生成式人工智能如何改變教學(xué)？

一、研究背景

生成式人工智能（GenerativeArtificial Intelligence，GenAI）的迅速發(fā)展為教學(xué)實踐帶來了前所未有的變革機遇。關(guān)于這一技術(shù)如何影響和改變教學(xué)，社會各界展開了廣泛的討論。這些討論的角度多種多樣，形成了政策、研究和技術(shù)等不同的敘事視角。其中，“政策敘事”通常能夠提供宏觀指導(dǎo)，確保技術(shù)創(chuàng)新與教育系統(tǒng)的廣泛整合，但大多聚焦于整體戰(zhàn)略，較少關(guān)注教學(xué)情境的具體細節(jié)（王帥杰等，2024）。“研究敘事”則致力于通過理論分析和數(shù)據(jù)驗證來揭示GenAI技術(shù)之于教育的潛在影響。然而，在技術(shù)變革初期，研究往往滯后于實踐，尚未形成系統(tǒng)的經(jīng)驗證據(jù)和操作原則，無法為教師的實踐探索提供充分支持（Yusuf etal.，2024）。“技術(shù)敘事”專注于工具和平臺的創(chuàng)新開發(fā)，有效推動了技術(shù)的應(yīng)用和普及，但這類敘事視角對教育實踐的復(fù)雜性缺乏深人了解，對應(yīng)用場景的構(gòu)想也不夠貼近實際，并且缺少關(guān)于倫理與道德風(fēng)險的考慮（OpenAI，2023）。隨著GenAI教學(xué)應(yīng)用探索的不斷深人，一線教師逐漸積累了相對豐富的經(jīng)驗，并通過實踐反思，形成了獨特而完整的“實踐敘事”。這種敘事不同于政策視角中的宏觀分析，而是基于教學(xué)現(xiàn)場的具體情境展開，不僅涵蓋了從問題識別、策略選擇到成效反饋的完整路徑，還通過豐富的經(jīng)驗證據(jù)揭示了GenAI在教學(xué)應(yīng)用中的復(fù)雜性和多樣性。目前，來自教師的實踐敘事正成為理解GenAI如何真正改變教學(xué)的重要視角，并且能夠為其他敘事視角提供有力補充。

基于上述背景，本文以美國高校教師為研究群體，通過系統(tǒng)收集與分析其在教學(xué)中應(yīng)用GenAI的案例，補充和豐富一線教師的實踐敘事。選擇此群體的原因在于，美國作為ChatGPT的發(fā)源地，其高等教育機構(gòu)較早受到GenAI的沖擊，為此，美國的頂尖高校較早開始探索利用GenAI支持教學(xué)創(chuàng)新的路徑和策略（歐陽嘉煜等，2023）。許多高校教師在支持性的環(huán)境下進行了多樣嘗試，并公開分享其經(jīng)驗，為構(gòu)建教師的實踐敘事提供了豐富素材。本研究意圖通過收集、整理和分析上述案例，深入探討“生成式人工智能如何改變教學(xué)？”這一問題。

二、研究方法

（一）研究問題

本研究聚焦于美國高校教師群體，通過案例研究方法系統(tǒng)分析了該群體在教學(xué)中應(yīng)用GenAI的探索。研究目的是從教師實踐敘事視角揭示GenAI對教學(xué)實踐的實際影響及其影響方式，以回應(yīng)“生成式人工智能如何改變教學(xué)？”這一問題。為了突出教師視角的獨特價值，本研究采用場景化的分析和敘事方法，對GenAI在教學(xué)中的典型應(yīng)用場景進行了全面、深入的刻畫。本研究通過呈現(xiàn)典型場景下教師的行動邏輯，致力于揭示GenAI教學(xué)應(yīng)用的多樣性和復(fù)雜性，為教育實踐的利益相關(guān)者提供有價值的參考與支持。

（二）案例收集

本研究的案例收集工作共分為三個階段：第一階段為確立案例收集標(biāo)準(zhǔn)，明確案例需要包含的核心要素；第二階段為系統(tǒng)收集案例，即依據(jù)既定標(biāo)準(zhǔn)廣泛獲取相關(guān)案例；第三階段為補充收集案例，即進一步完善案例庫以確保案例的全面性和典型性。其中，案例收集標(biāo)準(zhǔn)旨在確保所選案例具備反思性且內(nèi)容完整，被納入的案例需要包含以下三個要素：1）教師通過GenAI嘗試解決的具體問題；2）教師在教學(xué)中應(yīng)用GenAI的實踐策略；3）對GenAI應(yīng)用效果的反思與總結(jié)。選擇具有反思性的完整案例，能夠更加清晰地揭示教師在實踐中的行動邏輯與決策過程。

在系統(tǒng)收集案例階段，研究人員基于前期對高校GenAI治理策略的研究經(jīng)驗，選取了哈佛大學(xué)、密歇根大學(xué)、康奈爾大學(xué)、耶魯大學(xué)和哥倫比亞大學(xué)五所知名高校作為案例收集的起點，并通過系統(tǒng)梳理這些高校的官方網(wǎng)站，全面收集與GenAI應(yīng)用相關(guān)的教學(xué)案例。上述高校不僅較早發(fā)布關(guān)于GenAI開放使用的政策，為教師基于GenAI開展教學(xué)探索營造了支持性的環(huán)境，而且也鼓勵教師分享其在GenAI教學(xué)應(yīng)用中的實踐經(jīng)驗，為本研究提供了豐富的案例來源。其中，學(xué)校的教學(xué)發(fā)展中心等類似機構(gòu)的網(wǎng)站以及專門匯總GenAI資源的主題網(wǎng)站，成為本次案例檢索的重點關(guān)注對象。檢索中發(fā)現(xiàn)，案例涉及的關(guān)鍵高頻詞包括“Generative AI Use Case”“Generative AI Teaching Examples”“Generative AIFaculty Examples”等。

在補充收集案例階段，研究人員進一步追蹤高校官方網(wǎng)站中提供的外部資源鏈接，以獲取更為豐富和多樣化的案例資源。此外，研究人員總結(jié)了高校在描述教學(xué)案例時使用的高頻關(guān)鍵詞（如前所述），并利用通用搜索引擎進行更廣泛的檢索。為了兼顧分析的廣度和深度，研究人員在收集到的案例總數(shù)達到100個時，便停止了收集。最終，本研究收集了來自美國24所高校的100個案例（收集截止時間為2024年9月底），案例來源分布情況如圖1所示，學(xué)科分布情況如圖2所示。可以看出，GenAI已經(jīng)被廣泛應(yīng)用于不同學(xué)科之中。其中，大部分人文藝術(shù)學(xué)科案例集中于語言學(xué)習(xí)、文本寫作與藝術(shù)創(chuàng)作課程，這可能與GenAI具有的生成特性會對這些課程造成直接影響有關(guān)。

