《Animals》：Development and Preliminary Evaluation of a Teacher-Supervised AI-Assisted Closed-Loop Learning Model for an Undergraduate Animal Physiology Laboratory Course
编辑推荐：
摘要专业翻译
动物生理学实验课程要求学生整合生理学知识、实验操作流程、动物处理技术、实时信号解读以及课后反思。为解决传统实验教学中各环节割裂的问题，本研究开发了一种AI辅助闭环学习模式，该模式整合了线上预习、虚拟仿真、预测性解读、动手动物实验、实时生理信号采集
摘要专业翻译
动物生理学实验课程要求学生整合生理学知识、实验操作流程、动物处理技术、实时信号解读以及课后反思。为解决传统实验教学中各环节割裂的问题，本研究开发了一种AI辅助闭环学习模式，该模式整合了线上预习、虚拟仿真、预测性解读、动手动物实验、实时生理信号采集、以故障排查为导向的复习以及教师监督下的AI辅助反馈。研究在班级层面开展了两项评估：（1）一项非同期历史队列比较，对象为2020或2021年入学（改革前队列）与2022或2023年入学（改革后队列）的动物科学和兽医学专业学生；（2）一项整群随机比较，涉及来自14个班级的386名兽医学专业学生，分别分配至传统教学组（7个班；n = 190）或AI辅助教学组（7个班；n = 196）。实验课程持续8周，两组在教学团队、教学内容、实验室资源、评估标准和评分细则方面均保持一致。历史队列比较显示，课程改革后两个专业的期末成绩均有所提高（p < 0.05）。在整群随机比较中，两组的前置课程基线成绩具有可比性（81.93 ± 0.65 vs. 81.13 ± 0.59，p = 0.3807），而AI辅助教学组的实验课程期末成绩显著更高（94.27 ± 0.27 vs. 89.09 ± 1.16，p < 0.01）。尽管AI辅助教学组的后置课程成绩以及从前置课程到后置课程的成绩增幅略高，但两项差异均未达到统计学显著水平（分别为p = 0.1470和p = 0.3022）。上述发现表明，AI辅助闭环学习模式能够改善兽医生理学实验教育中课程特异性的学习表现，但其对后续课程表现的长期效应仍需进一步研究。
论文解读
一、研究背景与问题
高等教育数字化转型为兽医教学改革带来了新的机遇，特别是在需要整合概念理解、操作流程、实践技能与分析推理的实验类课程中。动物生理学实验是兽医学和动物科学专业本科生的核心基础课程，在帮助学生通过直接观察、实验操作和真实生物反应分析来理解生理机制方面发挥着重要作用。与纯理论课程不同，这类教学要求学生持续在多种学习形式之间切换：复习实验原理、理解操作步骤、预演操作流程、处理实验动物、记录生理信号、解读图像与曲线，以及反思错误或意外结果。
然而，在实验类生物科学教育中，将实验前准备、动手操作、数据解读和实验后反思有效衔接存在诸多挑战。教师调查发现，学生准备度不足、信心欠缺、时间限制以及探究性元素融入有限是本科教学实验室中反复出现的问题。当实验活动以既定操作流程为主导时，学生可能缺少做出实验决策和参与科学推理的机会。课前演示虽有助于学生熟悉设备和流程，但虚拟实验室在支持概念学习的同时无法完全替代动手实践。课后书面报告虽能支持概念与证据的整合，但其学习价值取决于活动的设计与评估方式。这些发现共同表明，协调准备、实践、解读与反馈各环节至关重要，而非简单假设完成实验操作流程就能实现理论与实践的连接。
尽管在线学习平台、虚拟仿真系统、实时生理信号采集系统和AI辅助反馈工具等智慧教学资源日益丰富，但这些资源往往被并行使用，而非作为整合性教学序列的组成部分。核心挑战因此不仅在于数字工具是否可用，更在于如何从教学法上将其组织为连贯的学习过程，使准备支撑实践、实验观察支撑解读、后续反馈引导反思与进一步学习。基于此，研究人员提出假设：将课前准备、虚拟预演与解读、动手实验、实时信号记录和课后反馈整合为协调的教学序列，比割裂的学习活动序列更能支持学生的操作理解、预测推理和生理结果解读能力。
二、研究内容与核心结论
研究人员针对佛山科技大学动物生理学实验课程，设计并实践了一种AI辅助闭环学习模式。该课程为2学分、32学时，面向兽医学和动物科学专业本科生。课程改革前已积累较为丰富的资源基础，包括教学课件、电子教案、实验视频、试题库、教学案例和虚拟仿真材料，并在超星学习平台上初步形成了知识图谱和能力导向的资源结构。实验室配备了6套BL-422I智能生理信号采集系统以及VBL-100虚拟仿真系统。研究的关键贡献不在于引入某一孤立数字工具，而在于从教学过程层面重构完整的学习链条，将线上准备、虚拟预演、真实动物实验、生理信号记录、故障排查复习和教师监督下的AI辅助反馈连接为一个连续的闭环。
