《Chemistry Education Research and Practice》：University chemistry instructors’ perspectives on generative AI in teaching and learning: an exploratory multi-country studyOpen Access
生成式人工智能（generative AI）的快速扩展为大学化学教育创造了新的机遇与挑战，然而关于化学教师如何理解其教学法用途的认识仍然有限。本探索性多国定性研究考察了在阿根廷、巴西和加拿大招募的12名大学化学教师（5名女性，7名男性）对生成式人工智能在化学教与学中的用途、局限与启示的看法。数据通过三个独立焦点小组收集，并以批判性AI素养（critical AI literacy）与社会技术视角（sociotechnical perspectives）作为敏感化透镜进行主题分析。研究构建了三个主题。第一，参与者将AI描述为有用的学术与教学助手，同时对计算、化学结构、符号表征及学科特异性推理表达了更多谨慎。第二，教师识别出支持学习的AI用途与可能允许学生绕过推理、交流、验证及其他形式学科参与的用途之间的张力。第三，参与者认为AI整合的责任分布于个体与机构层面，同时报告了准备不足、时间限制、技术快速变化以及对更清晰指导和专业支持的需求。研究结果表明，负责任的AI整合需要关注AI生成化学内容的学科可信度（disciplinary credibility）、使用AI时仍由学生承担的智力工作（intellectual work），以及塑造教学决策的制度条件。参与者对化学特异性专业发展和更清晰机构指导的呼吁凸显了实践需求，而关于AI对学习和学科推理影响的问题值得进一步研究。
**研究背景与问题**
生成式人工智能（generative AI）在高等教育中的广泛采用正在重塑教学、学习与评价实践。现有文献显示，AI在支持教学、学习、反馈、交流与学术工作方面具有潜力，但同时也引发了关于准确性、学术诚信、学生依赖、评价方式以及重要学习过程可能被替代的担忧。研究表明，AI的教育价值可能因任务性质、所涉学科知识和学习过程阶段的不同而存在显著差异。
这些考量在化学学科中尤为突出。化学要求概念理解、数学推理、问题解决、符号与图形表征的解读、实验室实践以及通过学科特定语言形式进行交流。化学知识不仅通过文字解释传播，还通过方程式、分子结构、反应机制、光谱、图表、符号标记和亚微观表征来传达。因此，AI生成的回答虽然可能在语言上流畅且看似合理，但在化学上可能不准确、表征上不充分或在教学上不恰当。评估化学中的生成式AI不仅需要关注生成内容的正确性，还需要关注构建和传达化学知识的学科推理与表征形式。
新兴化学教育研究已开始揭示这些问题，但证据仍显零散。例如，Akaygun和Kilic（2025）发现，职前化学教师在评估AI生成的可视化内容时识别出科学、教学和表征方面的缺陷。Clark等（2024）发现，四位普通化学教师认为ChatGPT在生成解释、教学策略、计算和评估方面有用，但在生成有用的视觉材料方面不太成功。Talanquer（2023）考察了AI聊天机器人如何生成关于化学实体和过程的解释，表明尽管回答通常显得连贯且科学上合理，但其基础推理存在缺陷。Nascimento Júnior等（2024）从表征角度识别了概念偏差以及在文本生成、图像解读和化学生产适当视觉表征方面的实质性困难。West等（2023）分析了整个化学课程中AI生成的实验报告，表明表面上胜任的书面产品仍可能在化学特定组成部分中存在弱点。Pence等（2024）将生成式AI纳入高级化学课程的批判性思维活动，报告了其在不同任务中表现的变化。Tassoti（2024）进一步证明，生产性地使用生成式AI完成化学相关任务需要结构化提示和批判性参与。
