通过智能教育技术提高数学教育专业硕士生的教学设计能力

《Computers and Education: Artificial Intelligence》：Improving Instructional Design Proficiency of Master’s Students in Mathematics Education through Intelligent Educational Technologies

　　朱福生|钱亮|毛占民|王颖
厦门集美大学理学院，中国福建省厦门市集美区361021

**摘要**
关于智能教育的研究主要集中在宏观层面的概念和框架上，如核心原则和系统架构，而对学科特定整合和实际实施的指导有限。本研究解决了两个关键问题：（1）如何通过智能教育技术提升教育硕士（M.Ed.）课程的质量；（2）智能课堂教学模式是否能够有效提高M.Ed.学生的教学设计能力，特别是在精确性和专业性方面。本研究采用以教学为导向的方法，而非算法导向的方法，提出了一个包含学习效果、信息与通信技术（ICT）和课堂组织的三维框架。基于这一框架，开发了一套符合M.Ed.项目目标的智能课堂特征。以数学教育硕士课程为例，将智能教育技术（如自动评分、个性化推荐和多AI反馈）整合到课前、课中和课后阶段，构建了一个技术增强的教学循环。准实验设计和定量分析的结果表明，这种方法显著提高了学生制定精确且专业化的教学目标的能力。基于这些发现，本研究提出了“D-T-E模型”（学科需求-技术赋能-评估循环）作为可转移的教学框架，适用于专业硕士学位教育。这些发现为教师教育环境中支持AI的智能课堂的设计和实施提供了实际意义。

**1. 引言**
智能校区的快速发展正在推动高等教育的数字化转型，智能技术越来越多地应用于教学和学习环境中。特别是，智能学习系统已在课堂环境中逐步得到采用（Díaz-Parra, 2022）。然而，传统的教学模式仍受到标准化资源的限制，时空灵活性有限，且无法充分适应不同学习者的需求（Demir, 2021; G?ksu & Atici, 2013; Tomlinson & Kalbfleisch, 1998; Zhu et al., 2016）。在强调个性化、灵活性和技术整合的智能教育背景下，这些限制更加明显。

目前关于智能教育的研究主要集中在概念框架、课程设计和智能学习环境的构建上，但对实际和学科特定实施的指导有限（Martín, A. C., Alario-Hoyos, C., & Kloos, C. D., 2019）。由于高等教育各学科的教育需求和实施策略不同，统一的智能教学模式可能并不总是适用于所有学科。因此，需要在各个专业领域进行具体研究以有效实施智能教育。

全球范围内已广泛建立了社会科学领域的教育硕士（M.Ed.）专业，旨在培养具备高素质、跨学科能力的教育工作者（Yang, 2017）。然而，现有研究主要关注宏观层面的项目目标和结构模型，对课程层面的教学实践关注不足，也忽视了教育技术的快速进步及其在塑造当代教学实践中的作用。因此，这些技术尚未充分融入M.Ed.的教学法和课程设计中。随着教育的数字化和智能化转型，M.Ed.学生的培训目标正在重新定义，以反映新的需求。传统的研究生培训模式（以导师为中心、侧重知识传授和论文撰写）在技术快速发展的背景下面临巨大压力（Deng, 2025）。此外，高等教育仍以“一刀切”的方式为主，主要表现为教师向学生单向传递知识。这种方法未能充分支持教学与学习的互动性，也无法有效应对不同学习者的需求，从而无法完全满足培养M.Ed.毕业生应对当代教育挑战的要求（Zhang & Ma, 2024）。

本研究以数学教学设计为例，探讨了针对教育硕士（M.Ed.）专业的学科特定智能课堂框架，将多AI反馈整合到教学设计能力的培养中，并评估其对教学目标制定精确性和专业性的影响。研究结果为将智能技术融入学科特定教学法提供了实证依据。本研究并非提出新的智能教育模式，而是综合现有技术工具来提高教学设计能力，并进一步开发了智能课堂教学的学科特定实施框架。通过整合学习效果、信息与通信技术（ICT）和课堂组织这三个维度，本研究探索并验证了一条实际可行的实施路径。该框架为M.Ed.项目提供了结构化的教学设计模型，也可作为可转移的模板，用于支持其他学科的教学法数字化转型。

**2. 文献综述**
2.1. 智能教育
2.1.1. 智能教育的定义
过去二十年里，教育与信息技术的整合发展迅速。早期的努力侧重于使用多媒体和网络技术来改进教学方法和提高教学效率。最近在人工智能、大数据和移动技术方面的进展将研究重点转向了智能教育。这一范式强调适应性、个性化和数据驱动的学习环境。尽管“智能教育”这一术语被广泛使用，但在学术界尚未形成统一的定义。智能教育通常被理解为具有一系列核心特征的教育范式。Zhu等人（2016）建立了一个基础研究框架，概述了培养“智能学习者”的关键组成部分。他们的框架包括四个层次的智能教学法（差异化、协作式、个性化、生成式学习）以及智能学习环境和支持性技术基础设施的关键特征。重要的是，教育的“智能性”并非仅来源于技术本身，而是教学设计、技术背景和学习者发展之间的协同作用。这一框架为理解后续对智能教育的解释提供了重要的整合视角。在此基础上，研究人员从更多具体角度对智能教育进行了研究和概念化。

