編者按：學習宣傳貫徹《教育強國建設規劃綱要（2024-2035年）》精神，系統領會中共中央、國務院關于教育強國建設的一系列新要求、新任務，推動解決教育強國建設中的重大問題，是當前教育系統的重大政治任務。中國教育科學研究院組織精銳科研力量，圍繞《綱要》核心內容，在紙媒、電視、網絡等平臺開展闡釋研究，助力《綱要》落地生根，推動教育強國建設邁向更高水平。現摘取部分優秀成果，陸續推出，以饗讀者。

當前，生成式人工智能技術的突破性發展不斷重塑教育實踐樣態，尤其是以國產大模型DeepSeek為代表的技術創新憑借其強大的自然語言處理與創造性內容生成能力，為教育數字化轉型注入了新動能。與此同時，有關智能技術支持下的校本教研智能化轉型（或稱“智能教研”）的理論研究和實踐探索成果也陸續顯現，但整體而言仍缺乏有針對性的系統剖析。本文立足校本教研“以校為本、問題導向”的本質屬性，通過解構生成式人工智能與傳統校本教研的融合方式，揭示校本教研智能化轉型過程中的關鍵矛盾，并提出針對性解決方案，以期為中小學校的探索實踐提供參考。

一

生成式人工智能在校本教研中的作用場域

1. 把握生成式人工智能驅動校本教研轉型的基礎前提

其一，明確校本教研不同于其他教研類型的特點，是確保技術適配性的前提與關鍵。校本教研以學校為本，以教師為研究主體，以解決本校教學實際問題為主要目標，具有很強的實踐性、實效性、針對性。其本質是通過“教學-研究-改進”的閉環，促進教師專業發展與學校教育教學質量提升。與傳統自上而下的教研模式不同，校本教研更注重自下而上的問題發現與解決，課堂觀察與學生作業分析是教研主題的主要來源。

其二，明確生成式人工智能的技術超越性，是理解其驅動校本教研轉型邏輯的基礎與核心。傳統人工智能高度依賴標注數據和規則庫構建，因此只能完成知識檢索、習題批改、封閉式問答等程式化工作。相比而言，生成式人工智能具備的創造性內容生成能力使其能夠基于上下文自主構建高復雜度知識產品而非僅執行預設規則，其強大的跨模態遷移學習和推理能力可在無明確指令情況下完成開放性任務，其采用的多模態協同機制則突破了傳統人工智能單領域分析的局限，實現了文本、圖像、代碼等多維信息的動態整合，同時這也為其能力的形成和發揮提供了更豐富的訓練數據。

2. 明確生成式人工智能對校本教研的主要促進作用

（1）紓解傳統校本教研的短板

首先，課堂教學是非常復雜的系統工程，傳統校本教研基于主觀經驗選定教研主題、推進教研過程以及確定教研決策的方式對教師的態度與水平均具有很高的要求。對于大部分普通教師而言，通過聽、評、磨環節對課堂教學實際做出的判斷并不一定全面和準確，很可能會忽略一些關鍵細節和線索。而生成式人工智能通過實時捕捉課堂多模態行為數據、進行跨維度數據關聯分析及隱性規律挖掘，可以有效彌補教師課堂觀察和反思中的盲區。

其次，針對校本教研成果難以推廣應用的問題，生成式人工智能可以通過結構化提取、語義分析等技術，將零散的教研記錄和反思整合為系統化的教研成果，并根據不同學校的實際情況生成可遷移性建議，促進校本教研成果的跨校共享。

再次，對于已習慣學科教學的教師來說，面對日益重要的跨學科教學需要，想要在短時間內打破傳統教研中的學科壁壘并形成富有成效的跨學科教研，存在不小的難度。而生成式人工智能可以通過語義理解和知識關聯，識別不同學科間的關聯點，自動生成跨學科教研主題，并根據相關性分析向不同學科教師推送協作邀請，促進跨學科教研的順利開展。

（2）擴大傳統校本教研的優勢

校本教研的優勢在于針對性強、蘊含集體智慧、實踐反饋及時等，在生成式人工智能的加持下，這些傳統優勢將得到更大程度的發揮。

首先，盡管校本教研過往依賴教師經驗判斷的方式存在一定主觀性，但不可否認，資深教師的實踐性智慧是非常寶貴的，他們不僅可以準確找出教學痛點問題，而且可以準確把握課堂中的情感表達，在面對課堂突發事件時，能將教學直覺有效轉化為可操作的教學法。而生成式人工智能則可以通過對學生作業、課堂表現、測試成績等多維數據的分析，精準識別學情中的共性問題和個性差異，并提供基于證據的教研方向建議。在經驗與證據的相互印證下，校本教研的針對性將得到進一步加強。

