1 时代背景与国家需求
农药是现代农业生产中不可或缺的生产资料，事关粮食安全、农产品质量安全、人畜健康和生态环境安全.据联合国粮食及农业组织（Food and Agriculture Organization of the United Nations，FAO）预测，如果不使用农药，全球粮食会严重减产，农作物病虫草害等引起的损失最高可达70%，通过正确使用农药可挽回40%的损失，我国每年挽回的粮食损失超过1 400亿kg.然而，绿色农药创制是国际公认的重大科技难题.国际公认的统计数据，创制成功一个新农药，平均需要合成筛选15.9万个化合物，耗资超过3亿美元，从首次合成到上市平均历时12.3年.更为严峻的是，我国农业生产中使用的农药品种中，国内自主研发农药的市场占比不足5%，核心工具与高端市场长期受制于人.
华中师范大学农药学科历史悠久.早在20世纪60年代初，学科创始人张景龄教授就开始有机磷农药研发，先后成功研制出水胺硫磷、甲基异柳磷两个大吨位农药品种，为我国农业丰产做出巨大历史性贡献，学校也因此成为国内首批有机化学硕士学位授权点之一.1993年，学校获批农药学硕士学位授予权，1998年获批农药学博士学位授予权.2003年，农药与化学生物学教育部重点实验室正式获批，成为学校首个教育部重点实验室.2007年，农药学被增列为国家级重点学科，2017年获批植物保护一级学科博士学位授予权，2019年获批植物保护一级学科博士后流动站.2022年，贵州大学联合华中师范大学及华南农业大学共建的绿色农药全国重点实验室（以下简称“实验室”）获科技部正式批准，华中师范大学农药学科也因此迈上新的发展台阶.从学科创建以来，始终秉持“扎根基础，面向需求”的新发展理念，近年来积极探索将人工智能、大数据等前沿科技深度融入农药科技创新与人才培养全链条，打破教育与科技、产业的藩篱，以数智技术重塑科研范式与育人体系，探索教育科技人才一体化发展，为破解行业难题、培养复合型创新人才、产出高水平科技成果、服务国家需求积累经验.
2 利用数智技术重塑科研范式，大幅提高科技创新效率
绿色农药创制是一项十分复杂的系统工程，涉及作用靶标、苗头化合物、先导化合物、候选化合物等多个环节，其中分子设计技术是制约新农药创制效率与成功率的关键.为此，实验室以发展绿色农药高效分子设计方法为核心，构建了基于人工智能与高性能计算的绿色农药创制PDAI平台及“神农一体机”，这是全球首创的软硬件全栈国产化农药分子设计系统.该平台涵盖了靶标发现、蛋白质三维结构预测、抗药性预测、苗头化合物生成、从苗头到先导、先导优化、类药性及毒理学性质预测等多个环节，覆盖了绿色农药创制的关键环节.该技术的突破显著提升了绿色农药创制效率：传统模式下先导化合物研发周期通常需要3年以上，而借助PDAI平台可大幅缩短至6～12个月，从而大幅度降低了研发成本，也提高了创制的成功率，推动农药创制从传统的“随机海量筛选”向“数智设计”的范式转变.
依托自主研发的数智技术平台，实验室在绿色农药创制方面取得一系列重大突破，成功创制出喹草酮、吡唑喹草酯、氟苯醚酰胺三个具有完全自主知识产权的绿色农药新品种以及烯丙唑菌胺、氟吡唑虫胺等多个进入登记和产业化开发阶段的候选农药新品种.其中，喹草酮是全球首个高粱田苗后选择性除草剂，对野糜子、虎尾草等恶性杂草有特效，破解了制约高粱产业发展的杂草防控重大技术难题，自2021年正式上市以来，累计推广超过13 000 km2，被评为中国植保市场最具爆发力品牌产品，并荣获中国专利金奖.2025年，喹草酮又获得棉花田扩作登记，为防控棉花田头号恶性杂草龙葵提供了新的高效解决方案.吡唑喹草酯破解了传统对羟苯基丙酮酸双氧化酶（4-hydroxyphenyl-pyruvate dioxygenase，HPPD）类除草剂对水稻安全性不足的难题，是全球首个对所有水稻品种均高度安全的选择性除草剂，对千金子、稻李氏禾和稗草等稻田恶性杂草高效，被誉为“千金子”的头号克星，2025年首年上市销售就推广超过3 000 km2，被全国农业技术推广中心重点推荐，获第十八届中国农药工业协会技术发明一等奖.
3 利用数智技术构建“三链融合”育人体系
实验室坚持“科研反哺教学”，将硬核科技成果转化为优质教学资源，构建了“教育链、人才链、产业链”深度融合的育人新生态.
1） 积极推进教学手段的数智化升级.研究生教学手段的数智化升级，是提升高层次人才培养质量、服务国家创新体系建设的关键路径.实验室充分发挥自身在绿色农药科技创新数智化技术方面的优势，积极推进农药学国家级重点学科人才培养和教学手段的数智化转型.一是将PDAI平台植入《农药分子设计》等核心课程，让学生在真实科研场景中掌握智能工具，实现抽象概念可视化、设计过程具象化，极大激发了学生的学习兴趣，有效解决了传统教学中理论与实践脱节的问题，该模式已被中国农业大学等多所高校引进采用.二是将自主创制农药新品种的研发过程作为教学案例，自主开发虚拟仿真实验教学系统.例如，我们开发的“农药创制：结构设计与合成虚拟仿真实验”入选国家级虚拟仿真实验教学项目，并被评为国家级一流本科课程，累计服务全国师生超5 400人次，访问量突破40万次.
2） 创新“实战化”培养模式，激发创新潜能.实验室坚持“做中学、学中研”，构建了以重大项目为牵引、以企业难题为课题的“科教融汇、产教融合”机制，有效激发了学生的创新潜能和实践能力，为破解人才培养与产业脱节难题提供了可复制的有效路径，在为我国农药行业培养输送一批高素质创新人才的同时，产出了一批具有国内外影响力的重大科技创新成果.近年来，研究生在读期间先后在第八届中国国际“互联网+”大学生创新创业大赛、第十九届“挑战杯”全国大学生课外学术科技作品竞赛“揭榜挂帅”专项赛、全国博士后创新创业大赛等重大赛事中荣获国赛金奖、银奖、特等奖（擂主）等奖励10项，实现了人才培养与产业需求的无缝对接.
3） 打造“学校-社区-乡村-行业”四位一体的沉浸式科普教育体系.实验室高度重视科学普及工作，坚持科技创新与科学普及两翼齐飞，构建了面向不同公众群体的“学校-社区-乡村-行业”四位一体的数智化科普教育体系，利用短视频开展科学知识宣传与普及，利用虚拟现实（virtual reality， VR）技术展示农药分子作用机制，利用人工智能演示分子设计过程，让社会公众尤其是中小学生零距离感受科技创新的魅力，近5年累计在全国12个省级区域的近百所中小学、城镇开展了100多场科普宣传活动，将绿色农药科学的种子播撒到祖国大地，先后荣获中国科协“全国科普日优秀活动”“全国科普日活动优秀组织单位”等奖项，实验室负责人杨光富教授与宋宝安院士共同主编的科普图书《话说农药：魔鬼还是天使？》荣获全国优秀科普作品奖，累计发行超过6万册.
