一、建设背景与总体思路

（一）建设背景

  人工智能特别是生成式人工智能正持续改变知识获取、教学设计、学习支持和教育评价方式，为数学教育教学改革提供了新工具、新场景与新路径。数学学科具有逻辑严密、抽象程度高、推理链条长、结果可验证等特点，人工智能在数学概念解释、变式生成、图形可视化、学情分析和课堂反馈等方面具有应用潜力，同时也可能出现推理错误、论证不严谨、数据偏差和过度依赖等问题。

  学院承担数学师范生、教育硕士培养以及数学相关课程教学任务，亟须把人工智能素养系统融入教师发展和师范人才培养全过程。现阶段的关键不只是提升师生工具使用能力，更在于打通“教师教学创新—师范生教学能力形成—教育硕士实践研究”的培养链条，解决工具应用与学科教学脱节、技术使用与数学思维培养失衡、教学改进缺乏证据支撑等问题。

（二）建设理念

  坚持育人为本、学科为基、应用牵引、伦理先行，突出“数学学科逻辑、AI教学转化、伦理审查、循证改进”协同推进。明确人工智能是支持数学教学与学习的工具，而不是替代数学思考、逻辑推理和教师专业判断的主体；推动人工智能从零散工具应用走向课程、实践、评价和教研的系统融入。

（三）总体思路

  围绕学院专任教师、师范生、教育硕士三类对象，构建“分层培训—课程嵌入—实践应用—成果评价—持续改进”一体化建设机制。以真实数学教学问题为牵引，以工作坊和实践任务为主要载体，以可评价、可复用的教学成果为抓手，逐步形成具有数学学科特色、可持续运行、可推广应用的“AI+数学教育”建设体系。

二、建设目标

（一）总体目标

  通过2026—2029年持续建设，形成覆盖专任教师、本科师范生和教育硕士的人工智能赋能教育教学体系，建立一套与数学学科特点相适配的培训内容、实践流程、评价标准和资源共享机制，推动人工智能素养成为数学师范人才培养的内生要素，提升教师教学创新能力、师范生教学胜任力和教育硕士循证研究能力。

（二）分类目标

  · 专任教师：从“了解和使用AI”走向“基于学科特点设计AI融合教学”，能够改造课程教学单元、审查AI生成内容、开展教学评价与教研创新，并指导学生开展AI辅助教学实践。

  · 师范生：从“使用AI完成任务”走向“能够审查、选择并合理使用AI”，能在符合中小学数学课程要求的前提下完成备课、可视化资源制作、分层作业设计和学情分析，能说明人机分工并对AI输出进行核验。

  · 教育硕士：从“经验反思”走向“基于证据的教学改进”，能综合AI诊断信息、高校导师专业判断和中小学导师实践经验，完成教学设计、实施、诊断、归因与迭代的闭环，并开展微型教学研究。

  · 建设层面：形成课程模块、培训讲义、教学案例、评价量规和数字资源库，培育一支能够持续开展AI数学教学指导的骨干队伍，凝练可供专业建设、师范认证和教学改革使用的建设成果。

三、建设内容与实施任务

（一）建设分层分类培训体系

  面向三类对象设置共同基础与差异化进阶任务，避免“一刀切”培训。共同基础包括AI发展与数学教育变革、生成式AI使用规范、数据隐私与学术诚信、数学内容核验方法，以及防止技术应用弱化学生推理、演算和证明训练的教学原则。

  1. 专任教师：以课程改造和示范引领为重点

  · 基础模块：学习通用大模型、动态几何与数学可视化、智能备课和课堂分析工具的基本用法；围绕函数图象、概率模拟、几何探究等案例，训练工具选择与教学目标匹配能力。

  · 进阶模块：聚焦AI-PCK与数学教学重构，开展变式题组生成与认知层次审查、学生错误归类与反馈设计、人机协同探究活动、单元整体教学等训练。每位教师完成一份本人所授课程的AI融合教学单元设计。

  · 高阶模块：围绕数学证明逻辑核验、统计分析偏差、学生学习数据隐私和学术诚信开展案例研讨；骨干教师承担示范课、案例指导或工作坊任务，带动师范生和教育硕士实践实训。

  2. 师范生：以课程渗透、实训强化和竞赛检验为主线

  · 课程渗透：在数学学科教学论、教育技术等课程中嵌入AI教学模块，训练学生从数学逻辑、学情适切性、表达严谨性和课程标准要求等维度审查AI生成教案、解题过程与教学资源。

