生成式人工智能在高等教育教学设计中的应用:AI角色、教育者能力与专业发展路径的系统综述

《Computers》:Generative AI in Higher Education Instructional Design: A Systematic Review of AI Roles, Educator Competences, and Professional Development Approaches

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computers 5.2

编辑推荐:

  摘要专业翻译 高等教育(Higher Education, HE)教育者已迅速将生成式人工智能(Generative Artificial Intelligence, GenAI)应用于教学设计(Instructional Design, ID),然而关于这一

  
摘要专业翻译 高等教育(Higher Education, HE)教育者已迅速将生成式人工智能(Generative Artificial Intelligence, GenAI)应用于教学设计(Instructional Design, ID),然而关于这一面向教育者使用方式的证据仍然零散。本项基于PRISMA指南的定性系统综述综合了78项研究(2022–2026),旨在考察:AI支持的教学设计活动在ADDIE各阶段、功能性AI角色以及实践者与职前教师教育情境之间的分布情况;该实践对教育者所要求的能力与人类监督实践;以及为培养这些能力所记载的专业发展(Professional Development, PD)路径。文献记载的活动集中于设计(Design)阶段(95%的研究),而实施(Implementation)与评价(Evaluation)阶段在很大程度上仍未得到考察。大多数研究(76%)未采用任何命名的能力框架;研究归纳出七个能力簇,其中伦理意识与偏见检测反复出现但操作化程度薄弱,提示这可能是一种感知性而非陈述性缺陷。人类监督在58%的研究中被明确承诺,但仅有21项研究(27%)对其进行了实证考察;本综述整合了五种核心监督机制及两种新兴机制,针对这些机制的量化证据仍然稀疏且不均衡。该语料库识别出六类专业发展路径家族,其中嵌入伦理检查点与基于表现的评价是证据支持最为充分的设计特征。本综述为AI支持的教学设计提供了一个系统化解释,在该实践中,教育者的设计专长而非技术的生成流畅性仍是组织核心。

论文主体内容总结

1. 引言

论文指出,基于大语言模型(Large Language Model, LLM)的生成式人工智能系统于2022年末公开发布后,开启了GenAI快速、不均衡且大体上未经规划地融入高等教育实践的时期。教育者在数月内即使用这些工具生成课程内容、起草学习目标、设计评估并创建教学材料,其采用速度远超证据产出速度。研究者将当前阶段理解为更长轨迹中的第三阶段:早期人工智能教育(Artificial Intelligence in Education, AIED)研究集中于智能辅导系统、学习者建模与自适应平台等面向学生的应用;生成式转向改变了参与条件,使任何具备浏览器的教育者都能将通用生成系统导向任意设计任务,从而将AI从专家实验室移入教育者的日常工作流程。论文强调教学设计(Instructional Design, ID)与教学(teaching)的区分:教学设计是系统化的专业过程,包括学习者与情境分析、目标确定、策略选择、材料开发以及评估与评价规划。当GenAI进入这一过程时,它不仅是自动化常规起草与格式化,还参与构成教学设计本身的目标、排序、活动与评估决策。论文指出,教育者视角仍然代表性不足,Zawacki-Richter等人于2019年首次提出"教育者在哪里"的问题,截至2024年的综述仍表明该问题未获解决。论文还指出,在线与远程高等教育中设计决策的制度权重更高,因此GenAI重塑设计决策方式的证据在该领域最为迫切。该研究是两阶段研究计划的第二步,第一阶段以会议论文形式报告了20项实践者研究的图谱。

2. 背景

2.1 高等教育中的教学设计

教学设计是将学习目标转化为教学材料、活动与评估并评价其有效性的系统过程。在高等教育中,ID以两种制度形态运作:作为专业分工(教学设计者支持教师,尤其在在线与混合式教学中)和作为分布式学术实践(教师自行设计课程,通常未经正式ID训练)。ADDIE模型(分析、设计、开发、实施、评价)是最广泛引用的系统化ID框架。论文选择ADDIE作为分析映射框架基于三个原因:其五阶段提供了完整且可互认的设计过程图谱;ADDIE在学习理论层面刻意保持模型无关性;其迭代结构编码了系统化ID的质量改进逻辑。

