欢迎访问《中国医药导报》编辑部！

在信息技术高速发展的当下，国内外教育领域正经历一场由人工智能（artificial intelligence，AI）技术引领的深刻变革。在教育理念上，国内外均倡导“素养本位”，强调个性赋能与跨界共生，旨在培养学生的综合素养、创新能力和跨学科整合能力[1]。在教学模式上，人机协同、智慧课堂和项目式学习成为主流[2]。AI技术不仅优化教学环境，实现实时互动，还为教师提供丰富的教学资源和工具支持[3]。同时，学生也能够在AI的助力下进行自主学习和探究，实现个性化学习路径。

作为生命科学核心学科的生物化学与分子生物学，其教学内容涉及生物分子的结构与功能、物质代谢与调节及基因信息传递与调控等复杂知识体系。当前生物化学与分子生物学教学中普遍存在的“重知识灌输、轻能力培养”现象，与新课标倡导的以学生为中心、以产出为导向、持续改进的教育目标存在明显落差。传统教学模式在知识传递效率、学习个性化体现、评价方式适配等方面均面临显著挑战[4]。如何将AI技术与生物化学与分子生物学的“教学评”深度融合，探索既能突破传统教学模式局限性，又能有效培养生物化学领域创新型人才的教育新范式，其实践价值不仅体现在提升课程教学效能，更在于为生命科学领域人才培养模式创新提供可复制的解决方案。

1 创新模式整体框架

本教学模式面向基础医学专业，以“五环联动”为设计理念，依托智慧课程平台，以培养方案为指导，基于生物化学与分子生物学的学科特点及基础医学的培养目标，将能力目标拆解为知识建构能力、实验设计能力、问题解决能力、科研思维能力4个维度，每个维度下设可量化、可观测的具体学习目标和评价标准。并据此将理论课的教学内容重构为“基础-科研-临床”的三维知识点网络。通过AI算法对重构的教学内容进行知识图谱建模，构建覆盖课前准备、理论课堂教学、实验课堂教学、自主学习和教学评价的完整闭环系统。

2 各环节的具体呈现

2.1 课前准备

教师结合学生学情数据制订基于任务的个性化教学方案。平台内置的智能任务分配系统能够根据学生的知识基础和认知特点，将课程自身的教学资源自动生成分层次的学习任务包，包含预习微课、交互式知识卡片和测试题。教师校对后即可发放给学生，学生可通过移动学习终端接收任务包，利用知识图谱导航功能进行有目的的预习，平台实时采集学生的预习轨迹数据，为后续教学调整提供依据[5]。

在此环节中，任务的“可完成性”是整个方案能否顺利实施的第一道门槛。如果任务分配不当，导致大量学生无法完成，方案即告失败。其影响因素是多方面的，比如学情诊断的精准度，如果学情数据仅基于一两次测试成绩，而忽略了学生的学习风格、知识盲点、努力程度和情绪状态，那么基于此推荐的任务可能并不真正适配；任务设计的科学性，如果没有足够的基础知识和技能点作为铺垫，并且在学生遇到困难时，不能自动提供提示，或推送相关范例或微课，这样的设计并不能真正帮助到学生。除此之外，如果学生存在畏难情绪、拖延症或缺乏内在动机，还需要教师介入进行引导。基于这些考虑，本课题组对任务完成率、任务平均耗时、任务放弃率、求助频率等数据进行了收集和分析。一旦发现异常，教师需及时调查原因并调整方案。

完成任务只是过程，提升学习质量和效率才是最终目的。低质量的完成，如猜答案、抄袭等，同样意味着方案的失败。因此，本课题组设置了平台评分、教师评价、学生自评/互评及阶段性评价，形成了一个多维度的学习质量评估体系。对于简单任务，比如选择题、填空题，平台可以即时提供正确率、用时分析等数据，并标记出错误知识点；对于复杂任务，平台会记录学生的操作路径、试错次数、在某个知识点上的停留时间等过程性数据。平台提供数据和支持，但教师的专业判断、情感关怀和临机决断无可替代。教师是方案的“首席执行官”和“最终决策者”。通过线上讨论区的发言质量、小组项目中的表现、学生录制的讲解视频等，教师需要审视平台无法捕捉的维度，比如思维的创造性、解答的简洁性、知识的迁移能力等。

2.2 理论课堂教学

课堂教学采用“AI富媒体教学资源+对分课堂”的“精讲-独学-讨论-对话”模式[6]。教师聚焦核心理论进行精讲，预留时间让学生结合临床病例、前沿进展进行分组研讨及结果展示，以实现将知识内化为能力的转变。

2.2.1 精讲环节教师聚焦核心概念和关键理论，采用框架式讲解而非面面俱到。例如，在“酶的工作原理”这个知识点的讲解中，教师重点解析酶活性中心的组成与催化机制，同时巧妙留白，激发学生探究欲望。这一阶段强调少而精，通常占课堂时间的1/3～1/2。

2.2.2 独学环节教师预留问题或作业，学生根据教师提供的AI富媒体资源，比如3D分子模型动画、微课等，进行个性化深度思考或学习。这段独立思考时间对学生知识内化至关重要，它不同于传统预习，而是基于教师引导下的定向探索。通常占用较少课堂时间。

