摘要：跨学科主题学习作为一种创新的教学范式，对于打破学科藩篱、实现课程的综合化和实践化具有重要意义。然而，传统教育模式在实现这一目标时面临诸多挑战，如学科割裂、教学资源不足、评价方式单一等问题较为突出。生成式人工智能的教育应用改变传统知识观与学习观，也为跨学科主题学

感谢您关注“永大英语”！

蔡旻君 张书琦

摘要： 跨学科主题学习作为一种创新的教学范式，对于打破学科藩篱、实现课程的综合化和实践化具有重要意义。然而，传统教育模式在实现这一目标时面临诸多挑战，如学科割裂、教学资源不足、评价方式单一等问题较为突出。生成式人工智能的教育应用改变传统知识观与学习观，也为跨学科主题学习实践提供良好的契机。从缘由分析来看，生成式人工智能赋能跨学科主题学习是时代赋予的使命，也是政策引领下的必然选择。同时，生成式人工智能满足教师对创新教学方法的迫切需求，以及学生对个性化、高效学习的强烈诉求。从跨学科逻辑构成看，本着“教—学—评”一致性的原则，教师教学的智能化重塑、学生学习的智能化增强以及教学评价的智能化转型，揭示了生成式人工智能赋能跨学科主题学习的内在机理。从实践应用层面看，融入库伯学习圈理论的具体体验、反思观察、抽象概括和行动应用环节，是实现生成式人工智能赋能跨学科主题学习的有效模式。

关键词： 生成式人工智能；跨学科主题学习；跨学科思维能力；库伯学习圈理论；“教—学—评”一致性

一、引言

2024年全国教育工作会议强调，要把全面提高人才自主培养质量，着力造就拔尖创新人才，支撑高水平科技自立自强作为全年教育工作的主攻方向。创新能力作为21世纪人才的关键特征，对于国家的未来发展具有举足轻重的意义，而跨学科创新思维的培养正是提升创新能力的重要途径。然而，跨学科学习在实施进程中面临多重挑战。首先，跨学科教学对教师的专业能力提出更高标准，要求教师拥有丰富的知识背景和跨学科的授课技巧[1]。其次，跨学科主题学习的课程设计、教学资源配置、教学评价等方面都需要进行深入的探索和实践。最后，如何有效激发学生的学习兴趣和参与度，确保跨学科学习的深度和广度，以及平衡不同学科之间的权重和关系等问题，都是跨学科主题学习需要面对的重要挑战，也是当前教育界研究的热点问题之一。值得关注的是，生成式人工智能（Generative Artificial Intelligence）工具，如DeepSeek、ChatGPT、Kimi、文心一言、讯飞星火等，可以为解决上述问题提供新的思路和方法。跨学科学习是指将不同学科进行融合，借助先进的科技工具与平台，对传统教学方法进行革新与优化，提升学习成效。作为人工智能技术的前沿代表，生成式人工智能在内容生成、交互体验、智能服务等方面的优势[2]，为跨学科主题学习提供坚实的技术后盾。

2024年3月，在十四届全国人大二次会议民生主题记者会上，教育部部长怀进鹏指出：“对教育系统来说，人工智能是把‘金钥匙’，它不仅影响未来的教育，也影响教育的未来，这里有机遇也有挑战”[3]。因此，将生成式人工智能与跨学科主题学习交叉融合，实现二者的双向赋能，对于培育面向数字经济时代的创新型应用人才具有重要意义。

鉴于此，本研究聚焦生成式人工智能如何赋能跨学科主题学习，基于《义务教育课程方案和课程标准（2022年版）》中对“教—学—评”一致性原则的强调，深入分析生成式人工智能在跨学科学习中的应用逻辑和核心内容，并基于库伯学习圈理论构建具有可操作性的跨学科教学模式，旨在为跨学科学习和创新提供理论支撑与实践指导。

二、生成式人工智能赋能跨学科主题学习的逻辑分析

（一）时代使命：学科融合与创新发展的需求

数字技术的快速发展引发颠覆性的社会转型。为应对智能技术对生活、生产、学习及思维方式带来的变革，许多国家提出面向21世纪的公民所应具备的核心能力与素养框架，旨在促进教育体系的全面进步与发展[4]。这一转变要求教育体系必须打破传统学科壁垒，促进知识的跨界融合与综合应用。而在这一过程中，生成式人工智能凭借自身特有的优势发挥着关键的桥梁作用。作为人工智能领域的一个重要分支，生成式人工智能不仅能够模仿人类的创作过程生成新的内容，如文本、图像、音频等，还能够基于大数据和深度学习技术，挖掘出隐藏在海量信息中的知识关联和规律，为跨学科研究提供强有力的支撑。因此，在跨学科融合的过程中，生成式人工智能作为智能助手，能够协助研究者跨越学科界限，发现新的研究视角和问题域。

一方面，生成式人工智能推动研究者间的高效交流和协作。在传统跨学科合作中，由于学科间的语言、方法和理论的差异，研究者之间往往存在沟通障碍。而生成式人工智能能够通过自然语言处理、知识图谱等技术手段，将不同学科的研究成果和文献进行智能分析和整合，形成易于理解和交流的跨学科知识库。这极大地降低了跨学科合作的门槛，使得研究者能够更加便捷地获取和理解其他学科的知识，促进他们之间的深度交流与合作。

