生成式人工智能赋能教育教学模式创新

【摘 要】生成式人工智能在回答问题时所呈现出的精准性、结构化、逻辑性等特点，与计算思维的特征较为契合。因此，本文提出以生成式人工智能为技术依托，建构以提升基础教育阶段学生计算思维能力为目标的新型教学模式。此新型教学模式包括四阶段七步操作流程的教学运用，以循序渐进的方式培养学生的计算思维能力。

【关键词】生成式人工智能；基础教育；教学模式；计算思维

【中图分类号】G434 【文献标志码】B

【论文编号】1671-7384（2024）09-005-03

党的二十大报告明确提出“推进教育数字化，建设全民终身学习的学习型社会、学习型大国”，坚定了以教育数字化促进教育现代化的战略方针。加快推进基础教育学校的教育数字化水平，关键在于培养学生良好的数字素养，而以构建抽象模型为问题解决途径的计算思维，被认为是数字素养中必不可少的重要组成部分。当前，生成式人工智能（AIGC）正快速风靡全球，其生成文本的结构化与层次性等特征与计算思维理念较为契合。因此，迫切需要将生成式人工智能融入基础教育，构筑科学合理的新型教学模式，从而提升学生的计算思维能力。

相关研究

基础教育作为国家教育的基石，其教学形态应体现持续的稳定性，对于新技术的应用通常持较为谨慎的态度。不过，这并不意味着墨守成规，当新技术经过科学验证，得出确实能有效提升教学质量的结论之后，便能够全面地引入基础教育教学中。作为最新技术的生成式人工智能，已在部分基础教育学校开展了一定程度的教学实践，取得了颇有价值的成果。李英哲探究ChatGPT4.0在初中数学备课中的创新功能，得出其能够帮助教师明确教学目标，辅助完善活动设计，彰显独特教学风格，提供个性化的学习支持等研究结论[1]。罗恒采用准实验研究法检验生成式教师评语的效果，表明利用人工智能技术得到的个性化教师评语能够在初中课堂中有效地进行评估和反馈，并提高学习者的学习动机和自我调节学习能力[2]。计算思维由美国卡内基梅隆大学的周以真提出，她认为计算思维是运用计算机科学的基础概念去求解问题、设计系统和理解人类的行为，其本质是抽象和自动化[3]。继周以真之后，陈国良指出计算思维应迈进2.0时代，即每个科学领域都有属于自身特点的计算思维[4]。任友群针对如何有效地将计算思维融入中小学信息科技课程，提出可以采用方法习得、工具应用和思维迁移相结合的策略落实计算思维教育[5]。

以ChatGPT为代表的生成式人工智能，能够回答人们提出的各类问题，其回答问题的精准性、启发性、结构性、逻辑性等特点，符合计算思维的特征，所以学生若具备计算思维则能更好地利用生成式人工智能开展学习。不过，已有文献中对生成式人工智能与计算思维的关联研究严重不足。因此，如何运用生成式人工智能促进学生计算思维能力的提升，应是当前教育数字化研究的重要目标。

生成式人工智能技术演进路径

生成式人工智能在技术范畴上属于大规模语言模型，隶属于人工神经网络领域。生成式人工智能并非凭空出现，而是经过了数种人工神经网络的更迭。根据其技术特点，可推知其发展历程主要经历了多层感知器（MLP）→卷积神经网络（CNN）→循环神经网络（RNN）→生成式人工智能（AIGC）的演进路线。

多层感知器（MLP）是能够实际运用的基础人工神经网络，它由一个输入层、若干隐藏层、一个输出层构成，每个层次包含多个神经元，每个神经元向前全连接，以BP算法迭代更新每个神经元的连接权重值。不过，多层感知器采用所有神经元全连接，会消耗巨大的能量。有学者针对多层感知器的缺陷提出改进策略，即局部连接、特征提取，此策略的实际应用为卷积神经网络（CNN）。

