AIGC赋能的新形态工科实验教学初探

[摘" "要] 在工科实验中融合AIGC的技术优势是工科实验教学未来发展的重要方向，研究AIGC赋能的新形态工科实验具有时代紧迫性。AIGC赋能的新形态工科实验呈现技术性实验设计、泛化性实验方案、螺旋式实验过程、思辨性实验创新、瞬时性实验评价的内涵，支持新形态工科实验教学中的实验本体研究，以及能力依赖、生成式实验、复合大脑、在场模式的外延，支持新形态实验教学中的教学特征研究。为适应新质生产力人才培养，研究提出了基于六度循环的新形态工科实验教学路径，覆盖引导、查询、判断、应用、评价与优化共6个实验阶段，探索了融合AIGC的新形态工科实验支持系统框架，从智慧实验导学、精准实验教学、高阶实验探学三个方面讨论了新形态工科实验在典型教学场景中的应用。研究成果为新形态工科实验教学的设计与实施提供了借鉴。

[关键词] 新形态实验； AIGC； 特征研究； 教学路径； 支持系统

[中图分类号] G434" " " " " " [文献标志码] A

[作者简介] 郭丰（1983—），男，黑龙江牡丹江人。高级工程师，博士，主要从事机械工程学科新形态实验教学与人工智能技术融合研究。E-mail：guof6570969@163.com。

一、引" "言

《中国教育现代化2035》指出：“加快信息化时代教育变革”[1]。数字化是信息化的升级和拓展，高等教育数字化是高等教育发展的重要方向。高等教育数字化是利用数字技术改变高等教育各环节，经历全流程创新与多方面变革后，赋能教育数字价值的过程[2]，实现数字技术来驱动学习环境变革、优化教育资源供给、推动师生素养发展、助力教学范式重构[3]的目标。随着数字技术赋能教育成为全球共识，将人工智能（Artificial Intelligence，AI）应用于教育领域正在成为近年来的教学研究热点。在2024世界数字教育大会上，教育部部长怀进鹏强调了AI赋能教育转型的重要性[4]。同年3月，教育部启动了AI赋能教育行动，旨在用AI推动教与学融合应用，提高全民数字教育素养与技能，开发教育专用AI大模型，同时规范AI使用科学伦理等[5]。在新质生产力人才培养需求牵引下，重视AI在工程教育中的应用非常必要，率先布局和全面实现工程教育智能化是当前和未来高等工程教育改革和创新的重大战略和必由之路[6]。

AIGC（AI Generated Content），即人工智能生成内容，自2022年进入大众视野后，为教育教学的创新性、颠覆性发展提供了无限可能[7]，基于人类反馈系统的跨模态AI生成应用正在加速发展[8]。Wang等总结了AIGC的主要应用领域，即文本生成、图像生成、音频生成、视频生成、三维内容生成、数字人生成以及上述领域的复合生成，为AIGC的教学资源生成提供了技术可能[9]。Chen等通过文献综述研究发现，AIGC在教学领域的研究主要集中在效能评估、教学应用、教学效果、教学技术与应用前景五个方面[10]。Jing等认为在利用AIGC赋能教育的过程中，应将从培养AI使用能力转向培养AI素养，为利用AIGC赋能学习奠定基础[11]。郑永红等梳理了AIGC的应用场景，认为AIGC在促进教育公平、推动教育创新和提升教育质量方面有积极影响[12]。卢宇等探讨了AIGC的潜在教育应用，并在习题生成、自动解题、辅助批阅等方面开展了初步探索[13]。肖君等研究了AIGC赋能在线学习的应用场景与实施路径，认为AIGC能够更好地服务于在线学习和教育需求[14]。陈向东等构想了 AIGC支持的面向教育数字化转型的技术预见行动框架，为基于AI的教育数字化转型提供经验之外的新思路[15]。当然，AIGC在赋能教育的同时也面临技术与伦理的风险，黄蓓蓓等构建了风险预警机制，实现AIGC融入高等教育生态系统后的风险化解，为高等教育数字化转型和高质量发展保驾护航[16]。综上所述，AIGC赋能教育的研究已经引起了广泛的讨论，但关于AIGC如何赋能实验教学则鲜有研究，本研究将为AIGC与实验教学的深度融合提供借鉴。