另一方面，生成式人工智能为跨学科探究引入革新性的研究策略与辅助工具。进行跨学科研究时，常常需要将多门学科理论与方法结合起来，形成一种全新的研究范式与解决思路。生成式人工智能能够基于其强大的数据分析和模型构建能力，为研究者提供定制化的跨学科研究工具和方法。例如，通过构建跨学科的预测模型、优化算法等，研究者可以更加精确地预测和解释复杂现象，为解决实际问题提供有力支持。

（二）政策引领：战略推动与扶持发展的需求

跨学科学习强调培养学生综合运用多学科知识解决真实问题的能力，《义务教育课程方案和课程标准（2022年版）》对这一教育理念进行了深化与拓展：强调课程内容与学生生活经验深度融合，明确要求学科内知识的融会贯通。但据研究发现，目前跨学科学习面临学习内容表面化、组织模式单一、评价标准不明、学习参与低效等挑战，整体实施效果亟待提升[5]。而生成式人工智能所展现出的卓越自然语言处理技术与知识创造能力为此带来了前所未有的变革契机。各国政府纷纷出台相关政策，旨在通过推动自适应学习系统、智能教育助手等新技术的创新应用，提升教育教学的个性化、智能化水平。2022年，欧盟正式发布《数字教育行动计划（2021—2027）》，明确提出加速推动生成式人工智能技术在教育行业的创新性应用[6]。

2023年，我国发布《生成式人工智能服务管理暂行办法》，为生成式人工智能应用提供了坚实的法律支撑和明确的指导方针。与此同时，紧随生成式人工智能向专业领域深化的潮流，华东师范大学率先推出国内首款专注于教育垂直领域的大规模预训练模型“EDUCHAT”，不仅标志着生成式人工智能在教育领域迈出了学科专属化的重要一步，也为跨学科主题学习提供了强大的技术支持。

2024年3月，智能教育专用大模型“智思体”（Generative Education Special Transformer）的开发，进一步提升了生成式人工智能在跨学科主题学习领域的融入[7]。同年4月，世界经济论坛发布题为《塑造未来学习：人工智能在教育4.0中的作用》的报告，着重阐述人工智能赋能教育4.0的挑战和潜能，并结合案例和人工智能技术特性提出推动“人工智能+教育”发展的政策建议，呼吁各国政府、企业和社会团体共同努力，实现教育领域的技术创新和变革。

（三）教师需要：教学创新与专业提升的需求

跨学科主题学习要求教师不仅要具备扎实的学科知识，还要掌握先进的跨学科教学方法，以应对复杂多变的教学环境和学生需求。而生成式人工智能的发展为这一领域带来前所未见的活跃性和潜在机会。首先，生成式人工智能在信息整合与文本生成方面具有独特优势，能够形成人机协同的认知发展新模式，如基于对话模式定制学生所需的专属内容，强化学生的深度学习能力与高阶思维。长期而言，生成式人工智能有望彻底改变师生的教学与认知方式，形成一种新型的“师—生—机”互动关系，包含人对人的教育、人对机器的教育、机器对人的教育等相互交织的网络关系，使技术从知识传递载体发展为与师生双向理解、沟通、共情的伙伴，从而驱动一场自下而上、由内而外的系统性深层次变革，促进教育文明新纪元的诞生。

其次，生成式人工智能凭借卓越的数据处理效能与创新内容创造能力，为教师群体提供前所未有的教学资源与创新辅助手段。教师可以借助生成式人工智能量身打造学习资源，如个性化习题集、互动式学习案例等，极大地丰富了课堂教学维度，有效激发学生的学习兴趣与课堂互动。最后，生成式人工智能凭借极高的内容产出效率，全面契合教师日常教学的多元化需求。在课程设计、教材剖析、课后辅导、作业评估等关键环节，生成式人工智能展现出强大的教学支持作用，如快速生成教案与课件、拓宽课堂知识边界、鼓励学生自主探究、精准提炼并批改学生作业等，有效减轻了教师的工作负担[8]。

（四）学生诉求：个性化学习与全面发展的需求

随着生成式人工智能在教育领域不断渗透，学生的学习体验与成长路径正经历着深刻的变革。其中，个性化学习与全面发展的追求成为学生最为迫切的诉求，而生成式人工智能的引入，为这一目标的实现提供了前所未有的可能性。首先，在传统教育体系中，由于资源有限和教学模式的单一，很难实现真正意义上的个性化教学。引入生成式人工智能，使得这一难题得到了有效解决。通过汇集学生详尽的学习数据，涵盖学习习惯的洞察、成绩波动的追踪以及课堂内外互动反馈的收集，生成式人工智能能够精准绘制出每位学生的个性化学习蓝图。依据这些精准的学习画像，生成式人工智能能够智能化地为学生匹配最满足需求的学习资源、规划高效的学习路径，并策略性地引导其采用个性化的学习策略，从而保证每位学生都能在最适合自己的学习步调中稳步前行。

