信息科技课上第一次打开大模型，课堂很容易滑向一种熟悉的热闹：学生轮流输入问题，屏幕上很快出现代码、图片和成段文字。大家惊叹几分钟，下课时却说不清这节课和一次工具体验有什么区别。

我更愿意把大模型放回信息科技课原来的任务里。学生仍然要处理信息、分析数据、调试程序、制作作品，只是多了一个可以对话的工具。课程目标没有交给模型，学生也不能把任务完整地交给模型。

义务教育课程方案和课程标准（2022年版）强调素养导向和真实情境中的问题解决。2026年发布的“人工智能+教育”行动计划也提出开展跨学科教学，同时要求合理利用智能技术。对一线教师来说，关键并不是再加一节“AI功能介绍”，而是重新安排任务中哪些环节由学生完成、哪些环节允许模型参与。

先别给工具单独安排一节课

如果课堂目标写成“学会使用某个大模型”，教学很快会被产品界面牵着走。今天按钮在左边，明天平台改版；今天流行一套提示模板，下一代模型可能不再需要同样的写法。学生记住的操作步骤很快过期，真正的信息科技能力反而没有显现。

更稳妥的做法是先确定原有任务。例如：从一组资料中找出可靠信息，用电子表格整理校园观察数据，修改一个不能正常运行的小程序，或者为低年级同学制作数字安全提醒。大模型只在任务的某些环节加入，而不是取代任务本身。

判断大模型是否真的成为学习工具，可以看一件事：关掉对话窗口以后，学生能不能解释自己处理了什么信息、作出了什么选择、依据在哪里。

这也改变了教师备课的顺序。过去我们常先准备软件操作步骤，现在要先画出学习过程：学生在哪一步形成自己的判断，哪一步需要模型给出候选方案，哪一步必须核验，最后留下哪些能被评价的证据。工具选择反而应该放在后面。

四类任务里，大模型的位置并不相同

信息科技课常见的任务大致可以分为信息获取、数据处理、程序设计和数字作品创作。它们都能使用大模型，但模型承担的角色不同。把这些角色写清楚，可以避免一句“让学生合理使用AI”包办所有设计。

表格里最重要的一列不是“模型能做什么”，而是“学生先做什么”。如果学生还没有读过材料，就让模型概括；还没有理解字段，就让模型生成图表；还没有说清程序功能，就让模型写完整代码，课堂虽然更快，却失去了观察学生思考的机会。

同样，模型的输出也不能成为唯一材料。它可以提出检索词，但可靠来源仍要由学生打开和判断；它可以解释报错，但程序是否真的修好，要靠测试运行；它可以生成一张图，但画面是否符合表达目的，仍然要回到任务要求。

对话前，先留下学生自己的判断

大模型最容易改变的是学生开始任务的方式。过去学生先尝试，再遇到困难；现在一些学生一看到题目就打开对话框，把思考起点也交了出去。解决办法不是禁止使用，而是在流程里保留一个很短的“人先想”环节。

这个环节不用复杂。数据任务中，学生先圈出自己认为异常的两行；编程任务中，先预测按下按钮后会发生什么；数字作品任务中，先在纸上画出信息顺序。时间可以只有三到五分钟，但要形成一份可见记录。

有了初步判断，学生与模型对话时才有比较对象。模型建议使用柱状图，学生可以判断它是否适合当前数据；模型说错误来自变量类型，学生可以拿自己的预测和实际运行结果核对。没有前面的判断，模型回答往往直接变成标准答案。

我还会要求学生在关键对话旁写一句批注：“我接受这条建议，因为……”“这条回答不能直接用，因为……”。批注不求长，却能让复制粘贴停下来。教师巡课时看到的也不只是聊天记录，而是学生怎样作出选择。

用一份校园节水数据走完一堂课

可以设计这样一个任务：学校准备制作节水宣传页，教师提供一份经过虚构和脱敏的用水观察数据，其中包括日期、区域、用水场景、记录值和备注。数据里故意放入重复记录、空白单元格和一个明显超出范围的数值。

学生先不用大模型，检查字段含义，找出自己认为需要处理的数据，并写下理由。接着在电子表格中完成去重、补充标记和基础统计。做到这里，学生已经处理了信息，而不是把一张表直接交给模型。

随后再引入大模型。学生可以把教师提供的字段说明和一小段虚构数据交给模型，请它提出两个值得分析的问题，或者比较柱状图和折线图各自适合表达什么。这里不要上传真实班级、姓名、设备编号或未公开的校内记录。

模型给出的建议未必都合适。比如它可能把几天的观察值当成长期趋势，也可能忽略不同区域记录次数不一致。学生要回到原表核对，并在分析记录中写明哪些建议被采用、哪些被放弃。这个来回过程，正好让“数据会说话”变成可讨论的问题：数据只有在字段、范围和比较条件都说清楚时，才支持结论。

最后的宣传页可以使用模型协助修改文字或生成装饰图，但图表必须来自学生处理后的数据，主要结论要能追溯到具体单元格。提交时附上原始判断、清理记录、一次关键对话和修改说明。这样即使两个学生的成品相似，教师也能看出他们是否真正完成了数据处理。

评价时，不只收最后一张作品

大模型参与以后，成品质量更难直接代表学习质量。一份排版精美的报告可能来自完整生成，一张普通的图表却可能经过了认真清理和反复核验。评价材料需要向过程移动，但也不能把学生变成聊天记录管理员。

我会保留四类简短证据：使用模型前的初步判断、一段真正影响结果的对话、一项事实或运行核验、最后的修改说明。每类只要一小份，重点是能够说明选择，而不是截取几十页对话。

课堂评价可以围绕三个问题展开：学生能否把任务拆成可处理的步骤，能否发现模型回答与材料或运行结果不一致，能否解释最终作品为什么这样呈现。至于提示词写得长不长、用了多少轮对话，并不是稳定的能力指标。

小组任务还要防止一名学生负责所有对话，其他人只看结果。可以让组员分别承担材料核验、数据或代码测试、作品表达和过程记录，再共同决定采用哪些模型建议。分工不是为了增加表格，而是让每个人都必须接触一次判断环节。

有些任务暂时不用大模型，反而更好

并不是每一节信息科技课都需要加入大模型。学生正在建立基本操作经验时，让模型直接给出答案会遮住问题。例如第一次学习循环结构，亲手跟踪变量变化比让模型解释一遍更重要；第一次认识电子表格公式，自己输入、拖动和发现引用变化，才能形成真实经验。

课堂任务如果只需要记住一个明确步骤，传统演示和练习通常更直接。网络、账号或平台状态不稳定时，也不该让整节课依赖在线模型。教师可以准备几段预先保存的模型回答，让学生完成比较和核验，学习目标仍然能够实现。

UNESCO关于生成式人工智能用于教育和研究的指南强调以人为本、年龄适宜、隐私保护和教学适切性。把这些要求落到课堂，不是增加一段安全提示，而是在选任务时先问：这个年龄的学生是否需要直接使用平台？数据能否脱敏？没有模型时任务是否仍然成立？

先从原有的一节课改起

学校不必为了使用大模型重新设计整套信息科技课程。可以先挑一节已有任务，只改三个地方：模型出现前增加一份学生初步判断，模型参与后安排一次材料或运行核验，提交作品时补一段修改说明。

如果这三个环节能够稳定发生，大模型就不再是答案入口，而是学生用来比较、检查和改进方案的对象。下一步再根据任务特点，把它放进数据处理、程序调试或数字创作中。每增加一种用法，都要能回答同一个问题：学生因此多完成了哪一步思考，而不是少做了哪一步任务。