摘要：在数字化与人工智能融入高等教育背景下，传统课堂面临系统性重构，梳理从传统教学到在线教育，再到生成式人工智能赋能智慧教学的演进，结合教育理论范式，阐释“情感价值认同优先”等核心理念内涵，提出教学改革关键在理念迭代：以学习者情感价值认同为起点，教师转成“学习催化剂”，课堂回归线下本质并借助AI实现个性化支持与评价。通过实证案例及分析框架验证AI辅助教学的积极作用，理性回应现实挑战，提出AI时代高等教育要重塑三观（知识观、学习观和教育观），让AI赋能教学创新，为高等教育教学提供参考范式。

关键词：AI辅助教学；自主学习；过程性评价；智慧教学

一、引 言

随着互联网技术的普及与人工智能的跨越式发展，高等教育的教学场域与技术生态发生了根本性变革。这一变革并非单纯的技术叠加，而是对教育本质与学习规律的深度再审视——传统课堂中“教师主导、学生被动接收”的单向传递模式，源于行为主义学习理论对“刺激—反应”联结机制的强调，已难以适配建构主义所倡导的“学习者自主构建认知体系”的核心诉求，更无法应对知识更新速率加快背景下“培养终身学习能力”的时代要求。当知识获取的门槛因技术发展大幅降低时，教育的核心价值便从“知识传递”转向“能力培养”，即引导学习者掌握知识筛选、整合与创新应用的能力。

高等教育经历了从传统线下教学到在线教育探索，再到AI辅助智慧教学的实践演进。这一过程不仅是教学方法的调整，更是对教育理论的实践验证与深化：从早期对“教学效果等同于信息密度”的认知偏差，到逐步理解“以学习者为中心”的教育内涵，再到依托AI技术拓展社会建构主义“学习共同体”的互动边界。本文以这一实践历程为蓝本，聚焦“从混合式教学到AI辅助智慧教学”的课堂重塑路径，探讨技术赋能背景下高等教育如何实现教学理念革新、教学方法优化与教师角色重构，旨在回应“如何使技术真正服务于教育本质”这一核心命题，为高等教育教学改革提供兼具理论支撑与实践价值的思路框架。

二、教学理念迭代：从“知识填充”到“价值驱动”

1．传统教学认知的误区与理论反思

早期教学实践中，笔者曾陷入“以教师为中心”的认知误区：将填满45分钟课堂、提升信息传递密度作为核心目标，认为详尽的知识讲授即是对学生的负责，甚至将学生评价高分直接等同于教学效果优良。这一认知在2016年前后笔者的教学生涯中受到冲击，特别是Science周刊中一篇关于课程评价的文章指出，基于学生主观感知的课程评价，可能无意识地推崇低效教学方法：部分明星讲师通过生动表达让学生产生高获得感，但实际上并未培养学生的自主学习能力，仅实现了知识传递而非认知建构。这篇文章促使笔者反思教学的核心价值：教学不应是教师单向的知识“投喂”，而需转向以学生为主体的自主认知发展——通过教师的适当引导，让学生主动探索知识关联、构建认知体系，而非被动接收教育者所提供的系统化信息。

2．实践类课程与专业课程的评价差异及动因分析

教学实践中，能观察到一种明显的现象：手工工坊、戏剧表演、野外考察等实践类课程普遍获得学习者的高度认可。因为在这些课程学习过程中，学生参与的主动性强，课程总结中常提及“切实感受到知识的价值”，而专业理论课程因内容抽象、学习过程枯燥，学生评价相对较低，甚至出现“学完无获”的反馈。深入分析会发现，两类课程的核心差异在于学习动机的激发方式：实践课程以学生兴趣为起点，通过“动手操作—问题解决—价值感知”的闭环，可天然激发学生自主学习的意愿；而传统理论课程则多以“知识目标”为首要导向，教师先明确“教什么知识”，再设计出“如何教”，其中却忽略了学生对课程价值的情感认同。

