把大模型带进机房并不难。打开一个对话页面，演示几种提问方法，再让学生生成一段文字或一张图片，一节课很快就能热闹起来。真正难的是下课以后怎么回答一个朴素的问题：学生今天到底学会了什么？
如果答案只是会输入提示词、会复制结果、会让模型把文字改得更漂亮，这节课的价值就很有限。工具界面会变，模型能力也会变，今天好用的提示模板过一段时间可能就失效。学校里的人工智能课不能跟着某个产品的按钮走，它要留下能够迁移到下一种工具、下一次任务里的能力。
别让生成结果遮住学习过程
课堂热闹，容易制造一种错觉：学生很快拿到了完整答案，看上去比过去完成得更好，于是课堂似乎也更高效。可一旦追问为什么这样写、哪一句来自可靠材料、模型有没有说错、如果换一种要求该怎么改，部分学生就答不上来了。
问题不在于学生使用了人工智能，而在于学习过程被结果遮住了。过去做一张宣传卡，教师能看到学生怎样查找资料、筛选信息、安排版面。现在模型几秒钟就能给出成品，原本可见的思考过程被压缩在对话框里。如果课堂只收最后一张图或最后一段文字，教师很难判断学生做了什么。
判断一堂大模型课是否站得住，可以换一个工具再问一次：即使明天不再使用今天这个模型，学生学到的东西还在不在？
能够留下来的，不是某条万能提示词，而是把问题说明白、对机器回答保持怀疑、用材料核验信息、根据理由修改作品，以及知道哪些数据不能交给模型。UNESCO 的学生人工智能能力框架同样强调以人为本、伦理、技术理解和系统设计等维度，目标是让学生成为负责任的使用者和共同创造者。
人工智能课和信息科技课，目标并不完全相同
两门课都可以使用大模型，但不能把教学目标写成同一套。人工智能课更关心模型是怎样工作的、它为什么可能出错、人与机器怎样分工。信息科技课则更关心如何借助工具处理信息、解决问题和完成数字作品。
例如，同样是让模型生成校园节水建议，人工智能课可以比较不同提示下的回答，找出模型凭空补充的内容；信息科技课可以要求学生先整理用水场景，再把可靠材料交给模型，最后完成一份适合本校的宣传作品。工具相同，学习重点不同。
把学习目标落在六件具体的事上
大模型课程不必一开始就讲很多术语。对小学生来说，下面六件事已经能构成一条清楚的学习主线。
把问题说清楚。学生需要说明对象、目的、限制和输出形式，而不是只输入一句“帮我写一下”。
先留下自己的判断。使用模型前先写下想法、画草图或列出要点，避免把思考的起点也交给机器。
给模型必要的材料。让学生区分任务材料、背景信息和无关信息，也知道姓名、联系方式、账号、照片等内容不能随意上传。
检查模型的回答。核对事实、计算过程、引用来源和是否真正符合任务要求，不能因为语言流畅就默认正确。
根据理由修改。不是简单地让模型再写一遍，而是指出具体问题，决定哪些保留、哪些重写。
解释自己的选择。学生要能说清楚模型帮了什么、自己改了什么、最终结果为什么这样呈现。
这里没有要求学生背固定句式。提示词只是表达任务的一种方式，背下“角色、背景、要求、格式”四个词，不等于真正理解任务。课堂要评价的是表达是否准确、材料是否充分、判断是否有依据。
课堂设计时还有几个容易跑偏的地方。最常见的是把“提示词写得越长越好”当成学习成果。学生按模板补空，确实容易得到整齐的答案，但他们未必理解为什么要提供这些信息。更合适的做法是先给一个故意说不清的任务，让学生观察模型会怎样误解，再根据出现的问题补充条件。
另一个问题是教师演示得太多。教师与模型对话往往很顺，学生看完觉得自己也会了，真正操作时却不知道如何处理意外回答。课堂时间应更多地留给学生比较失败的对话。一个没有得到理想结果的提示，如果能说清失败原因，比直接复制教师的成功版本更有学习价值。
