativeteaching;structuralalignment;personalizedlearning;data driven

（責任編輯：梁昱坤郭蕓）