生成式人工智能應用于物理教學的角色定位與功能邊界

摘" "要：生成式人工智能技術為教育教學帶來了新的機遇與挑戰。以ChatGPT為例，探討其在物理教學中的角色定位與功能邊界，發現ChatGPT憑借Transformer模型與強化學習機制，在自然語言處理、多步推理及多樣化解釋方面展現出顯著優勢，能夠作為答疑顧問、教學助理和學習伙伴，支持個性化學習、即時反饋及教學資源整合。同時，也發現ChatGPT對復雜物理情境的理解不足，易忽略實驗誤差與真實變量；在抽象概念的解釋上偏向表面化，缺乏對物理意義的深度闡釋；學生可能過度依賴生成答案，影響獨立思考能力。因此，應用ChatGPT需強調教師的主導作用；需進一步優化生成式人工智能的垂直整合訓練，并重新設計技術融合機制，以實現物理教學人智共育生態的創新突破。

關鍵詞：ChatGPT；人工智能；物理教學

中圖分類號：G633.7 文獻標識碼：A 文章編號：1003-6148（2025）3-0001-6

１引" 言

技術在物理教學的生態中一直扮演著賦能者的角色，從信息承載意義上的傳播工具到學習支架意義上的認知工具均是如此。近年來，生成式人工智能技術因人工神經網絡、大語言模型及其算力基礎的迅速發展突然涌現，其基于自然語言的知識整合、生成與對話能力正激發出越來越多的教育能力想象與應用嘗試，在教育領域的存在性似乎有了從“工具”屬性向“主體”屬性轉變的可能。已有研究者試圖從教學對話者的視角，對生成式人工智能的教育主體性進行辨析，或從教育對話的技術轉向層面，反思生成式人工智能可能引起的倫理問題與范式重構［１］。然而，任何技術演進在應用于教育領域時，均需表現出足夠的謙遜、謹慎與克制，因為這涉及對技術無任何免疫能力的學生及其成長與發展，也足以在生成式人工智能技術發展狂潮的當下讓研究者慎思其合理的角色定位與功能邊界。

人工智能技術參與物理教學的進程由來已久，其飛速發展為物理教學領域帶來了新的契機，特別是在促進個性化學習和提高教學效率方面取得了顯著進展。ＣｈａｔＧＰＴ是一種基于大規模語言模型的生成式人工智能工具，能夠實時與用戶互動并生成內容豐富的回答，使其在物理教學中具有較大的應用潛力。然而，現有研究也表明，ＣｈａｔＧＰＴ的應用也帶來了諸如生成內容不準確，對真實物理情境的理解不足等挑戰。因此，如何有效利用生成式人工智能的優勢，同時明晰其在物理教學中的局限性，仍是當前需要深入研究的課題。本文旨在通過對ＣｈａｔＧＰＴ的技術特質與性能特點、角色定位及功能邊界的系統分析，為生成式人工智能在物理教學中的應用探索提供客觀的認識與合理建議。

２ＣｈａｔＧＰＴ的技術特質與性能特點

當一個技術系統是“黑盒”時，使用者只能從外部觀察和控制系統，無法洞悉系統內部的具體實現，雖然可以激發豐富的應用想象空間，但存在無法預見的風險或漏洞，也增加了應用的不確定性。因此，必須對系統的內部結構、工作原理有完全的了解，從而對技術系統作出更為科學合理的解釋與預測，實現更為透明的應用設計與功能定位。本節試圖通過對ＣｈａｔＧＰＴ的技術特質與性能特點進行簡明探討，實現對生成式人工智能技術的“祛魅”。

２．１ＣｈａｔＧＰＴ的技術特質

ＣｈａｔＧＰＴ 基于Ｔｒａｎｓｆｏｒｍｅｒ模型的多頭自注意力機制，在自然語言處理任務中取得了突破性進展，能夠在內容序列生成和理解過程中，更好地關注上下文之間的相互關聯，進而在文本生成和推理時體現出較強的內在一致性和連貫性。ＣｈａｔＧＰＴ 在海量文本語料上進行預訓練，能讓模型在詞匯、短語、句法結構及常見知識領域上建立穩固的統計關系，并使用“基于人類反饋的強化學習”策略進行微調——通過人工打分或基于一定規則的反饋，對模型產生的回答進行篩選與獎勵，從而使模型回答趨于安全、合理、符合用戶需求。ＣｈａｔＧＰＴ的這一機制對于物理教學中的表述、論證的準確性也有積極影響。