例如，“Quiz let”平台巧妙融合ChatGPT的强大能力，推出Q-Chat功能，可以为学生营造一种近乎于专属教师“一对一”指导的定制化教育体验，极大地提升了学习的针对性和有效性[9]。其次，生成式人工智能通过强大的跨领域整合能力，帮助学生建立不同学科之间的知识联系和思维框架。通过智能生成的学习任务和项目案例，生成式人工智能可以引导学生将不同学科的知识和方法应用于解决实际问题中，培养其综合分析和解决问题的能力。同时，生成式人工智能还可以提供丰富的虚拟实验、模拟场景等学习资源，让学生获得沉浸式学习体验；还可以借助智能评估体系，对学生的学业成绩、能力成长轨迹、情感，以及学习态度等多个层面，进行全方位、深入的评价，并依据个体差异定制个性化的学习指导建议，助力学生灵活调整学习策略与方法。

最后，生成式人工智能作为人类能力提升的加速器，不仅能在人机协同过程中提供针对性反馈和个性化学习支持，增强个体自主学习、主动学习、自我交互等方面的能力[10]，还能为个体开辟出泛在化、碎片化、非正式学习的空间，让其在现有能力基础上更自由地完成自我超越。

三、生成式人工智能赋能跨学科主题学习的内容阐释

（一）教师教学的智能化重塑：生成式人工智能引领的教学情境与资源整合创新方式

1.基于生成式人工智能的多模态教学资源

生成式人工智能具备对文本、图像、音频、视频等多源数据的深度解析能力，能够整合并深度挖掘庞大的教育数据资源及专业学科知识体系，从而为教育资源的创新开发与高效利用开辟新途径[11]。首先，生成式人工智能可以汇聚学生学习记录、能力评估、教师反馈、学科前沿研究等多维度数据，并通过先进的算法模型揭示数据背后的隐藏规律与关联。例如，在数学教学中，生成式人工智能通过分析学生的作业和测试数据，识别学生在“函数图像”或“概率统计”等知识点上的薄弱环节，并自动生成针对性的练习题和微课视频，帮助学生巩固知识。同时，教师可以根据生成式人工智能提供的学情报告，调整教学策略，设计分层教学活动，确保每位学生都能获得适合自己的学习支持。其次，生成式人工智能打破传统教育资源单一呈现形式的局限，实现文本、图像、音频、视频等多种模态数据的无缝整合。

例如，在生物教学中，生成式人工智能可以将细胞分裂的抽象概念转化为动态的3D模型，结合语音讲解和交互式问答，帮助学生更直观地理解这一复杂过程；在历史教学中，生成式人工智能可以生成结合历史影像、地图和人物对话的多媒体资源，让学生仿佛“穿越”到历史场景中，增强学习的沉浸感和趣味性。最后，将静态和动态教学材料、教学方案，与生成式人工智能生成的“数字人”相整合，可以达成“数字人”教师在线授课的效果[12]，进一步拓展在线教育资源的存量与多样性。例如，在英语教学中，“数字人”教师可以根据学生的学习进度和兴趣，生成个性化的口语练习场景，并通过实时语音交互纠正学生的发音和语法错误。

在此基础上，教师和教研共同体可以在网络平台中开展协作，与生成式人工智能进行交互，以人机协同的方式合作开发各类教育资源。通过优化与扩充教育资源的总量，生成式人工智能实现了资源生成的动态配置策略，对区域内学校实施生态性的资源补给与平衡，旨在促进教育资源的均衡分配与高效流动，进而推进教育公平[13]。

2.基于生成式人工智能的沉浸式教学情境

学习主题和学习情境是跨学科学习活动的“启动引擎”[14]。跨学科教学倡导以真实情境为基石，融合多领域知识于综合探究任务之中，鼓励学生亲身经历问题解决过程，从而深化对学科知识的领悟，激发跨领域的创新思维。生成式人工智能在此方面展现出卓越的能力[15]。通过对学生学习偏好、能力水平和认知特点的精准分析，生成式人工智能能够帮助智慧学习环境和STEM教室等数字化平台，动态调整教学内容和情境，实现个性化教学。例如，在科学课程中，生成式人工智能可以根据学生的兴趣和能力水平，设计不同难度的实验任务，确保每位学生都能在最适合自己的“汤”中溶解“盐”。正如具身学习理论在教育领域的应用所揭示，一个融合视觉、听觉、触觉等多感官信息输入，以及学习者、技术与环境之间多模态交互的学习环境，能够激活大脑的多个区域，促进深度学习的发生，从而达到最佳的学习效果[16]。

例如，在物理教学中，学生可以通过虚拟实验室操作实验设备、观察实验现象和聆听实验讲解，甚至通过触觉反馈感受力的作用，从而更直观地理解抽象的物理概念。此外，元宇宙作为融合虚拟现实、增强现实、人工智能等前沿技术的数字化生态系统，为跨学科学习提供了全新的平台。在元宇宙构建的沉浸式三维环境中，学生可以以虚拟身份自由探索，与全球伙伴协作学习。例如，在“数字孪生城市”项目中，学生可以扮演建筑师、规划师或环境工程师的角色，将计算机科学、数学、艺术设计和环境科学等学科知识融会贯通，共同设计未来城市的蓝图；在历史与文化遗产保护的学习中，学生可以通过虚拟现实技术“走进”古代建筑，参与数字化修复工作，将历史学、艺术史和信息科技紧密结合，亲身体验历史重现的震撼场景，感受科技与文化的深度融合。

