2026年7月25日至8月8日，我有幸作为西北农林科技大学教师代表，赴澳大利亚阿德莱德大学参加为期两周的教学研修。此次研修团队由我校多学院的一线资深教师与教学竞赛获奖的青年教师共同组成。本次研修围绕“英文教学思想”与“AI助力教学全过程”为目标、肩负融合国际化教学理念与AI技术，推动我校教学改革的重要使命。抵达培训学校后，我校教师与北理工及哈工大教师团队共同组建了“AI-Powered Teaching Innovation Development Program”研修班。研学以教学过程的发生为时间线，依次学习了教学前的AI赋能教学材料制作、教学中的AI协同开展教学及AI优化支架式教学、教学后的AI助力的教学评价与教学反思、AI智能体的设计与提示词工程等内容。令我深刻感受到AI技术正在推动教师重新思考“如何设计学习”、“如何组织课堂”以及“如何评价学生真正发生的学习”，将AI技术结合Active Learning（主动学习）、Scaffolding（支架势教学）等教学思想，才能真正达到我们所期望的助力教学发展的最终目标。

 研修班合影

在本次研修中，我围绕支架式教学设计、AI辅助教学资源建设、互动式教学过程、教学智能体设计及证据驱动的教学评价与反思五个方面进行了系统的学习与实践。AI赋能教学的关键在于教师能否围绕学生学习目标，对教学内容、学习活动、资源支持和评价反馈进行重新设计。结合自身承担的计算机类课程教学工作，我对未来课程改革也形成了一些新的思考。

一、从“直接讲解”到“逐步支持”：重新认识支架式教学设计

本次研修首先使我对支架式教学（Scaffolding）有了更加系统的认识。过去在进行程序设计、数据结构与算法等课程教学时，我通常更加关注知识体系是否完整、代码讲解是否清晰以及教学进度是否能够按计划完成。然而，从学生学习的角度来看，教师“讲清楚”并不等同于学生真正“学会”。

支架式教学强调依据学生已有知识基础，将复杂学习任务分解为若干具有递进关系的学习阶段，在学生暂时无法独立完成任务时提供必要支持，并随着学生能力提升逐步撤除支架，最终帮助学生实现自主学习。这种思想对计算机课程尤其具有启发意义。例如，在讲授数据结构中的分治算法时，如果直接从递归代码开始讲解，学生往往可以模仿程序，却不一定理解算法为什么要进行问题分解。因此，可以先通过案例问题帮助学生认识“将大问题拆分为小问题”的基本思想，再使用图示展示算法过程中 Divide（分解：由大问题到小问题）、Conquer（解决：小问题可解） 和 Combine（合并：由小问题的解求解大问题） 三个阶段，之后分析代表性的二分查找范例，联系算法思维与经典案例，最后让学生独立设计寻找数组最大值的分治算法。整个过程中，教师提供的支持由问题提示、流程图、关键词逐步减少，最终将解决问题的主动权交还给学生。

这一过程使我认识到，教学设计不能只考虑“我要讲什么”，还应更多思考“学生在这一阶段能够完成什么”，“学生可能在哪里遇到困难”以及“教师应该提供何种程度的帮助”。这也是我今后进行课程设计时需要重点转变的思维方式。

二、从“制作资源”到“设计资源”：AI提升教学资源建设效率

本次研修我进一步认识了人工智能在教学资源建设中的价值。过去制作课程资源通常需要教师投入大量时间完成课件设计、案例选择、图片制作、练习题编写以及代码示例准备。生成式人工智能的发展显著降低了这些工作的技术门槛，也使教师能够将更多精力用于教学设计本身。

在研修过程中，我尝试利用AI生成课程案例、课堂问题、教学图片、练习任务以及不同难度层次的学习资源。例如，在分治算法教学中，可以让AI根据同一知识点生成面向不同学习阶段的问题：基础层次要求学生识别 Divide、Conquer 和 Combine；进阶层次要求分析二分查找为什么没有明显的合并过程；更高层次则要求学生将分治思想迁移到新的问题中。

AI的优势还体现在资源的快速迭代。过去一套教学材料制作完成后，教师往往因为修改成本较高而长期沿用。现在则可以根据学生课堂反馈迅速调整案例、难度、语言表达甚至呈现形式，使教学资源由相对固定的“教学材料”逐渐转变为能够根据教学需要动态调整的“学习资源”。

但研修也让我进一步意识到，AI生成并不意味着教师可以降低对资源质量的要求。教师仍然需要判断内容是否准确、难度是否合理、案例是否真正服务于学习目标。AI提高的是资源建设的效率，而课程设计的最终责任仍然属于教师。

三、从“课堂互动”到“认知参与”：重新理解互动式教学

互动式教学是本次研修中另一个给我较大启发的内容。过去我们容易将“课堂互动”理解为教师提出问题、学生回答问题，或者通过在线工具开展投票和测验。但经过研修，我逐渐认识到，真正有效的互动并不取决于课堂是否热闹，而取决于学生是否产生了真实的认知参与。