从技术应用的角度来看，智能教育常被定义为技术基础设施和数据使用的结合。例如，Wang等人（2020）认为，数据挖掘和大数据驱动的学习分析是智能教育的核心支持，因为它们显著提升了学生学习的评估水平并支持教学实践的优化。在这种定义下，“智能”指的是技术设备本身，而非教育过程或结果。同样，Yang等人（2020）强调，智能教育技术应能够识别并响应不同参与者的需求和条件。综合这些定义可以看出，智能教育的“智能性”主要归因于技术的复杂性，而非其所支持的教育过程或结果。从这个角度看，技术是实现教育目标的手段，而非教育本身的最终目标。

从定义特征的角度来看，Ga-young等人（2017）提出了智能教育的五个关键属性：信息与通信技术（ICT）、开放学习环境（E）、自主学习（S）、定制化学习（C）和社会学习（SL）。Glukhov和Vasetskaya（2017）则认为，智能教育的核心特征是提供符合学生偏好和能力的个性化学习路径，并支持其发展。Javaid等人（2021）将智能教育视为通过整合智能教学、学习、评估和管理来培养高级思维和创造力的教育过程重构。

综合这些观点，智能教育可以理解为以学习者为中心的范式，利用先进技术创造开放、灵活和个性化的教育体验。其最终目标是培养适应性强且能力出众的学习者。Tikhomirov等人（2015）认为，智能教育的主要方面不是ICT组件，而是通过ICT实现特定教育目标。他们提出了一个包含教育成果、ICT和组织三个维度的智能教育范式。本研究采用并调整了Tikhomirov等人（2015）提出的三维研究框架作为核心分析框架。学者们强调的其他关键要素（如个性化、环境开放性和自主性）也被具体化为这三个核心维度中的指标。

2.2. 高等教育中的智能课堂
随着高等教育基础设施的进步，智能教育在大学中得到了广泛应用。作为智能教育的关键实施形式，智能课堂在高等教育中得到了广泛采用。例如，中东的一所工程院校实施了技术增强的主动学习课堂（ALC）设计。个人响应系统、智能电视和天花板投影仪为内容传递和互动提供了灵活性（Gunn & Raven, 2017）。沙特国王大学采用了与其长期发展战略相一致的学习管理系统（LMS），以支持电子学习项目的管理、跟踪和评估（Alelaiwi et al., 2015）。在印度大学中，智能教育被应用于远程实验室，以支持工程学生的培训（Gowripeddi et al., 2019）。日本国立工业技术学院的岐阜学院通过整合ICT基础设施、课程设计和数字学习资源，提升了工程教育水平（Ogawa & Shimizu, 2016）。在高等教育中，智能课堂模型被广泛应用于科学和工程学科的学习中，包括实时讲座广播、增强现实和虚拟现实实验学习以及可视化辅助概念理解（Alelaiwi et al., 2015; Li et al., 2021）。

**2.3. 教育硕士专业的发展**
为满足基础教育对合格专业人才的需求，中国于1996年建立了在职教育硕士（M.Ed.）项目，并于2009年引入了全日制M.Ed.项目。M.Ed.是一个专业学位，旨在培养具有扎实理论基础、研究能力和实际教学经验的教育工作者。中国M.Ed.项目的扩展反映了社会对教育专业人才不断变化的需求（Jung, 2020）。Sui（2017）指出，为应对这些变化，越来越需要面向专业的M.Ed.项目。高等教育的普及和中国经济及产业结构的转型创造了新的高质量教育人才需求。这种转变要求M.Ed.项目更好地满足学生对高级教育的需求以及快速发展的劳动力市场的需求。Liu（2014）认为，中国的职前教师教育倾向于重视技术技能，而忽视了反思性和研究导向的能力培养，导致创新不足和教育发展的潜力受限。这些研究表明，在现代高质量发展背景下，M.Ed.项目的主要目标是提升教师的学术资格和专业素质，特别是通过增强他们的研究能力和实践能力。