总体而言，这些研究趋于表明，生成式AI在化学中的有用性取决于任务，其输出需要学科评估。然而，新兴文献多聚焦于评估AI生成产品、考察学生与AI的互动或设计特定的AI支持学习活动。相比之下，对实践中的化学教师本身所做的学科判断的实证关注较少：他们认为AI生成的化学内容中什么是可信或不可信的，如何区分看似合理的回答与在化学和教学上适当的解释，以及化学的表征和推理要求如何影响关于是否以及如何使用AI的决策。Matthews和Potter（2026）通过考察美国单一机构化学教师对AI的看法提供了重要贡献，表明教师对AI的参与受到化学特定关切的塑造，包括认识论验证、学术诚信和学科特定约束。但需要在更广泛的化学教育环境中更深入地考察这些判断。特别是，关于教师如何评估生成式AI与化学核心表征形式（如结构、机制、方程式及其他符号或图形表征）的关系，或AI生成的问题解决路径是否反映适合学生学习的推理形式，关注有限。
鉴于化学的多方面复杂性，教师在这一过程中占据核心位置。他们负责评估AI生成内容的学科准确性、确定特定课程中的适当用途、向学生传达期望以及调整教学和评价实践。教师的专业知识、教学信念和对AI的看法可能塑造这些技术是否以及如何整合到化学教育中。教师视角尤为重要，因为他们拥有判断AI生成回答是否不仅在技术上正确，而且其表征、推理路径、解释和建议的学习活动是否适合化学学习者所需的学科和教学知识。本研究通过考察阿根廷、巴西和加拿大大学化学教师的视角来填补这一空白。其主要贡献不是文化比较、AI采用或素养，而是考虑来自不同教育背景的教师为研究化学教育者如何对生成式AI做出学科和教学判断提供了更广泛的环境。研究特别考察教师如何评估AI生成化学内容（包括表征和推理过程）的有用性和可信度；如何区分支持化学学习的用途与可能绕过重要学科实践的用途；以及如何理解自己和机构在管理AI使用方面的责任。由此，研究将注意力从生成式AI在化学教育中是否有用的一般性问题转向对什么使AI支持的活动在化学中在认识论和教学上可接受的更批判性、学科特定的考察。
**研究方法**
本研究采用探索性多国定性设计（exploratory multi-country qualitative design），基于解释主义范式（interpretive paradigm），持相对主义本体论和主观认识论假设。研究聚焦参与者的叙述、关切和与AI相关的教学张力，而非测量态度或进行国家间的统计比较。参与者通过目的性便利抽样（purposive convenience sampling）在阿根廷、巴西和加拿大招募，提供来自不同高等教育环境教师视角。这些国家的选择是务实的而非理论比较性的，反映了研究团队成员工作的制度和专业背景。国家被视为样本的描述性特征而非分析单元或文化代理。
研究共纳入12名大学化学教师，每个国家招募4名。阿根廷和加拿大的参与者分别来自各自国家的一所公立大学，而巴西的参与者隶属于多所高等教育机构。参与机构为研究密集型环境。参与者的教学经验从1年到20年不等，平均约10.5年。样本包括三名助理教授、七名副教授或教学副教授以及两名讲师。九名参与者（75%）报告在专业中使用AI。鉴于样本量小、自愿参与且每个国家仅一个焦点小组，样本不应被视为阿根廷、巴西或加拿大大学化学教师的代表。
数据通过三个半结构化焦点小组生成，每个国家一个焦点小组。焦点小组形式被选择以为参与者提供通过群体互动进行集体讨论和反思的机会。每个焦点小组由四名参与者组成。研究团队成员参与问题的设计和完善，以确保与研究目标一致。由于研究涉及英语、西班牙语和葡萄牙语背景，焦点小组指南经过协作翻译和审查，以支持概念对等和文化适当性。焦点小组以参与者的首选语言进行：阿根廷为西班牙语，巴西为葡萄牙语，加拿大为英语。数据收集于2026年2月至6月进行。焦点小组时长在65至85分钟之间，通过第一作者所在大学的Zoom账户进行。在阿根廷和加拿大，焦点小组由第一作者主持；在巴西，焦点小组由第二作者主持。焦点小组被数字录音并逐字转录。所有识别信息均被假名化。
数据采用主题分析（thematic analysis）进行分析，通过主要归纳性的初始编码过程，随后进行理论敏感化的主题发展和解释。由于数据以英语、西班牙语和葡萄牙语收集，为保留语言和语境细微差别，初始分析以每个焦点小组的原始语言进行。第一作者分析英语和西班牙语转录本，第二作者分析葡萄牙语转录本。初始编码是数据驱动的，未按照概念框架的预定组成部分进行组织。初步编码和解释随后在分析者之间讨论。第一作者随后返回编码材料，考察相关编码之间的关系以构建候选主题模式。在此阶段，数据与概念框架之间的关系变得更加明确和迭代。候选主题随后对照编码摘录和更广泛的焦点小组转录本进行审查，以评估它们是否代表参与者叙述中连贯且充分不同的模式。随后采用批判性朋友方法（critical friend approach）对发展中的主题解释提出挑战。