CNN通过在输入数据上应用卷积操作来提取局部特征，主要包括卷积层、池化层和全连接层。卷积层是CNN的核心组件，生成特征图；池化层用于减小特征图的空间维度；全连接层输出最终的分类或回归结果。虽然CNN在最后部分也采用了全连接方式，但相较于所有神经元都采用全连接方式的MLP，在减少网络规模的进步上无疑是巨大的。尽管卷积神经网络一定程度上克服了多层感知器的巨大能量消耗，但这种架构主要对应于识别具有空间结构的数据，而对于自然语言这种时间序列的数据处理则效果不佳。循环神经网络（RNN）的出现为自然语言处理带来了可行方案。

RNN最大特点是当前时刻的输出不仅与当前时刻的输入有关，还与过往时刻的所有输入有关。RNN具有一个初始状态，这个状态可以看作是RNN的“记忆”，用于存储之前时间的信息。在每个时间点，RNN使用当前输入信息和上一个时间的状态来产生当前时间的输出信息，从而使RNN能够学习到时间序列数据中的模式和规律，提高其预测和分类的准确性。尽管理论上RNN的输出值与之前的所有历史信息有关，然而遗憾的是，在实际运用中，仅仅只有非常邻近的历史信息才能保留下来。但在实际的人类语境中，一个语词的意义不只与时序的前一个语词相关，而且与前面甚至后面很长一段语词都相关。为了克服这一缺点，运用Transformer算法的生成式人工智能（AIGC）孕育而生。

在生成式人工智能的Transformer算法里，将每个语词与句子中所有语词进行计算，得出该语词与每个语词的相关度，从而确定该语词在这个句子里更准确的意义。该算法分为三个步骤：第一步是编码，第二步是定位，第三步是自注意力机制。Transformer算法一举突破时序序列的屏障，更在意一个语词与句子中每个语词的价值权重，使其生成的句子更加符合人类语言的特点，从而使生成式人工智能迅速被普通大众认识并接受。

生成式人工智能支持下的新型教学模式——以计算思维培养为例

1.模式建构

国际教育技术协会和计算机科学教师协会对“计算思维”给出了一个操作性的定义：制定问题，逻辑化地组织和分析数据，通过抽象再现数据；通过算法的思想生成自动化的解决方案；通过识别、分析和实施各种可能的解决方案，找到最有效的解决方案；概括该问题的解决过程，并迁移到其他相关问题中。上述操作性定义是一个通用模式，若要在真实情境中实施，应进行具体化的改进。因此，在计算思维操作性定义的基础上，研究者开发了生成式人工智能支持下的基础教育新型教学模式，以问题解决为切入点，合理运用生成式人工智能，达成学生计算思维能力提升的教学目标。

新型教学模式的第一步为提出在教学活动中发现的实际问题，该问题应为情境性问题或劣构问题，以此体现出布鲁姆教学目标分类中的深度学习，此步骤对应于计算思维操作定义的“制定问题”。第二步为深入分析产生该问题的可能原因，此处需借助AIGC对问题进行辅助性的分析。得益于AIGC对问题解析的精准性和逻辑性，学生只需对解析出的可能原因稍作调整，如文字的优化、陈述顺序的变更等，且由于AIGC生成的文档多为具备一定结构化的内容，因此，此步骤对应于计算思维操作定义的“逻辑化地组织和分析数据”。第三步为对产生问题的可能原因进行可视化呈现，上一步已结合AIGC辅助分析出了产生问题的可能原因，但通常为纯文字表达，内容可能较为繁杂，为了提炼出关键的因素，可通过可视化技术表述为图形，如思维导图、树状图等。可视化呈现的优势在于能够将问题产生的关键因素以结构化模型的方式呈现出来，去除不必要的描述性文字，只保留核心的关键点，为接下来提出可行性解决方案提供良好的数据模型，此步骤对应于计算思维操作定义的“通过抽象再现数据”。第四步，提出一定数量的可行性解决方案，此处仍需借助AIGC技术对前述分析出的问题原因进行预先处理，生成它认为可行的解决方案，学生再对生成的解决方案进行深度思考，形成表达规范、逻辑清楚的一系列问题解决策略，此步骤对应于计算思维操作定义的“通过算法的思想生成自动化的解决方案eGKxUHU14lsvqwH1z43Heg==”。第五步，提出的解决方案为理论上可行的方案，应通过实践判定哪个解决方案具备真实性且合理，此步骤对应于计算思维操作定义的“通过识别、分析和实施各种可能的解决方案，找到最有效的解决方案”。第六步，学生需要总结归纳上述所有步骤，形成较为稳定的问题解决策略，为迁移到类似的问题作好准备，此步骤对应于计算思维操作定义的“概括该问题的解决过程”。第七步，运用稳定的问题解决策略，尝试解决更多的类似问题，以检验该策略是否具有推广性，此步骤对应于计算思维操作定义的“迁移到其他相关问题中”。