在计算机类课程中，这一点尤其重要。学生看到教师演示一段程序并不意味着他们理解程序；能够运行代码也不意味着能够解释算法。因此，可以在教学过程中增加预测、讨论、判断、解释、比较和修改等活动。例如，在展示一段存在错误的代码之前，先让学生预测运行结果；程序出现异常后，让学生小组讨论错误可能发生在哪里；完成修改以后，再要求学生解释为什么错误出现的可能原因，以此启发学生避免类似的错误。

与此同时，AI工具可以进一步丰富互动方式。教师可以快速生成课堂讨论情境、不同观点、错误代码和反例，让学生进行判断和分析。这样，AI不再只是负责“告诉学生答案”，而是成为教师创造问题情境、促进学生思考的一种工具。

这也促使我重新思考课堂时间的分配。与其将全部时间用于教师讲授，不如适当减少重复性的知识传递，将更多时间留给学生思考、表达和解决问题，使学生真正经历知识形成的过程。

四、从“通用AI”到“教学智能体”：探索个性化教学支持

本次研修中，我尤其关注了教学智能体的设计。与直接使用通用大语言模型相比，教学智能体具有更加明确的角色、教学目标、工作流程和行为边界。通过合理设计提示词和知识库，可以使AI从一个通用问答工具逐渐转变为服务特定教学任务的“教学助手”。

在实践中，我尝试设计教师反思智能体，使其结合 Gibbs Reflective Cycle 和 SWOT 分析（Gibbs Reflective Cycle：吉布斯反思循环，一种结构化的反思方法，包括6个阶段：描述、感受、评价、分析、总结、行动计划。SWOT：Strengths优势、Weaknesses不足、Opportunities机会、Threats风险），引导教师在课程结束后依次描述教学事件、识别感受、评价教学效果、分析原因、发现优势与不足，并形成后续改进方案。智能体并不直接替教师撰写反思，而是通过逐步提问帮助教师形成自己的判断。

教学智能体的价值并不是简单地让AI“更聪明”，而是通过规则设计让AI按照教育规律开展工作。一个合理的教学智能体应明确“应该做什么”，同时也需要明确“不能做什么”。例如，它可以提供问题支架，但不能代替学生完成学习任务；可以提供形成性反馈，但不应在缺少证据的情况下随意评价学生。

未来，我认为还可以进一步探索针对程序设计答疑、算法学习、作业反馈以及教师备课等不同场景建立专门的教学智能体，从而形成更加系统的AI教学支持体系。

五、从“结果评价”到“证据驱动”：教学评价与反思

教学最终的难题是评价、反思与改进，评价的核心不只是统计学生“答对了多少”，而是强调 Constructive Alignment（建构性对齐），即课程学习目标、教学活动与评价任务之间应保持一致。Bloom’s Taxonomy 进一步帮助我区分不同层次的认知目标。例如，在分治法教学中，“说出 Divide、Conquer 和 Combine”主要考查布鲁姆中的记忆层次，而“解释二分查找为什么不需要明显的 Combine”则涉及理解和分析，要求学生设计新的分治方案则进一步进入应用和创新。这样的分析让我认识到，评价不仅要关注结果，更要判断学生是否真正达到预期的认知层次。

研修中我们着重讨论了 Assessment Validity（评价有效性） 和 Authentic Assessment（真实性评价）。以作业设计为例，在AI时代，如果一项程序设计作业可以被生成式AI直接完成，那么最终代码本身已经不足以证明学生真正掌握了相应能力。因此，评价设计还需要考虑任务的 AI vulnerability(AI脆弱性：AI可以迅速、完美的完成的任务)，并通过口头解释、过程记录和过程性评价等方式增加真实学习证据。这使我开始从“如何限制学生使用AI”转向“如何重新设计评价，使学生必须展示真正的思维过程与专业能力”。

在教学反思方面，我学习了将 Gibbs’ Reflective Cycle 与 SWOT Analysis 相结合的方法，形成了以 学习目标—评价证据—教学反思—行动改进 为核心的持续改进思路，也更加明确了AI在教学评价中的合理定位：辅助整理证据、发现规律和支持分析，而最终的专业判断仍应由教师完成。

结语

通过本次研修，我最大的体会是，人工智能赋能教育并不是简单地在原有课堂中增加几个AI工具，而是推动教师重新审视整个教学过程。从支架式教学对学习路径的设计，到AI辅助教学资源建设；从互动式课堂促进学生认知参与，到教学智能体提供持续支持；再到通过量化数据推动教学反思，五个方面实际上形成了一个完整的教学改进链条。

研修心得交流会

未来，我希望将本次研修所学习的方法逐步应用到数据结构、程序设计等具体课程中，通过持续的小规模实践、数据记录和教学反思不断优化课程设计。同时，也需要进一步探索AI与传统教学方法之间更加合理的融合方式，提升个人的课堂教学质量。