在学校教务处、教学发展中心和理学院等部门的支持下，2026年8月3日至16日，我有幸赴英国牛津大学参加了“教学卓越与创新（TEI）”专项研修项目。在为期两周的沉浸式学习中，我们不仅聆听了来自牛津、剑桥、UCL等顶尖学府专家的讲座，还实地走访了相关学院。这段经历让我对“教”与“学”的关系有了重新的审视，也让我结合自己教授《概率论》、《概率论与数理统计》以及《数理统计与试验设计》这几门课的实际情况，产生了许多具体的整改想法。
一、研修的主要内容
本次研修内容丰富，但整体逻辑非常清晰，主要围绕着“教学设计的底层逻辑”和“AI时代下的教学应对”两个维度展开。
1.课程设计的系统方法论
SteveBurholt老师带来的“ABC学习设计法”给我留下了很深的印象（该方法源自UCL，要求教师使用六种彩色卡片代表获取、讨论、探究、实践、产出、协作六类学习活动，在大型“故事板”上按时间顺序排列，以此直观地规划学生的学习旅程，并确保目标、活动和考核的一致性）。我们不再单纯从“教什么”出发，而是通过工作坊像搭积木一样在故事板上重新排列自己的课程进度。同时，牛津布鲁克斯大学分享的IDEAS包容性设计模型（即要求课程设计需兼顾包容性、数字化、就业能力、促进学习的评估以及可持续性五个维度），让我意识到必须考虑到学生群体的多样性（比如学习基础参差不齐的学生，或者有特殊学习障碍的学生），确保所有学生都有公平参与学习的机会。
2.牛津特色的教学模式剖析
通过多场讲座，我们深入了解了牛津大学独特的“导师制”。无论是本科生还是研究生，都需要在课前进行大量的文献阅读和论文撰写，然后在课堂上与导师进行1对1或1对2的高强度辩论。这种以学生为中心的深度互动，完全不同于我们习惯的大班讲授。此外，LizBrowne教授关于Z世代学生学习风格的分析（指出出生于1996—2010年的数字原住民，每天在线时间长、习惯碎片化信息、追求即时反馈，且高度关注气候和社会公平等议题，反感单向灌输式说教），以及跨文化教学的比较，让我看到了中英课堂在逻辑性和互动性上的明显差异。
3.AI赋能与评估重构的理论探索
这是本次研修的重中之重。我们从AI能力中心的KellyWebbDavis博士那里学到了“ICAP认知参与框架”（将学生的认知参与度从被动、主动、建构到互动分为四个层级，强调要引导学生主动加工知识，让大脑经历“摩擦”和建构，而不是被动画面消费），以及AI的“五大角色隐喻”（把AI当作导师、陌生人、实习生、翻译和教师）。同时，针对AI代写难题，专家们提出了“语音优先（Voice-First）”评估模型（即先让学生在被监考的课堂环境中写出原始想法大纲，再允许其回家用AI精修，最后通过对比初稿和终稿并辅以简短口头面试来判定其真实能力）和“双轨制评估”框架（分为闭卷考等安全型总结性评估和允许使用AI的过程性项目评估），强调摒弃不可靠的AI检测工具，转向从“抓作弊”转向“测能力”。
4.教师发展与人文关怀
我们不仅学习了教学技巧，还通过GROW教练模型（一种通过提问启发他人自己找到解决问题路径的沟通技巧，四字母分别代表目标、现状、可选方案和下一步行动）和“主动倾听”的实操训练，探讨了如何在高压环境下给予学生心理支持，而不是直接告诉学生怎么做。
此外，我们还走访了帝国理工学院和牛津布鲁克斯大学，了解了他们对教职工职业倦怠的支持体系，以及图书馆在信息素养教育中的重要作用。
二、研修的收获和反思
除了理论层面的长见识，这次研修更让我对自己过去多年的教学经验进行了“回炉”和反思。我将这些思考具体分为四个方面：
1.反思“满堂灌”，重新理解“以学生为中心”
以前我总觉得，把数学公式一步步推导清楚，就是负责任的老师。但这次看到牛津导师制的运作方式，我深刻意识到，我讲得越明白，学生的大脑可能就越处于“被动接收”状态。如果我不给学生留出犯错误、讨论和表达的机会，他们永远只是在“模仿”数学，而不是在“思考”数学。这促使我反思，在百人大课里，是不是也该穿插一些让学生即兴讨论（哪怕只有两分钟）的环节？
