化学工程教育中的生成式人工智能:从智能辅导到人机协作工程学习

《Education for Chemical Engineers》:Generative Artificial Intelligence in Chemical Engineering Education: From Intelligent Tutoring to Human-AI Collaborative Engineering Learning

【字体: 大 中 小 】 时间:2026年10月23日 来源:Education for Chemical Engineers 4.7

编辑推荐:

   摘要 生成式人工智能(GenAI)在化学工程教育中的应用日益广泛,然而对于如何理解各项应用与课程设计以及工程能力发展之间的联系,目前的认识仍较为碎片化。本综述通过结构化的文献识别和主题综合,探讨了这些联系。2026 年 8 月进行的 Web of Science 核心合集搜索

  

摘要
生成式人工智能(GenAI)在化学工程教育中的应用日益广泛,然而对于如何理解各项应用与课程设计以及工程能力发展之间的联系,目前的认识仍较为碎片化。本综述通过结构化的文献识别和主题综合,探讨了这些联系。2026 年 8 月进行的 Web of Science 核心合集搜索,并辅以参考文献列表核查,构成了一个包含 54 篇出版物的教育证据库,其中包括 24 篇核心化学工程或密切相关学科的出版物和 30 篇来自相关教育情境的支持性出版物。我们通过三个互补的角色对文献进行了综合:AI 作为智能导师、AI 作为学习伙伴以及 AI 作为教育基础设施。这些角色将对话式支持、协作式问题解决和集成化学习环境与不同的教学要求和学习者能力联系起来。我们开发了一个以人为本的框架,将这些角色与基础 AI 素养、学科课程内的整合以及真实的工程实践联系起来。报告的益处包括参与度、合作能力的提高以及个性化支持机会的增加,但其实现取决于教学设计、输出验证以及学习者的批判性参与。目前的证据仍不均衡且主要局限于短期,而不可靠的输出、认知依赖、评估有效性以及制度性限制阻碍了更广泛的结论。我们概述了未来在化学工程教育中负责任地整合 GenAI 的优先事项,包括可信的教育 AI、教学发展和制度支持。所提出的框架为教育工作者提供了一个概念基础,用于将 AI 的使用与学习目标保持一致,同时保留第一性原理推理、工程判断和人道责任。

引言
生成式人工智能(GenAI)正成为化学工程教育中教学变革的重要驱动力。目前,该学科面临着日益严峻的需求,要求培养不仅具备扎实学科知识,还具备复杂跨学科能力的毕业生,以应对工业 4.0 的挑战,特别是在过程安全、可持续设计和数据驱动工程实践等领域(Dobbelaere 等人,2021,Honig 等人,2024)。GenAI,特别是大语言模型(LLMs),展示了动态内容生成、多轮对话、情境化解释和交互式知识支持方面的能力,使其成为教育创新的有前景技术(Karoglou 等人,2025a,Wu 等人,2023)。其在关键教学场景中的教育潜力正变得越来越明显:它可以作为用于概念澄清的智能导师、项目式学习(PBL)的积极促进者,以及工程设计和安全培训的辅助工具(Hossain 和 Ayodele,2025)。随着机器学习和数据驱动方法在化学工程实践中的日益普及,对于能够有效与智能计算系统协作的毕业生的需求也进一步增加(?zdemir 和 Yildirim,2025)。然而,要实现这一潜力,需要解决多项挑战,包括可靠的整合、对 AI 生成输出的批判性参与,以及伦理和制度考量。

GenAI 应用在教育研究中受到了越来越多的关注,因为它们既带来了机会也带来了挑战,化学工程教育也不例外。多样的研究探讨了从评估单个 AI 工具到更广泛的教学重构、能力发展、评估和风险管理的主题。已报告的研究涵盖了不同层面的 GenAI 整合,包括直接使用 ChatGPT 等通用工具进行即时辅助(Clark 和 Tafini,2024,Tsai 等人,2023),在项目式学习中更深入的课程嵌入(Ramos 和 Condotta,2024,Yu 等人,2025),以及基于检索增强生成(RAG)架构开发专门化领域特定虚拟导师(Thway 等人,2025)。这些研究通常报告了在学生参与度、动机和合作方面的积极影响,尽管这些益处的幅度强烈依赖于教学设计和实施策略(Acuna 等人,2025,Ramos 和 Condotta,2024)。然而,这些研究也揭示了重要的局限性和情境依赖性。主要挑战包括 AI 输出可靠性在不同任务间的变异性,以及学习者在评估和验证 AI 生成信息中的关键作用(Clark 和 Tafini,2024,Ewais,2025)。研究还表明,需要结构化的教学框架来指导道德部署和培养批判性推理技能,包括 IDEE(识别、确定、确保、评估)框架和人工智能评估量表(AIAS)等方法(Acuna 等人,2025,Keith 等人,2025)。总之,这一多样化的文献体系表明,有效的 GenAI 整合不仅由技术决定,还依赖于教学设计、用户能力、批判性评估和结构化指导(Kasneci 等人,2023)。