（三）案例分析

在本研究中，分析案例的目的是從中提取GenAI教學(xué)應(yīng)用的典型場景，以此闡釋GenAI對教學(xué)的變革作用。為實現(xiàn)這一目標(biāo)，研究人員首先采用“問題—策略一成效”三元分析框架對每個案例進行結(jié)構(gòu)化編碼，隨后基于編碼結(jié)果，對案例中呈現(xiàn)的問題類型、策略特征以及應(yīng)用成效進行歸納與總結(jié)。基于上述分析，研究人員識別了教師應(yīng)用GenAI改變教學(xué)的雙重路徑。其中，第一條路徑關(guān)注如何應(yīng)用新技術(shù)解決舊問題，即探究如何應(yīng)用GenAI克服日常教學(xué)中，因教學(xué)條件限制而長期存在的基礎(chǔ)性問題，涉及本地資源建設(shè)、個性反饋供給，以及課堂高效互動；第二條路徑則聚焦于如何應(yīng)用新技術(shù)推動新變化，一方面考察GenAI為教學(xué)模式創(chuàng)新提供的多種支持，另一方面分析GenAI對專業(yè)實踐的影響如何引發(fā)教學(xué)目標(biāo)與內(nèi)容的變化。雙重路徑的區(qū)分為典型應(yīng)用場景的總結(jié)提供了框架支持。基于第一條路徑，研究人員從案例中提取了三類典型場景，包括定制資源、替代反饋以及增強聯(lián)結(jié)。基于第二條路徑，研究人員識別了另外三類典型場景，包括模擬情境、加速進程和迭代創(chuàng)作。其中，場景與案例之間并非一一對應(yīng)，一個案例可以同時包含多種場景，這也說明了GenAI教學(xué)應(yīng)用的復(fù)雜性。最終，研究通過總結(jié)GenAI教學(xué)應(yīng)用的雙重路徑與六類場景，揭示了GenAI改變教學(xué)的多種方式。

三、GenAI應(yīng)用路徑一：優(yōu)化，用新技術(shù)解決舊問題

（一）定制資源場景

在定制資源場景下，如何利用GenAI定制本地化資源、緩解教育資源建設(shè)的壓力，是高校各學(xué)科教師普遍關(guān)注的問題。在實踐中，本地化教學(xué)資源的缺失經(jīng)常是教學(xué)改革推進的重要阻礙（范福生，2024）。受限于工作時間緊張、教學(xué)任務(wù)繁重、專業(yè)開發(fā)工具和相關(guān)技能缺乏等因素，教師自主開發(fā)的教育資源大多數(shù)量有限且質(zhì)量參差不齊。GenAI的出現(xiàn)能有效幫助教師擺脫上述困境，使得教師能夠在定制資源過程中充分發(fā)揮自己的創(chuàng)造力。

在此次收集的案例中，“批量定制”與“衍生變體”是較為典型的資源定制策略。“批量定制”策略利用GenAI能夠快速生成內(nèi)容的技術(shù)特性，解決了傳統(tǒng)資源開發(fā)過程中批量生產(chǎn)與個性定制之間的矛盾。例如，一名公共政策專業(yè)教師針對課程習(xí)題數(shù)量有限且難度水平無法滿足所有學(xué)生需求的問題，利用GenAI生成了一批不同難度級別的習(xí)題，以此確保每個學(xué)生都能進行適合自己水平的練習(xí)。此種做法有效地提高了課程資源的覆蓋面和適用性（Svoronos，2024）。“衍生變體”策略則是利用GenAI擅長模式識別與遷移的特性，基于學(xué)習(xí)主題構(gòu)建多種類型的任務(wù)變體，以適應(yīng)任務(wù)更新、學(xué)習(xí)遷移乃至內(nèi)容拓展的需要。例如，一名法學(xué)專業(yè)教師在課程中采用案例教學(xué)法時發(fā)現(xiàn)，部分學(xué)生會通過高年級學(xué)生或其他渠道提前獲知案例內(nèi)容，這在很大程度上降低了案例教學(xué)的有效性。為解決這一問題，她通過構(gòu)建案例變體及時更新案例內(nèi)容，從而保持教學(xué)的新鮮感與挑戰(zhàn)性。同時，該教師沒有直接應(yīng)用GenAI生成的案例，而是通過與GenAI的持續(xù)交互，融人更多創(chuàng)意和想法，例如要求GenAI生成更具挑戰(zhàn)性的問題、在案例中加入更多具體細節(jié)、隱藏案例的具體名稱，甚至是利用GenAI的“幻覺”創(chuàng)造出不同于以往的事實模式，從而引發(fā)學(xué)生更深人的討論。從中，教師發(fā)現(xiàn)應(yīng)用GenAI輔助生成案例能夠更好更快地滿足多樣化的教學(xué)需求（Brady，2024）。

除了上述兩類策略，教師在資源創(chuàng)作過程中，還會將GenAI應(yīng)用于輔助教學(xué)決策、增強內(nèi)容表達、豐富活動要素等多個方面，從而實現(xiàn)多種教學(xué)目的。從輔助教學(xué)決策的角度，GenAI能夠以頭腦風(fēng)暴等形式為教師提供設(shè)計靈感，還能夠在諸如目標(biāo)與評價一致性校驗的場景下，檢查教師開發(fā)的方案是否存在盲區(qū)（Koning，2024）。從增強內(nèi)容表達的角度，GenAI能夠通過生成不同媒介類型的學(xué)習(xí)資源來增強教學(xué)內(nèi)容的表達，從而深化學(xué)習(xí)者的學(xué)習(xí)體驗，例如教師可以應(yīng)用GenAI創(chuàng)作視覺隱喻來幫助學(xué)生更好地識別概念特征（Olveczky，2024）。從豐富活動要素的角度，教師能夠應(yīng)用GenAI生成以往活動中由于時間、技術(shù)、能力限制而難以生成的活動要素，例如用GenAI生成簡單的 html 游戲，增加課堂的緊張感與參與度（Weiss，2024）。

總之，GenAI的生成能力為教師構(gòu)建本地化教學(xué)資源提供了有力支持，從而為開展多樣化的教學(xué)活動創(chuàng)造了更多機會。同時，已有案例也表明，教師在定制資源時并非只是被動的接收者，而是能夠根據(jù)教學(xué)需求主動創(chuàng)作，實現(xiàn)真正意義上的自定義開發(fā)。

（二）替代反饋場景

替代反饋場景旨在通過GenAI生成的機器反饋來彌補人工反饋的不足，從而更好地滿足學(xué)生的學(xué)習(xí)需求。學(xué)習(xí)是跨越課堂內(nèi)外、連接線上線下的持續(xù)過程，但教師的支持與反饋不僅受限于時間和空間，而且難以規(guī)模化實施。因此，利用機器反饋替代人工反饋成為重要的問題解決途徑。

隨著GenAI的發(fā)展，機器反饋質(zhì)量顯著提升，替代反饋也由此成為GenAI教學(xué)應(yīng)用的關(guān)鍵場景，并逐漸在更多學(xué)科領(lǐng)域得到應(yīng)用。例如，為解決醫(yī)學(xué)生在從預(yù)科過渡到實習(xí)階段缺乏專業(yè)指導(dǎo)的問題，有一位教授嘗試借助GenAI來幫助學(xué)生培養(yǎng)在不同場景下解決患者問題的能力。他利用ChatGPT以及匿名患者案例，輔助學(xué)生分析病情、提出診斷建議，并指導(dǎo)后續(xù)的醫(yī)學(xué)檢測工作。結(jié)果證明，這種方法提升了學(xué)生分析案例的速度，深化了他們對診斷推理的理解（Suc-ci，2024）。再如，在教授“物理科學(xué)”（PhysicalSciences）課程時，教師發(fā)現(xiàn)，集體授課模式下，由于學(xué)生必須跟隨教師的教學(xué)節(jié)奏，因此缺少了遇到困難時暫停下來思考的機會。為解決這一問題，該教師與同事們應(yīng)用GenAI工具構(gòu)建了AI導(dǎo)師系統(tǒng)，幫助學(xué)生按照自己的節(jié)奏學(xué)習(xí)，并在需要時獲得AI導(dǎo)師的指導(dǎo)和幫助。最終，這種方法不僅受到學(xué)生們的廣泛歡迎，而且學(xué)習(xí)效果也未受到任何負面影響（Kestin，2024）。