二、AIGC赋能的新形态工科实验教学特征研究

传统工科类实验教学存在实验内容陈旧、教学方法过时、实验设备老化、缺少智能技术支持等亟待解决的问题，不利于新质生产力发展背景下高水平人才的能力培养，因此迫切需要融合现代智能技术推动工科类实验教学改革，持续支持工科类实验教学提质增效。借鉴新形态教材的实践[17]，本文认为：新形态工科实验是一种在AI技术加持下，具有新颖实验本体与教学特征，旨在复现工程实际、解决工程问题的新型工科类实验。本节尝试从AIGC赋能的角度对新形态工科实验本体与教学特征进行探索。

（一）新形态工科实验本体特征研究

实验本体是描述和表达实验教学领域基本要素的本体模型，具有形式化、结构化和共享化等特点。与传统工科实验相比，AIGC赋能的实验本体发展出新特征，体现在实验设计、实验方案、实验过程、实验创新与实验评价五个方面，如图1所示。

1. 实验设计的转变：从经验性实验设计到技术性实验设计

实验设计需要明确实验教学目标，要求实验内容具有可操作性与可度量性，传统实验设计的质量主要依赖专家经验。鉴于思维定式固化与主观经验存在，实验设计改革步伐往往滞后于现代工程实际。初入AI时代，教学专家仍主导实验设计，而实验资源则可借助AI工具辅助整理。当AI技术成熟后，教学专家与AI工具的主辅关系亦在转变。基于海量知识样本，AI通过模型训练具备了获取人类经验的能力，掌握了跨学科实验设计所需的知识与方法，因此也具备了完成多学科融合背景下的实验设计能力。考虑到技术伦理等风险因素，教学专家仅需在AIGC完成实验设计后进行审验与修补即可。由此，工科实验教学的实验设计由经验性设计转变为技术性设计，实现新形态工科实验设计的敏捷迭代。

2. 实验方案的转变：从确定性实验方案到泛化性实验方案

实验方案是实验教学的明确计划，确保实验过程的系统性、可重复性和可验证性。传统实验方案往往具有封闭性，在预定义方案中学生进行程式化被动探索。项目式教学法是高阶教学模式的具体化，强调学生的非程式化自主探索[18]。通过在实验教学中实施“AI+项目式教学”，能够生成具有指导性的实验方案组合（确保方案非劣性），辅助学生探索择优，激发高质量实验思考。基于AIGC强大的生成能力，使实验方案的开放性成为可能。通过建立实验方案模板并设定提示线索，可研发具有提示功能的电子化实验方案生成器，支持学生利用AIGC工具与私有知识生成具有个性化的可行实验方案，使得实验方案具有泛化性。由此，工科实验教学的实验方案由确定性转变为泛化性，激发了学生对新形态工科实验方案的精益思考。

3. 实验过程的转变：从阶梯式实验过程到螺旋式实验过程

实验过程是按照一定步骤和规则实施的实验操作序列。根据任务目标对实验操作序列进行聚类，每一类的操作序列对应特定的实验能力提升。在封闭性预定义实验方案中，类与类之间具有相对独立性，存在先后顺序而呈现阶梯特征，实验教学达成度基于粗粒度“台阶”进行计算。在虚拟仿真实验认可度提升后，工程实验过程的高拟真特性逐渐成为共识。“AI+虚拟仿真实验”能够支持高复杂度工程实验过程的设计规划，允许学生在非劣性指导方案中反复试错以迭代优选实验过程，通过归纳分析错误内因完成工程知识学习，实验教学达成度的计算随之细化并深入到任务或子任务内部。当开放性提示方案成为工科实验主流时，允许学生在全部可能的实验方案中进行螺旋式探索寻优，基于AIGC提供的知识线索反复回溯验证，提升对涉及工程问题实验的理解。由此，工科实验教学的实验过程从阶梯式转变为螺旋式，督促学生对新形态工科实验过程形成立体认知。