**研究结果**
**主题一：AI是有用的助手但尚非可信赖的化学专家**
参与者普遍将AI构建为有用的学术助手，但尚非可信赖的化学知识来源。他们描述AI在支持一系列教学和学术任务方面有价值，包括改进语法、翻译和学术写作；生成初步想法、大纲、问题和教案；组织信息和课程材料；提供反馈；协助评分；查找文献；以及支持编程或数据管理任务。这些应用通常与更高的效率和减少行政工作量相关。然而，参与者同时描述了AI在化学特定任务中的有用性局限，特别是涉及计算、化学计量、方程式配平、化学结构、反应机制、光谱分析、分子表征及其他符号或图形形式的学科知识。
例如，P1Brazil描述了将AI整合到教学中，将其定位为支持来源而非成品教育材料的生产者。P4Argentina描述了使用AI将教案情境化并探索组织化学内容的替代方式。他不是简单接受AI生成的建议，而是对话式地使用该技术，要求它挑战自己的想法并识别其提议方法的潜在弱点。此外，P4Argentina描述了在规划实验室活动时使用AI，考虑可用材料、试剂限制和实际及监管约束下的可能替代方案。然而，他对AI在算法化学问题中的有用性划定了明确界限，表示"是的，它对我有用……但我不觉得它对解决问题有用"。P3Argentina通过指出AI在"不涉及计算的情况下"更有用来强化这一区分。她描述AI在生成评估问题（包括多项选择和判断题）以及支持学生自评方面特别有帮助。这些叙述共同表明，参与者根据学科任务的性质来评估AI。他们认为AI在生成可能性、组织理论内容和支持自评方面比在完成基于计算或算法的化学问题方面更有用。
P1Argentina描述了AI在实验室教学中的另一支持性用途。他使用AI帮助解决学生实验报告写作中的问题，包括结构、内部连贯性和科学交流惯例。他还使用AI作为反思辅助工具来考虑自己的评估标准。这些例子将AI定位为支持教学判断、科学交流和评估相关工作的资源。其价值并非来自替代教师专业知识，而是来自提供教师可以质疑和修订的建议。
当参与者考虑AI是否可以可靠地用于化学特定学科工作时，讨论发生了转变。在这些叙述中，关切特别集中在图形和符号表征、化学结构、计算以及用于解决化学问题的推理路径上。P4Canada区分了AI产生看似合理的概念性回答的能力与其在图形化表示化学知识方面的挑战。尽管他观察到AI"在得出正确答案方面相当不错"，估计在某些概念性问题上可能"95%的时间"正确，但他强调这种表面可靠性并未延伸到化学中常用的图形和符号表征。P3Brazil表达了对化学结构的类似关切，强调他尝试将AI用于有机化学时经历的挫败感。参与者还质疑AI生成计算的教学价值。P3Argentina解释说，AI偶尔可能通过过于复杂且学生难以跟随的过程得出正确答案。她的反思表明，仅正确性本身不足以作为评估AI生成化学解决方案的充分标准。一个答案可能在技术上正确，但如果推理排序不当、过于复杂或与学生预期发展的解决问题方法脱节，则在教育上不适当。
巴西的参与者还描述了将AI的局限性作为教学对象。P1Brazil建议AI可作为促进化学教育中支架和元认知的工具。她描述了一项涉及八名选修化学教育技术课程学生的活动，学生评估和比较了三种大型语言模型（LLMs）：ChatGPT、Copilot和Gemini的输出。通过这一过程，学生发现所有三种模型在生成化学内容时都产生了重大概念错误。P4Brazil表达了对AI生成内容可靠性的关切，特别是LLMs产生的视觉表征。他强调这些表征中的不准确可能误导学生并导致化学学习中的误解。值得注意的是，同一参与者报告了当要求AI解读现有分子轨道图图像时更为积极的体验。单一叙述中的这一区分进一步限定了主题：参与者并未将AI能力描述为简单的好或坏，而是取决于系统被要求做什么。总体而言，各焦点小组的参与者都描述了有用的应用和他们认为需要更多学科谨慎的情况，尽管具体任务和例子在讨论中有所不同。他们的叙述因此支持将AI解释为有条件有用的助手而非可信赖的化学专业知识来源。
