人機協同助力生物學單元作業設計

近年來，生成式人工智能在教育領域的應用受到廣泛關注。生成式人工智能作為基于深度學習技術的人工智能分支，能夠自主創造文本、圖像、音頻甚至視頻等內容。與傳統分析型人工智能不同，生成式人工智能不僅能理解和處理已有信息，而且能生成全新原創內容[11。2025年5月，教育部基礎教育教學指導委員會發布《中小學生成式人工智能使用指南（2025年版）》強調，教育工作者應通過持續學習掌握智能技術相關知識與技能，提升人工智能素養[2]。在高中生物學教學中，單元作業作為鞏固知識與培養能力的重要環節，在設計方式上長期存在內容單一、缺乏個性化等問題，難以滿足學生多樣化的學習需求。基于此，本文以DeepSeek平臺為例，探索生成式人工智能在高中生物學單元作業設計中的人機結合路徑，旨在為高中生物學單元作業設計提供新的思路與啟示。

一、生成式人工智能輔助高中生物學單元作業設計

（一）傳統單元作業設計流程

在傳統單元作業設計流程中（如圖1），教師首先需依據《普通高中生物學課程標準（2017年版2020年修訂）》中的學科核心素養、內容要求及命題建議，結合教材內容和學情，明確單元核心知識點與技能要求，制訂具體、可測量的學習目標并設計單元作業框架[3]。隨后，教師根據作業目標與框架，結合具體知識點設計多樣化的作業類型，分層設置難度，創設問題情境，采用選編、改編和創編等方式組織作業任務與題目。

設計完成后，教師需對作業進行分析調整，并整合相關教學資源，形成完整的作業方案。最后，教師合理安排作業并批改，通過學生的反饋對作業進行反思與優化，確保作業設計的系統性和有效性。然而，由于教師精力與時間有限，高效且系統的單元作業設計面臨諸多挑戰。在此背景下，生成式人工智能的出現為生物學單元作業設計提供了創新的解決方案。

圖1傳統單元作業設計流程

（二）生成式人工智能輔助單元作業設計流程

生成式人工智能輔助單元作業設計（如圖2）需要明確的單元目標與作業框架。教師可以通過向生成式人工智能平臺上傳相關材料并輸入指令，借助其分析能力生成可視化的作業自標框架，作為單元作業設計的依據。在設計題目時，教師需明確生成式人工智能的任務，設計合適的提示語并設定具體的作業生成條件，確保生成內容的針對性和科學性。生成式人工智能完成作業設計后，教師需對其生成的作業進行審查、分析與調整，確保其符合教學需求和學生認知水平。經過優化的作業可正式布置給學生，教師對學生的作業反饋信息進行深入分析，為后續教學策略的調整和作業設計的優化提供依據。這一流程在提升作業設計效率的同時確保了作業內容的科學性和適切性，為教學目標的實現提供了有力支持。

圖2生成式人工智能輔助單元作業設計流程

二、基于DeepSeek平臺的生物學單元作業設計案例分析

（一）構建作業框架

以“生物的進化”單元作業設計為例，在明確單元目標并建立作業框架的基礎上（見表1），借助DeepSeek平臺設計一道關于“種群基因組成變化”的綜合探究類作業題目，旨在引導學生運用課堂所學的概念與技能，解決新情境中的問題，從而培養其科學思維、探究能力以及相關的社會責任。相較于基礎類作業，綜合探究類作業的設計對生成式人工智能的要求更高。

（二）設計提示語與指令

在引導DeepSeek設計具體題目時，可采用“背景式提問”方式，即通過賦予生成式人工智能特定的角色與任務，使其生成更具針對性的回答。背景式提問的優勢在于能夠明確任務背景與目標，從而提高生成內容的質量與相關性。常用的結構化模板為ROBC指令模板，該模板能夠清晰傳達用戶的需求與期望，確保生成內容與教學目標高度契合。然而，模板并非固定不變，可以根據具體命題需求進行動態優化與調整。基于ROBC指令模板，結合具體命題情境，本研究為DeepSeek設計了如下指令（見表2）。

表1種群基因組成的變化作業框架

表2指令模板與示例

（三）優化生成的題目

在進行題目優化時，由于上一步已為DeepSeek設定了明確的角色與背景，因此可采用“直線式提問”方式，即直接提出具體需求或詢問關鍵問題。在對DeepSeek生成的題目進行審閱與分析后，教師可通過多輪對話引導DeepSeek調整題目表述或補充關鍵信息（本文僅呈現五輪對話示例，見表3）。此外，教師還可通過指令引導DeepSeek對已生成題目的不足之處進行分析，并針對這些不足進行迭代優化，從而不斷增強題目設計的科學性與適切性。