两类课程的评价差异，进一步印证了“价值驱动”的教育逻辑，本质在于学习动机类型的分野：实践类课程通过情境化体验激活学习者的内在动机，使其基于兴趣与需求自发投入；而大多专业理论课程因缺乏与学习者自我发展需求的关联，学习者多依赖考试压力等外在动机维持学习行为，难以形成持续的深度投入。这一现象与罗杰斯人本主义教育理论的核心要义高度一致——人本主义强调，学习者的情感体验与价值认同是驱动深度学习的关键前提，当学习内容与学习者的职业规划、个人修养或人生目标相契合时，内在学习动机方能持续生成，进而实现从“要我学”到“我要学”的转变。

3．教学目标排序的逻辑重构

传统教学中，“知识目标—能力目标—情感价值目标”的线性排序，将知识传递置于首位，却忽视了情感体验对学习行为的驱动作用；而从人本主义与建构主义融合的视角来看，合理的目标排序应呈现“情感—能力—知识”的倒序逻辑——首先引导学习者建立对课程的情感价值认同，使其真切感知学习该课程对个人成长与发展的正向意义；当情感认同形成后，学习者会主动产生提升相关能力的需求；而能力提升的诉求又会驱动其自主探索与学习所需知识，形成“价值认同—能力需求—知识学习”的正向循环。

这一逻辑在学生的分组活动中得到进一步验证。分组活动主要是为学生提供一个实训机会，使其将教材中的理论思路转化为实际行动，从中学习者能切实感知知识的应用价值，进而强化对课程的情感认同，这一过程正是杜威实用主义教育理论“做中学”的具体实践——通过“实践—反思—再实践”的循环，使学习者在应用知识的过程中深化理解，同时巩固情感价值认同。

三、混合式教学实践：从慕课建设到自主学习策略优化

1．慕课建设的初期探索与认知调整

2016—2019年，笔者进入混合式教学的探索阶段，当时聚焦的核心任务是进行慕课建设与自主学习策略的优化。混合式教学并非“线上资源+线下课堂”的简单叠加，而是基于“异步学习与同步学习融合”的理论逻辑——异步学习（如慕课）适用于知识的自主获取与浅层理解，同步学习（如线下课堂）则聚焦深度互动、能力培养与知识迁移，二者通过有机衔接实现“优势互补”，契合混合学习理论“整合多种学习方式以提升学习效果”的核心诉求。

因此，笔者最初制作慕课时，同样受教育者中心的影响，核心目标也仅仅是定位于高效传递知识，但在实践过程中很快就发现，单纯的资源建设不足以支撑有效的自主学习——若缺乏系统性的引导策略，自主学习易异化为自由放任，学习者虽能获取知识，却难以实现深度理解与应用。这一问题与建构主义“支架式教学”理论的要求不符，该理论认为，学习者在自主构建知识的过程中，需要教师提供阶段性的认知支架（如问题引导、方法提示），帮助其突破现有认知水平，逐步向更高层次的理解迈进。

2．基于PBL模式的自主学习策略优化

基于建构主义支架式教学理论，笔者开始探索“以问题为核心”的项目式学习（project-based learning, PBL）模式，这一模式的理论基础是“真实情境学习理论”——通过创设与现实问题高度相似的学习情境，让学习者围绕具体问题开展学习，完整经历“提出问题—文献调研—方案设计—实践验证—汇报结题”的全过程，在解决问题的过程中自主构建知识体系。

在生态学课程的实践中，笔者采用了真实项目的研究套路，让学生在一学期的课程中完成一个循序渐进、完整而连续的项目式学习：提出感兴趣的问题、确定选题、开题报告、中期汇报和结题报告。整体上贯穿“知新而温故”的教学理念，“知新”用于“刺激”学生的新素材，即近期从Nature、Science和PNAS上经过精心挑选的研究报道，特别是提出新问题的文章，被预先确定为几个主题。学生读到这些文章，了解新问题，这就是知新；为了解决这些新问题，学生一方面会自己想很多办法，另一方面又会去查询更多故有的文献，也包括很经典的教材，这就是温故。

在这个教学过程中，希望培养学生提出问题的能力，这也是大多数学生普遍缺乏的一种能力。在很多情况下，我们并非找不到答案，而是没有提出能够真正直击要害的问题。正确提问并且有明确的目的，问题本身就解决了一半，只有明确了提问的目的，才能转换成问题。同时，把一个未知的复杂问题，分解成潜在可解决的一些简单问题，离真正解决问题也就更近了。因此，善于提出问题，对学生的知识储备、思考问题的能力，批判性思维能力等方面都有较高要求。