4. 实验创新的转变：从机械性实验创新到思辨性实验创新

实验创新包括方法创新、技术创新、思路创新、过程创新等。传统工科实验创新具有机械性，即学生无条件信任书本指导，按照指导顺序完成创新联想。受益于互联网普及与智能检索能力提升，允许学生模拟工程实际场景，通过检索互联网以获得解决工程问题的相似实验方案，参照相似实验方案尝试不同实验过程，基于启发规则在尝试中寻找实验创新。伴随工程领域知识图谱的知识覆盖率的提升，知识图谱检索技术能够反向指导学生规划实验，支持学生以主动姿态优化实验方案与实验过程，完成积极的工程实验创新。AIGC技术的成熟为创新提供了新的可能，支持学生在回溯验证中开展工程问题的批判性思考，通过交叉验证跨越式提升学生的思辨能力。由此，工科实验教学的实验创新从机械性转变为思辨性，鼓励学生对新形态工科实验创新进行深度挖掘。

5. 实验评价的转变：从延时性实验评价到瞬时性实验评价

实验评价是指对实验教学过程及实操结果进行的全面、系统、客观评价。传统工科实验评价往往是滞后的，在实验完成后由实验指导教师调阅分析实验报告，依据报告内容开展粗粒度的实验评价，实验评价具有延时性特征。智能批改系统上线后，AI工具能够收集学生实验过程中的阶段性数据，辅助实验指导教师根据阶段性数据完成细粒度的实验评价，但主观内容评价仍需依赖指导教师经验。将AIGC嵌入智能实验教学系统后，通过设定完备的实验评价规则，支持实验步骤数据的快速获取，并分析步骤数据以立即生成精细度的实验评价，实验评价具有瞬时性特征。由此，工科实验教学的实验评价从延时性转变为瞬时性，支持新形态工科实验评价的动态优化。

（二）新形态工科实验教学特征研究

新工科教育范式涉及新工科的教育理念、培养模式、教学方法、教学内容、质量标准等方面[19]。AIGC赋能新工科教育范式的具体实践为新形态工科实验注入了新的教学特征，如图2所示。

1. 能力依赖：从记忆知识到检索知识

实验教学具有多主体特征，学生作为第一主体负责完成知识与能力的获取，教师作为第二主体负责完成知识与能力的培养。数智时代的新知识观认为知识是人类和AI协作产生的[20]。AIGC通过大模型训练具备了拟人意识，鉴于大量的新质生产力语料知识存在，AIGC能够产生新的知识以支持新形态工科实验的自我进化，使得新形态工科实验作为第三主体具备了新质生产力人才培养的主观能动预期。因此，在当前时代叙事中，实验知识不断自我迭代，封闭性的知识体系被技术冲破，依赖书本完成知识的硬性记忆不再适应新工科实验教学，迫使“被动灌输”被“智慧引导”取代。在开放性的实验知识体系背景下，为应对工程实际的复杂性，新工科实验能力培养的重要性更加凸显。当开放性实验能力体系的教学价值融入了AI时代特征后，检索查询已经成为提升实验能力的重要途径。在伦理约束下，教师合理引导学生完成检索查询被认为是“智慧引导”下实验教学能力培养的必要手段。由此，新形态工科实验教学的学习主体需要历经从书本依赖到能力依赖的转变。