（四）題目的呈現

從五輪對話后呈現的作業題目（如圖3，掃碼查看）來看，DeepSeek能夠理解并執行大多數指令。盡管在面對某些復雜指令時需要通過多輪對話才能達到預期效果，但這恰恰體現了其對復雜指令的適應性與迭代優化能力。題目設計圍繞“自然選擇”“抗生素耐藥性”“基因頻率變化”等教學重點內容展開，初始題干以簡潔的描述引入：“為了探究抗生素對細菌的選擇作用，某研究小組設計了一項實驗”，這一背景信息較為簡單，難以激發學生興趣。教師與DeepSeek多輪對話，最終生成了第一視角的真實問題情境一一“寵物狗‘豆豆’的皮膚病治療”，貼近生活實際，能激發學生的興趣和同理心。模擬真實醫療場景引入抗生素耐藥性問題，體現了生物學知識的現實意義。在問題設置上進行多層次的任務設計：基礎層通過填空題鞏固核心知識（任務1），進階層引入實驗數據分析（任務2），高階層則設置推理預測（任務3）與實驗設計（任務4）內容，最后進行實踐討論（任務5），培養學生綜合運用知識解決實際問題的能力。題自整體呈現出“概念認知 $$ 數據分析 $$ 理論應用 $$ 實驗設計 $$ 社會議題討論”的完整能力培養鏈條，不僅考查了學生的知識掌握程度，更培養了其分析推理、科學探究和實踐創新能力。

表3多輪對話的指令與分析

三、總結與思考

（一）生成式人工智能展現輔助潛力

生成式人工智能（如DeepSeek）憑借強大的自然語言處理與內容生成能力，能夠有效替代教師在作業設計中的人工收集與資料整理過程。與傳統作業設計相比，生成式人工智能可在短時間內生成多樣化的作業題目，顯著提升設計效率。在綜合探究類作業設計中，教師通常需耗費大量時間查閱文獻或重復實驗以獲取數據，而在“探究抗生素對細菌的選擇作用”綜合探究題目設計過程中，生成式人工智能快速整合資源，生成了題目設計所需的相關細菌實驗數據并能依據教師需求不斷調整數據，極大地減輕了教師的負擔，展現了生成式人工智能在教育教學領域的廣闊應用前景。

（二）人機協同模式優化作業設計

生成式人工智能并非完全替代教師角色，而是通過人機協同的方式優化作業設計流程。在作業設計過程中，教師通過提供明確的指令賦予生成式人工智能高中生物學作業設計專家的角色，引導其初步生成了“探究抗生素對細菌的選擇作用”綜合探究作業題目。教師需要對初步生成的作業內容進行審閱，通過多輪對話向生成式人工智能提出“豐富實驗數據”“創設真實問題情境”“增加基礎填空題”等需求來逐步優化題目，采用“背景式提問”與“直線式提問”等方式，靈活調整情境設置、題目難度與考查目標，最終生成符合學生認知水平與學科素養要求的作業題目。這種人機協同模式為教育教學技術的應用提供了新思路。

（三）生成式人工智能專業性有待提升

盡管生成式人工智能在作業設計中展現出顯著優勢，但在生物學這一專業性較強的學科中，其生成內容仍存在一定局限性。這主要源于人工智能大模型所依賴的訓練數據多為通用資料，納入的科研文獻較少，導致其專業性不足，難以完全模擬專業命題者的思維方式與技能水平。智能工具雖然能生成符合基本要求的題目，但在題自的深度與邏輯性方面仍需人工優化。例如，生成式人工智能最初直接遷移教材內容創設情境，呈現基礎培養實驗，經生物學教師專業引導聚焦“寵物醫藥”方向后，才設計出貼近生活實際的“寵物狗豆豆的皮膚病治療”的問題情境，通過真實醫療場景引入抗生素耐藥性問題。這表明：生成式人工智能自前更適合作為輔助工具，而非完全替代教師的專業判斷與設計能力[4]。

（四）警惕技術依賴，平衡人機關系

生成式人工智能輔助單元作業設計，可以在一定程度上提升教師設計作業的效率與創新性，但也可能帶來技術依賴的風險。過度依賴生成式人工智能的快速生成會導致教師在作業設計中的主體性減弱，特別是在教學設計、題自創新與學科思維培養等方面的能力發展受到抑制，減少對學科核心素養、學生認知水平及教學目標的深度思考，影響教學設計的自主性與創造性。因此，教師在應用生成式人工智能時，一方面需要不斷發展本體知識與教法知識，才能在專業判斷的基礎上應用生成式人工智能；另一方面要學會訓練生成式人工智能，使其從“唯命是從的助手”轉變為“充滿智慧的助教”，協助教師引導學生學會提問、學會思考和學會創造[5，從而實現技術與教育教學的深度融合與協同發展。

注：本文系全國教育科學“十四五”規劃2022年度教育部重點課題“中學生科學推理能力的評價研究”（項目號：DHA220396）的研究成果。

參考文獻

[1]周玲，王烽．生成式人工智能的教育啟示：讓每個人成為他自己[J].中國電化教育，2023（5）：9-14.

[2]教育部基礎教育教學指導委員會.中小學生成式人工智能使用指南：2025年版[EB/0L].（2025-05-13）[2025-06-16].https：//www.cse.edu.cn/index/detail.html？category=31amp;id=4242.

[3]中華人民共和國教育部.普通高中生物學課程標準：2017年版2020年修訂[S].北京：人民教育出版社，2020：4.

[4]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（3）：38-47.

[5]閆寒冰.慎思篤行：GAI教育應用中的冷思考[J].中小學數字化教學，2025（5）：1.

（作者系陜西師范大學生命科學學院研究生）

責任編輯：祝元志