AI学科教学研究：生物课中的人工智能素养教育

自 2022 年 ChatGPT 发布以来，公众对 AI 的兴趣骤增，并引发了“全球 AI 竞赛”。然而，AI 素养大多以专门的AI课的形式进行普及，并未及时纳入 K‑12 正式课程，学校中大多通过课外社团或者特邀课提供相关学习，导致学生接触机会有限、群体偏窄。

核心 AI 算法与计算理论往往超出中学常规课程的深度与广度，很多中学生难以理解诸如机器学习、神经网络等抽象概念；尽管 AI 应用已渗透日常生活，但课堂教学常将 AI 知识与学生的现实经验脱节，使得学习过程显得“去情境化”，学生易产生困惑和挫败感；对“不同学科背景如何影响 AI 学习”这一交叉影响机制仍缺乏深入理解与实证探讨。

发表于International Journal of Artificial Intelligence in Education（2025）的一篇论文探讨了生物课中的人工智能素养教育，题为“A Case Study of Integrating AI Literacy Education in a Biology Class”。研究团队在美国南部一所公立高中的荣誉生物课中，将 4 节基于机器学习与深度学习概念的 AI 学习活动嵌入生物课堂，系统探查学生生物学知识与 AI 概念学习之间的相互作用。

研究认为，AI 概念抽象且脱离学生日常经验，将其置于熟悉的学科情境中（如生物）有望降低认知负荷，促进迁移性理解。该研究不是仅仅局限于生成式人工智能的应用，而是聚焦学生对三大 AI 基本原理——机器学习（ML）、人工神经网络（ANN）和卷积神经网络（CNN）——的掌握，包括它们的定义、工作机制和生物学启发源。

整合AI的生物学课程开发框架

该研究旨在调查学生在整合课程中的生物知识与AI学习之间的相互作用。研究者设计了四个嵌入生物课程中的AI课程，以考察：

学生的生物和AI知识如何通过整合课程而变化

学生的生物知识如何影响他们的AI学习

生物和AI知识如何在学生的跨学科推理中相互作用

研究借鉴了 Davison 等（2010）对“集成 STEM”五种整合类型的定义：学科整合、内容整合、过程整合、方法整合与主题整合，用以指导 AI 与生物学题材的深度融合课程设计。

学科整合（Discipline‑specific）：在单一课程内同时运用两门或多门学科的知识，如在数学课中应用生物统计。

内容整合（Content‑specific）：在多个独立课程之外，通过项目或活动同时达成来自不同学科的学习目标。

过程整合（Process integration）：侧重跨学科共有的方法或技能，如测量技术同时服务于物理和化学实验。

方法整合（Methodological integration）：同一教学策略在不同学科的应用，如项目式学习既用于工程，又用于生物。

主题整合（Thematic integration）：围绕共同主题（如“油污事件”）设计，学生需运用多学科知识解决问题。

本研究依此框架设计 AI–生物融合单元，确保每节课既有明确的生物学目标，又嵌入恰当的 AI 学习内容，以多重整合形式激活学生的跨学科思维。

基于 Maton（2014）的语义波理论，研究在课程设计中有意控制 AI 概念的“语义密度”与“语义重力”——前两节课通过低密度高重力的具体操作（如 Teachable Machine 细胞分类）降低抽象难度，后两节课挑战高密度低重力的文献阅读，以考察不同语义配置对学生学习的影响。

语义密度（Semantic Density）：知识单元的浓缩程度，密度高时概念抽象、信息量大；密度低时更具体、易操作。

语义重力（Semantic Gravity）：概念与具体情境的关联度，重力高时依赖特定情境（如实验案例），重力低时脱离情境（纯理论）。

“波”式教学：先以高密度低重力介绍抽象概念，再通过低密度高重力的具体情境（实验、案例）加深理解，随后再回到高密度低重力以巩固理论—实践间的联系。

通过上述理论框架的协同运用，本研究不仅在设计层面实现 AI 与生物学的深度整合，也在分析层面提供了多维度、可操作的解读路径。

四个模块化 AI–生物融合课程的详细设计

共同设计原则

模块化单元：四个独立但衔接的单元，每单元对应一个生物主题与一个 AI 概念，均在学生已有生物知识基础上引入新 AI 内容，并通过小组或个体任务完成概念迁移。

90 分钟/节：每节课包含短讲、实践操作、讨论与填空/开放题工作纸，保证教—学—评闭环。

语义波调控：前两节通过“低语义密度＋高语义重力”的具身操作（TM、类比）降低抽象难度；后两节通过“高语义密度＋低语义重力”的文献导读与综合任务提升认知挑战。

Lesson 1：Teachable Machine 上的细胞分类（前向迁移）

学生先运用已有的“植物/动物细胞结构”知识，来理解机器学习中“特征—训练—测试”流程中的概念映射——即将熟悉的生物分类经验“前向”迁移到 AI 图像分类任务中。

目标：利用已有的“细胞结构与细胞器”知识，理解机器学习的“特征提取—训练—测试”流程。

生物背景：植物/动物细胞的显微图像分类（先前学过细胞器与结构）

AI 内容：监督式图像分类（Machine Learning）

学习任务：

学生分组（3–4 人），使用 Teachable Machine (TM) 上传植物/动物细胞图像，标注分类标签，点击“训练”按钮，观察模型在真实摄像头或上传图片上的识别结果。

