人工智能(AI)賦能普通植物病理學創新實驗課程教學改革探索

關鍵詞生成式人工智能;普通植物病理學;AI賦能教學;生物實驗

中圖分類號 G642.0;S432.1 文獻標識碼A 文章編號 1007-7731（2025）14-0129-05

DOI號10.16377/j.cnki.issn1007-7731.2025.14.030

Exploration of teaching reform in Innovative Experimental of General Plant Pathology course empoweredbyartificial intelligence

ZHAO Zhibo WANG YongDING HaixiaCHEN Xiangru WEI Shan （College of Agriculture， Guizhou University， Guiyang 55oo25， China）

AbstractTo explore the innovative application of generative artificial intellgence in experimental practice teaching，the InnovativeExperimentalof GeneralPlantPathologycoursewas takenasthepractical field，andthe specificpath of AI empowering the collaborative application of“teacher-machine-student”in experimental practice teaching was explored.Through case comparison analysisand system design （AI），a“four-dimensional” application model framework covering AI interactive teaching platform，knowledge engine，innovative designassistant，and personalized evaluation was constructed，and multiple AI empowered experimental teaching activitieswere implemented.The specific path includes building an AI based interactive teaching platform，use the DeepSeek R1 model，and after layerby layer debugging，developing a Python based software for measuring the severityof plant leaf diseases，with an accuracy rate of 97 % ; utilize the functions of AI knowledge engine and innovative design assistant， it have developed small toos covering specific application scenarios such as disease investigation sampling diagrams， genome sequenceextraction，kiwifruitdisease imagerecognition mini programs，etc.;utilizeAItoimprovethefedback and full processevaluation mechanism，conduct full process assssment on students’experimental completion， innovative work design additional scores，and provide targeted guidance.Practice has shown that theactivity level， academicperformance，and innovativeoutputof students inAIasisted teaching classes havesignificantlyincreased， andthe developed tools have been applied to scientific research practice.Itcan effectively improve theefectivenesof experimental practice teaching.Thisarticle providesreferences forAI empowered teaching reform inagricultural

scienceandotherexperimentaldisciplines.

Keywords generative artificial intelligence； General Plant Pathology;AI empowered teaching；biological experiments

人工智能（AI技術，尤其是生成式人工智能，不僅為數據驅動的個性化、協作式學習提供了簡便易用的工具，也推動了高等教育“數字化\"教學方式的改革。王繁等研究認為，人工智能背景下，高等教育在育人理念、辦學路徑、教學模式、學習范式和評價方式等方面要進行深層次變革；郭蕾蕾2研究認為，可以從教、學、育3個維度推動AI教育變革，構建個性化、多元化、動態化的教學體系，打造沉浸式、自主化和可視化的學習形態；Ouyang等3提出3種AI教育范式，揭示了其在知識建模、支持協作以及賦能學習者自主性等方面的不同作用機制。這些理論研究為AI賦能高等教育教學提供了重要依據，但將AI應用于理論教學、實驗教學、實踐教學等具有不同特點的教學場景仍具有一定的挑戰性，需進一步探索其具體實現方式。

目前，部分教學探索為AI賦能高等教育提供了有效的實踐路徑。劉邦奇等4梳理生成式AI在當前各類學校已有的應用實踐，提出其在真實教育場景下的五大實踐場域（教學、學習、評價、管理、研究）21個方面和56個場景。同時，智慧樹、學堂在線、超星等智慧教育平臺集成DeepSeek等生成式模型，針對具體學科或課程開發了功能全面的AI教學平臺，涵蓋知識圖譜、教師備課、自主學習、互動教學、學情跟蹤和AI助手等功能。然而，這些探索多應用于理論課程教學，對實驗實踐類課程的應用模式總結及案例剖析有待進一步深入。

植物病理學作為一門既具有理論深度又依賴實驗技能的學科，其教學內容主要依托實驗室實踐和經典教材。新農科背景下，該課程的實驗實踐部分不僅涵蓋植物病理學技能教學，還要求突出對學生創新思維與科研能力的培養。常規教學模式受限于設備老化、信息化水平有限、創新能力培養不足、個性化評價指導不夠等，人才培養效果不佳。對此，相關學者進行了教學改革與探索。例如，張立新等[5]從制定課程新體系、改革教學手段、完善成績考評方式以及建立實驗教學質量標準等方面，探索提升該實驗課程教學質量的路徑；張娜等從完善教學材料、強化基礎實驗、增加設計性實驗、強化實踐環節和改進評定標準等方面加強該實驗教學；尹良芬等探索開發植物病理學虛擬仿真系統，構建了虛實結合的實驗教學體系。然而，這些改革尚未充分整合數字化與AI技術，在實驗實踐教學中融入生成式AI，利用AI突破實驗資源限制、培養學生創新設計能力以及實現對實驗教學的個性化指導，是該課程教師值得思考和探索的重要課題。

