人工智能+教育 | 從備課到評價，人工智能如何全程賦能教學？

教育部等五部門近日印發， 明確提出推動人工智能人才培養與素養提升、促進人工智能與教育深度廣泛融合、建強“人工智能+教育”基礎環境、優化“人工智能+教育”發展生態等四大重點任務。

基于此，《中國信息技術教育 》 雜志推出“人工智能+教育”專題系列，旨在系統追蹤政策落地動態，深度呈現一線創新實踐，凝練可復制、可推廣的經驗范式。

人工智能對教學全過程的賦能作用：基于三元協同與循證教研的實踐探索

李淵浩 江彥彤

廣東省廣州市教育研究院基礎教育教學研究所

本文以“三元協同”（師-生-機、師-師-機）為主體框架，以“循證教研”（問題導向—證據驅動—迭代改進）為方法論，系統剖析了人工智能對教學全過程（課前集備、課中實施、課后反思）的賦能路徑，并結合真實教學實踐及區域校本教研案例，論證了人工智能如何通過多源證據采集、實時數據反饋、精細化分析，支撐三元協同主體實現精準定位問題、科學設計策略、動態調控教學、迭代優化反思，最終推動教師從“經驗型”向“研究型”轉變。

研究背景、目的與意義

1.研究背景

在建設教育強國的戰略背景下，基礎教育課程教材體系的高質量發展，已成為實現教育現代化、培養創新人才的核心支點。人工智能作為教育數字化轉型的關鍵引擎，不僅代表了教學工具的升級，更在重塑課程內容、教育結構、教育流程、教材形態與教師角色。隨著《新一代人工智能發展規劃》《教育信息化2.0行動計劃》的深入實施，人工智能已從“技術工具”升級為“教育變革的核心支撐”，融合于教育教學全要素、全過程。

然而在傳統教學全過程中，課前集備依賴教師個體經驗導致“學情適配不足”，課中調控依賴主觀觀察導致“反饋滯后”，課后反思依賴粗放復盤導致“盲目改進”，這些痛點制約了教學質量的持續提升。尤其在廣州這樣城鄉教育資源不均衡、教研質量差異顯著的區域，如何通過技術手段均衡教育資源，讓科學證據改進教研過程，提升教學的精準性和有效性，成為亟待解決的問題。

2.核心概念界定

教學全過程是指以國家課程方案為綱，由“課前—課中—課后”三段構成的完整育人閉環，其中包括學情診斷、目標設計、內容組織、教學實施、學習評價、反思改進等關鍵節點。選用“全過程”而非“流程”，意在突出“以學習結果為導向的螺旋上升”特征，與《義務教育課程方案（2022年版）》提出的“促進‘教-學-評’有機銜接”要求同義。

三元協同是指循證教研中的多元主體協同關系，既有“師-生-機”層面的教學協同，也有“師（教研員、專家）-師（一線教師）-機”層面的教研協同。“師-生-機”協同主要是指課中教學實施階段的教學協同，而“師（教研員/專家）-師（一線教師）-機”協同則主要是指課前集備與課后反思階段的教研協同。

循證教研是指以教學實踐中的真實問題為導向，通過系統收集、分析和運用科學證據（包括教育研究成果、教學實踐數據、教師經驗等），優化教學策略、改進教研過程的專業活動。其核心是“讓證據說話”，以課程實施證據為基礎，避免經驗主義或主觀判斷對教學決策的影響，最終實現教學質量的科學提升。

3.研究目的與意義

（1）研究目的

本研究旨在探索人工智能如何貫穿教學全過程，秉持“教學、學習和評價一體聯動”理念，通過與三元協同、循證教研的融合，破解傳統教學痛點，構建三元協同與循證教研的融合機制。循證教研的核心目的是解決教學實踐中的真實問題，提升教學的科學性和有效性，具體分解如下：

一是聚焦實踐困惑。針對教師在備課、授課、評價等環節中遇到的具體問題（如“如何提高學困生的計算準確性”“怎樣設計提問能促進學生深度思考”），通過證據找到根源和解決方案。