2.2 用于教学设计的生成式人工智能

GenAI系统响应自然语言提示生成内容,其输出流畅且语境上合理但未经核实,易出现事实错误(幻觉)、放大训练数据中嵌入的偏见,以及表面合理性与实质准确性之间的系统性不匹配。这些技术属性对教学设计具有直接的专业含义:系统化教育者评价AI输出不是可选项而是结构性必需。文献记载的GenAI支持几乎覆盖ID工作的每个功能领域:学习者和情境分析、课程图谱与结构、学习目标制定、活动与评估设计、材料开发、个性化、反馈与可及性。最新文献进一步扩展:多智能体系统起草完整课程包供教师审查,检索增强系统将设计支持植根于机构教学知识,LLM分析教案质量本身的可靠性正被系统评价,AI生成的设计制品反馈已与专家反馈进行盲法比较。证据基础的两个特征推动了系统综述:质量评价结果令人警醒(仅38.3%的AI生成学习目标无需修改即满足全部质量标准);证据分散于学科、方法与术语之间,缺乏共享分析结构。

2.3 人机协作与监督

论文引入人机混合系统研究的理论词汇:人在环路(human-in-the-loop)安排中,人类在每项重大AI行动生效前进行验证或纠正;人在环上(human-on-the-loop)安排中,AI自主运行而人类监控并保留干预权。以人为本的AI设计认为这些不是固定点而是设计空间。在教学设计中,这些概念将教育者定位为混合配置中的问责决策者:设计者指定意图,AI生成候选设计内容,结果质量取决于设计者评价、纠正、采纳或拒绝该内容的监督机制。

2.4 教育中的负责任AI:政策背景

监督问题也是正在形成的国际政策架构的核心要求。UNESCO的生成式AI教育指南要求以人为本的方法,AI增强而非取代教育者判断,并要求机构验证教学中使用的AI输出。OECD的数字教育分析将人类监督和有效治理定位为可信教育AI的前提。欧盟委员会的教育者伦理指南阐述了人类能动性与监督、透明度、公平性和问责制的要求。最具影响力的是欧盟人工智能法案(EU AI Act),建立了具有约束力的基于风险的监管制度,其中若干教育AI用途被归类为高风险,触发人类监督和透明度的明确义务。

2.5 教育者能力框架

论文回顾了多个框架:TPACK框架概念化技术、教学法与内容知识的交叉;DigCompEdu组织六个领域的22项能力;AI素养框架规定了发展性进程——知晓与理解、使用与应用、评价与创造,外加伦理意识;智能TPACK(Intelligent-TPACK)以AI特定知识领域扩展TPACK,并在每个领域内嵌入四方面伦理主线(透明度、公平性、问责制、包容性);UNESCO教师AI能力框架定义了五个能力维度。论文指出,这些框架描述了教育者总体上应了解AI的内容,但没有一个是为本综述考察的具体专业实践——在教学设计决策中使用GenAI——而构建的。

2.6 研究问题

四个研究问题按层级排列:RQ1考察AI支持的教学设计活动在ADDIE阶段和功能性AI角色间的分布及其在实践者与职前教师教育情境间的差异;RQ2考察文献中应用的能力框架及从记载实践中涌现的能力簇;RQ3考察人类监督在实践中的操作化方式;RQ4考察记载的专业发展路径及其设计特征。

3. 材料与方法

3.1 检索策略

综述遵循PRISMA 2020声明。电子检索覆盖三个数据库:ERIC、Scopus和Web of Science。检索期从2022年11月至2026年10月;首次检索于2025年2月执行,2026年10月16日以相同字符串重新运行。检索字符串结合三个概念块:生成式AI或大语言模型或ChatGPT或GPT,与教学设计或课程设计或教案规划或课程设计或学习设计,与高等教育或大学或教师或教育者。

