AI赋能教育：教师专业支持体系的重构

今天这篇是我和我的“组员”撰写的小综述。这两年国内外的"人工智能+教育"计划陆续落地，相关研究和实践也在有序推进。我想借这个机会，从“教师专业支持”角度，做一点梳理。

一位教师打开 AI 工具，让它生成一份教案。几秒钟后，教学目标、重难点、课堂活动、板书设计都有了。她又让 AI 出几道分层练习题，请它模拟学生可能出现的错误。

看上去，这就是"人工智能+教育"最顺滑的样子：效率提高了，材料丰富了，教师似乎也轻松了一点。

可是”轻松“显然不是教育工作的主要目的。而且考虑到以下问题，“人工智能+”了以后，不见得真的变轻松了：

这份教案符不符合本班学生的基础？AI 生成的材料有没有事实错误？学生作业能不能上传给平台做分析？AI 初改作文之后，教师还要不要逐篇再看？如果 AI 的学情诊断错了，责任算谁的？学生用 AI 完成了一部分作业，要不要标注？

其实还挺累的，而之所以看上去或者感觉上变轻松了，是因为没有拿到正确的"说明书"。

这里的说明书，不是某个按钮在哪里、提示词怎么写，而是教育意义上的说明书：什么可以用，什么必须慎用，什么不能让 AI 替代；哪些环节可以追求效率，哪些困难必须留给学生亲自经历；哪些数据可以进入系统，哪些判断必须留在人与人的关系里。

这种对边界的需求，正在从教师的个人困惑，变成制度层面的议程。

2026 年 4 月，教育部等五部门印发《"人工智能+教育"行动计划》。这份文件把教师放在关键位置：要制定教师智能素养标准，分层分类开展培训，构建情境化测评系统，推动师范生培养改革，并将人工智能纳入教师资格考试和认证内容。

换句话说，AI 不再只是少数"技术型教师"的个人兴趣，而正在进入教师专业发展的制度框架。

几乎同一时期，《中国教师生成式人工智能应用报告（2026）》在 2026 世界数字教育大会上发布。报告基于全国 30 个省份中小学教师的 8.6 万份有效问卷和约 430 万字文本材料，其中几组数据放在一起，恰好构成一种张力：96.1% 的教师愿意主动学习并尝试更多 AI 工具，92.3% 的教师已经把 AI 融入课堂教学；与此同时，86.0% 的教师最担忧"学生过度依赖导致丧失独立思考能力"。

这组数字提醒我们：一线教师并不符合"技术落后者"的刻板印象。他们在学习、尝试、扩展工具，也在清醒地担心教育的边界。

教师的状态，不是简单的"拒绝 AI"或"拥抱 AI"，而是更复杂的：想用，正在用，但不想把学生的思考、关系和责任一起交给机器。

这种复杂性并非中国独有。Gallup 与 Walton Family Foundation 于 2026 年 5 月发布的美国 K-12 教师调查显示，在 2,069 名公立学校教师样本中，只有 18% 表示获得过关于工作中如何使用 AI 的正式指导；在十类可能用到 AI 的教师任务上，约三分之一的教师表示完全没有得到任何指导。

AI 工具进入教师工作的速度，已经快过学校制度和专业发展系统的响应速度。

要理解这一点，我们不妨回到一个教育学经典概念。

1986 年，斯坦福大学教育学者 Lee Shulman 提出"学科教学知识"（pedagogical content knowledge，常简称 PCK）。他反对把教师专业简单拆成两块：一块是"懂学科内容"，一块是"会一般教学方法"。

好教师真正独特的知识，是知道如何把一个学科内容，转化为学生能够理解的表征、例子、比喻、问题和活动。教师不仅知道"答案是什么"，还知道学生为什么会在这里误解，怎样的解释能把他们带过去。

把这个概念放到 AI 时代，我们会发现：教师专业的核心并没有消失，只是换了场景。

AI 可以生成一组课堂活动，但它不知道这个班最近刚经历过一次考试挫败，学生对这类题已经形成了防御心理；AI 可以批量改写材料，但它不知道某个孩子的表达问题其实不是词汇少，而是不敢提出自己的判断；AI 可以给出"个性化学习路径"，但它未必理解学生沉默背后的羞怯、疲惫或家庭压力。

所以，教师不是提示词操作员。

教师真正需要形成的，是 AI 支持下的学科教学判断：哪些地方让 AI 扩展资源，哪些地方让 AI 提供反馈，哪些地方必须停下来，让学生自己推理、犯错、解释、重来。

工具越强，教师越不能只做工具的搬运者；工具越像能"替人完成"，教师越要判断——哪些完成，其实并不等于学习。

更准确地说，AI 时代的教师要从"学科教学"进一步走向"学科教育"。教师当然要教语文、数学、科学、英语，但他首先是教师，其次才是某一门学科的教师。

也就是说，教师要知道的不只是"这个知识点怎么讲"，还要知道"这个知识点把学生带向哪里"：它训练的，是证据意识、审美判断、数量关系、科学解释，还是与他人共同讨论问题的能力。

AI 可以生成一节课的材料，却不能替教师回答：这节课，服务于怎样的人。

在合适的场合对合适的观众说合适的相声，这是高科技——郭德纲

OECD 在《Digital Education Outlook 2026》中也表达了类似的警惕。报告指出，生成式 AI 可以支持学习，但前提是有清晰的教学原则；如果缺少教学目的和支持，把认知任务外包给 AI，可能只会让作品更好看，而不是让学生真正学会。