这种探索行为正是项目式学习模式的核心价值所在——它打破了传统学科知识的“线性传递”的局限，使学习者在解决真实问题的过程中形成“网状知识结构”，最后总体提升自己的知识面。

3．慕课制作的成本误区与本质回归

2018年前后，教育领域普遍存在“慕课建设需高额投入与专业团队支持”的认知，这种认知将技术设备视为核心，忽视了教学内容与学习策略的关键作用。笔者通过改造办公室空间，搭建“可收纳式”简易录课设备，在低成本条件下完成了多门慕课的制作。这一实践印证了“技术服务于教学，而非主导教学”的核心原则——混合教学的有效性并非取决于设备的精良程度，而是取决于是否契合以学习者为中心的教育规律，是否能通过资源与策略的结合支持学习者的自主学习。疫情期间，这些自主制作的慕课发挥了重要作用，中国大学慕课平台的数据显示，笔者开设的课程在评价人数与总评分上均处于同类课程前列，这进一步验证了异步学习需配套引导策略。

4．线上授课与视频课程的本质区分

值得注意的是，在混合式教学中只是简单地区分了“线上”和“线下”，但这其实是不全面的。笔者认为，应该将“线上”明确区分为“线上授课”与“视频课程”，二者有本质差异，理解二者的区分对混合式教学的路径优化至关重要。线上授课本质上是“同步学习的场景迁移”，仍遵循线下课堂的时间节奏与互动模式，只是将教学空间从物理教室转移至网络平台；而视频课程则是“异步学习的核心载体”，具有“可倍速播放、可反复观看、可自主调节学习节奏”的优势，能够适配不同学习者的认知节奏差异，符合个性化学习的理论内涵。这种区分避免了将混合式教学简化为“线上复制线下”的误区，确保技术应用与教育规律的契合。

四、AI辅助的智慧教学：从工具应用到学习生态重构

1．基于认知支架理论的个性化答疑实践

2019年，笔者就曾撰文《人工智能时代的高等教育与变革》，畅想了人工智能对高等教育可能带来的挑战与机遇。2022年11月，ChatGPT的问世，为高等教育教学改革带来了新的契机，也推动笔者的教学实践从“技术辅助”迈向“学习生态重构”。2023年春季，要让课堂上所有的学生都能使用ChatGPT，不管是在政策上还是技术上，都有一定的难度。笔者在教学中采用的是一个更具操作性的解决办法，那就是建立一个基于ChatGPT的微信群“生态学|向AI提出好问题”，其中的“阿宝”就是机器人ChatGPT，只要“@”它就可以回答学生的提问。这样的方式，使学生相互之间可以学习提出好问题的方法，甚至在竞争中提出更好的问题。

现在来看，AI作为基础认知支架，能够快速响应学习者的基础问题（如概念解释、方法梳理），帮助其扫清认知障碍，要求学习者在AI回答的基础上进一步追问，形成“提问—AI初答—深度思考—师生/生生互动”的闭环。例如，在“生态学”课程中，有学生提出“如何用AI分析城市种群动态数据”。AI给出基础分析方法后，该学习者进一步追问“不同AI工具在种群数据处理中的适用场景差异”，引发全班对“AI工具选型逻辑”的讨论。在此过程中，AI承担了“基础信息传递”的角色，笔者作为教师，则承担“高阶引导”的角色，通过追问与点评引导学习者突破浅层认知。

2．适应性学习系统视角下的个性化习题生成

传统教学中，教师因精力有限，难以实现大规模的个性化习题设计；而AI通过深度学习课程知识库（如教材内容、教学大纲、历年习题），能够自动生成符合学习者认知水平的习题，并根据学习者的答题情况实时调整题目难度。例如，对于“种群生态学”章节，AI会为基础薄弱的学习者推送“种群增长率计算”等基础题，待学习者掌握后再推送“考虑捕食关系和资源限制的种群波动模型”等进阶题；对于基础较好的学习者，则直接推送“混沌效应在种群预测中的应用”等拓展题。这种个性化练习模式不仅大幅节省了教师的时间成本，更实现了“差异化教学”的理想。