本文聚焦AI賦能實驗實踐教學這一前沿課題，以普通植物病理學創新實驗課程為具體實踐場域，采用案例對比分析方法，系統構建AI賦能實驗實踐教學的應用模式框架，設計并實施一系列具體的AI賦能植物病理學教學的活動與案例，開發了低門檻、高適應性的AI實踐路徑。本文為AI技術在農業實驗實踐類課程中的有效應用提供參考。

1AI賦能植物病理學教學的路徑

1.1打造基于AI的互動教學平臺

為解決生物實驗周期長、操作風險高等問題，相關人員探索了基于虛擬仿真系統的實驗設計。例如，虛擬仿真實驗教學項目共享服務平臺（https：//www.ilab-x.com/）提供了4000余個虛擬仿真交互實驗。這些系統交互性較好，但需針對每個實驗進行專門定制和長期維護，易用性和拓展性有限。而AI在虛擬仿真教學（理論模擬或高風險場景）實驗交互和實時反饋等方面的應用，有助于該實驗實踐教學效果的提升。秦磊等研究利用生成式AI構建了實驗教學中的酸堿中和滴定圖像模擬實驗，以供學生反復嘗試不同的變量組合實驗，突破了設備和時間限制。因此，在植物病理學實驗實踐教學中也可借鑒類似方式。

植物病害調查是植物保護專業學生需掌握的一項基礎技能，一般采用發病率、嚴重度、病情指數等指標對病害發生情況進行定量分析。對病害嚴重度的準確計量一直是相關研究的熱點，其中計算機視覺和深度學習在各類病害分級中逐漸被廣泛應用。然而，植物病理學實驗課程教學中仍采用病斑大小手工測量或“嚴重度標準圖\"方法，僅有少數學者基于ImageJ軟件開展了圖像處理技術的實驗教學[]。在普通植物病理學創新實驗教學中，將100張病害照片發送給學生，將學生分成2個小組，分組統計每張葉片的嚴重度并計算病情指數。A組采用常規病斑面積測量法，并建立不同嚴重度的標準圖，目測分級，耗時約 ^2h ，準確率 82% ;B組學生使用DeepSeekR1大模型，經過層層調試，開發了基于Python的植物葉片病害嚴重度計量軟件，耗時約1h，準確率達 97% ，且在對新的100張病害照片進行分析時，僅需 5min 。該工具不僅支持單葉片分析，還可批量處理，參數調整也可動態改變病健區域的對比效果（圖1）。基于AI大模型的實驗方法不僅實現了葉片病斑面積的準確測量，而且讓學生更深刻地理解了病害計量原理。

1.2發揮AI知識引擎和創新設計助手功能

為培養學生創新能力，常規實驗實踐通過學科交叉、現代信息技術融合或集成學科競賽開展教學[1]。謝武桃等[2研究發現，AI技術聯合案例導入式教學法有助于明顯提升學生的技術運用能力和實踐操作能力。在科研工作中，AI也廣泛應用于植物病蟲害的快速識別與診斷[13]，但將其應用于植物病理學實驗實踐教學的案例有待補充。此外，王金輝等[4嘗試將R語言引入植物病理學實驗教學，但如何讓學生真正理解并熟練應用編程語言是一大挑戰。在教學中，AI為代碼理解與編寫、機器學習理解與實踐提供了強大支持[15]。因此，AI有望為非計算機專業學生提升數字化素養和創新設計提供重要支撐，但需進一步探索切實可行的實現路徑。