中国大多数大学采用大学（U）与中小学（S）合作的方式进行本科教师培训。然而，与本科教师培训不同，M.Ed.项目旨在培养具有研究能力和高水平专业研究能力的教育工作者。不过，通过U-S合作模式很难提升M.Ed.学生的专业研究能力。在M.Ed.培训模式的创新方面，两种主要的模式是U-T-S和G-U-S联合培训模式。允许基础教育研究与发展机构（T）或地方政府（G）作为大学与中小学之间的中介，可以解决培养M.Ed.教师所需解决的问题（Li & Sun, 2022; Zuo et al., 2023）。Wang（2022）根据M.Ed.实践教学中缺乏合作、深度不足和联系不够的问题，提出了社区参与、沉浸式和四阶段互动三种模式。马和赵（2022年）开发了一种基于原始案例的“做、研究、编辑和学习”四合一教学模式，该模式有助于教育硕士（M.Ed.）研究生在封闭且逻辑严密的理论体系与开放且复杂的教育实践之间建立实质性联系，从而促进学生的学习、实践和研究过程之间的紧密互动和相互促进。孙（2020年）提出了一种针对音乐教育硕士的专业化与研究相结合的三维教学模式。熊等人（2020年）为生物教育硕士提出了模块化教学、微课辅助教学和开放式教学模式。齐等人（2020年）则结合了开放获取、数字化和虚拟仿真技术，以及传统的实验教学模式，用于物理教育硕士的教学。2.3. 教育硕士领域智能教育的当前研究现状 目前关于智能教育的研究主要集中在宏观层面，侧重于智能教室的概念阐述、课程框架和教学设计模型（Kim & Bae, 2013）。然而，针对特定学科背景的教学模型仍然相对缺乏。现有的实证研究主要集中在工程教育领域，而社会科学领域的应用研究则较少。这种不平衡尤为突出，因为智能教育提供了诸如个性化学习指导、数据驱动的分析、开放资源生态系统和高频互动环境等对教育相关学科极为重要的功能。这些技术支持对于教育专业项目来说同样重要，甚至更为关键。现代教育技术的进步为教育发展提供了重要的背景；随着学生需求的变化，教育系统必须适应并变得更加智能化。教育的数字化和现代化是一个持续的结构转型过程，在这一过程中，教育技术和教育硕士（M.Ed.）学生的专业培训都起到了关键的作用（Singh & Miah, 2020）。尽管如此，之前关于教育硕士项目中智能教室应用的研究大多局限于特定学科（例如物理学；Qi等人，2020年），并且倾向于强调技术整合而非构建连贯的智能教学模型。在研究生阶段的数学教育领域——尤其是在以社会科学为导向的高等教育背景下——对智能教学模式的系统探索仍然有限。因此，几个关键研究问题随之产生：如何通过智能教育的视角重新概念化数学教育硕士项目中的数学教学？哪种教学模型最适合这一背景？这些模型会产生哪些可测量的效果？解决这些问题对于推进智能教育在特定学科背景下的理论发展和实际应用至关重要。3. 研究方法 本研究采用了两阶段的研究设计，包括探索性定性阶段和准实验阶段。第一阶段旨在识别教育硕士（M.Ed.）项目中智能教室的系统性特征，并以数学教育为焦点开发一个特定学科的教学模型。第二阶段则考察所提出的教学模型对学生学习成果的影响。第一阶段采用定性方法来识别和概念化智能教室的关键特征。在智能教育理论的指导下，研究确定了一组与教育硕士项目教学目标相一致的核心特征。这些特征为智能教室教学模型的开发提供了依据，第四节将详细介绍该模型以及整个研究过程和发现。第二阶段采用了具有前测-后测对照组结构的准实验设计。参与者是注册了数学教育硕士项目的研究生，他们被分配到实验组或对照组。实验组根据所提出的智能教室教学模型接受教学，重点在于高中数学教学目标的设计；对照组则接受传统的相同主题教学。数据通过干预前后的评估来收集。使用SPSS 26版本进行描述性统计和推断分析，以比较两组之间的学习成果。本教学实验的参与者是集美大学理学院学科教学项目中数学教育方向的68名硕士研究生。课程由该校具有丰富教学经验的教授授课。