然而，機器反饋雖然能夠彌補人工反饋的不足，但如果使用不當(dāng)，也可能會帶來風(fēng)險。在各位教師的敘述中，兩類風(fēng)險尤為突出。其一，GenAI的輸出結(jié)果并不穩(wěn)定，在一些任務(wù)場景下會產(chǎn)生錯誤的反饋。針對上述情況，一些課程團隊會定制和調(diào)試GenAI工具，并借助相關(guān)知識庫，以此在一定程度上避免信息錯誤。例如，密歇根大學(xué)的一名教授利用學(xué)校提供的Maizey AI工具創(chuàng)建了專門的課程助教，并結(jié)合課程材料對其進行了調(diào)試。在與ChatGPT的比較測試中，Maizey在課程內(nèi)容的準(zhǔn)確性和反饋質(zhì)量上表現(xiàn)更優(yōu)。（Universityof Michigan，2024）其二，學(xué)生還可能因過度依賴GenAI而減少自主練習(xí)，導(dǎo)致“替代反饋演變?yōu)椤疤娲伎肌薄Ｃ鎸Υ祟愶L(fēng)險，教師探索出了兩類典型的應(yīng)對策略。一類策略是限定使用GenAI的條件或定制課程專屬的GenAI工具，確保學(xué)生不會在學(xué)習(xí)過程中回避或錯過需要獨立思考的關(guān)鍵任務(wù)。例如，一名計算機科學(xué)專業(yè)教師在“編譯器”（Compilers）課程中，允許學(xué)生在理解高層次概念和解決低層次問題時使用GenAI，但在編寫程序時禁用這些工具，以確保學(xué)生獨立思考和實踐（Chong，2024）。另有一名公共政策專業(yè)教師及其課程團隊定制了能夠模擬教學(xué)團隊的回答風(fēng)格、引導(dǎo)學(xué)生探索問題而非直接給出答案的“StatGPT”工具，并在“定量分析與實證方法”（QuantitativeAnalysisand EmpiricalMethods）課程中使用。結(jié)果顯示，學(xué)生的參與度和學(xué)習(xí)效果顯著提升，提出的問題也更加深入。（Goel，2024）規(guī)避風(fēng)險的另一類策略，就是引導(dǎo)學(xué)生反思其與GenAI的交互過程，從中理解GenAI的局限性，從而提高學(xué)生合理與有效應(yīng)用GenAI反饋的能力。有教師在教授“法國文學(xué)經(jīng)典選讀”（MajorFrenchTexts）課程時發(fā)現(xiàn)，當(dāng)要求ChatGPT提供敘事表演的建議時，它對文本的理解并不充分，經(jīng)常出現(xiàn)基本敘事要素錯誤。為解決這一問題，教師設(shè)計了一項引人GenAI的寫作練習(xí)，通過實踐引導(dǎo)學(xué)生認識到過度依賴ChatGPT寫作可能帶來的錯誤結(jié)果。（Postlewate，2024）

回顧上述策略與案例可以發(fā)現(xiàn)，教師在替代反饋場景下會傾向于更加謹慎地評估GenAI的使用風(fēng)險，并通過開發(fā)各種策略來保障替代反饋能夠在可控范圍內(nèi)實施。這些保障策略也進一步推動替代反饋在實踐中的廣泛應(yīng)用。此外，值得注意的是，教師在引導(dǎo)學(xué)生探索GenAI局限性的過程中，能夠更加意識到人類反饋相比于機器反饋的特殊價值。例如，有醫(yī)學(xué)教師發(fā)現(xiàn)，盡管ChatGPT在提供最終診斷方面表現(xiàn)良好，但在基于有限信息提出可能的診斷方案時效果不佳。這一發(fā)現(xiàn)凸顯了在信息有限時提出多種方案的重要性，而這不僅是醫(yī)學(xué)生培養(yǎng)的關(guān)鍵領(lǐng)域，也正是人類教師反饋發(fā)揮重要作用的地方。（Succi，2024）

（三）增強聯(lián)結(jié)場景

增強聯(lián)結(jié)場景旨在應(yīng)用人機交互來促進人人交互，這與替代反饋場景中使用人機交互來替代人人交互的做法形成了對比。在實際教學(xué)中，教師在促進師生、生生之間的交流時，往往面臨多重因素的限制，例如規(guī)模化的教學(xué)情境、有限的教學(xué)時間、學(xué)生能力水平的差異等（Bianchini，1997;Blatchfordet al.，2011）。與此同時，學(xué)生群體日益增長的多樣性也對教師提供個性化支持造成了挑戰(zhàn)（Northedge，2003）。GenAI的應(yīng)用則有助于打破上述各類因素與條件的限制，通過增強師生、生生聯(lián)結(jié)來提升教學(xué)質(zhì)量。

首先，GenAI能夠?qū)崟r且規(guī)模化地處理學(xué)習(xí)過程數(shù)據(jù)，幫助教師及時了解學(xué)生的學(xué)習(xí)情況，從而調(diào)整教學(xué)策略并提供有針對性的反饋。特別是在大班教學(xué)場景下，學(xué)生經(jīng)常會因為害羞、焦慮或不想拖慢課程進度而不愿提問。有教師發(fā)現(xiàn)此類問題之后，嘗試使用GenAI工具收集與處理學(xué)生提交的問題。具體做法包括利用GenAI分類學(xué)生提出的問題，然后集中展示與回應(yīng)上述問題，并鼓勵學(xué)生參與討論（Deslauriers，2024）。根據(jù)學(xué)生反饋，此種做法有效減少了課堂焦慮，并能幫助不常發(fā)言的學(xué)生更好地適應(yīng)課堂。另一位教師的做法則是在課堂展示提前設(shè)計好的問題，利用GenAI工具從學(xué)生提交的答案中提取出主要觀點并追蹤貢獻者的名字，然后將這些信息同時呈現(xiàn)在大屏幕上。通過這種方式，教師能夠及時了解與認可學(xué)生的想法與觀點，并根據(jù)需要靈活調(diào)整教學(xué)內(nèi)容（Levy，2024）。綜上，應(yīng)用GenAI處理信息能夠有效解決規(guī)模化教學(xué)場景下的師生交互問題，師生雙向反饋循環(huán)在此過程中也真正得以建立。

其次，GenAI能夠在一定程度上扮演專業(yè)顧問的角色，助力教師更精準(zhǔn)地滿足學(xué)生多樣化的學(xué)習(xí)需求，推動師生之間的有效溝通。在一些主題開放的課程或涉及跨學(xué)科知識的課程中，其效果尤為顯著。以一位教師的“創(chuàng)業(yè)管理”（Entrepreneurship）課程為例，該課程鼓勵學(xué)生探索不同領(lǐng)域的創(chuàng)業(yè)機會。然而，由于行業(yè)廣泛，教師難以為每位學(xué)生提供詳盡反饋。為解決這一問題，他借助ChatGPT輔助教學(xué)。通過上傳學(xué)生的項目計劃，ChatGPT能夠快速生成摘要，識別常見問題，并搜索相關(guān)創(chuàng)業(yè)案例，使教師無須耗費大量時間進行背景研究，就能與學(xué)生展開深人討論（Koning，2024）。在上述案例中，GenAI所扮演的顧問角色快速拓展了教師的經(jīng)驗范圍，使其能夠更高效地為學(xué)生提供多樣化支持。