OECD 同时强调，有教学目的的教育生成式 AI 应当增强人类的教学和辅导，并保护教师的能动性；把教师专业知识纳入设计过程，与教师和终端用户共同设计，是 AI 工具产生教育价值的重要条件。

UNESCO 的《教师 AI 能力框架》也没有把教师能力简化为工具熟练度。它提出教师需要具备 5 个维度、15 项能力：人本心态、AI 伦理、AI 基础与应用、AI 教学法、AI 促进专业学习。

这个框架很有启发，因为它把"会用 AI"放进了更大的职业伦理与教育目的之中。教师不仅要知道 AI 能做什么，还要知道它不该做什么；不仅要会调用工具，还要能判断工具对学习者权利、课堂关系、评价公平和教师角色的影响。

从这个意义上说，理想的教育 AI 不是替教师做决定，而是成为"助手和合作者"。

它可以帮助教师制订计划、开展教学、形成初步反馈，也可以在写作、评分和学情分析中提供新的证据。但"助手"二字很关键：它的任务是扩展教师的视野、支持学生的学习，而不是把教师从教育判断中移走。

以这篇文章为例，GPT这次是第一作者，Claude是二作（有时候两者互换作者顺序）；但没我这个通讯作者的选题和专业判断，这篇文章一分钱不值。

因此，学校推进"人工智能+教育"，最不该做的，是把教师推到工具推广的末端：发账号、办讲座、布置应用任务，然后让教师各自承担风险。

成熟的 AI 教育，需要把教师专业支持建成一种基础设施。它至少包含四类。

第一类，是清晰的任务边界。学校至少要形成一份教师能看懂、能执行的"红黄绿清单"：哪些任务鼓励使用 AI，比如生成备课素材、改写阅读材料、设计讨论问题；哪些任务可以使用但必须人工复核，比如作业反馈、学生画像、学习建议；哪些任务原则上不能交给 AI，比如涉及敏感学生信息的判断、处分性评价、对学生人格和能力的定性标签。没有边界，教师就只能在焦虑中摸索。

第二类，是学科化的样例。很多 AI 培训停留在"如何写提示词"，但教师真正需要的，不是通用提示词大全，而是语文课、数学课、科学课、英语课各自能用的任务样例。语文教师需要知道，如何让 AI 帮助学生比较论证质量，而不是代写作文；数学教师需要知道，如何让 AI 暴露错误思路，而不是直接给出步骤；科学教师需要知道，如何让 AI 辅助提出假设、检查证据，而不是生成漂亮的结论。

第三类，是持续的教研共同体。Donald Schön 曾把专业人员称为"反思性实践者"，强调真正的专业判断常常发生在行动之中，是边做边看、边修正、边理解的；Lave 与 Wenger 讲"实践共同体"，也是在提醒我们：专业能力不是靠一次培训灌进去的，而是在共同实践中慢慢长出来的。这里可以借鉴课例研究的传统——它不是让教师听完讲座各自回去试，而是围绕少量"研究课例"共同规划、讲授、观察和评论。

AI 教学也需要这样的机制：一个教师设计 AI 参与的阅读任务，另一个教师观察学生是否真的在推理，第三个教师记录 AI 的输出造成了哪些误解，然后大家一起修订任务。这样，AI 使用就不再是个人技巧，而会变成可讨论、可观察、可改进的专业实践。

第四类，是风险复盘机制。AI 在教育中一定会出错：会生成不准确的材料，会误判学生水平，会放大偏见，会诱导学生绕过学习。关键不是假装它不会出错，而是学校有没有机制去记录、讨论和修正这些错误。教师需要知道，遇到 AI 出错时，自己不是个人背锅，而是进入一个共同改进的系统：什么工具出了问题，什么任务设计不合适，什么数据不该上传，什么环节必须人工把关。

当 AI 可以快速生成教案时，教师更要判断：这节课真正要让学生经历什么；

当 AI 可以快速批改作业时，教师更要判断：哪些错误值得被看见；

当 AI 可以快速总结学情时，教师更要判断：学生是否被一个数据标签过早地固定；

当 AI 可以快速回答问题时，教师更要判断：哪些问题，应该留给学生继续思考。

正确的说明书，不会把教师训练成工具的附属品，而会把教师重新放回教育的中心：作为学习目标的解释者、课堂关系的维护者、技术边界的判断者、学生成长的见证者。

AI 进课堂之后，教师并没有变得不重要。相反，教师的重要性变得更清楚了。

因为越是在工具强大的时代，教育越需要有人不断提醒我们：效率不是唯一目标，产出不是学习本身，个性化不是孤立化，智能化也不应替代人的理解、责任和陪伴。

苏霍姆林斯基式的提醒在这里依然成立：一个孩子能不能在学习中建立起自尊，往往取决于他能否感受到教师的善意与期待。

这篇文章相当于为我们这些天重点分析的文件做了个回顾，由于分析体量远大于平时「教育学人AIED」的更新，说明书这个文章主线有些散，但我可以保证每一条数据和事实信息都是准确的，欢迎您在评论区和“通讯作者”反馈您的意见。