生成式人工智能在中學(xué)化學(xué)教育中的應(yīng)用、挑戰(zhàn)與實施建議

楊丹

薛松

（浙江師范大學(xué)教育學(xué)院

浙江金華

321004）稿件編號：2024-08-0025

1

引言生成式人工智能是一種能夠自動化生成文本、圖像、視頻、音頻等多種類型內(nèi)容的技術(shù)，具備啟發(fā)性內(nèi)容生成、對話情境理解、序列任務(wù)執(zhí)行和程序語言解析等四項核心能力[1]。這一技術(shù)的發(fā)展不僅提升了內(nèi)容生成的效率和質(zhì)量，也為教育領(lǐng)域帶來了新的機遇和挑戰(zhàn)。以ChatGPT、Claude、Copilot為代表的生成式人工智能工具，通過一對一對話功能，為學(xué)習(xí)者提供了更加直觀且互動性強的學(xué)習(xí)體驗。同樣，國內(nèi)如“文心一言”和“星火大模型”也在這方面取得了顯著進展，通過即時響應(yīng)個性化需求，推動了學(xué)習(xí)平臺的進一步智能化。然而，如何有效地將這些技術(shù)整合到具體的教學(xué)中，依然是一個亟待探索的領(lǐng)域。例如，Prakash等人（2023）通過設(shè)計一種基于GPT模型生成改良選擇題系統(tǒng)，操控多項選擇題（MCQ）中的干擾項（如“事實”、“過程”、“準(zhǔn)確性”），以識別學(xué)習(xí)者在理解和應(yīng)用過程中的短板，驗證了這一系統(tǒng)在提高學(xué)習(xí)者選擇題答題準(zhǔn)確性方面的潛力[2]。該研究揭示了人工智能技術(shù)在教學(xué)評估中的可能性，尤其是在識別學(xué)習(xí)者認(rèn)知盲點和促進針對性教學(xué)方面具有重要意義。然而，這種基于選擇題干擾項的自動生成策略雖然適用于某些學(xué)科評估，但在實際教學(xué)中，尤其是在理科如化學(xué)中，仍需要更加多樣化且精細(xì)化的教學(xué)工具和方法。王阿習(xí)（2024）進一步提出，借助生成式人工智能技術(shù)如ChatGPT和“文心一言”，可以實現(xiàn)對學(xué)習(xí)者個性化疑問的即時響應(yīng)，有助于培養(yǎng)學(xué)生的科學(xué)素養(yǎng)[3]。這說明，生成式人工智能不僅能作為知識傳遞的工具，還可以成為促進學(xué)習(xí)者科學(xué)思維發(fā)展的輔助工具。然而，這種觀點仍需通過大量實證研究進行驗證，尤其是在不同學(xué)科背景下的適用性。當(dāng)前，國內(nèi)的研究已經(jīng)在物理（馬馳川和鄭子杰，2024）、地理（孫旭和趙越，2023）和生物（姜麗英和秦紅兵，2022）等學(xué)科中，初步探索了生成式人工智能在中學(xué)教學(xué)中的應(yīng)用[4–6]。這些研究表明，不同學(xué)科對生成式人工智能的需求和應(yīng)用場景各不相同，物理和地理等學(xué)科更多地聚焦于知識點的快速反饋和即時練習(xí)生成，而生物學(xué)科則強調(diào)模型構(gòu)建和科學(xué)探究過程中的啟發(fā)性引導(dǎo)。然而，盡管這些探索為人工智能與學(xué)科教學(xué)的融合提供了重要的參考案例，但在化學(xué)等領(lǐng)域的應(yīng)用仍十分有限。雖然各學(xué)科之間存在相似性，可以相互借鑒教學(xué)方法和技術(shù)，但化學(xué)學(xué)科教學(xué)因其復(fù)雜的概念結(jié)構(gòu)和實驗性的學(xué)習(xí)內(nèi)容，要求生成式人工智能能夠在更高層次上支持模型構(gòu)建和實驗設(shè)計的反饋，這需要針對具體學(xué)科進行深入研究和實踐，開發(fā)出適用于該學(xué)科的具體應(yīng)用案例。這不僅有助于豐富教學(xué)資源，還能確保技術(shù)的有效性和針對性，滿足不同學(xué)科的獨特需求。文獻分析發(fā)現(xiàn)，國內(nèi)尚缺乏關(guān)于生成式人工智能在化學(xué)教育領(lǐng)域應(yīng)用的研究，而國外已有相關(guān)的理論和實證研究。Yuriev等人（2024）的研究指出，生成式人工智能的教學(xué)應(yīng)用范圍廣泛，涵蓋課程準(zhǔn)備、課堂問題解決、課后實驗報告撰寫等多個方面，其潛在的教育影響力不容忽視。然而，生成式人工智能的廣泛應(yīng)用也引發(fā)了學(xué)術(shù)誠信和評估有效性等問題，尤其是學(xué)生可能未經(jīng)批判思考就接受其答案的現(xiàn)象，這在教育領(lǐng)域值得關(guān)注[7]。