最后，GenAI不僅能夠促進師生之間的交流，還能支持學(xué)生之間的知識共建。其中，教師可以在生生合作與交流的過程中引入GenAI，從而推動群體的合作進程并提升知識建構(gòu)的質(zhì)量。例如，有教師發(fā)現(xiàn)，GenAI不僅能有效地總結(jié)和分類學(xué)生的觀點，還能從中捕捉學(xué)生的直覺與判斷，識別其困惑模式，從而推動小組討論的進一步深人。學(xué)生還可以在合作與交流的前期階段提前與GenAI交互，為正式討論做好準(zhǔn)備。這種提前交互不僅能夠為討論提供豐富素材，引導(dǎo)學(xué)生識別關(guān)鍵討論點，避免在課堂討論時陷人無關(guān)細節(jié)，還能為群體成員建立共同經(jīng)驗基礎(chǔ)，從而確保不同能力水平的學(xué)生都能積極參與討論（FAS，2024）。還有教師開發(fā)了一款支持學(xué)生在課前提前處理案例內(nèi)容的聊天機器人，以此提醒學(xué)生關(guān)注案例的關(guān)鍵決策點，幫助他們充分準(zhǔn)備課堂討論（Bussgang，2024）。另一位教師則要求學(xué)生在課前與GenAI扮演的職業(yè)教練進行對話，探討個人價值觀、技能和職業(yè)目標(biāo)，并將對話記錄作為課堂討論的參考材料。這種做法在促進學(xué)生自我反思的同時，激發(fā)了更深人的課堂討論。（Jay，2023）

綜上，GenAI在課堂教學(xué)中能夠以多種形式增強師生、生生之間的聯(lián)結(jié)。在GenAI的幫助下，教師可以更全面、更快速地了解學(xué)生的學(xué)習(xí)情況，更好地滿足學(xué)生的多種需求，學(xué)生則能夠在有限的課堂教學(xué)時間內(nèi)生成更高質(zhì)量的討論。

四、GenAI應(yīng)用路徑二：創(chuàng)新，以新技術(shù)推動新變化

（一）模擬情境場景

模擬情境場景關(guān)注如何應(yīng)用GenAI幫助教師快速構(gòu)建模擬真實世界的學(xué)習(xí)環(huán)境，讓學(xué)生通過探究復(fù)雜問題來掌握知識與技能（Herringtonamp;Oliver，2000）。雖然真實性學(xué)習(xí)被認為能夠有效提升學(xué)生學(xué)習(xí)動機、學(xué)業(yè)表現(xiàn)與思維技能，但以往構(gòu)建真實性學(xué)習(xí)環(huán)境時，教師常面臨工具、資源、能力、時間等多方面挑戰(zhàn)（Gedik etal.，2013;Roach etal.，2018）。GenAI的出現(xiàn)則為構(gòu)建上述環(huán)境提供了極大助力，能夠推動真實性學(xué)習(xí)在更大范圍內(nèi)落地，并為教學(xué)模式創(chuàng)新提供了更多可能。

具體而言，GenAI能夠為教師創(chuàng)建真實性學(xué)習(xí)環(huán)境提供創(chuàng)作平臺。與傳統(tǒng)方式相比，該平臺能夠更為便捷地整合來自多種來源與媒介類型的資源，從而創(chuàng)作出豐富且多元的學(xué)習(xí)材料。教師在設(shè)計真實性學(xué)習(xí)任務(wù)時，還可以通過該平臺獲取如何模擬真實情境的創(chuàng)意建議。例如，一位教師在選擇應(yīng)用GenAI工具輔助創(chuàng)建學(xué)術(shù)辯論案例時，會首先通過GenAI尋找與學(xué)生生活相關(guān)的、復(fù)雜、真實且具有爭議性的話題，以激發(fā)學(xué)生思考，然后借助GenAI生成案例的基礎(chǔ)內(nèi)容，包括背景設(shè)定、爭議解釋、角色分配和任務(wù)安排，并同時利用GenAI生成支持和反對各方觀點的證據(jù)清單。這些證據(jù)基于可驗證的事實和數(shù)據(jù)，能夠幫助學(xué)生掌握多角度信息。在整個過程中，教師與GenAI持續(xù)互動，不斷調(diào)整和優(yōu)化輸出內(nèi)容，確保其符合教學(xué)目標(biāo)且準(zhǔn)確無誤。（Prud’homme-Genéreux，2024）在此過程中，GenAI優(yōu)化了真實性學(xué)習(xí)環(huán)境的設(shè)計過程，并提高了其構(gòu)建效率。

同時，GenAI不僅是一個情境創(chuàng)作平臺，也是一個情境模擬平臺，能夠通過角色扮演模擬真實世界中的交互，讓學(xué)生在低風(fēng)險環(huán)境中應(yīng)對各種挑戰(zhàn)并解決復(fù)雜問題，進而發(fā)展和提升多項能力，如批判性思維、溝通與合作能力，以及特定的專業(yè)技能等。以一位教師開發(fā)的GenAI談判模擬平臺為例，該平臺能夠模擬多種談判情境，并提供即時反饋和定制化建議，從而輔助學(xué)生提升談判技巧。同時，該平臺還引入了面部表情識別技術(shù)，可以根據(jù)學(xué)生情緒調(diào)整反饋內(nèi)容。這種低風(fēng)險模擬練習(xí)增強了學(xué)生的自信，使他們能在安全環(huán)境中反復(fù)練習(xí)與改進。（Curhan，2023）該教師的探索不僅為學(xué)生帶來了更深人的學(xué)習(xí)體驗，也彰顯了GenAI在真實情境模擬中的應(yīng)用價值。

值得關(guān)注的是，GenAI工具的易用性還為學(xué)生參與創(chuàng)作真實性學(xué)習(xí)環(huán)境提供了便利。教師可以借此機會將環(huán)境構(gòu)建過程轉(zhuǎn)化為學(xué)習(xí)活動，讓學(xué)生從學(xué)習(xí)環(huán)境的參與者轉(zhuǎn)變?yōu)閷W(xué)習(xí)環(huán)境的創(chuàng)作者。通過這種方式，學(xué)生不僅能參與學(xué)習(xí)過程，還能理解學(xué)習(xí)環(huán)境的設(shè)計和構(gòu)建方式，并在反思如何改進的過程中實現(xiàn)深層學(xué)習(xí)。例如，一名法語專業(yè)教師在其課程中利用GenAI的自然語言交互功能，通過邀請學(xué)生參與互動情境的創(chuàng)作來激發(fā)學(xué)生的語言表達和創(chuàng)意寫作能力。在該課程的“巴黎美術(shù)”單元，這位教師構(gòu)建了“藝術(shù)館謀殺案”的故事情境，由學(xué)生自主創(chuàng)建虛擬的法語角色，然后通過與不同角色的對話推斷嫌疑人并完成任務(wù)。（Mills，2024）通過這一方式，GenAI不僅降低了情境創(chuàng)作的門檻，還增強了學(xué)生在模擬中的參與感，使他們能夠更積極地投人學(xué)習(xí)過程中，加深對學(xué)習(xí)內(nèi)容的記憶與理解，并提升批判性思維和創(chuàng)新能力。