  · 实践实训：依托微格教室、计算机实验室和真实课堂录像，开展课堂话语、学生参与、教学环节与思维推进分析；要求学生依据分析证据提出可执行的教学改进建议。

  · 竞赛检验：组织“AI赋能数学教学设计”专项活动，作品应说明AI使用环节、人工核验过程、人机分工和教学设计依据；优秀成果经审核后纳入学院案例库。

  · 分年级推进：低年级侧重AI素养、规范使用与输出审查；中年级侧重教学设计和微格试讲；高年级结合教育实习检验实际应用能力。

  3. 教育硕士：以三方诊断、真实场景和循证研究为重点

  · 建立“AI辅助诊断—高校导师指导—中小学导师评议”的三方协同机制。AI提供语速、互动频次、教学环节时长等可观察信息，高校导师分析数学教学目标、内容组织和思维发展，中小学导师结合课堂节奏与真实学情提出实践建议。

  · 依托云端双师和校地合作场景，组织教育硕士参与备课、协同教学、课后反馈等实践，探索AI支持下的城乡学校协同教学与优质资源共享。具体合作区域和实施规模根据合作条件确定。

  · 开展微型循证研究。每位教育硕士围绕一个具体教学问题，完成“问题提出—教学设计—实施与数据采集—效果分析—迭代改进”任务，形成教学案例、研究报告或学位论文选题素材。

（二）建设AI+数学教学设计与课例开发体系

  围绕数学概念引入、定理探究、例题讲解、变式训练、单元教学、数学建模和概率统计等关键教学场景，形成可复用的融合设计范式。每个案例均应回答四个问题：教学目标是什么、AI介入在哪个环节、学生必须亲自完成哪些数学思维活动、如何判断AI介入是否真正改善了学习。

  · 开发正反两类案例：既遴选促进概念理解、可视化探究和个性化反馈的有效案例，也分析AI答案错误、推理跳步、学生依赖技术以及教学目标偏移等反面案例。

  · 建立统一案例模板，至少包含教学对象与目标、教学难点、AI工具及使用说明、教学流程、人机分工、输出核验记录、学习证据、教学反思和伦理风险提示。

  · 将AI融合设计与数学核心素养培养相结合，防止把工具使用频次、课件形式新颖或自动生成内容数量作为主要成效指标。

（三）建设实践共同体与常态化教研机制

  · 组建跨领域指导团队，吸纳数学教育、数学专业、教育技术领域教师以及中小学一线导师，围绕真实教学问题共同开发课例、审查成果、指导实践。

  · 建立“AI教学每月一例”教研制度，开展案例分享、同伴互评、失败案例复盘和教学设计打磨，促进培训由集中活动转为持续改进。

  · 采用“专题讲座+小班工作坊+案例观摩+分组研讨+导师指导+成果展示”的混合式组织方式。工作坊原则上控制在30人以内；对AI基础不同的学员设置入门辅导和进阶任务。

  · 建设线上共享资源库，分类存放培训课件、工具指南、提示词示例、优秀课例、核验清单、评价量规和研究报告，并明确资源审核、更新和使用规范。

（四）建立AI教学伦理与质量控制机制

  把伦理审查和数学内容核验嵌入培训、教学设计、课堂实施和成果入库全过程。坚持“AI生成、人工核验、责任可追溯”，重点防范数学证明与推导错误、统计结果和数据解释偏差、学生个人信息泄露、学术诚信风险以及技术应用对独立思考的替代。

  · 建立AI输出核验清单：数学结论是否正确、推理是否完整、符号和条件是否准确、案例是否符合课程标准与学情、数据来源是否清楚、是否存在偏见或不当内容。

  · 建立数据与隐私规范：课堂视频、学生作业和学习数据的采集、处理、存储和使用应遵守学校相关制度及适用规定；未经授权不得上传可识别个人身份的敏感信息。

  · 建立成果审核制度：教案、课件、微课、案例和研究报告应注明AI参与环节及人工审查情况；涉及学生数据或课堂影像的成果，应完成必要的授权与脱敏处理。

四、实施路径与进度安排

  建设周期为2026—2029年，按照“启动建制—重点推进—深化提升—总结推广”的节奏分阶段实施。年度任务可根据学校工作安排、经费落实和合作学校条件适当调整

五、培训组织与运行机制

（一）组织架构

  学院成立以书记、院长为组长的人工智能赋能教育教学建设工作组，成员包括班子成员、各专业系（中心、教研室）主任、教务办主任、学工办主任、研究生秘书。工作组负责总体设计、任务协调、资源统筹、质量监测和年度总结；根据建设需要组建课程开发、技术支持、实践指导和质量评价小组。