3.2 资格标准与选择

记录按六项纳入标准筛选:高等教育教育者或在高等教育机构注册的职前教师为参与者;AI用作面向教育者的ID工具;教育者ID活动为研究对象;高等教育机构情境;英文发表;同行评审期刊论文或会议论文。面向教育者(educator-facing)意味着教育者将AI用作专业设计工具。排除标准包括无设计活动的技术接受与感知研究、学生结果研究、无记载实践的评论文章以及行政性AI应用。共导出1692条记录,去重后保留1329条唯一记录。标题与摘要筛选排除1088条,评估219篇全文,最终纳入78项研究。78项研究构成两个分析集合:46项定位实践中的高等教育教育者,32项定位于职前教师教育。

3.3 数据提取与编码

数据提取入结构化电子表格,分四个模块:书目信息、设计情境、AI角色与人类监督、研究特征。ADDIE阶段编码要求记载的活动而非附带提及。AI角色编码中,三个角色从分析中涌现:生成性(Generative,AI按教育者指示产生设计内容)、支架性(Scaffolding,AI结构化教育者自身的设计推理)和评价性(Evaluative,AI评价设计制品质量)。监督编码在两个层面进行:序数层面(明确承诺、中等、最少或无)和机制层面。能力编码使用Intelligent-TPACK领域和AI素养进程作为敏化透镜,同时允许主题性涌现。方法学质量使用混合方法评价工具(Mixed Methods Appraisal Tool, MMAT 2018版)评估。

4. 结果

4.1 RQ1:跨情境的AI支持教学设计图谱

语料库包含2022–2026年间的78项研究,约五分之四的证据基础发表于2025–2026年。实践者组包含46项研究(59%),职前组32项(41%)。工具格局迅速多样化:不到一半的2025–2026年研究仅依赖ChatGPT,Claude、DeepSeek、Microsoft Copilot、Kimi、开源模型(Qwen、LLaMA)和专用教育代理均有记载。四个主要结果:第一,AI支持结构性集中——设计阶段活动近乎普遍(74/78,95%),开发阶段出现在略超半数研究中(44/78,56%),而分析(11/78,14%)、评价(10/78,13%)和实施(7/78,9%)显著代表性不足;无研究考察完整ADDIE周期中的AI支持。第二,在设计阶段内,AI支持四类设计决策——学习活动、学习目标、课程结构和评估——学习目标制定受到最严格评价:仅38.3%的AI生成学习目标无需修改即满足全部质量标准。第三,识别出三个非排他性AI角色:生成性(75/78,96%)、支架性(27/78,35%)和评价性(16/78,21%)。第四,ChatGPT仍是最常用工具(50/78,64%),但多模型比较正在出现。按情境组分解图谱揭示了鲜明的职前模式:设计阶段活动在那里是普遍的(32/32),分析与实施缺失,评价仅在一项研究中记载;支架性角色出现在半数职前研究(16/32)中,而实践者研究约为四分之一(11/46);监督是分层的,教师教育者监督职前教师对AI的监督。这一比较产生了一个具有直接后果的发现:在综述文献中,职前组充当了AI支持实践刻意设计的实验室。

4.2 RQ2:教育者能力

4.2.1 能力框架

语料库的一个显著特征是命名能力框架的稀缺:78项研究中的59项(76%)从未经理论映射的记载实践中推断能力,仅19项应用了命名能力或教师知识框架。TPACK及其变体主导这些应用(17项研究),作为分析透镜富有成效但超出其原始范围;其余两项借鉴AI素养和教学内容知识精炼共识模型。AI特定TPACK扩展——Intelligent-TPACK及相关变体——出现在五项研究中。值得注意的是,政策层面框架均未被用作分析框架:UNESCO框架仅作为综合AI素养成分的来源或对齐参考出现,DigCompEdu仅被附带提及。这表明双向脱节:实证研究大体上未经理论化推进,而旨在指导实践的框架在ID情境中仍未经验证。

