系统综述：GenAI教育研究仍处于起步阶段

推荐语

GenAI教育研究仍处于探索期，如何有效整合到课堂实践成为关键挑战。

核心内容：
1. GenAI在科学教育中的潜力与风险分析
2. 当前研究集中在性能测试而非教学整合
3. 开放式能力框架对传统教育模式的颠覆性影响

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

自 2022 年 11 月 ChatGPT 公开以来，它迅速引发教育和科学研究界的关注，改变了科研和教学的部分方式。GenAI 在科学教育中有潜力简化学生参与科学研究和实践的过程（如生成课程大纲、评估学生表现、辅助科学探究），但也存在信息准确性、学术诚信、学习依赖等风险。

然而问题是，目前多数研究仍停留在“看看 GenAI 能做什么”的阶段，而不是“如何在课堂中有效用好它”。

这个情况的确是之前从没遇到过的，之前一个工具能做什么，大家心里是基本有个数的，而GenAI能做什么，即使是诺奖得主、OpenAI科学家，也不能逐场景穷举——这是一种让用户自己思考它能干什么的技术。

乔布斯说过一句话：很多时候，人们在你展示给他们之前，并不知道自己想要什么。

A lot of times, people don’t know what they want until you show it to them.”

可是，这句话在GenAI时代并不适用，GenAI 的潜力不是由产品经理定义的，而是由每个用户的想象力和迭代速度决定的——他的功能不是由开发者一次性定义，而是由用户、社区、甚至 AI 自己不断“发明”出来。

或者更形象地说：

• 旧时代：产品 → 用户适应产品

• GenAI 时代：能力框架 → 用户定义产品
  
  

GenAI不是一个封闭功能集合，而是一个开放式的能力空间（open-ended capability space）。

今天要分享的研究《生成式人工智能：科学教育的新前沿——基于 Web of Science 文献的系统综述》，综述了 2022 年以来 Web of Science 收录的 41 篇关于生成式人工智能（GenAI，主要是 ChatGPT）在科学教育中的应用。目的是分析 GenAI 在科学教育中的使用领域、应用方式、研究方法、参与者类型，以及其在教学中的角色与效果。

一、GenAI在科学教育中的潜力与挑战

GenAI 在科学教育中有潜力简化学生参与科学研究和实践的过程（如生成课程大纲、评估学生表现、辅助科学探究），但也存在信息准确性、学术诚信、学习依赖等风险。当前相关研究较多集中在性能测试，缺乏系统探讨如何将其有效整合到科学教学与学习中。

在科学研究中，GenAI 已用于药物设计、气候建模等领域，推动了科学本质（NOS）的转型，但科学教育是否以及如何反映这种转型，仍不清楚。

教育者需要“明智且有策略地”在科学问题的学习、解决与推理中使用 GenAI。

在此背景下，文章旨在通过系统综述的方式，分析 2022 年以来 Web of Science 收录的、聚焦于 GenAI 在科学教育中的应用研究，回答以下问题：

1. 在哪些科学学科、主题和应用层级中整合了 GenAI？
   
   

2. GenAI 在科学教学过程中的位置（包括师生使用的层级与方式、学生中心度）。
   
   
3. 研究方法倾向——涉及的文章类型、数据收集方式、研究模式，以及是否使用技术整合模型。
   
   

同时，作者希望通过引入 PICRAT 技术整合模型，补足此前综述研究在理论分析框架上的不足，呈现一个更全面的 GenAI 在科学教育中应用的现状图景。

二、将 PICRAT 作为理论分析框架

PICRAT 是一个分析教育技术在教学中整合程度的模型，由两条轴构成：

• R（Replacement，替代）：仅用技术替代原有工具或媒介（例如，把纸质讲义变成 PDF 给学生）。

• A（Amplification，增强）：技术提升了教学效率或效果（例如，用动画或交互模拟演示物理原理）。

• T（Transformation，转化）：技术让传统教学中不可能的活动成为可能（例如，用实时仿真或虚拟实验让学生做高危或超复杂实验）。
  
  

• P（Passive，被动）：学生只是观看或接收内容。

• I（Interactive，互动）：学生通过技术与内容进行互动。

• C（Creative，创造）：学生用技术创造新作品或解决问题。
  
  

组合起来就是 3×3 矩阵，例如 PR（Passive–Replacement）、IT（Interactive–Transformation） 等。

研究者用 PICRAT 对 41 篇文章逐一编码，看 GenAI 应用处在哪个格子，例如：

• 替代+被动（PR）：学生只是看 GenAI 生成的答案，不参与加工（最常见）。

• 互动+转化（IT）：学生与 GenAI 深度互动，完成传统课堂中做不到的任务（极少出现）。

• 创造+替代（CR）：学生用 GenAI 生成内容并进行改写或创新（仅个别案例）
  
  

本研究发现，大多数研究落在 R（替代） 层级，且学生是被动的（P），说明 GenAI 主要被当作替代性工具，而不是推动教学模式创新的核心力量；真正达到 T（转化） 或 C（创造） 层级的案例很少，这也是作者强调未来需要努力的方向。

三、研究发现

1.学科与主题分布

化学教育研究最多（12 篇，29%），其次是物理教育（7 篇）、生物教育（2 篇）。

41% 的研究没有指明具体学科，而是讨论科学教育整体或跨学科主题。

主题上：

• 化学集中在基础化学概念（原子、化学键、酸碱等）；

• 物理集中在通用物理概念（力学、热学、电磁学等）；

• 少量涉及环境、可持续发展、生理学等。
  
  

2. 研究目的与 GenAI 使用方式

• 评估 GenAI 工具性能（21 篇，51%），如解题能力、写实验报告的质量。
  
  

• 其次是开发 AI 解决方案（7%）、评估学生表现（7%）。
  
  

• 直接丰富课堂教学的研究极少（仅 1 篇，2%）。
  
  

说明多数研究仍停留在“看看 GenAI 能做什么”的阶段，而不是“如何在课堂中有效用好它”。

3.学生中心度

• 大多数研究没有让学生直接使用 GenAI（29 篇）。
  
  

• 只有 5 篇是完全学生自主使用（student-centered），7 篇为有指导使用（guided）。
  
  

• 说明学生主动使用 GenAI 进行探究或创作的情境很少。

故，GenAI 在科学教育中的应用仍处于起步阶段，主要是工具测试与替代性应用，缺乏深度整合和创新教学设计。学生主动参与度低，教学转化性应用不足，相关的课程与教学设计仍非常少，未来需要针对性探索如何将这些变化纳入科学教学中。

经过超半年的尝试，我运营的「教育学人AIED知识社区」已经逐步和一些老师们形成了一个学习共同体。目前主要是我的日常分享和三个专栏——「AI时代的教育」、「标准和框架」、「教育学经典讲读」，「当代教学理念潮流」。专栏依托于不同类型的优质资源的分析和解读（由我和粉丝们共同选出），「日常分享」结合实事和大家的疑问进行更新（如：GPT-5使用心得、不同学者和机构对创新的定义等...）