摘要: 针对《环境化学》课程教学中存在的学生学习兴趣不足、高阶思维能力薄弱、理论联系实际能力欠缺等问题，结合以大语言模型(LLM)为代表的生成式人工智能技术所展现出的重塑教育生态的潜力，本研究致力于构建一个基于生成式AI的《环境化学》课程教学创新体系。该体系以“四阶递进、三维融合”为核心理念，设计了从“辅助–融合–协同–创生”逐级深化的教学改革路径。在每一阶段中，AI技术均与“教学内容、教学方法、教学评价”三个维度实现深度融合，并明确了各阶段的具体目标、关键教学活动、AI应用场景及预期成效。该创新路径旨在推动生成式AI从辅助工具向师生协同的“认知伙伴”转变，促进《环境化学》教学实现从知识传授到能力养成的范式转型，最终培养具备创新精神与实践能力的复合型环境科学人才。
Abstract: In response to issues in the teaching of Environmental Chemistry courses, such as students’ lack of learning interest, weak higher-order thinking skills, and insufficient ability to integrate theory with practice, this study leverages the potential of generative artificial intelligence technology—represented by large language models (LLMs)—to reshape the educational landscape. It aims to construct an innovative teaching system for Environmental Chemistry courses based on generative AI. Centered on the core concept of “four-stage progression and three-dimensional integration”, the system designs a teaching reform pathway that progressively deepens from “assistance→integration→collaboration→creation”. At each stage, AI technology is deeply integrated with the three dimensions of “teaching content, teaching methods, and teaching evaluation,” while specific objectives, key teaching activities, AI application scenarios, and expected outcomes are clearly defined. This innovative pathway seeks to transform generative AI from a mere auxiliary tool into a “cognitive partner” for teacher-student collaboration, promoting a paradigm shift in Environmental Chemistry education from knowledge transmission to competency development, ultimately cultivating versatile environmental science talents with innovative spirit and practical abilities.
1. 引言