该新型教学模式的根本目标是培养学生的计算思维能力，以使其能够高效地解决教学情境中遇到的真实问题。AIGC作为辅助技术的参与是其最大的特点，包括辅助分析产生问题可能的原因、辅助提出可行的问题解决方案等，以“人机协同”的方式促进学生计算思维能力的提升。

2.教学实施

若要将生成式人工智能支持下的新型教学模式运用到实际的教学活动中，需要将该教学模式的运用分为几个阶段，以循序渐进的方式逐步培养学生的计算思维能力。

（1）不使用AIGC阶段

此阶段的教学目的是让学生熟悉通用的计算思维操作流程。主要流程为由教师提出具备情境性的真实问题，学生对问题进行分析，构建模型，提出几种可行的解决方案，并将自己认为最优的方案递交给教师。教师评价方案的优劣，依据量表评判学生计算思维能力的高低。

（2）使用AIGC阶段

经过前一阶段教学实践，学生对于通用的计算思维操作流程有一定的认知，为了促进“人机协同”的开展，在此阶段引入AIGC。此阶段的主要流程为由教师提出具备情境性的真实问题，学生在AIGC的辅助下分析问题产生的原因，构建模型，提出解决方案，提交最优方案给教师。教师评价方案的优劣，依据量表评判学生计算思维能力的高低。

（3）自主学习阶段

前两个阶段的待解决的问题均由教师提出，而在以后的实际生活工作中，学生将自行面对问题，所以在本阶段应由学生自己发现实际生活中真实存在的问题。其主要流程除了由学生自主提出问题之外，其余部分与上一阶段相同。

（4）合作探究阶段

“自主、合作、探究”是当前提倡的教学改革方向，应培养学生在AIGC技术环境下合作探究的意识和能力。此阶段首先根据异质分组的原则将不同特点的学生组成合作小组，然后讨论确定一个有一定复杂性的实际问题，借助AIGC对问题产生的原因进行分析和提出一定数量的可行解决方案sPzUsmv2utBcegTbbnSnvA==，由各组员对可行解决方案进行实践，得出每种方案的实际效果，再经过小组成员的探讨找到其中的最优方案，共同归纳总结出问题解决策略，以便迁移到以后的学习实践中。

结 语

生成式人工智能在解决问题方面通常具备结构化、层次性等特征，与计算思维的特征较为吻合。因此，本着培养学生计算思维能力的目的，本文构建了生成式人工智能技术支持下的基础教育新型教学模式，包括模式建构和教学阶段两个部分。展望未来，生成式人工智能将成为教育领域中技术运用的重要组成部分，推动基础教育的个性化和智能化发展。

注：本文系四川义务教育高质量发展研究中心2023年度立项课题“智能教育境域下的小学生计算思维培养策略研究——以达州市Y小学为例”（课题编号：YWZD-2023-14）和达州市教育科研2022年度立项课题“‘双减’背景下小学生计算思维培养策略研究”（课题编号：DZL2022032）的阶段性成果

参考文献

李英哲，刘剑玲. 新课标背景下ChatGPT在初中数学备课中的创新功能与价值定位[J]. 中国电化教育，2024 （3）： 109-114.

罗恒，廖小芳，茹琦琦，等. 生成式人工智能支持的教师评语研究：基于初中数学课堂的实践探索[J]. 电化教育研究，2024，45（5）： 58-66.

Jeannette M. Wing. Computational Thinking[J]. Communications of ACM， 2006， 49（3）： 33-35 .

陈国良，李廉，董荣胜. 走向计算思维2.0[J]. 中国大学教学，2020（4）： 24-30.

任友群，隋丰蔚，李锋. 数字土著何以可能？：也谈计算思维进入中小学信息技术教育的必要性和可能性[J].中国电化教育，2016（1）： 2-8.