4 构建产学研协同创新生态，赋能新质生产力
实验室始终坚持“四个面向”，通过数智技术打通产学研壁垒，构建产学研协同创新生态，将科技成果转化为现实生产力.
我校农药学科从创立开始就一直高度重视产学研合作.通过开展广泛的产学研合作，不仅实现了科技成果转化，创造了显著的经济效益和社会效益，而且还赢得了良好的学科声誉，推动了学科的可持续发展.在当前国际科技竞争日益激烈的时代背景下，加强产学研协同创新的核心就在于推动实现产业链与创新链的深度融合，而利用数智技术构建产学研协同创新生态，是推动科技创新与产业创新深度融合、培育新质生产力的重要路径.
早在20世纪70年代就成功创制出的水胺硫磷和甲基异柳磷，先后在全国100多家企业投产，我校农药学科声誉也因此显著提升.特别值得一提的是，我校农药学科的产学研合作还推动了学校与仙桃市政府之间的校地全面合作，成为20世纪80年代校地合作的典范.
2016年，通过实施喹草酮专利转化，实验室与山东先达农化股份有限公司联合成立了先达农化创新研究院，在产学研合作模式上进行了积极探索，为打通科技成果转化“最后一公里”积累了丰富经验.先达农化创新研究院是我国农药领域的第一家基于全新模式的产学研协同创新体，通过创新链和产业链的精准对接，推动了实验室基础研究成果从书架快速走向货架，不仅有效激发科技人员的潜力，促进高校人才培养质量和社会服务能力的提升，而且还大幅度提升企业的自主创新能力，为企业参与国际竞争、推动中国智造走向世界提供强有力的智力支撑.研究院自成立以来，不仅推动创制除草剂喹草酮顺利取得登记并全面上市，而且还成功创制出了多个农药候选新品种，其中吡唑喹草酯在2024年取得新农药登记，合作企业先达股份也成功上市，成为我国农药行业的创新型领军企业.
先达农化创新研究院的成功极大提升了我校农药学科的社会声誉，国内外农药企业纷纷来校洽谈合作，我校农药学科也与10多家农药龙头企业开展了紧密的产学研合作，先后创制出10多个具有广阔市场前景的农药候选新品种，实现20多项专利技术转让，累计获专利转让和技术开发服务费超过1亿元.与此同时，向国家培养输送了一批高素质农药学专业人才，有10多名毕业生入选国家级人才计划，一批毕业生成长为行业骨干，为我国农药行业的教育科技人才一体化发展提供了可借鉴的实践案例.
2025年6月，实验室与武汉国家现代农业产业科技创新中心签订战略合作协议，8月与武汉产业创新发展研究院（简称“武创院”）共建AI绿色农药研究所，12月湖北兴发集团联合我校及武汉华大农耀科技有限公司联合申请的农业农村部绿色农药数智创制技术重点实验室正式获批，形成了“高校+政府+企业”的协同创新模式.目前，AI绿色农药研究所已投入正式运营，武汉国家农创中心为AI绿色农药研究所的发展提供载体与政策支持，武创院为科技成果转化提供孵化与资金支持，致力于农药创新链和产业链的全链条数智化重塑，成为引领行业变革的关键力量.
5 结语
当前，我国农业正处于从传统粗放型生产向智能化精准化发展的转型关键期，绿色农药作为支撑农业绿色发展不可或缺的农业投入品，承担着防控农作物病虫害、保障农作物提质增产、减少生态污染的重要使命.与此同时，《教育强国建设规划纲要（2024—2035年）》明确提出构建产教融合的教育体系，为高校与产业协同发展指明了方向.绿色农药产业的高质量发展，既要突破关键共性技术瓶颈，建立有效支撑产业发展的自主可控的科技创新体系，也要培养一批兼具理论素养、实践能力与创新思维的复合型人才，数智技术已成为连接科技创新、人才培养与产业需求的核心纽带，是赋能教育科技人才一体化发展和催生农业领域新质生产力的有效途径.近年来，实验室在人才培养、科技创新、科学普及以及产学研融合方面取得的显著成效在国内外产生了广泛影响，数智化平台被十多所高校和企业采用，先正达、拜耳、科迪华等多家国际龙头企业来实验室交流洽谈合作.
展望未来，需进一步应对数智技术在绿色农药产教融合与科教转化过程中存在的问题与挑战，强化政产学协同创新力度，将科学家精神和教育家精神融入育人全过程，持续加强数智化创新平台建设，以平台汇聚人才、以平台培养人才、以平台服务产业，形成“平台+人才+产业”的良性循环，为绿色农药领域高质量发展筑牢基础.与此同时，破除体制机制障碍，建立校企地协同、产学研融合、科教融汇的长效机制，推动人才在持续流动中释放创新价值，促进成果在转化应用中服务经济社会发展，推动数智技术与教育、科技、人才的深度融合，开创绿色农药教育科技人才一体化发展的新篇章.
虚拟仿真与人工智能赋能项目式生理学实验教学改革※
——基于“UCHL1缺陷对小鼠空间认知能力的影响”的科教转化实践
（1.华中师范大学实验室与设备管理处， 武汉 430079；2.华中师范大学生命科学学院， 武汉 430079；
3 华中师范大学人工智能教育学部， 武汉 430079）
生理学作为生命科学专业的核心基础必修课，其实验教学不仅是验证理论知识的关键载体，更是培养学生科研思维、实践能力与创新素养的关键环节.然而，当前部分高校的生理学实验内容，与现代生命科学前沿知识及技术体系衔接不够紧密，一定程度上存在着实验内容更新节奏较慢的问题
［1-2］，难以适配新时代生命科学人才培养对前沿技术认知与科研能力塑造的需求，推动实验教学内容与模式的革新已成为高等生命科学教育改革的迫切议题.《教育强国规划纲要（2024-2035）》和《“人工智能+”行动规划》等系列文件，明确将“推进教育数字化”“深化科教融合”列为高等教育改革的核心任务
［3］，更凸显以智能化手段重构实验教学体系、破解传统教学困境的紧迫性.虚拟仿真与AI技术的深度融合，不仅为实验教学提供可突破时空限制、降低成本损耗的技术支撑
［4］，更创新性地打通科研成果向教学资源转化（research to teaching，R2T）的路径壁垒，为科教融合注入全新动能.