作為通用大型語言模型，ＣｈａｔＧＰＴ 并不專注于某單一領域或學科，而是追求通用的語言理解和生成能力。在配合物理學領域使用時，其“通用”語料庫和訓練基礎可以幫助它迅速在物理問題的“表述”和“解釋”上給出“語言”層面的支持。不過，“通用”也就意味著“專業性不夠”。因此，在專業復雜問題上，仍需使用者對其輸出進行校核和驗證。因此，在涉及高度專業化或最新研究成果的物理問題時，ＣｈａｔＧＰＴ可能無法提供準確的信息。此外，ＣｈａｔＧＰＴ的輸出結果基于生成概率，這導致在回答復雜物理問題時可能出現與常規人類表述不同的“不確定性”和“模棱兩可”，甚至是看起來合理實則失真的“幻覺”情況［２］。這似乎可以導致語言學意義上新鮮的“差異化”或組合學意義上某種程度的“創造性”，但通常是違反物理學“專業常識”的錯誤結果。

２．２ＣｈａｔＧＰＴ的性能特點

ＣｈａｔＧＰＴ能基于上下文，對于敘述性或解釋性內容能產生較為豐富且保持一致性的語言輸出，可以支持物理問題的持續討論與追問。對于多步推理問題，特別是對于一些短小、分段式、步驟明確的邏輯推導問題，ＣｈａｔＧＰＴ借助Ｔｒａｎｓｆｏｒｍｅｒ 體系下的自注意力機制，可以模擬多步推理過程，并在文本表達中給出條理清晰的思路。不過其“多步推理”更傾向于在已有的常識、數據和表達模板中進行匹配和組合，若物理推導所需的關系式較復雜、跨多個領域，或者需要自主建模，模型可能并不總能得出正確結論。此外，ＣｈａｔＧＰＴ 作為通用語言模型，可以在同一界面中處理多種類型的問題，包括文字解釋、公式演算、符號推導、概念比較等，這在物理教學與科研交流等對公式推導應用較多的場景中特別便捷、實用。

ＣｈａｔＧＰＴ 的海量語料訓練使其具備快速歸納與類比能力，能夠將從不同來源學到的物理概念、原理及例題進行快速歸納與類比。在力學、電磁學等較成熟的基礎領域，模型對教師或學生的提問可進行較為直觀的類比，如通過“力學與生活中的現象的類比”來輔助理解。此外，對于物理概念的教學應用，ＣｈａｔＧＰＴ還具備豐富的解釋手段與多樣化的表達能力，幫助不同層次、不同背景的學習者理解。例如，針對“熱力學第二定律”這樣較抽象的物理概念，可根據用戶請求調整語言難度或描述風格，對于專業學者可以提供更嚴謹的學術化闡述，對中學生或本科生則提供更易理解的語言表述與案例說明。這些性能特點，使得ＣｈａｔＧＰＴ在物理學習過程中，可以即時回答學生提出的問題，也可以針對答案進行后續追問或糾錯，形成一定程度的迭代式、交互式學習模式。對于物理教師而言，ＣｈａｔＧＰＴ 則可以起到教學資源整合與生成的助理作用。

３ＣｈａｔＧＰＴ在物理教學中的實踐探索與角色定位

鑒于ＣｈａｔＧＰＴ強大的自然語言處理、知識整合與信息交流能力，目前在物理教學領域涌現的各類實踐探索案例，在形式上區別于傳統的技術應用，典型表現為自發地將其賦予“人格化”角色，試圖探索它的個性答疑能力、輔助教學能力以及自主伴學能力等。