模擬情境作為一種教學(xué)方法并非新興概念，但其實際應(yīng)用還面臨諸多制約。上述案例表明，GenAI的出現(xiàn)能夠為突破這一困境提供解決方案，包括降低情境創(chuàng)作的技術(shù)門檻與制作成本，以及為教師提供相關(guān)知識與經(jīng)驗的支持。在GenAI的支持下，模擬情境這一方法能夠更廣泛地融入學(xué)科教學(xué)實踐，并推動教學(xué)模式的創(chuàng)新。

（二）加速進程場景

加速進程是一類特殊的應(yīng)用場景，其核心在于利用GenAI分擔(dān)學(xué)生學(xué)習(xí)過程中必要但非核心的任務(wù)，并在學(xué)生解決開放與復(fù)雜的問題時及時提供其所需支持。通過這種方式，學(xué)生能夠?qū)⒏嗑妥⒁饬性趯W(xué)習(xí)的核心環(huán)節(jié)，從而加速學(xué)習(xí)進程。換言之，這種學(xué)習(xí)加速不僅體現(xiàn)在時間效率的提升上，更在于幫助學(xué)生更快地觸及核心目標(biāo)。在這一過程中，教師甚至能夠突破傳統(tǒng)教學(xué)中因資源或能力限制而帶來的任務(wù)設(shè)計瓶頸，進而重構(gòu)學(xué)習(xí)流程。例如，教師可以采用“整體一局部”的學(xué)習(xí)模式，讓學(xué)生首先在整體實踐中理解學(xué)習(xí)的意義和識別任務(wù)的全貌，隨后再專注于局部技能的精細化打磨。這種方法更符合情境學(xué)習(xí)理論的原則，有助于促進深層學(xué)習(xí)和知識遷移。（Brownetal.，1989）

在此次收集的案例中，應(yīng)用GenAI加速學(xué)習(xí)進程的常見任務(wù)類型包括開放性的實踐項目和跨學(xué)科的綜合任務(wù)。在開放性的實踐項目中，學(xué)生通常需要掌握大量背景信息才能順利完成任務(wù)。然而，教師很難提前提供所有相關(guān)的知識資源，也難以隨時給予支持。學(xué)生可能會因此花費大量時間搜集和理解信息，導(dǎo)致項目進度停滯，無法及時進人任務(wù)核心環(huán)節(jié)，最終在關(guān)鍵部分投人的時間和精力大大減少。面對上述問題，教師可以利用GenAI工具幫助學(xué)生快速獲取信息并迅速進入任務(wù)核心環(huán)節(jié)。例如，一名教師在其主講的“設(shè)計影響力”（ImpactbyDesign）課程中面臨的主要挑戰(zhàn)就是幫助學(xué)生快速投人設(shè)計工作，并掌握迭代、提問和問題定義等關(guān)鍵技能（Dockterman，2024）。為解決上述問題，他引入了ChatGPT作為學(xué)生在問題定義和信息獲取階段的加速工具。這一方法既幫助學(xué)生迅速獲取背景知識并理解大量內(nèi)容，又使其更快地建立分析框架并投入實際設(shè)計中。

在跨學(xué)科的綜合任務(wù)中，學(xué)生常因特定學(xué)科經(jīng)驗的缺失而面臨認知過載問題，這將導(dǎo)致其注意力被次要細節(jié)分散，從而偏離任務(wù)的核心學(xué)習(xí)目標(biāo)。針對這一問題，GenAI能夠通過提供特定學(xué)科的專業(yè)知識與技能支持，有效減輕學(xué)生的認知負荷。這種支持不僅可以幫助學(xué)生過濾無關(guān)信息，還能引導(dǎo)其聚焦于任務(wù)的關(guān)鍵環(huán)節(jié)，從而更高效地實現(xiàn)高層次認知目標(biāo)，如分析、評價與創(chuàng)造等。例如，一名管理學(xué)專業(yè)教師在MBA課程教學(xué)中發(fā)現(xiàn)，GenAI技術(shù)為缺乏編程經(jīng)驗的學(xué)生提供了極大的便利。學(xué)生無須掌握復(fù)雜的編程技能或?qū)I(yè)工具，便能輕松運用高級數(shù)據(jù)分析技術(shù)。這不僅減輕了學(xué)生在學(xué)習(xí)過程中的認知負荷，還幫助他們將更多精力集中于問題分析，從而提升其問題解決能力。（Bojinov，2024）再如，另有一名物理學(xué)教授為了讓學(xué)生專注于物理思想與算法，在其課程中鼓勵學(xué)生利用ChatGPT輔助編寫代碼以節(jié)省時間。不同于前一個案例的是，他同時也強調(diào)，學(xué)生應(yīng)在理解編碼過程的基礎(chǔ)上使用這一工具，避免直接復(fù)制代碼，從而確保學(xué)習(xí)深度與自主性。（Moore，2024）

進一步分析上述案例可以發(fā)現(xiàn)，GenAI在提升復(fù)雜任務(wù)學(xué)習(xí)效能方面優(yōu)勢顯著，不僅能夠有效縮短學(xué)生的認知建構(gòu)周期，還能夠為學(xué)生高階思維能力的發(fā)展創(chuàng)造必要條件。上述優(yōu)勢也使得GenAI能夠突破傳統(tǒng)課堂在時間分配、學(xué)生差異、教師能力、師生比等方面的限制，為復(fù)雜學(xué)習(xí)任務(wù)的設(shè)計與實施開辟了新的路徑。綜上，這種學(xué)習(xí)進程的加速不僅帶來了時間效率的量變，更引發(fā)了教學(xué)范式的質(zhì)變，并重新定義了教育的可能性邊界。

（三）迭代創(chuàng)作場景

迭代創(chuàng)作場景的興起，源于高校教師為應(yīng)對GenAI對專業(yè)實踐的廣泛影響而做出的積極調(diào)整。根據(jù)收集到的教學(xué)案例，GenAI正從多個方面重塑專業(yè)實踐。首先，它正在逐步取代一些傳統(tǒng)專業(yè)工具，優(yōu)化專業(yè)流程，并拓展專業(yè)實踐的邊界。其次，它能夠打破技術(shù)限制，將復(fù)雜創(chuàng)意快速轉(zhuǎn)化為實際產(chǎn)品或解決方案，并迅速優(yōu)化改進（Yuen，2024）。最后，它還能夠通過定制智能體來參與復(fù)雜的創(chuàng)作任務(wù)，并獨立承擔(dān)部分工作（Brenner，2024）。GenAI對專業(yè)實踐的影響促使教師重新審視現(xiàn)有的教學(xué)內(nèi)容，并將培養(yǎng)學(xué)生與GenAI高效合作的能力作為重要的教學(xué)目標(biāo)。