推动成熟科研成果向教学资源转化，实现教学与科研的协同共生，已成为高等教育实验教学改革的共识
［5-6］.R2T不仅能让教学内容紧跟学科前沿动态，真正落实教学与科研并重的教育理念，更能凸显高校学科特色，帮助学生建立对所在院系核心研究方向的深度认知.但不容忽视的是，科研实验普遍存在周期长、技术门槛高、运营成本昂贵、伦理审查严格等特性，直接移植至本科实验教学环节面临显著的转化壁垒
［7］.为此，国内多所师范类“双一流”高校已率先开展针对性探索，形成一批可借鉴的实践经验：北京师范大学以“人工智能+高等教育”专项计划为抓手，系统性构建智慧交叉课程；华东师范大学聚焦教育神经科学领域，推动数智人技术与AI驱动研究在虚拟仿真教学中的融合应用.华中师范大学自2016年起设立科研成果转化实验教学内容专项，为教师搭建科研成果教学转化的平台，助力科教融合一体化建设与本科人才培养质量提升
［8-9］.上述实践不仅构建了科教转化的制度保障体系，更搭建了虚拟仿真与AI技术赋能实验教学的实践载体.本文以“UCHL1缺陷对小鼠空间认知能力的影响”为例，系统阐述其向生理学实验教学内容转化的完整路径，重点探讨虚拟仿真与AI技术在转化过程中的创新应用模式，并围绕教学模式革新与评价体系完善展开深入分析，为生命科学领域科教深度融合的实验教学改革提供可复制、可推广的实践方案.
1 国内外虚拟仿真与AI赋能实验教学研究现状
1.1 文献计量分析
为系统厘清虚拟仿真与AI赋能实验教学研究的学术演进脉络、核心研究热点及前沿发展方向，本文采用CiteSpace 6.4.R1软件，对2016—2025年国内外相关文献开展系统性计量分析，并绘制年度发文趋势折线图.数据文献源自CNKI核心期刊数据库与Web of Science核心合集，检索策略围绕研究核心概念进行多维度组合设计：国内检索词设定为“虚拟仿真 OR 人工智能 OR AI AND 实验教学 AND 教学改革 OR 科教转化”，国际检索词为“Virtual Simulation OR Artificial Intelligence OR AI AND Experimental Teaching AND Teaching Reform OR Research to Teaching”，经去重、人工剔除会议摘要、综述性非研究论文及主题不相关文献后，最终筛选获得国内有效文献389篇、国际有效文献32篇.
核心分析结果聚焦年度发文趋势和热点聚类，其中年度发文趋势（
图1）清晰呈现出国内外研究的差异化演进特征：国内发文量从2017年的4篇稳步攀升至2025年的130篇，9年间年均增长率约为54.5%；国外发文量整体规模偏小，从2017年的1篇增长至2025年的10篇，年均增长率约为33.3%，且波动明显，未形成持续稳定的增长趋势.一方面，虚拟仿真与AI赋能科教转化已成为国内外学界的研究热点，但国内发展热度与文献规模远高于国外，国内充足的文献积累为本研究提供了坚实的学术语境支撑；另一方面，国内研究的快速增长与政策导向高度契合，热点聚类分析进一步印证，国内核心研究围绕技术教学适配、虚实融合模式与科研成果教学转化三大方向展开，为研究的开展奠定明确的学术基础.
1.2 国内外研究进展
梳理国内外核心研究成果与实践案例发现， AI技术与虚拟仿真在实验教学中的融合应用，已形成政策驱动本土实践深化与技术引领全球探索并行的差异化发展格局，
表1展示研究阶段、核心技术、应用场景、关键优势及局限挑战五个方面的国内外研究对比.
深入剖析可见，国内研究依托有力的政策支持与鲜明的学科特色，在科教转化深度、成本控制、课程思政融入等方面形成独特优势，尤其聚焦成熟科研成果的教学化拆解与虚拟资源开发方面的实践.然而，其技术应用仍处于工具替代的浅层融合阶段，缺乏对实验设计、错误预判等核心环节的智能赋能，且资源设计多侧重于单一操作模拟，未能形成以多维度科研问题驱动的系统性项目架构.相比之下，国外研究则在技术迭代与商业化应用方面表现突出，深度学习、数字孪生等前沿技术与实验教学的融合深度领先，已形成较为标准化、闭环式的智能教学模式，且在实验动物伦理的规范化替代方案方面成果显著.但高成本门槛与本土化适配不足的问题限制其推广范围，与高校特色科研成果的定制化融合也较为欠缺.
2 “UCHL1缺陷对小鼠空间认知能力的影响”转化项目的具体实施
2.1 项目式多层级实验内容架构与教学内容解构
泛素C末端水解酶L1（ubiquitin carboxyl-termial hydrolases L1，UCHL1）是泛素-蛋白酶体系统的重要组成成分，其基因和蛋白水平的缺陷与阿尔茨海默病、帕金森病等神经退行性疾病的认知功能障碍相关
［10］.Morris水迷宫技术是20世纪 80年代初由英国神经生理学家Morris所设计的用于检测啮齿类动物空间认知能力的经典行为学实验技术
［11］.小鼠在水迷宫环境中会本能地寻找隐匿在水面下的逃逸平台，该行为涉及复杂空间学习和记忆的形成与巩固过程，包括收集与空间定位相关的视觉信息，以及以海马为主的脑区对这些信息的整合与处理等过程.本实验以“UCHL1缺陷对小鼠空间认知能力的影响”这一科学问题的解决为导向，通过项目式学习，将复杂的科研内容解构为四个循序渐进的教学模块（
图2）.模块一（基因水平）：
uchl1基因敲除小鼠的制备与基因型鉴定；模块二（蛋白质水平）：UCHL1活性抑制剂LDN的侧脑室立体定位注射；模块三（整体水平）：Morris水迷宫检测小鼠空间学习与记忆能力；模块四（数据水平）：行为学数据的统计、分析与实验报告的撰写.整体实验设计，围绕具体科学问题的解决过程，遵循“从微观到宏观”“从干预到表现”的认知规律，引导学生建立“基因—蛋白质—脑高级功能—行为”的完整知识链条，开展“研中学，学中做”的项目式生理学实验，通过多维度的实验内容结构，将抽象的科研问题具化为多学科交叉的实验设计，培养学生的科研思维能力.
2.2 虚拟仿真与AI技术的深度赋能
上述四个模块的科研成果向本科生理学实验教学内容的转化，面临着实验周期长达数周（如小鼠空间认知能力检测等）甚至数月（如uchl1基因敲除小鼠的制备与鉴定）、操作复杂（如细胞的显微注射）、学生技术熟练度不够导致实验成功率不高（如UCHL1抑制剂脑立体定位注射等）等瓶颈问题.为克服上述转化障碍，首先利用虚拟仿真技术对“UCHL1缺陷对小鼠空间认知能力影响”的实体实验进行了全过程高保真还原，借助虚拟实验资源以虚实结合的方式开展实验教学，打破了实验课时、场景和仪器以及操作熟练度等主、客观条件对科教转化的限制.而基于AI技术开发的小鼠机器学习模型和数据的可视化分析则拓展了该科研成果向教学内容转化的应用深度和广度.虚拟仿真与AI技术对生理学实验的科教转化深度赋能主要体现在下述3个方面.