３．１答疑顧問

傳統信息技術對于物理教學的知識支持受技術特性限制，雖然可以在可視化的表征形態與互動性的過程控制上表現優異，但始終無法脫離教師的實時知識反饋。ＣｈａｔＧＰＴ海量的語料訓練與專業化的自然語言與符號表達能力，首先激發出的應用需求與實踐探索就是類似教師實時知識反饋的問題答疑。有研究顯示，ＣｈａｔＧＰＴ能夠通過適應性對話能力和定制化內容反饋能力幫助學生理解抽象的物理概念，提升學生的參與感和學習動機，彌合學生的知識差距，特別適合概念抽象且需要實時解釋與互動支持的物理教學場景［３］。另外，相關研究還證明，ＣｈａｔＧＰＴ可以通過自然語言交互向中學生、大學生等各類學習者解釋物理概念，提供物理問題答疑，來支持學生學習物理概念和個性化的自我調節學習。

在答疑方面除了知識性反饋，ＣｈａｔＧＰＴ另外一個極具特色的應用探索是問題解答。Ｗｈｅｅｌｅｒ等人較早探索了ＣｈａｔＧＰＴ在解決力學概念測試問題上的表現，發現ＣｈａｔＧＰＴ的平均得分率為５１％，并會表現出類似于學生的常見錯誤或誤解［３］。也有研究測試了ＣｈａｔＧＰＴ解決“力與運動”問題的能力，發現對于基礎定義和簡單計算問題，ＣｈａｔＧＰＴ的表現較好，但在多步計算、推理和估算問題上，ＣｈａｔＧＰＴ的錯誤率顯著增加。中國學者童大振等人在一項針對“原始物理問題”的研究中發現，ＣｈａｔＧＰＴ－４的物理問題解決能力顯著高于ＣｈａｔＧＰＴ－３．５，甚至優于大多數中學生［４］。Ｐｏｌｖｅｒｉｎｉ等人系統測試了ＣｈａｔＧＰＴ理解運動學圖像（ＴＵＧ－Ｋ）的能力，研究發現，ＣｈａｔＧＰＴ的表現與高中學生相當，但在正確性分布、推理和視覺解釋能力方面存在顯著差異［５］。

３．２教學助理

ＣｈａｔＧＰＴ的訓練模式使其具備強大的信息整合與文本生成能力，在助力教師的日常教學，比如格式化教學材料生成與結構化實驗設計等方面，極具應用潛力。Ｋｏｔｓｉｓ在其研究中提到，ＣｈａｔＧＰＴ可以作為教師的輔助工具，幫助設計和組織物理實驗［６］。Ａｖｉｌａ等人則發現，ＣｈａｔＧＰＴ可以輔助教師生成教育內容，并支持學生的自我調節學習，為個性化教育體驗提供了可能性［７］。也有研究發現，ＣｈａｔＧＰＴ生成的即時反饋使得學生能夠在每個探究學習階段獲得個性化的指導，顯著降低了教師逐個檢查所有學生作業的工作壓力，并提高了學生實驗和探究任務中的參與度和學習效果［８］。設計實驗報告表格一直以來都是初任教師或職前教師實驗教學訓練的重要內容，但基于特定實驗主題針對多個年級或不同學業水平的學生設計個性化且與課程標準匹配的實驗報告表格則是一件耗時巨大的工作。目前，一項使用ＣｈａｔＧＰＴ助力教師實驗教學的研究顯示，通過ＣｈａｔＧＰＴ的協助，初任教師能夠更有效地為多個年級的學生定制實驗報告單，并可以加入互動元素，有助于增加學生的參與度和適應性［６］。

除了實驗材料等結構化較強的教學資料生成輔助功能，ＣｈａｔＧＰＴ還可以協助教師創建問題集、閱讀材料以及教學設計等需要一定創造性的工作。Ｓｐｅｒｌｉｎｇ等人的研究證明，生成式人工智能能輔助教師完成重復教學任務及低層次作業創建，如快速生成不同難度的物理問題集、測試題與概念解釋文本等［９］。一項在韓國實施的探索性研究，探討了將生成式人工智能與ＴＰＡＣＫ融合的可行性，并試圖建構基于ＧｅｎＡＩ－ＴＰＡＣＫ 的教師素養框架。該研究發現，在融合生成式人工智能后，職前教師的教學設計可以達到中等偏上的水平，且能將教學策略與 ＣｈａｔＧＰＴ實現較好的結合［１０］。

