在线教学与学习

本页是英文页面的机器翻译，尚未经母语者审校。

在线教学与学习（online teaching and learning） — 通过数字化、网络中介的环境而非共享的实体课堂进行的教学实践与教学法。它涵盖完全在线课程、大规模开放在线课程（MOOC）、混合式与融合式形式以及远程教育。对本知识库而言，核心问题是生成式人工智能如何重塑远程教学的机会、挑战与推荐做法——从可规模化的个性化到新的学术诚信与认知外包风险。

值得思考的问题

你可能修过或教过一门在线课程。当实体课堂被移除时，你失去了什么、得到了什么——它又如何改变了教师可以依赖的东西？
本页论证在线教学是一种独特的教学法，而不只是一种交付机制。在线媒介具体在哪些方面改变了哪些教学策略才可能可行或有效？
一项随机对照试验发现，不受约束的 AI 辅助提高了练习表现，却降低了无辅助考试分数，而"提示而非答案"型辅导则消除了伤害。在读下去之前，你能解释为什么给学生答案可能抬高即时表现却侵蚀持久学习吗？
在线评估并不总能区分辅助完成的作业与独立完成的作业。如果检测工具只是一种"局部的、有争议的应对"，那么什么样的替代性评估设计才能揭示真实的理解？
在一个自主进度、基于屏幕的课程中，可感知的"轻松 AI 捷径"的可获得性如何重塑学生的动机？你会设计什么来对抗它？
自主智能体现在可以登录学习管理系统、阅读材料、回答测验并参与讨论。如果产出作业不再能证明学习，你需要看到什么作为替代？
AI 现在可以在几分钟内以极低成本生成一门 MOOC 等效课程。"N 个智能体对一个学生"与"一个视频对 N 个学生"在教学上的权衡是什么？

引言

在线教学与学习是一种独特的教学法情境，而不仅仅是一种交付机制。它移除了支撑注意力、动机与非正式互动的物理共在，代之以结构化的数字互动——讨论论坛、异步材料、视频、辅导智能体——来替代面对面接触。这改变了教师可以依赖什么、学生可以获得什么，以及学习如何被设计与评估。作为教学法与教学策略版图中的伞形概念，它与主动学习、协作学习、自我调节学习并列，但其区别在于媒介：在线环境的约束与可供性塑造了哪些策略是可行的。

生成式 AI 的兴起直接落在这个情境中。在线学习者已经通过屏幕和软件工作，因此 AI 工具是天然近邻；同时，在线评估更难监考，使滥用更容易、风险更高。本知识库的证据表明，AI 可以成为在线教学的强大盟友——而如果配置不当，也是学习伤害的重要来源。

Lock, Arteaga & Johnson (2025) 的批判性文献综述（跨 32 个国家的 63 篇引证）将这一版图组织为四个相互关联的主题，贯穿本页：AI 整合的类型与目的、教学法取向（AI 素养、自我调节学习）、收益与挑战。他们的核心告诫——这些主题彼此重叠，且在线 AI 整合是一项扎根于教学法和人际关系的社会技术事业，而非单纯的技术采纳——与本页将在线教学视为独特教学法的框架一致。值得注意的是，他们报告称在教师辅导之外使用 ChatGPT 的学生比单独使用者感知到更高的学习收益，这强化了贯穿本页的人机混合协作重点。

使这件事从设计问题变成紧迫问题的发展是：生成式 AI 不再只写出学生本可写出的文本。自主智能体现在登录学习管理系统、阅读课程材料、回答测验、阅读同学帖子并提交作业。在一门本科心理学课程上的三项演示说明了这意味着什么：两次测验完成，一次约 12 分钟、一次不到 5 分钟，均得 10/10；以及一次讨论帖，其中智能体先挖掘同学的帖子，然后编造了一段可信的第一人称生平来作答——对照之下是 Canvas、Moodle 与 Brightspace 上至少 15 次已记录的智能体运行 的公开记录，使用 七种智能体工具。Hadjisolomou and El-Haddad (2026) 认为这首先是一个评估效度问题，其次才是诚信问题：智能体完成所移除的，是"所提交作业由被评估其学习的那个人所产出"这一假设。因此在线教学的设计问题从"如何检测滥用"转向"一门在线课程还能产出什么样的学习证据"，这正是贯穿下文各节的线索。