2. 生成式实验：从静态资源到动态资源

实验资源是构建实验主体的重要组成，承担学习客体的职责。传统的工科实验资源以非数字化的静态资源为主，往往由教学团队进行预定义。实验教学过程中通过不断挖掘静态资源的教学价值来支持学生实验能力的培养。数字技术出现后，预定义的静态资源具备了数字特性，提升了实验资源的复用性，降低了工科实验教学的资源成本。但预定义的实验资源具有较高的限制性，难以迅速迭代以适应新科技水平下的工科实验教学需求。AIGC支持通过内容分析和数据挖掘，突破地域限制以遍历不同教育平台或实验资源库，获取类型多样、内容丰富以及智能化的教学资源[21]，为考虑工程复杂性的实验资源动态化生成提供了可能。随着ChatGPT-4o等大模型的出现，动态化生成的实验资源类型包括但不限于文本、音频、视频、三维虚拟场景等。实验资源的动态化生成模式为新形态工科实验从预定义走向生成式提供了技术可能性。

3. 复合大脑：从人人协同到人机协同

实验教学过程涵盖了不同类型的协同实践。从人因角度分析，传统实验教学中的协同主要体现为人人协同，现代实验教学中则出现了人机协同。以工程探索性实验为例，教学过程中往往通过实验小组来协同问题研究与方案研讨，完成知识与能力的共享，本质上是基于小组策略的人人互助协同，体现为碳基生物大脑的思考成果。随着AI技术的丰富，人机协同已经成为工科实验教学研究的重点，如合理利用项目学习支架[22]方法等，能够以工程技能协同为目标，发挥不同支架在实验教学中的组合优势，形成基于支架策略的人机技能协同。随着模型参数与模型深度的规模化增长，AIGC呈现类似主观判断与主观思考的能力，利用人机共生的复合大脑开展教学逐步进入研究者视野[23]。随着脑机接口等可穿戴式设备的发展，人与机器的协同正在迈向意识协同，乃至精神协同。人类正在从创造主体逐渐向监督主体转变，在新形态工科实验教学中形成基于监督策略的人机意识协同，体现为碳基大脑与硅基大脑的协同思考，客观上促使协同机制从依赖生物大脑到依赖复合大脑的转变。

4. 在场模式：从实体实验到元宇宙实验

实体实验主要通过问题复现、场景模拟、真实操作来完成教学过程。工科类实体实验对实际实验设备/装置存在高度依赖，实验过程仅能近似模拟真实工况。由于实验场景与真实场景存在差异，所以工科类实体实验一般具备离场特征。伴随教学方法与教学技术的发展，线上线下混合实验教学日渐成熟，其以全场景融合模式促进教学与服务向个性、精准、智能化转型，积极促进教育和学习的创新发展[24]，通过融合MOOC（无沉浸）、SPOC（无沉浸）与桌面级虚拟仿真实验（以浅沉浸为主）等，形成基于浅度沉浸的在线混合实验，提供一定的工程临场感。当AIGC与教育元宇宙自然耦合后，支持构建“师—机—生”互融共生的学习新样态[25]，深度沉浸、社会交互、无限扩展等技术特征为新形态工科实验教学提供了精准现实或超越现实，实验助手由抽象文本变为具身形象，通过集体在场实现个性化教育与规模化教育协同开展，形成基于完全沉浸的元宇宙实验。元宇宙实验为提高学生解决各类复杂工程问题提供了全要素仿真，推动实验模式从离场到在场的转变。

三、AIGC赋能的新形态工科实验教学路径与支持系统架构

（一）基于六度循环的新形态工科实验教学路径

为适应新质生产力人才培养，发挥新形态工科实验教学在新质教育[26]中的重要作用，建立适配AIGC的新形态工科实验教学路径，持续迭代工科类实验教学方法，研究团队在调研AI赋能学习路径的方法[27]基础上，借鉴人际六度空间理论，提出了基于六度循环的新形态工科实验教学路径，覆盖引导、查询、判断、应用、评价与优化等六个教学阶段，如图3所示。

阶段一：引导，以工程问题为导向。持续挖掘工程领域问题热点，保证实验教学与工程需求的目标吻合。根据工程问题复杂性完成工程知识的剥离与解析，建立新形态工科实验教学表征模型，完成工程问题的实验化教学落地，提高学生辨识工程问题的能力，引导学生参与实验设计过程。