一方面，AI可作為知識引擎，提升學生知識檢索、鑒別與整合能力。植物病理學涵蓋豐富的理論知識和不斷發展的實驗新技術，深人挖掘理論內涵、準確跟蹤前沿進展是一項具有高挑戰性的工作。常規教學方式主要依賴文獻資料調研，效率較低，難以滿足學生快速獲取前沿知識的需求。基于學術資源庫的AI平臺提供了強大的“自然語言交互檢索”特性和知識整合能力。例如，利用 AI+ PubMed返回結構性答案，并標注參考文獻；Under-mind研究助手提供引導式提問詞幫助準確檢索相關知識。在植物病理學實驗中，借助DeepSeek對給定的10個植物病理學問題和實驗原理進行回答；將學生分成6組，其中3組僅參考AI作答（對照組），另外3組為 AI+ 師生討論，將6組答案分別提交至ChatGPT進行打分。結果顯示， AI+ 師生討論組得分（平均9.2分）高于對照組（平均7.6分）。這表明，在應用AI開展實驗教學的具體實踐中，須充分發揮“師一機一生\"的協同作用，批判性地應用AI輸出的信息。

另一方面，AI可作為科學數據處理和創新實驗設計的助手。實驗數據的處理和繪圖通常依靠專業軟件或計算機編程語言進行，其成本較高，且需具備較強的專業知識，在植物病理學實驗教學中較難順利實施。通過AI技術平臺，可幫助學生設計科學實驗步驟、快速處理海量數據以及開發生物信息學分析工具。在AI輔助植物病理學實驗中，學生針對具體需求開發了8個小工具，涵蓋病害調查抽樣圖示、基因組序列提取、轉座子插入位點鑒定、系統發育樹構建、弼猴桃病害圖像識別小程序等具體應用場景。例如，植物病原菌PCR檢測是一種重要的實驗方法，學生在設計特異性引物時，需從基因組中提取特定區間的序列和注釋;配合DeepSeekR1，一組學生花費 30min 開發了切割基因組gbff文件的可視化軟件GenBankSlicerGUI，實現了對多序列注釋文件的任意切割（圖2）。實踐教學中，教師需引導學生正確認識AI的工具性特點，通過AI解決實際問題，提升分析能力，但需避免過度依賴，且尊重他人著作權[1]。

1.3利用AI完善跟蹤反饋與全過程評估機制

對學生的實驗成果進行及時有效的評估反饋是提升實踐教學質量的重要手段，常規教學依賴指導教師的精力與時間，效率不高。利用AI技術提供的智能化實驗指導與個性化反饋功能，有助于強化教學過程中“師一機一生\"協同進步。教師可利用AI系統及時對學生的作品與報告進行評估，極大提升了反饋效率；學生也可利用生成式AI對個人作品進行批判性評估和改進。如圖3所示，AI可根據學生表現和互動提供定制化反饋，以識別優勢和改進領域，自動推送具有針對性的視頻教程和模擬練習題。基于智慧樹AI平臺，對學生學習進度、實驗操作、實驗完成度、創新作品設計等進行全過程考核，并根據過程記錄與AI反饋結果提供針對性輔導。

2AI賦能普通植物病理學創新實驗課程教學改革成效

AI輔助教學明顯提升了該實驗課程的實踐教學效果。2024年春，在植物保護專業3個班級開展教學改革探索，其中2個班級開展AI輔助教學，另外1個班級采用常規教學模式。結果表明，AI輔助教學的班級學生學習活躍度明顯增加，與教師的互動頻率提升了2＼～3倍；其實踐報告更加豐富多樣，對問題的分析更具針對性；創新設計思路開闊，依據更為充分。AI輔助教學班級期末考核平均成績分別為83.5和79.0分，而常規教學模式下班級學生的平均成績為73.5分。學生評教結果顯示，AI教學班學生的課程滿意度分別為 98.88% 和 98.75% ，而常規模式教學班級的為 97.42% 。

AI教學明顯提升了學生對植物病理學的科研興趣，學生創新成果產出增加。2024年，兩個AI教學班級學生主持的大學生創新創業項目6～7項，而常規教學班僅2項；AI教學班參與創新創業類比賽的學生均超過 90% ，而常規教學班僅 74% 。2024年度，兩個AI教學班學生開發的8個小工具，已被本學科碩士研究生使用，極大提高了科研效率。此外，得益于課程中的AI應用經驗，多名學生參與了植物病害相關科研工作，針對具體生產問題取得了重要進展。例如，通過AI輔助知識檢索，學生以弼猴桃病蟲害為對象，參與開發了“弼猴桃衛士\"小程序，可拍照識別弼猴桃典型病蟲害；針對弼猴桃采后軟腐病發生率高、危害重的生產問題，借助實驗室高光譜儀器對新采摘果實進行光譜掃描，在AI輔助下建立了針對弼猴桃健康果實與軟腐病果實的分類模型，準確率達 94.3% ，為采后果實無損分選提供了技術支撐。相關成果獲全國生命科學競賽國賽三等獎，發表學術論文1篇[7]。

