生成式人工智能增强学科教学适应性的逻辑理路与实践路径

[摘 要] 随着生成式人工智能技术的智能涌现，增强学科教学适应性是学科教学自我发展的内部圈层和外部技术环境相互耦合下以变应变的本质反映。首先，文章对学科教学适应性的本质内涵进行了系统阐述，揭示了学科教学适应性的增强逻辑和阶段特征。其次，文章从教学内容、教学主体及教学评价三个方面论述了生成式人工智能赋能学科教学适应性在实践价值层面的增强效应。增强效应的逻辑机理是以技术适应性提升为基石，围绕教学情境智能化构建主线，最终导向师生对新技术环境的深度适应与协同发展。最后，为持续推动生成式人工智能增强学科教学适应性，文章从根植学科大模型、丰富教学场域结构、坚守学科育人主旨等方面出发，探讨了促进生成式人工智能与学科教学深度耦合的实践路径，以期为相关学科教学实践提供参考和借鉴。

[关键词] 生成式人工智能； 适应性； 学科教学适应性； 人机协同； 有限理性

[中图分类号] G434 [文献标志码] A

[作者简介] 张玉柳（1997—），女，河南驻马店人。博士研究生，主要从事智慧学习环境与资源研究。E-mail：zyliu97@126.com。罗江华为通信作者，E-mail：swusun@swu.edu.cn。

一、引 言

学科教学是学校育人活动的主要阵地，在整个学校教学体系中占据主导地位。由于学生在成长背景、知识基础及学习经历等方面存在多元差异，学科教学领域长期面临一项核心挑战，即如何有效应对“教学适应性问题”，涵盖了教学进度与学生步调的匹配、教学内容对学生个性化需求的契合以及教学策略对学生多样性的适应等[1]。为应对这一挑战，深刻剖析并精准回应 “学科教学适应性的本质所在、因何增强以及如何持续增强”等关键问题，是引领学科教学有效变革的“牛鼻子”。不仅需要对学科教学适应性的增强逻辑和阶段特征进行深层剖析，更需要对时下学科教学内外部耦合结构进行深层调整，以建构促进学科教学适应性生成的良性教学生态。

时下，生成式人工智能（Generative Artificial Intelligence，GAI）如同一股不可阻挡的潮流，涌入教育领域，成为驱动学科教学范式转型的强大力量。具体来说，其所体现的是一种从“预设”到“生成”的思维方式转变，能够推动学科教学逐步迈向由“被动适应”到“主动调适”的跃迁，促进学科教学的自我供给侧改革和适应性发展路径的重塑[2]。本文从GAI的视角出发，探讨GAI对学科教学适应性的增强效应，以及如何为持续增强学科教学的适应性提供助力，并提出相应的实践路径，以期推动教学改革的长远发展。

二、学科教学适应性的本质内涵

学科教学，作为兼具静态与动态特性的双重主体，其复杂性在于将教学厚植于学科文化的基因中，引导学生在各自学科文化背景中塑造其独特的学科思维、价值观并掌握知识技能，此乃学科教学教育性的核心体现[3]。当“教”未能匹配“学”时，“教学适应性”问题便凸显出来。“适应”概念源自进化论，其原指主体与其所处环境协调而不断进化所表现出来的特性[4]。适应性教学源远流长，从先贤孔子的“因材施教”、苏格拉底的“因势利导”，再到现代学者如加涅的《教学设计原理》与加里·D.鲍里奇的《有效教学方法》，教育先驱们创造了各种形态的“适应性教学”。学科教学适应性，是结合具体学科的属性特性和教学范式，对教学进行适应性调适的过程。

（一）学科教学适应性的增强逻辑

学科教学适应性的增强须紧密围绕其学科育人本质、教学系统内部调适与外部教学条件支持以及学科特性这一内在驱动力展开。从目的来看，学科教学适应性的生成是以育人属性为特征的适应。依据多元智能理论的观点，教育应尊重并发展学生独特的智能组合，实现适性扬才[5]。因此，学科教学适应性的“得法”之道便是要回归育人，确保学科教学的目标、活动等都基于人、适应人、成长人。

