备课素材：生成式人工智能在高中生物学考试命题中的应用测试及建议

生成式人工智能在高中生物学考试命题中的应用及建议 生成式人工智能(GenA)是一种用于创建新的内容和想法的人工智能,它可以按照一定的逻辑关系,助用户将散落在网络各处碎片化的、有待加工的信息资料进行整理和归纳,同时模仿人类的思维和语言表达习惯进行输出"。2022年11月，ChatGPT 横空出世,所拥有的强大的启发性内容生成能力、对话情境理解能力等,为生成式人工智能在各行各业中的应用提供了可能性。 1、成式人工智能在考试命题中的应用测试 Kimi 是由 Moonshot Al 提供的一款生成式人工智能大模型,具有信息检索和文件阅读能力,较为符合基于核心素养测评的主题式命题需求。生成式人工智能可以辅助教师完成考试命题的各环节工作,在扩展信息容量,提高工作效率方面具有显著优势,但是尚无法生成直接可用的试题,还需要教师将整个命题任务分解成多个具体任务。 1.1整理信息,提供情境资料 提示语(prompt)是由用户输人,用于与生成式人工智能对话,并引导产生期望的反馈的指令。提示语的结构:角色+任务+要求。 其中角色是对话中生成式人工智能扮演的角色,如高中教师：任务是生成式人工智能要完成的任务；如编写试题：要求是任务的具体需求和结果等详细信息 如分析所提供的论文,设计 300 字试题情境。 设计如图1所示提示语进行测试,Kimi检索资料作为参考,经组织整理后提供反馈。 生成式人工智能基本可以替代教师人工收集整理网络资料的过程,取代相对简单重复的脑力活动,但人工智能大模型所参考的资料大部分为通用资料,纳入的科研文献较少,专业性有所不足。 1.2 挖掘考点,生成考试试题 挖掘情境中潜在的考点并编制试题是命题过程中的关键步骤,命题中使用文本阅读功能,可以阅读 TXT、PDF 等格式文件。教师 选定命题情境后上传给Kimi,再根据提示语引导Kimi作出反馈。 编制的测试题干:抗体是由两条完全相同重链和两条完全相同的轻链构成的。不同的抗体重链和轻链头部的氨基酸序列差异很大,称为可变区;尾部的氨基酸序列相对稳定,称为恒定区。重链相关基因均定位于14号染色体:其中,V基因由45个片段构成,D基因由23个片段构成,」基因由6个片段构成。当免疫细胞被抗原激活后,RAG酶识别并切割特定的碱基序列,从V-D-J3个基因中各切取一个片段,再与C基因共同组装出一个特异性的重排基因,该过程称为VDJ重排。 测试 Kimi 挖掘测试题干中考点的能力(图2),可见除了提示词中预设的3个角度外,Kimi 还挖掘出测试题干与细胞结构、单克隆抗体、生物多样性等方面的联系,为命题提供了新思路。 继续选择“细胞的结构和功能”角度,进一步测试 Kimi 基于情境生成试题的能力,结果如图3。 生成式人工智能可以辅助教师快速阅读科研论文等长文件,总结其中的关键信息,开拓命题思路,发现更多潜在的命题切入点,但其直接生成的试题对学生思维水平的要求相对较低,与课标的匹配程度也不高,尚无法有效地测评核心素养水平。 1.3 处理文字,优化题干文本 试卷主体编制完成后,还需要根据试卷总体情况和学生情况调整部分试题文本,使文字更为通顺简洁,阅读量更为适宜。使用 上述测试题干,测试生成式人工智能的文字处理能力,结果如图4。 Kimi 按要求缩短了文本,表达较为流畅,且可以要求 Kimi 反复修改文本,直到满意为止。 生成式人工智能可以辅助教师在半成品基础上进一步修改文本,更容易完成题干文本的增减、润色工作,显著提高工作效率。 同时,教师还应注意识别经生成式人工智能处理后的文字是否存在科学性问题，后续的人工审读环节依然不可或缺。 2、利用生成式人工智能辅助命题的问题和建议 从长远看,人工智能在教育教学中的应用势不可挡,相应的教育教学实践过程也将发生显著变化。在考试命题方面,将使之从传统的以教师经验为主、集体智慧结晶的模式,逐渐演变为人机协作命题,即先由人工智能产生情境和半成品试题,再由教师人工修改审核成题的新形态。最终,教师的角色将更专注于发挥人脑复杂决策的优势,由试题的“生产者”转变为“监督者”。在这一天到来之前,仍有一些问题有待阐明或解决。 2.1 基于生物学学科核心素养测评的命题实现 依据课标的要求,在考试中落实基于生物学学科核心素养的测评,要求学生能迁移应用学科知识,解决“真实情境”中的“真问题”。因此,所命制的试题情境中应具有一定的冗余信息,设问的指向不明确,具有较强可探究性,需要学生在回答问题时综合运用学科知识从不同角度,用不同的方法进行分析。这些特征给命题工作带来了较高的专业性。 生成式人工智能在给定情境下直接产生的试题信息复杂度较低,设问的指向性往往非常明确,对学生思维水平的要求低,与课标匹配度也不高,无法有效测评核心素养,需要教师进行较大的修改才能使用。主要原因可能是,现有的人工智能大模型都是由海量通用数据训练而成的大型语言模型(LLM)，尚无法满足基于核心素养测评的主题式命题的专业性要求,需开发由课程标准、科研论文、高校教材、成熟的生物学试题等作为数据集训练而成的,可专门用于命题的小型语言模型(SLM),以进一步提高试题生成的有效性。 2.2 一线教师数字素养不足的障碍 教师是教育数字化转型的关键要素,数字素养是数字化时代教师的必备素养。教育部发布的《教师数字素养》标准指出: 教师数字素养是教师适当利用数字技术获取、加工、使用、管理和评价数字信息和资源,发现、分析和解决教育教学问题,优化、创新和变革教育教学活动而具有的意识、能力和责任。 基础教育教师对人工智能在教育变革中的价值认识不足,尚未认识到人工智能给教学带来的便利,导致使用人工智能开展数字化实践的意愿不够,与此同时目前也较为缺乏人工智能实践应用技能的学习机会。 以生成式人工智能的辅助命题为例,提示语是人机协同的桥梁,过于简单的提示语往往不能产生预期结果。教师必须自行摸索设计高质量的提示语。然而,教师并非人工智能领域的专业技术人员,虽然各种大模型普遍具有提示优化功能,但是为生成式人工智能设计一段适当的提示语仍然不简单,需要经历多次试错过程和积累相当的使用经验。建议相关部门根据基础教育教师的需求,组织编制适用于不同教育场景的常用提示语“词典”,降低生成式人工智能在基层推广的门槛,提高教师的认识和使用意愿。 2.3 对教师学科教学知识发展的潜在影响 命题知识和技术是教师的专业能力,是教师学科教学知识的组成部分。一般来说,教师需要在日常命题实践中,经历命题、磨题、审题等过程,通过与高水平同行的互动交流才能逐步提高,而目前的生成式人工智能只能被动地回应接收到的提示语,还不能理解深层次的语义和情感,也不能进行复杂的人际互动,尚难以模拟出真实的命题互动过程。但生成式人工智能可以高效地协助教师完成资料收集、考点挖掘、试题生成题干优化等命题过程中的关键环节,能够有效降低命题成本,同时大幅增加可用的题目数量,具备明显的优势。 学科网（北京）股份有限公司 $$