**主题二：AI在支持学习与绕过学习之间制造张力**
虽然第一个主题聚焦于教师如何评估AI与其自身专业实践的关系，第二个主题将注意力转向学生及AI在学习过程中的作用。参与者将AI描述为在解释、反馈、自评和获取支持方面具有潜在价值。同时，他们担心学生可能使用AI产生可接受的学术产出，而不参与学习化学所需的认知、交流、实践和社会过程。
一个直接关切涉及作者身份以及提交的作业在多大程度上反映学生自己的理解。P2Canada指出"问题部分来自学生提交的书面评估"，因为教师"总是担心其中多少来自他们自己，多少来自AI"。在同一讨论中，这一关切从传统的抄袭问题发展到学生是否接触并能够交流其工作中所代表的想法。P4Canada强调产生正确答案不等同于展示学科理解。他指出"主要问题是，取决于我教的课程，我可能需要他们能够交流一个答案，而不仅仅是知道正确答案是什么"。他的评论强调化学学习不仅仅是得出正确结论，还要求学生阐明推理、解释决策并通过学科语言和表征交流知识。P1Canada同样担心学生可能使用AI快速产生答案而不进行充分的修订、反思或元认知评估。另一参与者明确同意这一关切并将其扩展到学生的长期发展，认为在课程中走捷径可能在学生日后需要独立应对专业情境时成为问题。P4Canada进一步将讨论扩展到学科问题解决路径的发展。他反思自己学习化学的经历，强调能力通过反复尝试、错误和改进而出现。他的叙述将挣扎定位为学习过程的组成部分而非障碍。相比之下，从问题直接跳到AI生成的答案可能创造成功的表象，同时使这些路径发展不足。这些叙述反映了教师对当AI主要用于获得答案而非支持达到和评估答案的过程时可能失去什么的关切。它们并不证明AI使用必然降低这些能力。事实上，参与者自身对做出此类因果主张持谨慎态度。当被直接问及是否观察到可归因于AI的学生参与度、问题解决或概念理解变化时，P1Canada表示他没有"足够的数据来支持这一点"，P2Canada同样表示她无法做出此类归因。
阿根廷焦点小组也出现了类似的谨慎。一些参与者描述了观察到的学生学习实践和交流的变化，但这些变化并不总是明确归因于AI。参与者仍然担心AI可能成为学生获取学科知识方式更广泛变化的一部分。P3Argentina感知到一些学生减少对教科书的依赖，越来越多地转向AI获取解释和总结。P2Argentina描述了学生在与同伴互动时口头表达和学科语言使用方面的困难。在焦点小组中，教师对学习实践变化的感知引发了关于日益即时的AI生成解释是否可能改变学生与讲座、学科资源和同伴参与的更广泛讨论。
巴西焦点小组对AI使用固有有益或有害的假设提供了重要限定。当主持人将前述讨论总结为暗示AI在适当限定时可产生收益时，P4Brazil明确挑战了这一解释，表示他不认为AI使用只产生好处。在他看来，具有更强学科知识和更好理解AI系统运作方式的学生更可能生产性地使用该技术。针对这些关切，一些教师描述了旨在保持学生推理可见的评价实践。在化学实验室教学背景下，P3Canada解释说，要求学生使用自己的实验数据并解读化学特定表征减少了他们完全依赖AI生成回答的可能性。她的叙述说明了一种教学策略，旨在保留学生使用自己的数据、解释和化学表征的机会，而非证明这些评价形式能阻止AI使用。其他参与者同样描述了口头成分、课堂内工作、用学生自己的话解释以及为提交作业辩护的机会，作为使学生推理更加可见的方式。参与者还强调验证是负责任AI使用的核心组成部分。P3Canada表示她首先期望学生不要太信任AI。其他参与者通过提及教科书、学术来源、课程材料和教师验证的资源作为可能参照点来扩展这一期望。因此，他们的关切不仅仅是学生是否使用AI，而是他们在接受或应用信息之前是否保留评估信息的责任。
一个相关关切涉及AI生成解释的可及性和表面简单性。P1Brazil描述了学生接受简化类比而未认识到解释可能与科学模型不一致的情况。她进一步反思不批判的学生可能被AI误导，并可能开始构建包含幻觉和概念错误的极度简化的科学知识。这些陈述代表了参与者对教学中遇到情况的解释。它们提出了学科知识较少的学生可能更难识别看似可及的解释中的问题的可能性。同时，参与者并未将所有AI支持的解释描述为绕过学习。在巴西讨论中，P4Brazil提供了一个对比例子，涉及一名学生拍摄化学讲座中的分子轨道图并请AI解读该表征。在该参与者的叙述中，AI作为学生已在课堂上接触过的材料的额外解释资源发挥作用。这个例子为关于替代的关切提供了对比。当AI似乎帮助学生解读、质疑或评估学科内容而非简单生成完成的学术产品时，参与者可能更积极地看待AI。总体而言，焦点小组讨论支持将AI使用解释为涉及支持学习和绕过学习之间的张力。区分并非简单基于是否使用AI。相反，参与者反复考虑当涉及AI时学生仍被要求做什么，以及他们是否需要解释、解读、验证、交流、修订、做出判断或自己解决问题。