从过程来看，学科教学适应性是以教学要素与外部环境动态耦合的适应。学科教学体系作为一个复杂适应系统，其本质是教学要素与外部环境之间存在着复杂的强相互关系和强相互作用。学科教学体系须以知识共享为纽带，敏锐捕捉社会、技术等外部环境的变化，灵活调整教学目标、内容等教学要素，实现教学系统内部调适与外部教学条件支持的高效整合与要素协同， 从而促进学科教学朝着有序、适应的方向发展。

从结果来看，学科教学适应性是以学科类型为底色的学科教学适应体系建构为归宿。每个学科均有其独特的研究范式和理论体系，这决定了不同学科教学过程具有独特的展开逻辑[6]。在此基础上，其适应性还意味着学科自身也需要建构自我适应，通过专业结构、教学结构等进行自我调整，契合社会人才培养的需求，实现学科教学与社会发展的协同进化。

（二）学科教学适应性的阶段特征

从教育生态学的角度来看，学科教学的适应性非静态亦非线性，伴随着教学实践的深入、适应对象的水平以及外部环境的变化，展现出阶段性的演进特征。其不同阶段的异质特征反映了教育生态系统内部各生态因子之间关系的动态变化[7]。教育生态位原理、教育生态链法则以及最适度原则等均表明，学科教学适应性的演进体现出由混沌到有序，从被动到主动，再到和谐共生的发展轨迹。

混沌状态，即教与学供需薄弱的游离态。教学初期，教学系统内部各要素尚未形成稳固联结，育人目标与教学实践之间供需关系模糊，易受外部环境干扰，教学无序且效果难测。教与学呈现出一种混沌状态，由此开启教学适应性的演进起点。

被动适应，即需求倒逼及外力牵引下的初调期状态。随着教学系统渐趋稳定，教学主体虽对需求变化有所反应，但多受政策、评价体系等外力驱动，呈现被动、滞后等特点。师生在一定程度上成为外部因素的被动接受者，创新空间有限。该状态以被动适应需求为表征，标志着学科教学正逐步向有序化迈进。

主动适应，即教与学供需动态适配的进阶期状态。随着教学要素与外部环境良性互动，学科教学适应性将得到明显增强。教师逐步由规则拒斥转向嵌入迎合，通过创新教学模式等手段，推动育人成效提升。学生则展现出学习积极性和探究精神，形成正向循环的学习生态。这种主动适应状态，标志着学科教学适应性的自我优化。

和谐共生，即教学系统内外的高度协同状态。当教学系统与外部环境形成稳定且高效的协同机制时，学科教学将达到高度适应状态。此“和谐共生”状态，不仅是教学适应性的高级形态，也是教育理想追求的现实表征。值得强调的是，前序各阶段均潜藏着进步的空间，即存在着帕累托改进的可能，追求达到帕累托最优的和谐共生状态[8]。

三、价值探析：GAI对学科教学适应性的

增强效应

GAI正逐渐成为继人类智慧之外的另一种崭新的、高度理性的存在形式，有望为学科教学形态带来一场前所未有的革新。其应用既体现出学科教学知识新生产模式的跃迁趋势，也彰显了教育高质量发展态势的现实需要。

（一）教学内容的动态适配与跨模态生成

作为学生的认识对象，教学内容具有客观性、确定性、外在性，是学生在“获取”“把握”“占有”的过程中转化为其个体认识和发展的工具[9]。传统的学科教学内容设计通常依赖专家预设，对内容的情境变化和学习者的动态需求设计不足，且以文字或图表等单一形式呈现教学内容，这在一定程度上限制了教学内容的丰富性和生动性。而GAI则能够突破这一限制，在教育“供给侧”和“需求侧”植入了生成式的基因，利用图像、音频、视频等多模态信息进行学科知识的跨模态生成，有助于改善教育资源的配置效果[10]。更为重要的是，GAI赋能的生成性教学方式能够更好地满足学生的不同需求，促进他们主动学习和知识建构。这与建构主义学习理论的核心观点相契合，即学习是学生基于自身经验和认知结构，通过主动建构来形成和发展知识的过程。GAI的应用，正是通过提供个性化、动态化、跨模态学习资源支持，帮助学生更好地完成知识的建构过程。

