《Journal of Chemical Education》：A Team-Based Learning Activity with AI-Supported Reasoning for Teaching Molecular Dynamics
编辑推荐：
分子动力学（Molecular Dynamics, MD）模拟日益纳入化学与生命科学课程，但学生常难以解释输出结果，也难以将多种描述符整合为连贯解释。本研究呈现一项团队式学习（Team-Based Learning, TBL）活动，面向生物技术硕士层面物理化学
分子动力学（Molecular Dynamics, MD）模拟日益纳入化学与生命科学课程，但学生常难以解释输出结果，也难以将多种描述符整合为连贯解释。本研究呈现一项团队式学习（Team-Based Learning, TBL）活动，面向生物技术硕士层面物理化学课程，用于支持上述过程。该活动强调比较并整合蛋白质与配体根均方偏差（root-mean-square deviation, RMSD）时间序列、区域根均方涨落（root-mean-square fluctuation, RMSF）值、关键氢键持续率与口袋占据率；并要求学生在解释存在模糊性时进行集体论证，同时使用受刻意约束的AI导师作为反思脚手架，促发解释而不提供权威性答案。活动期间团队讨论通常围绕比较这些指标，并为替代分子情景建立集体解释。学生反馈总体认可协作式TBL结构，而对AI导师的感知则喜忧参半，表明其实用性在学生中存在差异。
该研究论文发表于《Journal of Chemical Education》。研究背景方面，分子动力学（Molecular Dynamics, MD）模拟在物理化学及相关领域作用增强，可揭示超越静态表示的分子行为，因此成为化学与分子生命科学本科及研究生课程常见内容。但教学挑战突出：学生需要解释模拟输出并整合多个定量描述符；在生命科学导向的物理化学课中，MD通常作为理解生物分子系统的概念框架，教学重点是围绕输出结果推理，而非运行模拟。常用描述符包括根均方偏差（root-mean-square deviation, RMSD）、根均方涨落（root-mean-square fluctuation, RMSF）与相互作用持续率（interaction persistence）。这些描述符并不提供直接且明确的解读，同一趋势可能因上下文、时间尺度或参考结构不同而对应不同分子行为。因此MD分析是一种解释性实践，需要协调全局结构偏离、局部柔性、氢键持续率和口袋占据率等多源证据。已有研究表明，主动与协作教学有助于抽象且解释模糊的学科；团队式学习（Team-Based Learning, TBL）兼具个体问责与应用型集体决策，适合让学生比较同一数据的不同解释并达成基于证据的共同选择。同时，人工智能（Artificial Intelligence, AI）用于化学教育受关注，但存在过度依赖与学科推理参与下降的隐忧，文献主张把AI设计为促发推理而非给答案的工具。结构化TBL中融入AI、尤其在STEM学科特定情境下的研究仍不充分，因此研究人员开展本研究，描述面向生物技术硕士生物理化学课程的一项TBL活动，让学生通过比较替代情景和集体论证来解释MD描述符，并嵌入受约束AI导师以促发反思。
主要关键技术方法如下：研究人员在生物技术硕士课程“Physical-Chemical Models and Methods for Biological Systems”中实施活动，学员共13人，背景为生物科学与生物技术，无MD正式先修；按TBL原则编为4人、4人、5人三队以最大化组内异质性。活动前一周发放预习材料，课堂分两次约2小时时段：先做个人的iRAT与团队的tRAT readiness assurance，再经教师澄清；应用阶段使用受ChatGPT 5.1辅助生成的合成教学数据集，包含野生型与突变型复合物的蛋白质/配体RMSD、三区域RMSF、关键氢键持续率、口袋占据率与配体退出事件，并明确告知学生数据为synthetic而非真实MD轨迹。AI导师Isacco为定制ChatGPT智能体，仅用系统指令给出提示、比较指标、指出不一致，不提供权威解。反馈用12人匿名问卷记录感知，不测直接学习产出。