在正式实验之前，所有68名参与者都完成了前测，并通过配对程序被分配到实验组或对照组，以确保基线等效性。在分组时，注意确保两组之间的平均分数差异在0.5分以内。在进行独立样本t检验之前，我们验证了正态性和方差同质性的假设。Shapiro-Wilk检验用于评估正态性，结果显示对照组（W = 0.976, p = 0.612）和实验组（W = 0.983, p = 0.847）均无显著偏离正态性。Levene检验用于评估方差同质性，结果显示组间方差无显著差异（F = 0.032, p = 0.859）。这些结果支持使用独立样本t检验进行后续分析。独立样本t检验用于比较两组的前测分数，结果显示两组之间没有统计学上的显著差异（t = 0.124, p = 0.902），确认了基线等效性。为了增强评估量表的情境相关性，邀请了两位课程专家和三位有经验的中学数学教师对其措辞进行了修改。然后他们独立评分了所有68份教学设计作业。使用类内相关系数（ICC）评估评分者间的一致性，结果显示平均ICC为0.85（95% CI: [0.78, 0.90]），表明专家评分之间具有高度一致性，从而证实了评分数据的可靠性。本研究定量比较了实验组和对照组学生的教学目标设计得分，以评估智能教室干预的效果。通过比较智能教室与传统教学条件下的学习成果来检验智能教室方法的有效性。研究使用了张（2021年）的教学目标设计量表作为评估工具，并根据教育硕士的背景进行了调整（详见附录中的表A.1）。调整后的量表获得了0.92的量表级内容效度指数（S-CVI），表明在新应用背景下具有良好的内容效度。该量表的操作化基于教学设计领域的基础框架。例如，Mager（1962）的行为目标理论——强调目标必须可观察和可测量——影响了两个量表指标：T1（标准符合性），要求使用可测量的动词；T5（知识本质），评估内容的基本属性和逻辑结构是否清晰表达。另外两个理论框架也支撑了该量表：首先，Shulman（1987）的教学内容知识（PCK）概念——定义为将学科内容转化为学习者可理解形式的专门能力——通过T2（能力发展）得以体现，该指标将核心能力与具体数学内容联系起来；T7–T9（学习者分析）评估与学生先前知识、认知能力和经验背景的匹配程度。其次，Biggs（2011）的建构性对齐原则认为学习目标、教学活动和评估必须形成一个连贯的系统，这影响了T3（整体整合），评估教学设计是否建立了层次化的内容结构。数据分析使用IBM SPSS Statistics（版本26）进行。计算了两组的描述性统计（每组n = 34），包括：(a) 整体教学目标设计得分；(b) 每个主要指标；以及(c) 每个主要指标下的所有子指标。独立样本t检验用于比较两组之间的教学目标设计得分。结果在第5节中报告。4. 构建教育硕士培养的智能教室模型 4.1. 适用于教育硕士培养的智能教室特征系统 本研究旨在构建一个针对教育硕士（M.Ed.）学生培训的智能教室分析框架。为此，开发并采用了一个综合的三维分析框架。该框架在理论上基于Tikhomirov等人（2015）提出的智能教育范式，该范式将智能教育定义为“教育成果、技术和组织”协同作用的系统。我们进一步将这一范式与基于成果的教育理论（Biggs & Tang, 2011）和技术整合研究（例如Zhu等人，2016）的核心原则相结合。通过这种理论整合，构建了三个分析上不同但相互关联的维度：学习有效性、信息和通信技术（ICT）以及教室组织。这三个维度共同构成了一个综合分析框架，每个维度都涵盖了智能教室的不同方面：学习有效性维度关注“智能教室最终旨在实现的目标”。它被具体化为教育硕士学生应掌握的可观察和可评估的专业能力，为技术应用与教学目标的对齐提供了参考。信息和通信技术（ICT）维度基于技术整合的研究，探讨了特定技术（如学习分析和人工智能工具）如何在教学情境中设计和实施。