Google 研究用生成式 UI 让教师创建互动学习模拟

数字教育工具已经改变了全球学生获取信息的方式，从在线教科书到视频库。然而，尽管技术和可及性取得了显著飞跃，数字学习往往仍让人感觉是一种被动的体验。互动式、引人入胜的多模态练习形式能够鼓励学生独立思考并逐步解决问题，具有巨大的学习潜力，但在很大程度上仍难以普及。这类内容的创建成本高昂、数量有限，且往往需要教师投入更多精力。我们希望看看 AI 能否帮助弥合这一差距。

今天，我们分享最新研究，推动互动式学习的前沿。我们的新研究实验允许教育工作者创建定制化、互动式、引导式的教育模拟。这些学习互动内容根据教师的教学目标和课程量身定制，并动态生成，利用了我们针对学习优化的生成式用户界面（GenUI）的新颖应用。

在从可信测试者群体中获得教师初步的积极反馈后，我们还发布了一个示例库，包含 30 多个英语学习互动内容，涵盖物理、化学、生物和数学等 STEM 科目，重点面向初中和高中。这些内容全部由 AI 生成，并由教师审核。使用 Google Workspace for Education 的学校可以通过Google for Education 试点计划注册并提供反馈，以改进学习互动内容。该试点是开发更多面向公众使用的学习互动内容的早期一步。

主动学习的理由

学习不是一项旁观者的运动。从基础教育教学理论家 John Dewey 在 1916 年提出我们应该“给学生一些事情去做”，到颇具影响力的心理学家 Jean Piaget 的开创性工作展示了学习者如何建构知识，学界早已确立：学生通过主动参与能学得更好。现代认知研究，如ICAP 框架，证实互动行为始终比被动听讲或阅读能带来更深层的图式建构和长期记忆保持。简而言之，学生通过实践来学习。当学生主动实验、检验假设并解决问题时，他们会构建出更加完整的心理模型。

主动学习是我们在研究中优化的关键学习科学原则之一。它是 LearnLM 的基础——这是 Google 于 2024 年发布的专为教育微调的生成式 AI 模型系列，并在 2025 年的 Learn Your Way 研究实验中得到了探索，该实验利用生成式 AI 重新构想了经典教科书。在此前研究的基础上，我们着手探索如何利用生成模型的最新进展来进一步改造内容，帮助教师创建更加主动、更具吸引力的数字学习体验。

为教育适配生成式 UI

为实现这一目标，我们转向了生成式 UI，这是一个活跃的研究领域，AI 模型动态构建用户界面，而无需预先编写这些界面。

我们探索了如何优化生成式界面，以支持更深入的教育旅程，而非快速交互。通过精心引导的教学设计和教学护栏，我们希望赋能教师创建自己的互动环境——针对他们的课程量身定制，并适应他们的情境输入。

教学设计

我们首先试图确定什么是优质的互动学习体验。我们借鉴了成熟的学习科学，定义了若干关键教学原则，这些原则与LearnLM开发背后的原则相一致：

• 与课程及教师认可的学习目标保持一致（例如，在地球科学中，比较不同程度的云量如何影响当地温度，并预测风速和风向如何影响天气模式）。
• 促进主动的、基于探究的学习，这需要动机和引导两者兼备才能有效。
• 确保每个模拟在事实层面准确无误。

这些原则在我们的游戏化学习设计中得以体现。为了激发动机，每个学习互动都设有一系列难度递增的挑战，这些挑战基于学习目标（例如，在上述地球科学的例子中，第一关聚焦于温度，之后再推进到关于快速变暖和风暴的更难挑战）。与此同时，还配有一套支架式提示、指令和反馈（例如，引导学习者找到相关公式，或解释某个特定术语），为每位学习者提供完成每一关所需的支持。

我们定义的生成要求包括：

1. 清晰阐述学习目标：按照设计，教育者处于主导地位，并提出他们想要聚焦的主题。随后，我们生成一组精确且连贯的学习目标。这些目标可以修改，并可根据课程目标进行定制。它们必须得到教师的认可，并作为生成学习互动的基础。
2. 结构化的游戏关卡：我们借鉴游戏化学习的要素，将每个复杂主题拆分为多个关卡，每个关卡都有与学习目标一致的明确目标。学生通过一系列难度递增的挑战来探索主题（参见下方视觉图顶部的关卡递进）。这促进了主动实验，并通过将刻意练习与适度挑战相结合来维持学习者的动机，随着学生在日益复杂的概念上日益熟练，培养其不断增强的胜任感。
3. AI生成的支架：为了有效引导学习者完成各关卡，我们生成了一套支架式指导。如下所示，这包括一段用于激活学生先前知识的引言、一个包含相关公式和理论的工具箱、多级提示、反映特定回答为何有效或无效的定制反馈，以及在学生自主探索之后用于巩固理解的完整解答。这些内容都与教师和学生一起进行了测试和迭代。通过提供实时、情境感知的指导，而非简单地揭示答案，我们鼓励批判性思维，并帮助学生自己找出解决方案。