這一問題在化學(xué)教育中尤為突出，因為化學(xué)不僅依賴語言理解，還涉及高度的圖形和數(shù)據(jù)分析能力。具體到化學(xué)領(lǐng)域，Alasadi（2024）的研究表明，生成式人工智能展現(xiàn)了圖像處理的能力。例如，GPT-4在處理化學(xué)表格數(shù)據(jù)和圖像時表現(xiàn)出穩(wěn)健性，它不僅能夠提供正確的反饋，還能夠?qū)﹀e誤答案進行詳細(xì)解釋，闡明問題背后的科學(xué)原理[8]。這展示了生成式人工智能在復(fù)雜概念學(xué)習(xí)中的潛力，尤其是在幫助學(xué)生辨別正確和錯誤概念時，它具有作為輔助教學(xué)工具的可行性。然而，值得注意的是，盡管生成式人工智能能夠提供反饋和解釋，教師仍需對這些反饋進行監(jiān)督和調(diào)整，以避免學(xué)生依賴技術(shù)而忽視深度思考。此外，Leite（2024）探討了ChatGPT、Gemini和Copilot這三款聊天機器人在定義五個基本化學(xué)概念時的表現(xiàn)和準(zhǔn)確性，結(jié)果顯示它們能夠給出連貫的科學(xué)概念解釋，但總的來說Gemini和Copilot的回答更令人滿意，而ChatGPT則存在化學(xué)信息不足的問題，這可能影響學(xué)生對概念的理解和問題解決能力[9]。這一發(fā)現(xiàn)揭示了生成式人工智能在化學(xué)教育中存在的局限性：即便工具能夠生成看似合理的答案，但如果對化學(xué)概念理解不夠深入，可能導(dǎo)致學(xué)生形成錯誤的認(rèn)知框架，尤其在需要精確和復(fù)雜理解的學(xué)科中，這一問題尤為顯著。結(jié)合以上研究，生成式人工智能在化學(xué)教育中的應(yīng)用需要考慮其在不同教學(xué)場景中的適用性和局限性。在國內(nèi)中學(xué)化學(xué)教育中，盡管生成式人工智能展現(xiàn)出一定的潛力，但仍需開展針對性探索，以開發(fā)適合該領(lǐng)域的應(yīng)用案例，幫助教育者更好地理解并合理運用這些工具，從而避免對技術(shù)的盲目依賴。為了全面評估生成式人工智能技術(shù)對教師和學(xué)生在便捷性和準(zhǔn)確性方面的影響，本研究選取了由Microsoft開發(fā)的生成式人工智能聊天機器人Copilot（前稱BingChat）作為測試對象，從教學(xué)、學(xué)習(xí)和評估三個維度，與Copilot進行深入對話，分析其在中學(xué)化學(xué)教育中的應(yīng)用潛力。研究設(shè)計了一系列任務(wù)，旨在評估Copilot在解答高中化學(xué)問題的準(zhǔn)確性、輔助課程構(gòu)建的能力以及生成即時反饋的有效性。通過這些任務(wù)，揭示了Copilot在化學(xué)教育中的實際表現(xiàn)和潛在局限。最后，本文探討了化學(xué)教育在人工智能工具的基礎(chǔ)上，如何應(yīng)對人工智能時代的挑戰(zhàn)，并提出了利用這些工具來支持和增強教學(xué)、學(xué)習(xí)和評估過程的策略。2Copilot介紹Copilot是微軟推出的一款免費開放產(chǎn)品，集成了GPT-4技術(shù)，能夠提供最新的信息和數(shù)據(jù)。Copilot不僅具備對話交流的功能，還能選擇對話樣式（如圖1所示）完成具體的任務(wù)，例如在化學(xué)領(lǐng)域識別晶體圖片類別、根據(jù)文字描述生成圖像、處理并分析數(shù)據(jù)等。此外，Copilot能夠理解和生成多種語言的內(nèi)容，并根據(jù)使用者的歷史記錄和偏好提供個性化的推薦和服務(wù)。與其他人工智能工具相比，Copilot的獨特之處在于它能夠從網(wǎng)上已有的信息中獲取資源，并附上信息來源鏈接，從而在一定程度上確保了問題回答的準(zhǔn)確性。這些超鏈接不僅允許學(xué)生和教師直接訪問信息并驗證生成式人工智能的結(jié)論，還讓使用者能夠探索生成回答之外的相關(guān)信息，這對于進一步的學(xué)習(xí)和研究非常有益。因此，推薦使用Copilot進行對話以獲取所需的化學(xué)資源或指導(dǎo)。Copilot的訪問網(wǎng)址為：/chat?q=Microsoft+Copilot&FORM=hpcodx。3Copilot在化學(xué)教學(xué)中的應(yīng)用舉例3.1