**主题三：协商AI整合的个体与机构责任**
这一主题捕捉了教师个人适应责任与其认识到负责任的AI整合不能仅依赖个人努力之间的张力。在整个焦点小组讨论中，参与者描述了被期望就可接受的AI使用做出决定、向学生传达期望、回应疑似滥用、调整评价实践并发展自己对快速变化技术的理解。同时，几位教师质疑这些责任是否可以在没有更清晰指导、时间、专业发展和集体讨论机会的情况下在个别课程层面合理管理。
在课程层面，教师通常负责定义可接受的AI使用并向学生传达期望。例如，P1Brazil观察到第一学期学生使用AI帮助从脚本组装演示并完成他们已经准备的工作。她不一定认为这种使用不适当，因为学生仍然负责开发底层内容。这一叙述说明可接受的使用有时根据教师认为学生自己完成了什么智力工作来协商，而非通过简单禁止AI。P1Canada描述了在课程中使用披露要求，并解释说学生被告知课程期望和更广泛的大学政策。然而，在同一讨论中，P1Canada也指出学生在不同课程中遇到不同期望，因为没有单一的集中化生成式AI使用方法。这在教师建立课程层面规则的责任与缺乏可更广泛指导这些决策的共享框架之间制造了张力。P1Canada因此强调需要更广泛的制度框架，允许学生以支持而非替代学习的方式使用生成式AI。阿根廷焦点小组出现了相关立场，参与者普遍讨论指导而非彻底禁止。P1Argentina认为，由于学生无论教师是否正式允许都会继续使用AI，教育机构应提供指导而非主要依赖禁止。P2Argentina通过将AI置于数字信息素养的更长期历史中扩展了这一讨论。他将验证与早期关于维基百科、谷歌和其他在线信息源的关切进行比较。在这一交流中，AI使用的责任部分被框定为围绕来源评估和学科判断的现有教学工作的延伸。同时，参与者描述生成式AI创造了额外的不确定性，因为其输出可能难以追踪，教师不能总是确定学生如何使用它。P2Argentina承认他尚不能可靠地确定学生是否使用了AI。
第二个模式涉及教师自身的准备。参与者并未将自己描述为对AI uniformly缺乏经验，而是强调在技术、其用途和学生实践快速变化时发展稳定专业知识的困难。在巴西焦点小组中，P4Brazil描述了他认为的反复出现的制度模式，即教师被期望通过个人实验学习新教育技术，然后才有结构化准备。他的比较被用来论证教育机构有可能重复采用先于有意义的专业准备的熟悉模式。阿根廷焦点小组的参与者也描述了有限的准备。P3Argentina将自己描述为"完全没有准备好"将AI作为教学工具全面整合。她将这种感觉部分归因于代际差异。P4Argentina通过指出教师有时可以通过自己的主动性整合AI来限定这一关切，但强调这样做需要大量额外工作。这一限定很重要，因为关切不是没有制度干预就不可能整合，而是个人实验虽然可能但在现有教学需求下难以持续。加拿大焦点小组在准备方面显示了类似的互动发展。当被问及他们觉得准备得如何时，P4Canada直接回答"我没有准备"，P3Canada立即补充"零"。P4Canada随后详细说明快速技术变化使他难以对自己的理解保持信心。P1Canada同样承认自己缺乏准备，同时强调学生也仍在学习如何与AI互动。其他加拿大参与者强调时间和工作量进一步限制了他们变得更好准备的能力。P2Canada表示"我没有时间做那个，所以不会发生。我肯定跟不上"。P3Canada同样质疑是否可以合理期望个别教师在没有机构支持的情况下保持最新。她说"我只是想知道人们什么时候有时间真正跟上所有这些技术？所以，我不知道，也许值得有部门运行的培训"。