记录“准确率”与“误识别”案例，尝试通过增加样本多样性（如更多动物细胞图）提高模型性能。

Teachable Machine 中的图像分类任务让学生上传植物与动物细胞的显微照片，并训练模型自动识别不同类型细胞，这与生物学中依据细胞结构（如细胞壁、有机体特征）进行分类的过程高度契合，让学生在实践中将“特征提取”与“模式识别”在 AI 与细胞学两个层面同时体会

Lesson 2：人体神经元 vs. 人工神经网络（类比迁移）

借助高结构相似性，将“人体神经元ANN 节点”、 “突触权重”做一一对应，对比讲解，使学生在已有的生物神经系统框架下，直观构建对人工神经网络工作机制的认知。

目标：通过生物神经元与 ANN 结构对比，加深对“多层感知器”节点与权重机制的理解。

生物背景：神经元的树突—胞体—轴突及突触传导机制

AI 内容：人工神经网络（ANN）的输入层—隐藏层—输出层、激活函数与权重更新

学习任务：

学生先自主探索互动工具（Scroobly、Lipsync、Imaginary Soundscape），感受 AI 自动化与预测能力。

课堂短讲后，对照人神经元与 ANN 结构示意图，讨论“节点神经元”、“连接权重突触强度”如何实现信息传递与学习。

课程将人体神经元的树突—胞体—轴突结构与 ANN 的输入层—隐藏层—输出层并排呈现，通过比较信号在生物神经元与人工神经元之间的传递方式，帮助学生直观理解节点（神经元/单元）与连接权重（突触/边）如何共同决定信息处理与学习能力

Lesson 3：CNN 在叶绿素检测中的应用（后向迁移）

先引入卷积神经网络（CNN）的分层特征提取原理，再“后向”用其解释已知的叶绿素检测生物问题，把新学的 AI 知识映射回光合作用情境中。

目标：理解卷积神经网络（CNN）如何分层提取图像特征，并将其映射回“光合作用色素识别”生物问题。

生物背景：光合作用中的叶绿素、胡萝卜素和叶黄素检测传统方法

AI 内容：卷积层、池化、激活与分类机制

学习任务：

短讲后，师生分段阅读 Prilianti 等（2021）文章，激活对“色素反射谱叶片图像”知识，然后逐段讨论 CNN 在论文中如何用来预测色素种类与含量。

小组合作完成工作纸填空，归纳“卷积核光谱滤波器”对应关系。

在阅读如何用 CNN 检测叶片色素的论文时，学生了解到 CNN 中卷积滤波器分层提取图像局部特征，类似于植物光感受器对不同波长光的选择响应。此类比将光合作用中光感受器对光谱的捕捉，与 CNN 对图像特征的分层处理相对应，加深了对二者“分布式特征检测”机制的理解。

Lesson 4：AI 辅助结直肠癌检测（综合迁移）

结合前两节“前向＋类比”与第三节“后向”迁移，学生需在结直肠癌检测任务中双向运用生物与 AI知识，实现多层次、多向度的迁移整合。

1. 目标：整合前几课 AI 与生物知识，体验多学科知识在医学诊断中的协同应用。

2. 生物背景：细胞周期与癌变机制、新/旧染色体基因定位

3. AI 内容：综合运用 ML 与 CNN 处理内镜图像进行病灶检测

4. 学习任务：

复习细胞周期与癌基因分布，手动在染色体图上标注；

分析多种内镜图像（不同成像技术），讨论传统计数局限引出 CNN 辅助方法；

教师讲解其夏季研究报告简化版，学生个人完成开放题：设计 CNN 模型流程并论证优劣。

在结直肠癌内镜图像分析环节，学生运用前几课学到的 ML 及 CNN 技术，模拟病理学家在显微图像中识别癌变组织的过程。CNN 模型通过学习图像中病灶的形态和纹理特征，自动标注可疑区域，使学生将“细胞周期与癌变机制”与“模式识别算法”两者紧密联系起来。

通过前向、类比、后向与综合四种迁移策略的梯度设计，研究既平滑地衔接了生物学与 AI 概念，也层层递进地提升了学生的认知挑战与迁移深度，为学科‑AI 深度融合提供了可复制的教学范式。

对实践的启示

该研究的效果分析如下：

虽然生物知识的提升有限，但AI知识的提升很显著，当然，依我看这是老师水平高，水平不足很可能会影响正常的生物教学。

1. 教育者应在引入新的AI概念之前激活学生的先前知识

2. 动手实践（如使用Teachable Machine）帮助学生可视化抽象的AI概念

3. 年龄适当的材料至关重要

4. 模块化的课程设计方法允许灵活性和可扩展性

5. 选择学生已经有能力的上下文主题（如人脑知识）是有优势的

该研究以严谨的量化‑质性并行设计，首次系统展示了“AI + 生物”课堂融合的可行性与挑战，为未来学科‑AI 双向促进提供了理论—实证—策略的全链路证据。

当前，我在「教育学人 AIED 知识社区」已经更新了 200 多篇内容，包括近百篇前沿论文解读和《AI 时代的教育》、《学记》两本书的专栏解读文章。关于罗伯特·凯根的心智成长理论学习资料也已经更新。

在快速迭代的AI时代，我们需要一个兼具前沿性与可靠性、能够定期更新教学技能与理念的专业发展平台。「教育学人AIED」要做一个云端“实验场”：围绕教师专业发展（TPD）核心目标，帮助教育者们在社区中跨学科对话、实践研讨与经验共创，实现线上“深度共学”。