4.2.2 能力簇

主题综合识别出七个能力簇。提示工程是最持续记载的簇,证据揭示了发展谱系而非单一技能:教育者通常从通用指令遵循提示开始,通过迭代、反馈或结构化训练,向情境精确、教学法有据的提示发展。批判性评价是实证支持最充分的簇,证据令人警醒:职前教师对自身解读聊天机器人生成内容能力的评价显著高于外部评估者的评价,信心与能力之间的分歧在另一项研究中重现。伦理意识与偏见检测是最具后果性且最不发达的簇:职前教师默认诉诸事实准确性检查——一种认知上可及的评价形式——而系统性地未能检测微妙偏见;参与者将政治平衡的回应解释为中立证据而未识别训练模型偏见,识别AI生成问题中的单一文化姓名选择却未将其与系统性训练数据偏见联系起来。这些发现表明,伦理能力主要不是知识缺陷而是感知缺陷:教育者能说出伦理风险却无法在实践中检测它们。框架缺口未见弥合迹象:尚无专门为GenAI支持的教学设计构建的能力框架出现在语料库中。

4.3 RQ3:人类监督的操作化

几乎所有研究(75/78,96%)都描述了人类审查AI生成内容作为记载实践的一部分,45项(58%)以明确承诺并辅以具体审查实践的方式进行,但监督作为原则被断言远多于作为实践被考察。五类核心监督机制的类型学被整合并扩展了两种新兴机制:伦理检查点、量规评价、迭代提示、专家辅导、专业谨慎,以及可配置的人在环路模式和对话式关键朋友协议。从断言到考察的转变正在开始:21项研究(27%)现在通过标准基础评分、盲法量规评价、AI与人类评分比较、教育者评价修订或拒绝AI输出的分析、关键评价行为的痕迹分析、伦理检查点制度下设计制品的比较以及人类参与配置的系统比较来实证考察监督。两个结构性发现:证据不对称——量化评估集中于输出质量的量规评价,直接比较性证据稀疏且异质;教师教育特有的分层现象——职前研究增加了实践者语料库中不存在的两层监督结构,教育者培训生对AI的监督本身由教师教育者监督。仅少数研究将特定监督安排与设计输出或设计质量的差异联系起来,现有证据过于稀疏和异质,无法支持机制层面的结论。

4.4 RQ4:专业发展路径

记载PD干预或发展情境的研究综合为六类路径家族:嵌入式模块、学期长微学习、紧凑嵌入式模块、结构化提示训练、自导学习、反思性实践者叙述。各家族在持续时间(两周至整个学期)、结构(嵌入式模块至自导学习)和证据严谨性(前后混合方法设计至反思性实践者叙述)上差异显著。结果证据对嵌入式模块方法最强:一项三周模块在全部六个Intelligent-TPACK领域报告了统计显著增益,效应量为中至大,并记载伦理决策检查点与教案制品中更明确的保障措施同时出现;配套两周研究发现知识和信心快速增益但识别偏见为最弱的新兴能力。区分证据最严谨干预的三个设计特征:伦理作为分布式实践而非独立环节嵌入;基于表现的能力评估——教案、决策日志、微教学——直接由自我报告已证明的不可靠性驱动;提示工程发展为反思性、教学法有据的实践而非技术指导。反思作为跨方法的设计特征反复出现,是合理的发展机制。持久局限仍然存在:伦理知识尽管采用框架基础、多方法设计仍然薄弱;自导实践者学习产生最不可迁移的证据;无研究在干预期后跟踪参与者。

5. 讨论

5.1 与既有文献的关系

研究领域将GenAI主要视为生产设计、材料和评估的工具,而非完整教学设计周期的一部分。这一发现既确认又重构了AIED文献的既定批评:与先前按应用类型或利益相关者组织证据的综述不同,ADDIE映射分析使实践内部的不平衡可见——不仅是教育者被研究不足,而且其设计工作中对质量保证最具后果性的部分——分析与评价——是最少被考察的。三个可能的机制可解释设计阶段集中:工具可供性(生成模型在架构上优化于内容生产)、工作量显著性(课程准备被视为时间密集型工作负载,是效率寻求采用的天然目标)和证据可及性(设计与开发产生可立即检查的制品,而分析与评价涉及分散于时间、行动者和数据源的判断)。