（二）教学主体的关系转变与多维交互

随着GAI在教育领域应用的融入，教学主体关系正由传统的“师—生”二元模式向“师—生—机”三元协同模式的深入转变。在此模式下，机器凭借其卓越的数据分析和内容生成能力，扮演着虚拟专家、智能助教等角色，极大地提升了教师的专业素养和教学能力。对于学生而言，GAI则化身为智能导师与学习伙伴，助力他们进行更有效的社会互动和经验学习。这种人机互动、共生发展的教学主体关系的转变，更加深化了我们对人类学习本质的理解——一种基于互动、协作和经验的社会化过程[11]。然而，这一转变并不意味着机器将完全取代教师的主导地位。相反，它要求师生积极适应并融入这一新的教学形态。教师和学生需深入学习和理解GAI的基本原理和应用方式，掌握其操作技巧，尤其是提示语的有效运用。这不仅是适应新技术的基础，也是提升教学效果和学习效率的关键。质言之，GAI支持的“师—生—机”教学结构无疑为教育形态的系统性转变带来了创新机遇。

（三）教学评价的多元协作与伴随式辅助

在破解当前教育评价中普遍存在的主观性过强、片面性局限及滞后性难题的过程中，GAI在重塑教学评价理念、教学评价内容、教学评价方式等方面，得以为智能化评价体系提质增效注入新动能[12]。GAI具备上下文语义理解能力，能够对教学和学习活动的信息流与运行轨迹进行观测、解释和反馈，实现精准化学习评价。另外，GAI的发展加速了人机协同评价的进程，结合人的主观判断和GAI的数据处理能力，创造出更高效、个性化的人机协同教育评价体系，从而推动教学决策优化。此外，GAI也可自然采集和分析教学过程中的多模态数据，挖掘学习者的内隐认知状态。这种伴随式的采集与反馈机制使得教师能够迅速发现学生的学习问题，从而及时调整教学策略，为学生提供更加精准化的辅导。

四、增强机理：GAI赋能学科教学适应性的

逻辑理路

鉴于信息生态理论中的信息、信息环境、信息人三大构成要素在解释新型信息技术应用时具有较高的适配性[13]，研究将GAI增强学科教学适应性的核心机理归结为技术适应奠定逻辑基础、情境适应贯穿逻辑主线、师生适应作为逻辑终点的三重逻辑理路。

（一）逻辑基础：技术适应是GAI增强学科教学适应性的共生追求

时下，数字教育正在由“教技结合”的传统模式逐步迈向“教技共生”的新纪元[14]。在教技共生视角下，GAI与学科教学亦有“融为一体”的期待之势。GAI赋能学科教学并非简单的技术植入，而是一种高层次的主动适应与双向互动，它触发了教学内容、评价体系及资源建设等多维度的深刻变革。这一过程并非一蹴而成，而是遵循着“结合—整合—融合”的渐进路径稳步推进。初期，需要关注技术与教学的初步结合，使师生体验技术的便捷与新颖；中期，将技术深度整合到教学方法与资源中，构建高效、个性化的教学模式；最终，实现技术与教学的无缝融合，逐渐呈现一种能量互换、依存紧密的共生关系。

在GAI增强学科教学适应性的过程中，技术适应主要体现在三个方面：一是营造新型教学环境，为教与学提供更加智能化支持；二是创新生成性教与学方式，强调情境学习与互动探索的融合，促使教学成为充分预设、动态调适的过程；三是重新建构知识结构体系，旨在利用GAI帮助师生建立起跨学科、综合性的知识网络，同时培养其信息筛选、整合与创新的能力，以形成与数字时代相适应的知识体系。这三个层面并非孤立存在，新型教学环境的建构为灵活的情境教学提供了物质基础，教学模式的革新又推动了知识体系的与时俱进。最终，这些变革共同指向了创新人才培养的目标。因此，对于学科教学体系而言，与GAI的融合发展转变和教学结构动态调整可以被看作是GAI赋能学科教学适应性的逻辑起点，其实质在于通过技术引领教学结构的创新，以适应数字化时代的发展需求。

