36 面向课堂的生成式AI，第2部分
使用生成式AI进行活动的一些想法
1. 在课程中使用生成式AI进行课程计划与设计
您是否想要重新设计您的一些课程，引入新主题，开展新活动以及在如何评估这些活动结果的评分标准方面获得新思路1,2？您是否想尝试一种新的教学方法，使用新技术和材料3？聊天机器人可能为上述所有问题提供帮助。您可以指导软件编写课程计划初稿、学习目标、活动指导、项目和科学实验以及讨论提示4。
提示：最好事先明确要涵盖哪些话题和方法，以及课程或课程将实现的目标——无论是针对的概念还是程序，以及要采取哪种教学方式2。
示例
来源：在ChatGPT中考察科学教育：生成式AI的探索性研究5
活动：创建教学单元
生成式AI工具：ChatGPT
使用的提示：使用5Es模型创建一个教学单元，该单元对于那些对可再生能源和非可再生能源具有深刻理解的七年级学生具有挑战性。同时为那些遇到困难的学生提供支持和脚手架。
反思：作为一个起点，作者发现ChatGPT的回答很有用。为了满足学生的需求、课程和获取资源，必须对其进行调整。他建议教育工作者应删除无益的部分，并在有帮助的部分上继续进行构建。尽管输出内容需要精炼，但他认为许多教师会发现它很有用，特别是那些刚开始职业生涯的教师，因为他们可能还没有建立广泛的资源。
“我特别对其生成一个以5Es模型为基础的科学单元的能力印象深刻，即使其中一些输出看起来有点宽泛并需要进一步的精炼。“
2. 使用生成式AI准备引人入胜、多模式和包容性的主题内容
您可以使用生成式AI应用来：
- 添加与当地现象、语言和文化相关的内容；
- 插入具有解释性和吸引力的图片和视频3；
- 创建并加入故事，强化文字内容；
- 绘制概念图；
- 突出、转述和总结课程的相关部分，并澄清词汇6；
- 通过展示模拟演示和举例说明其他科目的例子，使数学和科学变得不那么抽象。这也可以用于手工艺教育，其中可视化可以帮助开发和探索想法7；
- 提供翻译，以帮助使用少数语言的学习者2。
提示：Midjourney和其他图像创建工具经常有专门的论坛，人们在那里发布他们的作品、建议、提示和提示制作技巧7。这对于刚开始探索这项技术的教师很有帮助。
3. 使用生成式AI创建示例、练习题和测验
生成式AI可以：
- 生成表格和其他形式的数据，用于示例和练习；
- 创建练习题和答案，特别是用于巩固基础技能和知识水平较低的部分8。这些可以作为学生在解决作业问题遇到困难时的参考9；
- 生成答案的解释。这似乎很有效，特别是对于生成编程代码的解释9；
- 为数学或编程中的同一问题生成多种解决方案。这有助于学生学习不同的方法和视角，并分析不同方法的优缺点9。即使提供的解决方案是错误的，如果明确标出，也可能有帮助。
示例
来源：在ChatGPT中考察科学教育：生成式人工智能的探索性研究5。
活动：创建测验。
生成式AI工具：ChatGPT。
使用的提示：生成一个七年级水平的关于可再生能源和非可再生能源概念的测验，并附上答案。
反思：作者发现，ChatGPT生成的多项选择题能够评估学生对该主题的理解。他说，“教育工作者需要批判性地评估任何资源… 教师的专业知识、经验和对学生的了解仍然是做出合理教学决策的关键。”
示例
来源：在ChatGPT中考察科学教育：生成式人工智能的探索性研究5。
活动：创建评分标准。
生成式AI工具：ChatGPT。
使用的提示：创建一个评分量规，供七年级学生来自我评估他们对可再生能源和非可再生能源的学习情况（后续的格式要求：使这个评分量规更容易以整洁的格式复制到Word中）。
输出：
反思：作者发现，ChatGPT能够创建自己的评分标准——理解、研究、批判性思维和参与。每个标准都标注了等级，但每个标准的指标过于模糊。
示例
来源：机器人来了：探索OpenAI Codex对入门编程的影响10。
活动：为一个问题生成多种解决方案。
生成式AI工具：Codex（Codex可以根据提示用多种编程语言生成代码）。
使用的提示：各种来源和考试题目中要求学生编写代码的问题描述。
输出:
反思：作者发现，Codex对同一提示给出了一系列不同的代码，“而最终倾向于对每个答案采用预期的方法”。
4 提高可访问性
作为最后一个例子，我们强烈建议您探索生成式AI，以增加对某些有身体或学习障碍学生的可访问性，特别是那些有听力或视力障碍的学生。生成式AI可以提供原文字幕、翻译字幕和音频描述2。根据联合国教科文组织的《生成式人工智能在教育和研究中的应用指南》，“GenAI模型还可以将文本转换为语音，将语音转换为文本，使视力、听力或语言障碍的人能够访问内容、提问并与同伴交流”2。它还可以帮助您验证所创建的内容是否包容和可访问4。
质疑输出
如果您决定使用生成式AI，您必须注意其失败和缺点，并随时纠正它们，包括：
- 内容中的不准确性：语言模型不是知识库或搜索引擎。即使是最新的模型也会幻想事实和引用虚构的资料来源。错误会悄悄出现，特别是当使用语言模型进行数学和定量推理时。即使专门为这些学科进行微调，模型也可能产生错误的答案、计算错误和幻想“数学事实”11。甚至编程可能也很棘手，因为生成的代码可能存在语法错误和安全问题9。
- 产生偏差的原因之一是，这些模型所依据的训练数据中充满了偏差。即使是进行修正的EdGPT，也可能仍然包含一些偏差2。
- 性能可能会因使用的提示和用户历史记录而有很大差异，有时候甚至毫无缘由。