阶段二：查询，以提示问答为导向。培养学生主动检索工程问题解决方案的能力。检索能力高度关联了AIGC提示工程构建的有效性，学生通过综合使用提示图谱、提示思维链与提示案例库，掌握工程问题思考方法，实现提示问句的合理设计与使用，逐步形成“问中做，做中学，学中问”的循环学习模式。

阶段三：判断，以理论思辨为导向。面对检索获取的解决方案，依赖知识推荐并融合学生私有知识，形成个性化实验解决方案。利用相似度比较与评价技术支持个性化实验方案的质量分析。培养学生对质量分析的科学质疑精神，在质疑过程中激发思辨动能，逐步形成“获取—比较—质疑”的探索思辨模式。

阶段四：应用，以实践能力为导向。基于实体实验、虚拟仿真实验以及元宇宙实验等多种实验形式，强化学生将理论融于工程，并依据工程问题解决质量分析，据此考核学生实践能力。元宇宙实验是当前教育领域研究的热点，基于多模态知识融合AIGC技术与元宇宙技术，能够提升新形态工科实验教学的在场感。

阶段五：评价，以综合素养为导向。通过学生的自我评价引导综合素养提高，评价标准包括预定义标准与开放性标准。预定义标准基于历史经验总结得出，开放性标准则要求动态变化且与时俱进，支持实验指导教师根据学生特征进行实验内容适配，满足AIGC赋能的个性化培养要求。

阶段六：优化，以创新决策为导向。基于评价结论构建实验本体的自主迭代优化模式，建立评价结论与自主迭代方向的动态映射。实验本体的优化支持面向学生个体的实验内容迭代，通过开放技术接口支持基于复合大脑的技术协作创新，鼓励学生协调多种方法进行组合决策。

由图3可知，在基于六度循环的新形态工科实验教学路径中，通过往复的周期性阶段循环，助力提升AIGC赋能的新形态工科实验教学效果。

（二）融合AIGC的新形态工科实验支持系统架构

为便于新形态工科实验教学高效开展，研究团队提出了融合AIGC的新形态工科实验支持系统架构，如图4所示。

第一层：支撑层。该层由本地支撑环境与云端支撑环境构成，通过互联网通信接口实现信息互通。本地支撑环境中的数据库与服务器可部署在校方公共资源平台，确保教师维护的便捷性；云端支撑环境可直接利用第三方云服务平台，注重安全优势与成本优势，一般存储算法库、规则库与参数库等不需要经常性维护的数据库，并提供通用服务。

第二层：数据层。该层用于存储各种数据，例如：案例库存储典型学生画像与实验画像，提供典型提示问句；图谱库存储知识图谱（含实验本体）、提示问句模板等；知识库存储实验知识，覆盖文本、音频、视频、三维场景等不同模态；算法库存储生成提示问句与构建评价标准的智能算法；参数库存储智能算法与调用外部AIGC模型所需的配置信息。

第三层：模型层。该层由学生画像、实验画像、知识图谱、提示工程、评价标准与外部控制六大模型构成。学生画像与实验画像用于描述学生群体与实验本体的特征；知识图谱通过实体与关系描述完整的实验知识体系；提示工程用于构建提示问句，作为第三方AIGC大模型的输入部分；外部控制用于AIGC大模型交互，并将交互反馈信息解码识别。