鑒于GenAI的生成特性，與其高效合作的能力本質(zhì)上是通過持續(xù)交互和迭代改進來開發(fā)最優(yōu)方案的能力，即迭代創(chuàng)作能力。這使得引導(dǎo)學(xué)生應(yīng)用GenAI進行迭代創(chuàng)作成為重要的教學(xué)場景。在該場景下，學(xué)生需要掌握三種不同復(fù)雜程度的迭代創(chuàng)作能力，具體如圖3所示。其中，最為基本的能力是響應(yīng)迭代能力，側(cè)重于通用提示詞技巧的掌握。學(xué)生需通過調(diào)整和完善輸入的提示詞來提高GenAI響應(yīng)的質(zhì)量。作品迭代能力比響應(yīng)迭代能力更為復(fù)雜，學(xué)生不僅要精心設(shè)計和調(diào)整輸入的提示詞，還需深人評估和反思與GenAI的協(xié)作過程，以確保作品達到最佳水平。相比于前兩種迭代，智能體迭代能力要求學(xué)生針對特定任務(wù)場景，自主構(gòu)建個性化的工作伙伴，并通過迭代逐步增強智能體的執(zhí)行和創(chuàng)作能力。這一類型的迭代最為復(fù)雜，需要學(xué)生對任務(wù)場景特征和智能體技術(shù)特性有深刻理解，從而實現(xiàn)問題解決過程建模，以支持智能體的創(chuàng)建。

現(xiàn)有教學(xué)案例大多聚焦于響應(yīng)迭代與作品迭代。以響應(yīng)迭代為例，教授“AI寫作：提示與響應(yīng)”（AIWriting：Prompt + Response）課程的教師要求學(xué)生通過與GenAI合作，完成一項旨在培養(yǎng)結(jié)構(gòu)化提示詞策略的探索性作業(yè)。學(xué)生需不斷迭代優(yōu)化提示詞，引導(dǎo)GenAI輸出符合特定需求的措辭，在此過程中逐步掌握獲取高質(zhì)量響應(yīng)的提示詞技巧。（Gogan，2024）在作品迭代方面，城市規(guī)劃與設(shè)計專業(yè)的一位教師會指導(dǎo)學(xué)生將GenAI技術(shù)積極納入設(shè)計工作流程。這種做法使得學(xué)生能夠更高效地進行快速設(shè)計實踐，并分享其設(shè)計經(jīng)驗。相比以往依賴想象評估設(shè)計效果，GenAI生成的直觀效果圖更能激發(fā)學(xué)生的討論和學(xué)習(xí)興趣。該教師認為，GenAI能顯著提高設(shè)計效率，幫助學(xué)生迅速實現(xiàn)高質(zhì)量的視覺效果。其中，指導(dǎo)學(xué)生持續(xù)反思和討論GenAI的應(yīng)用效果是教學(xué)的關(guān)鍵（Yuen，2024）。與前兩類迭代相比，涉及智能體迭代的教學(xué)實踐在本次收集的案例中較少出現(xiàn)。這可能與相關(guān)技術(shù)應(yīng)用仍然處于初期階段有關(guān)。這也能解釋為什么在已有的少量案例中，教師往往會選擇和學(xué)生攜手合作，共同探索專業(yè)領(lǐng)域智能體的構(gòu)建路徑。例如，應(yīng)用數(shù)學(xué)專業(yè)的一位教師會在課程中組織學(xué)生開展智能體實驗探索。學(xué)生需要訓(xùn)練聊天機器人解決數(shù)學(xué)問題，并提交最佳提示詞。（Brenner，2024）

由于利用GenAI進行迭代創(chuàng)作的關(guān)鍵在于創(chuàng)作者對任務(wù)的深刻理解、對Gen-AI輸出的準(zhǔn)確評估以及對創(chuàng)作潛力的充分挖掘，因此，此類任務(wù)不僅能提升學(xué)生與GenAI的合作能力，還能深化其對學(xué)習(xí)內(nèi)容的理解，并推動批判性思維和創(chuàng)造性思維等高階認知能力的發(fā)展。此外，學(xué)生的迭代創(chuàng)作記錄為教師提供了理解其思維過程的依據(jù)，有助于教師跟蹤和引導(dǎo)學(xué)生的認知過程，并在一定程度上解決抄襲和剽竊問題。

五、討論與總結(jié)

（一）GenAI改變教學(xué)實踐的雙重路徑

通過對高校教師教學(xué)案例的深人分析，本研究揭示了生成式人工智能影響教學(xué)的雙重路徑：一方面，GenAI通過應(yīng)用新技術(shù)有效解決了傳統(tǒng)教學(xué)中的諸多舊問題，從而實現(xiàn)了教學(xué)的優(yōu)化；另一方面，GenAI借助新技術(shù)推動教學(xué)實踐的新變化，進而促進了教學(xué)的創(chuàng)新。針對實踐的優(yōu)化路徑，本研究從日常教學(xué)中的常見問題人手，基于定制資源、替代反饋和增強聯(lián)結(jié)三類場景揭示GenAI在支持本地資源構(gòu)建，實現(xiàn)個性化反饋，以及加強師生、生生交互方面發(fā)揮的基礎(chǔ)性作用。針對實踐的創(chuàng)新路徑，本研究則從GenAI引發(fā)的教學(xué)模式創(chuàng)新與培養(yǎng)目標(biāo)變化人手，結(jié)合模擬情境場景、加速進程場景和迭代創(chuàng)作場景探究了GenAI對教學(xué)更為復(fù)雜和深層的影響。

優(yōu)化路徑與創(chuàng)新路徑并非相互獨立，前者為后者提供了重要支撐。正是由于GenAI提升了資源定制的靈活性，教師才能突破傳統(tǒng)教學(xué)方法的局限，構(gòu)建更具真實感的學(xué)習(xí)情境；正是由于GenAI替代人類提供反饋的能力得到提升，學(xué)生才能借助GenAI加速學(xué)習(xí)進程；正是由于GenAI增強了師生、生生之間的交互，學(xué)生才能在探索復(fù)雜問題時獲得更廣泛的社會支持。綜上，GenAI改變教學(xué)的雙重路徑之間存在著漸進發(fā)展的關(guān)系。

進一步剖析上述漸進發(fā)展關(guān)系，可以得到以下兩點重要啟示。

第一，GenAI能夠夯實教學(xué)變革的底層邏輯，為大規(guī)模教學(xué)創(chuàng)新提供堅實的實踐基礎(chǔ)。與以往一些技術(shù)因缺乏底層邏輯支撐而難以推動教學(xué)改革不同，Gen-AI能夠直擊教學(xué)實踐最為底層與基礎(chǔ)的問題，如解決本地化教學(xué)資源建設(shè)的難點，克服規(guī)模化教學(xué)與個性化支持之間的沖突，以及提升學(xué)習(xí)共同體知識共建效率和質(zhì)量等，從而為教學(xué)變革提供堅實的根基。這也使其在推動大范圍教學(xué)創(chuàng)新方面展現(xiàn)出巨大潛力。第二，教師在應(yīng)用GenAI開展教學(xué)實踐時，既要關(guān)注優(yōu)化，又要注重創(chuàng)新。教師需要認識到應(yīng)用GenAI解決舊問題的重要性，這便為教學(xué)創(chuàng)新提供了基礎(chǔ)條件。同時，教師還要致力于實現(xiàn)從優(yōu)化到創(chuàng)新的突破，特別是考慮到GenAI對專業(yè)實踐的深遠影響，可能會引發(fā)教學(xué)目標(biāo)與內(nèi)容的根本性變革。

（二）GenAI引發(fā)的學(xué)習(xí)環(huán)境與流程重構(gòu)