3結語

隨著人工智能技術的迅速發展，將其有機融入植物病理學創新實驗實踐教學，有助于為高等教育提供一條全新的質量提升路徑。生成式AI在實驗實踐類教學中可應用于互動教學、知識引擎、創新設計助手和協作導師等方面，不同課程根據具體特點可在其中一個或多個方面深耕發力，在此過程中，需發揮學生中心地位、教師指導作用和AI工具輔助功能。此外，提升教師數字素養是開展AI輔助教學的基本條件，在AI賦能模式下，教師在課程設計和實施過程中有意識地使用AI工具，將自身角色轉變為學習促進者和數據解讀者，注重激發學生的自主性與創新性，在解決實驗實踐問題中形成典型的應用案例。實踐中，普通植物病理學創新實驗教學取得明顯進展，學生的學習成績、參與度及創新能力均明顯提升。本文為相關實驗實踐教學改革提供參考，為在其他實驗性學科中推廣AI賦能教學提供經驗支持。

參考文獻

[1]王繁，劉永強，周天華.人工智能引領高等教育數字化創新發展[J].中國高等教育，2024（增刊1）：9-12.

[2]郭蕾蕾.生成式人工智能驅動教育變革：機制、風險及應對：以DeepSeek為例[J].重慶高教研究，2025，13（3）：38-47.

[3]OUYANG F，JIAO P C.Artificial intelligenceineducation：the threeparadigms[J]. Computersandeducation：artificial intelligence，2021，2：100020.

[4]劉邦奇，聶小林，王亞飛，等.生成式AI賦能教育：技術框架、應用場域及價值：2024智能教育發展研究報告[J].中國電化教育，2025（3）：61-70.

[5]張立新，檀根甲，汪章勛，等.植物病理學實驗教學改革與質量標準的探索實踐[J].內蒙古農業大學學報（社會科學版），2017，19（2）：47-51.

[6]張娜，楊文香，閆紅飛，等.新農科背景下植物病理學實驗實踐教學改革[J].智慧農業導刊，2023，3（19）：143-146.

[7]尹良芬，羅朝喜.農業高校植物病理虛擬仿真實踐教學改革探究[J].智慧農業導刊，2024，4（9）：151-154.

[8]秦磊，郭凱.生成式人工智能在酸堿中和滴定圖像模擬中的應用[J/0L].大學化學，2025：1-8.（2025-01-27）[2025-07-30]. http：//kns.cnki. net/kcms/detail/11.1815.06.20250126.1703.012.html.

[9]蔣倩，王紅麗，王海光.基于圖像處理技術的小麥條銹病嚴重度自動分級系統構建[J].植物病理學報，2024，54（2）：385-397.

[10]王海光.普通植物病理學實驗：農學專業用書[M].北京：中國農業大學出版社，2024.

[11]高巖，林穎，蘇淑文，等.實踐創新能力導向下的人工智能類實踐課程教學體系探索[J].計算機教育，2025（3）：240-246.

[12]謝武桃，金盛輝，畢朝虎，等.AI背景下影像學專業實習教學模式的探討[J].醫學理論與實踐，2023，36（8）：1426-1429.

[13]張建華，陳申寬，張曉振，等.人工智能技術在植物葉片病蟲害識別中的研究進展[J].種子科技，2023，41（16）：124-126.

[14]王金輝，趙冬梅，王逍冬.R語言在植物病理學專業教學中的應用[J].安徽農學通報，2024，30（1）：123-126.

[15]饒泓，吳佳躍，樊莉莉，等.基于AIStudio平臺的機器學習課程實踐教學[J].計算機教育，2021（6）：115-119.

[16]郭壬癸，謝佳眉.論DeepSeek類人工智能模型訓練的著作權侵權責任認定[J/OL].電子科技大學學報（社科版），2025：1-8.（2025-03-20）[2025-07-20]. https：//link.cnki.net/doi/10.14071/j.1008-8105（2025）-5009.

[17]翟依晨，張林，祝佳佳，等.獼猴桃軟腐病無損高光譜診斷技術研究[J].山地農業生物學報，2025，44（2）：78-86.（喜任纻輯 場歡）