第四层：AIGC赋能的功能层，具体包括六大赋能。（1）AIGC赋能学生画像：支持基于AI技术获取学生特征、学生行为，通过聚类分析实现学生群体划分；基于实验过程数据分析，精准定位操作流程的问题痛点，面向学生群体触发基于AIGC的知识推送，支持实验质量控制。（2）AIGC赋能实验画像：支持工程方法与工程对象的解释功能，完成工程问题与实验教学的关联描述；通过建立学生画像与实验画像的映射，支持基于AIGC的精准实验教学；通过开放实验设计与实验方案的编辑校验功能，建立工程方法与实验设计、工程对象与实验方案的动态链接。（3）AIGC赋能知识图谱：支持知识图谱在新形态工科实验教学中的扩展，包括但不限于实验图谱[28]、能力图谱[29]、技术图谱、方法图谱、资源图谱等；通过开放接口保证知识图谱的工程专业性与工程知识覆盖度，基于AIGC反馈支持知识图谱的自主迭代与优化。（4）AIGC赋能提示工程：支持提示问句的模板化设计，通过“初始提问”和“优化提问”两种提问设计[30]完成提示问句优化；提供提示模板管理功能、提示问句生成功能、提示对话评价功能，以及作为AIGC用户界面的实验助手功能，确保问句生成按照预期输出。（5）AIGC赋能评价标准：支持精准检索评价文本或实操行为，基于质量过滤算法去除无关文本或无意义行为；基于AIGC定义个性化实验评价标准，实现评价标准与学生画像及实验画像的动态适配；建立评价规则并利用评价引擎完成实验全要素评价，支持新形态工科实验的后续改进或调优。（6）AIGC赋能外部控制：支持调用第三方AIGC大模型，避免教学团队盲目开发自研大模型；通过AIGC配置实现本系统与外部模型的接口映射，支持AIGC输入信息的编码与提交，AIGC反馈信息的获取与解码。

第五层：应用层。该层包括但不限于实体实验、虚拟仿真实验以及元宇宙实验等，是学生开展新形态工科实验的直接载体。

四、新形态工科实验教学的典型应用场景

（一）跨工程学科融合的智慧实验导学

对话式的AIGC引发了对话式教学在教育领域的发展。智慧问学作为对话式学习的高阶形态，通过主动提问寻求大语言模型回应，是一种实现递进式问答对话与迭代式内容生成的新型学习模式[31]。智慧问学符合新形态工科实验教学对人才能力培养的教学模式，对跨工程学科人才的创新思维与技能培养具有重要价值。考虑到不同学科知识的复杂性，合理的对话设计是支持跨工程学科人才培养的重要工具。

在跨工程学科的实验教学中，建立面向独立学科的提示问句知识图谱，利用实体对齐或实体融合等方法，动态连接独立学科的知识图谱，迭代形成庞大的跨工程学科提问网络，能够支持不同维度的问句设计，强化跨工程学科对话设计的合理性与有效性，实现融合后的高质量问句生成。在跨学科人才培养中，实现“以导促问，以问促学，以学优导”的智慧实验导学模式。融合后问句生成与应用示意，如图5所示。

（二）配套新形态教材的精准实验教学

高校新形态教材具有知识更新的及时性、内容的丰富性和环境的可交互性等特征[17]，形态上融合了纸质教材、数字教材与教学过程。研究团队认为，新形态教材还具备个性化、动态化、资源化和立体化的特征，能够配套新形态工科实验的细分类型，在充分考虑主要支持技术、主要风险点及预设解决方案后，实现新形态教材与新形态工科实验教学的无缝对接，具体内容见表1。

（三）教育元宇宙视域的高阶实验教学

教育元宇宙是利用VR/AR/MR、数字孪生、5G、人工智能、区块链等新兴信息技术塑造的智慧教育环境高阶形态，具有虚拟与现实全面交织、人类与机器全面联结、学校与社会全面互动的特征[32]。新形态工科实验教学与教育元宇宙具有天然的联系，在教育元宇宙视域下经过AIGC赋能后，在多模态资源与数字人技术加持下，新形态工科实验教学的工程性与智能性得到提升，能够避免能力培养的表层化与片面化。“AIGC+多模态资源”模式能够利用教育众筹[33]实现多模态实验资源的自主生成，提升实验过程的多样性，夯实工程实践能力培养的深度与广度，提高学生解决复杂工程问题的技术水平。“AIGC+数字人技术”模式能够发挥数字人形象优势，构建个性化、虚拟化和多元化的新型数字环境[34]，支持数字人实时作出反馈，以实验助手的身份定位在元宇宙实验空间中，形成及时且高质量的教学反馈。

