AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

教学

创建 2026-08-09 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

教学——人工智能如何重塑教育者的工作、身份与自主性。知识库中有 50 多篇文章考察了这一维度，记录了一场根本性的转变：从唯一的知识权威，转变为人机协同学习环境的设计者。本页不只是描述这种转变，而是详细说明教师实际做了哪些不同的事、他们如何调整实践，以及这一切如何与学习设计、AI 素养和学术诚信相联系。

Malyn-Smith 等（2026）称之为"更有人性的悖论"：在由 13 个国家的 20 位研究者共同构建的六个 2030 年情景中，人工智能的饱和不是取代而是强化了人类的教学工作。这些情景把人工智能描述为"学习生态系统的空气处理系统"——只有它出故障时你才会注意到。

值得思考的问题

  • 本页描述了教师从"唯一的知识权威"向"人机协同学习环境的设计者"的转变。当你不再是内容的主要来源时，作为教育者你得到了什么，又失去了什么？
  • 该页主张人工智能重新分配了教师最稀缺的资源——注意力——从生产材料转向理解学习者。这种重新框定是否成立？你会真正利用被腾出的时间做些什么？
  • 本页引用的研究显示，教师是主动的人工智能设计者——他们撰写提示与支架，塑造人工智能对学生行为的方式——而不是被动的使用者。对你自己（或你认识的教师）来说，要觉得自己是人工智能的设计者而非使用者，需要什么？
  • 在"教师–人工智能协同"光谱的远端，教师指挥着一个由人类学习者、人工智能导师和课程资源组成的团队。在这个团队中，人类判断在何处仍然不可替代？如果这种编排大多交给人工智能，什么会悄悄被侵蚀？
  • 如果教师的注意力从生产材料转向理解学习者，这会引入哪些新的能力要求与风险？谁来支持教师发展这些能力？

引言

这里所说的教学，指的是人工智能重塑之下的专业角色：更少的内容传递，更多地对人类与机器参与者进行编排、解读学习者真正理解了什么，以及设计人工智能使用在何种条件下才正当的条件。汇集在这一概念下的页面记录了教师与人工智能的协同以及工作流程的变革、该角色现在要求的胜任力，以及效率提升与个体支持所需注意力之间的张力。它与教育发展、AI 素养和评估并列，是决定人工智能融入究竟是改变实践还是仅仅装饰实践的若干角色之一。学习科学是重塑这一立场的研究领域：它们描述并检验学习如何发生、哪些设计能改变它，而本页覆盖的是必须在当下依据这些证据行动的课堂角色。

人工智能如何改变教学

  • 从讲授者到编排者：教师与人工智能协同的五个层级和自主性编排研究勾勒出从"人工智能作为工具"到"人工智能作为教学伙伴"的光谱。在远端，教师指挥的团队包括人类学习者、人工智能导师和课程资源，而不是自己传递全部内容。

  • 工作流程的转变：How AI Is Changing Teaching Workflows记录了人工智能如何把教师的时间从内容传递转向个体支持、反馈和课程设计等更高价值的活动。教师最稀缺的资源——注意力——从生产材料被重新分配给理解学习者。一篇语言教师系统综述（Li 等，2026）印证了这一点：教育者最看重生成式人工智能的准备工作（备课、材料制作、写作支持），而对课堂实时使用则较为犹豫；他们的采纳受专业身份、教学、技术、制度和学术诚信等因素塑造，能力缺口映射为 episteme（理解人工智能的能力与局限）、techne（提示工程、人工智能增强的任务与评估设计、检测人工智能生成的文本）和 phronesis（伦理判断、偏见与隐私处理、依情境而变的判断）。教师的时间从内容传递转向个体支持、反馈和课程设计等更高价值的活动。教师最稀缺的资源——注意力——从生产材料被重新分配给理解学习者。

  • 胜任力要求：教师人工智能胜任力框架界定了教育者需要知道什么，从基本的工具熟练度到有教学依据的编排。采纳研究识别出真正的障碍：信心、制度性支持与工作量顾虑。Bai 与 Hsieh（2026）在一项对 898 名中国大学教师的结构方程模型中为此增加了实证分量：有生成式人工智能支持的教学创新并不那么依赖孤立的人工智能技术知识，而更依赖嵌入学科与教学之中的人工智能胜任力（AI 素养与专业身份），二者都部分中介了"胜任力→创新"的关系——这提示师资发展应围绕嵌入式的、与身份关联的人工智能胜任力来建设，而非只做工具培训。