教：助力教師專業(yè)化發(fā)展《普通高中化學(xué)課程標(biāo)準(zhǔn)（2017年版2020年修訂）》指出，在化學(xué)教學(xué)中，教師需具備多學(xué)科知識以實現(xiàn)有效整合[10]。然而，這對單學(xué)科背景教師而言是一大挑戰(zhàn)。高中化學(xué)與數(shù)學(xué)、物理、生物和地理等學(xué)科均有交叉，但大部分化學(xué)教師并不具備跨學(xué)科知識的基礎(chǔ)。Copilot能夠即時為教師提供參考資料、評估教學(xué)資源、概括化學(xué)概念和實驗過程，甚至協(xié)助創(chuàng)作教學(xué)案例，并在探索新的學(xué)科領(lǐng)域、主題或方向時給予支持。這些功能極大地豐富了教師的備課資源，提高了教學(xué)設(shè)計的效率和質(zhì)量，如案例1所示。案例1：查找信息并協(xié)助教學(xué)設(shè)計Copilot在協(xié)助教師設(shè)計教學(xué)時提供了乙醇在人體內(nèi)代謝過程的基本概述，包括吸收、代謝和進一步代謝。這為教師提供了一個清晰的知識框架，以便將乙醇的生物化學(xué)知識融入到課堂教學(xué)中。然而，Copilot的回答沒有提供具體的教學(xué)策略和教學(xué)過程，例如如何將乙醇的相關(guān)知識點與代謝途徑聯(lián)系起來等。教師進一步向Copilot提出要求“在乙醇的教學(xué)中，設(shè)計一個有酒精在人體內(nèi)的轉(zhuǎn)化途徑、酒駕的檢驗、不同飲用酒中酒精的濃度、工業(yè)酒精和食用酒精的區(qū)別等內(nèi)容的教學(xué)過程（需要有師生對話和具體資料展現(xiàn)信息），需要符合高中化學(xué)課程標(biāo)準(zhǔn)要求，體現(xiàn)化學(xué)學(xué)科特點”，它的回答如圖2(a)和圖2(b)所示。Copilot能夠解答關(guān)于酒在人體內(nèi)的轉(zhuǎn)化途徑、酒駕的檢驗、不同飲用酒中酒精的濃度、工業(yè)酒精和食用酒精的區(qū)別這些偏生活化的化學(xué)問題，并且這些情景在教學(xué)設(shè)計中有著順暢、邏輯性強的串聯(lián)，基本符合高中化學(xué)課堂的要求。然而，在人工智能生成的信息方面，仍需對其準(zhǔn)確性進行佐證。例如，通過點擊鏈接1可以了解到，飲酒駕車是指駕駛?cè)搜褐械木凭看笥诨虻扔?0mg/100ml但小于80mg/100ml卻仍進行駕駛的行為，而醉酒駕車時血液中的酒精含量大于或等于80mg/100ml。因此，Copilot關(guān)于酒駕標(biāo)準(zhǔn)的輸出在數(shù)據(jù)表達和認(rèn)定上存在偏差（Copilot輸出的數(shù)據(jù)表達為0.80mg/ml）。這表明，在教學(xué)設(shè)計中人類的經(jīng)驗仍然是關(guān)鍵，人工智能難以完全取代人對信息來源的判斷和把握。因此，使用者在應(yīng)用生成式人工智能結(jié)果前，必須對這些結(jié)果進行核實，以避免采納誤導(dǎo)性或不完整的信息。在完成上述教學(xué)設(shè)計片段后，教師對Copilot提出了更高的要求：在上述教學(xué)片段的基礎(chǔ)上，設(shè)計一個以傳統(tǒng)中華酒文化為背景的一課時的乙醇的教學(xué)設(shè)計，需包含師生對話和具體資料展示，并體現(xiàn)教學(xué)重難點和高中化學(xué)課程標(biāo)準(zhǔn)要求。在完整課時的教學(xué)設(shè)計中，Copilot的表現(xiàn)不佳，其課堂環(huán)節(jié)安排、教學(xué)內(nèi)容均不符合當(dāng)下教學(xué)設(shè)計的要求，如圖3(a)-(c)。盡管教師進行了幾輪提示修改，如在要求中陳述教學(xué)設(shè)計中需要包含的環(huán)節(jié)大綱等，但Copilot對教學(xué)內(nèi)容的選擇和生成的教學(xué)設(shè)計仍達不到高中化學(xué)教師的教學(xué)設(shè)計的合格水準(zhǔn)。在關(guān)鍵任務(wù)教學(xué)設(shè)計過程中，Copilot可以為教師提供情景化教學(xué)設(shè)計的靈感，將化學(xué)知識與真實情境相結(jié)合，有助于激發(fā)學(xué)生的學(xué)習(xí)興趣。然而，由于Copilot對課程重點和難點的把握往往缺乏準(zhǔn)確性，且對教與學(xué)過程的理解不夠深入，容易導(dǎo)致教學(xué)設(shè)計與實際中學(xué)課堂的脫節(jié)。例如，它可能無法準(zhǔn)確識別實際教學(xué)環(huán)境中的復(fù)雜性以及學(xué)生的具體需求，進而產(chǎn)生與實際操作不符的設(shè)計方案。即使經(jīng)過多輪提示，Copilot在處理超出其能力范圍的抽象問題時，仍可能表現(xiàn)出不穩(wěn)定性。在這種情況下，單純指出問題無法有效改進Copilot的表現(xiàn)。因此，在提問時，教師應(yīng)明確教學(xué)目標(biāo)或需解決的具體問題，同時描述學(xué)生的特點、課程進度和可用資源，幫助Copilot更準(zhǔn)確地理解場景。例如，教師可以詳細(xì)說明教學(xué)理念，如“在探究化學(xué)反應(yīng)速率時，我傾向于使用探究式學(xué)習(xí)方法，請問有哪些有效的提問策略”，以此引導(dǎo)Copilot提供更具針對性的建議。此外，在利用Copilot進行關(guān)鍵任務(wù)的教學(xué)設(shè)計時，教師應(yīng)結(jié)合自身的經(jīng)驗和專業(yè)知識，進一步提出具體的設(shè)計要求，以確保方案的質(zhì)量與有效性。通過詳細(xì)描述教學(xué)內(nèi)容、教學(xué)方法以及評估方式，教師可以優(yōu)化Copilot的輔助功能，使其更好地服務(wù)于教學(xué)設(shè)計。這種方式不僅能彌補人工智能工具的不足，還能將其與教師的專業(yè)判斷相結(jié)合，從而提升教學(xué)設(shè)計的實際可操作性與教學(xué)效果。3.2