3.基于生成式人工智能的跨学科教学设计

生成式人工智能具备在特定语境下灵活运用逻辑推理、归纳总结、演绎分析等高级思维的技能，可以针对特定问题情境推导出多样化的答案或问题解决方案。首先，教师可以利用DeepSeek、文心一言、豆包等生成式人工智能工具，快速检索和整合海量教育资源。教师可以通过输入特定主题或知识点，获取相关的教材分析、教案模板、教学案例等资源。生成式人工智能不仅能够根据教师的需求智能生成个性化教案，还能结合学生的学情数据，优化教学内容和形式。例如，在语文教学中，生成式人工智能可以根据学生的阅读水平推荐适合的文本，并生成相应的阅读理解题目；在数学教学中，生成式人工智能能够根据学生的错题数据生成针对性的练习题目，帮助教师实现精准化教学。其次，生成式人工智能可以充当教师的“虚拟专家”[17]，为教学提供深度支持。例如，在教案设计阶段，生成式人工智能可以对教案进行多维度评估，包括知识点的覆盖度、教学逻辑的连贯性以及教学活动的创新性等；还能通过分析学生的学习数据，预测学生在学习过程中可能遇到的困难。

在英语教学中，生成式人工智能可以分析学生的词汇掌握情况，预测学生在阅读长难句时可能遇到的语法障碍，并为教师提供相应的教学策略建议，包括设计分层教学活动、提供额外的语法讲解资源等。最后，生成式人工智能在跨学科教学设计中的应用进一步促进了教育资源的共享与交流。通过构建开放、协作的教育平台，不同学科的教师可以共同利用生成式人工智能工具进行教案设计、教学资源开发与教学经验分享。例如，历史教师和语文教师可以共同利用生成式人工智能工具生成跨学科的教学案例，通过历史事件分析引导学生进行议论文写作。此类跨学科的协同作业，不仅增强了教师的专业技能与教学效能，还促进了学科间的深度融合与创意碰撞。

（二）学生学习的智能化增强：生成式人工智能驱动的自主学习与个性化发展路径

1.基于生成式人工智能的人机深度对话

生成式人工智能具有强大的情境理解和连续对话能力，教师可以据此引导学生开展素养导向下的个性化探究与思辨学习。课前，生成式人工智能能够根据学生的个性化学习目标、具体需求、学习偏好以及过往的学习表现，生成量身定制的学习规划。例如，对于数学学习有困难的学生，生成式人工智能可以为其设计循序渐进的学习路径，重点强化薄弱环节；对于偏好视觉化学习的学生，生成式人工智能可以提供图表、视频等多媒体资源辅助理解。同时，生成式人工智能还能通过自然语言交互，为学生提供即时的疑难解答服务。例如，当学生在预习过程中遇到不理解的概念时，生成式人工智能能够以通俗易懂的语言进行解释，并根据学生的反馈调整解释方式，确保学生真正理解。课中，生成式人工智能将学生从被动的信息接收者转变为主动的学习探索者。

基于与学生的实时互动反馈，生成式人工智能采取多样化的导学策略，如引入“苏格拉底式”的启发性问询，激发学生的主动思考与探索欲望。当学生遇到难题时，生成式人工智能不仅会提供即时解答，还会根据学生的理解程度实时调整问题难度，形成连续的追问循环。例如，在讨论“气候变化”这一主题时，生成式人工智能可以首先提出一个基础问题：“什么是温室效应？”随后根据学生的回答逐步追问：“温室效应如何影响全球气温？”“人类活动在其中的作用是什么？”通过这种层层递进的问题设计，生成式人工智能能够有效激发学生的主动思考与探索欲望。这种融合中西文化精髓的“互动启发式教学法”，更加注重“启发”和“互动”，即通过师生双向有效提问的互动方式，启发学生进行深层次的学习探索，培养学生的高阶思维。其特征是问题化、强交互、强反馈，只有提出真正触发学生深度思考的问题并及时给予正向反馈，才能刺激大脑皮层，促进大脑活跃[18]。

2.基于生成式人工智能的精准画像绘制

生成式人工智能在教育领域的精准画像绘制中扮演着至关重要的角色，其核心在于通过多维度数据的收集与分析，为每位学习者构建全面、细致的个性化画像，从而为教学实践提供科学依据。生成式人工智能通过整合学习者的基本信息（如年龄、性别、年级）、学习行为（如课堂参与度、作业完成情况、在线学习时长）、学习成效（如考试成绩、知识点掌握情况）以及兴趣偏好（如对特定学科的兴趣、学习方式偏好）等多维度数据，利用先进的算法与模型进行深度分析。