３．３學習伙伴

ＣｈａｔＧＰＴ在自然語言溝通方面具有鮮明的優勢，因此在物理教學場景中很自然地被賦予“學習伙伴”的角色。比如，有的研究發現，ＣｈａｔＧＰＴ在物理概念理解上會犯類似于學生的錯誤，可將ＣｈａｔＧＰＴ作為學生的訓練伙伴，讓學生在識別、改進錯誤的過程中糾正錯誤，從而培養他們的批判性思維。也有研究證明，ＣｈａｔＧＰＴ能夠準確模擬物理概念測試的錯誤，并提供合理的解釋，這為使用ＣｈａｔＧＰＴ生成具有代表性的學生錯誤樣本數據提供了可能性。Ａｌａｒｂｉ等人基于情境認知理論，認為ＣｈａｔＧＰＴ的個性化助學體驗和即時反饋會激勵學生表現出更高的學習參與度和主動性，能顯著促進學生對牛頓第二定律等復雜概念的理解，提升學習成績，特別對女生的影響更明顯［１１］。

ＣｈａｔＧＰＴ自主伴學能力除了可以影響學生的學習，也會影響學生的態度。Ｄａｈｌｋｅｍｐｅｒ等人關于學生如何評價ＣｈａｔＧＰＴ解答能力的研究發現，學生對ＣｈａｔＧＰＴ回答的科學性評價與他們自評的相關物理知識水平存在顯著關聯［１２］。一些自評知識水平較低的學生無法有效識別出ＣｈａｔＧＰＴ回答中的錯誤之處。此外，研究還發現，大部分學生盡管知道ＣｈａｔＧＰＴ在解答物理問題時存在一定的錯誤率，但仍然信任其提供的答案。因為，ＣｈａｔＧＰＴ的自然語言生成能力使得其輸出的信息顯得非常專業可信。

４ＣｈａｔＧＰＴ在物理教學中的應用局限與功能邊界

生成式人工智能在輔助物理教學中展現了多方面的應用潛力，但作為一項正在迅速發展、迭代中的技術形態，其局限也在一系列探索性的研究中被發現。為了給予后續的研究與實踐提供一個全面的觀察視角，有必要基于ＣｈａｔＧＰＴ的技術特質及其應用局限，對這項正在發展中的智能技術在物理教學應用的功能邊界予以理性審視與客觀辨析。

４．１對真實物理情境理解的不足

ＣｈａｔＧＰＴ的一個顯著局限在于對復雜物理情境的理解能力不足。物理實驗和實際應用往往涉及多種變量和條件，而ＣｈａｔＧＰＴ在生成回答時通常基于理想化的假設，難以準確處理實驗中的隨機性、誤差和其他現實因素。這種理想化處理可能導致學生對實驗現象的理解過于簡化，從而影響他們對物理概念的深刻理解［１３］。例如，在實驗教學中，ＣｈａｔＧＰＴ可能忽略某些實驗裝置的誤差、環境因素的影響或復雜的實驗操作步驟。同時，由于缺乏人類的實際經驗和非語言輸入，使ＣｈａｔＧＰＴ在某些物理問題的解答中容易出錯。一項關于運動學圖像理解的研究顯示，ＣｈａｔＧＰＴ的成績表現與高中學生相當，在大多數情況下能夠表現出正確推理，但在視覺解釋圖表的過程中出現了許多錯誤，難以正確解釋圖形的形狀、數值及其空間關系，導致推理部分正確但回答結果錯誤，特別是在涉及計算圖形下的面積、比較多個圖形的斜率或匹配多段圖形時尤為明顯［５］。對于這些需要實際操作和觀察經驗的物理情境，教師必須在教學過程中對人工智能的生成結果進行補充和修正，以確保學生對實驗過程的理解符合實際情況。