尽管取得了这些进展,目前对化学工程教育中 GenAI 整合的理解仍在不同应用、教学方法和能力视角之间呈碎片化状态(Liu 等人,2025,Zhu 等人,2026)。现有的研究为特定工具、课程和教育干预提供了有价值的见解;然而,对于这些多样化实践如何促进更广泛的教育变革的系统性理解仍然有限。特别是,GenAI 超越个体应用的演变角色、AI 能力与工程能力发展之间的关系,以及负责任实施策略需要进一步澄清。因此,需要一个整合框架,将技术能力、教学设计和以人为本的工程教育原则联系起来。

本综述文章总结了关于在化学工程教育中使用 GenAI 的现有工作,旨在开发一个整合框架,以突出主要应用领域,检查课程整合途径,评估关于教育有效性的证据,并确定未来发展的挑战和机遇。除了总结个体应用外,本综述还进一步分析了 GenAI 在支持知识获取、工程问题解决和 AI 增强教育环境中的新兴角色,特别强调以人为本的整合和能力发展。为实现这一目标,本研究由四个具体的研究问题指导:
(1) GenAI 在化学工程教育中的主要应用场景、新兴角色和实践模式是什么,关于其教育效能有哪些证据?
(2) 将 GenAI 整合到化学工程课程中存在哪些可行的途径,包括课程设计、项目式学习和工程实践?
(3) 如何评估 GenAI 的教育影响,以及应考虑哪些与输出可靠性、AI 素养、伦理和制度准备相关的挑战?
(4) 何种以人为本的愿景和实施策略应指导未来将 AI 整合到化学工程教育中?

本综述的主要贡献总结如下:
(1) 对基于 GenAI 的化学工程教育最新发展的结构化综合。本综述提供了对近期研究 GenAI 应用、教育实践和化学工程教育中实施挑战的结构化分析。
(2) 开发理解 GenAI 新兴角色的以人为本框架。基于现有文献的主题综合,本综述开发了一个描述 GenAI 三个互联角色的框架:AI 作为智能导师、AI 作为学习伙伴以及 AI 作为教育基础设施。
(3) 对负责任 GenAI 实施和未来视角的批判性讨论。讨论了与 GenAI 采用相关的机遇和局限,包括输出可靠性、AI 素养、伦理考量、评估转型和制度准备。

本文其余部分组织如下。第 2 节描述了本综述使用的文献识别策略、筛选程序和主题综合方法。第 3 节讨论了 GenAI 在化学工程教育中的新兴应用和角色。第 4 节提出了以人为本的框架,包括课程整合策略、能力发展、负责任实施考量和未来视角。第 5 节讨论了剩余的研究需求和综述局限性,然后呈现结论。图 1.

章节片段
文献识别与筛选
本综述采用结构化的文献识别、筛选和主题综合方法,以检查 GenAI 在化学工程教育中的应用、教育角色和实施。本综述的目的并非进行正式的荟萃分析或基于 PRISMA 的系统综述,而是提供一个针对快速发展且跨学科文献体系的透明和结构化综合。在研究筛选过程中始终保留了人工判断。
用于交互辅导和概念解释的通用 LLMs
ChatGPT 等通用大语言模型是吸引人的学习工具,由于其实用性和可及性,可被化学工程教育中的学生灵活使用。它们主要帮助学习者生成对困难概念的解释,获得即时反馈,并在作业和问题解决活动中获得帮助。这些工具的一个优势是,它们可以跨不同领域提供细致和渐进的解释,范围从基础

从 AI 辅助学习到人机协作工程教育
AI 已越来越多地被纳入化学工程课程和项目,从使用单个工具转向对教学、学习和课程设计的更广泛重新考量。基于第 3 节讨论的应用和整合模式,本综述进一步从以人为本的角度解读这些发展。近期关于工程和高教中 AI 应用的评价同样表明,AI 正越来越多地影响不仅

研究需求与综述局限性
尽管 GenAI 应用在化学工程教育中发展迅速,但仍有几个重要的研究问题未解决。首要优先事项涉及教育 AI 系统的可靠性和学科有效性。未来研究应超越对 LLM 性能的一般评估,并为化学工程任务开发领域特定的评估框架、校准程序和比较基准。需要特别注意确定如何

结论
本综述显示,GenAI 正超越其初始的补充工具角色,日益整合到化学工程教育的各个方面。在所审查的研究中,GenAI 已被用于提供对话式和即时学习支持,支持项目式学习和工程问题解决,促进专业和实验室活动,并为更具适应性和数字集成的学习环境做出贡献。基于

稿件准备过程中生成式人工智能和人工智能辅助技术的声明
作者在文献分析和总结、稿件结构的讨论以及语言修订方面使用了 OpenAI GPT-5.6 模型进行辅助。GenAI 未被用于执行数据库搜索或做出自主的研究选择决定。作者对 AI 辅助的材料进行了批判性审查和修订,对照原始来源核查了文献相关的陈述,并对所有解释和结论承担责任。作者接受全部

CRediT 作者贡献声明
Xin He:撰写——初稿,方法论,概念化。Xingdong Qiu:撰写——审查与编辑,监督。

利益冲突声明
作者声明他们没有已知的竞争经济利益或个人关系,这些利益或关系可能会影响本文所报告的工作。

致谢
本工作得到了成都理工大学 2024–2026 年高等教育人才培养质量和教学改革项目(编号 JG2430065)的支持。

Xin He | Xingdong Qiu
成都理工大学材料与化学化工学院,中国成都 610059
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号