还要避免全班提交几乎一样的作品。当所有学生使用同一段提示、同一份材料和同一种格式时，作品整齐，却看不到个人判断。可以让学生自己选择读者、使用场景或表达方式，再要求他们说明选择依据。这样既控制了任务范围，也给思考留下空间。
一堂课可以怎样组织
以给低年级同学制作网络安全提醒卡为例，教师不必先教一组提示词公式，可以把课堂安排成一段完整的解决问题过程。
先看情境。教师提供几条经过处理的虚构网络消息，让学生判断其中有哪些风险，并写下理由。
形成初稿。学生不用大模型，先列出提醒卡必须包含的内容，决定读者是谁、语气应该怎样。
与模型对话。学生把任务和教师提供的安全材料交给模型，请它提出修改意见或生成一个备选版本。
逐项核验。学生用教师给出的可靠材料检查模型回答，标出错误、遗漏和不适合低年级学生理解的表达。
完成作品。学生自己决定最终内容和版式，并附上一小段修改说明。
这样的课堂里，大模型没有替学生完成任务，它制造了一个可以比较、质疑和修改的对象。即使模型第一次回答得很好，学生仍然需要说明为什么采用它；如果回答有问题，错误本身也能成为学习材料。
教师还可以有意改变条件。例如把读者从一年级学生改成家长，或者把海报改成一分钟口头提醒，让学生观察原来的表达为什么不再合适。这样训练的是根据情境调整方案，而不是反复润色同一段话。
评价时，别只收最后的作品
大模型参与以后，成品质量与学生真实投入之间不再是简单的对应关系。一张漂亮海报可能几乎由模型直接生成，一张略显笨拙的作品反而保留了学生认真核验和修改的过程。因此，评价材料至少要包含任务分析、初步想法、关键对话、核验记录和修改说明。
这个比例不是固定标准，可以随年级和任务调整。关键是把核验、修改和解释纳入评价。若教师只给最终作品打分，学生很快会学会追求更像成品的输出，而不是更可靠的思考过程。
教师在课前还要处理几条边界
第一，确认平台的账号方式和使用要求。学生是否需要独立账号，使用记录由谁管理，家长是否需要知情，这些问题应在课堂前解决。
第二，提前划定不能上传的内容。真实姓名、联系方式、家庭信息、未公开的学生材料和带有清晰人脸的照片，不应作为课堂练习素材直接交给外部模型。
第三，准备不用模型也能完成的备选流程。网络、账号或接口可能临时不可用，课堂不能因此停摆。打印好的模型回答、教师提前保存的对话记录，都可以用来完成比较和核验活动。
第四，不让模型承担最终评价。模型可以帮助归类、寻找表达问题或生成反馈草稿，但学生是否理解、作品是否达成学习目标，仍然需要教师依据课堂证据判断。
第五，教师要先试做一次完整任务。重点不是得到一份漂亮答案，而是提前找到模型可能犯错的位置、学生容易直接复制的位置，以及适合停下来讨论的位置。UNESCO 关于生成式人工智能教育应用的指南也强调数据隐私、年龄适切和以人为本的教学设计。
先从一节小课开始
学校不需要先建一套庞大的人工智能课程，才开始尝试大模型。可以先挑一个原有的信息科技或人工智能任务，只改三件事：要求学生使用模型前留下初步判断，使用后完成一次事实核验，提交作品时说明自己做过哪些修改。
如果这三件事能够稳定发生，大模型就不再只是一个答案生成器。学生开始学着向机器表达需求，也学着不轻信机器；他们会使用工具，但不会把判断交出去。这才是大模型进入学校课堂以后，值得被教、也值得被评价的内容。
参考资料
人工智能课里，大模型到底要教什么
本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
评论交流
欢迎留下你的想法