类型a：
王冬青、陈自力、邵文豪、张粤芳、李赞坚和任光杰等作者，分别来自华南师范大学教育信息技术学院和广州市电化教育馆，于2025年3月在《中国电化教育》期刊上发表了题为《从“负能”到“赋能”：基于LLMs的思维链提示设计与教研AI智能体构建》的研究论文。该研究聚焦于人工智能技术在教育领域的应用，特别是课堂教学智能分析报告的解读问题，旨在通过构建基于大语言模型（LLMs）的教研AI智能体，帮助教师从复杂的课堂数据中提取有用信息，实现从“数据负能”到“数据赋能”的转变。
随着生成式人工智能（Generative Artificial Intelligence, GAI）在教育场景中的广泛应用，课堂教学智能分析技术逐渐成为循证教研的重要工具。然而，现有的智能分析报告往往包含大量复杂数据，给一线教师带来了巨大的认知负荷，难以快速识别关键问题并应用于教学改进。尽管这些报告旨在通过数据“赋能”教师，但实际上却导致了“数据负能”的现象。为了解决这一问题，研究者提出了基于思维链提示（Chain of Thought Prompting, CoT）的教研AI智能体框架，旨在通过分阶段引导和逻辑递进式对话，帮助教师更好地理解和应用课堂数据。
研究分为以下几个主要步骤：
问题提出与调研
研究团队依托广州市“AI助推教师队伍建设示范区”项目，对56所中小学的课堂教学智能分析技术应用效果进行了实地调研。调研发现，尽管课堂智能分析技术能够生成详细的多维度数据报告，但其内容过于繁冗，导致教师难以迅速把握关键点。此外，通用大语言模型的初步解读结果过于泛化，无法提供具体的教学改进建议。
思维链提示设计
为了解决上述问题，研究者提出了基于思维链提示的教研AI智能体框架。思维链提示方法包括两个层次：分阶段引导机制和逻辑递进式对话。分阶段引导机制将报告解读过程细化为五个阶段：初步认知、问题识别、原因分析、决策支持和反馈优化。逻辑递进式对话则通过逐步提问的方式，引导教师深入理解课堂数据，并生成个性化的教学建议。
智能体构建与实验设计
研究者基于开源大语言模型（如智谱清言）构建了教研AI智能体，并通过63份真实的课堂教学智能分析报告数据验证其有效性。实验设计了“普通回复”和“基于思维链的回复”两种处理方式，并采用9个评价维度（如准确性、逻辑性、专业性等）对回复内容进行量化分析。
数据分析与结果验证
实验结果表明，“基于思维链的回复”在准确性、逻辑性、专业性和广泛性等多个维度上均显著优于“普通回复”。例如，在准确性维度上，思维链回复的平均得分从普通回复的0.54提升至1.14；在逻辑性维度上，得分从0.47提升至1.65。配对样本t检验和效应量分析进一步验证了这些差异的显著性。
思维链提示的有效性
思维链提示显著提升了智能体在解读课堂数据时的准确性和逻辑性，帮助教师更好地识别教学问题并生成个性化的改进建议。
智能体的应用潜力
基于思维链提示的教研AI智能体在解读复杂课堂数据和提供教学反馈方面表现出显著优势，尤其是在准确性、逻辑性和专业性等维度上。
研究局限性
尽管思维链提示在多个维度上表现优异，但在多样性、亲和性和简洁性等方面仍有改进空间。研究者指出，这可能是由于思维链提示设计的侧重性和语言生成模型的限制。
该研究通过构建基于思维链提示的教研AI智能体，探索了从“数据负能”到“数据赋能”的转变路径。研究结果表明，思维链提示能够显著提升智能体在解读课堂数据时的准确性和逻辑性，为教师提供更具针对性的教学反馈。这一研究成果不仅为人工智能技术在教育领域的应用提供了新的思路，也为教师专业发展和循证教研的数字化转型提供了有力支持。
创新性方法
研究首次将思维链提示方法应用于课堂教学智能分析报告的解读，提出了分阶段引导机制和逻辑递进式对话的设计框架。
实践验证
通过63份真实报告数据的实验验证，证明了思维链提示在提升智能体解读能力方面的有效性。
应用价值
研究成果为教师提供了从复杂课堂数据中提取有用信息的工具，有助于实现教学改进和教师专业发展。
研究者建议未来可以从数据集的多样化和情境化、智能体的微调与优化、以及多智能体协同应用等方面进一步探索，以提升教研AI智能体的性能和适应性。
该研究为人工智能技术在教育领域的应用提供了重要的理论和实践依据，具有较高的学术价值和现实意义。