当前位置：首页>教案>大模型产出的教案,究竟能不能直接走进课堂?

大模型产出的教案,究竟能不能直接走进课堂?

2026-10-01 00:18:45

《数字教育前沿（英文）》第3卷第3期

丨一项基于53项研究的叙述性综述解读

备课是教师专业生活中最日常、也最耗时的环节之一。它不仅是教学材料的组织，更是教师教学决策与专业判断的集中体现。当ChatGPT等大语言模型（LLM）开始进入教师的工作流，一个无法回避的问题随之而来：机器生成的教案，能不能不经加工就直接走进课堂？发表于《数字教育前沿（英文）》的这篇综述（Evaluating the Role of Large Language Models in Lesson Planning: Insights from a Narrative Review）试图用文献证据回答这一问题。

问题提出：从“功能可用”到“教学可用”

论文首先区分了两个常被混用的概念：AI作为一个总括性（伞形）术语，而LLM特指以自然语言处理为核心的生成式系统（如ChatGPT）。作者指出，评价AI教育工具的价值不能只看功能，必须放到真实教学实践中检验，而教案正是这样的检验场——它既折射教师关于技术整合的教学决策，也塑造着课堂实施的结构。

围绕LLM教案设计，文献中仍悬置着四个问题：

产出的教案是否完整可靠？
是否具有真实的教学价值，抑或只是复现技术化的套路？
使用它们的教师如何感知？
这些工具被教师视为帮手、过渡方案，还是对其专业角色的威胁？

由此，综述凝练出一个核心研究问题：LLM能否产出具有教学价值、且能在实践中有效应用的教案？并进一步拆解为两个子问题：

其一，LLM生成的教案是否具有真正的教学价值？

其二，这些教案在多大程度上适合课堂使用？

方法选择：为什么是叙述性综述，而非系统综述

考虑到该主题尚处早期、文献在类型与方法上高度异质，作者依据Snyder（2019）的判断，选择了叙述性综述而非系统综述——前者更适合在早期文献有限且分散时识别趋势、反复出现的问题与亟待研究的空白。分析过程借助SALSA框架（Search−Appraisal−Synthesis−Analysis，检索—评估—综合—分析）组织，四个阶段层层递进，以保证过程透明、每一环节有据可查。

检索分三轮推进：2025年3月经Google Scholar初检，鉴于该库按相关性排序，仅筛检前250条记录，纳入45项；2026年4月在Scopus、Web of Science、ERIC以相同检索式与发表时限补充，数据集增至47项；2026年5月再改用LLM专门术语（如“LLM-generated lesson plans”）追加检索，最终数据集固定为53项。值得一提的是，预印本与会议论文等非同行评议来源在严格研读的前提下被保留——这一处理本身就说明：这是一个文献总量尚少、正在成形的新兴领域。

53项研究勾勒的文献图景

最终纳入的53项研究中，47项为实证研究、6项为概念性研究；筛选不依赖正式的质量评分系统，而以“与研究问题的相关性”和“贡献的清晰度”为准。

从时间分布看，2022年2篇、2023年5篇、2024年37篇、2025年7篇、2026年2篇——2024年的爆发式增长，与大语言模型进入教育应用的轨迹高度吻合。地域上，研究主要来自美国和土耳其，中国与德国次之，其余国家多为零星分布。学科上，STEM领域19项、人文与语言教育18项、跨学科与一般情境16项，覆盖大体均衡。研究场景则以教师教育与教师专业实践为主，少量涉及中小学真实课堂、高等教育与职业教育。

分析框架：贯穿文献的四大主题

通过对纳入研究的反复阅读与比较，作者提炼出四个在文献中反复出现的主题，构成全文的分析骨架：

质量与教学价值——LLM产出的教案究竟好不好、像不像“教学”；
挑战与局限——使用过程中反复出现的风险与障碍；
教师态度与感知——一线使用者如何体验与评价；
改进与未来方向——工具本身与使用方式应当如何演进。

每篇文献按其贡献被置于相应主题之下，且允许跨主题归属——例如同一项研究可能同时讨论产出质量与教师感知。这种“主题式综合”而非“统计式综合”的处理，与该综述的性质相一致：它并不追求可推广的量化结论，而是理解这一新兴现象被研究的多种方式。

回到标题之问：论文给出的答案线索

综合论文中明确陈述的论断，对“能否直接走进课堂”这一问题，可以梳理出三层递进的意思。

第一，LLM确实能“写出教案”。综述引证的实证研究表明，LLM能够生成结构化的教学材料，并在缩短备课时间、支持教师批判性思维、扩大教学资源可及性方面展现出实际潜力。