形式与场景

在线教学与学习有若干共享媒介但范围与结构各异的相近形式：

混合式与融合式学习。 将面授与在线组件结合的模式，有意将数字活动、材料与互动和面对面教学整合起来。混合形式要求教师决定什么最好同步进行、什么最好异步进行，什么最好在线进行、什么最好面授——这些决定由学习设计原则组织，AI 既支持又使之复杂化。在混合情境中，AI 工具为个性化和全天候支持提供机会，同时提高贯穿在线与面授两部分的诚信与卸载风险。Mejia-Domenzain et al. (2026) 在两个混合场景中说明了这一点——翻转大学课堂与职业教育中的反思性写作——其中一个学习分析仪表板（DashED）向教师传达机器学习导出的自我调节学习画像。采纳顾虑按情境分化：翻转课堂（大学）教师最担心数据匿名化和学生选择退出，而反思写作（职业教育）教师则担心同行教师滥用该工具，并强调需要情境化数据。在使用中，翻转课堂教师遵循顺序式探索，偏好课程级调整并在课堂上展示仪表板，而职业教育教师反复回看摘要页，主要将该工具用于个别辅导——证据表明混合分析设计必须情境感知。
同步与异步设计。 这一区分比交付媒介更重要，因为两种形式对学习者提出相反的要求。同步会话把注意力、节奏与问责承载在会话本身之内；异步课程必须把这些设计进去，因为学习者独自决定何时工作，且不从教室获得环境性问责。研究基础常常模糊这一点：本知识库对在线学习中 AI 与参与的综述（24 项研究）将参与单独处理，并明确混淆了同步与异步情境，因此其结论不应读作异步特有的。异步特有的是关于自主进度学习者如何失去专注与节奏的证据：诸如目标设定、环境构建与时间管理等自我调节行为与低数字分心最相一致（Shi et al. 2026，530 名学生），而元认知知识与幸福感（Well-Being）在一个学期内随评估截止日期的聚集而下降（Song et al. 2026，75 名学生）。其实际对应物是关于在 AI 能做作业时如何设计与促进异步课程的 FAQ。
远程教育。 为远程学习的学习者设计的项目，通常大规模且跨地区（例如开放大学的 20 万以上学习者）。远程教育是 24/7、情境嵌入的 AI 支持与面对面监考之不可能性最突出的地方。来自南非教师培养的比较证据表明，媒介本身与准备度相关：Mnguni et al. (2026) 发现，在一所校园型大学的最后一年师范生中，对 AI 整合科学教学的自我报告 TPACK（64.0%）高于一所远程教育大学的师范生（47.4%），两种情境中报告最弱的领域都是教学法知识。这一模式警告：远程项目不能假定同样的 AI 培训会产生同样的准备度，而且差异在于培训的设计，而非其存在。

