1. 引言
随着数字技术的迅猛迭代与深度渗透，教育数字化已成为全球教育改革与发展的核心议题，其不仅重构教育生态，更推动教学模式向智能化、精准化转型。联合国教科文组织在《教育的未来》报告中指出，数字技术将成为破解教育公平与质量难题的关键支撑，而教育数字化转型则是实现可持续发展教育目标的重要路径。在我国，《中国教育现代化2035》[1]明确将“加快信息化时代教育变革”列为战略任务，强调要“利用现代技术加快推动人才培养模式改革，实现规模化教育与个性化培养的有机结合”，为高校教学创新指明了方向。
混合式教学作[2]为融合线上自主学习与线下深度互动优势的新型教学模式，凭借其灵活性与适应性，已在我国高校广泛应用并成为教学改革的重要抓手。该模式通过整合优质线上资源与线下课堂互动，打破了传统教学时空限制，为学生提供了更具自主性的学习环境。然而，实践过程中仍面临诸多现实困境：其一，线上线下教学衔接存在“断层”，部分课程仅停留在“线上资源堆砌 + 线下课堂重复”的表层组合，未能形成逻辑闭环；其二，学生自主学习管理陷入“失控”，缺乏有效监督与个性化引导导致学习效率差异显著，部分学生出现“线上学习拖延”“资源利用低效”等问题；其三，教学评价体系滞后，仍以终结性评价为主，难以全面捕捉学习过程中的能力发展与认知变化。
人工智能(AI)技术[3]的突破性发展为破解混合式教学困境提供了全新可能。近年来，AI在教育领域的应用不断深化，从辅助教学工具向教学核心环节渗透，智能辅导系统、自适应学习平台、虚拟仿真实验等产品逐步落地并显现成效。
但需清醒认识到，当前AI与混合式教学的融合仍处于初级阶段，存在诸多亟待突破的瓶颈：一是技术应用浮于表层，多数高校将AI视为“辅助工具”而非“变革驱动力”，未能实现与教学目标、内容、方法的深度耦合，难以形成系统性创新机制；二是研究成果普适性不足，现有实践多集中于理工科等技术适配性较强的学科，基于人文社科等学科的AI融合模式研究匮乏，导致成果推广受限；三是教师AI素养存在“短板”，多数高校教师缺乏AI技术应用的理论认知与实践能力，难以将技术优势转化为教学效能，而数据安全与伦理规范等问题也尚未形成明确指引。这些问题的存在，使得AI与混合式教学的融合潜力未能充分释放，亟需开展系统性研究予以破解[4]。
鉴于此，本研究聚焦“AI助力高校教师开展混合式教学的创新机制与实践”这一核心命题，旨在通过理论构建与实践检验，探索 AI 与混合式教学深度融合的有效路径。从理论价值看，本研究立足教育技术学、教学论、心理学等多学科交叉视角，探索AI赋能下混合式教学的新规律、新模式，可为教育数字化转型理论体系注入新内涵，拓展教育技术应用的理论边界，同时推动多学科理论在教育领域的交叉融合，丰富复杂教育问题的解决范式。从实践意义而言，研究成果可直接指导高校教师优化教学实践：通过构建创新机制，帮助教师精准把握学生学习需求，优化教学内容与方法，提升教学针对性；通过形成可推广的实践模式，为高校提供教学改革的操作范本，助力教师提升AI应用能力与信息化教学素养，最终推动教学质量与人才培养质量的实质性提升。
2. 相关研究综述
2.1. AI在教育领域的应用研究
近年来，AI在教育领域的应用研究呈现多维度拓展态势[5]-[7]。在教学过程优化层面，AI借助学习分析技术，能够深入洞察学生的学习行为与认知特点，从而辅助教师开展教学管理与决策。教师通过分析学生课堂参与度、作业完成情况等数据，能够动态调整教学策略，实现教学过程的精准化调控。有研究指出，在数学课程教学中，利用AI分析学生在解题过程中的思维路径，教师可以针对性地调整教学重点，帮助学生克服学习难点，显著提高教学效果[8]。