其次，集體備課、課例研磨等活動能有效改善校本教研生態，實現教師間的優勢互補，促進教師專業發展和課程建設。借助生成式人工智能，教師們可以根據教學目標和內容要求快速生成初步教案框架、教學資源建議、教學活動設計等，從而縮短資料收集、初步教案編寫等前期準備時間，使集體備課的重心更多轉向對教學關鍵點和難點的深入研討，由此提高集體智慧的作用效率。

再次，生成式人工智能能夠通過構建快速模擬評估機制，根據學生的歷史數據和學習規律預測不同教學策略可能產生的效果，為預先優化教學設計提供依據，進一步減少教研活動通過實踐進行迭代的次數，縮短迭代周期，提高教研效能。同時，生成式人工智能還可以通過追蹤教學策略的實際應用效果進行實踐反饋，形成教研閉環的優化。

（3）創新校本教研新模式

除了紓困和揚長，生成式人工智能對于傳統教研更重要的意義在于強化了人機協同的教研范式，使教研活動的主體更加多元，主體角色發生轉變，形式更加靈活，甚至教研內容也隨之調整。在人機協同的模式中，“問題發現-方案生成-實踐應用-效果評估-問題再發現”的閉環教研活動不再局限于固定時段的集中研討，而是與課堂教學過程不斷融合，形成常態化、伴隨式教研。同時，生成式人工智能從單純的輔助工具轉變為與教師同等的參與主體，除了承擔實時分析多源數據、自動識別教學潛在問題、追蹤應用效果為優化迭代提供數據支持等工作，更重要的是，它們可以在與教師不斷交互的過程中逐漸明確需求、聚焦主題，并基于問題特征和歷史解決方案創造性地提供有針對性的改進方案。此外，在某些場景下，技術人員也可以加入教研活動，負責內容的更新與迭代。當大部分常規教研內容由生成式人工智能和技術人員完成時，教師的角色功能將逐漸轉向高階教學設計優化與創造性思維培養，同時更多負責價值判斷，對生成式人工智能給出的方案進行評估、調整和優化，并形成最終方案。

二

生成式人工智能驅動校本教研轉型的現實困境

當前，已有部分學校嘗試在校本教研中引入生成式人工智能，并取得了一些進展與成效。但整體來看，依托生成式人工智能驅動校本教研轉型仍然面臨著認知、技術、機制等多方面問題。

1. 教師作為研究主體的能力存在結構性缺失

教師是校本教研的核心主體，但當前教師的智能素養普遍無法滿足生成式人工智能應用的需求。調查顯示，僅有四成左右中小學教師表示能根據不同教學環境和教學內容選擇合適的智能技術，不足四成教師表示能夠使用智能工具開展全流程教與學數據的采集與分析，并基于數據開展教與學評價；同時整體來看，教師的教齡越長、職稱越高，智能素養得分相對越低。教師技術認知和技能水平的不足直接影響了其應用生成式人工智能的積極性，使其陷入“可用而不愿用”的境地。

另一種極端是部分教師“用AI代替思考”，過度依賴技術方案，由此削弱了自身的實踐反思深度。如直接照搬生成式人工智能生成的教研主題和解決方案，忽略了教學內容與學生的匹配度；或看似在交互中加入了關于個性化需求的限制，但對生成式人工智能給出的內容不進行任何求證與反思；抑或完全被生成式人工智能的思考過程引導，影響自身對問題的價值判斷。

盡管當前人工智能課程已成為教師培訓必不可少的選題，但對于多數教師來說，想僅僅通過培訓就能達到系統提升智能素養的目的尚不現實。同時，由于智能技術更新速度過快，教師能力提升速度仍遠遠滯后于技術發展。正如許多教師還在學習提示詞撰寫，但隨著推理型大模型的出現，提示詞工程也有了新的變化，甚至完全不同于之前的構造邏輯。這種教師賦能與技術賦能之間的不協調，成為校本教研智能化轉型的首要障礙。

2. 技術適用性與校本教研特殊性匹配度不足

校本教研的一個顯著特點是具有強烈的本土性和情境性，這使得通用AI模型在處理校本數據時面臨適配性挑戰。當前的生成式人工智能模型多為通用大模型，它們雖然覆蓋了廣泛的知識領域，但在面對教研特定任務，特別是面對校本教研這種高度情境化、專業化的活動時，由于未經專門訓練，因此提供的支持非常有限。一方面，通用大模型對教育教學規律的理解有限。它們在處理教學設計任務時，雖然能生成形式完整的教案，但在教學策略選擇、學情分析、教學環節設計等方面缺乏對教育學原理的深刻理解，生成的內容看似面面俱到，實則泛泛而談。另一方面，通用大模型對校本教研的獨特需求理解不足。校本教研強調針對學校具體情境提供研究和解決方案，但由于數據不足、訓練不夠等原因，通用大模型給出的回應通常難以充分考慮學校的獨特文化背景、師生特點和資源條件。這種一般性與特殊性之間的矛盾限制了生成式人工智能在校本教研中的深度應用。

