先说清楚“公开课 AI 赋能”指的是什么。它说的是在公开课、示范课或教学创新竞赛里,把人工智能技术和教学设计、课堂互动、学情分析这些环节真正融到一起,而不是在课件角上贴一个“本课使用 AI”的标签。这个定义本身不复杂,复杂的是它背后那根指挥棒。现在学校和教研单位在提,教学创新大赛专门开了人工智能赛道,示范课、精品课的评审标准里也写进了技术融合的条目。要求是真的,评审也是真的,所以老师们的紧张也是真的。
那评审到底看什么?把几份真实的评审要求摊开看,反复出现的是这几条:AI 要解决真实的教学问题,不是为用而用;教案和课件里要写清楚 AI 用在哪个环节、设计目的是什么、怎么操作、预期什么效果;要拿得出可验证的证据,或者前后对比的数据;技术要自然融进教学流程,而不是外挂上去的一层壳。北京赛区甚至直接列了可选的 AI 情境,学情数据采集与分析、数字资源整合与运用、适配的教学场景设计、多维智能评价反馈、师生机协同教学、个性化学习支持,至少得落到两个。说白了,评审不是看你用了几个工具,是看你能不能把“为什么用、用在哪、怎么用、用出了什么”这四句话讲圆。
老师真正卡住的地方,大概有这么几个。第一,不知道什么算赋能。装个 AI 出题工具算出几道题,算不算?让 AI 生成一版教案,算不算?边界很模糊。第二,不知道怎么才算深度融合,而不是贴个 AI 标签。第三,怕为了用 AI 而用 AI,被评审一眼看穿,反而扣分。第四,不知道哪些环节能放 AI、哪些不该放,有些地方硬塞进去,教学反而变别扭。第五,也是最实在的一条,教案和课件里不知道怎么把“AI 用在哪、用来干什么”写清楚,写少了像没说,写多了像自夸。
这篇文章按公开课的五个环节来排:备课、课件、课堂互动、评价反馈、复盘。每个环节给几个能直接上手的做法,不用全上,挑两三个这周就能动的就行。
一、备课
先喂料,再让 AI 干活,别让它凭空生成。 这是很多人踩过的坑:打开对话框,一句“帮我备一节高一地理课”,出来的东西四平八稳,谁都能用,也就谁都用不上。问题不在 AI,在输入。使用TAIWE 教师 AI 助手,你可以在已经有的“学期教学备课项目”里,单独创建一个“公开课”目录,建议把已经写好的东西交出去——旧教案、讲稿、课文原文、去年这堂课的反思,然后告诉TAIWE 教师 AI 助手,帮你生成所需要的公开课教学资料。注意一点:交出去的材料自己要过一遍,可以使用TAIWE 教师 AI 助手的数据脱敏功能,自动将涉及学生姓名、成绩的隐私数据隐藏。
指令要下得结构化,至少凑齐五个要素。 TAIWE 教师 AI 助手里的教学项目,本身就带有这节课所需的上下文,所以不需要像使用其他 AI 那样,每次都重复输入角色、对象、所用教材、课标等,老师只需要输入公开课目标(这节课要让学生理解楞次定律的方向判断)、结构(导入—探究—练习—小结)、约束(PPT 控制在 12 页以内,语言口语化,关键图要配)。
把 AI 当“抬杠的同事”用,先让它挑毛病。 这个用法比让它写东西更值钱。清华的一堂课相关报道里提到,一位老师向 AI 提问调查问卷的事,AI 回了一句“你是在用数据来审判学生”,她因此改了教案的方向。这就是把 AI 放在对面,而不是放在手边。具体怎么做:先把自己的教学设计完整讲一遍,然后明确要求它“从评审的角度挑三个最可能被质疑的地方”,或者“指出这个环节里学生可能卡在哪里”。它挑的不一定都对,但能逼你把没说圆的地方补上。注意,这一步放在教案基本成型之后做,太早了没有靶子。