  • 把"准备就绪"视为一种设计能力，而非一种态度：Charles（2026）论证说，教师在人工智能丰富的互动式学习中的准备状态无法从采纳率、信心或数字胜任力上读出，因为这些都不能预测教师实际产出的设计质量。"依设计而就绪"（readiness-by-design）是以行动为导向的：教师通过设计中介（工具选择、任务与提示设计、支架搭建、透明性、验证、评估重构、无障碍规划与人工监督）来调动与人工智能相关的教学知识、教学信念、自我效能和伦理取向，而这一切发生在使之得以实现并起调节作用的制度与政策生态之中。有两个论断具有实践分量。自我效能是调动的资源而非质量指标，因此缺乏人工智能相关教学知识或伦理取向的信心可能加速糟糕的设计。政策清晰度与物质支持是彼此独立的调节因素，因此一所资源充足的学校仍可能让教师不清楚哪些做法是被允许的。Charles 也不把"不使用"等同于"未准备好"：经过推理而决定暂不采用人工智能，本身就可能是准备就绪的表现。

  • 共同设计与自主性：教师自撰提示和面向教师的氛围编程显示教育者是主动的人工智能设计者，而非被动使用者——他们撰写塑造人工智能对学生行为的提示与支架。在儿童的 STEAM 艺术课程规划中，Luo 与 Tahir（2025）通过实验证实，教师如何委托给 ChatGPT 很重要：在自己拟出的提纲中填补内容空缺（60% 的人偏好并推荐的方法）既保留了教师的设计自主性，又提升了专家评定的方案质量（中位数 20.5 对 17.6，p = .002，效应量大），优于让人工智能生成完整方案或仅对完成稿做检查。人工智能主要充当灵感来源与找短板的协作者，而不是全新创意的源泉——这强化了教师仍然是设计主体与产出裁判者，包括发现工具所遗漏的儿童安全与文化偏见问题。一篇对教师与人工智能共同设计学习任务的系统综述（Wang、Liu 与 Islam，2026）发现这种共同设计者的姿态仍不均衡——主导模式仍是"人工智能作为助手/内容生成器"——而Talebzadeh（2026）显示，教师作为"双语学习设计者"的自主性，才是把人工智能设计的团队活动转化为差异化、与 ZPD 对齐的教学的关键。

  • **制作一个机器人不等于控制它教什么。**27 名中学教师配置了一款"按目的与规则"的聊天机器人创作工具，生成的对话行为只有部分保真：响应性对齐率从 88.9%、人物设定 81.5%，下降到规则遵循 70.4%、目的 59.3%，且规则遵循依所选模型而异——这种"执行/评价缺口"使"教师作为设计者"这一角色成为对意图的排练而非其保证（Riahi 等（2026））。

  • 职前培养：基于 TPACK 的培训和教育发展项目让未来教师在进入课堂之前为人工智能增强的课堂做好准备。模拟学生角色扮演把它延伸为动手实践：一个扮演充满数学迷思概念的中学生的定制 ChatGPT 机器人（Student GPT），让职前教师在低风险环境中演练诊断与引导学生推理，为一项核心教学任务——读懂并补救学生的思维——做好准备。

  • 一个教师侧的前沿，其证据基础几乎尚未进入：Štefánik 等（2026）汇集了 Edustories——1,492 篇教师撰写的真实中小学课堂案例研究——内容涵盖棘手的课堂行为、教师尝试的干预以及随后发生的事，这恰恰因为大多数人工智能教育研究针对的是个体化的学生辅助，而大多数教学却发生在集体课堂中。用四个语言模型家族基准测试"能否预测某项干预是否成功"，最强的模型达到 58% 准确率，而人类专家为 64%；作者从两个方向解读这一差距：既是当前面向教师辅助的局限，也是新出现潜力的证据。本页从中得到的是一处可测的天花板而非能力宣称：给教师的建议必须优于专家判断才值得信任，而今天的排序恰好相反。Yalçın 等（2026）对 46 项高等教育编程课程中生成式人工智能实证研究的 PRISMA 综述也呈现了平行的缺口：教师角色与制度实践是该领域最少被研究的领域之一，46 项研究中有 26 项未给出可编码的教学方法描述，因此产生所报告结果的设计决策，往往连其他教师也无从得见。

  • 人工智能实际在工作中的何处进入，按任务划分：Holster（2026）利用来自 56,669 名教师的 TALIS 2024 数据，以 46 个教育体系中 24,058 名人工智能使用者为"分配"样本，把"采纳"与"分配"区分开来。某项任务在教师自身平均需求之上高一分，就更可能获得人工智能帮助（OR = 1.163），但方向因任务而异：备课随需求上升（OR = 1.084），评估与批改下降（OR = 0.921），特殊教育支持与调整则大幅上升（OR = 1.442，在需求范围内预测落差从 34.0% 到 50.3%）。其胜任力与政策解读是：教师已经把高风险的批改留给人，而在个体化的调整工作上求助于人工智能，因此把教师的人工智能使用当作单一行为来对待的指导方针，会错失真正需要支持的地方。