《环境化学》是环境科学专业学生的专业核心课程，其核心任务是阐释化学污染物在环境介质中的迁移、转化、归趋和生态效应规律[1]。这门课程理论性强、概念抽象，涉及多学科交叉知识，对学生的化学基础和系统思维能力要求较高。在当前的教学实践中，面临着一系列共性挑战：① 知识与实践脱节；② 教学模式固化；③ 评价方式单一。因此，教育界一直在探索新的技术手段来赋能教学改革。2022年底以来，以GPT-4、文心一言等为代表的生成式人工智能大模型取得了突破性进展。这些模型基于Transformer架构，通过在海量数据上进行预训练，展现出强大的自然语言理解、逻辑推理和内容生成能力，为解决高等教育中的“老大难”问题提供了全新的思路和工具[2]-[4]。生成式AI的兴起，与建构主义学习理论、情境学习理论以及旨在培养学生高阶认知能力的布鲁姆目标分类学等经典教育理念高度契合，为重塑教与学的关系提供了技术抓手[5]。将生成式AI技术深度融入《环境化学》课程教学，构建一套系统、科学、可操作的创新体系，已成为推动课程高质量发展的必然选择和迫切需求。本研究将聚焦于《环境化学》课程教学改革的核心环节——创新体系的路径构建。将从三个方面进行，一是理论构建：提出一个将生成式AI与《环境化学》课程深度融合的系统性理论框架与实施路径，明确AI在教学改革中扮演的角色演进。二是实践指导：为一线教师提供一套从易到难、分阶段实施的AI赋能教学操作指南，覆盖从备课、授课到评价的全流程。三是范式探索：探索一种人机协同的新型教学范式，旨在将AI从单纯的“提效工具”转变为促进学生高阶能力发展的“智慧学伴”，推动教学目标从“知识复现”升级为“能力创生”。这不仅为《环境化学》这一具体课程的现代化改革提供了方案，也为其他理工科专业核心课程如何系统性、阶段性地引入生成式AI技术提供了可借鉴的理论模型和实践方案，对推动人工智能时代的高等教育创新具有一定的参考价值。
2. 理论基础：生成式AI赋能教学的核心逻辑
生成式AI的核心是大语言模型(LLM)，它是通过“预训练 + 微调”的方式，学习并内化知识的庞大结构。其在教育领域的应用，本质上是利用其三大核心能力重构教与学的关系：
(1) 个性化内容生成：AI能够根据不同学生的知识背景和学习兴趣，即时生成定制化的学习资料、案例分析、练习题乃至虚拟实验方案，实现“因材施教”的规模化，实时掌握学生知识薄弱点，动态调整教学内容与进度，实现“千人千面”的个性化学习路径。
(2) 智能化交互与反馈：AI可以扮演24小时全天候的“智能助教”，对学生的提问进行即时、详尽的解答，并对作业和报告提供多维度的形成性反馈，极大地提升了教学互动频率与深度。
(3) 复杂情境模拟与创设：AI能够模拟真实、复杂的环境污染场景，让学生在虚拟环境中扮演决策者，进行污染溯源、风险评估和治理方案设计，极大地增强了学习的沉浸感和实践性，有效弥补了传统教学的不足。
基于以上能力，本研究认为生成式AI在《环境化学》教学中的角色是一个动态演进的过程。这一演进过程与经典的学习理论，特别是布鲁姆认知目标分类学(修订版)所倡导的从低阶思维向高阶思维发展的路径高度一致[5]。在布鲁姆分类学中，认知过程被划分为“记忆、理解、应用、分析、评价、创造”六个由低到高的层次。传统的教学模式多集中于前三个低阶层次，而生成式AI的独特优势恰恰在于能够有效支撑“分析、评价、创造”等高阶认知活动。我们的“四阶递进”模型，正是对这一认知跃迁过程的技术化实现路径：在“辅助”和“融合”阶段，AI主要服务于知识的记忆、理解和初步应用；在“协同”阶段，AI成为学生进行分析与评价的“认知伙伴”；在“创生”阶段，AI则与学生共同进入“创造”这一认知最高阶，实现新知识、新方案的产出。这一理论关联为创新路径的合理性提供了坚实的教育学基础。
因此，我们提出“四阶递进、三维融合”的创新体系路径构建模型。
3. “四阶递进、三维融合”的教学创新体系路径构建
为了系统化、层次化地推进生成式AI在《环境化学》教学中的应用，避免技术应用的碎片化和浅层化，团队构建了“四阶递进、三维融合”的创新路径。
四阶递进：指AI在教学中的角色和应用深度的四个演进阶段，即辅助、融合、协同、创生。这四个阶段代表了从教师单向使用AI提升效率，到师生共用AI优化过程，再到学生主导使用AI进行探索，最终实现人机共同创造新知识的螺旋式上升过程。该递进过程与布鲁姆认知目标分类学紧密对应，旨在系统性地培养学生的低阶认知能力向高阶认知能力(分析、评价、创造)发展。
三维融合：指在上述每一个递进阶段中，AI技术都与教学的三个核心维度进行全面、深度的融合，即教学内容、教学方法、教学评价。这确保了技术应用不是孤立的“亮点”，而是系统性地渗透和重塑整个教学体系。
3.1. 创新体系路径图
为了更直观地展示这一模型，环境化学课程教学团队设计了如下的创新体系路径图(见图1)。
3.2. 创新路径各阶段详解
基于“四阶递进、三维融合”的《环境化学》教学创新体系路径各阶段详解如下(见表1)。