2.2.3 讨论环节学生4～6人一组，围绕教师在独学环节之后提出的临床病例或科学问题展开讨论。例如，分析某病例中特定酶缺陷导致的代谢障碍机制。这一阶段教师可以旁观或适时参与，引导学生先解决基础问题，再凝练出高层次探究问题。此环节用时通常与精讲用时相当。

2.2.4 对话环节师生共同梳理知识脉络。教师针对各组展示中的共性问题进行深度解析，同时引导学生将理论知识与临床实践或科研前沿建立联系。比如，在“RNA结构与功能”知识点的教学中，教师引导学生讨论mRNA疫苗的设计原理，实现从理论到应用的知识迁移。此环节的用时由教师把控，可长可短，如果仍有遗留问题未解决或未总结到位，可留为作业。

在此模式下，AI可以多种形态存在或融入[7]。比如，在精讲环节，教师可通过AI教学中心进行三维分子结构动态演示、代谢通路模拟等可视化教学。课堂互动过程中，AI课堂助手可协助教师让学生通过问卷投票、头脑风暴、随机点名等方式参与课堂活动。平台配备的AI助教可实时解析学生提问，并生成精准的解答建议，而AI智能分析系统可同步采集学生的参与度数据并实时反馈给教师，教师可根据反馈信息调整教学节奏，形成教与学的动态协同。

2.3 实验课堂教学

在理论教学内容重构的同时，本课题组以培养科研创新能力和临床转化能力为目标导向，将实验教学内容由原本的全命题式综合性实验，更改为学生可自主选择模型和检测指标的半命题式设计性实验。学生通过设计并实施“生理/病理状态诱导-基因表达分析-功能指标验证”的阶梯式研究项目，完整地经历科研全流程，从而系统性地培养科研思维。在此过程中，学生可依据自身的科研兴趣，与教师协商确定具体的实验方案，包括所需的动物模型、分子生物学及血清学检测指标等。这种可支配的自主选择权，即使是在一定框架内，也显著提升了学生的参与度和责任感。

再加上虚拟仿真实验和智慧课程平台上自选式阶梯任务等特色训练方式的加持，使学生不再是知识的被动接受者，而是成为能够深入实验细节，对为什么提出这样的科研问题、为什么检测这些指标、为什么得出这样的结论等科研问题有全面思考的深度参与者和探索者，真正实现“以学生为中心”的教学理念，为培养具有创新精神和实践能力的复合型人才提供有效路径。

2.4 自主学习

在自主学习阶段，智慧课程平台通过采集多维度的学习行为数据（包括学习时长、资源访问路径、互动频率和测评结果等），为每位学生构建动态更新的个性化知识图谱，并推荐适配的拓展学习资源。这些资源系统整合了智慧课程、MOOC课程、虚拟仿真实验和科研案例库，支持学生开展探究式学习。学习过程中，智能系统能够实时提供动态支持，包括知识点关联提示、实验方案优化建议及文献引证辅助等。而且，平台还为学生配备了多项实用工具，比如学术前沿追踪工具，实时筛选并推送与学生当前知识水平相匹配的最新研究文献，在适配学生能力水平的同时，也实现了图谱的自生长[8]。

教师端部署的智能辅导系统实现了对学生学习过程的动态监测与差异化干预。具体而言，教师通过智能辅导系统动态监测学生的学习进度，针对群体共性问题可辅助生成微课视频进行深入讲解，针对个体差异问题可提供定制化辅导方案。平台内置的智能诊断功能也可识别学习盲区，自动生成知识强化训练包，从而形成精准的学习支持网络。

不仅如此，教师还为学生配套与教学大纲内容和进度一致的试题库。利用智慧课程平台上的双向细目表功能对导入的试题从认知、题型、难度和测评类型等多个维度进行细分和归类，让学生在自主学习之余可随时随地检测自己对知识点的掌握程度，做到对自身的薄弱点和遗漏点了如指掌。进而，学生就能针对这些薄弱点和遗漏点进行专项训练或申请教师个别辅导，有效解决了自主学习中的盲目性问题。

2.5 教学评价

教学评价体系突破了传统单一维度的评估框架，构建多维动态的评价指标与方法体系，以实现对学习过程的精准诊断与教学策略的持续优化[9]。本体系中的“多维”并非简单并列或等权处理，而是依据教学目标的层次性，对不同维度赋予差异化权重。具体而言，知识掌握程度是核心基础维度，权重最高，约40%，其评估兼顾理论理解（如测验成绩）与实践应用能力（如实验报告质量）；能力培养是关键发展维度，权重次之，约35%，聚焦问题解决（如方案设计有效性）、创新思维（如想法的独特性）与协作能力（如小组贡献度）等高阶目标；学习态度与参与度是重要支撑维度，权重约占25%，依托AI技术对学习行为数据（如课堂互动频次、自主学习投入度、任务完成及时性）进行深度挖掘与量化评估。因此，改革后的教学评价体系采用“数据驱动+多维分析”模式，除了终结性评价数据外，还整合课堂参与度、实验操作规范性、自主学习投入度等多维度形成性评价数据[10]。智能评估系统从学生学习行为日志中提取特征参数，以可视化图表呈现评价结果，既包含知识掌握水平的量化指标，也涵盖高阶思维能力的发展轨迹。系统自动生成个性化学习报告，为教师调整教学策略提供科学依据，同时为学生制订改进方案提供数据支撑，最终实现“教学评”各环节的有机衔接与持续优化。整个框架通过AI技术实现教学数据的全程贯通，有效提升了教学过程的精准性和教学评价的科学性。

