将反馈关联至选择：了解 K-12 教育中生成式 AI 与人工智能创作课程计划的教育者偏好——比较分析

随着生成式人工智能（GenAI）模型在教育应用中被越来越多地探索，了解教育者对人工智能生成课程计划的偏好对于将其有效集成到 K-12 教学中至关重要。本探索性研究比较了由人类课程设计师所著述的课程计划、在 K-12 内容上进行微调训练的 LLaMA-2-13b 大语言模型，以及定制化的 GPT-4 模型，以评估其在多项教学措施上的教育质量：热身活动、主任务、冷却活动以及整体质量。通过大规模偏好研究，运用 K-12 数学教育者，我们检验偏好在年级水平和教学组件之间的差异。我们采用定性与定量分析方法。原始偏好结果表明，人工智能生成的课程计划通常受到青睐，尤其是在小学教育领域，教育者强调学生参与度、分层教学以及协作学习。然而，人工智能生成模型在冷却任务和结构化学习活动方面表现出日益具竞争力，尤其是在高中学情境下。除定量结果外，我们运用 LDA 主题分析和手动编码识别影响教育者偏好的关键因素。教育者高度赞赏人工智能创作的课程计划中对细分教学、现实情境化以及学生话语促进的细腻把握。与此同时，人工智能生成的课程计划也因其结构性和针对特定教学任务的可调性性而获赞。研究发现表明，人类与人工智能的协作式课程规划方法是可行的，其中生成式人工智能可作为辅助工具，而非取代教育者在课程规划中的专业知识。本研究为负责任的人工智能在教育领域的融入提供了新的见解，既指出了利用生成式人工智能进行课程开发的机遇，也暴露了其面临的挑战。