3. 校本教研數據特性制約技術適配效能

從形式上看，除了計算機采集和管理系統中已有的一些格式化數據，校本教研數據中還包含大量非結構化數據，如教師手寫筆記、校本課程方案、特色教育活動記錄、工作群溝通記錄等，它們術語多樣、格式各異，通常難以被通用AI模型直接使用，需要預先進行識別和處理。從內容上看，校本教研中的問題表征往往是碎片化的，如各學科組獨立形成的教研記錄、不同年級段分散的教學問題描述等，導致算法難以構建系統性的解決方案。從體量上看，單個學校的校本教研數據量相對有限，通常不足以支撐大模型海量數據訓練的需求，且由于存在隱私保護問題，難以支持大模型的深度適配和個性化調整。這種數據規模與技術需求之間的矛盾，使得許多學校難以充分發揮生成式人工智能的潛力。

4. 傳統教研組織運行機制削弱智能教研的自主性

校本教研的組織方式和運行機制在很大程度上決定了智能教研的實施效果。一方面，在實踐中，校本教研或多或少還存在著自上而下的任務分配機制，與生成式人工智能更適合支持教師自主發現問題并形成教研主題的特性存在矛盾。一旦教研主題由學校領導或教研組長預先確定，教師參與的主動性和創造性就會受到限制。從現實看，許多學校在引入生成式人工智能技術后，仍維持原有的教研組織方式不變，導致技術應用停留在表面，未能觸及教研的深層機制改革。另一方面，傳統校本教研的評價體系也難以適應智能教研的需要。當前的教研評價大多聚焦于教研活動的次數、規模、形式等顯性指標，而對于教研質量和實際教學效果提升這種主觀性的感受，則還缺乏可量化的科學評價。這種評價導向使得學校和教師在應用生成式人工智能技術時，更關注技術的形式創新而非實質變革，如何真正依托智能教研促進教學改進和學生發展，仍缺乏有效的激勵和評估機制。

5. 技術介入引發主體消解等倫理新挑戰

正如許多研究指出，技術的深度介入不僅引入了技術層面的問題，也引發了一系列倫理挑戰，其中最突出的是技術“壓迫”下教師主體性的潛在消解。具體而言，泛化的生成式人工智能技術將教師裹挾于技術洪流中，使之無法全面、客觀、正確地審視技術之困，并令其陷入職業疲倦、生存消解、自我懷疑的三重困境，表現為技術負擔過重、親身互動減少和思考能力弱化。另一項挑戰是對教育數據的隱私保護。校本教研中涉及大量教師和學生數據，其中對于未成年學生的數據權益保護尤為重要。此外，算法偏見也是容易被忽視的一點。與傳統人工智能技術一樣，依賴數據驅動學習的特性使得生成式人工智能也存在明顯的算法偏見，尤其是當校本教研數據代表性不足、在模型設計與訓練過程中迭代使用存在偏見的數據或在交互中給予隱含偏見的提示時，生成式人工智能可能會進一步繼承和放大已有數據中的偏見，使得教研目標和育人導向發生偏離。

三

校本教研智能化轉型的突破路徑

基于上述分析，校本教研的智能化轉型需要在技術、人力、機制等多維度尋求突破。借鑒已有的實踐探索成果，可以采取以下措施推動生成式人工智能在校本教研中的廣泛與深度應用。

1. 構建校本教研數據驅動的輕量化AI模型

針對校本教研數據特殊性與通用AI模型適配性不足的問題，應在技術層面聚焦校本場景的特殊性，構建學校專屬的知識庫和輕量化AI模型。一是建立學校專屬知識庫，通過對學校現有的教案、課件、教研記錄等資源進行數據化整理和結構化標注，整合形成校本教研知識庫，為智能教研奠定數據基礎。二是利用知識圖譜技術整合多源數據，將備課記錄、聽評課記錄、學生作業、測試成績等多源數據通過知識圖譜技術進行關聯分析，形成對本土教學過程的全景描述，幫助生成式人工智能理解教研所針對的具體教學情境。三是訓練適配本校實際的輕量化AI模型，利用參數高效微調技術，在通用大模型基礎上針對校本教研數據進行微調，構建既具備通用大模型強大能力又適應校本特點的輕量化模型。這種模型還需支持小樣本學習，能夠基于有限的校本教研數據實現模型適配。

