人机协同助力生物学单元作业设计

近年来，生成式人工智能在教育领域的应用受到广泛关注。生成式人工智能作为基于深度学习技术的人工智能分支，能够自主创造文本、图像、音频甚至视频等内容。与传统分析型人工智能不同，生成式人工智能不仅能理解和处理已有信息，而且能生成全新原创内容[11。2025年5月，教育部基础教育教学指导委员会发布《中小学生成式人工智能使用指南（2025年版）》强调，教育工作者应通过持续学习掌握智能技术相关知识与技能，提升人工智能素养[2]。在高中生物学教学中，单元作业作为巩固知识与培养能力的重要环节，在设计方式上长期存在内容单一、缺乏个性化等问题，难以满足学生多样化的学习需求。基于此，本文以DeepSeek平台为例，探索生成式人工智能在高中生物学单元作业设计中的人机结合路径，旨在为高中生物学单元作业设计提供新的思路与启示。一、生成式人工智能辅助高中生物学单元作业设计（一）传统单元作业设计流程在传统单元作业设计流程中（如图1），教师首先需依据《普通高中生物学课程标准（2017年版2020年修订）》中的学科核心素养、内容要求及命题建议，结合教材内容和学情，明确单元核心知识点与技能要求，制订具体、可测量的学习目标并设计单元作业框架[3]。随后，教师根据作业目标与框架，结合具体知识点设计多样化的作业类型，分层设置难度，创设问题情境，采用选编、改编和创编等方式组织作业任务与题目。设计完成后，教师需对作业进行分析调整，并整合相关教学资源，形成完整的作业方案。最后，教师合理安排作业并批改，通过学生的反馈对作业进行反思与优化，确保作业设计的系统性和有效性。然而，由于教师精力与时间有限，高效且系统的单元作业设计面临诸多挑战。在此背景下，生成式人工智能的出现为生物学单元作业设计提供了创新的解决方案。图1传统单元作业设计流程（二）生成式人工智能辅助单元作业设计流程生成式人工智能辅助单元作业设计（如图2）需要明确的单元目标与作业框架。教师可以通过向生成式人工智能平台上传相关材料并输入指令，借助其分析能力生成可视化的作业自标框架，作为单元作业设计的依据。在设计题目时，教师需明确生成式人工智能的任务，设计合适的提示语并设定具体的作业生成条件，确保生成内容的针对性和科学性。生成式人工智能完成作业设计后，教师需对其生成的作业进行审查、分析与调整，确保其符合教学需求和学生认知水平。经过优化的作业可正式布置给学生，教师对学生的作业反馈信息进行深入分析，为后续教学策略的调整和作业设计的优化提供依据。这一流程在提升作业设计效率的同时确保了作业内容的科学性和适切性，为教学目标的实现提供了有力支持。图2生成式人工智能辅助单元作业设计流程二、基于DeepSeek平台的生物学单元作业设计案例分析（一）构建作业框架以“生物的进化”单元作业设计为例，在明确单元目标并建立作业框架的基础上（见表1），借助DeepSeek平台设计一道关于“种群基因组成变化”的综合探究类作业题目，旨在引导学生运用课堂所学的概念与技能，解决新情境中的问题，从而培养其科学思维、探究能力以及相关的社会责任。相较于基础类作业，综合探究类作业的设计对生成式人工智能的要求更高。（二）设计提示语与指令在引导DeepSeek设计具体题目时，可采用“背景式提问”方式，即通过赋予生成式人工智能特定的角色与任务，使其生成更具针对性的回答。背景式提问的优势在于能够明确任务背景与目标，从而提高生成内容的质量与相关性。常用的结构化模板为ROBC指令模板，该模板能够清晰传达用户的需求与期望，确保生成内容与教学目标高度契合。然而，模板并非固定不变，可以根据具体命题需求进行动态优化与调整。基于ROBC指令模板，结合具体命题情境，本研究为DeepSeek设计了如下指令（见表2）。表1种群基因组成的变化作业框架表2指令模板与示例（三）优化生成的题目在进行题目优化时，由于上一步已为DeepSeek设定了明确的角色与背景，因此可采用“直线式提问”方式，即直接提出具体需求或询问关键问题。