五、结 束 语

新形态工科实验教学是在新质生产力人才培养目标下发展形成的，基于AIGC赋能的新型实验教学样态。相对于传统工科实验，新形态工科的实验本体与实验教学特征都发生了积极变化，AIGC技术深度融入工科实验教学的不同阶段，在新形态工科实验系统支持下，工科实验教学应用场景能够体现实验教学的智慧性、精准性与高阶性。

[参考文献]

[1] 新华网. 中共中央、国务院印发《中国教育现代化2035》[EB/OL]. （2019-02-23）[2024-11-27]. http：//www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html.

[2] 许韬，李宇航，代东旭． 高等教育数字化的理论检视、现实挑战与进阶路径[J]． 中国高等教育，2023（23）：18-21．

[3] 杨宗凯． 高等教育数字化发展：新特征、新范式与新路径[J]． 中国高等教育，2024（S1）：24-28．

[4] 教育部. 教育部部长怀进鹏在2024世界数字教育大会上的主旨演讲：携手推动数字教育应用、共享与创新[EB/OL]. （2024-02-01）[2024-11-27]. http：//www.moe.gov.cn/jyb_xwfb/moe_176/202402/t20240201_1113761.html

[5] 新华网. 教育部发布4项行动助推人工智能赋能教育[EB/OL]. （2014-03-28）[2024-11-27]. http：//www.moe.gov.cn/jyb_xwfb/xw_zt/moe_357/2024/2024_zt05/mtbd/202403/t20240329_1123025.html.

[6] 林健，杨冬． 工程教育智能化：系统设计与整体实现[J]． 高等工程教育研究，2024（2）：1-11，96．

[7] 白雪梅，郭日发． 生成式人工智能何以赋能学习、能力与评价？[J]． 现代教育技术，2024，34（1）：55-63．

[8] REN X F， TONG L L， ZENG J， et al． AIGC scenario analysis and research on technology roadmap of Internet industry application[J]．China communications，2023，20（10）：292-304．

[9] WANG Y T， PAN Y H， YAN M， et al． A survey on ChatGPT： AI-generated contents， challenges， and solutions[J]． IEEE open journal of the computer society，2023，4：280-302．

[10] CHEN X J， HU Z B， WANG C L． Empowering education development through AIGC： a systematic literature review[J]． Education and information technologies，2024，29（13）：17485-17537．

[11] JING Y H， WANG H M， CHEN X J， et al． What factors will affect the effectiveness of using ChatGPT to solve programming problems？A quasi-experimental study[J]． Humanities and social sciences communications，2024，11（1）：319．

[12] 郑永红，王辰飞，张务伟． 生成式人工智能教育应用及其规制[J]． 中国电化教育，2024（5）：114-119．

[13] 卢宇，余京蕾，陈鹏鹤，等． 生成式人工智能的教育应用与展望——以ChatGPT系统为例[J]． 中国远程教育，2023（4）：24-31，51．

[14] 肖君，白庆春，陈沫，等． 生成式人工智能赋能在线学习场景与实施路径[J]． 电化教育研究，2023，44（9）：57-63，99．

[15] 陈向东，褚乐阳，王浩，等． 教育数字化转型的技术预见：基于AIGC的行动框架[J]． 远程教育杂志，2023，41（2）：13-24．

[16] 黄蓓蓓，宋子昀，钱小龙． 生成式人工智能融入高等教育生态系统的风险表征、预警及化解[J]． 现代教育技术，2024，34（5）：16-26．

[17] 黄明东，蔺全丽，李晓锋. 高校新形态教材的特征、发展态势与建设路径[J]. 出版科学，2022，30（02）：32-39.