（二）逻辑主线：情境适应是GAI增强学科教学适应性的内生动力

情境是一切认知活动的基础，是产生有意义学习的先决条件[15]。在教学过程中，知识是情境化的，个体决策亦具有情境依赖特征，这意味着尽管个体行为特征具有异质性，但在特定的教学情境下会被“激发”出相似的认知模式，逐渐形成并强化决策的趋同性[16]。这种趋同性并非简单的模仿或复制，而是对教学情境的深入适应。

随着人工智能生成内容的情境化资源生产方式在GAI环境下的出现，教学体验正在经历根本性的变革。当师生在GAI的正向激励下形成适应性模式，往往会以契合教学情境的行为方式去实现教学目标。《基础科学与技术创新：巴斯德象限》一书强调，真实的教育实践场域和具体情境是技术融合教学研究的核心基础[17]。由此可见，合理定位教学空间在“技术与个体”之间的变革张力，从教与学情境动态演化的角度探究学科教学要素和结构组织的适应，是GAI有效增强教学适应性的内生动力。

在GAI的赋能下，教学情境的适应应当聚焦于技术工具性之上手、技术意向性之融合、技术文化性之亲熟等三层意涵[18]。如图1所示，这一过程始于对教学目标的清晰界定，随后在即时情境的提示语辅助下，师生能够高效利用GAI技术动态生成并实践教学内容，实现教学意图与技术效能的无缝衔接，充分展现技术意向性的深度融合。然后，经由教学效果的实时反馈，教学模式得以灵活调整与优化，这种动态适应机制不仅增强了教学情境对学习者个体差异的包容性，还激发了学习者的自适应能力，为深度学习的发生创造了有利条件。此教学情境适应过程根植于一个人机共存的动态反馈场域，师生由表及里浸润于技术性文化环境中，不再将GAI视为外在工具，而是将其视为提高教学质量和学习效果的有机组成部分，以支持无时空限制的资源共享、灵活的信息获取、多元化的交互协作交流。

图1 教学情境适应

（三）逻辑终点：师生适应是GAI增强学科教学适应性的育人旨归

赫尔森的适应水平理论认为，个体以主观经验衡量事物，是非理性范式下同质性的个体，通过对环境的刺激感知而主动地调整自己的行动以便适应环境[19]。在教与学的复杂情境中，师生的认知活动不可避免地受到其注意广度和知识范围等“有限理性”的制约。因而，在教与学需求决策中，最优解往往被更为实际可行的满意解所取代。根据有限理性决策理论，这种追求满意的行为机制，既符合人类计算能力有限的现实，也与其生存环境的结构相适应[20]。同时，罗伊的适应模式强调，人也是一个由刺激与适应水平、适应机制、适应方式、适应反应等部分构成的自适应信息处理系统，需要对来自外界的刺激进行输入、控制、适应、输出以及反馈[21]。这种基于有限理性同时又处于绝对信息过剩状态中的行为心理过程，十分契合当下教与学过程中师生应用GAI赋能教与学的行为本质，如图2所示。首先，师生运用GAI进行智能交互生成内容，基于个体能力和外部环境的有限制约，一旦内容满足其偏好或期望，就有可能会终止利用GAI，其决策过程和行为模式受到其满意水平的影响。其次，师生通过思考、实践等方式对信息生成内容进行加工和认知调节，进而调整教学策略或学习方式来适应GAI带来的认知变化。最后，基于教学或学习成果来评估其适应性并根据反馈进行交互调整，以便达到学科素养目标。

图2 师生适应的有限理性

结合西蒙提出的“满意解”和有限理性决策理论剖析，研究将师生对GAI生成内容响应的动态演化适应活动与过程性行为特征清晰划分为五个阶段：满意判断、资源再生成、资源理解、资源内化和资源复用，反映了师生从接受信息到应用知识的动态过程，如图3所示。

图3 师生对资源响应的动态演化与过程性行为特征

从上述阶段可以看出，师生适应的每个进阶都对其知识存量和能力有所要求。经由知识创生理论可知，师生的知识转化有四种基本模式——潜移默化（社会化）、外部明示（表征化）、汇总组合（联结化）和内部升华（内隐化）[22]。在面临复杂的教与学决策时，师生倾向于运用相对简单的经验启发式原则实现知识内容的转化，以追求“满意解”。基于此，在探讨师生处理由GAI生成的内容时，研究借鉴有限理性的信息处理框架来模拟师生的决策过程和行为模式[23]。