例如，对于一名初中生，生成式人工智能可以分析其数学作业的完成情况、在线学习平台上的互动频率、考试成绩的变化趋势，甚至捕捉其对几何问题与代数问题兴趣的细微差异。这种分析不仅能够精准识别学习者在知识掌握和技能发展上的薄弱点，还能深入理解其学习动机的强弱、学习风格的偏好以及兴趣爱好的广泛程度。这种全息式的画像构建，超越了传统教育中的表面化评估，真正触及了学习者的本质特征与学习需求。基于这样的精准画像，教育者得以摆脱“一刀切”的教学模式，转而采用更加灵活多样、因材施教的教学策略，为每位学习者提供量身定制的成长方案。更为深远的是，生成式人工智能的精准画像绘制技术，为教育公平与质量的双重提升提供新的可能。智能化识别并弥补不同学习者之间的学习差距，有助于缩小教育资源的分配不均，确保每位学习者都能获得适合自己的教育机会与支持。

3.基于生成式人工智能的编程思维培养

生成式人工智能在编程思维培养中的应用，正引领未来编程教育迈向一个全新的时代。首先，生成式人工智能打破传统编程教育中“填鸭式”的教学模式，通过动态模拟、可视化编程等创新手段，将抽象的编程概念具象化，学习者可以通过拖拽代码块的方式构建程序逻辑，实时观察程序的运行效果，从而更直观地理解复杂问题的拆解与重构过程。其次，生成式人工智能具有强大的编程语言解析能力，能够精准识别学习者代码中的语法错误、逻辑漏洞以及优化空间。当学习者提交一段代码时，生成式人工智能可以即时提供详细的错误提示和改进建议，甚至通过代码补全、智能调试等功能帮助学习者快速修正问题。

更重要的是，生成式人工智能能够通过逐步引导的方式，帮助学习者深入理解程序的核心逻辑与架构设计[19]。这种智能化的辅助机制不仅适用于编程课程，还在跨学科项目学习中展现出巨大潜力。最后，生成式人工智能促进编程教育生态的多元化与开放化，打破学科壁垒与地域限制，为学习者提供了全球范围内的学习资源与交流平台。学习者可以通过在线课程、开源项目、编程竞赛等多种形式参与学习与实践，与来自不同背景与文化的伙伴共同探索编程的无限可能。

（三）教学评价的智能化转型：生成式人工智能赋能的多元动态与精准评估机制

1.基于生成式人工智能的细粒度评价

认知智能所展现出的智能涌现、强认知性、高通用性等特性，为教育评价体系向智慧化方向演进开辟了崭新机遇[20]。基于自然语言处理、机器学习、大数据等技术，认知智能大模型能够深入分析学生的学习过程和认知能力，从而实现更加精细化、个性化的评价[21]。一方面，生成式人工智能将扮演智能助手的角色，在多样化题目的自动化批改、教育场景的深度解析等维度，为教师提供全方位的教学辅助。例如，在编程、数学等复杂题目的自动化批改中，生成式人工智能不仅能够高效完成评分任务，还能深入分析学生的错误根源，提供针对性的诊断反馈，形成“评价—诊断—改进”的闭环评价体系。

此外，生成式人工智能还能有效整合课堂教学中的多模态数据，深入剖析教师的教学行为与能力，助力教师进行教学反思与策略优化，推动教研活动的智能化转型与精准实施。另一方面，ChatGPT等生成式人工智能工具，还能精准分析学生的学习表现，促进教师与家长及其他相关方的信息共享。依托人类反馈强化学习（RLHF）机制，ChatGPT能够实现对教学评价的再循环反馈，深入洞察学生对评价的反应与态度。例如，当学生提交一篇文章并请求改进建议时，ChatGPT能够快速识别文章中的逻辑问题、语言表达缺陷及内容不足，提供具体的修改建议，并持续监控学生的修订过程，直至其完成所有改进工作[22]。

2.基于生成式人工智能的过程性评价

过程性评价是教育评价体系中的关键环节，核心在于通过动态监测教学过程中的实际成效，提供即时反馈并调整教学策略，从而持续优化教学计划，确保教育目标的实现。传统的质性分析方法，如学习档案袋评价法，虽能在一定程度上反映学生的学习过程，但其依赖主观判断且操作复杂，难以实现大规模应用。相比之下，生成式人工智能为过程性评价带来显著变革，使其具备更高的客观性、精确性和智能化水平[23]。

一方面，教育评价范式正在从单一的结果导向，转向结果与过程并重的综合评价模式。传统的评价方式，如考试和问卷调查，虽然能够提供量化的结果数据，但往往局限于对学习成果的静态评估，难以全面反映学生在学习过程中的成长轨迹、教师的教学质量以及学校的整体工作成效。而在智能技术的支持下，过程性数据得以实时、持续地采集，并与结果性数据深度融合，构建了一个涵盖行为、认知、情感等多维度的综合数据集。该数据集为教育评价提供了更为全面、细致和科学的基础，使得评价结果更加贴近实际教学情况。