2.2.1 AI赋能动物行为模拟与行为学数据扩容
在虚拟资源的建设过程中，首先采用Unity 3D、3D点云、实时多层纹理融合、脊椎动物侧弯曲度模拟、光线追踪等技术，对实体实验过程进行全方位仿真.比如，在模块二，使用图片比对、同角度轮廓剪影分析等技术手段，定义符合小鼠生物学结构的虚拟骨骼，对小鼠进行数字骨骼驱动的搭建，高度还原小鼠抓取、麻醉和脑定位固定时的真实反应和动态行为特征，构建高仿真度的虚拟动物挣扎行为（
图3-①）；在模块四，通过实时多层纹理叠加融合技术，测算小鼠运动的方向和激发的水纹涟漪朝向，经过连续分析，获得小鼠游泳行为对水面波纹产生干扰的真实效果模拟；同时，将科研实验提供的小鼠水迷宫行为学数据（含视频）通过数据分析，拆分为不同类型的行为事件，依托计算机视觉与机器学习算法，从真实科研实验视频中，自动识别小鼠的行为类别，通过卷积神经网络（convolutional neural network，CNN）等深度学习模型，从原始视频流中高精度获取小鼠身体关键点坐标、运动速度、加速度等多维参数，以推断动物的内部认知和情绪改变.在此基础上，利用监督学习或无监督学习方法，对行为进行分类、聚类与模式识别
［12］.通过机器学习算法结合多视角三维姿态重建技术，构建“虚拟小鼠”行为模型，直观再现不同组别小鼠在水迷宫定位航行和空间探索阶段不同时间和空间象限的游泳策略、路径选择和游泳曲线，利用机器算法生成高度逼真且具有随机性和个体差异性的小鼠行为学习轨迹和数据（
图3-②）.这种基于真实实验数据的机器学习模型的建立，扩大了可分析数据的类型和规模，实现了AI驱动的科教转化，在增强虚拟实验的真实感的同时，提高了科研成果向教学内容转化的应用深度.
2.2.2 动态数据抓取
学生借助虚拟仿真资源完成小鼠水迷宫空间认知能力测试后，平台会根据小鼠智能体机器学习的结果，在数据库中抓取对应的行为学数据（如对照组和
uchl1基因敲除组小鼠找到平台的潜伏期、游泳路径、搜索策略以及穿越平台所在象限的次数等）.这种根据智能体的行为表现进行的动态数据抓取处理，确保了每次操作得到的小鼠水迷宫行为学数据不尽相同（
图4-①），增强了项目式科研训练的实战性，改变了虚拟仿真实验中常见的“结果固化”的弊端，有助于在实现学生个性化学习的同时，训练其科研思维能力.
2.2.3 数据的可视化转化
科研实验中得到的小鼠水迷宫行为学数据往往需要学生花费较长时间进行统计与分析后，才能获得实验结果.复杂的数据统计与分析过程一方面增加了学生的认知负荷，另一方面也降低了其学习兴趣.为打破这一转化壁垒，在虚拟资源的建设中，通过VR技术将学生完成虚拟实验后获得的数据（如小鼠找到平台的潜伏期和游泳策略等）转化为直观的3D轨迹回放图、不同象限耗时分布图和成绩统计柱状图等（
图4）.借助AI技术，项目完成了小鼠运动轨迹、运动热区以及任务策略分类等实验数据的快速可视化呈现，不仅降低了科研数据的解读门槛，也提高了数据解2的速度和深度.
2. 3 “三段四步”式虚实结合的教学模式
借助 “UCHL1缺陷对小鼠空间认知能力影响”虚拟仿真资源，设计了“课前—课中—课后”三阶段与“课前预习、虚实融合实验操作、AI数据可视化转化、科研论文撰写”四步骤的教学模式.教师引导学生围绕“UCHL1缺陷对小鼠空间认知能力影响”这一具体科学问题，以虚实结合的方式开展基因—蛋白质—整体水平的探究性实验.学生在实体实验课之前，利用虚拟资源来熟悉实验内容和操作流程，后台会根据学生课前虚拟实验得分情况，生成学情分析报告；在实验中，教师根据学情分析报告，对实验的薄弱点进行重点夯实，并以虚实结合的方式指导学生完成实验，能实则不虚.如小鼠腹腔麻醉，侧脑室立体定位注射UCHL1抑制剂以及小鼠水迷宫的空间探索等内容进行实体操作，而如flox载体显微注射、uchl1基因敲除小鼠的构建等环节，可以通过虚拟操作完成.实验结束后，学生可通过虚拟实验平台复盘全部实验过程，在完成可视化数据的分析和实验结果的讨论后，撰写科研论文并提交.这种教学模式显著提升了学生利用已学知识和技术解决生理学问题的实验设计和实施能力.
3 项目的教学创新与成效
1） 深度的科教融汇与跨学科融合：实现从简单的技术“拼盘”到复杂的项目驱动的多学科整合式生理实验的转变.本实验依托课题组前期成熟的科研成果，围绕“UCHL1缺陷对小鼠空间认知能力影响”这一具体科学问题，进行了基因、蛋白质和动物行为3个水平的综合性实验设计.实验有机融合遗传学（uchl1基因敲除和小鼠的基因型鉴定）、生物化学（UCHL1蛋白质功能调控）、神经生理学（脑的高级认知功能）和动物行为学（Morris水迷宫）等学科和领域的知识与技术.AI技术的融入巧妙打破了科教转化过程中实验操作与数据分析之间的壁垒，实现生理学实验从验证性实验跨越到以解决具体科学问题为目的的项目式实战训练，提升学生的应用创新能力.而虚实结合的教学模式，则打破了科研实验向生理学实验转化过程中面临的耗时长、操作复杂、仪器设备和实验场所要求高等瓶颈.
2） 课程思政的“浸润式”融入：提升生理学实验的温度与深度.科研成果向本科实验教学内容的转化过程中，面临的另一个转化瓶颈是实验人数的增加以及学生技术操作的不熟练等因素造成的实验动物消耗量的剧增.AI赋能的实验教学新模式可以让学生在实体实验前借助虚拟课程平台，了解动物操作要点，并通过反复虚拟训练提升操作熟练程度，在减少实验动物的不必要消耗的同时提高了学生的实验动手能力.此外，虚拟实验的全过程都体现了动物伦理的“沉浸式”教育.如在小鼠经腹腔虚拟麻醉模块，借助仿真技术模拟操作不当（如注射部位错误、注射剂量不当等）导致的小鼠痛苦反应甚至死亡，并以第一视角逼真呈现.这种沉浸式的场景体验，比任何口头说教都更能让学生深刻理解并内化 “尊重生命、善待动物” 的伦理准则，自觉践行动物生命伦理的3R原则
［13］.
3） 构建以“能力产出”和“素养提升”为核心的评价体系.课程构建了过程性评价与终结性评价相结合的多元评价体系.其中，过程性评价成绩占总成绩的60%，由AI系统自动完成.每一个实验步骤均设计有对应的目标达成度赋分模型，并对操作时间和成绩呈现类型进行了详细说明，部分操作的赋分模型如
表2所示.在每个交互环节，将实体实验中常见的错误类型及其对实验结果的影响用虚拟仿真的手段建库.当学生出现虚拟实验操作错误时，系统会呈现出操作错误导致的对应结果，甚至直接提示实验失败（如过度麻醉导致动物死亡）.在学生出现错误操作后，系统也会给予学生思考时间和思考提示，以强化学生的反思能力和实验操作能力.