3．AI辅助过程性评价体系的构建

在传统教学中，过程性评价因“耗时耗力”而难以全面实施，而AI工具为评价体系优化提供了可能。目前的许多教学平台，都已经充分融入了AI辅助的教学过程，在过程性评价与反馈优化方面，现在完全可以引入AI辅助的评价机制，构建一个“多元化、过程性”的评价体系。这一体系的理论依据是建构主义评价观，该评价观突破了传统教育评价对“结果判定”的单一聚焦，强调评价的核心功能在于“支持学习过程”，需通过多维度指标捕捉学习者的认知发展轨迹、参与深度及知识迁移能力。

笔者将评价内容从传统的测试、考试拓展至项目报告、课程参与度、线上讨论质量、视频作业等维度；AI则负责对学习者的提问内容、回答逻辑、作业完成情况进行量化与质性分析，这些可为笔者提供数据支持。为确保评价的准确性与公正性，笔者设计了“AI初评—学生申诉—教师复核—AI优化”的闭环流程。首先由AI对学习者的成果进行初步评分。并生成评分依据；随后将评分结果与依据反馈给学习者，允许学习者对不合理的评分提出申诉；笔者根据学习者的申诉，结合专业判断复核评分，若发现AI评分存在偏差，则调整AI的评价逻辑；经过多轮迭代后，AI的评价准确性逐步提升。这一流程不仅降低了教师工作量，更充分发挥了学生的主观能动性——学生对自身学习成果的认知最为清晰，其反馈可帮助教师填补AI的“评价盲区”，使评价体系更贴合学习实际。

4．AI作为“第五参与者”的学习共同体构建

为避免AI因“信息优势”抑制学习者的思考，笔者提出AI作为“第五参与者”的协同模式：将学生定为学习的“第一参与者”（学习主体），教师为“第二参与者”（引导者），其他学生为“第三参与者”（生—生互动载体）。当AI凭借其超强的算力和作为“第四参与者”介入时，容易引发权力失衡，因为它的话语权太强了。但如果将AI视为维持群体动力平衡的调节器，即作为“第五参与者”加入，情况则大为不同，它日常处于“观察辅助”状态。在日常学习中，AI静默观察学习者的互动过程，不主动介入；当学习者遇到困难时，可主动向AI求助，AI再提供针对性支持。在小组研讨等互动场景中，还会为AI赋予质疑者和补充者等角色。例如，在项目方案讨论中，学生提出方案后，AI以“质疑者”身份指出潜在问题（如“该方案未考虑城市绿地的季节性变化”），再以“补充者”身份提供参考思路（如“可引入气候数据优化模型”），促使学生完善方案。这种角色定位可确保AI服务于“共同体互动质量的提升”，既发挥AI的辅助价值，又保留学生自主思考空间，避免“AI直接给答案”导致的思考惰性，构建“学生主导、教师引导、AI辅助”的协同学习生态。

五、教师角色与课堂价值的重构：从“知识传授者”到“情感连接者”

1．教师角色的定位转型：从知识载体到学习催化

在AI辅助智慧教学的背景下，教师角色的重构并非技术驱动的被动调整，而是对教育本质的回归与深化。传统教学中，教师的核心角色是知识的唯一来源，这一角色定位源于信息稀缺时代的教育需求——在互联网普及前，教师因掌握了更多文献资料、更早理解专业知识，成为学习者获取知识的最高效渠道。但随着信息获取门槛的降低，学习者通过手机、电脑等终端即可获取海量知识，若教师仍局限于知识传授者的角色，则会违背教育的核心。

基于此，笔者将教师新角色定义为学生发生学习的“催化剂”：学生是学习的“反应物”，知识是“底物”，教师的核心作用是优化学生与知识的作用过程，具体包括三方面：一是建立情感价值认同，帮助学生感知课程对个人发展的意义；二是引导问题设计，协助学生发现有深度、有价值的研究方向；三是协调互动关系，优化学生间、学生与AI间的协作逻辑，而非直接传递知识。