另一方面，生成式人工智能在教育评价智慧化进程中发挥重要作用，通过整合结果评价、增值评价、过程评价等多种模式，构建了多元化、全方位的评价体系。这一体系能够全面捕捉学生学习过程中的各类数据，利用先进的多模态数据挖掘与深度学习算法，以知识图谱等可视化形式，精准描绘教育主体的知识建构路径。进一步地，通过与目标状态的对比分析，自动揭示学习者的最近发展区与个性化成长轨迹，实现对学生生命成长历程的完整记录与深度剖析。

3.基于生成式人工智能的学习性评估

评估不只是用来衡量学生学习效果的尺度，更是促进教学品质提高和教育改革的关键动力。作为教育评估领域的一次革新，智能化评估旨在利用先进的人工智能技术，如面部表情分析、声纹识别、情感计算、姿势检测等核心算法，通过采集并分析教学双方的音频、视频数据，结合多元教学质量评估指标的量化模型，实时、精确、智能地评估学生的学习状态、学习效果、教学互动、教学模式、心理健康等多个维度。

一方面，智能化评估系统能够实时捕捉并分析课堂教学中的每一个细节，实时追踪并记录学生的面部表情微妙变化、语音中的情感波动、身体姿态的变动等。例如，面部表情识别系统能即时解读学生的情绪状态，如专注、疑惑或兴趣盎然，当捕捉到学生面对难点时的困惑表情时，迅速向教师发送反馈，促使教师灵活调整教学策略，提供个性化支持。

另一方面，依托大数据与人工智能技术的强大力量，智能化评估系统能够对海量教学数据进行深度挖掘与分析，揭示教学过程中的隐藏规律与发展趋势。通过构建多元教学质量评估指标的量化模型，系统能够从多个维度量化评估教学效果，包括学生的学习成效、课堂互动质量、教学模式的有效性，以及学生的心理健康状况等。例如，系统可以分析不同教学模式下学生的学习效果差异，帮助教师识别最有效的教学方法；系统通过对学生心理状态的长期监测，能够及时发现潜在的心理健康问题，为学校提供早期干预的依据。

四、生成式人工智能赋能跨学科主题学习的实践探索

跨学科主题学习重在整合多学科思想方法，通过真实情境创建学习任务以达成学生全面发展的教学理念与实践，这与库伯学习圈（Kolbs Learning Cycle）核心理论不谋而合。库伯学习圈理论强调以学生为中心，要求教师依据学习目标、内容和情境，构建真实或模拟的学习场景。学生通过与环境的交互，捕捉当前场景中的各种元素，并运用综合思维分析能力，从不同视角对问题情境中的现象进行深入思考与反思，进而形成富有成效的问题解决策略。学生历经多次具体体验、反思观察、抽象概括及行动应用的学习循环，逐步完成从低阶要素整合至中高阶层次能力发展的过渡[24]。

本研究结合生成式人工智能的特性，基于库伯学习圈理论，从场景赋能、体验赋能、探究赋能和评价赋能四条路径出发，构建了一种具有可操作性的生成式人工智能赋能跨学科主题学习教学模式，如图1所示。在四个阶段的推进过程中，知识的理解和转化关系把学习分成了四个象限，对应四种基本的学习类型。学习者在此经历了一个完整的体验式学习过程，且这个过程不是简单地在原点徘徊，而是螺旋上升的。下文以“魔力沙”项目[25]为例，详细探讨生成式人工智能赋能跨学科思维发展的教学模式应用。

（一） 创设课堂情境，增强学生亲身体验

经验获得是理论和实践学习的起点，库伯认为，学习是以经验为核心的完整过程，四个阶段不断循环往复和螺旋上升，并时刻保持逻辑闭环。具体经验是学习的初始阶段，要求学习者通过真实情境的体验获取知识。因此，教师在运用库伯学习圈方法时，必须高度重视“经验”这一关键环节，通过创设贴近学生生活的情境和选取优质素材，帮助学生从实践中获得直接经验。在这一过程中，生成式人工智能为学生提供了丰富的虚拟实践环境，能够模拟真实世界的各种情境，让学生通过动手操作和模拟实验等方式获取直接经验。以“魔力沙”项目为例，学生首先通过观看生成式人工智能生成的“水中分沙”魔术表演视频，对魔力沙的神奇特性产生强烈的好奇心和探究欲。随后，学生在生成式人工智能构建的虚拟实验室中进行实验，对比观察魔力沙与普通沙在不同条件下的表现。生成式人工智能能够实时调整实验参数，如水的温度、沙子的种类和环境条件等，让学生直观地观察到魔力沙在不同情境下的独特性质。此外，生成式人工智能还能模拟特殊环境，如太空中的失重状态，展示水滴在失重条件下的形状变化，帮助学生更深入地理解水的表面张力等科学原理。通过这些具体实践，学生对魔力沙有了直观认识，为后续的学习奠定基础。