2. 利用技術手段重構校本教研流程

充分利用生成式人工智能重構校本教研流程，是克服傳統校本教研普遍存在的時間固定、形式刻板、參與不均等問題，進而提升教研效能的關鍵路徑。為此，學校應主動引入生成式人工智能作為教研活動的參與主體，使其成為與教師們探討教研內容的協作伙伴而非簡單的工具。在此基礎上，可以構建基于生成式人工智能的去中心化教研協作網絡，形成更為靈活的教研組織形式，支持每位教師根據實際教學需求自主參與不同教研項目，實現“問題驅動、人機共研”的新型教研共同體；還可以利用生成式人工智能技術建立教研主題自動生成機制，并匹配教研任務與教師能力，在推動教研范式從“人找題”轉向“題找人”的同時，充分發揮每位教師的專業優勢。在此過程中，教師應作為教研活動的決策者，判斷技術生成方案的價值并學習借助其來確定或調整研究方向，使教研工作更加聚焦真實教學難點。

3. 構建分層遞進培訓體系提升教師智能素養

針對教師能力結構性缺失的問題，學校應將教師智能素養提升作為校本研修的核心內容之一，并設計分層遞進的培訓體系。在培訓內容上，應包括從生成式人工智能基礎應用到教學場景深度融合的進階；在培訓方式上，可結合具體教研任務，引導教師從教研實際需求出發，通過“做中學”的方式提升生成式人工智能使用的核心能力，包括問題診斷能力、數據解讀能力、方案批判能力以及人機對話能力，由此幫助教師克服技術焦慮，形成對生成式人工智能的正確認知，實現從被動適應到主動駕馭的轉變，最終提升在智能教育環境中的專業自主性和教研效能。此外，針對生成式人工智能的人機對話特性，應重點培養教師的提示詞工程能力和對話反思能力，使教師具備有效引導其輔助教研并持續優化人機協作的能力。

4. 構建校本教研成果動態評價體系

為激勵和引導教師積極參與智能教研，學校需構建更科學的校本教研成果動態評價體系，將過程性數據與結果性評價相結合。在評價內容方面，學校應將人機協同效能作為評價教研活動質量與效能的重要內容，避免僅關注教研形式而忽略教研實質；將人機協同能力作為教師能力評價的重要方面，鼓勵教師積極開展智能教研實踐，引導教師將生成式人工智能視為專業發展的重要工具而非威脅。在評價過程方面，學校應注重對教研過程性數據的多重價值挖掘。生成式人工智能在參與校本教研的過程中，能夠記錄教研活動從問題發現、方案生成與調整到實踐應用和效果評估等全過程數據。學校除了可以將這些數據用于教研閉環優化，還可以通過構建數據中臺，將其應用于評估教研活動質量、展現教研共同體成長軌跡以及為教師提供專業發展畫像等。

5. 積極融入技術支持的跨校教研知識共享網絡

校本教研作為學校內部的教學研究活動，在具有針對性強等特點的同時也具有相對封閉性，導致優質教研成果難以實現更大范圍的價值共享。借助生成式人工智能對不同學校的校本教研數據進行分析和整合，可從中有效挖掘教學共性問題和創新解決策略，為不同學校的相似教學難題提供智能化支持。同時，生成式人工智能能夠在保留已有教研成果核心邏輯的基礎上進行基于校本情境要素的適應性調整，或通過對多校教研數據的聚合分析生成更具普適性的教學方案。通過技術支持的跨校知識共享，既能保留校本教研的情境針對性，又能實現經驗的增值共享和創新應用，從而形成立足校本、面向區域的開放型智能教研新生態。

6. 確保校本教研的數據主權與育人立場

在推進校本教研智能化轉型的過程中，必須高度重視數據主權和育人立場的保障，避免技術異化教育本質。對此，學校在構建專屬大模型時應確保自身對關鍵參數具有微調權限，保證技術應用與學校育人理念相符；需建立完備的校本教研數據治理體系，明確界定數據收集、使用和保護邊界；在構建人機協同的教研模式時，明確生成式人工智能作為參與者但非決策者的角色定位，保持教師在教研中的主體地位和最終決策權，形成以人為本的技術賦能教研模式。

總之，生成式人工智能驅動下的校本教研智能化轉型不僅是技術與教育的深度融合，更是對教育本質和學校發展的重新思考。技術為校本教研提供了從經驗積累到數據洞察、從封閉改進到開放協同的轉型契機，但智能化轉型并非簡單的技術替代，而是一項復雜的系統工程，需要在技術、人才、機制、倫理等多維度協同推進。從本質上看，智能化轉型并非借助技術手段改變“學校作為改革實驗室、教師作為反思實踐者”的校本教研本質，而是通過技術強化、理念創新，使校本教研的實踐性和針對性得到更好的發揮。為此，面對大步向前的技術提升，我們應積極擁抱變化，科學應對現實困境，大膽探索突破路徑，構建一種既保持本土特色又富有未來活力的校本教研新形態，為教育質量的整體提升提供有力支撐。

來源 | 《中小學管理》2025年第4期

作者 | 馬筱瓊（中國教育科學研究院教育統計分析研究所）