假设GAI的生成内容集合为Ω，师生在理解其生成内容时，事实上是将内容通过输入函数 ξ：Ω→？专将内容转变为自身可理解的信息。即当GAI生成内容为w时，师生接收到的输入为ξ（w）。进一步地，定义ξ-1（θ）为能够促使师生形成特定理解θ时的GAI生成内容的集合，以体现师生对生成内容的主观解读与客观状态之间的映射关系。在接收到GAI的内容之前，师生可能存在某种先验的信息分布q，这代表了他们对GAI生成内容的初始预期或认知。当他们的理解加深为θ = ξ（w）时，通常会基于q修正对生成内容的认识。修正过程可由信念修正法则β： ？专→Δ来描述，其中，Δ为在 Ω上定义的所有概率分布的集合，β反映了师生对于GAI生成内容的处理能力。信念修正不仅是知识更新的过程，更是师生在信息处理中主观认知能力的体现。

在信念修正的基础上，师生会根据自身认知体系做出行为决策，行为效用函数为u： A×Ω→R。效用函数u衡量了不同行为α和GAI生成状态w组合下师生的主观期望效用。行为函数α：Δ→A则是一个由信念到行为集合的映射，反映了师生如何将修正后的信念转化为实际行动的行为规则，师生的行为决策过程可表示为公式（1）：

f：Ω→A，f（w）=α（β（ξ（a））） 式（1）

这一规则体现了师生在理解GAI生成内容后，如何通过信念修正和效用最大化来做出行为决策。师生的适应能力表现在其能够根据行为效果调整和优化自己的行为规则，这个行为规则应能使师生的主观期望效用最大化，对于给定的信念δ，师生的最优行为选择α（δ）可表示为公式（2）：

α（δ）=arg ■ ∑w∈Ωu（a，ω）δ（w） 式（2）

由前述可知，对于w满足β（ξ（w）） = δ，有f（w）= α（δ）。在这个信息处理过程的一般描述中，对于理性的决策者而言，其信念修正法则应遵循一定的逻辑规律。例如师生可以选择忽略GAI的生成内容，而一味相信自己的先验信念q，即对任意的θ，q=δ=β（θ）。或者可能对生成内容具有“完全的理解”并更新自身认识，即如果θ≠θ，则β（θ）≠β（θ'）。这一信息处理框架有助于研究者正视多元复杂个体参与教学的有限理性状态，以“认知—意愿—行为—效应”的主线，理解师生如何基于GAI的生成内容，进行教与学行为适应。然而，值得强调的是，GAI为人类所创生，其适应性往往会嵌入人类的适应性。师生须认识到GAI的局限性，避免过度依赖技术而忽视师生自身的主体性和创造性。

五、持续增强：GAI增强学科教学适应性的

实践路径

任何囿于固定模式、固定形态的教学均难以有效应对学科教学面临的适应性挑战，因为学科教学适应性不是“一次适应”就可以一蹴而就地解决，它需要“持续适应”。为了促进GAI在学科教学适应性上的持续增强，研究回溯以上提出的GAI赋能学科教学适应性的逻辑理路，并据此提出切实可行的实践路径。首先，技术适应作为基石，需以根植学科大模型为基本动能，形塑动态整合知识要素的生成链；其次，情境适应作为主线，强调充分丰富学科教学场域，建构人机和谐共生的情境链；最后，师生适应作为最终归宿，需立足于学科育人主旨，聚焦真实学力提升的认知链，从而明确学科教学的可持续发展之路，如图4所示。

图4 GAI增强学科教学适应性的实践路径

（一）基础动能：根植学科大模型，形塑动态整合知识要素的生成链

在GAI增强学科教学适应性的过程中，建构出一个全面、系统且具备前瞻性的学科大模型，并形塑动态整合知识要素的生成链是赋能学科教学的基础动能。构建学科领域大模型是一个集技术创新、数据驱动、教学融合与持续优化于一体的系统工程。