（二） 重视教学反思，培养学生观察能力

反思观察是经验上升到理论的过渡，由个体对直接经验进行反思观察，从而得到新的启发。在此阶段，学习者要反思上一阶段的具体经验，并进行分析与整合，寻找新旧经验之间的联系，进而对实践行为形成清晰的认识。因此，在体验式学习中，如何通过精心设计的活动和教师的有效引导，帮助学生更好地理解重难点知识，是应用库伯体验式学习在反思阶段需要着重考虑的问题。生成式人工智能可以为学习者提供数据分析、人机交互等支持，助力学习者以辩证对立的方式解决新旧经验间的冲突或矛盾。“魔力沙”项目中，生成式人工智能可以自动记录学生在实验过程中产生的数据，并生成详细的实验报告和可视化图表。学生可以通过这些报告和图表，对比魔力沙与普通沙在疏水性、亲油性等性质上的差异，分析魔力沙的疏水性和亲油性。此外，生成式人工智能还可以提供虚拟显微镜功能，学生通过观察魔力沙的微观结构，能够深入分析其疏水性的科学原理。例如，学生可以观察魔力沙表面特殊的涂层结构，理解这种结构如何使其在水中表现出与普通沙截然不同的行为。在此过程中，学生学会了如何观察、记录和分析实验数据，培养了科学探究的能力。

（三） 理论实践并重，培养学生抽象能力

抽象概括是前两个阶段的高度提炼，即学习者从具体体验、反思性体验、操作性体验中进行抽象概括，把感性认识上升到理性认识，建构一种理论或模型。“只有在辩证对立感知与领悟之间达到统一，学习者才获得了经验学习的意义。”[26]因此，在这一阶段，教师需要引导学生将反思观察中形成的假设内化为概念或结论，使学习者差异化、个性化的经验感受升华为普遍性的知识，并进一步生成新的认知。生成式人工智能可以辅助学习者进行数据分析、模式识别和理论构建，帮助其从具体经验中抽象出更普遍、更抽象的知识体系。同时，生成式人工智能可以根据学习者的历史学习数据，个性化推荐相关的学习资源和案例，助力学习者更高效地研究和分析问题。“魔力沙”项目中，在该阶段伊始，学生将实验中观察到的现象与所学的物理、化学知识进行联系。生成式人工智能根据学生的理解程度，动态推荐定制化的学习资源，如科普视频、3D动画和交互式模拟实验，帮助学生深入理解物质的极性、表面张力、亲水性、疏水性等核心概念。例如，学生通过观看生成式人工智能生成的3D动画，可以直观地学习魔力沙表面特殊成分的分子结构，理解这种结构表现出的疏水性。此外，生成式人工智能还引导学生将所学知识迁移到其他情境中，利用对魔力沙疏水性的理解，解释荷叶表面的自洁现象，甚至进一步探讨疏水材料在日常生活和工业生产中的应用。这种从具体到抽象、从个别到普遍的学习过程，不仅帮助学生构建了系统的知识体系，还培养了他们的科学思维和迁移能力，形成对物质性质的抽象理解。

（四） 建构循环模式，提升学生应用能力

实践检验是理论逻辑的应用，当学习者历经获得经验、观察反思及概念形成三个阶段后，便形成系统的知识框架。当再次遇到相同的经验场景时，学生会以获得的理论知识为出发点，去验证是否能得出与以往经验相同的结论。而在得出相同结论的过程中，学生不仅加深了对已有理论知识和经验的理解，还提高了对新模块的学习兴趣。生成式人工智能能够为学生提供高度仿真的实验环境和实时反馈机制，真正实现“师—生—机”三元协同的教学模式。“魔力沙”项目中，学生可以利用生成式人工智能提供的虚拟实验平台，设计并制作自己的魔力沙样品。学生通过调整反应物比例、反应时间、温度等条件，探索制作魔力沙的最佳工艺。此外，学生还能利用生成式人工智能模拟的海上原油泄漏场景，测试魔力沙的吸油能力，分析其在实际应用中的效果。这一过程不仅帮助学生巩固了关于物质极性和表面张力的理论知识，还培养了他们的实践能力和问题解决能力。生成式人工智能的实时反馈功能还可以对学生的实验过程进行动态评估，针对实验中遇到的问题提供具体解决方案。例如，当学生制作的魔力沙样品吸油效果不理想时，生成式人工智能会提示学生调整反应物比例或优化反应条件，帮助他们改进实验方案。

五、结语

综上，生成式人工智能赋能跨学科主题学习迎合了时代的发展，既达成了学生个性化学习的诉求，也能满足教师教学创新的需求，在教育发展战略层面发挥着举足轻重的作用。综观生成式人工智能带来的变化，可以深切感受到其对引领教师教学情境创新与资源整合方式重组、学生自主学习与个性化发展路径探索、教学评价的多元动态与精准评估机制构建的巨大影响。本研究提出的融入库伯学习圈理论四个适应性学习阶段的探索经验，可以为生成式人工智能赋能跨学科主题学习的推广提供很好的实践样态。

参考文献

[1][5]彭艳红,徐金海.中小学跨学科主题学习的实施现状、制约因素及对策分析[J].教育科学研究,2024(8):61-67.

[2]BAIDOO-ANU D, ANSAH L. Education in the Era of Generative Artificial Intelligence (AI). Understanding the Potential Benefits of chatGPT in Promoting Teaching and Learning[J]. Journal of AI, 2023,7(1):52-62.