研究采用两项评估。第一项为非同期历史队列比较，比较2020和2021年入学（改革前）与2022和2023年入学（改革后）的动物科学和兽医学专业学生的期末成绩，分析单位为25个班级。第二项为整群随机对照试验，将14个完整班级随机分配至传统教学组（7个班，190名学生）和AI辅助教学组（7个班，196名学生），干预持续一个学期（8周实验教学），所有统计分析以班级为分析单位。研究结果显示：改革后两个专业的期末成绩均显著高于改革前（p < 0.05）；在整群随机比较中，两组前置课程基线成绩相当（81.93 ± 0.65 vs. 81.13 ± 0.59，p = 0.3807），AI辅助教学组的实验课程期末成绩显著高于传统教学组（94.27 ± 0.27 vs. 89.09 ± 1.16，p < 0.01）；但后置课程成绩（85.90 ± 0.62 vs. 84.32 ± 0.77，p = 0.1470）和前置到后置课程成绩增幅（4.02 ± 0.83 vs. 2.64 ± 0.93，p = 0.3022）虽略高，均未达到统计学显著水平。这表明该模式具有课程特异性的学习优势，但未证实对后续课程表现的显著优势。
三、关键技术与方法
研究人员主要采用了以下关键技术方法：基于超星学习平台的课前线上准备系统，整合实验方案、教学视频和知识图谱资源；VBL-100虚拟仿真系统用于课中虚拟预演和预测性生理解读训练；BL-422I智能生理信号采集系统用于真实动物实验中的实时生理信号记录与曲线获取；AI辅助评分与引导式追问系统用于课后开放性回答的反馈评估，并在教师监督下进行校准。研究样本来源为佛山科技大学动物科学与技术学院二年级兽医学专业学生，整群随机对照试验纳入386名有效参与者，来自14个完整班级。
四、研究结果
历史队列比较结果：课程改革后，动物科学专业和兽医学专业学生的动物生理学实验课程期末成绩均显著高于改革前（均p < 0.05），表明AI辅助闭环学习模式的整体教学改革方案与课程成绩提升相关。
整群随机对照试验结果：传统教学组（n = 190）与AI辅助教学组（n = 196）的前置课程基线成绩具有可比性（81.93 ± 0.65 vs. 81.13 ± 0.59，p = 0.3807）。经过8周实验课程后，AI辅助教学组的期末成绩显著高于传统教学组（94.27 ± 0.27 vs. 89.09 ± 1.16，p < 0.01）。然而，AI辅助教学组的后置课程成绩（85.90 ± 0.62 vs. 84.32 ± 0.77，p = 0.1470）和前置到后置课程成绩增幅（4.02 ± 0.83 vs. 2.64 ± 0.93，p = 0.3022）虽略高，但均未达到统计学显著水平。研究由此得出，AI辅助闭环学习模式对目标实验课程具有课程特异性的学习优势，但未能证明对后续课程学习的更广泛或持续性收益。
五、讨论总结与结论翻译
讨论部分指出，该研究的主要贡献不在于引入孤立数字工具，而在于对完整学习过程的教学重构。虚拟仿真并非替代真实动物实验，而是作为预演和过渡阶段，帮助学生熟悉操作序列并为实际操作做好准备；虚拟生理解读环境也并非替代真实数据解读，而是培养学生观察真实记录信号前的预测性思维。关于AI的角色，研究强调采用“AI辅助而非AI主导”的教学立场，AI主要用于课后评分支持和引导式追问，教师仍负责审查学科准确性、教育适宜性和评估公平性。研究也指出教师角色在智慧课程建设中的转变，教师并未被数字技术取代，而是更聚焦于教学设计、资源整合、课中指导、故障排查和质量控制。局限性方面，研究主要报告设计逻辑和初步实践而非大规模量化验证；AI反馈的评分一致性和指导质量仍需持续校准与审查；当前实施聚焦于课程内代表性模块，可进一步扩展至更广泛的实验主题和更深层的数据分析。
结论部分翻译：本研究在本科生动物生理学实验课程中实施了一种AI辅助闭环学习过程。研究结果表明，整合性教学方案可能支持学生在目标实验课程中的表现；然而，由于干预包含多个组成部分，AI辅助反馈的贡献无法被单独分离。该模型的主要贡献在于提供了一种结构化方法，将准备、预演、真实实验、解读和反馈连接为连续的学习过程。未来研究应在更广泛的课程模块中评估该模型，并评估学习成果、反馈质量以及AI生成评估与教师确认评估之间的一致性。待这些组成部分得到充分验证后，可探索多模态AI代理和学习分析技术，整合学生的书面回答、实验数据和学习过程信息，在教师监督下提供更有针对性的反馈。这些扩展的适用性仍需进一步的实证评估。