这一序列说明讨论如何从个人准备感转向关于时间、快速变化的技术、对学生实践的了解和部门支持的更广泛问题。因此，关切变得较少关于个别教师是否愿意学习AI，而更多关于他们可以现实地这样做的条件。在此背景下，P2Brazil强调了初始教师教育和持续专业发展的重要性。她认为准备应超越抽象讨论，为教师提供发展AI新教学形式的实践机会。她的贡献进一步复杂化了简单的技术采用叙事。专业准备不仅被描述为学习如何使用新AI工具，还被描述为帮助教师决定何时应纳入新兴实践以及何时应保持既定学科实践（如写作和直接接触表征）的核心地位。总体而言，参与者将AI整合的责任描述为在多个层面协商而非仅位于个别教师。课程层面的决策仍然重要。教师描述了设定期望、指导学生、调整活动和回应疑似滥用。然而，几位参与者也描述了当机构指导不一致、专业发展有限、技术变化快速且可用时间受限时，通过个人努力可以完成的事情的局限。
**讨论与结论**
本研究考察了大学化学教师如何理解和驾驭生成式AI在教与学中的使用。三个焦点小组的教师既未拒绝AI也未不加批判地接受其使用。相反，他们描述了与技术的有条件和协商的关系。他们认识到AI在支持教学和学术工作方面的价值，同时质疑其作为化学知识来源的权威性、对学生学习的影响以及对教师和机构的责任。通过批判性AI素养框架审视，这些发现表明化学教育中的AI整合不仅仅是获得使用新工具的技术能力。它要求教师和学生评估AI输出的认识论质量、考察AI如何重新分配智力工作并考虑塑造其使用的制度和伦理条件。从补充的社会技术视角来看，参与者的叙述进一步表明AI使用受到学科表征、评价实践、教师专业知识、机构政策、工作量和专业支持获取的塑造，而非仅由技术本身决定。
第一个主题表明，参与教师根据特定任务的学科和教学要求评估AI。当AI支持语言、组织、规划、反思和生成初步可能性时，通常被视为有用。在这些情境中，参与者将其描述为帮助教师探索替代方案或减少日常工作量。然而，当任务需要准确使用化学符号、视觉表征、计算或学科特定推理时，其感知可靠性下降。从批判性AI素养视角来看，这一区分具有重要意义，因为它挑战了关于AI是有用还是不可靠的概括性主张。参与者的叙述表明其感知教育价值取决于任务，需要根据化学的认识论实践来判断。流畅的书面回答可能创造能力印象，而不证明系统能准确表示分子结构、反应机制、轨道图、光谱或适当的问题解决路径。在化学中，符号、亚微观、数学和视觉表征不是补充说明，而是构建、交流和评估学科知识的核心。因此，这些关切凸显了教师和学生保留评估什么算作可接受化学知识责任的重要性，而非自动服从GenAI输出。
参与者的关切超越了事实正确性。他们报告了AI生成的解决方案看似正确但遵循他们认为对新手学习者不必要复杂、排序不当或教学上不适当的推理路径的情况。这反映了拥有信息与将学科知识转化为教学上适当形式之间的区别。在这个意义上，教师不仅将AI评估为信息来源，还将其评估为化学推理的潜在中介。他们的叙述进一步表明评估AI输出部分取决于用户可用的学科专业知识。教师能够识别不合理程序、不准确表征、不适当类比或不现实教案，因为他们拥有评估化学有效性和教学适当性所需的内容知识和教学内容知识。教师提出的挑战展示了批判性AI素养的核心关切：学生可能不会带着同等水平的学科知识进入课堂，那些具有更强学科理解的学生可能更能识别AI生成输出何时需要被质疑或拒绝。相比之下，学科知识发展较少的学生可能难以识别不准确的解释、不适当的解决路径或误导性表征。因此，教师可能需要提供明确指导和结构化机会，让学生批判性地质疑GenAI输出，而非简单接受或复制。然而，这一解释应谨慎看待，因为本研究未直接评估学生检测此类问题的能力。相反，它反映了教师的看法，并与先前研究的发现一起考虑。总体而言，这一主题表明AI不应被理解为在化学中拥有稳定或普遍的专业知识。从教师的视角来看，其有用性取决于任务、提供给系统的信息以及评估其回答可用的专业知识。教师的叙述因此将人类学科判断定位为负责任AI整合的必要条件而非补充。
第二个主题将注意力从AI输出质量转向AI被认为支持或替代的学生参与形式。参与者承认AI可以提供解释、帮助学生重新接触困难材料、支持自评并在正式教学时间之外提供帮助。然而，他们也担心学生可能使用AI产生答案而不参与推理、交流、修订和学科能力发展所依赖的富有成效的挣扎。从批判性AI素养视角来看，这一张力涉及智力工作如何在学生和技术系统之间分配。核心问题不是简单是否使用AI，而是学习过程的哪些部分仍由学生控制。当学生使用AI澄清表征、生成练习题或获得替代解释时，技术可能扩展其参与。当它构建解释、选择推理路径、评估答案并产生最终书面回答时，学生可能仅最低限度地参与提交内容所代表的智力工作。这一区分也使传统的学术诚信讨论复杂化。参与者关心作者身份和未声明的AI使用，但他们的关切不限于学生是否违反规则。他们质疑提交的作业是否展示学生自己的推理，以及学生是否能解释、辩护或应用该工作中所代表的知识。这一关切与呼吁评估学生学习过程的真实性而非主要依赖提交产品的表面质量相一致。因此，学术诚信与智力责任相关联，因为学生应能对提交内容中的主张、解释和决策负责。