角色转变在现实中是什么样子：具体例子

"编排者"这一抽象说法，通过教师工作中具体而日常的转变更容易把握：

  • **从亲手编写每一份讲义，到策展人工智能生成的草稿。**一位过去要花一个晚上制作差异化练习册的教师，现在让人工智能生成三个难度不同的版本，然后花同一个晚上审阅并改编它们——这是从"撰写"到"编辑判断"的转变。Curriculum-as-Code工作流使这条流水线变得显性，Kibar 与 Ilgaz 的系统综述则显示人工智能扮演着"同事"——先起草内容，再由设计师精修。对人工智能生成的科学课程方案的专家验证，明确了这种编辑判断必须权衡什么：Karaismailoglu、Surmeli 与 Yildirim（2026）发现，11 位科学教育专家把 ChatGPT-4 与一款面向教育的工具的六年级方案评定为可用的草稿——11 人中 7 人认为"经修改后适用"，仅 3 人直接判为"适用"——且偏好与原始评分背离（7 人更偏好评分更高的教育工具，4 人偏好通用方案），因为判断权衡了超越结构保真度的情感与情境维度。人工智能的草稿能否变成一堂可教的、贴合情境的课，教师仍是裁判。
  • **从讲授到实时教练。**教师不再向全班重复同一套讲解，而是把常规问题路由给人工智能导师，把面对面的时间留给需要人类判断的学生——工作流程研究记录的正是这种注意力再分配。
  • **从批改到设计人工智能钻不了空子的评估。**教师不再依赖大语言模型轻易就能解决的回忆型任务，而是设计真实性评估、评估量表和能保住学习收益的形成性任务。
  • **从教内容到教使用。**教师的工作日益包括示范如何提示、评估并负责任地使用人工智能——一门编织进每门课程的AI 素养课程，而非一门独立科目。
  • 从阅读仪表盘到依情境地据此行动。Mejia-Domenzain 等（2026）显示，教师实际使用分析仪表盘的方式因情境而分岔：翻转课堂（大学）教师遵循顺序式探索，偏好课程层面的调整并在课上展示仪表盘；而职业院校教师则反复回看汇总页，把该工具主要用于个别辅导。教师所提议的行动由被呈现的内容与他们的教学层级塑造，而非图表类型——大学教师偏好每周测验与课程调整，职业院校教师偏好直接的、个体化的辅导。这指向需要情境感知的仪表盘设计与差异化的教师支持，而非一刀切的分析界面。
  • 从接收告警到对它们作出判断。Swidan（2026）跟踪了一位教师和八名成绩优异的高中生在 GeoGebra 几何课上：Dash4Emotion 用红色矩形框标出处于负面情绪的学生，结果发现告警本身并不驱动结果——教师在每次告警之后的动作才驱动：把 Mira 的任务从"求最小值"重新框定为"最小点的几何轨迹"，重新打开了她的探究；三条同时的告警触发了全班性的重新框定；而某一节课的刻意不干预，本身就是一次教学决定。该研究的立场是：人工智能生成的情绪告警是一则需与教师所见一并解读的线索，而非一条必须服从的指令。
  • **从协作反馈的守门人到有原则的促进者。**Community Builder（CoBi）的课堂试点显示，教师角色决定性地塑造着实施保真度：把人工智能的发现与可视化用于激发对协作的元认知与批判性反思的教师，达到了高保真度的使用；而任其系统漂移成绩效监控、或跑题泛谈人工智能的教师则没有。教师也担心被实时反馈"当场将住"，偏好行动前/行动后的回顾而非现场展示，这凸显出：要在全班层面编排协作式人工智能，需要大量的专业学习，而不只是工具熟练度。
  • **从用人工智能教学到代替它现身。**在数字鸿沟使每个学生都没有设备的地方，教师可以成为系统的物理界面——一个代理人，而不是它的编排者。在Rodrigues 等（2026）的"AIED unplugged"模型中，学生继续用纸笔作业，由教师拍摄他们的解答，人工智能再把个性化的练习清单和针对具体错误的反馈交回给教师发给学生。这是横跨 19 个真实巴西小学班级的分组准实验，而非原型演示；其两项结果直接关系到这一角色。第一，相对常规实践的学习优势来自单次 50 分钟的教师培训，而非技术：培训条件与"培训＋系统"条件在增益上没有差异（−4.33，95% CI [−17.29, 7.23]），因此起作用的活性成分是准备，而非工具。第二，系统自身的收益是经由教师间接起作用的——努力度的降低中介了对增益的正面效应（3.649，95% CI [1.097, 6.398]）——因此其效应抵达了人工智能从未直接触及的学生；而教师所描述的"拍摄–核验"劳动（拍摄作业纸、等待处理、纠正识别错误），是把人工智能延伸到资源不足课堂的教学成本的一部分。
  • 从信息提供者到学习设计者。Hochberg 与 Waitzman（2026）跟踪了 93 位教师完成为期八周的人工智能项目，发现实践朝着面向学习者自主性的 heutagogical（自导）设计转变，尽管经调整后的自报转变并不显著，且学习者结果未被测量。

