掌握生成式人工智能大模型的交互方法容易，但要用好、用深，绝非一日之功。如何才能从浅层应用走向深层应用？按照整合技术的学科教学知识（TPACK）理论框架看，生成式人工智能赋能备课的实质是将学科知识、教学法知识和技术性知识这三者有机整合起来，促进教与学的创新变革。鉴于此，本文从生成式人工智能赋能学习理解的视角来谈生成式人工智能的深度应用，即如何深度备课以促进学习理解的发生。

一、生成式人工智能赋能备课的现状

       （一）“为我生成”多，“伴我生成”少

    大部分教师应用生成式人工智能趋向于“拿来主义”，寄希望凭借提示语一步到位，如“请帮我设计一篇关于韩信点兵的算法教学方案，面向六年级学生，字数不少于1000字”。这种一键生成的教学设计，效果往往不尽如人意，原因在于：一是大模型缺乏学科教学领域的最新优质数据的训练；二是生成式人工智能的生成也依赖于问题解决的具体背景（如教材、策略集、教案范本等），否则其生成结果就会缺乏针对性。因此，不是大模型乏力，而是应用思路要从依赖型变为建构型，从“为我生成”变为“伴我生成”，从“机器包办”变为“人在回路”，才能达到备课的真正深度。

       （二）用于教的素材多，探索学的模式少

    备课，要备什么？是不是使用生成式人工智能助力搜集素材、打磨工具、完成PPT，就足够了？目前来看，教师以学生为中心的教学理念还没建立起来，尚未在学生学习如何面向未来、如何涵养素养等方面进行深入思考。那么，生成式人工智能就还只是辅助教的工具，而非教学新质生产力的关键要素。教师的心智模型与新时代教学理念缺乏联结点，其应用就很难走向“人工智能+教学”的新境界。

       （三）单点应用多，系统优化少

    对于生成式人工智能，一线教师常囿于单点应用，如构思一个生活情境、编写一段范例程序等。这种“零敲碎打”的尝试，未能通盘考量生成式人工智能的功能，因此无法将其功能作为整体与教学有效整合。人工智能赋能备课要产生撬动力，还需要从大观念教学、大单元教学、教学评一致性、元认知提升等多个角度，对教学设计进行有层次性的系统优化。

二、生成式人工智能赋能备课的策略

       （一）六层迭代：为问题的发掘赋能

       1.人工智能赋能的深度理解

   （1）生成实例的概念理解。这包括以下两个方面的转化。一是将概念转化为实例。教师举出与概念对应的例子，再用生成式人工智能将描述性例子转化为网页、程序、素材等实例，进而基于实例的特征内化对概念的理解。二是将实例转化为概念。教师使用系统截屏、现场拍照等方法获取教学场景图，通过开放式、收敛式、联想式等方式构造提示语，如“这个场景中有哪些人工智能技术可以挖掘”，从而通过场景识别、推理生成等来反向提取概念。

   （2）生成比较的关系理解。如果说生成实例的概念理解，指向的是概念本身的内涵，那么生成比较的关系理解，则指向了一个概念和其他概念在内涵上的联系与区别，即不以孤立的方式理解概念，而是要打破邻近概念、相似概念、大小概念在大脑中各自为政的存储模式，主动构建起概念间的意义联系。比如，与生成式人工智能讨论“图像编码与音频编码有相同的本质吗”。

   （3）生成反馈的自知理解。生成式人工智能可以扮演反馈器的角色，对教师的理解进行评价，促进教师对理解程度的自我认知。例如，教师输出对教材的理解（文本），让人工智能来剖析亮点、不足与建议，实现一对一式的诊断反馈。

       2.人工智能赋能的问题挖掘

   （1）以解题逻辑生成问题。每节课的学习可被视作对一类问题的解决，这包括起始状态、目标状态以及由子目标和操作应用所构成的解决问题的路径。教师要明确解决问题的路径，即由起始至目标达成所经历的一系列思考。当然，教师也可以将问题与结果抛给人工智能，让其以问题链的方式补全中间需要思考的关键问题，如“从韩信点兵的情境到同余法的代码实现，需要经历哪些关键性思考，请列出5个要思考的问题”。

   （2）以认知逻辑生成问题。简单地说，就是要把教师思考问题的逻辑转化为符合学生认知逻辑的问题链。这就需要教师充分考虑起点、难点、迁移关联点等要素，构造一种能够关联新旧知识并促进学习进阶的问题序列，以问题序列促生思维链。教师可将设计要素作为提示语的参数，如“根据同余法的算法教学（韩信点兵情境），仅设计6个关键性的问题（要简洁），要考虑：学生为六年级，已学过筛选法，导入要联系已学（指出不足），第6个问题要关联筛选法与枚举法”。