Course Context and Participants部分说明，活动位于硕士物理化学课程，学生无MD先修，仅靠课前独立预习；13人按异质背景组队，三队处理同一MD数据集与同一应用任务，便于按推理而非任务条件比较。Participation自愿，研究者兼教师，学生知情同意，低风险教学研究无须正式伦理审批，数据课后匿名分析。
Overview of the TBL Activity部分说明，活动沿标准TBL序列：个人准备、readiness assurance、课堂应用。第一次课做iRAT与tRAT，团队对同样题目协商出集体答案，随后教师澄清概念；第二次课做team application（tAPP），团队解释MD数据、比较替代分子情景并给出带论证的集体决策。结果显示该结构能让学生在进入高难度任务前统一关键概念。
Design and Learning Goals of the MD Application Task部分说明，tAPP受一项病毒蛋白酶配体结合与结构稳定性MD研究启发，但用合成数据把原始研究要素映射到教学情景；学生被设定为多学科联盟成员，在早期候选抑制剂筛选中评估多个配体结合系统并考虑靶向残基替换对结合稳定性的影响。由于任何单一描述符都不够决断，团队必须综合多项指标并讨论替代解释，从而实现“MD作为解释性实践”的教学目标。
AI-Supported Tutoring部分说明，Isacco接入与班级相同的学习材料，行为被系统指令严格限定：促发解释、跨指标比较、凸显解释不一致，但不当自动解题器；数据解读责任仍归学生团队。结论上，这种constrained AI scaffold可作为对话式导师，保留学生的解释与决策责任。
Class Implementation and Students’ Responses部分说明，12名完成问卷的学生总体肯定TBL序列有助投入与处理解释模糊；团队在应用中常先凭稳定RMSD误判强结合，再看RMSF与氢键持续率后修订解释，说明多描述符协调发生。AI导师评价分化：部分学生认为可核查解释一致性或激发替代思路，也有中性与负面评价，故AI只是补充脚手架而非核心。
Readiness Assurance Phase部分说明，iRAT记录个人准备度，tRAT要求团队重议并交集体答案；三队tRAT分均高于队内iRAT均值，体现团队协作对概念澄清与准备度提升的作用，但tRAT不是个人后测。
Team Reasoning during the Application Activity部分说明，团队通常不用单指标下结论，而是把蛋白质/配体RMSD、区域RMSF、氢键持续率与口袋占据率放在一起；即便解释仍带描述性，也出现把不同描述符相互关联的过渡性推理，共享决策倒逼理由外显。
Student Perceptions of the Activity部分说明，结构化准备—保证—应用被认可能帮学生理解MD描述符及指标关系；AI导师感知混合，活动虽有用但认知负荷较高。
讨论与结论部分总结：该文显示结构化协作任务可把MD分析教成解释性实践，鼓励学生协调RMSD、RMSF、interaction persistence等证据并比较替代解释；TBL结构获正向感知，AI组件则属探索性、次要性，不能据此断言普遍学习收益。局限包括小样本、单课程、问卷全为正向措辞可能存在顺同偏差、问卷只测感知而非学习结果。其意义在于为生命科学向物理化学课程提供可迁移的TBL+constrained AI设计原则与材料。
结论原文意译：本工作描述一项TBL活动的设计与课堂实施，用于在生命科学硕士生物理化学课中支持MD数据解释；活动强调解释、多指标整合与决策集体论证，并加入受约束AI导师以促发反思而非给权威答案。活动说明结构化协作任务可帮助学生把MD分析作为解释性实践，促使其统筹RMSD、RMSF与interaction persistence等描述符并在共享决策前比较替代解释；即便推理仍部分描述化，小组讨论也推动了异源信息协调。学生反馈总体认可TBL序列有助于应对解释模糊，AI组件看法则喜忧参半，应视为TBL结构之外的探索性补充，而非普遍学习益处的证据。尽管仅单课程小队列且证据为描述性，该设计原则与材料可支持其他教学情境采纳与改造；未来可在更大队列、任务变体或其他AI脚手架形式中继续研究。