5.2 理论含义

从工具到设计伙伴。透过人机协作透镜,综述的主要发现——设计阶段集中、生成性角色主导和监督缺口——不是三个独立观察,而是与单一潜在模式一致:生成式AI在高等教育教学设计中主要作为生产力增强工具而非设计伙伴被采用。生产力框架可解释阶段集中、角色分布和监督缺口。反模式以胚胎形式可见:支架性部署勾勒了混合配置,AI作为设计思维的伙伴和激发物,教育者的评价判断处于实践中心而非作为其残余。领域现在面临的演进因此主要不是技术性的而是配置性的:人机ID实践是围绕生产自动化还是设计推理增强而巩固。
能动性连续体与初步反向模式。生成性—支架性—评价性分类学描述了教育者与机器之间认知工作分配的连续体。跨语料库的一个初步模式值得强调:AI支持ID的教学价值似乎与教育者委托给AI的认知工作量成反比。最丰富的专业学习结果出现在AI生成最少且支架最多的情境;最严峻的质量问题出现在AI承载最重生成负载之处。鉴于研究设计和结果测量的异质性,这应作为未来研究的假设而非既定关系。质量缺陷也可能不仅归因于委托配置本身,还归因于当前通用系统的局限——这些系统未针对教学设计的特定需求进行训练,从而涉及第三个较少可见的行动者:底层系统的开发者与训练者。
ADDIE的事实线性化。当AI加速设计与开发而分析与评价保持手动或被绕过时,设计经济学可能转变:生产新内容比评价现有内容是否有效更便宜。当评价确实发生时,其输出倾向于喂养新内容生产而非现有设计的系统化再设计,强化线性漂移。从评价回到分析的未考察反馈回路因此不仅是研究缺口,可能标志着设计实践中正在涌现的结构性变化,将颠倒系统化ID框架所构建的质量逻辑。框架缺口加剧了这一风险:问题不在于教育者缺乏能力,而在于文献很少使用共享框架来定义或评估其寻求发展的能力。四分之三的研究(76%)在无命名能力框架下运作,领域缺乏通过其集体识别这种结构性漂移的共享词汇。
伦理作为感知专长。趋同的伦理发现——默认诉诸准确性检查而忽视系统性偏见、高技术信心下伦理知识薄弱、自我评估与外部评估分歧——允许比"意识不足"更精确的诊断。它们表明感知性而非陈述性缺陷:在教育者那里,检测AI生成教学内容中的偏见是一种训练出的模式识别能力,通过反复、反馈丰富的实例遭遇而构建,而非通过关于偏见的通用陈述性教学。这一框架解释了嵌入检查点干预为何成功而意识提升平台化,以及为何偏见检测即使在干预后仍是最弱能力:感知专长可能比陈述性知识或工具流畅性发展更慢。

5.3 政策与实践含义

本综述最清晰的贡献之一是表明文献将人类监督作为原则认可,同时提供有限证据说明哪些机制实际改善设计输出或教育者决策。对大学和机构治理而言,这一缺口具有监管权重:EU AI Act使人类监督成为高风险教育AI用途的约束性义务,国际指南趋同于同一期望——但本综述发现监督在58%的研究中被明确承诺,仅21项(27%)被实证考察。强制"人类监督"而不指定机制的政策有名义合规的风险。质量保证框架需要操作内容:审查协议、质量标准、记载的检查点。对教学设计者和教师而言,仅38.3%的AI生成学习目标无需修改即满足全部质量标准的发现提醒AI生成的设计制品是需要系统审查的草稿。对PD提供者和设计者而言,区分证据最严谨方法的特征——嵌入伦理检查点、基于表现的评价和反思性提示工程——提供了具体模板。对政策制定者而言,监督缺口表明强制监督而不指定机制是不够的:政策工具应引用具体、可审计的实践。对远程和在线机构而言,语料库中远程高等教育情境的稀缺应被解读为警告:设计决策承载最大规模的部门目前拥有AI支持设计实践最薄的证据基础。