此外，研究還發現，不同類型的問題對ＣｈａｔＧＰＴ的回答質量有很大影響。對于基礎定義和簡單計算問題，ＣｈａｔＧＰＴ的表現較好，但在多步計算、推理和估算問題上，ＣｈａｔＧＰＴ的錯誤率顯著增加。這表明，ＣｈａｔＧＰＴ在處理簡單問題時具有較高的可靠性，但在面對復雜問題或需要更高認知能力的問題時容易出錯。同時，盡管ＣｈａｔＧＰＴ表現出很強的解題能力，但在物理學方面仍存在知識盲點，并可能基于生成概率導致錯誤信息從而形成“幻覺”傾向［２］。很多物理學理論的建立并非只有數學推導，還需要實驗驗證、觀察和物理直覺。針對特定物理領域或需要實驗裝置的場景，ＣｈａｔＧＰＴ 僅依賴文本信息，不具備真正意義上的物理直覺與感知能力，也無法進行實體實驗或測量，只能提供基于文本資料的建議或猜測。比如，對空間和時間有認知依賴的運動學或動力學物理問題或現象，ＣｈａｔＧＰＴ 可能由于缺乏足夠的訓練數據或面向真實情境的認知能力，無法給出準確的回答。因此，綜合ＣｈａｔＧＰＴ在這一認知維度上的局限性，在涉及真實物理情境的教學應用時，應理性審視生成式人工智能的能力邊界，并予以充分的人工干預。

４．２對概念或變量物理意義的理解不足

ＣｈａｔＧＰＴ的訓練數據主要來源于互聯網文本，相對缺少基于物理專業文獻或文本的人工對齊工作，因此在涉及概念的“物理意義”時，其解釋往往不夠深入或偏向表面化。例如，對于量子力學、相對論等較為抽象的物理理論，ＣｈａｔＧＰＴ可能提供的僅是概念定義或簡單描述，而缺乏深入的理論闡釋和邏輯推導過程。也有研究表明，ＣｈａｔＧＰＴ能夠逐步推導出物理問題的解答，但在物理概念的方向判斷和物理過程分析方面仍然存在一定局限［１4］。在物理問題中，變量常常有特定的物理含義。例如，速度（ｖ）不僅是一個數值，還表示物體的運動方向和速度大小。ＣｈａｔＧＰＴ在處理這些變量時，可能難以區分這些符號的物理意義，尤其是在多物理量交互的情境下。上述研究說明，以大語言模型為基礎的ＣｈａｔＧＰＴ，哪怕是最新的版本，盡管可以在自然語言理解以及數理邏輯領域表現出更高的水準，但在理解上依賴多模態（如圖像處理能力、過程分析能力、具身認知能力等）學習能力的物理教學領域尚需要技術突破。

物理量的理解和應用是ＣｈａｔＧＰＴ在處理物理問題時面臨的一個重要挑戰，主要原因在于物理變量不僅需要符號化，還需要結合物理意義、單位等多維度的理解。這種局限使得學生在使用ＣｈａｔＧＰＴ學習時，可能無法全面理解物理概念背后的物理意義，影響他們的高階思維發展。因此，教師在應用ＣｈａｔＧＰＴ時，應特別注重對這些概念的詳細講解和引導，確保學生真正理解物理學科中的深層次內容。同時，這也警示如果無法通過訓練使人工智能建立對時間和空間等獨具“物理意義”的概念理解，將制約人工智能與物理教育應用的垂直整合。

４．３對學生獨立思考能力的考驗

頻繁使用ＣｈａｔＧＰＴ進行問題解答可能會導致學生在問題解決中逐漸形成依賴性，進而影響他們獨立思考的能力。比如，有的研究顯示，在對學生問題反饋生成過程中，ＣｈａｔＧＰＴ往往過于積極，即使學生的回答與問題不相關時，也可能給出正面的評語。相關研究指出，ＣｈａｔＧＰＴ所生成的高質量語言可能會掩蓋科學內容的錯誤，這使得學生必須具備辨別人工智能生成信息準確性的能力，以避免誤導。研究還發現，當學生對某個主題缺乏深入了解時，可能會高估自己對該主題的理解，尤其是當人工智能生成的回答看似合理時，這種錯覺可能導致學生對錯誤的回答產生錯誤的信任，從而加劇了物理學習中的誤解。