它侧重于这些技术在实现个性化学习路径、支持数据驱动的教学决策和提供及时反馈中的作用，从而成为实现预期学习成果的促进机制。教室组织维度关注智能教室实践实施的教学情境，探讨教学互动、学习环境和师生角色的重组方式。这一维度强调了技术整合和教学创新如何在真实的教育硕士教学情境中有意义地嵌入。基于所提出的框架，本研究在教育硕士培训的背景下具体化了每个维度的应用，通过考察每个维度在教师教育实践中的体现方式。这一过程确定了一组适用于教育硕士智能教室的领域特定特征，如图1所示。下载：下载高分辨率图片（501KB）下载：下载全尺寸图片 图1. 适用于教育硕士项目的智能教室特征系统（原始流程图）学习有效性指的是教学的预期和实际学习成果，通常体现在学生的知识获取、认知能力和专业能力上。学习有效性的不同维度受到相应的教学结构、学习环境和教学设计的影响。在教育硕士培训的内容中，本研究将学习有效性维度定义为知识内容、研究能力和实践能力。无论是在传统还是现代智能教学环境中，知识内容始终是课堂学习的基石和思想传递的载体。因此，知识获取是教学的基本目标和重要成果。教育硕士学生的知识内容具有跨学科性质。以学科数学为例，教育硕士的课堂教学必须平衡广泛的教育理论与专业数学知识的传授。教学设计需要将这些元素整合和融合，形成一个连贯的知识体系。研究和实践能力的纳入基于中国教育硕士项目的培训目标。研究能力被概念化为三个组成部分：问题识别、研究能力和创新思维。从问题识别到问题解决的过程是学术探究的基本轨迹，也是教育硕士学生的核心能力。创新思维是有效发现和解决问题的认知基础。实践能力进一步被概念化为三个组成部分：基础教学技能、专业态度和创新实践。基础教学技能和专业态度对于教育硕士毕业生有效进入和履行教学角色至关重要。创新实践是指将教学理念转化为实践的能力，这是教育硕士专业发展的要求。ICT维度包括一套旨在促进智能教育各个方面的工具。这套工具包括三个不同的类别：1. 管理工具：第一类工具用于组织和管理教育过程，提供大数据处理能力，并实现自动化管理。2. 内容开发工具：第二类工具用于开发教育内容，可能包括用于课程开发的文本和多媒体材料创建工具。至关重要的是，开发智能学习内容的工具必须提供高度的互动性，并创造出虚拟存在或远程存在的效果。第三类工具基于社交互动平台，特别是社交网络和网络研讨会软件，这些工具允许学生与教师和同学进行交流。与需要虚拟实验室环境的工程学科不同，教育硕士（M.Ed.）培训的智能教室并不需要这样的模拟。虚拟环境对于M.Ed.课堂教学来说既不是必需的，也不一定有效。教育学习成果具有不确定性；学习过程涉及教师和学生之间教育观点的分享以及对教育问题的思考互动。Yu等人（2022年）的研究表明，与传统教室相比，智能教室教学能够促进学生的参与度。因此，本研究将M.Ed.智能教室的特点确定为：互动性、效率性和开放性。智能教育的课堂组织特点包括灵活性、多样化的教学形式、开放性、知识管理实践和个人化。这些特点支持设计适应个别学生需求的学习路径。这一过程应结合多种形式的学习、适当的ICT基础设施、创新的教育技术以及教学设计，以确保学生学习的自由度。根据这一框架，M.Ed.智能教室的课堂组织特点包括五个关键要素：多样化的教学形式、个性化的学习内容、协作学习结构、多样化的评估策略以及讨论和互动的迭代循环。智能教室可以支持学生的自主学习，帮助学生进行相互研究，并通过不仅仅是讲座的功能来协助教师跟踪学生的学习进度。智能教室依靠教学平台、云计算服务和人工智能技术来实现个性化教学。智能学习平台可以提供个性化和差异化的学习资源，使学生能够更有效地获取和利用信息。智能教室通过智能教学系统的帮助整合了学习互动和资源，促进了学习要素之间的协作。智能教室中的评估是多方面的，包括教师评估、基于平台的分析以及同伴或自我评估。智能学习平台可以记录学习过程中的互动和讨论情况。师生互动可以超越教室范围，形成讨论和反思的迭代循环，这对提高学生的认知水平具有重要意义。