第二，“写出来”不等于“能直接用”。论文反复强调，这些系统的产出往往需要教师仔细审查，审查重点集中在两个维度：概念准确性与教学适切性。换言之，LLM可以胜任教案的“初稿生产”，却不能自动完成教案的“专业定稿”。

第三，教师的把关不是过渡安排，而是结构性必需。以初中物理课堂为例的实证研究显示，ChatGPT在日常教学实践中发挥了支持作用，但教师监督的必要性贯穿始终。基于此，作者明确反对“一禁了之”的思路，主张以理解模型的能力与边界为前提，将其审慎整合进教学实践，而非简单禁止或限制。

如何审慎地读这篇综述

作为叙述性综述，本文的结论宜被理解为：

趋势性判断，而非确定性的因果结论：它不追求穷尽文献，未设正式质量评分，主题归类的边界也具有弹性。论文自身亦指出，现有研究多为理论探讨或教师感知调查，真正把AI生成教案放进真实课堂检验其运行效果的实证研究仍然偏少——而这恰恰是该领域最需要补强的方向。

对教师教育与教师培训而言，综述传递的信号是清晰的：专业发展的重点不应是教教师“如何躲开AI”，而是培养审查、改写与重构AI产出的能力。教案可以部分交由机器起草，但“这堂课为什么这样上”的专业判断，仍须由教师来完成。

结语

大模型产出的教案，可以走进教师的“准备间”，作为高质量的起草与灵感来源；但要走上“讲台”、直面学生，中间必须经过教师专业判断的审视与转化。这或许就是这项覆盖53项研究的综述留给我们最稳妥的回答：问题的关键不是“能不能用”，而是“如何带着专业判断去用”。

文章信息

Vassilis A. Failadis, Sotiris K. Tasoulis, Spiros V. Georgakopoulos, Vassilis P. Plagianakos. Evaluating the Role of Large Language Models in Lesson Planning: Insights from a Narrative Review. Frontiers of Digital Education, 2026, 3(3): 25

DOI:10.1007/s44366-026-0099-6

识别二维码，免费获取原文

作者简介

Vassilis A. Failadis

塞萨利大学计算机科学与生物医学信息学系在读博士研究生

本科毕业于帕特雷大学数学系，获希腊开放大学教育科学硕士学位。其研究方向为数学教育中的大语言模型、课程教学设计，以及人工智能辅助教学带来的教育学影响。

Sotiris K. Tasoulis

塞萨利大学计算机科学与生物医学信息学系副教授

2006年于帕特雷大学取得数学学士学位，2009年获计算数学与决策科学硕士学位。2013年，在塞萨利大学计算机科学与生物医学信息学系取得博士学位。同年，他于芬兰赫尔辛基信息技术研究所（HIIT）及赫尔辛基大学计算机科学系开展博士后研究，研究方向为大数据知识发现。2015年9月，他入职英国利物浦约翰摩尔斯大学，曾任应用数学助理教授。其研究聚焦于构建可应对数据分析难题（尤其是大数据领域）的统计方法；同时讲授大数据挖掘、人工智能与深度学习相关课程。他曾组织多场大数据主题学术会议，研究工作斩获多项奖项与科研资助。参与3项欧盟地平线2020（EU-HORIZON2020）研究项目，并多次担任行业顾问，处理大数据与机器学习相关课题。

Spiros V. Georgakopoulos

塞萨利大学数学系机器学习方向助理教授

他本科毕业于帕特雷大学数学系，于同系取得计算数学与计算智能方向硕士学位；在塞萨利大学计算机科学与生物医学信息学系获得博士学位，博士课题为环境智能场景应用中的计算智能方法。他曾在塞萨利大学计算机科学与生物医学信息学系担任博士后研究员，同时曾任希腊国家医疗服务供给组织（EOPYY）主席顾问。在数据分析领域拥有丰富研究经验，重点从事医学图像与生物医学数据的分析与研究工作。

Vassilis P. Plagianakos

塞萨利大学计算机科学与生物医学信息学系教授、理学院院长

曾任希腊国家医疗服务供给组织（EOPYY）主席（2019—2020年）、欧洲医疗欺诈与腐败网络（EHFCN）主席；计算机科学与生物医学信息学系主任（2014—2018年）、塞萨利大学理工学院跨院系研究生项目“信息学与计算生物医学”负责人（2014—2018年）。他是智能计算系统实验室创始人，并担任希腊人工智能学会（EETN）理事会主席（2017—2018年）。他在国际科学期刊发表论文60余篇，在国际学术会议发表论文130余篇。研究成果获得国际认可，总被引超7000次，h指数36。他担任多项研究项目的科学与机构协调人，参与20余项研发项目。

点击图片跳转至本刊征稿函