5.4 局限

证据基础方面:英文检索低估了其他语言发表的研究;语料库方法学异质,使定量综合不适当;自我报告方法论占主导,已证明的自我评估与外部评估能力分歧适用为一般谨慎;AI工具的快速演进意味着工具局限的发现可能不反映当前能力。综述过程方面:筛选和编码由第一作者执行,边缘案例通过共识解决;编码可靠性未通过独立双重编码量化,解释性类别存在单一编码者偏倚风险,由第二作者对提取文件的全面审查和逐研究层面报告缓解。方法学质量以MMAT 2018评估,评估为发现的可信度评估提供信息而非研究排除。检索与时效方面:22份报告未能获取,2026年文献必然不完整。

6. 综合:发现的一体化视图

四个研究问题被分别分析,但其发现结构上相互依赖。综合图景的顶部是ADDIE设计周期——所有AI支持所在的专业过程,其迭代质量逻辑定义了完整整合的含义。三个相互依赖的支柱支撑该周期:AI角色支柱描述技术贡献什么以及生成性生产集中于何处;教育者能力支柱描述每个角色运作所需的能力;人类监督支柱描述能力得以行使的机制。专业发展通过伦理、基于表现的评价和反思性实践构建能力并嵌入监督机制,支撑所有三个支柱。跨语料库,主要发现一致成立:设计阶段集中和框架缺口在最新文献中持续;监督缺口持续,尽管实证考察的机制现构成可测量的少数(21/78);领域正从通用ChatGPT应用向多样化工具格局和更复杂的人机协作形式移动。综合使综述的核心主张作为关系而非孤立发现可见:生产力工具模式表现为支柱间的不平衡——过度生长的生成性角色、发展不均的能力、承诺丰富但机制贫乏的监督支柱。相应地,综合指定了成熟配置所需的条件:AI角色分布在整个周期、能力通过共享框架理论化、监督在记载机制中操作化、专业发展设计为维持三者。

7. 未来研究

综述发现定义了具体的研究议程:第一,完整周期研究——无研究考察完整ADDIE迭代中的AI支持,纵向设计将检验识别出的事实线性化是否在实践中实现。第二,代表性不足的阶段——AI支持的学习者与情境分析以及形成性课程评价与再设计的实证工作。第三,监督机制——教育者实际行使监督的观察和制品基础研究及其对设计质量的影响。第四,支架性角色——对AI作为设计推理结构的专门调查,包括认知委托与专业学习之间提出的初步反向关系。第五,比较设计——跨学科、跨AI工具以及专业教学设计者与教师设计者之间的系统比较。第六,远程与在线情境——设计决策承载最大规模的部门在语料库中几乎缺席,应成为优先情境。第七,能力研究——框架基础研究使跨研究积累成为可能,包括DigCompEdu和UNESCO AI能力框架在ID实践中的实证应用,以及提示工程作为教学能力和伦理感知的专门工作,采用基于表现而非自我报告的测量。最后,纵向PD研究——无干预研究在干预期后跟踪参与者,能力增益的持久性,特别是发展缓慢的伦理感知能力,是对机构直接相关的开放问题。另一方向涉及人机教学设计中第三个大部分不可见的当事方:GenAI系统本身的开发者与训练者。教育者使用生成精确的交互数据,这些数据正是此类系统得以精炼的基础,提示人机共同演进议程,其中教育者信息反馈、参与式共同设计、微调和评价塑造下一代设计支持工具——并使教育者、机构和系统提供者之间的责任划分明确化。

8. 结论

本综述表明生成式AI正变得嵌入高等教育教学设计,尤其在目标、材料和评估的设计与开发中。证据基础仍不均衡:大多数研究未应用明确的能力框架——Intelligent-TPACK与AI素养在少数研究中并行使用,提供了理论上富有前景的整合基础,尽管其在教学设计实践中的实证使用仍然有限——人类监督被推荐多于被实证评价。职前教师教育记载了最刻意支架化和监督化的配置;这些配置是否能迁移到专业实践并有效仍未经检验。发现表明专业发展应超越工具导向培训,支持教育者评价AI生成输出、做出教学决策并在整个设计过程中记载可问责的人类监督。未来研究应检验此类嵌入支持是否改善教育者制作的教学设计的质量、包容性和教学对齐。综合将发现组装为AI支持教学设计的连贯解释——其中教育者的设计专长而非技术的生成流畅性仍是实践的组织核心。
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