研究還發現，越是自評知識水平低的學生，越傾向于無法區分ＣｈａｔＧＰＴ的錯誤回答與專家回答之間的差異，并且特別容易受語言質量的影響。因為，對于某些學生來說，語言表達良好的回答往往會被認為更為準確，即使其中包含錯誤。這一結果表明，ＣｈａｔＧＰＴ所生成的高質量語言可能會掩蓋科學內容的錯誤，導致學生對回答的科學性產生錯誤判斷，甚至形成不合理的“信任”。而學生對ＣｈａｔＧＰＴ的“過度信任”，通常還因為將其視為全知全能的“超級計算機”或“具有魔法的智能實體”。因此，學生會將ＣｈａｔＧＰＴ擬人化，即認為它具有人類教師的認知能力，從而影響他們對其回答的判斷。這顯然值得后續的研究或實踐進行深入探討。

５總結與展望

面對滾滾而來的人工智能發展新浪潮，作為對新技術具有良好包容與適應傳統的物理教育屆顯然不能錯過優化物理教學的契機。但技術理性也提醒我們，用好新技術的前提是理解其運行機制、了解其性能特點，并基于應用探索掌握其適用于物理教學的角色定位與性能邊界。物理教學的復雜性與挑戰性，不僅僅在于其學科知識、觀念體系的廣博與深度，也在于其對認知、建構能力的多元與融合性要求。現有的探索性應用顯示，將生成式人工智能技術應用于物理教學可以取得不錯的成效，無論是助力學生的物理概念理解、物理問題解決，還是協助教師的教學資料生成、教學過程控制。但生成式人工智能根植的大語言模型與訓練模式決定了，類似于ＣｈａｔＧＰＴ的智能助手，在對物理真實情境理解、特定知識單元物理意義理解等方面還無法實現類人的認知水平，因為物理學規律的形成歷來都源于人類包含具身認知在內的多元認知能力，比如對時間、空間的感知與理解等非語言方式。因此，生成式人工智能技術盡管可以在很多方面取得顯著優于其他技術形態的教學性能，但在教學中依然需要物理教師的主導性參與和科學性管控。

顯然，我們堅信生成式人工智能正在發生的進步與突破，勢必為物理教學帶來超越想象的附加價值，但這依賴于立足物理教學的特質對其發展空間的深入思考。首先，物理教學領域的研究者與實踐者，應主動參與生成式人工智能的垂直整合訓練，有利于迅速改進這一技術對物理教學的適應性。其次，面對生成式人工智能的技術突破，其應用于物理教學的形態與深度必須重構，以避免只是機械地取代或更新了過往技術的應用方式，而不能真正體現出人工智能的核心價值。再次，物理教學界也需要突破現有教學場景下的應用空間，基于生成式人工智能的技術特性，創造性地設計人工智能技術與物理教學的融合機制，以開辟更具想象力的人智共育生態。

參考文獻：

［１］趙麗，劉寅生．教育對話的技術轉向：嬗遞路徑、應用困頓與范式重構——兼論對ＣｈａｔＧＰＴ的邏輯審視及展望［Ｊ］．華東師范大學學報（教育科學版），２０２４，４２（８）：７６－８４．

［２］Ｇｒｅｇｏｒｃｉｃ Ｂ，Ｐｅｎｄｒｉｌｌ Ａ．ＣｈａｔＧＰＴ ａｎｄ ｔｈｅ ｆｒｕｓｔｒａｔｅｄ Ｓｏｃｒａｔｅｓ［Ｊ］．Ｐｈｙｓｉｃｓ Ｅｄｕｃａｔｉｏｎ，２０２３，５８（３）：０３５０２１．