参与者还提出了对化学学习中富有成效的挣扎可能丧失的关切。也就是说，发展解读光谱、构建解释、解决陌生问题和交流化学知识的能力需要反复尝试、错误、反馈和改进行动。AI可能通过立即生成看似合理的答案来减少与这些过程相关的不适。然而，参与者担心当AI被用于绕过而非支持这些过程时，学生可能发展学科启发式和独立问题解决策略的机会减少。本研究未测量这是否发生；事实上，一些参与者明确承认他们缺乏足够证据将学生参与或表现的变化直接归因于AI。在解释参与者关于学习实践变化的观察时也需要类似的谨慎。一些教师感知到学生更多依赖AI生成的解释而更少依赖教科书、讲座或同伴互动，但其他参与者明确指出交流和社交互动的变化不能仅归因于AI。因此，这些叙述提出的是问题而非证明因果关系。从批判性AI素养视角来看，这提出了关于学习的社会和关系维度的问题。化学学习不仅是个人认知过程；它通过讨论（例如在建模活动中）、协作问题解决和参与学科话语集体发展。如果AI成为一些学生的主要解释来源，教师担心这些互动形式的某些机会可能减少。参与者报告的关于学生口头表达和科学语言的关切应在同一局限内解释。本研究未评估学生的交流能力或确定AI导致学科语言使用的变化。相反，教师质疑日益精致的AI支持产品是否可能使确定学生能独立解释和交流的内容变得更加困难。这在提交产品的质量与学生交流能力之间制造了潜在分离。因此，批判性AI素养需要关注学术产品中代表谁的推理和语言，而非仅从最终回答的表面质量判断学习。
参与者的叙述还凸显了简单指示学生验证AI输出的感知局限。验证需要时间、动机、可信来源的获取以及足够的学科知识来识别答案可能不正确的情况。因时间压力而转向AI的学生可能特别不可能完成这一额外工作。此外，新手学生可能不具备先验知识，因此不知道回答的哪些特征需要检查。因此，批判性评估必须明确教授并嵌入学科活动中，而非被视为学生已经拥有的自动技能。化学教育者已开始通过要求学生批判AI生成的解释、数据分析、总结和科学主张的作业来应对这一需求。参与者描述了基于学生自己的实验数据、口头解释、视觉解读和学科特定表征的评价实践，作为使学生推理更加可见的方式。这些实践的价值不在于使AI使用不可能，而在于要求学生展示不能简化为生成通用书面文本的理解形式。从教师的视角来看，此类实践有助于在评价中保留解释、说明和辩护的机会。因此，负责任的整合需要关注AI支持的活动与预期学习成果之间的关系。当AI使用增加学生解读、质疑、解释和应用化学知识的能力而非仅提高完成任务效率时，其在教育上更具生产力。
第三个主题提请注意参与者如何将AI整合的责任视为分布在学生、教师、部门和机构之间。教师接受了学习AI、建立课程期望、支持学生素养、调整评价和回应不适当使用的大量个人责任。然而，他们也描述了在没有更清晰机构指导、足够时间和学科特定专业发展的情况下，个别教育者可以合理完成的局限。从批判性AI素养视角来看，这一张力表明为什么AI整合不能仅被理解为个人能力问题。教师的实践受到机构政策、课程结构、班级规模、工作量和集体支持可用性的塑造。因此，他们报告的准备不足不应简单解释为个人缺陷。它反映了更广泛的社会技术环境，其中教师被期望管理比机构政策和专业学习结构发展更快的技术。因此，他们报告的准备不足不仅可以被理解为个人关切，还可以与被要求就快速变化技术做出决策的环境相关联。参与者对课程层面期望差异的描述说明了这一张力。灵活性是必要的，因为可接受的AI使用可能因课程而异。单一规则可能不适合每个情境。然而，实质性差异也可能为学生创造不确定性，并将解释、传达和执行期望的责任几乎完全置于个别教师身上。这一张力表明需要区分集中禁止与协调的机构指导。参与者的叙述不一定支持单一统一的AI政策；相反，它们指向可适应学科和教学情境的共享原则。这些原则可能澄清与披露、作者身份、验证、智力责任以及AI使用与学习成果一致性相关的期望。