4） 实际应用成效.该项目从2022年在ilab-x.com平台开放使用以来，浏览量达22 226次，成效显著.连续三年进行的实验教学效果调查中，共收集有效问卷233份.问卷显示，超过87.98%的学生对本实验教学项目比较满意，仅有4.72%的学生认为预习和虚拟实验内容较多，实验操作复杂，未能顺利完成本实验；34.76%的学生认为完全掌握了本次实验教学内容；66.52%的学生表示初步掌握了实验内容.学生对“实验设计能力、动手能力、分析和解决问题的能力、协作能力、实验兴趣、动物伦理学等哪些方面有所提升（可多选）”进行的回答中显示，选择实验设计能力和动手能力的学生比例最高，分别占比76.82%和88.26% ，其次是协作能力，学生更注重团队合作和实践操作能力的培养.最后，问卷对此实验项目的改进方向进行了调查，87.98%的学生希望增强软件运行的稳定性和可操作性；66.52%的学生希望提高实验的仿真度和拟合度，增强实验场景的还原度和沉浸感；58.37%的学生希望能丰富可视化的知识信息，并有与之配套的视频指导、实验教材和学习材料；50%左右的学生希望能自主设计实验，可随时导出实验报告；36.48%的学生希望能进行团队合作，随时交流学习.但调查同时显示，学生普遍更倾向于实际动手操作，这也与实验教学中“能实不虚”的理念相契合.问卷显示，本实验项目对提升教学效果具有积极作用，尤其在提高学生综合素质方面成效显著.
4 结语
依托“UCHL1缺陷对小鼠空间认知能力的影响”这一科研成果，本项目创新性地引入虚拟仿真与AI技术，有效破解传统生理学实验周期长、难度大、失败率高及动物消耗多等教学痛点.不仅实现了从传统验证性实验向多学科交叉综合实验的跨越，更探索并形成一套可推广的科教融汇新模式，利用AI模拟复杂动物行为，并通过数据拆分、可视化分析与机器学习技术，破除实验操作与数据分析之间的壁垒，突破实体实验的时空与资源限制.值得重点关注的是，项目在交互细节中设置了动物生命伦理与人文关怀的考核，让课程思政教育如“润物细无声”般融入教学全过程.学生通过虚实结合的多层次实验设计和个性化的数据分析，不仅激发了学习兴趣，更显著提升了解决复杂问题的科研能力.但当前模式仍存在部分不足与风险有待持续优化：如虚拟仿真与真实生理过程的偏差、实验内容与教材的脱节、复合型师资的短缺，以及学生可能出现的动手能力退化或过度依赖AI等
［14-16］.总体来看，AI赋能的科教融汇模式有望推动生理学实验教学向信息化与个性化方向改革，促进学生能力素养的提升和创新型人才的培养，实现知识传授与价值引领的同频共振.
从反思性评价到认知领航：面向科技创新人才培养的人智共创
※杨玉芹1， 杨淑芳1， 黄龙翔2
（1.华中师范大学人工智能教育学部数字教育湖北重点实验室，武汉 430079；
2.南洋理工大学国立教育学院，新加坡 637616）
人工智能（artificial intelligence，AI）正在从外部工具转向科学探究与知识创新过程中的认知伙伴与认识基础设施，重构学习者、同伴、教师与AI共同参与科学探究与知识创新的方式.与此同时，AI也可能诱发认知外包、元认知惰性与认知责任弱化，使学习者在高效完成任务的过程中逐渐失去对探究方向、意义解释与认知责任的主导权.面向科技创新人才培养，本文聚焦AI时代科教融合育人的核心问题：如何通过数据赋能的反思性评价，支持学习者在人智共创过程中持续维持认知领航，旨在为AI时代科教融合育人与科技创新人才培养提供一种概念框架与研究议程.
1 AI时代科教融合育人的新挑战
人工智能尤其是生成式AI的快速发展，正在深刻改变着科学探究与知识创新的生态.AI逐渐成为科学探究与知识创新过程的认知伙伴与认识基础设施，开始参与问题定义、假设提出、方案生成、意义建构等关键学习过程［1-2］，甚至可能主动重构问题边界、改变探究路径并影响学习者的判断逻辑.已有研究表明，生成式AI嵌入协作探究与知识创新环境后，不仅能够支持观点生成与解释扩展，还能够作为认知与反思伙伴促进设计方案迭代改进［2］.因此，AI时代的科学探究与知识创新，正从传统的人机协作走向人智共同塑造问题、证据、解释与创新路径的过程［3］.当前生成式AI教育相关的研究与实践正如火如荼地开展，但多数仍聚焦于提示词设计、工作流优化以及学习效率提升等高效人智交互问题［4］.生成式AI在提升任务效率与作品表现的同时，也可能诱发认知外包、元认知惰性与认知责任弱化等风险.已有研究表明，生成式AI可能削弱学习者的深层反思与自我调节能力，诱发元认知懒惰［5-6］.当AI能够快速生成流畅答案时，学习者可能绕过问题建构、证据权衡、意义协商与批判判断等关键学习过程，使学习从知识创造退化为答案选择［7］. 因而，一个更根本的问题逐渐凸显：在人智共创情境下，学习者如何持续保持对探究方向、意义建构与认知责任的主导权？
这一问题对于我国当前推进的科教融合育人尤为关键.当前，我国正将教育、科技与人才培养作为一体化战略系统推进，强调培养具有自主创新与原始创新能力的新质人才.“十五五”规划纲要将加快高水平科技自立自强、引领发展新质生产力作为重要战略部署，明确提出要加强原始创新和关键核心技术攻关，推动产出更多标志性原创成果，并强调基础研究和原始创新能力显著增强、产出一批重大原创性、标志性、引领性科技成果.这意味着，面向科技创新人才培养，教育的关键不只是帮助学习者掌握既有知识或高效完成任务，更在于支持其持续参与问题重构、意义建构、证据解释、模型修正与创新性知识生成等过程［8］.原始创新高度依赖学习者的独立思考、批判性判断、自主探究与持续知识重构能力；而AI若被简单用于替代问题生成、解释建构与判断决策，便可能对原始创新的认知源头形成冲击.知识创新理论强调，学习者需要围绕真实问题持续推进观点改进与群体认知责任承担［9-10］；学习分析研究也指出，教育数据的核心价值在于支持学习过程的解释与调节［11］.