學(xué)：提供學(xué)習(xí)指導(dǎo)當(dāng)前，教育更加注重學(xué)生的自主學(xué)習(xí)和探究性學(xué)習(xí)，鼓勵學(xué)生通過搜索引擎、在線視頻等途徑主動獲取知識，以培養(yǎng)獨立思考和問題解決能力[11]。高中化學(xué)涉及不同學(xué)段間知識的關(guān)聯(lián)，要求學(xué)生不僅理解化學(xué)原理，還能夠熟練運用所學(xué)知識解決實際問題。然而，學(xué)生在學(xué)習(xí)過程中常常遇到各種疑惑和困難，需要額外的指導(dǎo)和支持。Copilot通過一對一的對話形式輔導(dǎo)，能夠針對具體問題提供實時幫助，理清知識的邏輯結(jié)構(gòu)，幫助學(xué)生建立起完整的知識體系。這種個性化的輔導(dǎo)方式使學(xué)生能夠準(zhǔn)確把握各知識點之間的聯(lián)系和銜接，提高他們應(yīng)用知識解決問題的能力，為解決復(fù)雜的化學(xué)問題提供堅實的基礎(chǔ)。同時，Copilot還能根據(jù)學(xué)生的學(xué)習(xí)進度和需求，提供個性化的學(xué)習(xí)建議和資源，進一步提升學(xué)生的學(xué)習(xí)效果（見案例2）。案例2：課后釋疑——比較元素的非金屬性在案例2中，Copilot生成的判斷元素非金屬性的方法②、③、④在實際教學(xué)中較為常見。這些方法包括比較最高價氧化物水化物的酸性、與氫氣反應(yīng)生成氣態(tài)氫化物的難易程度、氫化物的穩(wěn)定性，以及比較單質(zhì)的置換能力。它們與非金屬性的本質(zhì)——得電子能力——直接相關(guān)，且能得到實驗事實的有力支持。此外，方法①和⑥的表述可作為一般規(guī)律，其中方法⑥與人教版《物質(zhì)結(jié)構(gòu)與性質(zhì)》教材中的觀點相符，即“電負(fù)性的大小可以作為判斷金屬性和非金屬性強弱的依據(jù)”。方法⑤在同周期或同主族元素之間的比較中可用于初步判斷，但在其他情況下（如使用原子半徑大小來比較Te與As的非金屬性強弱）使用這一方法可能會產(chǎn)生誤導(dǎo)?？傮w而言，Copilot提供了多種判斷元素非金屬性的方法，但這要求使用者具備一定的專業(yè)知識、科學(xué)思維和科學(xué)態(tài)度，以便有效掌握和解讀人工智能提供的數(shù)據(jù)。通過對Copilot進行多次對話（如案例2），發(fā)現(xiàn)其在綜合性化學(xué)問題上的啟發(fā)式引導(dǎo)能力有所展現(xiàn)，具備成為人工智能學(xué)習(xí)助手的潛力。然而，類似于網(wǎng)絡(luò)搜索結(jié)果，其回答的學(xué)科嚴(yán)謹(jǐn)性不夠穩(wěn)定，尤其在某些復(fù)雜情境下，Copilot的回答存在前后不一致的情況。使用者在應(yīng)用其提供的信息時，仍需對其真實性和準(zhǔn)確性進行獨立判斷，以確保教學(xué)的科學(xué)性和嚴(yán)謹(jǐn)性。3.3