虽然生成式AI可以减轻教师的工作负担并帮助完成某些任务，但它基于从大量在线数据构建的统计模型。这些数据不能取代现实世界、其背景和关系。ChatGPT无法提供背景情况，也无法解释影响学生日常生活的因素4。它不能为现实世界的挑战提供新的想法或解决方案2。
最后，它的性能并不接近人类大脑的能力，尤其是人类大脑对有限数据的理解和处理能力。生成式AI“最深的缺陷是缺乏任何智能最关键的能力：不仅要说出实际情况是什么、过去是什么情况和未来将是什么情况——那些是描述和预测——而且也要说出现在不是什么状况、可能是什么情况和不可能是什么情况12。”
1 Tlili, A., Shehata, B., Adarkwah, M.A. et al, What if the devil is my guardian angel: ChatGPT as a case study of using chatbots in education, Smart Learning Environments, 10, 15 2023.
2 Holmes, W., Miao, F., Guidance for generative AI in education and research, UNESCO, Paris, 2023.
3 Enkelejda, K., et al, Chatgpt for Good? on Opportunities and Challenges of Large Language Models for Education, EdArXiv, 2023.
4 Trust, T., Whalen, J., & Mouza, C., Editorial: ChatGPT: Challenges, opportunities, and implications for teacher education, Contemporary Issues in Technology and Teacher Education, 23(1), 2023.
5 Cooper, G., Examining Science Education in ChatGPT: An Exploratory Study of Generative Artificial Intelligence, Journal of Science Education and Technology, 32, 444–452, 2023.
6 Kohnke, L., Moorhouse, B. L., & Zou, D., ChatGPT for Language Teaching and Learning, RELC Journal, 54(2), 537-550, 2023.
7 Vartiainen, H., Tedre, M., Using artificial intelligence in craft education: crafting with text-to-image generative models, Digital Creativity, 34:1, 1-21, 2023.
8 Bhat,S., et al, Towards automated generation and evaluation of questions in educational domains, Proceedings of the 15th International Conference on Educational Data Mining, pages 701- 704, Durham, United Kingdom, 2022.
9 Becker, B., et al, Programming Is Hard – Or at Least It Used to Be: Educational Opportunities and Challenges of AI Code Generation, Proceedings of the 54th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE 2023), Association for Computing Machinery, New York, 500–506, 2023.
10 Finnie-Ansley, J., Denny, P. et al, The Robots Are Coming: Exploring the Implications of OpenAI Codex on Introductory Programming, Proceedings of the 24th Australasian Computing Education Conference (ACE ’22), Association for Computing Machinery, New York, 2022.
11 Lewkowycz, A., Andreassen, A., Dohan, D. et al, Solving Quantitative Reasoning Problems with Language Models, Google Research, 2022.
12 Chomsky, N., Roberts, I., Watumull, J., Noam Chomsky: The False Promise of ChatGPT, The New York Times, 2023.
<!–