AI 为在线教学与学习带来的机会与收益

可规模化的个性化。 传统 MOOC 在覆盖面上表现出色，却难以适应——"一个视频对 N 个学生"。大语言模型（LLM）驱动的智能体系统（MAIC）将其反转为"N 个智能体对 1 个学生"，使用专门的教师、助教、同学与分析智能体，以 MOOC 的规模提供自适应教学、个性化反馈和动态学习路径。LearnMate² 等系统通过个性化学习计划、实时情境帮助和自适应活动，解决开放在线学习中的"个性化鸿沟"。个性化视频是通向这一目标的具体路径：Tomlinson et al. (2026) 发现，一门大型在线课程中的学生更偏好 AI 生成的个性化视频而非非个性化的人类录制视频——其个性化效应超过了对真人主讲人所赋的价值——这表明可规模化的、生成式人工智能生成的个性化媒体可以弥合在线教学中"一个视频对 N 个学生"的鸿沟。
全天候、情境嵌入的支持。 在远程与成人学习情境中，学习者在工作场所或家中学习，嵌入课程的 24/7 支持是重大收益。开放大学的 AIDA 助手发现，专门构建、嵌入环境的生成式 AI 支持提高了参与度（在一项探索性试验中使使用时长翻倍），96% 的学生希望它进入正式学习。
可规模化的对话式辅导。 基于成熟的智能辅导技术（keep/change/center/study 框架）构建的对话式人工智能辅导者，承诺提供高质量、基于对话的辅导——调动学生的想法、问题与关于 AI 的误解——远比人类辅导更具可规模化性。
促进与分析。 AI 可以支持在线讨论与学习分析，预测参与度，并帮助教师分配注意力。Hao & Cukurova (2026) 补充说，LLM 生成的讨论摘要可以在大型异步论坛中充当导航性支架——拓宽学生的同伴接触面和桥接型社会资本的网络条件，而无需学生或教师承担摘要工作量。
面向高风险在线学习者的预警分析。 Zhang, Jeffries & Koprinska (2025) 表明，对内容交互日志的可解释机器学习可预测模块级进度，并在大规模在线编程课程中于模块截止日期前 7–8 天标记辍学（"未提交"）结果，给在线教师一个具体窗口去干预脱离参与的学生，而不是事后才发现失败。
可负担性与速度。 AI 可以以传统成本的一小部分生成课程材料——MAIC 将 MOOC 课程制作从约 \ $25K/60 小时降至不到 \\$ 2/30 分钟。

AI 时代在线教学的挑战

在线媒介与生成式 AI 共同加剧了教师必须正面应对的一组特定挑战。在面对面教学可以依赖存在、即时问责与监考之处，在线教学必须为它们做显式设计。

学术诚信与作弊

在线课程本已存在监考难题——面对面监考对分布式、异步的学习者往往不可行。生成式 AI 使这一问题雪上加霜：它使 AI 生成的作品与学生的作品无从区分，并使合同式作弊式的捷径可以规模化实现。本知识库关于学术诚信与 AI 误用与学习损害的证据表明，滥用更多由学生抄答案而非学习所驱动，而非由 AI 出错所驱动。由于在线评估常常无法区分辅助作业与独立作业，滥用可以在侵蚀持久知识的同时抬高即时成绩——一种感知与实际的差距，在教师对学生过程可见性较低的远程情境中尤为危险。检测工具只是局部的、有争议的应对（AI 抄袭检测、远程监考），而本知识库的立场更倾向于真实的、过程揭示性的评估，而非检测军备竞赛。

AI 滥用与认知卸载

最严重的风险是在线学习者把构建理解的认知工作外包出去。表现—学习鸿沟表明，生成式 AI 可以轻易提升即时表现，却绕过了持久学习所需的深度加工。实地证据是直接的：

一项因果 RCT（约 1,000 名高中数学学生）发现，不受约束的 AI 辅助使练习表现提高 +48%，却使无辅助、闭卷考试分数下降 −17%——从未接触 AI 的学生表现优于接触过 AI 的学生。带护栏的"提示而非答案"型辅导者消除了伤害。
人群规模的行为数据（320 万次 ALEKS 交互）发现，ChatGPT 发布后，在 AI 易受影响问题上所花学习时间下降 −26.9%，监考保持题答对的几率下降 −25%——该效应在监考下消失，将其归因于平台外的 AI 使用。

在线学习尤其脆弱：媒介本已使学习者与即时问责拉开距离，而自主进度、基于屏幕的工作会诱发认知外包研究所识别的"要答案"捷径——这是核心伤害机制。应对之道不是禁用 AI，而是施加护栏——提示而非答案的支架、知识扎根与人工监督——使 AI 增强而非取代学习者的认知工作。

