基于课程内容的 AI 如何改变 K-12 教学

基于课程内容的 AI 与通用型聊天机器人有着不同的出发点。它不会要求教师在开放式提示中逐一提供所有标准、资料来源、限制条件和教学目标，而是让生成过程以一套明确界定的课程内容为基础。随后，系统可以在这一框架下创建或调整教案、测评、练习单、幻灯片、拓展活动、翻译材料或差异化教学材料。

这个范围更明确的起点可以减少准备工作，让输出更切合教学需要。但这并不意味着输出自然就是准确的、符合教学规律的、保护隐私的或已经获准使用的。某项活动即使标注了课程标准代码，也可能没有真正教授预期技能；行文流畅的翻译也可能偏离当地语境。基于课程内容的系统仍可能承袭其依据材料中的错误或偏见，也可能受到模型行为的影响。

因此，对于 K-12 学校来说，真正的变化并不只是内容生成速度更快。以课程内容为基础的设计让 AI 更深入教学工作流程，学校也就无法回避有关证据、教师权限、学生数据和采购的决策。学校需要评估围绕输出运行的整套系统，而不能只看一份生成式练习单的质量。

理解以课程内容为基础能做什么、不能做什么

通用型聊天机器人通常以一个空白文本框为起点。教师需要提供背景信息、提出生成材料的要求、检查结果，再把结果转移到其他应用中。基于课程内容的软件则从既定教学材料出发，并且可能已经掌握相关单元、教学顺序、课程标准或平台情境。因此，它更容易围绕同一个学习目标生成多项彼此衔接的资源。

McGraw Hill 计划整合 Teachally，正是这种模式的一个例子。该公司表示，该平台能够依据课程内容创建符合课程标准的课程、测评、演示文稿、练习单、差异化活动、本地化内容和译文。其公告将加快产品开发、支持课堂定制和本地化，以及在现有工具内生成内容列为预期用途。这些只是产品目标，并不能证明其课堂成效。

最适合把这种设计理解为一种来源边界。它可以缩小模型可调用的材料范围，也能减少教师需要重新补充的背景信息。但它不能证明来源完整无缺，不能保证课程标准映射仍然有效，也不能保证生成的活动保留了原有教学顺序。采购方应要求查看一项输出参考了哪些来源、选用了哪项标准、系统改动了什么，以及教师能否修正结果。缺少这种可追溯性，所谓“以课程内容为基础”就很难得到验证。

互操作性是另一项限制。学区课堂往往同时使用出版商材料、本地资源库、教师自编文档和公共资源。与某一家内容目录深度绑定的系统，在该目录内或许表现稳定，但面对教师实际使用的混合材料时可能并不顺手。因此，评估应覆盖日常的跨来源工作，而不应只看供应商精心设计的理想演示。

让教师主导权清晰可见

教师主导权应该体现在工作流程中，而不能只是一个让人安心的标签。生成的材料应以可编辑草稿的形式进入课堂。教育工作者必须能够在学生看到材料之前检查、拒绝、修改和批准内容。他们还应该看得出 AI 何时改动了段落、测评题目、示例、译文或课程标准映射。

有用的控制机制包括清晰可见的来源引用、修订历史、课程标准映射和审批记录。这些功能有助于判断问题究竟源于课程资料、模型、系统指令还是教师输入。当学校需要修正资源，或追查问题结果是如何产生时，这一区分至关重要。

易用性也伴随着取舍。省去复杂提示词编写的系统，可能让更多教师用得上生成功能；但高度自动化的界面也可能掩盖生成结果所依据的假设。合理的设计应在减少机械操作的同时，让教学输入和改动保持可见，而不是要求教师信任一连串不可见的决策。

学校应明确哪些任务必须由教师完成。对面向学生的材料作最终审批，是最明显的一条边界。学区也可能要求教师审核涉及测评难度、学习支持措施、阅读难度、文化案例或学习目标的任何变更。规则应根据任务可能带来的后果来制定，而不能把所有生成材料一视同仁。

用三项独立指标检验课堂价值

AI 产品常常把生成速度、为教师节省的时间和学生学习成效合并为一项效率主张。事实上，这是三类不同的结果。系统可以在几秒钟内生成五项资源，却同时增加教师的纠错工作；备课流程更快，本身也不等于学生理解得更好。

研究支持一种审慎、由教师参与的使用方式。RAND 针对教育工作者使用 AI 进行教学规划的一项研究发现，生成课程、开展头脑风暴和创建其他教学资源都是常见用途；在受访者提到的工具中，ChatGPT 出现得最频繁。RAND 报告表明，教师已经在探索这类应用，但使用了某种工具本身并不能证明它带来了教学收益。

目前的证据基础仍然有限。美国教育科学研究所的一份摘要指出，一项 2026 年综述只找到 20 项能够为 AI 教育效果提供因果证据的严格研究。其K-12 证据概览提到，由教师参与使用或以 AI 辅助的系统取得了较有希望的结果；相比之下，面向学生的通用型工具效果不一，尤其是在它们取代了必要思考过程的情况下。