基于所提出的框架，本研究开发了一种以学科需求、技术赋能和评估循环为核心的课堂教学模型，以下简称D-T-E模型。4.2. 教育硕士培养的智能教室教学模型。本节以高中数学课程中的教学目标设计为例，展示了“D-T-E模型”。如图2所示，该模型的教学流程由特定的智能教室特点指导，这些特点涵盖教育成果、信息和通信技术（ICT）以及课堂组织三个维度，并系统地整合到教学过程的每个阶段。下载：高分辨率图片（538KB）下载：全尺寸图片图2. M.Ed.项目的智能教室教学流程（原始流程图）4.2.1. 课前活动“D-T-E模型”利用智能教学平台精确地提供“专门的实践任务”和“课前指导练习”，这些任务和练习专注于高中数学的教学目标设计。学生独立完成设计后，将结果以文本或图像格式上传到平台。平台使用预设的评估标准（见附录中的表A.2）和并行计算系统进行快速智能评分和多维度数据分析，生成可视化的评估结果。这一过程大大减少了传统手动评估的时间延迟，为教师提供了可靠的数据支持，帮助他们准确了解学习情况并进行有针对性的教学，从而实现个性化和高效的教学。在课前练习阶段，智能平台会自动记录关键数据，如学生的反应时间和准确率，并通过直观的图表（如饼图和条形图）可视化这些数据。同时，学生遇到的困难被分为五种类型：(1) 任务理解模糊：对教学目标设计评估标准的具体要求和评分维度理解不清；(2) 教材内容转化困难：将教材内容转化为可测量和可评估的教学目标存在挑战；(3) 信息过载：在大量资源和冲突的观点中难以辨别有效信息；(4) 表面认知处理：思考停留在表面层次，缺乏对教材编辑逻辑和关键难点的深入分析；(5) 技术效率低下：不熟悉平台操作。根据平台的智能反馈报告，教师可以精确评估学生对教学目标的认知水平及其对教材内容的掌握情况，从而识别知识空白，科学地优化课堂教学的重点，并提前设计有针对性的协作探究任务。基于此，教师可以根据学生的差异进行分层分组，并制定个性化的学习路径。对于在知识应用方面遇到困难的学生，系统推荐解释高中数学课程标准的视频和示例集，帮助学生掌握基本理论并实现有效的转化；对于在信息选择上有困难的学生，系统提供权威文献的精选包和高质量资源的导航地图，指导他们高效筛选和整合信息。同时，教师在平台上发布探究驱动的核心问题，引导学生探索。例如：“你的教学目标设计有哪些理论基础？”“你对教材的分析有哪些创新见解？”“课程标准中的目标设定背后有什么逻辑？”“你是否有值得批判性讨论的不同观点？”在这些问题引导下，学生可以利用校园网络访问国内和国际学术数据库及慕课（MOOCs）。通过独立学习相关教学理论并吸收前沿观点，学生不仅扩展了学习范围，还培养了研究能力和实践创新能力。4.2.2. 课堂中的活动“D-T-E模型”将精心策划的教学资源汇总并上传到智能平台，包括专家对课程标准和关键能力的解读以及教学设计的典型案例。为了应对个体差异，平台采用个性化的智能推送机制，根据数据分析将学习资源与每个学生的具体认知水平、表现历史和情感特征相匹配。除了这种自动化推送外，学生还可以根据自身需求和偏好主动从教师整理的资源库中获取资源。在智能推送的资源审查完成后，正式的教学环节开始。教师在初步讲解内容后，引导围绕具体课堂问题展开讨论，通过迭代过程深化学生的参与度。具体课堂活动详见附录中的表A.3。完成这些活动后，学生将通过整合讨论中的见解来完善他们的教学目标设计。4.2.3. 课后活动持续和及时的评估对于提高学习质量至关重要（Tian, x.c., Deng, y.c. & Zhang, t. 2020）。为了提升教育硕士（M.Ed.）学生的教学目标设计能力，“D-T-E模型”整合了人工智能作为即时反馈的机制。学生完成初稿后，将其提交给三个主流大型语言模型（LLMs）——DeepSeek、Doubao和Kimi进行评估。这些模型作为“智能评审员”，从四个维度（科学严谨性、适应性、可操作性和发展潜力）对设计进行诊断，并提供具体的修改建议。随后，学生结合AI建议进行自我评估和同伴评估，再根据AI建议修改初稿，然后由教师进行评估。这个迭代循环持续进行，直到最终的教学目标设计完成并上传到智能平台。这样，传统的单一提交作业变成了“设计-反馈-反思-优化”的闭环学习循环，使学生通过持续的人机互动逐步提升设计能力。研究人员使用教学目标设计质量评估标准（见图4）来“训练”AI，确保其完全理解评估教学目标质量的标准。随后，学生的初稿被输入AI进行评估。以下是学生S针对“函数的单调性”主题撰写的教学目标初稿：1. 能够用数学语言表达增函数和减函数的定义；2. 能够通过图形和定义方法确定函数的单调性；3. 通过示例和熟悉的函数图像理解函数的单调性，并正确使用符号语言描述它；4. 提升直观想象力和数学抽象能力，理解数学符号的“简洁性”，并学会用符号语言表达现实生活中的数学问题。该初稿被输入三个最常用的中文大型语言模型（LLMs）进行评分反馈。这些模型在中文语言环境中表现出强大的教学遵循和文本理解能力，能够有效评估教学设计成果的逻辑性、标准性和可测量性。由于这三个模型由不同的机构开发，其训练数据和模型架构存在差异，因此经常给出互补甚至不同的评估意见，使学生在校正过程中接触到多种观点，从而促进批判性反思。这种“三角相互验证”策略符合本研究的核心理念，即通过及时、多样和可操作的智能反馈来提升教学目标设计能力。