这一转型在教学实践中效果显著。教师不再聚焦“讲多少知识”，而是关注“如何让学生主动学知识”，学生的学习主动性与学习深度将显著提升。例如，在生态学课程中，教师不再系统讲授“种群模型理论”，而是通过“城市公园种群数量波动”的真实案例，引导学生自主探索模型的应用场景，再借助AI拓展理论边界，使学生从“被动记概念”转向“主动用理论”。

2．线下课堂的价值聚焦：情感连接与即时反馈

疫情期间的线上教学实践表明，物理教室并非教学的必要条件——没有教室，教学活动仍可通过网络平台开展，并且在部分场景下（如小班线上教学），因能实时观察学习者的状态，互动效果甚至优于线下“教师讲、学生走神”的模式。这一实践同时表明，线下课堂的核心价值具有不可替代性，这种价值主要体现在两个方面。

其一为情感连接。线下见面时，教师能够通过学习者的表情、眼神等非语言信号，直观感知其理解程度与学习状态；学习者也能在面对面的交流中感受到教师的关注与重视，这种情感互动能够增强学习者的学习归属感与动机，这是线上教学难以替代的。

其二为即时反馈。线上讲课若缺乏观众反馈，教师会陷入对着空气说话的困境，难以实时调整教学节奏；而线下课堂中，教师能够根据学习者的即时反应，快速判断“是否需要放慢速度、重复重点或补充案例”，这种即时反馈能够确保教学始终聚焦学习者的需求。

基于此，重构线下课堂功能：将“知识传递”转移至线上视频课程，课堂时间聚焦“互动研讨与实践指导”。例如，学生课前通过视频学习“种群动态模型”基础，课堂上则围绕“如何用该模型解决城市生态问题”展开讨论，AI生成程序演示模型参数变化的影响，教师引导学生深入思考，实现“线上学基础、线下练应用”的互补，凸显线下课堂的情感与互动价值。

六、AI时代教育的挑战与反思

1．学习者接受度差异的理论解析与应对

AI辅助智慧教学的推进过程中，面临的首要挑战是学习者接受度的差异。大多数学习者认可并喜欢“AI辅助的教学方式”，认为其能够提供个性化支持、提升学习效率。但仍有部分学习者存在抵触情绪，主要表现为两种类型：一是传统模式依赖型，这类学习者习惯“教师讲、学生听”的传统教学模式，认为教改是“折腾”；二是“效果质疑型”，约10%的学习者认为“AI辅助教学未带来预期的学习收获”。

这种接受度差异是可以理解的，不同学习者具有不同的学习风格，如视觉型、听觉型、被动接受型、主动探索型等。传统教学模式更适应“听觉型+被动接受型”的学习者，而AI辅助教学则更契合“主动探索型”的学习者。基于此，笔者提出的应对路径是“循序渐进+多元选择”：在推进AI辅助教学时，不采取一刀切的方式，而是逐步引入AI工具，为学习者提供适应期；同时保留传统教学中的部分优势环节，允许学习者根据自身学习风格选择参与AI辅助活动的程度，确保每个学习者都能在适应的模式中学习。

2．AI幻觉与伦理争议的挑战及化解

在AI伦理与技术局限方面，AI幻觉是主要的技术挑战之一。例如，当被问及“陶渊明创作《桃花源记》时的年龄”时，AI因无法获取准确信息，会基于“大多数人享年约60岁”的常识，从0～60岁的范围内随机生成一个答案。从教育评价理论视角来看，这一问题的本质是“AI训练目标与教育需求的偏差”。AI的训练目标是“追求统计正确率”，而非“传递准确知识”，这其实也类似于学习者做选择题时“不会就随便选”的应试思维凸显传统测试对考察学习者实际能力的无奈。

要解决这一问题，笔者提出的应对路径是优化AI训练的评价指标。在为教学场景定制AI工具时，增加不确定时需明确说明的评价维度，引导AI从追求答案正确转向追求过程严谨。此外，在与学生介绍AI技术的应用中，还引发了一系列伦理争议，如AI疾病预测可能导致的保险歧视、AI动物语言破解可能被用于盗猎等。这些争议提示我们，AI辅助教学不仅要关注技术应用，还需将AI伦理教育纳入课程体系——通过案例讨论、伦理辩论等活动，培养学习者的AI素养，引导学习者理性看待AI的价值与风险。