[3]教育部.十四届全国人大二次会议举行民生主题记者会，教育部部长怀进鹏回答记者提问：厚植人民幸福之本 夯实国家富强之基[EB/OL].(2024-03-10)[2024-11-01].http://www.moe.gov.cn/jyb_xwfb/s5147/20.

[4]教育部.推进核心素养导向的课程建设[EB/OL].(2022-04-21)[2024-11-01].http://www.moe.gov.cn/fbh/live/2022/54382/zjwz/202204/t20220421_620104.html.

[6]European Commission. Digital Education Action Plan(2021-2027)[EB/OL].(2020-9-30)[2024-11-01].https://education.ec.europa.eu/focus-topics/digital-education/action-plan.

[7]新华网.教育部副部长吴岩:推动数据赋能教育坚持应用为王[EB/OL].(2024-05-30)[2024-11-01].http://www.news.cn/edu/20240530/58be722c00fd4e8d9e765f176a94992a/c.html.

[8]郝磊,温志强,王妃,等.ChatGPT类人工智能催生的多领域变革与挑战（笔谈）[J].天津师范大学学报(社会科学版),2023(4):8-23.

[9]齐彦磊,周洪宇.技术、制度与思想：生成式人工智能在教育领域中应用的演进逻辑[J].电化教育研究,2024,45(8):28-34.

[10]宋亦芳.ChatGPT赋能社区教育何以可行？[J].中国职业技术教育,2024(9):9-17.

[11]JOVANOVIC M, CAMPBELL M. Generative artificial intelligence:Trends and prospects[J]. Computer, 2022(10):107-112.

[12]万力勇,杜静,熊若欣.人机共创：基于AIGC的数字化教育资源开发新范式[J].现代远程教育研究,2023,35(5):12-21.

[13]孟凡丽,马翔,王建虎.AIGC视域下的虚拟教研室：概念特征、运行要素与建设进路[J].现代远距离教育,2023(4):14-21.

[14]顾小清,姜冰倩.以跨学科学习促进信息科技课程核心素养落地[J].现代远程教育研究,2023,35(6):3-10,29.

[15]张广录,刘晓峰.“人G共生”范式：生成式人工智能视域下的教育转型图景[J].中国教育信息化,2024,30(6):12-22.

[16]陈醒,王国光.国际具身学习的研究历程、理论发展与技术转向[J].现代远程教育研究,2019,31(6):78-88,111.

[17]吴军其,吴飞燕,文思娇,等.ChatGPT赋能教师专业发展：机遇、挑战和路径[J].中国电化教育,2023(5):15-23,33.

[18]王学男,李永智.人工智能与教育变革[J].电化教育研究,2024,45(8):13-21.

[19]VAN D E, BOLLEN J, ZUIDEMA W, et al. ChatGPT: five priorities for research[J]. Nature, 2023(7947):224-226.

[20]刘邦奇,聂小林,王士进,等.生成式人工智能与未来教育形态重塑：技术框架、能力特征及应用趋势[J].电化教育研究,2024,45(1):13-20.

[21][23]袁春艳,王琳,熊余.认知智能赋能教育评价变革的逻辑与实践[J].教育发展研究,2024,44(12):54-62.

[22]ZHAI X. ChatGPT for next generation science learning[J]. The ACM Magazine for Students, 2023,29(3):42-46.

[24][26]库伯.体验学习：让体验成为学习和发展的源泉[M].上海:华东师范大学出版社,2008:4.

[25]周玉芝.跨学科项目教学案例——魔力沙[J].化学教育(中英文),2020,41(1):19-23.

Minjun CAI Shuqi ZHANG

Abstract: As an innovative educational paradigm, interdisciplinary subject learning plays an important role in breaking the disciplinary barriers and realizing the integration and practicalization of curriculum. However, the traditional education model faces many challenges in achieving this goal, such as the fragmentation of disciplines, the lack of teaching resources and the single evaluation method. The educational application of GenAI changes the traditional view of knowledge and learning, and also provides a good opportunity for the practice of interdisciplinary subject learning. From the perspective of logical analysis, GenAI enabling interdisciplinary subject learning is a mission given by the era and an inevitable choice under the guidance of policies. Meanwhile, it meets the urgent demands of teachers for innovative teaching methods and students’ strong demands for personalized and efficient learning. From the perspective of interdisciplinary content composition, in order to realize the consistency principle of “teaching-learning-evaluation”, the intelligent reshaping of teachers’ teaching, the intelligent enhancement of students’ learning and the intelligent transformation of teaching evaluation reveal the internal mechanism of GenAI enabling interdisciplinary subject learning. From the perspective of practical application, it aims to cultivate students’ interdisciplinary thinking ability and practical ability, and integrates four adaptive learning stages of Cooper’s learning circle theory, namely concrete experience, reflective observation, abstract generalization and action application, which is a feasible model for GenAI to enable interdisciplinary subject learning.

Key words: GenAI; Interdisciplinary thematic learning; Interdisciplinary thinking ability; Kuper learning circle theory; Consistency of teaching learning evaluation

（本文首次发表在《中国教育信息化》2025年第4期）

来源：永大英语