用知识图谱倒着看备课重点。 老师可以让TAIWE 教师 AI 助手,把公开课内容的知识点之间的关联画出来,可以是大纲、思维导图、图谱、地图等模式。对备课真正有用的是它给出的两个维度:每个知识点的平均完成率和平均掌握率。备课时先看哪个知识点上一轮学生掌握率低,这节课就在那儿多留时间、多设计一个活动。图谱还能关联教学资源和考核资源,等于把“教什么、练什么、考什么”串在一条线上。要注意的是,图谱得先有数据才有参考价值,新开的课或者第一次用的班,别把它的数字当铁律。
筛选和生成分开做,先看别人怎么上。 教育部现场会报道里提到,山东济南一所小学的语文教师先用国家中小学智慧教育平台的智能助手筛选精品课,再用自己长期“养”出来的备课搭子生成教案。这个顺序值得学:先看别人怎么处理这个难点,再按自己的思路写。分开做的好处是,你看的时候不带自己的预设,生成的时候不被别人的框架绑住。国家高等教育智慧教育平台上的资源,大赛人工智能赛道是明确要求要用的,平时备课就顺手用起来,比赛时也不用临时抱佛脚。
借助 AI 处理那些耗时间但不耗脑子的活。 这些活完全可以交给TAIWE 教师 AI 助手来做,一份完整的公开课教学文档包,十来分钟就能生成,甚至包括互动3D课件,这样老师把精力留给学情判断、难点取舍、价值引导的部分,这些需要老师自己来,别外包。
用项目制工具一次把整套材料搭齐,再逐份改。 公开课最磨人的地方,是要的材料又多又杂,教案、课件、导学案、作业、评价表、资源清单、反思日志,散在各处容易漏。老师用 TAIWE 教师 AI 助手备一节高一地理公开课《地球内部圈层》时就是这么做的:先新建一个课时文件夹,把需求告诉它,它先分析,再跟他确认三件事——材料清单、学情与班型、产出格式和放哪儿;他四选一,选的是“全套 6 件加反思模板、普通班”,它一次形成 7 份材料:教案、课件大纲加 PPTX、学生导学案、分层作业、课堂评价表、教学资源清单、教学反思日志,其中导学案和作业设计还导出了学生用的版本,他再逐份看、逐份改。
二、课件
做课件之前先回答三个问题。用TAIWE 教师 AI 助手 做课件拆成四步:准备输入内容、生成课件大纲、选模板生成完整课件、个性化调整。它特别强调第一步的三问——教什么、教给谁、达到什么效果,这三问没想清,后面全是白干。这话不夸张。同样一节《赤壁赋》,给高一上和高三复习用,课件完全不是一个东西。所以动 AI 之前,先在纸上把这三行写下来,写不出来就说明课还没备到位。
大纲出来先自己读一遍,顺序不对先改大纲。 这是第二步的关键。AI 生成的大纲往往按“知识点罗列”排,而不是按“学生怎么学”排。有份实践指南里说得很形象:AI 生成的 PPT 教师要删减、重排,把“信息的顺序”改成“学习的顺序”。什么意思?知识点的顺序是定义、性质、例题、练习;学习的顺序可能是先抛一个现象让学生懵一下,再回头找定义。大纲阶段改,成本最低;等整份课件生成完再改,等于重做。
图转 PPT 能用,但认出来的字必须逐页核。 上传课件截图、教材扫描件、板书照片,TAIWE 教师 AI 助手能还原成PPTX,这对继承老课件特别省事。但有一件事不能省:逐页核对文字和图。识别错字在公开课上最扎眼,一个公式下标错了、一个文言文字认错了,台下评委一眼就看到。数据、年份、公式、专有名词,逐页对照教材或权威资料确认,这一步没有捷径。
加上只有你能加的东西。 这是让 AI 课件不像 AI 课件的关键。实践指南里说,要加上本班学生作业里的真实错例、上一次课全班都栽了的那道题、针对本班学情的追问。比如一节初三化学的课件,别人放的是标准例题,你放的是上周作业里三个学生把“溶解度”和“溶质质量分数”搞混的原题截图,这一页的说服力比十页模板都强。评审看课件,看的就是这里面有没有“这一个班”的痕迹。