（二）职责分工

  · 学院层面：审定年度计划与建设标准，协调场地、经费和校内资源，组织阶段检查与成果推广。

  · 课程与教研团队：开发培训内容、教学案例、核验清单和评价量规，组织工作坊、教研活动及成果审核。

  · 校外实践导师：提供中小学真实课堂场景，参与课例评议、教育硕士实践指导和教学改进反馈。

  · 参训人员：按要求完成培训、实践和成果提交，规范使用AI并对提交成果的真实性、准确性和合规性负责。

（三）资源与条件保障

  · 场地设备：统筹使用微格教室、计算机实验室和现有教学实训设施，按需配置合法合规的AI工具与平台账号。

  · 师资保障：遴选院内骨干教师担任实训导师，邀请数学教育、人工智能教育和中小学一线专家参与专题指导。

  · 学分与工作量：在学校制度允许范围内，将相关培训、课程实训和实践成果纳入教师发展、师范生实践和教育硕士培养环节。

  · 经费保障：统筹本科教学建设、教师发展和研究生培养等相关经费，主要用于专家指导、资源建设、必要的平台服务、实践组织和成果奖励；具体预算按学校财务制度另行编制。

六、考核评价与持续改进

  建立“过程评价—成果评价—应用评价—跟踪评价”相结合的评价机制，兼顾能力提升、教学行为改变和成果实际价值，不以培训满意度或工具使用频率作为唯一依据。

（一）分类评价

  · 专任教师：采用培训前后教学设计对比、专家评审和课堂观察相结合的方式，重点评价数学学科逻辑、AI使用适切性、学生思维促进程度、伦理审查和教学实施效果。

  · 本科师范生：开展AI生成教学材料审查前后测，依据错误识别、修改合理性、理由阐释和课程标准适配程度评分；结合微格教学、专项活动和教育实习表现综合评价。

  · 教育硕士：重点评价“设计—实施—诊断—归因—改进”闭环的完整性，考察数据解释是否合理、改进措施是否对应问题，以及教学案例或微型研究是否具备可信证据。

（二）建设层面评价

  · 能力发展：三类对象在AI教学认知、内容核验、融合设计和伦理规范方面的前后测变化。

  · 教学应用：培训成果进入课程、微格教学、教育实习和中小学实践的情况。

  · 成果质量：课例、教学设计、研究报告、培训资源的规范性、可复用性和经审核后的入库数量。

  · 机制运行：月度教研、导师协同、资源库更新、合作学校反馈及年度改进落实情况。

  每年形成《数学科学学院人工智能赋能教育教学建设年度报告》，对目标完成度、典型成果、存在问题和下一年度改进措施进行总结。具体量化指标由建设工作组在基线调研后制定，避免在缺乏现状数据时设定不合理的刚性指标。

七、预期建设成果

  · 形成一套面向专任教师、本科师范生和教育硕士的分层分类培训课程体系及配套讲义。

  · 建设“AI+数学教育”教学资源库，沉淀经审核的教案、课件、微课、课堂案例、提示词示例、核验清单和评价量规。

  · 形成一批体现数学学科特点、强调人机协同与数学思维发展的高质量融合教学设计和示范课例。

  · 培育一支能够持续开展AI数学教学设计、实践指导和质量评价的骨干教师队伍，形成高校教师与中小学导师协同指导机制。

  · 形成教育硕士微型循证研究、教学改进报告和可供学位论文拓展的实践成果，推动AI应用从经验展示走向证据支持。

  · 形成年度效能报告、建设总结报告及可供课程建设、专业建设、师范专业认证和教学改革项目使用的制度与案例成果。

八、风险防控与保障措施

  · 针对AI工具不稳定或数学推理出错，采用多源核验、教师审核和关键步骤复算等方式控制风险；不将未经核验的AI输出直接作为教学结论。

  · 针对学员技术基础差异，实施分层任务、小班辅导和同伴互助，提供入门指南与进阶资源。

  · 针对重技术、轻思维的倾向，将数学思维发展、推理严谨性和学生主动参与列为教学设计评审的核心指标。

  · 针对数据安全与学术诚信风险，明确数据脱敏、授权使用、AI参与声明和成果责任要求，建立问题反馈与纠正机制。

  · 针对建设成果难以持续的问题，将资源更新、案例复盘、年度评价和导师协同纳入常态工作安排，推动建设机制长期运行。

九、结语

  本方案以数学教育的学科本质和育人目标为根本，以人工智能赋能而非替代教师专业判断和学生数学思维为原则，通过分层培训、课程嵌入、实践共同体、循证评价和伦理治理协同推进，逐步形成具有四川师范大学数学科学学院特色的AI赋能教育教学建设模式。建设成效最终体现为数学教学质量的改进、师范人才培养能力的提升，以及一批经实践检验、可持续更新和可推广应用的教学成果。

编辑：党政办