与此同时，《教育强国建设规划纲要（2024—2035年）》提出，要完善拔尖创新人才发现和培养机制，加强创新能力培养，并构建教育科技人才一体统筹推进机制，完善科教协同育人机制，强化教育对科技和人才的支撑作用［12］.《国务院关于深入实施“人工智能+”行动的意见》进一步提出，要加快探索人工智能驱动的新型科研范式，加速“从0到1”重大科学发现进程，并推动哲学社会科学研究方法向人机协同模式转变，深入研究人工智能对人类认知判断、伦理规范等方面的深层次影响［13］.《“人工智能+教育”行动计划》也强调，要坚持育人为本、素养为先、应用导向、智能向善，推动智能技术与教育全要素融合、全过程贯通、全场景覆盖，并引导学生科学认识、合理利用智能技术，培养创新思维，提高认知思考和解决复杂问题的能力［14］.这些政策共同表明，AI在教育与科研中的应用已经不再是是否使用的问题，而是如何负责任地使用、如何在人机协同中守护人的判断力、探究力与原创力的问题.这意味着，AI时代的科教融合育人不应停留于技术赋能学习，而应进一步转向如何在人智共创过程中持续维持学习者的认知主体性.基于此，本文提出认知领航（epistemic stewardship）这一概念，强调学习者在人智协同探究与知识创新过程中对任务方向、意义解释、证据判断与认知责任等进行持续觉察、判断与调节的能力与实践.同时，本文以数据赋能的反思性评价作为支持认知领航形成的核心动力机制，探讨在人工智能深度介入科学探究与知识创新的情境下，如何通过数据支持的计划、监控、反思与调节过程，使学习者能够持续看见、理解并调节自身与AI共同塑造的探究过程、状态与结果，发展元任务觉察，并持续维持认知领航与科技创新能力.
2 数据赋能的反思性评价与科学探究与知识创新
科学探究与知识创新不仅是知识获取的过程，更是围绕真实问题持续进行问题提出、证据解释、意义建构与观点改进的过程［10］，其本质是持续推进认知发展的过程.该过程的关键是学习者能否持续计划、监控、反思并调节自身的探究方向、解释逻辑与知识建构过程.基于此，反思性评价在科学探究与知识创新中的价值逐渐受到重视［2，15-17］.不同于传统以结果测量为中心的评价观，反思性评价本质上是一种嵌入学习过程的问题解决机制，其核心在于通过持续的计划、监控、反思与调节推动科学探究与知识创新［18-21］.已有研究表明，当评价嵌入科学建模与探究过程时，学习者能够更有效地反思自身理解与解释的质量［17-18］；Black等［22］也指出，评价的核心功能在于产生推动学习前进的证据，而非终结性判断.
学习分析的发展进一步增强了反思性评价的工具基础.学习分析的核心目的在于支持学习者理解和改进学习过程，而非单纯的行为监控
［11，23］.已有研究进一步表明，数据赋能的反思性评价不仅能够帮助学习者追踪观点演化与共同体知识进步，还能够在生成式AI参与探究时，支持学习者与AI之间的协同反思、问题重构与设计方案迭代
［2］.因此，数据赋能的反思性评价通过学习过程、状态与结果的数据，将计划—监控—反思—调节这一元认知动力机制嵌入科学探究与知识创新过程.数据赋能的反思性评价与科学探究与知识创新的关系如
图1所示.数据赋能的反思性评价具有三个关键特征：实时性，即多模态数据支持学习者及时理解当前探究状态与潜在问题；嵌入性，即评价持续嵌入科学探究与知识创新全过程；变革性，即评价用于推动问题重构、观点修正与知识创新路径的调节
［2，21］.
随着生成式AI深度介入科学探究与知识创新过程，反思性评价也面临新的挑战.过去，反思性评价主要聚焦于学习过程、协作探究与知识建构的可视化；而AI时代，反思性评价还需要进一步使人智协同中的任务重构、解释协商、认知责任分配与探究方向变化等过程可视化、可理解化与可行动化.生成式AI正从工具逐渐转向学习过程中的认知基础设施［24］，并深刻影响学习者的问题定义、解释逻辑与判断方式［25］.这意味着，当AI开始参与问题提出、意义建构与探究路径重构时，学习者已经难以仅依赖经验性判断维持对复杂探究过程的有效把握.同时，如果缺乏持续反思与调节，学习者可能绕过认知冲突、意义协商与批判性判断等关键学习过程，使科学探究从知识创造退化为答案选择［7］.基于此，本文认为，在AI支持的科学探究与知识创新情境中，数据赋能的反思性评价的功能正在发生本质跃迁：它不再只是支持学习者优化学习过程的评价工具，而是逐渐演化为支持学习者维持认知主体性与认知领航能力的核心机制.只有当学习者能够持续理解AI如何影响问题定义、解释逻辑与探究方向时，才可能真正维持对科学探究与知识创新过程的主动调节.在此基础上，学习者才能进一步发展元任务觉察与认知领航能力.这里所强调的已不只是对学习过程的监控，而是对任务目标、问题边界、解释框架与认知责任如何在人智互动中被动态重塑的持续觉察.
3 从反思性评价到元认知察觉再到认知领航
3.1 从反思学习过程到认知领航——AI时代反思性评价的认识论转向
随着AI深度参与科学探究与知识创新过程，学习者反思的对象正在发生根本变化.学习者不仅需要反思如何学习，还需要进一步反思：正在完成什么任务，AI如何改变任务目标与问题边界，以及人机协同中的意义建构与认知主导权正在如何被重新分配.这一变化推动着反思性评价从传统意义上的元认知进一步走向元任务觉察.元任务觉察指学习者对任务目标、问题边界、解释框架与认知责任如何在人机互动中被共同塑造的持续觉察与调节能力，其核心并不只是学习者是否能够有效使用AI，而在于其能否持续意识到：AI正在参与任务定义、目标优化、意义建构与判断路径的生成，并据此动态调整自身的解释与认知责任［7］. AI时代真正关键的能力，已经不再只是提示词设计，而是学习者能否持续判断：为什么使用AI，AI是否改变了原有任务目标，何时应由人主导，以及何时需要重新掌握解释权与判断权.
这一变化意味着AI时代的科学探究与知识创新正在发生重要的认识论转变. 过去，知识建构更多发生在人与人之间；而AI时代，科学探究与知识创新逐渐转向人智共同塑造问题、证据、解释与创新路径的过程.生成式AI不仅参与信息生成，还可能通过默认逻辑、语义结构与算法机制等影响学习者的问题定义、解释路径与判断标准.如果学习者无法意识到这种任务共塑，AI便可能在不被察觉的情况下替代学习者承担意义建构中的关键判断［7］.因此，元任务觉察可以被视为连接反思性评价与认知领航的重要中介机制：反思性评价使学习过程可视化与可调控，而元任务觉察则进一步使任务结构、认知责任与探究方向如何被人智共同塑造变得可理解化.由此，学习者反思的不再只是发生了什么，还包括任务为何发生改变以及这种改变意味着什么.越来越多的研究也指出，生成式AI环境中的学习者需要发展新的认知调节能力［2，26］，未来教育的重要问题是学习者能否持续保持认知主动性、解释权与责任意识.