编排隐喻

知识库中占主导地位的隐喻是编排（orchestration）：教师协调人类学习者、人工智能导师和课程资源。这与"替代"叙事形成对比——人工智能是增强而非取代人类教学。实证证据支持这一立场：一项遵循 PRISMA 的系统综述（42 项研究，2023–2025）发现，大语言模型在简短、结构良好的任务上与人类评分者相当，但在更长、多语言且微妙的工作上表现下降——结论是大语言模型无法完全取代教师，混合式、人在环路的评估系统取得最高的评分有效性（Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback）。编排视角把教师的核心技能重新框定为判断：在给定学习者与时刻，决定人、人工智能还是一套设计好的学习活动才是恰当的工具。一项针对Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects的 2026 年 PRISMA 综述（29 项研究）把这个隐喻锐化为一个四阶段循环——监控、判断、干预、编排——并说明为何不能假定其中任何一阶段。教师偏好共享控制，接受、修改、拒绝或覆盖人工智能的建议；有人刻意推迟干预，以便学生先进行有成效的挣扎；而扩展了认知的仪表盘，也可能使注意力过载，或超出单个教师能实际处置的范围。该综述提出的三种策略——对人工智能输出的教学性转译、学习支持的设计、互动结构的重建——把这项工作描述为再情境化（recontextualization）而非认可，这把教师放在更接近"中介者"而非"人在环路审查者"的位置。课堂观察把这些行为命名为类型。六节由一位资深教师执教的课，在 Drijvers 的四种编排类型之外增加了三种——仪表盘监控、人工智能纠错和人工智能中介——教师在纠正人工智能生成的反馈时，其内容角色与伦理角色最为可见（Noh 与 Kim，2026）。