环节别贪多,一节课三步,每步一个互动点。 这是个通用但很救命的做法。先把一节课的流程定成三步,每步只留一个互动点;环节一多,自己先乱,学生也跟不上。AI 在这件事上的正确用法,是帮你把讲义改成课堂口语、把图片裁成能直接放进 PPT 的尺寸,而不是帮你再塞进五个花哨的动画。至于课件的视觉,提示词里写清约束就够了:页数、风格、要不要配图,写明白它就不会乱来。
三、课堂互动
让学生和“AI学生”辩论,老师退到引导位
先说为什么。公开课最容易在互动环节露怯:要么是几个学生答完就冷场,要么是老师问“对不对”全场齐声喊对。AI 在这里能做的事,是把“只有老师一个人能提问、能接话”的局面变成多方参与。
怎么做。有老师上《黑白之谜》,让 3 名 AI 学生分别代表拉马克、达尔文、古尔德三个学派,面对同一份证据各自陈述、互相辩驳,老师不站队,只负责把话题往深处推,最后让学生判断谁更有理。这里的关键是老师要“让位”:AI 学生说得再好,也不能替老师下结论,判断权必须留给台下学生。另一个值得注意的细节是,那位老师还让智能体用四川方言对话,学生一下就有了亲近感。方言这件事不必强求,能贴近学生生活经验的形式都可以试。
要注意什么。AI 学生的观点要提前设定好、试跑过,别到课堂上现编;三个学派的说辞如果立场模糊,辩论就成了三个声音轮流念稿。另外,AI 讲错的地方,恰恰是最好的教学资源,别急着跳过。
用数字人做“采访”,学生自己当记者
为什么。项目式、任务型的互动,学生常常缺一个真实的对象感。AI 数字人能把“采访航天员”这种现实中办不到的事搬进教室。
怎么做。有老师用航天员公开资料制作了“杨利伟”数字人,学生分组收集资料、拟采访提纲,有人当证据员,有人当观察员,采访完还要回过头核对自己提的问题有没有被回答、数字人的回答有没有依据。这一环里,学生练的不是“问 AI”,是提问、取证、判断。
注意什么。数字人的回答是生成的,要提前跟学生讲清“哪些是资料里有的,哪些是它推断的”,否则学生会把生成内容当史料。
可交互网页,让抽象概念能“拧”
为什么。物理、数学里的抽象概念,光讲很空,光看动画又是被动接受。
怎么做。同样是清华那堂课,老师用可交互网页让学生自己调参数,感受“低频共振”“舷窗裂纹”这些概念是怎么发生的。上海有老师自编 3D 动画演示正多面体的割补过程,也有老师用 AI 生成动画让古今数学家隔空对话。广州越秀区的展示课上,有小学老师用 AR 工具配合市人工智能教育平台,把中国传统文化与文物串成一节课的线索。
注意什么。动画越炫,学生越容易记住画面忘了概念。每个互动之后要留一句话的时间,让学生说出“我刚才调大了什么,结果变了什么”。
课堂即时反馈:让“不懂”被看见
为什么。公开课上老师最怕的是“看起来都懂了”。堂测提供学生免电子设备的实时测试反馈工具。老师上课中的随堂测试,可以让学生举起答题二维码,老师用APP扫码提交,可以马上在大屏上看到学生的答题统计,根据这个实时反馈的结果,可以及时的调整教学策略。
AI 助教和思维导图,把思政和结构一起带出来
为什么。课程思政最怕贴标签,思维导图最怕变成板书搬家。
怎么做。AI 助教负责实时答疑和资料供给,老师负责价值引领。教《中央银行学》的那位老师把任务分成两堆:AI 做可视化、个性化学习路径、及时反馈、数据采集,占大头;教师做知识框架、重难点精讲、价值引领、人工校准。他特别说明这是比例上的比喻,不是硬指标,别拿这个去卡自己。思维导图可以边讲边动态构建,让学生看着结构长出来。