其一，以现有大模型作为构建基石，综合考量模型性能、成本效益及技术可接入性，为学科领域的定制化开发奠定坚实基础。

其二，学科领域大模型的构建离不开高质量的学科领域数据支撑。由于大模型训练语料中的学科专业知识占比较少，很难在训练过程中将专业知识识别出来，目前尚难在较低成本的前提下，全面、准确地掌握人类的常识知识和逻辑推理能力。因此，仍需致力于形成“大模型+学科知识图谱”的智能扩展范式，以促使其学科体系、算法体系与知识体系的深度融合[24]。这一知识库不仅涉及学科学习目标的层级解构，还涵盖学科纵向的要素架构、主题横向的大单元重构以及过程学习的范式建构，通过理解学科属性、教学对象和教学过程，实现知识要素的动态整合，共同织就学科大模型可靠的学科知识网络。

其三，定制化训练是连接通用与专用模型的桥梁。通过微调技术，可针对学科特性调整模型参数，使其更加贴合教学需求。同时，引入知识增强策略，让模型能够实时调用外部知识库，生成更加精准、富含上下文信息的回答，以便于进一步提升模型的学科教学实用性。同时，建立严格的评估体系至关重要，这包括从准确性、相关性、安全性等多维度对学科大模型进行全面评估，确保其满足学科教学的高标准要求。

面对知识的日新月异与教学需求的动态变化，学科大模型持续增强教学的过程须遵循一定的适应性标准，即相互适应、发展适应和持续适应[25]。相互适应要求大模型与教学要素之间相互适配，形成协同效应；发展适应强调“唯变所适”，大模型需随着学科的发展而适时应变；持续适应则要求对大模型进行迭代优化，这包括引入先进算法优化应用及创新系统提示等，使其持续处于积极的适应状态，以此确保学科大模型始终走在发展前沿，为学科教学提供持续不断的动力支持。

（二）持久性能：丰富学科教学场域，建构人机和谐共生的情境链

在GAI的加持下，教学场域逐渐超越了传统的物理空间界限，逐步向分布式、虚实融合、实时交互、个性调控、灵活多变的个性化教学场域演进[26]。为了促使教学场域的智能化与人性化并重，须紧密结合学科特性和教学目标，从“人、境、机、物”四个维度出发，建构适应性教学场域的人机共生四维视图。具体包括：（1）适应的对象（改变什么）：其核心在于精准地调整与优化教师与学生教与学的体验。（2）适应的来源（因何改变）：一是学习参数，包括学生的个性化特征与学习成效；二是学习者与GAI系统的交互，涉及学生对生成内容的反馈、与系统的互动调整；三是教师教学变量的灵活调整，如教学目标设定、及GAI教学辅助工具的应用。（3）适应的情境（何时改变）：此维度关注适应性教学的时间或发生境况，及时提供针对性的干预措施，包括静态与动态的学生建模过程。（4）适应的方法（如何改变）：此维度区分了师生控制的适应以及对GAI系统控制的适应，以及两者组合的适应。其中，学习者控制的适应模式允许他们通过提示语自由选择内容，而GAI系统控制的适应则侧重于智能分析学习数据进行相应调整。

将GAI融入教学场域的实践，需遵循“匹配—适配—提升”的适应性阶段，从被动接受GAI赋能转向主动适应并推动教学场景拓展，逐步利用GAI实现对复杂教育情境中的多模态教学行为和多模态数字教育资源进行智能挖掘和耦合计算，实现适用于人机协同环境的适应性资源推荐，以构建人机和谐共生的教学情境链[27]。

（三）赓续效能：立足学科育人主旨，聚焦真实学力提升的认知链

学科育人是学科本质的应有之义，它源于学科的文化土壤并从中生长，其核心价值在于以人为中心的教学实践，以及在教学对话过程中的构建和发展。当前GAI凭借其强大的动态生成能力，正逐步渗透数学、物理等多学科的教学实践，在促进人机协同等教学模式上也表现出色[28]。在此背景下，须聚焦真实学力提升的认知链，确保学科知识获取、能力形成与素养提升三者之间的紧密衔接，共同促成GAI赋能学科教学适应性的赓续发展。