在元任务觉察基础上，学习者才可能进一步发展认知领航. 认知领航的核心，并不在于拒绝AI，而在于在人智共创过程中持续维持人的探究主体地位.已有研究指出，AI时代真正重要的问题并不是AI是否强大，而是AI是否正在移除学习中的必要“学习摩擦”［7］.所谓学习摩擦，是学习者进行问题建构、证据权衡、意义协商与批判判断的关键认知时刻；而生成式AI可能通过快速生成流畅答案，使学习者绕过深层判断与意义建构过程，使科学探究从知识创造退化为答案选择.因此，认知领航的本质，在于学习者能否在人智共创过程中持续维持探究方向、意义解释与认知责任的主动调节.其核心包括任务拥有权、解释权、认知责任、主体能动性与认知调节能力，即学习者能否决定何时接受、拒绝、修正或重构AI建议.已有研究表明，随着AI承担越来越多的信息整合与解释工作，学习者可能减少深层认知加工与批判性判断［5-6］；生成式AI也可能诱发认知外包与元认知惰性，使学习者逐渐失去对问题结构与意义建构过程的主动调节［5］.如果缺乏认知领航，学习者虽然可能高效完成任务，却可能逐渐丧失科学探究与知识创新所需要的认知主动性、主导权与原创性.由此，AI时代反思性评价的核心目标，也正在从支持学习优化进一步转向支持学习者维持认知主体性与认知领航.
3.2 AI支持的反思性评价生态系统——支持认知领航
基于上述理论，本文进一步提出AI支持的反思性评价生态系统（
图2），旨在通过数据赋能的反思、觉察与调节机制，支持学习者在人智共创过程中持续维持认知领航. 该生态系统并非单一技术框架，而是一个面向AI时代科学探究与知识创新的认知支持生态.
首先，生态系统以AI富集的学习环境为基础.在生成式AI、学习分析、协作探究平台、多模态学习数据与AI交互轨迹共同构成的环境中，学习不再局限于传统的人际协作，而是逐渐转向学习者、教师、同伴、AI与数据反馈共同参与的复杂认知生态.AI在其中不仅是信息工具，更是认知与反思伙伴、问题重构催化器与创意激发者.其次，生态系统的核心机制是数据赋能的反思性评价.该机制通过学习分析，实现学习过程可视化、探究状态可调控以及知识创新过程可行动化，其分析对象不仅包括行为轨迹，还包括提示语演化、问题重构、意义协商与探究路径变化等人智共创过程.这些数据不仅反映学习者做了什么，更揭示其如何定义问题、接受或修正AI建议以及如何重新承担认知责任.在此基础上，生态系统进一步通过元任务觉察支持学习者理解任务如何被人智共同塑造. 学习者需要持续觉察任务目标如何变化、问题边界如何重构、认知责任如何重新分配，以及AI如何影响解释逻辑与探究方向，其核心是帮助学习者持续理解任务为何改变以及这种改变意味着什么.认知领航构成整个生态系统的核心目标，其关注的关键问题包括：学习者是否仍然拥有任务定义权、解释权与认知责任，是否仍能够决定何时接受、拒绝、修正或重构AI建议.认知领航意味着学习者不仅能够使用AI，还能够持续判断AI在科学探究与知识创新中的合理角色定位，并维持人的探究主体地位.基于上述机制，生态系统最终指向3类发展结果：认知发展结果（cognitive development outcomes），如知识建构、科学推理、问题解决能力；认识发展结果（epistemic development outcomes），如认知主动性、反思判断、元任务觉察与认知领航；以及创新发展结果（innovation development outcomes），如问题重构、适应性探究与原始创新能力等.
本文认为，AI深度参与科学探究与知识创新，并不会自动促进科技创新；数据赋能的反思性评价，也并不必然产生认知领航.只有当反思性评价能够支持学习者持续保持对任务、意义与责任的主动调节时，AI才可能真正服务于科学探究与知识创新.因此，AI支持的反思性评价生态系统的价值，并不在于提供一种“高效使用AI”的技术方案，而在于为AI时代科教融合育人提供一种新的认识论视角，即如何在人智共创过程中持续维持人的认知主体性与认知领航能力.
4 基于AI支持的反思性评价生态系统的科教融合育人实践路径
基于AI支持的反思性评价生态系统，AI时代科教融合育人的实践重心应从AI赋能学习进一步转向构建支持认知领航的人智共创生态.因此，实践路径的核心逻辑则是AI支持真实探究—反思性评价驱动调节—元任务觉察形成—认知领航发展的系统推进过程.
第一，需要构建真实问题—人智共创—反思性评价—认知领航的科学实践体系.传统学习更多围绕知识掌握与结果评价展开，而AI时代的科教融合育人应转向真实问题、持续探究与知识创新.未来课程可围绕复杂社会-科学议题展开，使学习者在真实情境中经历问题提出、数据分析、模型修正、方案迭代与知识生成等过程.在这一过程中，AI作为认知与反思伙伴参与科学探究；反思性评价持续嵌入探究全过程，通过学习分析使探究过程可视化、探究状态可调控、知识创新过程可行动化.由此，科学实践的目标是支持学习者持续保持问题定义权、意义解释权与认知责任，而非只是获得正确答案.
第二，需要将AI设计为认知与反思伙伴，而非答案生成器.未来AI学习环境设计的关键是重构有价值的学习摩擦，而不是消除学习摩擦，AI可以提出替代假设、生成冲突性证据、暴露推理漏洞或重构问题边界，而不是直接给出标准答案.AI的价值不在于替代学习者思考，而在于放大学习者的批判、反思、推理、论证与意义协商过程.
第三，需要建立可视化-可调控-可行动的反思性评价机制.未来评价的重点应从结果判断转向探究过程支持与知识创新过程支持.学校与平台可以基于学习过程数据、AI交互轨迹、提示语演化、问题重构、意义协商与探究演化等数据，构建过程性评价机制.这些数据不仅反映学习者做了什么，更反映其如何定义问题、接受或修正AI建议，以及何时重新承担认知责任.评价由此成为支持认知主动性与认知领航的重要认知基础设施.
第四，需要明确培养学习者的元任务觉察与认知领航能力.AI时代更深层的风险并不是学习者不会使用AI，而是在高效使用AI的过程中逐渐失去对任务、意义建构与知识创新的主导权.因此，在科学探究与知识创新过程中，教师需要持续引导学生追问：AI是否改变了我的问题定义？当前是谁在主导探究方向？我是否理解AI生成解释背后的逻辑？我是否正在将判断与责任外包给AI？这些反思并非为了限制AI使用，而是帮助学习者意识到任务、解释与责任如何在人智互动中被共同塑造，并在此基础上维持任务拥有权、解释权与认知责任.
第五，需要构建支持认知领航的多主体协同育人生态.科教融合育人需要中小学、高校、科研机构、企业平台与教育治理部门共同参与，共建真实问题、真实数据、真实工具与真实评价相结合的科学探究平台.教师负责过程组织与反思调节，科研人员提供真实问题与科学实践框架，AI工程师支持智能工具与数据环境建设，学习者则在人智协同中持续推进科学探究与知识创新.同时，AI平台应从任务完成导向转向认知轨迹支持导向，支持跨任务、跨时间与跨情境的持续反思与认知轨迹追踪.