評：參與習(xí)題編制在創(chuàng)造性編寫化學(xué)題目時，Copilot因其知識點較為單一，難以勝任編制圖示復(fù)雜和綜合性強的試題。例如，工業(yè)流程題常借助真實的文獻情境，并以流程圖形式呈現(xiàn)，以元素化合物知識為基礎(chǔ)，考查知識點廣泛。在要求Copilot生成工業(yè)流程題時，它往往會優(yōu)先從其他網(wǎng)站的題庫中獲取現(xiàn)成題目，若進一步要求生成原創(chuàng)試題，Copilot自行設(shè)計的題目在流程難度和知識點難度上均有明顯不足。盡管如此，Copilot在編寫形成性練習(xí)題方面表現(xiàn)出色。例如，在案例3中，Copilot圍繞氫鍵的概念設(shè)計了一系列具有難度梯度的試題，從理解概念到應(yīng)用知識的考查，符合課程標(biāo)準(zhǔn)的要求。然而，生成式人工智能編寫的題目仍存在表述不準(zhǔn)確的情況。例如，案例3中的基礎(chǔ)題“以下哪種分子中存在氫鍵”應(yīng)更準(zhǔn)確地表述為“以下哪種分子間可以形成氫鍵”；挑戰(zhàn)題“哪些分子中的氫鍵有較強的作用力”應(yīng)改為“哪些分子之間所形成的氫鍵有較強的作用力”。此外，案例3基礎(chǔ)題題干與中級題之間存在重復(fù)，建議刪去基礎(chǔ)題題干中的定義內(nèi)容。目前，許多學(xué)校或命題機構(gòu)已經(jīng)建立了專門的題庫，教師可以將這些題庫與Copilot結(jié)合使用，在編制形成性練習(xí)題時通過協(xié)同方式進一步優(yōu)化試題生成過程。這樣不僅能夠確保題目的難度和知識覆蓋面符合考試要求，還能夠豐富教師的教學(xué)資源庫，降低日常出題成本，并提升試題編寫的靈活性和效率。案例3：獲取形成性題目——氫鍵4