其他挑战

过度热心的 AI 促进。 LLM 促进者过度热衷于介入在线讨论，这会使参与者恼火并破坏良好对话；人类的谨慎是更好的榜样（Tsirmpas et al.）。
动机侵蚀。 可感知的"轻松 AI 捷径"的可获得性削弱了自主动机与坚持性，加剧学习伤害。
公平与数字鸿沟。 可靠设备、连接与高质量 AI 的获得情况参差不齐；带 AI 的在线学习可能扩大而非缩小公平性差距（数字鸿沟）。
数据隐私与信任。 在线平台收集丰富的学习者数据；AI 系统引发透明度与隐私关切（隐私），对兼顾工作与学习的成人尤甚。
组织准备度。 KhanMigo 的失败——学习者实际上并未与该聊天机器人互动，收益证据有限——告诫人们，技术能力必须与 AI 治理和组织准备度相匹配。

当提交物可以脱离学习者被产出时的评估效度

如果监考不可行且智能体可以完成作业，本知识库所倾向的应对是改变"什么算作证据"，而非更用力地监管。近期文献中反复出现四种设计应对。

给易受攻击的任务配一个孪生任务。 Roe, Perkins and Giray (2026) 保留有教学价值但易受 AI 攻击的评估——带回的论文或案例分析——再加上第二个较不易受攻击、评估相同学习成果的任务，时间安排得足够近以便交叉验证，并以相互依存的方式评分。他们的映射横跨 Messick 的六类效度证据，设计过程分三步：识别脆弱性、对齐成果并选择孪生任务，然后制定将两者联结起来的评分。一个简短的案例变体、对一个关键决定的解释、或一段简短的口头答辩都可以充当孪生任务。

针对所有权而非作者身份。 Ebrahimzadeh, Shibani and Buckingham Shum 论证，人机混合的作者身份损害了若干形式的效度证据，并提出共同作者诚信本身就是效度证据：当学生提交自己并不理解的 AI 生成内容时，它即被违反。为在规模上核查理解，他们报告了一种 AI 口试，一个运行混合口头答辩的对话智能体，其理解问题的类型与复杂度可控，并由教育专家和评估专家验证。对在线课程而言，这是一种真正可规模化的验证形式，它产出的证据关于理解，而非关于谁曾在场。

将口试搬到线上。 Pentland, Lowenthal and Krier (2026) 恰逢其时地提供提示，让学生录制简短、限时的摄像头回答且不可回看，依据嵌入式评分标准评分并自动生成转录。跨两项研究——一门中级会计试点课和一门数据分析课程——学生在这些评估上的得分高于面对面选择题考试（第二项研究显著，第一项呈正向趋势），中等程度的跨形式相关支持聚合效度；学生报告准备方式不同，并使用了更多主动学习策略。该形式直接解决了异步问题：思考在学生选择的时间实时进行，其管理成本不随班级规模增长。

对作业排序，使推理先被提交。 Brcic and Frljic (2026) 把设计问题框定为位置而非许可，他们汇总的因果证据显示，结果仅随位置而翻转：那个使高中学生在无辅助考试上差约 17% 的不受约束帮手，一旦重建为不给出答案，便不再造成伤害；而一个工程精良的辅导者使学习大致翻倍。他们的诊断值得记住：如果让 AI 进来使任务变得轻松，那它就放错了位置。 操作上，这给出了一门在线课程可以写进作业的序列——思考、提交、使用 AI、批判、修改、解释——其中提交步骤使其余部分变得可评估，因为从零产出的作业没有可供追问的修改历史。其下坐落着本知识库命名为元认知不一致的完成的状态：理解从未到达，学生却提交了正确、完整的作业，这在异步课程中与成功无从区分，除非设计提出了更高的要求。

无论教师选择何种组合，有一条约束应塑造它。在线学习常常是唯一可及的选项——学生因就业、照护责任、残障或地理而选择它——因此验证必须小而适度：一段简短的录述、一个个性化应用、对教师所提问题的回答、一条注释过的决策轨迹、一次低风险的个人检查。检测在此有其公平成本，因为标记非母语写作者的工具会不成比例地产生误报（人工智能检测、数字鸿沟）。