Figure 1. “Four-stage progression, three-dimensional integration” teaching innovation system roadmap for Environmental Chemistry
图1. “四阶递进、三维融合”的《环境化学》教学创新体系路径图
Table 1. Detailed explanation of the “four-stage progression, three-dimensional integration” teaching innovation system for Environmental Chemistry
表1. “四阶递进、三维融合”的《环境化学》教学创新体系路径详解
阶段 |
目标 |
责任主体 |
关键活动与AI应用 |
一阶辅助：以教师为中心的效率提升。 |
降低教师应用AI的技术门槛，利用AI工具减轻教师在备课、出题等重复性、事务性工作上的负担，将更多精力投入到教学设计和师生互动中。 |
教师 |
教学内容：教师使用大模型(如清华智谱清言)辅助备课。例如，输入指令“请为《土壤环境化学》章节中‘土壤对污染物的吸附行为’一节设计一份45分钟的教学大纲，要求包含引入案例、核心知识点和课堂讨论题”，AI即可快速生成结构化的教案初稿。教师还可以利用AI快速检索并总结最新的环境污染事件，作为鲜活的教学案例。 教学方法：教师利用AI的文生图功能生成课程中难以具象化展示的概念图，如“多环芳烃(PAHs)的生物降解途径”示意图。或利用AI生成用于课堂演示的动画脚本，提升教学的生动性和直观性。 教学评价：教师指令AI根据教学大纲和知识点权重，生成包含不同难度梯度的选择题、填空题和简答题题库。对于客观题，可直接利用现有系统与AI结合进行自动批改，提高评价效率。 |
二阶融合：以课堂为中心的体验优化。 |
AI不再仅仅是教师的后台助手，而是被正式引入课堂教学活动中，成为优化教学过程、增强学生学习体验的互动工具。 |
教师主导，学生参与 |
教学内容：教学资源从静态走向动态。教师可以引导学生利用AI生成与本地相关的环境问题案例。例如，要求小组使用AI搜索“湛江市近年来主要的空气首要污染物及其化学成因。”AI能整合信息生成定制化的案例。 教学方法：课堂互动模式变得更加丰富。在讨论“湛江市近年来主要空气首要污染物及其化学成因”议题时，可以设置一个AI角色扮演“湛江市某企业发言人”，让学生与其进行多轮辩论，锻炼学生的批判性思维和科学论证能力。 教学评价：评价方式从结果导向转向过程导向。教师可以利用AI工具对课堂小组讨论的录音或文字记录进行情感分析和关键词提取，快速了解学生对知识点的掌握和讨论的深度。AI智能问答机器人在课后为学生提供个性化答疑，并通过分析学生提问的类型和频率，向教师反馈教学中的重难点。 |
三阶协同：以学生为中心的学研伙伴。 |
推动学生成为AI工具的主动使用者，将AI作为其进行自主学习和深度探究的“研究助理”和“认知脚手架”，重点培养学生对应于布鲁姆目标中“分析”与“评价”层级的高阶能力。 |
学生主导，教师引导。 |
教学内容：学生在教师设定的框架下，利用AI自主构建知识。例如，在学习“新型有机污染物(EOCs)”时，教师布置任务：“选择一种你感兴趣的EOCs (如全氟化合物)，利用AI辅助，完成一份关于其环境化学行为的文献综述报告。”学生需要学会如何设计高效提示词，引导AI进行文献检索、筛选、翻译、总结和提炼观点，最终形成自己的综述。 教学方法：教学模式转向以学生为中心的项目式学习。教师发布一个真实的、开放性的环境化学问题，如“广东海洋大学西湖微塑料污染现状调查与化学表征”。学生团队在AI的协同下，完成项目设计、数据分析、结果解释等全过程。AI可以帮助学生处理实验数据、生成数据可视化图表等。 教学评价：评价重点转向对学生能力成长的追踪。通过集成AI的学习分析平台，可以记录学生与AI的交互过程、检索信息的路径、修改报告的版本，形成学生的个人学习画像和能力雷达图，实现精细化的过程性评价。 |
四阶：创生：以问题为导向的人机共创。 |
引导学生在掌握AI工具的基础上，与AI进行“伙伴式”的协同创新，共同探索未知领域，解决真实世界的复杂环境化学问题，实现对应于布鲁姆目标最高层级——“创造”的能力的跃迁。 |
师生与AI共同体。 |