其一，明确学科育人要义，奠定认知链之基。学科育人的要义，首先，是在学科及其教学中强调学生的主体地位；其次，是让学生在知识中立足、成长；最后，则是增强学生的学科学习能力。因而，其认知链的起点，应遵循人的一般认知过程：学科知识接受、强化反省认知及聚焦创新应用。以学生的适应性学习阶段为起点，三个阶段逐级递进，构成一条以全面发展为核心、以学科知识学习为基础、以能力培养为关键的认知链。学生的学习经验与认知逻辑，奠定了学科实践的基础。

其二，优化教学模式与活动，强化认知链之核。学科育人价值的实现，还应包括围绕着学科进行的教学实践过程。教育者应当灵活利用GAI探索充分预设、动态调适的智慧教学方式，这包括人机协同下的合作学习和对话教学等多样化的教学组织形式，目的是激发学生在特定教学情境中的学习感悟。此种个性化的生成性教学模式，能够有效发挥教学组织形式应有的育人价值，从而强化认知发展链中的各个环节。

其三，建构智能评价体系，保障认知链之效。评价是检验学科教学效果、促进学生发展的重要手段，因而构建多元智能评价体系是保障认知链效能的关键举措。这包括充分利用GAI实现对学生学习表现的智能化跟踪与评价，关注其成长轨迹与变化。同时，引入自我多元主体评价模式，注重技术的应用、评价模式的创新以及反馈机制的建立，为教学调整与学生学习策略优化提供科学依据。

六、结 束 语

在生成式人工智能的发展推动下，本研究从学科教学适应性的本质内涵出发，探索了GAI赋能学科教学适应性的增强效应、因何增强以及如何持续增强的逻辑理路和实践路径，旨在为新一代人工智能背景下学科教学适应性的相关研究提供借鉴与启示。当然，由于教与学不仅是一种状态，更是一种过程，所以学科教学适应性问题不是“一次适应”就可以妥善解决，它需要循序的“多次适应”与“持续适应”。提升学科教学适应性也是一个动态演进、不断优化的系统工程，未来需要教育决策者、前沿研究者和一线教师共同努力，通过政策规划的有力驱动、教育培训的广泛普及、实践探索的进阶深化以及成功经验的有效共享，逐步构建起健全的教学适应性提升服务机制，以推动教育数字化深度转型的创新发展。

[参考文献]

[1] 陈振华. 解决教学适应性问题的现代路径[J]. 高等教育研究，2013，34（6）：55-61.

[2] 李森，郑岚. 生成式人工智能对课堂教学的挑战与应对[J]. 课程·教材·教法，2024，44（1）：39-46.

[3] 李雪庆，成伟. 论学科教学的教育性及其实现[J]. 教育科学，2023，39（4）：27-33.

[4] 魏屹东. 论适应性表征及其方法论意义[J]. 山西大学学报（哲学社会科学版），2022，45（1）：21-31.

[5] GARDNER H. Intelligence reframed： multiple intelligences for the 21st century[M]. New York： Basic Books，1999：204-205

[6] 吴亚萍. 学科教学育人价值的开发与转化[J]. 人民教育，2016（Z1）：45-50.

[7] 邓小泉，杜成宪. 教育生态学研究二十年[J]. 教育理论与实践，2009，29（13）：12-16.

[8] 林林，杨林生，刘春朝. 浅谈高等教育中“分层教学”的经济学原理[J]. 黑龙江高教研究，2017（11）：164-167.

[9] 郭华. 带领学生进入历史：“两次倒转”教学机制的理论意义[J]. 北京大学教育评论，2016，14（2）：8-26，187-188.

[10] 刘三女牙，郝晓晗. 生成式人工智能助力教育创新的挑战与进路[J]. 清华大学教育研究，2024，45（3）：1-12.

[11] KOLB D A. Experiential learning： experience as the source of learning and development[M]. New Jersey： Prentice-Hall，1984.

[12] 刘明，郭烁，吴忠明，等. 生成式人工智能重塑高等教育形态：内容、案例与路径[J]. 电化教育研究，2024，45（6）：57-65.

[13] WANG J， SHAHZAD F， ASHRAF S F. Elements of information ecosystems stimulating the online consumer behavior： a mediating role of cognitive and affective trust[J]. Telematics and informatics， 2023（80）：101970.