挑戰(zhàn)與建議盡管生成式人工智能被認(rèn)為有助于提升教育工作者的教學(xué)效率和學(xué)生的學(xué)習(xí)體驗，并推動更具創(chuàng)造性和包容性的教育實踐，但在算法文化的影響下，它也帶來了信息質(zhì)量下降、偏見擴散、學(xué)習(xí)者獨立性削弱等問題[12]。隨著人工智能在教育領(lǐng)域的深入應(yīng)用，教師不僅需要提升數(shù)字素養(yǎng)以駕馭新技術(shù)，還需積極培養(yǎng)學(xué)生的高階思維能力，尤其是批判性分析、復(fù)雜問題解決及創(chuàng)新能力，從而應(yīng)對人工智能無法代替的高層次認(rèn)知挑戰(zhàn)[13]。為此，本文針對生成式人工智能在化學(xué)教學(xué)中的應(yīng)用與挑戰(zhàn)，提出以下策略，以有效規(guī)避其局限性并優(yōu)化教學(xué)效果。（1）人工智能生成圖片與讀圖能力較弱，需關(guān)注學(xué)生綜合性問題思考能力培養(yǎng)盡管Copilot能夠根據(jù)文本描述生成圖像，但在理解和表達化學(xué)圖像細(xì)節(jié)方面存在限制?；瘜W(xué)教學(xué)中的圖像通常包含精確的分子結(jié)構(gòu)和符號，即便是細(xì)微的差錯也會導(dǎo)致學(xué)生的理解偏差。在讀圖方面，Copilot的識圖能力也有待加強。Copilot能夠根據(jù)晶胞圖片識別晶體類型，但對于流程圖、實驗圖等較復(fù)雜的圖片，Copilot難以識別其正確含義。這凸顯了人類在圖像解讀和分析方面的獨特能力，而這一能力是現(xiàn)階段的人工智能技術(shù)所難以取代的。因此，在化學(xué)教育中，教師應(yīng)當(dāng)重視并發(fā)展學(xué)生的這一能力。通過講授和考察綜合性習(xí)題，鼓勵學(xué)生自主探索和分析，幫助學(xué)生發(fā)展在讀圖和分析方面的高階思維能力，從而在人工智能輔助的教學(xué)環(huán)境中獲得更全面的發(fā)展。（2）人工智能資料收集與處理準(zhǔn)確度有待提升，需注重學(xué)生批判與創(chuàng)新思維開發(fā)雖然Copilot能夠有效解決化學(xué)教科書級別的知識和基礎(chǔ)化學(xué)問題，但其在資料收集和處理的準(zhǔn)確性和完整度方面仍需改進。一方面，Copilot生成的文本具有一定的變化性，即使是相同的問題，不同的查詢?nèi)掌诤捅硎龇绞蕉伎赡軙?dǎo)致不同的答案。另一方面，Copilot在引文選擇的范圍和正確性上也存在較大改進空間。目前的生成式人工智能在很大程度上依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量，其抽象思維和推理能力還有很大的提升空間。即使作為基于當(dāng)前強大自然語言處理模型的大型語言模型，Copilot在進行化學(xué)教學(xué)設(shè)計時生成的回答仍易出現(xiàn)質(zhì)量參差不齊的情況。在人工智能技術(shù)日益普及的時代背景下，教師應(yīng)引導(dǎo)學(xué)生對Copilot提供的信息進行批判性分析，保持對信息來源的警覺性，通過驗證和探究補充人工智能提供的信息，發(fā)現(xiàn)潛在錯誤，從而培養(yǎng)他們解決問題和獨立思考的能力。（3）人工智能的知識傳遞具有一定“灌輸性”，需充分發(fā)揮課堂師生交流功能《中國教育現(xiàn)代化2035》等相關(guān)政策強調(diào)利用人工智能技術(shù)實現(xiàn)“人機共教、人機共育”的新型教育模式[14]，學(xué)生可以借助生成式人工智能進行答疑解惑，甚至通過人工智能出題來幫助鞏固知識。然而，由于生成式人工智能只能被動地回答學(xué)生問題，缺乏主動性和互動性，教師在課堂教學(xué)中需要更加重視激發(fā)學(xué)生的學(xué)科興趣，如設(shè)計互動性強的課堂活動，鼓勵學(xué)生動手實驗，增強學(xué)生學(xué)習(xí)體驗感。教育是一個互動生成的過程，并不是簡單地在“輸入”與“輸出”之間完成的[15]。對于學(xué)生的迷思概念，仍然需要通過教師的課堂互動來挖掘和解決。因此，生成式人工智能無法替代教師和課堂所帶來的獨特的人際互動和情感支持。教師應(yīng)利用人工智能工具的優(yōu)勢，同時充分發(fā)揮課堂上師生交流的功能，以提升學(xué)生的學(xué)習(xí)效果并促進學(xué)生全面發(fā)展。5