   （3）以启问逻辑生成问题。从教师提问过渡到学生参与提问，再到学生主动并持续性地提问，这是深度教学的诉求。如何将教师提问变为学生自己发现并提出问题呢？这就要将教师的提问行为转化为教师呈现新颖、差异、异常、极端的现象，或揭示矛盾点、冲突点、痛点等事实，让学生产生好奇心与探究欲，促进学生的察缺生问、疑象生问、猜想生问、联结生问和质疑生问。

    教师可借助以上提炼的核心观点，从解题逻辑、认知逻辑和启问逻辑多轮接力式地询问人工智能，并以上一轮生成的问题作为待处理的背景数据，探索启发式问题的设计（如图1）。


       （二）利器拓用：为问题解决的做中学赋能

       1.生成工具赋能学科实践

    生成式人工智能强大的源代码生成能力，为教师打造学件提供助力。经过定向联想、人工智能生成、手工精调三环节，教师可借助人工智能生成Python、HTML、Scratch等格式的学件。

       （1）定向联想：概念具象为实例文本

    将抽象的概念转化为实例，其目的在于，让学生从可感知的实例出发，经历从具体到抽象的认知过程。教师要从概念的内涵出发，从学生的生活经验中选取实例。兼具意义感与共鸣感的实例，能助力学生的观察与感知。因此，教师构思的实例要具备指向概念内涵、基于生活经验、实验效果显著的特征。例如，针对“数据编码”教学，可联想到图书录入与借阅的实例；针对“系统的组成”的教学，可联想到生态鱼缸系统的实例；针对“GET与POST”概念教学，可联想到体育比赛报名网页实例；等等。

       （2）人工智能生成：实例文本转化为学件

    将实例文本转化为程序，需要把握以下三个要点：一是明确输出格式，并依据构思的实例明确开发的工具，即生成的源代码需要在哪款可编程工具中调试；二是构造提示语，将大任务逐一分解，用结构化的提示语将描述式的实例转化为可执行的源代码；三是调试源代码，打包为交互式学件，检验其可用性，验证其效果是否显著。

    例如，为实现学生对“分布式计算”概念的理解，笔者构思了以“《三国演义》小说中人物出现频次统计”为情境的Python程序，并让生成式人工智能选用一种低效率的算法——逐字匹配算法，以求得实验效果的显著性。然而经实测，4台并发计算耗时比单机运行还多。这主要是因为总计算任务过小，而分布式计算却因网络传输产生较多耗时。怎么解决这个问题，从而让该实验凸显分布式计算的效率优势呢？在笔者的多轮询问下，生成式人工智能给出了“小说的情感计算”的方向。最终，通过增加计算任务“用jieba库负责分词与词频统计”“用HowNet正负情感词典进行情感分计算”，使4台分布式计算（i5/8G/64位/100M交换机）的平均时长为4.259秒，明显小于单机独立计算的耗时（6.318秒）。

    上述打磨学件的实验，展现了生成式人工智能赋能备课的无限可能性，也给予教师重要启示：即便是逻辑上已完美自洽的设想，也需要经过实践的验证与修正。在生成式人工智能的加持下，这种未雨绸缪的学件“智制”，既会增强学生实验探究的成功体验，又促进了教师自身对关键概念的深入理解，厚植了探究未知时实事求是的实验精神。

       （3）手工精调：以建构性调校学件

    人工智能生成的学件属于初代产品，还需要根据以下原则加以优化。一是容易上手。不求工具的大而全，而追求现象与概念原理的对接。学件的界面要简洁、操作要简便，避免因工具使用的复杂性而让学生频繁“踩坑”。二是凸显探究性。开发的学件要能够与学生交互，能将需要理解的计算过程显现出来，有助于学生理解计算的内在逻辑，突破对关键概念与原理的理解。三是留白。提供“半成品”工具，将“完善工具”与“用工具探究”结合起来，使学生“知其然，知其所以然”。四是单元整体设计。学件应“一境到底”，实现单元学习的情境贯穿，但又要以变式灵活应对单元内各课内容的变化。

    例如，用人工智能生成的“生态鱼缸”学件游戏脚本，就以单元核心概念与跨学科为视野，将信息科技学科要理解的系统特征、系统要素与结构等概念，与生物学知识进行有意义的“联结”。在学件中，学生需要拖动小石子、水草、鱼等要素，以构建鱼缸系统；生态鱼缸插电后，学生需要解决“缺氧”“水质混浊”“水温太低”等问题，以控制鱼缸生态系统实施模拟养护，促进学生对系统中各要素关系的理解。此外，尽管“鱼缸”情境贯穿整个单元，但为避免单调，教师引入了变式，三节课的学件分别是“点亮鱼缸的联想”“生态鱼缸的构成”“观察鱼缸的思考”，从而适应不同内容和不同梯度的教学。