通过比较，我们发现这三个AI模型在支持教学目标设计方面各有特点：DeepSeek在理论构建方面表现出色，提供逻辑严谨且结构标准化的分析，有助于学习者理解三维目标的内涵，适合巩固教学设计的学术基础；Kimi侧重于教学实践，能准确诊断目标中的不足并提出实际改进策略；Doubao则以简洁性和效率著称，为修改提供明确的方向，适合时间有限的场景。在指导M.Ed.学生时，这三个模型可以协同使用：Kimi用于构建知识和技能框架，Doubao确保目标具体且可测量，DeepSeek则整合技术支持的学习过程。最终，有两个深度思考环节，如图4所示：第一环节学生之间进行双向深入学习，第二环节则深入反思教育研究。第一环节包括优秀和高级学生作为双向学习者，提出关于课堂问答和讨论中出现的难点的问题；第二环节中，教师提出问题以培养学生的创新研究和实践能力：“是否可以设计一个教学目标的设计范式？”“能否构建一个指标系统来确定教学目标的相应层次？”5. 结果与发现基于智能教育、学习效果、信息和通信技术以及课堂组织的三维框架，并结合教育硕士（M.Ed.）的教育要求和特点，我们研究了M.Ed.项目的智能教室特点。我们发现，在设定教育目标时，应考虑知识内容、研究能力和实践能力的三个层面，并确定使用信息和通信技术（ICT）可以提高课堂的互动性、效率和开放性。在教学组织中，课堂应具备多样化教学形式、个性化学习内容、合作学习元素、多样化学习评估以及讨论的迭代循环。通过教学模式的比较实验和数据分析，我们发现智能教室教学模式比传统课堂教学模式具有显著更好的教学效果。智能教学平台记录了所有数据和课堂视频，收集并整理了课后两组学生提交的教学目标设计，并将设计结果提供给教师。表A.5（见附录）显示了三级指标和三位专家教师评分的平均总分。表A.6（见附录）显示了每个二级指标的得分，图5显示了教学目标设计中二级指标得分的变化。下载：下载高分辨率图片（359KB）下载：下载全尺寸图片图5. 二级指标得分的比较通过表A.5，我们可以直观地比较传统教学方法和智能课堂教学方法之间的差异。实验组在智能课堂教学模式下的总得分比采用传统教学方法的对照组高出4.06分。结合表A.6，我们可以看到实验组在每个一级指标上的得分都高于对照组，且在每个二级指标上的得分也高于对照组。与传统教学方法相比，智能课堂显著提高了学生的学习水平。使用IBM SPSS Statistics 26进行了独立样本t检验，以评估实验组和对照组在教学目标设计得分上的差异，从而比较智能课堂与传统教学模式下的学生学习成果。如表A.7所示，分析结果显示两组之间存在统计学上的显著差异。实验组（M = 84.15, SD = 6.48）的表现优于对照组（M = 80.09, SD = 6.47），t(66) = 2.576，p = .012。此外，这种差异的幅度很大。效应量计算为Cohen’s d = 0.62，表示中等到高的效应水平，95%置信区间为[0.12, 1.12]。结论这些发现表明，在智能课堂模式下，学生的表现优于传统模式下的表现。因此，可以得出结论，智能课堂方法不仅显著提高了学生的教学目标设计能力，而且在实际教育意义上也非常重要。对三个一级指标（课程标准、数学教材和学生学习条件）的得分进行了独立样本t检验。如表A.8（见附录）所示，差异的概率值都具有统计学意义（p < .05）。这些结果表明，在智能课堂模式下，学生在所有三个维度上的教学目标设计能力都显著优于传统教学模式。图5展示了实验组和对照组在各个二级指标上的得分比较，说明了智能课堂教学在提高学生教学目标设计能力方面的具体效果。在二级指标中，“能力发展”、“整体整合”、“内容抽象”、“知识内涵”、“知识基础”和“思维体验”等方面的得分存在显著差异。实验组在“T2能力发展”和“T5知识内涵”上的显著优势直接证明了他们在教学目标设计方面的“专业性”有所提升。同时，“T1要求达成”（+2.86）的改进反映了目标制定的“精确性”方面的进步。这表明，“D-T-E模型”通过多维技术支持和多轮评估与反思，系统地促进了学生“精确性”和“专业性”等核心素质的协同发展。上述分析得出以下结论：“D-T-E模型”提供的开放学习资源和个性化内容推荐显著加深了学生对学科核心能力的理解，使他们能够准确制定教学目标。此外，智能教学平台通过补充必要的材料有效弥合了信息差距，帮助学生在设计过程中清晰地识别和考虑学习者的先前知识基础。多样化的学习评估和课后的迭代修订环节专注于教学目标设计，使教育硕士生能够不断改进其目标设计中的不足，并有效地将教学目标整合到三维目标框架中。因此，实验组在教学目标设计方面总体上优于对照组。“D-T-E模型”中的递归互动和多元素协作促进了教育硕士生之间以及学生与教师之间的广泛交流。这一过程使学生能够分享关于学生认知体验、数学内容抽象过程和数学知识本质的观点，从而加深了他们对教学目标设计的理解。6. 讨论与结论“D-T-E模型”的价值通过特定学科的技术框架得以实现，这一点通过我们的数学案例研究得到了验证。与我们的框架中的ICT维度一致，实验组使用了一个针对数学特点定制的平台——即其“抽象性、逻辑性和适用性”——该平台具有课程标准解释数据库等功能。实验组在所有一级指标上的表现都显著优于对照组，特别是在学生学习状态维度上（见附录中的表A.5）。这一发现支持了Tikhomirov等人（2015）的观点，即ICT是实现特定教育成果的工具，这与对照组使用的通用技术形成对比。