[14] 孙雪荧. 数字化转型何以重构智慧教育新空间[J]. 教育研究，2024，45（4）：146-159.

[15] 高文. 情境学习与情境认知[J]. 教育发展研究，2001（8）：30-35.

[16] 曲慧，喻国明. 传播行为经济研究何以可能？——理论溯源、概念工具与研究范式[J]. 新闻与传播研究，2023，30（11）：77-90，127-128.

[17] D.E.司托克斯. 基础科学与技术创新：巴斯德象限[M]. 周春彦，谷春立，译. 北京：科学出版社，1999.

[18] 敖峰. 论教师的技术具身：意涵、隐忧与超越[J]. 电化教育研究，2022，43（2）：109-114.

[19] HELSON H． Adaptation-level as frame of reference for prediction of psychophysical data[J]． The American journal of psychology，1947，60（1）：1-29．

[20] 赫伯特·西蒙. 管理行为[M]. 詹正茂，译. 北京：机械工业出版社，2004：107.

[21] ROY C， ANDREWS H. The Roy adaptation model[M]. 2nd ed. Nor-walke CT： Appleton and Lange， 1999：15.

[22] NONAKA I，TOYAMA R，KONNO N. SECI， Ba and leadership： a unified model of dynamic knowledge creation[J]. Long range planning， 2000（1）：5-34.

[23] 蒋炜，程少川，席酉民，等. 有限理性与信息处理模型研究综述[J]. 控制与决策，1998，13（3）：8-13.

[24] 罗江华，张玉柳. 多模态大模型驱动的学科知识图谱进化及教育应用[J]. 现代教育技术，2023，33（12）：76-88.

[25] 伊恩·伦诺克斯·麦克哈格. 设计结合自然[M]. 芮经纬，译. 天津：天津大学出版社，2006：149-151.

[26] 马飞. 从实体到关系：重申教学空间的内涵、特征与发展进路——面向数智时代的思考[J]. 电化教育研究，2024，45（7）：64-72.

[27] 罗江华，张玉柳. 基于跨模态理解与重构的适应性数字教育资源：模型构建与实践框架[J]. 现代远程教育研究，2023，35（6）：91-101.

[28] 单俊豪，刘永贵. 生成式人工智能赋能学习设计研究[J]. 电化教育研究，2024，45（7）：73-80.

Logical Rational and Practical Paths for Generative Artificial Intelligence in Enhancing Subject Teaching Adaptability

ZHANG Yuliu， LUO Jianghua

（Center for Studies of Education and Psychology of Ethnic Minorities in Southwest China， Southwestz12YE2wuRkpcWAkucNMYLQ== University， Chongqing 400715）

[Abstract] With the intelligent emergence of generative artificial intelligence technology， enhancing the adaptability of subject tlxnSYZdLCVzC9Oomf6lLFg==eaching is an essential reflection of the interplay between the internal layer of subject teaching self-development and the external technological environment. First of all， this paper systematically elaborates on the essential connotation of subject teaching adaptability， revealing the logic of enhancement and stage characteristics of subject teaching adaptability. Secondly， the paper discusses the enhancement effect of generative artificial intelligence in empowering subject teaching adaptability in terms of practical value from three aspects of teaching content， teaching subject and teaching evaluation. The logical mechanism of the enhancement effect is based on the improvement of technological adaptability， centered around the construction of intelligent teaching situation， and ultimately oriented to the deep adaptation and collaborative development of teachers and students in the new technological environment. Finally， in order to continuously promote the enhancement of subject teaching adaptability through generative artificial intelligence， this paper， starting from the aspects such as being rooted in the large model of the subject ， enriching the structure of the teaching field， and adhering to the main theme of subject education，discusses the practical path to promote the deep coupling of generative artificial intelligence and subject teaching so as to provide reference and insights for the teaching practice of related subjects.

[Keywords] Generative Artificial Intelligence; Adaptability; Subject Teaching Adaptability; Human-Machine Collaboration; Bounded Rationality

DOI：10.13811/j.cnki.eer.2024.11.014

基金项目：国家社会科学基金2021年度教育学重点课题“以教育新基建支撑高质量教育体系建设研究”（课题编号：ACA210010）