演进中与批判性的教师角色

近期的工作把编排隐喻扩展为更丰富的角色概念化：

  • 跨越活动转换的共同编排者。Yang 等（2026）用参与式"快速相亲"（speed dating）与 17 位教师和 13 位学生一起，绘制课堂活动的各个阶段——个体工作与协作工作之前、之中与之后的转换——中控制权应如何分布，所依托的是一个支持实时动态配对的共同编排工具。由此浮现的设计原则是：控制权不是一个固定点——教师与学生在每个阶段想要的自主性分量不同，工具应让教师实时调整分组、活动转换与干预时机，同时保留教师的覆盖权。这把教师定位为整个鲜活学习环境的共同编排者——一个比一般编排隐喻更具体的角色，聚焦"谁与谁合作、何时、以何种支持"这类颗粒化、逐时刻的决策——并把个体辅导研究连接到课堂层面的设计。
  • **"认知编舞者"。**后人类主义框架把教师重新塑造成认知编舞者，编排分布在生物系统与人工系统之间的认知，超越了 技术教学内容知识（TPACK） 与 SAM 这类工具主义模型。（Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI）
  • **促进者、共同探究者、伦理监督者。**在科学学习中，教师的角色从知识传递者转向促进者与共同探究者，并对学生负责任地使用人工智能负起新的伦理监督责任。（Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives）
  • **学习原则的中介者。**教育者通过人工智能把古老的学习原则（经验、情境与分布式认知）付诸操作，把人工智能视为增强而非取代教育者引导角色的工具。（Empowering Educators: Operationalizing Age-Old Learning Principles Using AI）
  • 把人工智能输出变成批判对象的批判性中介者。Canonigo（2026）跟踪了十位中学数学教师完成为期八周的 ChatGPT-4 干预，识别出五种中介实践：让人工智能出题、设计为逐步淡出的提示支架、把人工智能输出与学生自己的作业作批判性比较、差异化提示（给困难学生一个视觉类比，给同伴一个三次函数的拓展），以及让人工智能充当反思性对话伙伴。凡是实施了这些实践的课堂，输出变成了可以与之争论的东西，而非答案键；学生走向猜想与元认知式提问；而缺乏中介之处，权威迁移到了算法一侧——学生先问人工智能再问教师，回来只为获得确认，一位教师把这描述为从"神谕"到"编辑"的转变。该研究的公平性发现最为尖锐：在 300 条模型回答中，免费档模型有 32.7% 的实例不准确，而付费档为 12%（χ²(1) = 17.5，p < .001），于是那所资源不足学校的教师称它"对数学几乎没用"。工具质量，而不只是工具可及性，成了一个教学变量；而某位教师所在学校的可接受使用政策已有十年之久且对人工智能只字未提，把治理缺口留给了课堂。
  • 不安且脆弱的专业身份。Farazouli 等（2026）记录了角色重构的情感一面：24 位瑞典大学教师把 GAI 的出现体验为令人震惊和难以承受的，报告了一种"脆弱状态"（信心低落、不安全感、害怕"落后于学生"），并感觉"卡"在乌托邦与反乌托邦两种话语之间。GAI 促使他们重新评估自己的优先事项——培养批判性思维、评价性判断力和合乎伦理的 GAI 使用——并质疑自己与大学在一个感觉"失控"的格局中的未来角色。这把教师角色的转变框定为身份层面的、带有情绪强度的，而不只是一次技能或工作流程的变动。
  • 作为数字中介者的学术发展者，包括充当刹车。Sithole（2026）访谈了两所南非历史上处于弱势地位的院校中十二位学术发展者与学习设计师，发现这一角色正从促进反思性教学转向技术中介者与问题解决者，其调解横跨教学、伦理与制度政治。其独特之举是把"慢下来"当作工作的一部分：一位参与者这样描述在"管理层想要的、技术能做到的、以及讲师真正担心的"之间做翻译，并在热情抢占先机之前先点名抄袭、学生依赖和把思考外包出去的问题——"这不只是技术支持，也是谈判。"同一研究还记录了情感成本（"我感觉自己像个冒牌货。我一边学人工智能一边干，机构却期待专业性"）与专业学习上的回应：能够测试并故意把工具弄坏的同伴空间，目标是判断力而非技能，以及对"采纳还是抗拒"二元划分的明确拒绝——"我不是反人工智能，我是支持具体情境的。"
  • 有原则的选择性，而非采纳或抗拒。Adiozaman 与 Segar（2026）对一个学期内三次访谈了两位有十年以上经验的学者，发现其身份工作围绕三组相互关联的张力展开——教学对平台、教育者对促进者、关怀对合规——而这些张力并未解决成一个稳定的立场，而是收敛为有原则的选择性：由教学价值、伦理承诺与专业判断引导的、依情境而定的决定。他们描述了一条轨迹：从隐含的取向，经由学期中的策略（请学生解释自己的思路、重新设计任务与评估），走到刻意保持开放而非固定的姿态；拒绝某一种使用被当作判断的正当行使，而非一次未能采纳的失败。这为上面记录的脆弱性提供了建设性的对应物：角色转变所要求的是判断，因此围绕工具培训构建的制度回应解决的是错误的问题。