但现有研究多聚焦技术功能实现，对AI与教学目标、内容、方法的深层融合机制探索不足。多数研究仅停留在表面应用，未能深入挖掘如何依据不同学科的教学目标和内容，巧妙运用AI技术优化教学方法，实现深度融合，这为后续研究留下广阔空间。
2.2. 混合式教学发展研究
混合式教学[9]-[11]历经“技术补充–模式融合–生态重构”的发展阶段，已从早期的“线上资源 +线下课堂”简单组合，演进为注重线上线下深度协同的教学生态。研究表明，混合式教学能有效提升学生学习主动性，但在实践中面临三大核心问题：一是教学衔接不畅，线上学习与线下课堂缺乏逻辑连贯性；二是学生自主学习管理困难，缺乏有效监督与引导；三是教学评价滞后，难以全面反映学习过程与成果。
2.3. 现有研究局限
当前研究存在三方面明显局限：其一，创新机制构建不完善，尚未形成系统的理论与实践体系，AI技术多作为辅助工具存在，未充分发挥驱动教学变革的作用；其二，研究成果普适性不足，多基于特定学科或课程开展，难以推广至不同学科场景；其三，教师AI应用能力培养缺位，多数教师缺乏AI技术与教学融合的设计能力，制约了技术价值的发挥。
3. 研究思路与内容
3.1. 研究思路
本研究遵循“理论奠基–现状洞察–机制构建–实践检验–总结推广”的逻辑脉络。首先，梳理AI教育应用与混合式教学的研究成果[2] [12]，奠定理论基础；其次，采用问卷调查与访谈法调研高校师生对AI助力混合式教学的现状与需求；基于调研结果构建创新机制，研发配套AI教学工具；选取多学科课程开展实践检验，收集数据评估效果；最后总结成果并推广应用。
3.2. 研究内容
设计教师与学生两套问卷，涵盖AI技术熟悉度、使用频率、应用困难、学习体验等维度，选取多所高校不同学科师生开展调查，结合深度访谈挖掘隐性问题与需求，绘制现状图谱。从教学资源智能整合、个性化教学方案设计、动态学习评价三个维度构建创新机制，明确各机制的运行逻辑与实现路径。根据创新机制设计教学方案，将AI技术融入课程各环节，如虚拟实验室实验教学、智能讨论区互动等，定期研讨优化方案。最终采用考试成绩分析、学习满意度调查、学习动机量表测评等多元化方法，全面评估教学实践效果。
4. AI助力混合式教学的创新机制构建–动态学习评价机制
动态学习评价机制突破传统“一考定成绩”的局限，通过AI技术实现评价的全程化、多元化与智能化。全程化体现在覆盖课前、课中、课后全教学周期，实时采集学习过程数据，例如课前通过在线预习任务追踪学生对基础概念的掌握程度，课中借助课堂互动答题、编程实操等场景记录学生的即时表现，课后依据作业完成质量、项目实训成果等数据评估学习效果；多元化包含知识掌握(如测验成绩)、能力发展(如问题解决能力)、情感态度(如学习投入度)等维度评价，不仅关注学生对理论知识的记忆与理解，还重视其在实际操作中运用知识解决问题的能力，同时通过分析学生的学习时长、资源访问频率等数据判断其学习投入程度；智能化则借助机器学习构建动态评价模型，自动识别学习瓶颈并预警，模型能通过持续学习不断优化评价精度，更精准地捕捉学生在学习过程中遇到的困难。
该机制设置三级预警体系：一级预警针对单个知识点掌握不足的学生，自动推送补救资源，如为在“循环结构”知识点上表现薄弱的学生推送专项讲解视频和练习题；二级预警针对连续多知识点薄弱的学生，提示教师进行一对一辅导，教师可根据系统生成的学习诊断报告，制定个性化的辅导方案；三级预警针对班级共性问题，建议教师调整教学内容与方法，比如当多数学生在“函数调用”部分存在理解困难时，系统会提示教师增加该部分的课堂讲解时间或更换教学案例。通过《C程序设计》[13]课程实践，动态评价机制使学生知识点过关率以及教师教学调整响应速度都得以提高。