[18] 赵永生，刘毳，赵春梅． 高阶思维能力与项目式教学[J]． 高等工程教育研究，2019（6）：145-148，179．

[19] 顾佩华． 新工科与新范式：概念、框架和实施路径[J]． 高等工程教育研究，2017（6）：1-13．

[20] 王竹立，吴彦茹，王云． 数智时代的育人理念与人才培养模式[J]． 电化教育研究，2024，45（2）：13-19．

[21] 别敦荣，郭一蓉． 人工智能时代高等教育创新发展新趋势[J]． 中国高等教育，2024（S1）：39-44．

[22] 江净帆，尹合栋． 基于SPOC平台的项目式深度学习策略[J]． 教育科学研究，2024（5）：57-64．

[23] 汪靖，米尔外提·卡马勒江，杨玉芹． 人机共生的复合脑：基于生成式人工智能辅助写作教学的应用发展及模式创新[J]． 远程教育杂志，2023，41（4）：37-44．

[24] 祝智庭，胡姣． 技术赋能后疫情教育创变：线上线下融合教学新样态[J]． 开放教育研究，2021，27（1）：13-23．

[25] 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．

[26] 王竹立． 建构新教育学体系，发展新质教育——从数智时代新知识观入手[J]． 开放教育研究，2024，30（3）：15-23，36．

[27] 董艳，夏亮亮，李心怡，等． ChatGPT赋能学生学习的路径探析[J]． 电化教育研究，2023，44（12）：14-20，34．

[28] 郭丰，孙厚涛，郑春辉，等. 基于实验图谱的虚拟仿真实验建设与评价初探[J]. 高等工程教育研究， 2024（5）：76-82.

[29] 江永亨，任艳频，唐潇风． 高校实验能力图谱基础架构及关键问题探讨[J]． 实验技术与管理，2023，40（12）：187-191．

[30] 王丽，李艳，陈新亚，等． ChatGPT支持的学生论证内容评价与反馈——基于两种提问设计的实证比较[J]． 现代远程教育研究，2023，35（4）：83-91．

[31] 戴岭，赵晓伟，祝智庭． 智慧问学：基于ChatGPT的对话式学习新模式[J]． 开放教育研究，2023，29（6）：42-51，111．

[32] 刘革平，高楠，胡翰林，等． 教育元宇宙：特征、机理及应用场景[J]． 开放教育研究，2022，28（1）：24-33．

[33] 杨开城，张慧星． 论现代教育与教育众筹[J]． 远程教育杂志，2023，41（4）：3-10．

[34] 陈卫东，郑巧芸，褚乐阳，等． 智情双驱：数字人的教育价值与应用研究[J]． 远程教育杂志，2023，41（3）：42-54．

A Preliminary Study on AIGC-enabled New Form of Engineering

Experimental Teaching

GUO Feng，" YANG Qingxiang，" ZHENG Chunhui，" SUN Houtao，" HAN Zhenyu

（School of Mechatronics Engineering， Harbin Institute of Technology，Harbin HeiLongjiang 150001）

[Abstract] Integrating the technical advantages of AIGC in engineering experiments is an important direction for the future development of engineering experiment teaching， and the study of AIGC-enabled new form of engineering experiments is urgent. The new form of engineering experiments empowered by AIGC present the connotations of technical experimental design， generalized experimental scheme， spiral experimental process， speculative experimental innovation， and instantaneous experimental evaluation， supporting the research of experimental ontology in the new-form engineering experimental teaching; the extension of ability dependence， generative experiments， compound brain， and field mode， supporting the research on teaching characteristics in new forms of experimental teaching. To adapt to the cultivation of new quality productivity talents， a new form of engineering experimental teaching path based on a six degree cycle is proposed， covering six experimental stages of guidance， inquiry， judgment， application， evaluation， and optimization. The framework of a new form of engineering experimental support system integrating AIGC is explored， and the application of the new form of engineering experiments in typical teaching scenarios is discussed from three aspects of intelligent experiment guidance， precise experiment teaching， and advanced experiment exploration. The research results provide reference for the design and implementation of experimental teaching in new forms of engineering.

[Keywords] New Form of Experiment; AIGC; Feature Research; Teaching Path; Support System