       2.生成实验单赋能学科探究

       （1）锁定概念，智搜情境

    实验教学的目的在于让学生重新发现知识，自主探究与建构未知。因此，实验单的设计应牢牢聚焦学科概念或原理，将它们还原至学生触手可及的实验情境中。这里所说的实验情境，不仅指用文本描述的情境，还指支持硬件搭建、程序探究、虚拟仿真等方式的“做中学”情境。

    例如，针对六年级“或运算”概念，教师可以用“草莓大棚启动风扇的任意两个条件”这样的提示语，要求人工智能搜索符合现实的情境，提供更为精细的阈值参数（如温度≥28℃或湿度≥80%，一般需要借助通风实现降温、除湿）。

       （2）依版生成，智制实验单

    尽管每课的实验内容不同，但实验单的基本结构与要素相同，一般都包括实验目的、实验猜想、实验过程及实验结论等内容。在确定实验探究的关键概念、确定实验情境的基础上，教师可借助大模型的模式识别、长链推理和自然语言生成的能力，通过上传实验单为样板，让人工智能依样制单。

       （3）人机同验，迭代改进

    什么样的实验单是科学的？什么样的实验单是能激发好奇心与探究欲的？教师需要对人工智能生成的实验单进行评估与检验，并以提示语的方式再反馈给人工智能，要求人工智能从教师的角度审验实验单。

    其一，一致性检验。看实验假设、实验过程与实验结论是否一致，是否围绕实验目的或聚焦关键概念展开，分析实验过程能否求证猜想，实验记录的数据能否得出结论。

    其二，趣味性检验。趣味性不仅在于营造异常、矛盾、反差、意外的情境，还体现在实验单上文字的可读性与吸引力。实验目的、实验猜想、实验过程记录、实验结论等文字应通俗易懂，但也不能丢失要强化的旧概念和要理解的新概念。

    其三，容量与难度检验。实验单需要学生在课堂上完成，这就不得不考虑其耗时问题。若一项实验耗时15分钟，减去实验前后的引导和反馈，学生实际动手操作的时间可能仅剩10分钟。在有限的时间内，学生能否独立或合作完成实验探究、数据记录和结论推导？教师需要评估实验单填写的数量、填写的文字容量以及学生动手观察与思考所需的时间，做好容量与难度评估。

    从深度学习的视角看，学生不应成为实验探究中的操作者，而应成为实验探究的参与设计者和深度理解者。因此，在完成实验单设计的基础上，教师可进一步利用人工智能构思三类问题：一是激发实验猜想的问题，二是引导思考“如何验证猜想”的问题，三是深化结论理解的问题，以此促进学生开展深度实验探究。

       （三）炼思成智：为学习的自我认知赋能

       1.人工智能自评表，促结构化反思

    心理学研究表明，让学生监控自己的行为并评估学习能力，会增强他们的自我效能感，促使他们自我调节学习。因此，教师要充分重视每节课学生对学得怎样的自我评估，既要体现自主性，也要体现反思的结构化。若要让人工智能生成自评表，不仅需要上传实验单作为背景资料，也需要构建结构化的提示语（见表1），以生成更为适切的自评表。

       2.以人工智能为“镜”，照出亮点与盲区

    以人工智能为“镜”，学生能从被动记录反思转向主动锻造思维，实现认知升华。在此过程中，学生能够以一种更开放、更自由、更个性化的方式梳理内心活动，涵盖五方面：内容理解、概念联系、方法感悟、思维提炼及学习困惑与好奇。

    例如，在教学筛选法后，教师可引导学生用简洁的语言概括学习心得，并寻求人工智能的建议，以增强自我获得感、深化对自身思维的认知，实现学科思维的深化与相似实践的拓展。面对人工智能的反馈，教师应引导学生细致审阅，既不轻视，也不盲从，深入剖析学习过程中的思维疏漏与认知偏差，进而重新评估学习方法的有效性，拓展认知理解的深度与广度。

    人工智能赋能备课的关键在于教师创新的动机和对人工智能的认识与态度。教师既不应仰视人工智能，也不应俯视人工智能，而是要将其视为一种新智能，以平等的视角客观对待。人工智能与教师的能力应有机结合，既要充分发挥人类现实生活经验丰富、熟知学情以及具身实践的洞察力等优势，也要发挥人工智能海量知识库、长思维链推理以及不知疲倦生成内容的优势，在二者优势互补的基础上重构备课模式，激发师生的创造力与反思力。但是，值得反向思考的是：人工智能赋能备课，是否会产生思维依赖，造成教师的思维惰性？这种担忧不无道理，但关键还在于教师自身能否站在智能巨人之肩，秉持“更上一层楼”的育人初心。