此外，实验组在“内容抽象”等二级指标上的优异表现（见表A.6）说明了定制工具如何加深对数学概念的理解，这与Ga-young等人（2017）提出的智能教育属性相一致。虽然将学科需求与技术功能相匹配的逻辑可以推广到其他领域，但需要对通用技术（例如大语言模型）进行适应性修改，以整合核心学科特征。教学效果的提升源于基于“评估即学习”概念的评估范式转变，这将评估转变为促进元认知发展的工具——这是学习效果维度的核心目标。实验组在“能力发展”和“整合与对齐”这两个二级指标上的得分分别比对照组高出4.56分和4.02分。与对照组的一维反馈不同，实验组利用智能平台创建了一个包含智能诊断、同伴评估和针对性教师指导的多轮互动系统。这建立了一个“设计-评估-反思-修订”的闭环，培养了学生的元认知技能，并使他们具备了自我改进的方法（从而验证了Javaid等人，2021；Glukhov & Vasetskaya，2017）。这种转变还重新定义了“学习效果”，体现在实验组中观察到的主动学习行为频率的增加，标志着从“被动接受评估”到“主动利用评估”的转变。从教学法的角度来看，本研究中的课前、课中和课后过程遵循了“准备-教学-实践-反馈”的经典结构。其背后的逻辑并未完全脱离对照组所代表的传统教学方式。这项研究的真正突破在于利用智能技术显著增强了这一经典结构中的“反馈循环”。通过AI提供即时、多维和可操作的反馈，研究加强了“设计-评估-反思-修订”的迭代学习过程。这与建构主义学习理论中强调的“反思性实践”高度契合，可以视为技术支持的“建构性对齐”的深化和扩展。此外，该模型重构了课堂互动动态。智能平台的整合将师生互动从单一的课堂问答扩展到了基于多媒体资源、在线论坛和协作工具的多样化多轮交流。这种技术中介的互动模式为学生提供了更丰富的环境，使他们能够深入理解知识内涵并交流想法和经验。与采用线性、封闭和讲授式组织的传统教学相比，实验组构建了一个基于智能平台的多代理、多轮和多媒体的模型。在“知识内涵学习”、“想法与经验交流”和“协作设计”等环节中，学生通过多媒体资源、跨班级论坛和在线协作工具加深了学习。技术因此转变为一种互动媒介，构建了一个具有特定情境特征和时空灵活性的沟通环境。本研究有几个局限性。首先，研究结果主要基于数学教育硕士生的案例研究。虽然这种特定的学科背景有助于深入和有针对性的探究，但也可能限制了结果在其他学科领域（如人文学科或语言学科）的直接推广性，除非在技术和教学设计方面进行进一步调整。其次，关于研究样本，存在两个具体限制：1. 统计精确性：尽管研究结果具有统计学意义（p = 0.012），效应量适中到较大（Cohen’s d = 0.62），但Cohen’s d的95%置信区间为0.12至1.12，表明存在一定的不确定性。这主要是由于样本量相对较小（N = 68）。因此，虽然这些结果肯定了干预的积极影响，但在精确估计效应大小时仍需谨慎。2. 样本代表性：总体研究样本规模较小（68名参与者），可能无法充分反映更广泛的数学教育硕士生群体的多样性，其强烈的地域性和机构集中性可能限制了研究结果在不同培训目标、课程和教学资源的项目中的普遍适用性。展望未来，ICT的持续发展有望进一步改变课堂支持和智能课堂的形式。未来的工作应优先考虑以下方向：（1）检验可转移性：将提出的“D-TEL”模型和智能教学模式扩展并适应其他学科和机构环境，以验证其可转移性；（2）开发评估框架：构建并验证一个与其核心维度（学习效果、ICT整合和课堂组织）相一致的专用智能教育评估框架；（3）探索技术前沿：研究新兴技术（如生成式AI、沉浸式环境）在目标、手段、组织和评估方面的潜力，以动态改进智能教学系统；（4）加强实证验证：扩大样本规模并进行多中心试验，以缩小置信区间，从而获得更稳健和精确的效应估计，从而更好地验证该模型的有效性和普遍性。作者贡献声明：毛占民：软件、资金获取；梁倩：验证、软件、调查；朱福生：写作——审阅与编辑、写作——初稿、可视化、方法论、数据分析、概念化；王颖：写作——审阅与编辑、监督、资源、调查、资金获取。未引用的参考文献：Deng等人，2025；Díaz-Parra等人，2022；Javaid等人，2022；马和赵，2022；中华人民共和国教育部，2020；Oon等人，2017；Spector，2014；田等人，2020。利益冲突声明：作者声明没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。伦理批准声明：该研究获得了伦理委员会的批准，ID：WHU-HSS-IRB2026026。所有参与者均获得了知情同意，他们的隐私权得到了严格保护。数据可通过发送请求电子邮件给通讯作者获得。数据及材料的可用性：不适用。伦理批准声明：该研究获得了伦理委员会的批准，ID：WHU-HSS-IRB2026026。所有参与者均获得了知情同意，他们的隐私权得到了严格保护。数据可通过发送请求电子邮件给通讯作者获得。关于写作过程中生成式AI和AI辅助技术的声明：在准备这项工作时，作者使用了Doubao来改进语言、可读性和文章的组织/流畅性。使用这些工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。资金来源：湖北省高等教育教学改革项目（课程思想政治教育的工具、方法和实践）；陕西省高等教育教学改革重大项目（编号23BZ090）。