5. 教学实践应用
基于该创新机制，研究团队将在上海理工大学选取除《C程序设计》以外的多门课程——《高等数学》《线性代数》《概率论与数理统计》《数值分析》[14]-[16]等多门本科与研究生课程开展教学实践，覆盖理学院、工科学院等不同学科背景学生共800余人。实践流程分为三个阶段：准备阶段(1~2周)，完成AI教学工具部署(如虚拟实验室、智能讨论区)、教学资源智能整合与学生初始学习画像构建；实施阶段(10~12周)，按照个性化教学方案开展线上线下混合式教学，每周通过AI系统收集学习数据并动态调整方案；总结阶段(1~2周)，开展教学效果评估与反思。
针对不同学科特点，研究团队设计差异化实践策略。在《高等数学》等理论性课程中，重点运用个性化教学方案设计机制，通过AI分析学生逻辑推理能力薄弱点，推送分层例题与变式练习；在《C程序设计》等实践性课程中，侧重教学资源智能整合机制，整合虚拟仿真实验资源，实现“线上模拟 + 线下实操”的衔接。同时，建立跨学科教学研讨机制，每月组织项目组成员与参与教师开展研讨会，分享不同学科AI应用经验，如理科学科强调数据建模能力培养，工科学科注重实践工具应用，通过经验互鉴优化实践方案。我们也在几个课程期中、期末的时候给学生发送问卷星，进行调研，问卷星内容大致如下(表1)：
Table 1. Content of questionnaire star
表1. 问卷星内容
1、在该课程中，AI是否能准确分析出您逻辑推理能力的薄弱点？ |
- A. 非常准确 - B. 比较准确 - C. 一般 - D. 不太准确 - E. 非常不准确 |
2、您认为AI推送的分层例题对您弥补逻辑推理能力薄弱点有帮助吗？ |
- A. 帮助很大 - B. 有一定帮助 - C. 帮助不大 - D. 没有帮助 |
3. 对于AI推送的变式练习，您的完成度如何？ |
- A. 全部完成 - B. 完成大部分 - C. 完成小部分 - D. 几乎没完成 |
4. 您觉得AI推送的分层例题难度是否合适？ |
- A. 难度适中，很合适 - B. 稍微有点难可以接受 - C. 太简单，对提升帮助不大 - D. 太难，无法独立完成 |
5. 相比传统教学中老师统一布置的练习，您是否更倾向于AI推送的个性化分层例题与变式练习？ |
A. 非常倾向 - B. 比较倾向 - C. 无所谓 - D. 不太倾向 - E. 非常不倾向 |
6. AI推送的分层例题与变式练习是否让您对这门课中逻辑推理相关知识点的理解更加深入？ |
A. 是的，理解深入很多 - B. 有一定帮助，理解更深入了 - C. 没有明显变化 - D. 反而觉得更混乱了 |
7. 您希望AI在推送分层例题与变式练习时，增加哪些方面的内容？(可多选) |
- A. 更多解题思路的提示 - B. 与实际生活结合的案例 - C. 难度梯度更细致的练习 - D. 相关知识点的拓展内容 - E. 其他(请填写) |
为提升教师AI应用能力，研究团队构建“培训–实践–反馈”三位一体支持体系。培训环节积极参与“AI赋能混合式教学”专题课程，涵盖AI基础知识、工具操作与教学融合设计等内容；实践环节安排教师参与教学工作坊，通过案例分析掌握基于AI的教学设计方法；反馈环节建立技术支持热线与在线咨询平台，及时解决教师实践中的技术难题。实践表明，经过系统培训后，参与教师的AI工具使用熟练度大大提升，教学方案中AI融合点的设计合理性显著提高。