［３］Ｗｈｅｅｌｅｒ Ｓ，Ｓｃｈｅｒｒ Ｒ． ＣｈａｔＧＰＴ ｒｅｆｌｅｃｔｓ ｓｔｕｄｅｎｔ ｍｉｓｃｏｎｃｅｐｔｉｏｎｓ ｉｎ ｐｈｙｓｉｃｓ［Ｃ］.Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｐｈｙｓｉｃｓ Ｅｄｕｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｃｏｎｆｅｒｅｎｃｅ （ＰＥＲＣ），Ｂｏｔｈｅｌｌ，２０２３：386-390．

［４］Ｔｏｎｇ Ｄ Z，Ｔａｏ Ｙ，Ｚｈａｎｇ Ｋ，ｅｔ ａｌ． Ｉｎｖｅｓｔｉｇａｔｉｎｇ ＣｈａｔＧＰＴ－４’ｓ ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ｓｏｌｖｉｎｇ ｐｈｙｓｉｃｓ ｐｒｏｂｌｅｍｓ ａｎｄ ｉｔｓ ｐｏｔｅｎｔｉａｌ ｉｍｐｌｉｃａｔｉｏｎｓ ｆｏｒ ｅｄｕｃａｔｉｏｎ［Ｊ］． Ａｓｉａ Ｐａｃｉｆｉｃ Ｅｄｕｃａｔｉｏｎ Ｒｅｖｉｅｗ，2024，25（5）：1379-1389．

［５］Ｐｏｌｖｅｒｉｎｉ Ｇ，Ｇｒｅｇｏｒｃｉｃ Ｂ． Ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ＣｈａｔＧＰＴ ｏｎ ｔｈｅ ｔｅｓｔ ｏｆ ｕｎｄｅｒｓｔａｎｄｉｎｇ ｇｒａｐｈｓ ｉｎ ｋｉｎｅｍａｔｉｃｓ［Ｊ］．Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｐｈｙｓｉｃｓ Ｅｄｕｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ，２０２４，２０（１）：０１０１０９．

［６］Ｋｏｔｓｉｓ Ｋ Ｔ．ＣｈａｔＧＰＴ Ｄｅｖｅｌｏｐｓ Ｐｈｙｓｉｃｓ Ｅｘｐｅｒｉｍｅｎｔ Ｗｏｒｋｓｈｅｅｔｓ ｆｏｒ Ｐｒｉｍａｒｙ Ｅｄｕｃａｔｉｏｎ Ｔｅａｃｈｅｒｓ［Ｊ］．Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｅｄｕｃａｔｉｏｎ Ｓｔｕｄｉｅｓ，２０２４，１１（５）.

［７］Ａｖｉｌａ Ｋ Ｅ，Ｓｔｅｉｎｅｒｔ Ｓ，Ｒｕｚｉｋａ Ｓ，ｅｔ ａｌ． Ｕｓｉｎｇ ＣｈａｔＧＰＴ ｆｏｒ ｔｅａｃｈｉｎｇ ｐｈｙｓｉｃｓ［Ｊ］．Ｔｈｅ Ｐｈｙｓｉｃｓ Ｔｅａｃｈｅｒ，２０２４，６２（６）：５３６－５３７．

［８］Ｓｔｅｉｎｅｒｔ Ｓ，Ａｖｉｌａ Ｋ Ｅ，Ｋｕｈｎ Ｊ，ｅｔ ａｌ． Ｕｓｉｎｇ ＧＰＴ－４ ａｓ ａ ｇｕｉｄｅ ｄｕｒｉｎｇ ｉｎｑｕｉｒｙ－ｂａｓｅｄ ｌｅａｒｎｉｎｇ［Ｊ］．Ｔｈｅ Ｐｈｙｓｉｃｓ Ｔｅａｃｈｅｒ，２０２４，６２（７）：６１８－６１９．

［９］Ｓｐｅｒｌｉｎｇ Ａ，Ｌｉｎｃｏｌｎ Ｊ． Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ ｈｉｇｈ ｓｃｈｏｏｌ ｐｈｙｓｉｃｓ［Ｊ］．Ｔｈｅ Ｐｈｙｓｉｃｓ Ｔｅａｃｈｅｒ，２０２４，６２（４）：３１４－３１５．