在对DeepSeek生成的题目进行审阅与分析后，教师可通过多轮对话引导DeepSeek调整题目表述或补充关键信息（本文仅呈现五轮对话示例，见表3）。此外，教师还可通过指令引导DeepSeek对已生成题目的不足之处进行分析，并针对这些不足进行迭代优化，从而不断增强题目设计的科学性与适切性。（四）题目的呈现从五轮对话后呈现的作业题目（如图3，扫码查看）来看，DeepSeek能够理解并执行大多数指令。尽管在面对某些复杂指令时需要通过多轮对话才能达到预期效果，但这恰恰体现了其对复杂指令的适应性与迭代优化能力。题目设计围绕“自然选择”“抗生素耐药性”“基因频率变化”等教学重点内容展开，初始题干以简洁的描述引入：“为了探究抗生素对细菌的选择作用，某研究小组设计了一项实验”，这一背景信息较为简单，难以激发学生兴趣。教师与DeepSeek多轮对话，最终生成了第一视角的真实问题情境一一“宠物狗‘豆豆’的皮肤病治疗”，贴近生活实际，能激发学生的兴趣和同理心。模拟真实医疗场景引入抗生素耐药性问题，体现了生物学知识的现实意义。在问题设置上进行多层次的任务设计：基础层通过填空题巩固核心知识（任务1），进阶层引入实验数据分析（任务2），高阶层则设置推理预测（任务3）与实验设计（任务4）内容，最后进行实践讨论（任务5），培养学生综合运用知识解决实际问题的能力。题自整体呈现出“概念认知$$数据分析$$理论应用$$实验设计$$社会议题讨论”的完整能力培养链条，不仅考查了学生的知识掌握程度，更培养了其分析推理、科学探究和实践创新能力。表3多轮对话的指令与分析三、总结与思考（一）生成式人工智能展现辅助潜力生成式人工智能（如DeepSeek）凭借强大的自然语言处理与内容生成能力，能够有效替代教师在作业设计中的人工收集与资料整理过程。与传统作业设计相比，生成式人工智能可在短时间内生成多样化的作业题目，显著提升设计效率。在综合探究类作业设计中，教师通常需耗费大量时间查阅文献或重复实验以获取数据，而在“探究抗生素对细菌的选择作用”综合探究题目设计过程中，生成式人工智能快速整合资源，生成了题目设计所需的相关细菌实验数据并能依据教师需求不断调整数据，极大地减轻了教师的负担，展现了生成式人工智能在教育教学领域的广阔应用前景。（二）人机协同模式优化作业设计生成式人工智能并非完全替代教师角色，而是通过人机协同的方式优化作业设计流程。在作业设计过程中，教师通过提供明确的指令赋予生成式人工智能高中生物学作业设计专家的角色，引导其初步生成了“探究抗生素对细菌的选择作用”综合探究作业题目。教师需要对初步生成的作业内容进行审阅，通过多轮对话向生成式人工智能提出“丰富实验数据”“创设真实问题情境”“增加基础填空题”等需求来逐步优化题目，采用“背景式提问”与“直线式提问”等方式，灵活调整情境设置、题目难度与考查目标，最终生成符合学生认知水平与学科素养要求的作业题目。这种人机协同模式为教育教学技术的应用提供了新思路。（三）生成式人工智能专业性有待提升尽管生成式人工智能在作业设计中展现出显著优势，但在生物学这一专业性较强的学科中，其生成内容仍存在一定局限性。这主要源于人工智能大模型所依赖的训练数据多为通用资料，纳入的科研文献较少，导致其专业性不足，难以完全模拟专业命题者的思维方式与技能水平。智能工具虽然能生成符合基本要求的题目，但在题自的深度与逻辑性方面仍需人工优化。例如，生成式人工智能最初直接迁移教材内容创设情境，呈现基础培养实验，经生物学教师专业引导聚焦“宠物医药”方向后，才设计出贴近生活实际的“宠物狗豆豆的皮肤病治疗”的问题情境，通过真实医疗场景引入抗生素耐药性问题。这表明：生成式人工智能自前更适合作为辅助工具，而非完全替代教师的专业判断与设计能力[4]。（四）警惕技术依赖，平衡人机关系生成式人工智能辅助单元作业设计，可以在一定程度上提升教师设计作业的效率与创新性，但也可能带来技术依赖的风险。过度依赖生成式人工智能的快速生成会导致教师在作业设计中的主体性减弱，特别是在教学设计、题自创新与学科思维培养等方面的能力发展受到抑制，减少对学科核心素养、学