教学内容：超越现有知识边界，进行知识的共同创造。例如，教师可以引导优秀学生团队，利用AI来分析已有的污染物结构–活性关系数据库，尝试预测一类新合成化学品可能的环境持久性和生物累积性，构建初步的预测模型。 教学方法：开展挑战驱动的“研究性教学”。鼓励学生针对一个区域性环境难题，如“农业面源污染中氮磷的形态转化与控制”，与AI协作，不仅进行文献分析，还要利用AI辅助设计创新的、低成本的生态修复技术方案。这个过程可能涉及利用AI进行化学反应路径的模拟与预测，或生成技术方案的初步设计蓝图等。 教学评价：采用面向成果的综合性、开放性评价。评价主体不再仅仅是教师，可以引入AI作为“评审专家”之一，与其他教师、行业专家共同评估学生最终的研究报告、技术方案或政策建议的创新性、科学性和可行性。AI可以从逻辑结构、证据支持、语言表达等多个维度提供量化和质性的评价意见。 |
4. 效果评价体系
为全面评估本创新路径的成效，环境化学课程教学团队设计了一个多维度、多主体的评价指标体系，具体如下(见表2)：
Table 2. Teaching innovation effectiveness evaluation indicator system
表2. 教学创新效果评价指标体系
评价维度 |
一级指标 |
二级指标 |
数据收集方法 |
学生学习成效 |
知识掌握 |
课程成绩、概念理解深度 |
考试成绩分析、前后测对比 |
能力提升 |
问题解决能力、批判性思维、创新思维、数据分析能力 |
项目报告评分、案例分析作业、能力量规评估(Rubrics) |
学习体验 |
学习兴趣、课堂参与度、学习满意度 |
问卷调查、焦点小组访谈、学习行为数据分析 |
教师教学发展 |
教学效率 |
备课时间、批改作业时间 |
教师日志、问卷调查 |
教学能力 |
AI应用能力、教学设计创新性 |
同行评议、教学档案袋、教师访谈 |
教学理念 |
对AI教学角色的认知 |
问卷调查、深度访谈 |
课程整体质量 |
教学目标达成度 |
课程目标与学生表现的匹配度 |
课程大纲与学生成果对比分析 |
教学资源丰富度 |
AI生成资源的数量与质量 |
资源库统计、学生使用反馈 |
创新示范效应 |
改革经验的可推广性 |
教学成果奖申报、教改论文发表、公开课评价 |
5. 预期成效与创新价值
5.1. 预期成效
(1) 对学生而言：能够显著提升学生的学习主动性和高阶思维能力。学生不仅掌握了《环境化学》的专业知识，更重要的是学会了如何与强大的AI工具协同，去分析和解决复杂的现实问题，这种“人机协作”能力将是他们未来职业生涯的核心竞争力。
(2) 对教师而言：能够将教师从繁重的重复性劳动中解放出来，转型为学习的设计者、引导者和启发者。教师的专业成长将不再局限于学科知识的深化，而拓展到教育技术领导力和教学模式的创新。
(3) 对课程而言：《环境化学》课程将从一门传统的理论课程，转变为一个充满活力、与前沿科技紧密结合、连接真实世界的创新实践平台，课程吸引力和教学质量将得到根本性提升。
5.2. 创新价值
(1) 系统性与前瞻性：首次为《环境化学》课程设计了一套系统化、结构化的生成式AI融入路径。所提出的“四阶递进”模型超越了“工具论”的浅层应用，前瞻性地规划了AI从辅助工具到创生伙伴的角色演进，符合技术发展和教育变革的未来趋势。
(2) 可操作性与层次性：“三维融合”的设计确保了技术与教学核心要素的全面整合，避免了应用的盲目性。分阶段的路径设计充分考虑了教师的接受度和学生的能力发展规律，使得教学改革可以平稳起步、逐步深化，具有很强的现实可操作性。
(3) 范式转型的探索：本研究的核心是对一种新型教学范式的探索。它试图回答在人工智能时代，大学课程应如何重构的问题。其本质是推动教学从“以教师为中心”的知识传递，转向“以学生为中心、以问题为导向、人机协同”的能力生成范式，这对于深化高等教育改革具有重要的理论和实践意义。
6. 结语
生成式人工智能的浪潮正深刻地改变着知识的生产与传播方式，为《环境化学》等传统优势课程的教学改革带来了前所未有的机遇。本文构建的“四阶递进、三维融合”教学创新体系路径，为系统性、战略性地将大模型技术融入课程教学提供了清晰的路线图。该路径强调以学生能力成长为核心，通过逐步深化AI在教学内容、方法和评价三个维度的应用，最终实现人机协同的知识创生，培养适应未来社会需求的创新型环境人才。
基金项目
2025年广东海洋大学教育教学改革重点项目：基于生成式人工智能大模型的环境化学课程教学创新体系构建(PX-982025016)；广东海洋大学人才引进启动基金(060302122310)；广东海洋大学化学与环境学院高质量课程培育项目：环境化学智慧课程。
NOTES
*通讯作者。