3．技术应用误区的认知矫正与实践原则

在技术应用误区方面，部分教育工作者存在“为用而用”的倾向，认为“全民学AI、处处用AI”就是教学创新。例如，在简单的知识讲解环节强行引入AI工具，导致教学流程复杂化、学习负担增加。这一误区源于“技术决定论”的认知偏差——将技术视为教育改革的核心驱动力，忽视教育规律的约束。

实际上，AI的核心价值是降低学习门槛、提高教学效率，而非制造形式创新。例如，在笔者的“可视化编程”教学中，让学习者学习用自然语言驱动AI生成程序，而非直接学习代码编写。学习者只需清晰表达需求，AI即可生成对应的JavaScript代码，并且该代码可在浏览器中直接运行，无须安装复杂环境。这一做法既降低了编程学习的门槛，又培养了学习者的逻辑思维与需求表达能力。因此，笔者提出的应对路径是“需求导向+效果评估”：在引入AI工具前，先明确教学需求，判断AI是否能解决该需求；引入AI工具后，通过学习者反馈、学习效果数据等来评估应用效果，若效果不佳则应及时调整或放弃。

4．知识观、学习观、教育观的三观重塑

这些挑战最终指向AI时代教育观的重塑，其理论基础是对“知识、学习、教育”本质的重新理解。

重塑知识观。知识从“静态记忆对象”转变为“动态连接载体”。传统教材的“系统化”束缚学生思考，AI时代需打破这一局限：教师仅传递“知识点核心规则”，引导学生用AI自主构建知识网络。

重塑学习观。学习从“目的”转变为“达成目标的手段”。学习不应依赖意志力“硬撑”，而须借鉴游戏化逻辑：人们玩游戏时“先实践、遇关卡再学技巧”，学习也应从情感价值、学习者的兴趣或实践需求出发，遇到问题时借助AI辅助探索。

重塑教育观。教学应仍然坚守“教书育人”本质。AI在“教书”（基于过去的知识传递）方面明显优于传统的教师，可高效传递知识、精准答疑；但在“育人”层面（面向未来），如激发学习兴趣、培养探索精神、引导迷茫学生明确方向，仍是人类教师的核心价值，也是AI暂时无法替代的。教育需以“育人”为核心，激发学习者的学习兴趣、培养其探索精神、引导“迷茫的学习者”找到人生方向，这些都需要教师的情感投入与专业引导。

七、结 语

从混合式教学到AI辅助智慧教学，是高等教育顺应时代发展、回归教育本质的必然选择。这一过程并非技术驱动的被动变革，而是对建构主义、人本主义、社会认知理论等教育理论的实践深化与创新应用。AI辅助智慧教学的推进须以教育理论为根基，在教育理论指引下实现三重核心转变：一是教学理念从“知识填充”到“价值驱动”，颠覆传统教学目标排序，以学习者情感价值认同为起点，激发其自主学习内生动力；二是教师角色从“知识传授者”到“学习催化剂”，依托AI工具打破知识传递壁垒，聚焦引导学习者应用知识、探索问题；三是课堂价值从“空间载体”到“情感与互动枢纽”，实现线上资源与线下互动的有机互补，凸显情感连接与即时反馈的不可替代性。

AI时代的高等教育改革，须坚守“教书育人”的本质内核，理性看待AI的价值与局限：既要积极拥抱AI带来的创新机遇，利用其实现个性化学习、过程性评价与教学效率提升；又要避免“技术万能论”的误区，始终将教育理论作为技术应用的指引，确保AI服务于“培养人”的目标，而非取代人的价值。未来，随着AI技术的进一步发展，智慧教学还将面临更多新的机遇与挑战，这需要教育工作者以开放的心态、理性的思维，在教育理论的指导下持续探索、不断反思，通过“实践—理论—再实践”的循环，优化AI辅助教学的路径与模式，使技术始终服务于教育的本质目标，最终培养出适应时代需求的创新型人才。（赵斌.重塑课堂：从混合式教学到AI辅助智慧教学[J].中国大学教学,2025,(11):69-75.）