注意什么。有北京教育学院的老师总结过三条原则:学科本位;利用好 AI 的特性,不能为了融合而融合;坚持教师主导、学生主体。这三条可以直接当自查清单用。
情境创设:把学生“带出去”
为什么。地理、体育、英语这类课,情境一真,学生的参与度就上来了。
怎么做。深圳福田区学术周的一节“AI 赋能:东北地区大单元复习”示范课,用虚拟现实全景技术带学生“走进”亚布力滑雪场,探究地形对气候的影响;一节小学体育课用智能心率表实时监测学生运动状态;一位体育老师在篮球课上引入 AI 数字人,针对“行进间运球”给学生个性化动作指导;一位小学英语老师借助 AI 生成中国传统色彩与旗袍情境,把抽象颜色词变成直观场景,再结合学情优化分层任务,用 AI 语音做口语评价。北师大那场教学沙龙里,有老师用豆包处理人物照片、用即梦生成“古人穿越与班长握手”的视频做导入,也有老师用学科网 AI 小博士的活动资源、用 AI 讲卷语音讲题。
注意什么。情境是入口不是主体,导入再热闹,后面还得落回学科问题。智能心率表这类数据,涉及学生身体信息,用之前要说清楚采什么、给谁看。
四、评价反馈
AI 循证:让课堂录像说话
为什么。评课最容易凭感觉,“这节课气氛不错”说完了什么也没留下。循证教研就是让 AI 拿课堂录像里的证据说话。
怎么做。教育部一场现场会的报道里,有位老师自评“学生已经掌握了”,另一位老师把课堂视频提交 AI 循证系统,报告指出知识传授太多、迁移创新较少、教师指导太多、学生回应太少;改过一轮后第二次循证显示,学生提问和质疑明显增加。福田区学术周展示的课堂智能反馈系统也是这个路子:教师课前开启,课中采集数据,课后一键生成分析报告,里面有提问类型分布、互动参与度、学科教学问题热力图。
注意什么。涉及学生画面的分析,要事先征得学生同意,这是底线,没有商量余地。
把反馈写成能改的一句话
为什么。报告里写“互动不足”,老师看完还是不知道明天改什么。
怎么做。有个例子值得学:评价报告写“封闭性提问占比 70%,建议下次增加‘为什么、如何做’类开放性问题”,教师据此制定“小步改进计划”,每周只针对一个问题调整,再让 AI 记录调整后的数据,形成循环。上海有老师在课堂上用多样化评价量表落实教学评一体化,思路是一样的——把评价拆成可操作的小项。
注意什么。一次只改一个,改太多等于没改。
批改:AI 先过一遍,人再逐题复核
为什么。客观题和结构化主观题批改确实费时间,共性错误也不容易一眼看出。
怎么做。《教师生成式人工智能应用指引》里列了几种用法:自动批改客观题和结构化主观题、批量分析共性错误、生成班级得分分布图和知识薄弱点;作文和论述可以先初步批阅,输入评分标准辅助评分;量规设计可以输入任务说明、目标、维度、等级要求,生成评价标准和各等级反馈示例。超星学习通的 AI 助评价基于知识图谱做细粒度数据采集与反馈,还有 AI 试卷分析与智能批阅。
注意什么。指引写得很明确:AI 初评之后要逐题复核,不直接用于高风险评分;它给的等级反馈要改成学生看得懂的话。另外,广西一所高校的数字化大赛评分标准里要求评价环节用 AI 学情分析数据验证,基于AI生成的学情报告优化教学策略——这说明评审确实会看“你的评价有没有数据支撑”。
公开课的评价表,提前把“看什么”写死。
为什么。评价表最容易写成走过场,课上完了才发现没记下要看的东西。