因此，学校试点应分别记录以下三项指标：

1. 生成表现： 系统生成所需材料的速度有多快？它有多大比例能够始终限定在指定课程内容和课程标准的范围内？
2. 教师工作流程： 从编写提示、审核、纠错和排版，到把材料用于课堂，总共需要多少时间？还应计入培训时间，以及处理不理想输出所耗费的时间。
3. 教学结果： 最终材料是否保留了学习目标，是否适合相应年级和学科，是否支持预期的学生学习活动？任何有关学习成效的主张，都需要教师采用情况或输出数量以外的证据。

证据应按学段和学科分别统计。系统在小学阅读任务上的表现，不能用来证明它在高中历史、数学或科学课程中的表现。试点还需要纳入常见场景，例如差异化练习、调整阅读难度、设计与某一单元配套的测评，以及制作本地化资源。这些用例能够检验系统以课程内容为基础时，是否仍能保持相关材料之间的连贯性。

把隐私纳入教学设计

个性化功能可能会引导教师输入学生的阅读水平、语言需求、学习支持措施或课堂表现等细节。即使不含学生姓名，这些背景信息也可能十分敏感。以课程内容为基础的设计并不能回答谁会收到这些信息、信息会存放在哪里，也不能说明底层模型提供商是否有权访问。

在投入使用前，学区应记录产品会收集哪些数据、数据保留多久、由哪些服务提供商处理，以及管理员能否限制或停用相关功能。学区还应明确教师可以输入哪些信息，并为意外泄露建立纠正流程。不能想当然地认为过去的认证或隐私声明也适用于后续集成，因为收购和产品变更可能改变数据流向、托管方式、合同条款和支持流程。

UNESCO 的教育与研究领域生成式 AI 指南强调保护隐私、采用适龄设计、开展伦理验证，以及坚持以人为本。无论由教师操作系统，还是由学生直接与系统互动，这些原则都同样适用。面向教师的软件仍然会影响学生接触到的内容，也仍然可能处理敏感的教育背景信息。

隐私审查应与课堂实践相衔接。合同本身无法阻止教师把不必要的学生信息粘贴到提示中。培训、界面警示、管理设置和本地规则都应纳入实施方案。

采购受治理的工作流程，而不是功能清单

采购团队需要证据来证明，内容生成在既有教学体系中是可信、可编辑、可追溯且实用的。支持生成很多种材料，或声称覆盖大量课程标准，都远远不够。学校应要求供应商以真实教学单元演示材料来源和修改链路，说明模型和数据责任如何划分，并展示管理员如何设置本地规则。

美国教育部发布的学校 AI 使用指南支持在符合适用要求的前提下采用基于 AI 的教学材料，同时强调隐私、利益相关方参与、负责任地采用技术，以及教师参与。这个框架对采购很有启发：引入 AI 并不只是技术部门的决定。教师、课程负责人、隐私与安全人员、无障碍支持专家和学区管理人员各自看到的是风险的不同侧面。

范围明确的试点，比立即在全学区铺开更能提供有效信息。可以从指定学科、学段、课程来源、获准用例和一组明确的教师开始。在开放使用之前，应确定审核规则和需要收集的证据。是否扩大使用范围，应取决于整个工作流程的结果，而不能只看初次生成效果有多惊艳。

基于课程内容的 AI 评估清单

在开展试点之前，以及考虑扩大应用之前，请使用这份清单：

• 课程内容基础： 教师能否看到每项输出背后的课程来源、课程标准和单元情境？
• 教学连贯性： 调整后的资源能否保留学习目标和教学顺序，而不是只重复一个课程标准标签？
• 教师权限： 教育工作者能否编辑、拒绝和批准每一份面向学生的材料？
• 改动记录： 产品能否显示 AI 对段落、题目、示例、译文和映射分别作了哪些修改？
• 混合材料： 系统能否处理学区实际使用的出版商资源、本地资源和教师自编资源组合？
• 证据： 是否按学科和学段分别衡量生成速度、教师投入的总时间和教学结果？
• 隐私： 是否明确记录数据收集、保留期限、服务提供商的访问权限、管理控制措施，以及允许教师输入的信息？
• 本地化与偏见： 译文、文化假设、示例和代表性问题是否由具备相应能力的人员审核？
• 治理： 报告错误、纠正问题、审批、培训和停用功能的流程是否清晰？
• 扩大应用的条件： 扩大使用范围是否必须以书面记录的试点证据为依据，而不是仅看适用资格、许可证数量或一次性演示？

基于课程内容可以为 AI 生成提供教学基础，并让它贴近教师已经在使用的工具，从而提高 AI 的实用性。但它的价值取决于周围的控制机制。真正经得起时间检验的标准，不是软件能否迅速生成一份练习单，而是学校能否说明材料来自哪里、经过了怎样的修改、由谁批准、有哪些证据支持，以及学生信息如何得到持续保护。