  • 半自主是首选的操作点。Dai 等（2026）调查了 27 个国家和地区的 287 位有生成式人工智能经验的教师，发现他们把这个工具放在自动化量表的半自主层级——130 人选了第 2 级（"教师辅助"），94 人选了第 3 级（"部分自动化"），恰好有一人选了第 6 级——把它描述为"辅助""支架""补充"或"伙伴"。感知有用性主导了他们的采纳意愿（β = .832，p < .001），而感知到的人为自主性只通过有用性间接影响意愿；风险厌恶压低了意愿，却没有削弱有用性，因为他们的担忧系于学生的使用——作弊与诚信、基础知识与高阶思维被削弱、幻觉、人际互动减少，以及伦理、法律与公平性风险。作者"亦敌亦友"（frenemy）的标签精确捕捉了这种姿态：生成式人工智能作为支持工具被珍视，作为自主代理被怀疑。对教学角色的推论是：教师想保留决定权，并逐个案地定夺——学科、学生需求、任务类型、时机——因此编排工具应围绕人工监督与个案层面的判断来构建，而不是围绕自主性的承诺。
  • 权威留在教师手中；能力只在它内部扩张。Reichert、Briceno、Tabarsi 与 Barnes（2026）让六位 6–12 年级的中学教师（社会研究、数学、动物科学、科学，以及计算机科学与机器人）为自己的课堂做一款大语言模型聊天机器人的纸面原型，发现每一个原型都编码了同一种姿态：系统是一个有边界的专家——专业化，但被限定在明确领域内并受教师监督。教师划了两条边界。权威边界源于专业与法律责任——对学生学什么、如何保障其安全，控制权不可让渡，因此监督（完整对话日志、对不当查询的实时告警、人工覆盖）被当作角色的义务，而非对工具的检查。专长边界源于模型不可能知道的东西：个别学生的历史、班级动态和制度规范。随后，委托在教学中被选择性地分配——教师欢迎人工智能来呈现内容、提供练习、搭建支架并给出形成性反馈，但把告知学生目标和终结性评估留给自己。这为上面记录的半自主偏好提供了一个具体架构：教师的权威是固定元素，人工智能的能力只在它之内生长。
  • 教师作为负载价值的评分者。Luo 与 Dawson（2026）显示，为生成式人工智能辅助的作业评分并非中立的、依标准而行的行为，而是一次受教师对学生是谁（诚实、勤勉）、能做什么（独立性、生成式人工智能技能、学科掌握）、如何与他人相处（信任）以及该决定是否导向好结果（公平、行善）之推测所塑造的价值判断。教师常常意识不到自己评分背后负载的价值取向，而这些取向因学科而异（人文学科对生成式人工智能的使用更批判；硬科学/应用科学的评分争议更少），也因认识论立场而异（绝对主义/多元主义/评价主义）。这把教师定位为一位评价性专业者，其判断——而不只是工具使用——必须得到支持并变得透明。
  • **教师作为"教学上有意义的解释"的裁判者。**因为当解释以教师的课程/教学语言框定时，教师对人工智能推荐的信任上升，而按原始模型内部机制框定时则不然，所以有效的工具必须"会说"教师的领域。在一项被试内实验中，Feldman-Maggor 等（2025）发现，对一款人工智能分组工具给出的领域驱动解释，远比数据驱动的特征重要性解释更受信任和接受，这定位了教师的教学词汇是人工智能赢得信任与使用的界面——而教师对"某个解释在教学上是否站得住"的判断，是采纳的一个决定因素。
  • 功能可被部分委托的促进者。Kuhail 等（2026）让 32 位 STEM 学生分别由人类主持人、人工智能聊天机器人（GPT-4，提示中给出对教师角色的期待：中立、均等的发言时间、简短的指令、不离题的约束、追问、降级处理），或二者交替主持辩论，发现在有效性、愉悦度、满意度、效用与复用意愿上没有显著差异（t = 0.23 到 1.30，p = 0.198 到 0.818）。作者把这个零结果解读为规则约束型讨论中人机协作的常态化，而非等价性。复用的路径确有不同：人类主持下，满意度驱动使用意愿；而人工智能主持下，则是感知效用驱动（0.806 对 0.495），因此人工智能主持的活动靠被证明的用处存活，而不是靠它感觉起来有多愉快。实践解读是：在人工监督下，把人工智能主持当作大班或师资单薄课程的规模化辅助手段，而其对讽刺、间接语言和少数群体沟通风格的公平性尚未验证。
  • 目的的设定者，而不只是胜任力的设定者。Fagerlund 等（2026）访谈了 13 位从学前到 9 年级的芬兰教师，问他们学生为什么应该学习人工智能、并用人工智能学习，并以 Biesta 的资格化（qualification）、社会化（socialization）与主体化（subjectification）三个框架来解读他们的说法。资格化是最清晰、最具体的目的，涵盖人工智能既作为学习的目标又作为学习的工具；社会化表现为培养对人工智能的有利态度、把学生培养为懂人工智能的未来工作者；主体化——自主决定且对个人有意义的投入——被认可为重要，但其背后没有具体的教学策略，只停留在"讨论与体味"。作者提出知情的人工智能自主性（informed AI agency）：以主体化为中心、以胜任力为根基，这赋予教学角色一项设定目的的职责：把"为什么"讲明白，使技能获得语境，而不是作为目的本身自立；并用对教育目的的持续关注，来补足 技术教学内容知识（TPACK） 这类技术框架。

