生成式人工智能赋能物理化学教学改革的创新探索——基于学习通泛雅智慧平台的实践研究
作者及机构
本文由烟台大学环境与材料工程学院的梁希壮与仝凤霞（通讯作者）合作完成，发表于《大学化学》（univ. chem.）2026年第41卷。
研究背景与目标
物理化学作为材料、化学、环境等理工科的核心基础课程，具有理论抽象、逻辑严密、公式密集的特点，长期被学生视为学习难点。传统教学模式在个性化学习支持与过程性评价方面存在不足。在人工智能技术快速发展的背景下，本研究旨在探索生成式人工智能（Generative AI）与物理化学教学的深度融合路径，依托学习通泛雅智慧平台，构建智能化教学新范式，解决教学中的痛点问题，推动从“知识传递”到“思维赋能”的转型。
研究内容与方法
-
自动化教学内容生成
-
多场景数字题库建设：基于学习通平台的汇雅模型（Huiya-chat-mini、Huiya-chat-34-q4）和DeepSeek引擎，教师通过结构化指令（如知识点、认知层级、题型）生成个性化习题，并一键导入题库。例如，输入“热力学第二定律”相关指令后，AI自动生成包含教学目标、案例设计、互动环节的完整教案。
-
专业融合案例设计：AI结合材料专业背景，生成工程应用实例（如“熵增原理”类比合金退火过程），增强理论关联性。
-
-
体系化知识图谱构建
-
知识网络可视化：AI自动提取教材核心概念（如“焓”“吉布斯自由能”），构建逻辑关联图谱（图3），覆盖逾百个知识点，关联多模态资源（课件、习题、视频）。
-
思维导图辅助教学：在课堂中，AI生成层级化思维导图（如热力学第二定律框架图，图4），帮助学生梳理知识脉络。
-
-
AI学伴的个性化支持
-
即时答疑与多模态解释：学生可通过移动端提问（如“自发过程的不可逆性”），AI结合生活实例（热水变凉）和专业案例（合金扩散）提供多角度解答。
-
启发式探究：AI模拟“企业工程师”角色，引导学生解决仿真问题（如化工产率优化），培养应用能力。
-
-
数据驱动的教学评价
-
学情动态分析：平台记录学生行为数据（视频观看节点、作业错题分布），生成班级薄弱点报告（如电化学章节普遍混淆），支持教师精准干预。
-
闭环优化机制：通过“教学-评估-推送”循环，动态调整教学内容（如针对低正确率知识点生成补充案例）。
-
潜在问题与应对策略
-
内容可靠性风险：针对AI可能产生的“幻觉”（如错误公式推导），提出五重保障：教师审核、权威信源交叉验证、知识图谱约束、提示词优化、学生批判意识培养。
-
思维惰性风险：通过限制AI直接生成答案、增加过程性评价（如手写任务）、设计探究式学习活动，强化学生独立思考能力。
研究价值与创新点
-
实践价值：构建了“AI+物理化学”的可操作范式，覆盖备课、授课、评价全流程，显著提升教学效率与学生自主学习能力。
-
方法论创新：首次系统整合生成式AI与知识图谱技术，实现静态知识结构与动态智能生成的协同。
-
教育理念转型：推动从“教师中心”到“学生中心”的范式变革，强调批判性思维与工程应用能力培养。
亮点总结
-
技术整合深度：首次将生成式AI（如DeepSeek）、知识图谱与智慧教学平台（学习通泛雅）系统结合。
-
学科交叉特色：针对材料专业需求，设计专业融合案例，凸显物理化学的工程应用价值。
-
风险防控机制：提出“技术-制度-认知”三重防线，平衡AI便利性与教育本质。
基金支持
本研究受国家自然科学基金（22302166、22402172）和山东省自然科学基金（ZR2023QB034、ZR2023QB031）资助。