二是優化教學決策。用客觀證據（如學生成績數據、課堂觀察結果、已有研究結論）替代“憑感覺”“靠經驗”的決策方式，讓教學策略更貼合學生需求。

三是實現精準改進。通過對證據的分析，明確教學中的優勢與不足，定向調整教學方法（如調整作業難度、優化課堂互動形式），避免盲目嘗試。

四是達成育人目標。最終通過科學的教學改進，改善學生的學習效果，落實立德樹人根本任務。

（2）研究意義

循證教研的意義主要表現在以下方面：

一是提升教研的實效性。傳統教研常存在“議而不決”“流于形式”的問題（如僅討論“怎么教”而不驗證效果），而循證教研以“問題—證據—改進”為邏輯，確保教研成果能落地到課堂。

二是推動教師專業成長。循證教研要求教師具備“發現問題（觀察學生）—收集證據（分析數據）—運用理論（參考研究）”的能力，幫助教師從“經驗型”向“研究型”轉變，形成“持續反思—迭代改進”的職業習慣。

三是促進教育決策科學化。小到班級教學策略調整，大到學校課程改革，循證教研都能提供客觀依據（如通過對比不同教學方法的學生表現數據，確定更適合本校的模式），避免政策或策略的“拍腦袋”式制訂。

四是構建良性教研生態。通過證據共享（如教研組內分享學生數據、成功案例），減少教研中的主觀爭議，形成“用數據說話、用證據改進”的合作氛圍，讓教研從“個體經驗分享”升級為“集體科學探究”。

人工智能賦能教學全過程的實踐路徑

教學全過程的核心邏輯是“目標—設計—實施—反饋—改進”，人工智能通過數據驅動貫穿各環節，而三元協同與循證教研則分別提供主體支撐與方法指引，循證教研的實施遵循了“問題導向—證據收集—分析應用—評估迭代”的閉環流程（如圖1），三者共同構建科學化教學體系。下面，以某中學高三物理《波粒二象性》復習課為例進行說明。

圖1 循證教研的閉環流程

1.課前集備：精準定位問題，構建證據鏈（師-師-機協同）

課前集備的核心是從實踐中提煉“真問題”，傳統集備常因“學情模糊、證據不足”導致設計脫離實際，人工智能通過“多源證據整合”與“三元協同研討”破解了這一困境。

（1）精準定位問題

教師通過人工智能智課系統調取1班（基礎扎實）與2班（基礎薄弱）的歷史學情數據（前測成績、知識薄弱點分布），發現“兩班對‘波粒二象性’的理解深度差異顯著”，排除“如何提升物理復習效率”這類模糊問題，鎖定“如何設計差異化復習方案以適配兩班學情”這一實際問題。

（2）多維度收集證據，構建“證據鏈”

人工智能聚合“研究證據+實踐數據+教師經驗”三類證據，生成班級差異化學情圖譜。在“師-師-機”協同下，教師借助人工智能工具完成三類證據收集：

一是研究證據。利用人工智能文獻檢索工具篩選“物理學史融入理科復習課的有效性研究”，證實“通過科學家爭議情境可提升薄弱學生興趣”。

二是實踐數據。借助人工智能工具分析兩個班過往“光的本性”章節的課堂參與度數據，發現2班對“案例型教學”的響應度高于“理論型教學”。

三是經驗證據。教師整合自身“實物演示提升分數理解”的經驗，經人工智能工具驗證該經驗對基礎薄弱學生的適配率高。

（3）分析證據并設計策略，讓證據“落地”

依據圖譜輸出可解釋的教學目標與策略，如不同的教學路徑、教學資源、教學評價量表等。教研組基于人工智能生成的“證據分析報告”，對比研究數據和實踐數據，與教師共同確定差異化策略和教學改進方案：1班側重“知識分類梳理+規律總結+列舉實例”，2班側重“物理學史、科學家對光的本性之爭+案例推導”，避免傳統集備“一刀切”的弊端，體現循證教研“用證據擇優”的核心要義。