这些角色把教师工作与分布式认知、情境学习、具身学习和批判教育学联系起来，并把教师重新框定为人工智能所中介的学习的设计者与伦理引导者，而不只是一个使用者。

  • 人工智能支持的决定集中在有行为数据可用的地方。Köroğlu 等（2026）综述了 27 项实证研究（2016–2025），识别出八种讲师决定类型，发现人工智能的支持集中在教学类、反馈和评估决定上，而课程、学习环境、情绪、伦理与行政类决定极少得到支持。学习分析仪表盘是最常见的系统，把文本与日志数据处理为表现与投入的行为指标；多模态人工智能与基于互动的数据、能动性系统（agentic systems），以及认知、元认知、动机与情感类结果，在受综述的语料中都相对罕见。对讲师的实践解读是：人工智能工具所能打开的决定空间，受限于它所呈现的数据，因此选择工具同时也是在决定支持哪些教学决定。

教师应如何调整教学实践以适应人工智能

知识库中的证据收敛为一组具体的调整：

**设计人工智能的教学外壳，而不只是工具。**同样的人工智能，能带来很大的学习收益，也能带来净损害，取决于围绕它的活动如何设计。Kibar 与 Ilgaz与学习收益的证据是一致的：教师的工作是设计学习体验，把人工智能当作结构化活动中的一个组件，而不是答案引擎。先为学生的尝试搭支架，再让人工智能来教练——这是评估与绩效虚高之间的区别。

**要求一个人工智能人在环路检查点。**不要照单全收人工智能的产出，而要教学生去评估、修正并对人工智能辅助的工作负责。合理使用式的人工智能素养把这框定为在人工智能的生产力与真正的人类繁荣与作者身份之间取得平衡。把作业设计成：人工智能帮助起草，而学习者仍是评估与修订的行动者。

策展人工智能的反馈草稿，不要原样转发。Chen 等（2026）给 64 位中国职前教师提供了 ChatGPT 辅助的议论文写作反馈，发现把输出当作草稿材料而非定稿评语，使批判性思维发生了仅靠教师反馈未能发生的移动（后测 Cohen's d 为 3.74，而前测为 0.25，p < .001）。教师对草稿所做的处理才是可迁移的部分：他们照搬与自己水平相当的内容（28%），以更深入的投入加以扩展（16%），直接提供（16%），加以修订（14%），或整个弃用（14%），另有 9% 需要纠正。辅助反馈偏向示范（demonstration，33.1% 对 10.9%）和探问（紧密追问，21.5% 对 6.0%），学生朝分析、评价与创造的方向修改，而非停留在再认；但八位受访者中仍有六位报告其不精确和不专业。教师的验证步骤，才是使这种混合方案安全的那一步。

**让评估适应人工智能时代。**远离大语言模型能逐字完成的任务，走向真实性的、基于过程的、以及现场的评估。评估量表给教师一把尺子，判断每个阶段多少人工智能辅助是正当的；而元分析证据显示，当评估设计要求高阶思维时，人工智能可以支持高阶思维。

**保护持久学习所需的条件。**因为人工智能的答案让学习看起来很轻松，教师必须为对抗绩效–学习缺口而设计。Lodge 与 Loble警告说，借助人工智能的轻松成功可能掩盖学习的缺席；教师应安排有成效的挣扎，要求未经辅助地证明掌握，并把人工智能支持的回答当作起点而非成品。

**为传递媒介做规划。**调整不是媒介中立的：在线教学加上人工智能，既放大了机会（可扩展的个性化、全天候支持），也放大了风险（诚信、外包）。在线环境中设计人工智能外壳，要与面对面情境同样刻意。（Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation）

把人工智能素养融入教学

人工智能素养不是一个独立模块——它编织进教师设计每门课程的方式之中。有效的做法包括：

在人工智能时代保障学术诚信

有人工智能的学术诚信是一个设计问题，而非监管问题。教师的调整方式包括：

  • **把诚信重新框定为围绕过程与作者身份。**不要靠检测，而要把学术诚信强调为透明的、有记录的使用。能动性人工智能与"幽灵学生"研究显示，当学生以人工智能代理代劳时，诚信风险随之转移，因此教师必须定义：当"幽灵"是人工智能时，作者身份意味着什么。
  • 使用披露与框定。如何为学生框定人工智能的使用——是拐杖还是正当工具——塑造了他们是否披露它。透明规范（例如披露人工智能使用）降低了隐藏使用的动机。
  • **把作弊的激励设计掉。**真实性的、基于过程的、现场的评估（口试、作品集、被观察的问题解决）比人工智能检测工具更能降低外包的吸引力。评估量表与真实性评估是检测军备竞赛的建设性替代。
  • 任务层面的教育中的人工智能监管是教师实际治理人工智能的方式。Chirikov（2026）对 31,000 多份课程大纲的研究显示，教师日益扮演任务层面的监管者而非套用一刀切的规则：他们在起草/修改（79% 的课程）和推理/解题（65%）上限制人工智能，在编辑/校对（83%）和学习支持（80%）上允许，而构思/规划则最有争议（46% 允许 / 54% 限制）。这种差异化——建立在哪些任务被人智能取代、哪些被人智能增强之上——是一条具体的、由教师驱动的、替代"要么采纳要么禁止"政策之路，并把教师角色置于政策形成的中心位置。