此外，参与者识别AI生成作品的困难也说明了主要基于检测和惩罚的治理方法的感知局限。与传统抄袭不同，AI辅助写作可能不复制可识别的来源，使教师难以确定回答是如何产生的。因此，依赖个人判断或不完善的检测工具可能产生不一致且可能不公平的回应。这些发现还将批判性AI素养定位为与早期数字和信息素养形式相关但有区别。参与者自己将当前关于AI生成信息的关切与早期教授学生评估通过搜索引擎和在线来源获得信息的经验联系起来。生成式AI可能加剧这一挑战，因为它可以将信息综合为连贯、权威性的回答，同时掩盖这些回答的来源和过程。因此，现有的来源评估实践仍然相关，但可能需要扩展以应对AI系统的不透明性、流畅性和生成能力。
教师感到未准备的部分原因是感知到的技术本身的不稳定性。参与者描述了由于系统变化，AI局限性的例子可能很快过时，因此难以发展稳定的专业知识。他们的叙述因此表明教师和学生在同一快速变化的技术环境中学习，尽管他们占据不同的学科和教学责任位置。参与者还强调对学生实际如何使用AI的有限了解使他们难以制定明智的课程政策。这支持将学生实践和视角纳入未来研究和机构决策的价值，而非假设学生如何使用这些系统。此外，时间和工作量成为教师发展这种理解能力的结构性约束。实验AI、评估其化学特定能力、重新设计评价和跟上快速发展的技术都需要时间和努力。参与者的关切因此表明，如果教师没有 also 获得参与所需的组织和时间支持，仅靠专业发展可能不够。为AI相关课程重新设计提供受保护时间和工作量认可可能值得考虑。当这项工作被视为个人责任时，参与者感知到整合将不成比例地依赖教师个人时间、兴趣和信心的风险。因此，参与者对部门培训和共享讨论的呼吁不仅仅是技术指导请求。他们描述了对集体空间的需求，在这些空间中教师可以考察学科特定例子、比较实践、讨论学生使用并发展共享的教学和伦理原则。从社会技术视角来看，这些叙述强调AI整合的责任分布在个体和机构行动者之间，而非仅存在于教师。批判性AI素养专业发展因此不仅应涉及AI工具如何运作，还应涉及其使用如何与知识、评价、作者身份和学科学习参与相交。
总体而言，这些发现揭示了分配给教师的责任与可用支持之间的不匹配。教师被期望指导学生、建立期望、维护学术诚信、重新设计学习活动并评估AI使用的更广泛后果，而往往缺乏稳定的专业知识、时间、协调政策和化学特定专业发展。因此，负责任的AI整合应被理解为 distributed 的机构和社会技术责任，而非置于教师身上的额外个人义务。
本研究考察了大学化学教师如何理解和评估生成式AI在教与学中的使用。参与者既未将AI描述为固有有益，也未将其描述为统一有问题，而是将其描述为一种技术，其感知价值取决于学科任务、学习环境和评估其输出可用的专业知识。他们普遍认为AI对规划、写作、反馈和想法生成有用，同时对涉及计算、符号和视觉表征、化学结构和学科推理的化学特定任务表达更多谨慎。他们的叙述还凸显了可能支持学生参与化学的AI使用与教师认为可能绕过推理、交流、验证和其他形式学科参与的AI使用之间的张力。这些关切应被理解为教师的看法而非对学生学习的已证明影响。通过批判性AI素养视角审视，这些发现表明负责任的AI整合需要不仅仅是技术能力。它需要关注AI生成内容的学科可信度、使用AI时仍由学生承担的智力工作以及学习者仍被要求解释、说明、辩护和评估化学知识的程度。社会技术视角进一步强调这些决策受到机构政策、工作量、专业发展、评价结构以及学生、教师、部门和机构之间责任分配的塑造。参与者的叙述因此表明AI整合的责任不应仅落在个别教师身上。他们表达了对实践专业发展、学科特定例子、更清晰指导、足够时间和集体讨论机会的需求。然而，本研究未评估这些支持的有效性，其对教学实践或学生学习的影响仍是未来研究的重要领域。最终，这些发现既不支持化学教育中生成式AI的无限制采用也不支持完全拒绝。相反，它们指向情境敏感的使用，其中人类学科判断仍然核心，AI根据任务的学习目标和认识论要求来评估。未来研究应直接考察学生如何使用AI、不同形式的AI支持活动如何影响学科推理和交流，以及哪些教学和制度方法最有效地支持负责任的使用。通过这种方式，生成式AI不仅可以根据它能产生什么来考虑，还可以根据当技术存在时学生仍被要求理解、评估和做什么来考虑。