2.課中實施：實時監測調控，動態匹配目標（師-生-機協同）

在課堂實踐中，人工智能智課系統通過“無感采集”，收集教師教學行為、學生學習狀態數據、師生互動與課堂氛圍數據等，構建多維度數據矩陣，支撐“師-生-機”動態協同。

（1）學生狀態實時監測，數據優化教學設計

人工智能通過計算機視覺與姿態識別，生成“參與度、關注度、表現度”三條核心曲線。1班的學生基礎扎實，采用知識分類法梳理知識。復習片段（2～8分鐘)表現度曲線（學生行為一致性）一直呈現下降趨勢。另外，參與度曲線和關注度曲線也出現下降趨勢，反映出可能是學生對課堂內容不感興趣或教師講授時間過長。2班的學生基礎薄弱，采用“物理學史法”教學，三條曲線（表現度曲線、參與度曲線、關注度曲線）尤其是表現度曲線參與度低。結合學情分析，原因是2班學生個人學習特點、學習習慣、專注度比1班的學生弱。但是，在用物理學史梳理基本知識后，三條曲線整體都持續呈上升趨勢。說明用第二種思路復習知識，學生興趣和參與度更高，驗證了策略適配性。

（2）師生互動精準診斷，數據驅動教學效果歸因分析

人工智能通過S-T分析（教學行為時序圖）顯示，1班教師行為占有率達82%，學生僅18%，暴露“講授過多”問題；教師最初認為“2班互動熱烈”，但人工智能數據顯示其師生對話時長占比低，且多為“齊聲應答”，缺乏思維互動——這一反饋糾正了教師的主觀偏差，促使其增加環節，提升互動深度。

（3）教學策略動態調整

人工智能根據數據實時推送優化建議，如在2班教學中，當學生對“光電效應電路圖”理解卡頓時，人工智能提示“插入實物演示環節”，在教師立即調整后，學生關注度有所提升，實現“教學行為—學生狀態—目標達成”的動態匹配，符合循證教研“用數據驗證效果”的邏輯。

3.課后反思：精細化評估，迭代優化策略（師-師-機協同）

（1）逐幀分析，定位問題

人工智能智課系統將課堂視頻拆解為1分鐘切片，結合數據標注幫助教師精準歸因。在有效片段中，在第12～15分鐘講解光電效應時，人工智能顯示學生關注度接近100%，歸因于“問題情境合理（提問‘飽和光電流存在于哪幅電路圖’）+互動充分”，說明教師正在集中向全班學生進行講授、展示、提問，且這是一個重難點內容，班級各層次的學生聽講都很專注，也證明教師在這段時間授課是有效的。由此分析此片段問題、情境設置合理，師生互動頻次高。在待改進片段中，在第4分鐘、第22分鐘講解康普頓效應時，都出現了一個很小的波谷（大波谷代表正常的練習或者自由討論等）。結合前文中的課堂行為時序圖，發現這兩個地方學生行為空白，點擊智慧教研系統中的課堂行為時序，總結發現教師因語速快且無互動，出現關注度低谷，人工智能標注“需增加提問環節、放緩語速”。

（2）從“粗放復盤”到“逐幀打磨”，構建反思模型

結合三條曲線和課堂行為時序圖可以識別有效教學片段和改進片段，找到優勢和劣勢，對教學設計進行針對性的改進和提升。教師形成了“精準定位（關注度低谷）—歸因分析（無互動、語速快）—策略設計（插入探究問題、降低語速）”的閉環反思模型，從“粗放復盤”到“逐幀打磨”，替代傳統教學的“模糊復盤”。

（3）集體迭代優化

在“師-師-機”協同下，教研組以授課教師的人工智能反思報告為載體，開展證據共享會：一是推廣“物理學史情境提問”策略至學科教研組其他教師；二是針對“互動深度不足”問題，集體設計“追問式問題鏈”，并通過人工智能預演其對學生思維活躍度的改善效果，體現循證教研“集體科學探究”的價值。

構建三元協同與循證教研的融合機制

人工智能對教學全過程的賦能，本質上是“三元協同提供主體框架、循證教研提供方法指引、人工智能提供技術支撐”的三者融合，共同構建起三元協同與循證教研的融合機制。

1.三元協同：明確教學全過程的主體互動關系

（1）師-生-機

聚焦課中實施，教師負責教學策略執行，學生提供學習狀態反饋，人工智能負責數據采集與實時反饋，三者形成“教師調整—學生響應—人工智能驗證”的動態閉環，避免“教師單向主導”。課程目標不再是在課前一次性設定，而是在教學情境中不斷重構和形成。

（2）師-師-機

聚焦課前集備與課后反思，教研員、專家提供理論指導，一線教師提供實踐經驗，人工智能提供證據分析，三者形成“問題共尋—證據共享—策略共研”的集體協同，破解“教師個體經驗局限”難題。