2.反思“防AI”，转向“用AI”的认知转变
说实话，以前我对学生在作业里用AI是非常抵制的，总想找工具查出他们。但研修中提到的“人机协同”理念和“语音优先”评估方法让我豁然开朗。AI其实只是个“实习生”，给的答案不一定对，关键在于学生有没有能力去甄别它。我意识到，完全禁止是不现实的，我更需要做的是改变我的作业和考核方式，让学生无法直接抄AI。
3.反思“重结果”，转向重视“过程性证据”
在《概率论》等公共课中，我过去最看重的就是期末考试卷面成绩。但这次接触到的“双轨制评估”让我看到，真正的能力往往体现在过程之中。如果我的考试题老是可以靠AI背公式做出来，那这种考试就失去了检验学生是否真正理解概念的意义。我需要重新设计一些需要学生结合具体问题情景去分析、推导，甚至当面给我讲明白的考核环节。
4.反思“严厉导师”的角色，学习“教练式沟通”
在辅导研究生或给本科生答疑时，我常常会有“恨铁不成钢”的心态，直接指出学生哪里做错了。但在“主动倾听”和“GROW模型”的练习中，我发现最好的导师是让学生自己说出困惑和下一步计划。特别是面对现在心理压力较大的学生，让他们感受到被倾听、被尊重，比单纯纠正一个错题更能增加他们对数学学习的信心。
三、未来教学和改革设想
结合本次研修，我决定在后续的《概率论》、《概率论与数理统计》以及《数理统计与试验设计》课程中，尝试以下四个方面的具体改革：
1.重构《概率论》与《概率论与数理统计》的教学内容与节奏
这两门课是公共课，学生普遍觉得抽象、枯燥。我打算大幅度削减烦琐的数学推导时间，把重点转移到“统计思想”和“模型应用”上。具体来说，我会利用ABC学习设计法，把课前预习变为“获取”环节（录制简短的导学视频），课中安排实际案例（例如利用学校园艺场的苹果产量数据或果园病虫害数据），让他们在“讨论”和“探究”中理解随机变量和假设检验的实质，而不是只解冰冷的小球摸取题目。
2.在《数理统计与试验设计》中引入“科研任务牵引”模式
作为数学专业的专业课，这门课应该更贴近实战。我打算把课程分解为几个具体的科研课题，比如“不同肥料对小麦产量的影响”或者“不同养殖密度对肉鸡增重的影响”。学生需要根据课题设计试验方案，然后收集或模拟数据，利用R语言或Python进行数据分析，并综合应用方差分析和回归分析。这一过程中，我会明确告诉他们可以使用AI协助写代码和处理数据，但最终的试验方案逻辑、结果解释必须由他们独立完成。
3.实施“双轨制”考核与“语音优先”式答辩
我计划调整期末成绩构成。考试成绩占60%（闭卷考基本原理和计算），另外40%是过程性评估（如小组完成的数据分析报告）。更重要的是，在收上报告后，我会借鉴“语音优先”的思路，随机抽取部分学生进行几分钟的短答辩，让他们在不受AI干扰的情况下，给我讲讲报告里某个结论是怎么来的。如果讲不清楚，哪怕报告是用AI润色得再漂亮，我也要重新审视其成绩。
4.建立“教练式”课后辅导与反馈机制
我会尝试运用GROW模型来辅导做毕业设计和参加数学建模的学生。每次讨论时，我会多问“你觉得目前的障碍在哪？”“你下一步准备怎么做？”，而不是直接告诉他们怎么解。同时，我会利用小测或收集问卷的方式，及时了解学生学习的“现状”，并根据反馈动态调整讲课难度，真正确保讲的内容是学生需要的，而不是我想当然的。
结语
这次牛津研修，让我看到了自己过往教学中的局限性，也给了我改变的底气。牛津的精英导师制虽然很难在我们大学这样的百人大课上直接复刻，但其背后对学生独立思考能力的尊重、对AI技术开放而审慎的态度，让我深受启发。我深知教学改革非一日之功，但我会从下学期《概率论与数理统计》和《数理统计与试验设计》这两门课开始，一点一滴地将这些新理念落实到教案和课堂中去。
最后，特别感谢学校教务处、教学发展中心和理学院的各位领导和老师，是你们的精心组织和大力支持，才让我有了这次宝贵的开阔眼界的机会。也感谢同行的各位老师，在异国他乡的探讨交流让我受益终身。我会以此为动力，努力做一名不仅学术扎实，更懂学生、懂方法的好老师。