分布式認知理論強調(diào)，認知過程不僅發(fā)生在個體內(nèi)部，還廣泛分布于個體與外部環(huán)境的動態(tài)交互之中（Hutchins，200O）。基于這一理論視角，GenAI作為外部環(huán)境中的關(guān)鍵要素，能夠通過重塑環(huán)境的性質(zhì)與功能，深刻影響學(xué)生與環(huán)境的互動模式，并進一步作用于學(xué)生的認知過程。換言之，GenAI能夠通過重構(gòu)學(xué)習(xí)環(huán)境，推動學(xué)習(xí)流程的轉(zhuǎn)變，從而促進學(xué)習(xí)目標(biāo)的高效達成。這一點在模擬情境、加速進程、迭代創(chuàng)作這三類致力于教學(xué)創(chuàng)新的GenAI應(yīng)用場景下尤為突出。

在模擬情境場景下，GenAI能夠幫助教師突破以往教學(xué)中構(gòu)建真實性學(xué)習(xí)環(huán)境所面臨的時間、資源與能力等多重限制，靈活地為學(xué)生提供更具復(fù)雜性和挑戰(zhàn)性的問題情境，從而推動真實性學(xué)習(xí)在課堂教學(xué)中的落地。真實性學(xué)習(xí)的引入不僅解決了以往教學(xué)中知識與情境脫節(jié)的難題，還轉(zhuǎn)變了學(xué)生孤立學(xué)習(xí)抽象知識的傳統(tǒng)模式，使學(xué)習(xí)過程更加貼近真實世界的復(fù)雜性與多樣性，進而促進了知識在真實情境中的遷移與應(yīng)用（Brownetal.，1989;Herringtonamp;Oliver，2000）。

在加速進程場景下，GenAI能夠在復(fù)雜任務(wù)情境中進一步為學(xué)生提供多種過程性的支持，例如幫助學(xué)生快速獲取大量資源，通過任務(wù)分擔(dān)減輕認知負荷，引導(dǎo)學(xué)生識別任務(wù)的關(guān)鍵環(huán)節(jié)等。上述支持使得學(xué)生能夠緊密圍繞核心目標(biāo)展開學(xué)習(xí)行動，并將更多時間與精力投人高層次認知的發(fā)展中，從而在有限的教學(xué)時間內(nèi)提高學(xué)習(xí)效率。同時，學(xué)習(xí)效率的提升也為教師嘗試更加復(fù)雜多樣的教學(xué)模式提供了機會。

在迭代創(chuàng)作場景下，隨著GenAI在專業(yè)實踐中的廣泛參與，與GenAI高效合作的能力已成為一項重要的學(xué)習(xí)目標(biāo)。這種合作能力以迭代創(chuàng)作為主要特征。與模擬情境場景和加速進程場景中GenAI分別從空間和時間維度克服教學(xué)變革面臨的潛在問題不同，在迭代創(chuàng)作場景下，GenAI不僅是促進學(xué)習(xí)環(huán)境與流程重構(gòu)的推動力量，也是引發(fā)學(xué)習(xí)環(huán)境與流程重構(gòu)的重要源頭，并且能夠?qū)W(xué)生認知產(chǎn)生重要影響。已有案例顯示，教師引導(dǎo)學(xué)生利用GenAI進行迭代創(chuàng)作，不僅能夠提升學(xué)生與GenAI合作的能力，還能夠深化學(xué)生對專業(yè)實踐的理解，并推動高階思維能力的發(fā)展。

總結(jié)上述三類場景，GenAI引發(fā)的學(xué)習(xí)環(huán)境與流程的重構(gòu)可以體現(xiàn)在多個方面，包括：通過模擬真實情境的復(fù)雜任務(wù)，為學(xué)生提供沉浸式學(xué)習(xí)體驗；聚焦于核心學(xué)習(xí)目標(biāo)的過程性支持，助力學(xué)生高效達成學(xué)習(xí)任務(wù)；以迭代創(chuàng)作為重要培養(yǎng)路徑，推動學(xué)生在實踐中不斷提升與GenAI協(xié)同創(chuàng)作的能力，等等。在此基礎(chǔ)上，教師有必要重新審視課程目標(biāo)與內(nèi)容體系，從模擬情境、過程支持與迭代創(chuàng)作等關(guān)鍵維度出發(fā)，深入思考并探索本地化的GenAI教學(xué)應(yīng)用路徑，以積極應(yīng)對GenAI對專業(yè)實踐帶來的廣泛影響，并充分把握GenAI為教學(xué)創(chuàng)新帶來的關(guān)鍵機遇。

（三）GenAI在教學(xué)應(yīng)用中的風(fēng)險防控

盡管高校教師普遍認可GenAI對教學(xué)實踐的支持作用，但他們也對GenAI的使用風(fēng)險表現(xiàn)出高度關(guān)注，并在采取相關(guān)舉措時保持謹慎態(tài)度。從現(xiàn)有案例來看，一類常見的風(fēng)險是GenAI可能會輸出不準(zhǔn)確的內(nèi)容，這類問題在不同學(xué)科中表現(xiàn)出不同的特點。例如，有一名醫(yī)學(xué)專業(yè)教師（Succi，2024）發(fā)現(xiàn)GenAI在有限條件下做出的診斷并不令人滿意；而一名法語專業(yè)教師（Postlewate，2024）則發(fā)現(xiàn)GenAI在提供敘事表演建議時，經(jīng)常會出現(xiàn)基本敘事要素的錯誤。這些現(xiàn)象表明，教師有必要深人評估GenAI在專業(yè)實踐中的表現(xiàn)，以支持其在學(xué)科領(lǐng)域更好地應(yīng)用GenAI，同時避免輸出內(nèi)容不準(zhǔn)確對教學(xué)造成的負面影響。鑒于GenAI仍在持續(xù)演化，其在各學(xué)科領(lǐng)域的能力可能會隨時間發(fā)生變化，因此，對教師而言，評估GenAI在學(xué)科領(lǐng)域的能力表現(xiàn)將是一個持續(xù)的過程。

此外，GenAI應(yīng)用于教學(xué)時還存在另一類常見風(fēng)險，即學(xué)生可能會過度依賴GenAI而缺乏獨立思考，這也是各學(xué)科教師普遍關(guān)注的問題。針對這一問題，此次案例中的教師們采取了多種應(yīng)對策略。從學(xué)習(xí)者賦能的角度出發(fā)，教師們設(shè)計了與GenAI交互的任務(wù)，引導(dǎo)學(xué)生認識到GenAI在回答某些問題方面的局限性。同時，在支持條件充分的情況下，教師們還搭建了專屬課程平臺與工具，設(shè)置限定或引導(dǎo)條件，讓學(xué)生在可控范圍內(nèi)與GenAI交互。其中，最為關(guān)鍵的是，教師需要明確對合理人機關(guān)系的預(yù)期，識別學(xué)習(xí)者在完成任務(wù)過程中必須經(jīng)歷的關(guān)鍵學(xué)習(xí)過程。在此基礎(chǔ)上，教師與學(xué)生進行溝通，明確允許或禁止使用GenAI的任務(wù)類型，從而形成共識。

目前，GenAI的應(yīng)用仍處于初級階段，關(guān)于其對學(xué)習(xí)者行為與思維方式的長期影響，尚缺乏充分的經(jīng)驗證據(jù)。對于教師而言，有必要敏銳而充分地辨識Gen-AI在教學(xué)應(yīng)用中潛在的風(fēng)險，并在采取相關(guān)行動時保持審慎的態(tài)度。