怎么做。上面那位用 TAIWE 教师 AI 助手备课的老师,那 7 份材料里就有一份课堂评价表,总分 100 分。它的价值不在分数,在于逼你课前想清楚:这节课我到底要看学生的什么表现。做法就是课前先把观察点定下来,写进表里,课上按表记,课后按表复盘。
注意什么。分值怎么分要自己按课定,别照抄模板。那份演示里的评价表,四、五、六节的分值是明确的,一、二、三节合起来 50 分,具体怎么分演示里没展开,你更没必要迷信某个现成分配。
音频分析:评审自己的课
为什么。老师对自己上课的样子往往没数,互动节奏、提问技巧这些,自己感觉和实际差得远。
怎么做。老师可以把录制的上课音频,导入TAIWE 教师 AI 助手,然后转换成文本,把这个文本交给TAIWE 教师 AI 助手,让它分析,AI助手会自动匹配教学分析技能,从互动节奏、提问技巧等维度给出量化反馈,它会把教案设计和实际授课视频对比,评估目标达成度。沈阳一所高校的高等数学课程做过“课前—课中—课后”AI 赋能的实践,AI 参与智能备课、课程思政融合、课堂互动优化和课后评价,是全链条的。
注意什么。量化指标是参照不是分数,别拿它给自己贴标签。
五、复盘
先定维度,再让它摆证据
为什么。让 AI 泛泛说“这节课不错”,等于没说。
怎么做。《教师生成式人工智能应用指引》提到,可以用生成式 AI 对教案、课堂实录做复盘分析,依据特定理论评估教学行为、量化互动数据,获得改进建议。具体做法是先指定观察维度,比如提问层次、等待时间、学生回应,再让它按维度摆证据、提改进建议。让它“依据特定理论”评,比让它随便评有用得多。
注意什么。维度别贪多,三四个就够,多了报告会散。
人在回路:这条判断链上得有人拍板
为什么。机器能做客观化、规模化、精准化、多模态的课堂分析,但它不知道你这班学生的底细。
怎么做。中国教育报一篇评论文章讲得很清楚:教师要在前期明确评价目标、中期协同分析、后期深度洞察,避免把人排除在评价回路之外。“人在回路”就是这条判断链上始终有个人拍板,不是机器说什么算什么。另外,集体教研的合作沟通能把个人反思变成群体智慧,复盘别一个人关起门来做。
注意什么。AI 给的是证据和线索,结论得自己下。
翻聊天记录找那句“愣一下”的话
为什么。有些提醒,当场听不进去,回头看特别值钱。
怎么做。清华报道里那位老师被 AI 提醒“你是在用数据来审判学生”,这句话本身就是复盘素材——翻聊天记录,找到那句让你愣了一下的回复,想想它为什么对,或者为什么不对。这个动作不用工具,十分钟就够。
注意什么。别只挑夸你的看。
小步改进计划:复盘也照这个走
为什么。复盘最容易写成“以后要注意”,然后没有以后。
怎么做。评价环节那套“小步改进计划”同样能用在复盘上:一次只改一个问题,改完让 AI 记录调整后的数据,形成循环。这跟前面循证那次的思路接得上。
注意什么。有小文章提醒过一件事:手写板书、独立命题、自主撰写教学反思这些基本功要持续练,如果脱离 AI 就难以独立完成核心工作,那就是依赖的信号。这句话放在复盘环节最合适,值得每隔一段时间自查一次。
留一份“下次别踩”的清单。
为什么。公开课的经验如果不能复用,就只是故事。
怎么做。上面那位用 TAIWE 教师 AI 助手备公开课的老师,那次演示里踩的坑都被记下来了:PPTX 首次生成错乱、PPT 还缺图、3D 比例讲完要说明。这就是清单该有的样子,写具体,“导出后逐页核对页码和知识点”比“注意细节”有用一百倍。
注意什么。清单写给下一次的自己看,别写成给别人看的总结。
你带的是哪个学科、哪个年级,现在卡在公开课的哪一环?