［１０］Ｌｅｅ Ｇ Ｇ，Ｚｈａｉ，Ｘ M．Ｕｓｉｎｇ ＣｈａｔＧＰＴ ｆｏｒ Ｓｃｉｅｎｃｅ Ｌｅａｒｎｉｎｇ：Ａ Ｓｔｕｄｙ ｏｎ Ｐｒｅ－ｓｅｒｖｉｃｅ Ｔｅａｃｈｅｒｓ’ Ｌｅｓｓｏｎ Ｐｌａｎｎ-ｉｎｇ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０２４，１７（５）：１６４３－１６６０．

［１１］Ａｌａｒｂｉ Ｋ，Ｈａｌａｗｅｈ Ｍ，Ｔａｉｒａｂ Ｈ，ｅｔ ａｌ． Ｍａｋｉｎｇ ａ ｒｅｖｏｌｕｔｉｏｎ ｉｎ ｐｈｙｓｉｃｓ ｌｅａｒｎｉｎｇ ｉｎ ｈｉｇｈ ｓｃｈｏｏｌｓ ｗｉｔｈ ＣｈａｔＧＰＴ：Ａ ｃａｓｅ ｓｔｕｄｙ ｉｎ ＵＡＥ［Ｊ］．Ｅｕｒａｓｉａ Ｊｏｕｒｎａｌ ｏｆ Ｍａｔｈｅｍａｔｉｃｓ， Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｅｄｕｃａｔｉｏｎ，２０２４，２０（９）：２４９９．

［１２］Ｄａｈｌｋｅｍｐｅｒ Ｍ Ｎ，Ｌａｈｍｅ Ｓ Ｚ，Ｋｌｅｉｎ Ｐ，ｅｔ ａｌ．Ｈｏｗ ｄｏ ｐｈｙｓｉｃｓ ｓｔｕｄｅｎｔｓ ｅｖａｌｕａｔｅ ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｒｅｓｐｏｎｓｅｓ ｏｎ ｃｏｍｐｒｅｈｅｎｓｉｏｎ ｑｕｅｓｔｉｏｎｓ？Ａ ｓｔｕｄｙ ｏｎ ｔｈｅ ｐｅｒｃｅｉｖｅｄ ｓｃｉｅｎｔｉｆｉｃ ａｃｃｕｒａｃｙ ａｎｄ ｌｉｎｇｕｉｓｔｉｃ ｑｕａｌｉｔｙ ｏｆ ＣｈａｔＧＰＴ［Ｊ］．Ｐｈｙｓｉｃａｌ Ｒｅｖｉｅｗ Ｐｈｙｓｉｃｓ Ｅｄｕｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ，２０２３，１９（１）：０１０１４２．

［１３］Ｐｏｌｖｅｒｉｎｉ Ｇ，Ｇｒｅｇｏｒｃｉｃ Ｂ．Ｈｏｗ ｕｎｄｅｒｓｔａｎｄｉｎｇ ｌａｒｇｅ ｌａｎｇｕａｇｅ ｍｏｄｅｌｓ ｃａｎ ｉｎｆｏｒｍ ｔｈｅ ｕｓｅ ｏｆ ＣｈａｔＧＰＴ ｉｎ ｐｈｙｓｉｃｓ ｅｄｕｃａｔｉｏｎ［Ｊ］．Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｐｈｙｓｉｃｓ，２０２４，４５（２）：０２５７０１．

［１４］Ｌｉａｎｇ Ｙ，Ｚｏｕ Ｄ，Ｘｉｅ Ｈ，ｅｔ ａｌ． Ｅｘｐｌｏｒｉｎｇ ｔｈｅ ｐｏｔｅｎｔｉａｌ ｏｆ ｕｓｉｎｇ ＣｈａｔＧＰＴ ｉｎ ｐｈｙｓｉｃｓ ｅｄｕｃａｔｉｏｎ［Ｊ］．Ｓｍａｒｔ Ｌｅａｒｎｉｎｇ Ｅｎｖｉｒｏｎｍｅｎｔｓ，２０２３，１０（１）：５２.

（欄目編輯廖伯琴）