2.循證教研：提供教學全過程的科學方法論

循證教研的“問題導向—證據收集—分析應用—評估迭代”閉環，貫穿教學全過程。

（1）問題導向與證據收集

課前，以“學情差異”為問題，收集三類證據，分析研究證據、實踐數據、經驗證據并設計策略，這是課程評價體現改進功能的關鍵。課中，以“學生狀態波動”為問題，小范圍試錯，在1～2個班級先實施策略，通過課堂觀察、作業分析、學生訪談收集效果數據，基于量化評估和質性評估，調整策略，讓課程實施過程可視化、可解釋、可回溯。

（2）分析應用與評估迭代

課后，以“教學效果偏差”為問題，基于復盤數據優化策略，確保每個環節均“有證據支撐、有數據驗證”。同時，對比不同教學策略對學生課程目標達成度的影響。若策略有效，總結經驗并在學科教研組內推廣；若效果不佳，重新分析證據，調整策略后再次實踐，形成“問題—證據—改進—再驗證”的循環。

3.人工智能：搭建三者融合的技術橋梁

人工智能通過證據整合功能、實時反饋功能、共享協作功能實現融合。證據整合功能打破了“研究證據、實踐數據、經驗證據”之間的割裂，將其融入到課程結構之中，如人工智能將文獻研究、學情數據與教師經驗進行關聯分析，最終整合成課程決策的證據。實時反饋功能縮短了“教學行為—效果驗證”的周期，如課中人工智能實時提示學生關注度下降，使得教師即時調整教學策略。共享協作功能為“師-師協同”提供載體，如教研組推廣課堂證據、教學策略與評價量表至學科教研組其他教師，推動課程資源均衡化。

區域校本教研的實踐驗證

筆者所在單位的“人工智能賦能智慧教研”項目的區域實踐，助力篩選研修對象、確定主題與方式，構建精準教研體系，進一步驗證了人工智能對教學全過程的賦能價值。

從下圖2所示的混合式教研活動流程中可以看到，教師可以通過智能研修平臺進行線上磨課，利用智課系統實現課堂直播、人工智能實時反饋、線上量表評課、課后輸出報告等功能，這樣的方式使研修的開放性更強、課堂評價更準，人工評課議課也有了數據的參照。在觀課評課過程中，系統自動收集觀議課數據，包括教學活動實錄、教學行為數據和觀課教師點評內容，得出對本節課較為全面深刻的評價，形成線上線下及人機協同的區域校本教研方式，實現深度教研。

圖2 混合式教研活動流程

例如，全市高二語文學科教研活動，聚焦高中語文選擇性必修下冊第三單元“古代散文研習”，提供了兩節公開課，分別是《種樹郭橐駝傳》和《石鐘山記》。授課前，教師運用人工智能工具針對課程內容、教學重點、教學難點、教學設計展開對比分析。授課中，教師基于智課系統對課堂教學行為及效果進行分析，如：《種樹郭橐駝傳》課例采用“寫作—展示—點評—討論”結構，節奏緊湊，學生參與度高，但教師講解時間過短，理答引導不足；《石鐘山記》課例以“文本細讀+翻譯辨析+觀點討論”為主，注重思維訓練，但教師巡視不足，部分學生可能未被充分關注。授課后，教師基于人工智能課堂分析對教學策略、技術應用提供優化和改進建議（如下表）。

教學策略優化與技術應用建議

結語

人工智能對教學全過程的賦能，并非“技術替代教師”，而是通過“三元協同”明確主體分工，通過“循證教研”提供科學方法，幫助教師從“經驗型實踐者”轉型為“研究型實踐者”，將國家課程方案、教師專業決策與學生學習經驗連接成可迭代、可共享、可驗證的生態系統。上述教學實踐及區域校本教研案例表明，這種融合不僅能破解傳統教學“主觀、粗放、滯后”的痛點，還能為城鄉教育均衡提供技術支撐。

本文作者：

李淵浩 江彥彤

廣東省廣州市教育研究院基礎教育教學研究所

文章刊登于《中國信息技術教育》

2026年第07期

引用請注明參考文獻：

李淵浩,江彥彤.人工智能對教學全過程的賦能作用：基于三元協同與循證教研的實踐探索[J].中國信息技術教育，2026（07）：80-84.

歡迎訂閱

識別上方二維碼訂閱紙質版或電子版雜志