總結(jié)以Copilot為代表的生成式人工智能可以協(xié)助教師處理日常的教學(xué)任務(wù)，從而節(jié)省時間，專注于提高教學(xué)質(zhì)量。同時，生成式人工智能也能為學(xué)生提供豐富的學(xué)習(xí)資源，支持學(xué)生進行自主學(xué)習(xí)，進而提高整體的學(xué)習(xí)效率。但鑒于教育教學(xué)的特殊性和限制性，仍有必要在此基礎(chǔ)上研制更有針對性的大模型，以進一步解決生成式人工智能存在的問題，更精準(zhǔn)地滿足化學(xué)教育的需求。在教育倫理方面，運用人工智能需要尊重學(xué)生的個人隱私、維護教育公平，同時確保其輔助而非取代教師在教學(xué)過程中的關(guān)鍵作用。目前，人工智能在教育中的應(yīng)用仍處于早期階段，未來需要利用特定領(lǐng)域教育數(shù)據(jù)開發(fā)化學(xué)學(xué)科生成式人工智能模型，以深入解析化學(xué)情景，并根據(jù)學(xué)生的進度提供精準(zhǔn)信息和定制教學(xué)。這將為使用者提供更便捷的化學(xué)問題解決方案，進一步提升教學(xué)效果。參考文獻[1]

盧宇,余京蕾,

陳鵬鶴,

等.

生成式人工智能的教育應(yīng)用與展望——以ChatGPT系統(tǒng)為例[J].

中國遠(yuǎn)程教育,2023(4):24-31+51.[2]PRAKASHV,AGRAWALK,DASS.Q-GENius:AGPTBasedModifiedMCQGeneratorforIdentifyingLearnerDeficiency[C/OL]//ArtificialIntelligenceinEducation.PostersandLateBreakingResults,WorkshopsandTutorials,IndustryandInnovationTracks,Practitioners,DoctoralConsortiumandBlueSky.Springer,Cham,2023:632-638[2024-08-26]./chapter/10.1007/978-3-031-36336-8_98.DOI:10.1007/978-3-031-36336-8_98.[3]

王阿習(xí).技術(shù)賦能科學(xué)教育服務(wù)供給路徑與實施建議[J].

現(xiàn)代教育技術(shù),2023,33(8):12-18.[4]

馬馳川,鄭子杰.

將ChatGPT融入中學(xué)物理課堂的教學(xué)實踐[C/OL]//第八屆APSCE計算思維與STEM教育國際會議論文集.

亞太計算機教育應(yīng)用學(xué)會,2024:3[2024-09-06].DOI:10.26914/kihy.2024.009764.[5]

孫旭,趙越.

機遇與挑戰(zhàn)：ChatGPT在高中地理教學(xué)中的實踐應(yīng)用[J].

地理教學(xué),2023(14):50-53+64.[6]

姜麗英,秦紅兵.

人工智能背景下提升高中生物教學(xué)有效性的路徑探究[J/OL].中國現(xiàn)代教育裝備,2022(24):47-49.DOI:10.13492/ki.cmee.2022.24.012.[7]YURIEVE,WINKDJ,HOLMETA.TheDawnofGenerativeArtificialIntelligenceinChemistryEducation[J/OL].JournalofChemicalEducation,2024,101(8):2957-2959.DOI:10.1021/acs.jchemed.4c00836.[8]ALASADIEA,BAIZCR.MultimodalGenerativeArtificialIntelligenceTacklesVisualProblemsinChemistry[J/OL].JournalofChemicalEducation,2024,1