6. 教学效果评估
研究构建多维评估指标体系，包括：(1) 学习效果指标，如课程成绩、知识点掌握率、学习能力提升幅度；(2) 学习体验指标，通过满意度调查、学习动机量表测评学生对教学的认可度；(3) 教师发展指标，如教师AI应用能力提升、教学创新成果等。
希望通过以上的机制，使得学生们的学习效果得以提升，其中实践课程学生期末平均分较传统教学班级应该有大幅度提升，同时知识点掌握率也会得到提升。接下来的一年，我们将在不同的课程以及班级进行数据统计，选取相同课程(比如《高等数学》)的4名授课教师(教龄5~12年)参与研究，均有3年以上混合式教学经验，但AI技术应用经验存在差异(2名有基础，2名无系统应用经历)，选取依据为课程实践性强、AI工具适配度高，且学生知识基础相对均衡，适合开展动态评价机制的对比实验。实时记录学生课前预习完成度(如在线课件观看时长、预习测验正确率)、课中编程实操数据(如代码提交次数、错误类型分布、调试时长)、课后作业订正效率等20项指标，自动生成学习行为热力图。设计前测(课程第1周)、中测(第6周)、后测(第12周)三套试题，难度系数一致，涵盖基础知识点(60%)与综合应用(40%)，进行综合数据的对比。
学生对混合式教学的满意度较传统教学会有提升，学生普遍认为AI推荐的学习资源“非常有用”并表示动态评价机制帮助自己及时发现学习问题，这部分通过问卷星的方式进行统计。
参与教师的信息化教学素养显著提升，大部分教师能独立设计AI融合的教学方案，体现了教学创新能力的成长，这里我们将通过访谈的方式进行，核心问题为：1、动态评价系统生成的班级共性问题预警(如“指针概念理解困难”)对你调整教学内容的及时性有何影响？2、与传统评价相比，AI动态评价在减轻工作量、提升教学针对性方面的实际效果如何？
在前面的实践中发现两大需优化问题：一是部分教师对AI技术接受度较低，技术应用存在抵触情绪，需加强针对性培训与情感引导；二是跨学科AI教学工具适配性不足，部分文科课程资源库建设滞后，需拓展资源覆盖范围。据此，研究团队调整培训方案，增加“一对一技术帮扶”环节，并联合人文社科教师开展文科AI教学资源建设。
7. 结论与展望
7.1. 研究结论
本研究构建的AI助力混合式教学创新机制具有三大核心价值：理论层面，拓展了教育技术学与教学论的交叉研究领域，为AI与教学融合提供了理论框架；实践层面，该动态机制有效解决了混合式教学中的资源整合低效、教学针对性不足、评价滞后等问题，显著提升了教学质量；教师发展层面，形成了可推广的教师AI应用能力培养模式，为高校教师专业发展提供了新路径。
7.2. 研究局限
研究存在两方面局限：一是实践周期较短(半年)，长期教学效果有待进一步验证；二是样本主要来自上海理工大学，研究成果在不同层次高校的普适性需扩大样本检验。
7.3. 未来展望
未来研究可从三方面深化：一是探索AI伦理与数据安全保障机制，规范教学数据的采集与使用；二是拓展跨校合作，建立多校协同的AI教学资源共享平台，提升成果普适性；三是开展长周期追踪研究，分析AI助力混合式教学对学生能力发展的长期影响，为教育数字化转型提供更坚实的实践支撑。
基金项目
上海理工大学教师发展研究项目(项目编号：CFCTD2025ZD11)和上海理工大学校级一流本科课程建设项目(项目编号：YLKC251185)。