把教学与学习设计相连接

教学与学习设计是一枚硬币的两面——教师的日常判断就是设计好的学习经验的现场执行。人工智能拉紧了这一连接：

  • 教师作为学习设计者。LearnAI与教师自撰提示设计显示教师行使着设计者的职能：指定活动、人工智能的角色，以及组织学习的支架。这是在使用点上的学习设计。
  • **学习设计原则统摄人工智能教学法。**同样的学习设计原则——明确的目标、对齐的评估、脚手架和反馈——决定人工智能是帮忙还是添乱。ISD-Agent-Bench实证验证了：把人工智能设计扎根于形式化的教学设计模型，优于没有理论依据的提示。
  • **为教师的编排而设计。**有效的人工智能学习环境是把教师放在心上来设计的——工具所提供的以人为本的人工智能应减轻教师工作量、增强判断，而不是再加一个不透明的黑箱。当教师共同设计人工智能学习活动时（活动理论视角），采纳与质量同时改善。

与学习者身份的关系

教师角色与学习者身份是同一人类过程的互补两面，而人工智能同时重塑二者。

  • **教师身份是一种专业身份；学习者身份是一种学习身份。**教师角色页记录了人工智能如何重塑教育者的工作、身份与自主性——他们不断演化的专业自我理解（参见Laidlaw 把生成式人工智能框定为身份危机的说法）。学习者身份是学生的平行构念：他们作为学习者是谁、正在成为谁，体现在学科、专业、创造与学术意义上。
  • **二者因果耦合。**体验到身份断裂的教师（对生成式人工智能之下专业目的的不确定）更无力支持学生的身份发展——怀疑自己角色的教师，很难在同一领域里确认学生正在形成的自我感。反过来，保持着自信专业身份的教师，更有条件为学生的归属感与作者身份搭支架。
  • **不同的失败模式。**教师身份受角色过时和目的的威胁（"教书还有什么意义？"这一问题）。学习者身份受作者身份丧失和胜任力的威胁（"这真是我做的吗 / 我够好吗？"这一问题）。二者都是身份层面的（而非只是技能层面的）对人工智能的回应。
  • **二者都是专业发展与教学关切。**支持教师身份属于教育发展与教师AI素养；支持学习者身份属于学生体验、真实性评估和学习者自主性。一个设计良好的人工智能整合系统会同时关照二者——因为教师的身份是学习者身份得以形成的条件。

早期人工智能素养的教师共同设计

  • **早期人工智能素养中的教师共同设计。**Lee（2026）显示，两位学前和两位幼儿园教师共同设计了 Play With AI（PL-AI）课程，信心与教学自主性都获得了显著增长，共同设计促进了课程所有权、反思性实践和有意义的改编。这把教师定位为发展适宜的人工智能素养课程的核心共同设计者——不只是实施者——这一模式对教师培养在幼儿人工智能教育方面有启示。

教师共同设计人工智能学习资源

  • 教师的角色延伸到共同设计人工智能学习资源：面向无人机 STEM 教学、由教师与人工智能共同设计的模拟，使生成式人工智能的输出保持教学有效与情境相关；而教师是"教师人工智能素养量表"（Teachers' AI Literacy Scale）的目标受益者。有效的生成式人工智能整合日益依赖教师参与设计。

AI 反思系统应适配教师经验

  • 面向教师的 AI 反思分析应当按专长适配，而非一刀切。 一项对 100 名美国 K–12 教师的调查（以九年为中位分割；二项检验；~83% 的检验功效可检出 15% 的选择差异）发现了系统性的偏好分裂。经验较少的教师把缺乏反思时间列为首要障碍的比例是经验丰富者的 3 倍（37% 对 12%，p < .001），并想要关于学生脱离参与（48% 对 33%，p = .028）与情绪（31% 对 18%，p = .036）的分析。
  • 由这一分裂得出的设计规则是经验适配的推荐模式。 经验丰富的教师想要关于帮助学生后学习改进的分析（40% 对 26%，p = .019）以及关于他们教学方法（42% 对 26%，p = .012）的分析；他们的首要障碍是跟踪表现（28% 对 15%，p = .009）。设计规则：新手模式 = 结构化提示与投入分析；专家模式 = 灵活的纵向分析——这是一个反对统一仪表盘的直接论据。（How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment）

关联概念

关联文章

相关常见问题

元数据

层次K 12, Higher Ed
目标读者Instructors, Faculty Developers, Learners
学习与教学脚手架
技术与方法智能辅导
教育中的人工智能基础AI 素养, 教育发展, 学习设计, 教师AI素养
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。