六、研究局限與不足

本研究聚焦于GenAI應(yīng)用的典型性而非普遍性，因此在選取樣本時更關(guān)注教學(xué)案例的創(chuàng)新性和多樣性，而不是從反映普遍現(xiàn)狀的角度考察其代表性。由此，本研究并未進一步考察六類應(yīng)用場景在已有案例中的具體分布情況。這也正是本研究的局限所在。后續(xù)研究可以基于更具有代表性的樣本開展此類工作，以更全面地了解GenAI應(yīng)用的整體格局。此外，本研究收集的教學(xué)案例主要源自美國高校。考慮到不同文化與教育體系之間存在顯著差異，為避免對結(jié)論的過度泛化，未來，關(guān)于六類教學(xué)場景的相關(guān)結(jié)論仍需在國內(nèi)高等教育語境下進行更深人的考察與驗證。

參考文獻

范福生.（2024-3-3）.華師專家研究成果：大單元教學(xué)對教師的挑戰(zhàn)與機遇.搜狐網(wǎng)站.https：/news.sohu. com/a/761553520_121124349

歐陽嘉煜，繆靜敏，汪瓊，孫冰，amp;董文斌.（2023）.國外一流大學(xué)應(yīng)對生成式人工智能挑戰(zhàn)的策略分析 —基于對31所國外一流大學(xué)的線上調(diào)研.高等教育研究，44（10），99-109.

王帥杰，湯倩雯，amp;楊啟光.（2024）.生成式人工智能在教育應(yīng)用中的國際觀察：挑戰(zhàn)，應(yīng)對與鏡鑒.電化 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（1O），1039-1065.

Blatchford，P.，Bassett，P.，amp; Brown，P.（2011）. Examining the effctofclass size on clasroom engagement and teacher-pupil interaction： Diffrences in relation to pupil prior attainment and primary vs.secondary schools. Learning and Instruction，21（6），715-730.

Bojinov，I. （2O24，F(xiàn)ebruary 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. （2O24，January21）.Creating novel legal problems forclasses.Harvard Law School Website.https：// www.harvard.edu/ai/2024/02/21/creating-novel-legal-problems-for-classes/

Brenner，M. （2O24， February 19）. Learning by teaching chatbots. Generative AI @ Harvard Website.https：/l www.harvard.edu/ai/2024/02/19/learning-by-teaching-chatbots/

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

Bussgang，J. （2O24，F(xiàn)ebruary17）. Enhancing student course preparation. Generative AI @ Harvard Website. https：//www.harvard.edu/ai/2024/O2/17/enhancing-student-course-preparation/

Chong，S. （2O24，F(xiàn)ebruary 14）. GenAI as a peer learner. Generative AI ω Harvard Website.https：//www.harvard.edu/ai/2024/02/14/gen-ai-as-a-peer-learner/

Curhan，J. （2O23，December 2O）.Innovative pedagogy meets AI： Jared Curhan's Modern Twiston Negotiation Training at MIT Sloan. MIT Sloan Teaching amp; Learning Technologies Website. htps：//mitsloanedtech.mit. edu/2023/12/20/innovative-pedagogy-meets-ai-jared-curhans-modern-twist-on-negotiation-trainingat-mit-sloan/

Deslauriers，L. （2O24，F(xiàn)ebruary 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. （2O24，F(xiàn)ebruary 7）. Harnessing GenAI as a collaborative tool in educational problem-solving. Generative AI ? Harvard Website. htps：//www.harvard.edu/ai/2024/02/O7/david-dockterman-harnessing-genai-as-a-collaborative-tool-in-educational-problem-solving/

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

Gedik，N.，Kiraz，E.，amp; Ozden，M.Y. （2O13）.Design of a blended learning environment： Considerations and implementation issues.Australasian Journal of Educational Technology，29（1），1-19.

Goel，S. （2O24，F(xiàn)ebruary 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/collctions/continuing-experiments/january2024/prompt-engineering/the-gen-regen-log-refining-the-rhetoric-of-structured-prompts/

Herrington，J.，amp; Oliver，R. （2Ooo）.An instructional design framework for authentic learning environments. Educational Technology Research and Development， 48（3），23-48.

Hutchins，E.（2ooo）. Distributed cognition.International Encyclopedia of the Socialand 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 amp; Learning Technologies.htps：//mitsloanedtech.mit.edu/2023/09/01/rethinking-educational-paradigms-jason-jays-innovative-use-of-chatgpt-in-the-classroom/

Kestin，G. （2O24，F(xiàn)ebruary 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. （2O24，F(xiàn)ebruary 2）. Using ChatGPT to assist with feedback.Generative AI ω Harvard Website. https：//www.harvard.edu/ai/2024/02/02/using-chatgpt-to-assist-with-feedback/

Levy，D. （2O24，F(xiàn)ebruary 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. （2O24， January 31）.Using GenAI to create interactive games.Generative AI ? Harvard Website. https：//www.harvard.edu/ai/2024/01/31/nicole-mils-using-genai-to-create-interactive-games/

Moore，D. （2O24，August 1）.AI teaching examples.Poorvu Center for Teaching and Learning，Yale University Website.htps：//poorvucenter.yale.edu/ai-teaching-examples

Northedge，A. （2Oo3）.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 tols. 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. htps：//penai.com/index/teaching-with-ai/

Postlewate，L. （2O24，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 FocusWebsite.https：//www.facultyfocus.com/articles/teaching-with-technology-articles/ writing-case-studies-using-generative-ai-intimate-debate-case-study/

Roach，K.，Tilley，E.，amp; Mitchell，J. （2018）.How authentic does authentic learning have tobe？ Higher EducationPedagogies，3（1），495-509.

Succi，M. （2O24，January 20）. Using scenarios to bridge the gap from textbook to practice. Generative AI ? （20 Harvard Website. htps：//www.harvard.edu/ai/2024/01/20/using-scenarios-to-bridge-the-gap-from-textbook-to-practice/

Svoronos，T. （2O24， 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/

Universityof Michigan. （2O24，January2）. U-MGenAI oferings.Academic Technology， Universityof Michigan Website. htps：//academictechnology.umich.edu/instructional-resources/generative-ai/u-m

Weiss，M.B. （2O24，January13）.Using GenAI to practice solving real-world problems.Generative AI @ Harvard Website. htps：//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.htps：//www.harvard.edu/ai/2024/01/10/exploring-ai-in-the-classroom-with-deeper-discussions/

Yusuf，A.，Pervin，N.，Román- González，M.，amp;Noor，N.M.（2O24）.Generative AI in educationandresearch： A systematic mapping review. Review of Education， 12（2），e3489.

How Does GenAI Transform Teaching？ Insights from Faculty Narratives

Miao Jingmin， Shen Yuan and Wang Qiong

Abstract： The transformative opportunities that Generative Artificial Intelligence（GenAI） may bring to teaching practices have atracted 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 topuniversities 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 Inteligence; higher education； teaching innovation；application scenarios; case study

Authors： Miao Jingmin， lecturer of School of Education （Normal School）， Guangzhou University （Guangzhou 51oo06）； Shen Yuan， postdoctor of Digital Hub and Security Research Center， Zhijiang Lab （Hangzhou 311121）;Wang Qiong，professor of School of Education， Peking University （Corresponding Author： wangqiong@pku. edu.cn Beijing 100871）