《Frontiers in Physiology》：Innovative practice research of empowerment of artificial intelligence into blended teaching in exercise physiology
编辑推荐：
运动生理学是高等教育体育专业的一门核心课程。在现代背景下，利用生成式人工智能（generative artificial intelligence, AI）改革其教学框架对于培养专业人才和推进素质教育至关重要。针对大学一年级运动生理学教学中的三大挑战——复杂且
运动生理学是高等教育体育专业的一门核心课程。在现代背景下，利用生成式人工智能（generative artificial intelligence, AI）改革其教学框架对于培养专业人才和推进素质教育至关重要。针对大学一年级运动生理学教学中的三大挑战——复杂且相互关联的教学机制阻碍系统理解、微观机制与宏观表现之间缺乏直观联系、以及基于生理原理的创造性问题解决能力发展不足——研究人员采用AI智能体（AI agents）及相关技术创新教学理念、内容传递、教学流程和评估方法。实施了一种创新的“三阶段、六循环”混合学习模式。经过一个学期（16周）的实践后，通过问卷调查和考试成绩评估表明，人工智能赋能运动生理学混合教学显著提升了大学一年级学生的批判性思维、跨学科能力和学业成绩。这些发现表明AI在运动生理学教育中具有广阔的应用前景。通过精心设计的指导策略和人类监督，AI智能体可以作为高等教育中的有效教学助手，使教师从重复性任务中解放出来，专注于更具创新性和个性化的互动教学。
运动生理学是体育专业核心课程，传统教学面临三大挑战：机制复杂且相互关联，阻碍系统理解；微观机制与宏观表现间缺乏直观联系；基于生理原理的创造性问题解决能力不足。在人工智能（AI）驱动教育数字化转型的背景下，改革教学框架成为培养专业人才和推进素质教育的关键。本研究针对上述问题，利用AI智能体（AI agents）及大型语言模型（large language models, LLMs），创新教学理念、内容、流程和评估方法，设计并实施“三阶段、六循环”混合学习模式，旨在提升学生批判性思维、跨学科能力和学业成绩。研究发表于《Frontiers in Physiology》。
研究人员选取广东某大学体育专业196名大一学生（随机分为实验组98人与对照组98人），开展为期16周的教学干预。实验组采用AI智能体赋能教学，对照组沿用传统线下教学。关键技术方法包括：基于SOLO分类理论（Structure of Observed Learning Outcomes）重构教学内容，结合知识图谱（knowledge graph）实现学习阶段分层设计；采用案例教学法（case-based teaching）与AI分层因果推理工具，沿“现象→系统→细胞→分子→应用”认知路径辅助学生理解；采用项目式学习（project-based learning, PBL）整合AI技术，通过多轮人机协作完成问题识别、方案设计、优化与成果展示。评估工具采用问卷调查（评估自学习能力和跨学科思维能力）及考试成绩（过程性评估与总结性评估各占50%），数据经独立样本t检验和Mann-Whitney U检验分析。
研究结果部分：
3.1 调查问卷结果
3.1.1 学生普遍对AI智能体应用教学效果给予积极评价
通过16周教学后发放问卷（实验组回收94份有效问卷，有效回收率95.92%；对照组回收92份，有效回收率93.88%），Mann-Whitney U检验显示，自学习能力等级分布组间差异显著（U=3618.5, p=0.009, r=0.19），跨学科思维能力等级分布差异亦显著（U=2959.0, p<0.01, r=0.34），表明AI智能体应用对提升自学习能力和跨学科思维能力具有中等正向效应。
3.1.2 学生课程考试成绩显著提升
独立样本t检验表明，实验组过程性评估成绩（84.14±7.55）显著高于对照组（80.07±7.50），t=3.81, p<0.01；总结性评估成绩（86.75±4.93）也显著高于对照组（81.14±4.54），t=8.36, p<0.01。结果显示AI增强教学有效改善学习成果，尤其在过程性评估中体现学生进步。
讨论部分总结：在AI背景下，运动生理学教学面临三大挑战：教学理念需从“知识本位”转向“能力本位”，强调技术整合、终身学习和创新思维；教学内容需从“单一学科”拓展至“跨学科”，借助AI快速整合多学科知识；教学组织模式需从“二元双向互动”变为“多元多向互动”，形成“教师-机器-学生”三元结构。AI的创新功能体现在：认知层面，基于SOLO分类理论，AI提供学习支架，帮助学生从浅层学习（SOLO第2-3级）提升至深层思维（第4-5级），实现从记忆到创造的转变；学习模式从“教师主导”转向“人机协作”，学生通过多轮交互批判性分析AI输出，整合外部权威信息，构建方案；方案设计从“主观经验”转向“数据驱动”，利用AI对多源数据（如体能测试、睡眠、运动习惯）进行因果分析，生成个性化干预计划；教学评价从“结果评估”转向“个性化反馈”，AI平台实时追踪学习进度，动态调整内容，提供精准资源推荐。研究局限性包括：样本仅来自单一师范院校，外部效度需验证；人机协作作品中AI贡献难以完全区分，可能高估学生能力；教师AI素养差异影响实施效果。
研究结论部分翻译：人工智能融入运动生理学混合教学有效提升了大一体育专业学生的跨学科思维能力和学业成绩。这表明AI在运动生理学混合教学中具有广阔应用前景。通过精心设计的教学策略和人类监督，智能体可作为高等教育中的有效教学助手，使教师从重复性任务中解放，从而专注于更具创新性和个性化的互动教学活动。