带有教学护栏的迭代生成

为确保质量控制，我们在生成过程中内置了自我纠正循环——这意味着它是一个由多项教学护栏驱动的迭代过程。虽然这会增加生成最终学习互动内容所需的时间，但强力的强化循环能确保更严格地遵循质量标准。这些标准包括教学性（例如，各关卡是否正确覆盖了学习目标并逐步提高难度？）、机制（例如，按钮是否有效？该关卡是否可解？）以及视觉方面（例如，界面上是否存在可能分散注意力的冗余对象？）。在自我纠正循环中，包含本质上是智能体式的自动评估流程（例如，可解性评估会打开一个 Chrome 实例，并像用户一样与模拟进行交互）。目标不仅是测试特定解决方案的有效性，还要尝试对抗性操作，例如将旋钮调到极端值。自我纠正循环会反复进行，直到生成的结果满足所有必需的标准。

由 AI 生成，经教师审核

在我们的整个研究过程中，一个核心指导原则是技术应当服务于教育工作者及其目标。教师是任何课堂的核心，也最有能力不仅理解哪些 AI 驱动的模拟能吸引学生，还理解它们应在何时、何处融入课程。库中发布且现已可用的所有学习互动内容均由教师审核并批准。这些内容包括学校课程中的主题，例如开普勒行星运动定律、数据可视化和抛体运动。

此外，英国的一批 STEM 教师对一组学习互动内容进行了评估。结果显示，总体评分为良好或优秀，其中物理和化学最适合创建模拟。完整细节和结果见我们的技术报告。

我们还与美国 12 名教师开展了一项初步研究。每位教师都请求了三个不同的定制互动内容，这些内容是为其特定课堂需求生成的。反馈非常积极，教师对互动内容质量的评分平均为 8 分（满分 10 分）。教师们强调了动态生成如何解决一个长期存在的课堂挑战：无法使用静态的现成模拟实现差异化教学。正如一位高中科学教师所解释的：“如果我在教学时能输入这个［针对任何课程主题］，然后就能［生成］一个模拟，那会很棒……我一直无法对任何模拟进行差异化调整，因为现实就是，你得到什么就是什么。”

教育工作者还指出，生成的设计元素与他们的教学目标高度一致：“这就是为什么能够真正设计并构建出与教学目标和学习目标完美契合的东西令人兴奋”（初中科学教师）。他们还称赞了内置的学生支架，指出分层提示和示例解答模拟了他们在个别支持学生时提供的逐步指导，并且关卡进阶与真实的评估和练习题很好地对应。

我们与教师的下一步计划

随着我们不断扩展资源库，仍有许多需要学习和改进之处，我们将与课堂教师合作推进。

我们将与 Google for Education 合作，在世界各地的学校和课堂中试点学习互动内容。学校可以通过 Google for Education 试点计划报名参加即将开展的试点，让教师有机会针对其课程、学习目标和年级水平，申请任何自定义 STEM 概念的模拟内容。新生成的学习互动内容将发送给提出申请的教师进行审核。只有在教师验证并批准后，新的学习互动内容才能加入我们的资源库并供公众使用。

此外，我们将开展用户体验研究和实地研究，以评估在课堂中使用学习互动内容时的学习收益和学生参与度。

通过为学习优化生成技术，我们正朝着一个学习实践更加主动、有效且为每个时刻量身定制的未来迈进。我们感谢教师们与这项持续研究的合作，并期待构建能够惠及全球学生的学习互动内容。

致谢

感谢所有为这项工作做出贡献的人：Alex Moy、Alisa Kovshov、Anisha Choudhury、Anna Iurchenko、Ayça Cakmakli、Ayelet Shasha Evron、Brit Mennuti、Diana Akrong、Femi Olanubi、Ian Li、Ido Lerer、Julia Wilkowski、Lidan Hackmon、Michal Gordon、Nir Kerem、Preeti Singh、Rena Levitt、Rotem Yulzary、Sarah Smith、Shlomi Ben Shimon、Sophie Allweis、Tracey Lee-Joe、Tzvika Stein、Yaniv Carmel、Yishay Mor 和 Yuri Lev。特别感谢我们的执行发起人：Niv Efron、Avinatan Hassidim、Maureen Heymans、Amy Keeling、Katherine Chou、Ronit Levavi Morad、Yossi Matias、Chris Phillips 和 Ben Gomes。