第六，需要推动以认知领航为核心的AI教育治理.AI教育治理不应只关注技术安全、算法公平或平台效率，更应关注AI是否正在改变学习者在科学探究与知识创新中的主体位置.未来治理需要明确AI在人智共创中的功能边界：AI不能替代学习者承担最终解释责任，平台不应只优化答案生成效率，而应增强探究过程与知识建构过程的透明性、可理解性与可调节性.真正面向科技创新的AI教育治理，不是消除所有认知摩擦，而是保留问题建构、证据权衡、意义协商、批判判断与责任承担等关键学习过程.
5 结语
本文围绕AI时代科教融合育人的新挑战，讨论生成式AI深度参与科学探究与知识创新后，学习者如何维持认知主动性、解释权与责任意识等认知领航问题.本文指出，生成式AI正在从外部工具转向认知伙伴与认知基础设施，在拓展探究与创新可能性的同时，也可能带来认知外包、元认知惰性与认知责任弱化等风险.基于此，本文论述了数据赋能的反思性评价如何通过可视化、可调控与可行动的过程支持，将计划、监控、反思与调节嵌入科学探究与知识创新过程，并进一步提出反思性评价—元任务觉察—认知领航的理论递进.
本文首先提出了认知领航这一概念，并将其引入AI支持的科学探究与知识创新情境；其次，构建了AI支持的反思性评价生态系统，尝试整合真实问题探究、人智共创、数据赋能评价、元任务觉察与认知领航；基于此，提出了面向科教融合育人的实践路径，为课程设计、AI角色定位、过程性评价、能力培养、协同生态与教育治理提供参考.从更深层面，本文试图强调：AI时代教育真正需要守护的，并不是学习者使用AI的能力本身，而是其持续提出问题、重构知识、批判判断与承担认知责任的能力.随着AI逐渐嵌入知识生产过程，教育关注的重点也应从提高任务完成效率进一步转向维护原始创新所必需的认知主体性.反思性评价的价值，正是在于通过持续的觉察、反思与调节，帮助学习者在人智共创过程中始终保持对问题、意义与判断的主动权.
作为一个理论性探索的研究，本文提及的相关框架与观点仍需未来通过实证研究与实践迭代进一步检验.未来研究可开发认知领航测量工具，分析AI交互轨迹如何表征元任务觉察与认知责任，并检验该生态系统在不同学段、学科和真实探究场景中的适用性.在基础研究与原始创新能力日益成为国家战略重点的背景下，AI时代科教融合育人的核心问题，或许并不只是如何更高效地借助AI生成知识，而是如何在人智协同中持续培养能够独立思考、主动探究并负责任地参与知识创新的人.
［1］ CHEN B D. Beyond tools： generative AI as epistemic infrastructure in education［DB/OL］. （2025-04-09）［2026-05-25］.https：//doi.org/10.48550/arxiv.2504.26928.
［2］ YANG Y Q， CHEN L， SUN D E， et al. Fostering preservice teachers’ design thinking by integrating generative AI and analytics-supported reflective assessment in a collaborative inquiry environment［J/OL］. Computers Education， 2026， 249［2026-05-25］. https：//doi.org/10.1016/j.compedu.2026.105602.
［3］ JUAN Y C， LEE Y H， WU J Y. Generative artificial intelligence augments social interactivity and learning outcomes： advancing the framework of a scaffolded human-GenAI shared agency［J/OL］. Computers Education， 2026， 247［2026-05-25］. https：//doi.org/10.1016/j.compedu. 2026. 105564.
［4］ PARK J. A systematic literature review of generative artificial intelligence （GenAI） literacy in schools［J/OL］. Computers and Education： Artificial Intelligence， 2025， 9［2026-05-25］. https：//doi.org/10.1016/j.caeai.2025.100487.
［5］ FAN Y Z， TANG L Z， LE H X， et al. Beware of metacognitive laziness： effects of generative artificial intelligence on learning motivation， processes， and performance［J］. British Journal of Educational Technology， 2025， 56（2）： 489-530.
［6］ POZDNIAKOV S， BRAZIL J， BANIHASHEM S K， et al. AI assistance in peer feedback provision： pedagogically sound， but minimally adopted［J/OL］. Computers Education， 2026， 248［2026-05-25］. https：//doi.org/10.1016/j.compedu.2026.105591.
［7］ WONG L H. Transforming education with generative AI： Designing for post-prompting era［J/OL］. Information and Technology in Education and Learning， 2025， 5（1）［2026-05-25］. https：//doi.org/10.12937/itel.5.1.Inv.p003.
［8］ 叶浩生， 苏佳佳. 生成式学习： 人工智能时代的学习新范式［J］. 教育研究， 2025， 46（12）： 66-78.
YE H S， SU J J. Generative learning： a new learning paradigm in the age of artificial intelligence［J］. Educational Research， 2025， 46（12）： 66-78. （Ch）.
［9］ CHEN B D， HONG H Y. Schools as knowledge-building organizations： thirty years of design research［J］. Educational Psychologist， 2016， 51（2）： 266-288.
［10］ SCARDAMALIA M， BEREITER C. Knowledge building and knowledge creation： theory， pedagogy， and technology［M］//SAWYER R K， ed. The Cambridge handbook of the learning sciences. 2nd ed. Cambridge： Cambridge University Press， 2014： 460-482.
［11］ GAŠEVIĆ D， DAWSON S， SIEMENS G. Let’s not forget： learning analytics are about learning［J］. TechTrends， 2015， 59（1）： 64-71.
［12］ 中共中央， 国务院. 教育强国建设规划纲要（2024—2035年）［EB/OL］. （2025-01-20）［2026-05-25］. https：//www.mee.gov.cn/zcwj/zyygwj/202501/t20250120_1100948.shtml.
CPC Central Committee， State Council， P.R.C.. 2024-2035 master plan on building China into a leading country in education［EB/OL］. （2025-01-20）［2026-05-25］. https：//www.mee.gov.cn/zcwj/zyygwj/202501/t20250120_1100948.shtml. （Ch）.
［13］ 国务院. 关于深入实施“人工智能+”行动的意见［EB/OL］. （2025-08-27）［2026-05-25］. https：//www.mee.gov.cn/zcwj/gwywj/202508/t20250827_1126207.shtml.
State Council， P.R.C.. Opinions on deepening the implementation of the “AI plus” initiative ［EB/OL］. （2025-08-27）［2026-05-25］. https：//www.mee.gov.cn/zcwj/gwywj/202508/t20250827_1126207.shtml. （Ch）.
［14］ 教育部， 国家发展改革委， 工业和信息化部， 等. “人工智能+教育”行动计划［EB/OL］. （2026-04-10）［2026-05-25］. https：//www.nda.gov.cn/sjj/zwgk/tzgg/0410/20260410162428109058250_pc.html.
Ministry of Education， National Development and Reform Commission， Ministry of Industry and Information Technology， P.R.C.， et al. Action plan for "AI+Education"［EB/OL］. （2026-04-10）［2026-05-25］. https：//www.nda.gov.cn/sjj/zwgk/tzgg/0410/20260410162428109058250_pc.html. （Ch）.
京公网安备11010202008535号
PDF
(2808KB)