3 总结与展望

基于AI技术的生物化学与分子生物学创新模式的构建，不仅重构了传统教学方法的技术支撑体系，更重要的是通过AI技术实现了教学内容的精准供给、学习过程的动态适配与教学评价的智能反馈。这种以技术为驱动的教学模式转型，为生物化学与分子生物学课程的教与学提供了新的范式选择，也为实现教学评一体化目标奠定了基础。

然而，本研究构建的AI赋能教学评一体化模式仍处于实践探索阶段，尚存在若干亟待完善之处。首先，教师运用AI的能力与智慧教学系统操作的复杂性，仍存在诸多挑战。当前多数教师尚未系统掌握AI工具的深度应用方法与策略，仍停留在基础功能使用层面，难以实现从“技术使用者”向“AI赋能的教学设计者”的角色转变。未来应加强对教师的专项培训与技术支持，并推动平台进一步优化人机交互设计，以降低技术操作门槛。其次，虽然现有评价维度的权重设置已初步区分，但尚缺少灵活的动态调整机制。例如，在课程初期，知识掌握权重可适当上调，以夯实基础；随着课程推进，逐步提高能力维度的权重，引导学生聚焦高阶思维发展。这种权重上的微调，对于个性化评价的实现非常重要。后续需引入更灵活的权重动态调整机制，以增强评价系统的情境感知与自适应能力。再者，跨学科协同机制尚未健全。生物化学与分子生物学教学评一体化模式的纵深发展，亟须整合教育学、计算机科学、认知心理学等多学科理论和方法，但目前跨学科合作仍面临沟通壁垒与资源整合难题。未来应积极推动跨学科团队建设，促进理论、数据与实践的深度融合。此外，AI生成的个性化学习路径与资源的科学性、有效性仍需大量实证研究予以验证，尤其在生物化学实验操作技能等高阶能力培养方面，AI的辅助效果仍有待进一步检验。

今后，可以从以下方面持续改进：①开展教师AI教学能力提升计划，推动教师真正成为AI赋能教学的设计者与主导者；②研发更智能、开放的评价管理模块，支持多策略、可定制的动态评价机制；③积极构建跨学科合作平台，深化教育理论与AI技术的融合创新；④开展长周期、大样本量的实证效果评估，尤其关注AI在促进学生科研创新能力与临床转化方面的实际成效。随着AI技术的持续迭代与教育场景的深化适配，生物化学与分子生物学教学评一体化模式有望实现从单点突破到系统优化、从局部应用至生态构建的跨越，最终为推动生命科学教育质量的全面提升提供稳定、可靠、可持续的路径。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[1]张华.小步快走建设素养本位课程教学新体系[J].基础教育课程，2024（2）：25-26.

[2]魏蔚，邓淼磊，蔡成欣，等.高校项目式学习的教学方法研究[J].科教导刊-电子版（中旬），2022（3）：159-160.

[3]李佳，谭英磊.人工智能时代高校教师角色认同困境及突破路径[J].黑龙江高教研究，2025，43（2）：102-108.

[4]喻国明，李钒，滕文强.AI+教育：人工智能时代的教学模式升维与转型[J].宁夏社会科学，2024（2）：191-198.

[5]李红艳，毛运恒，陈志浩.基于知识图谱的高校教学方法多元化分析[J].社会科学前沿，2024，13（7）：744-751.

[6]刘海涛.BOPPPS模型和对分课堂相结合的本科有效教学模式探析[J].教育评论，2023（9）：127-134.

[7]祝智庭，赵晓伟，沈书生.融智课堂：融入AI大模型的创新课堂形态[J].电化教育研究，2024，45（12）：5-12，36.

[8]吴忭，李凤鸣，胡艺龄.生成式人工智能赋能本科生科研能力培养—ChatGPT支持的CUREs教学模式[J].现代远程教育研究，2024，36（3）：3-10.

[9]唐金杰，张慧.新教改背景下多元评价方法在高校教学评估中的应用[J].大学（教学与教育），2024（9）：87-90.

[10]方武，陈英姿，李俊.课程考核评价的数智赋能分析方法[J].科技风，2025（13）：128-132.

【作者机构】	河北医科大学基础医学院生物化学与分子生物学教研室；河北医科大学教务处
【分类号】	G642.1
【基金】	河北省高校人工智能赋能教改专项课题（2025 RGZN004）。

人工智能赋能生物化学与分子生物学教学评一体化新模式探索

目录

文内图表