综述:生成式人工智能在体育与健康中的应用:跨学科主题学习的叙事性综述与概念框架

《Frontiers in Public Health》:Generative AI in physical education and health: a narrative review and conceptual framework for interdisciplinary thematic learning

【字体: 大 中 小 】 时间:2026年06月03日 来源:Frontiers in Public Health 3.4

编辑推荐:

  生成式人工智能(GenAI)为教学创造了新的可能性,但其在体育与健康(PEH)中的教学作用仍不成熟。当前人工智能在PEH中的研究主要集中于面向表现和技术应用,如运动分析、技能评估和训练监测,而较少关注课程设计、跨学科学习和教师中介的教学使用。本叙事性综述综合了

  
生成式人工智能(GenAI)为教学创造了新的可能性,但其在体育与健康(PEH)中的教学作用仍不成熟。当前人工智能在PEH中的研究主要集中于面向表现和技术应用,如运动分析、技能评估和训练监测,而较少关注课程设计、跨学科学习和教师中介的教学使用。本叙事性综述综合了GenAI在PEH及相关跨学科或主题学习背景下的文献,探讨GenAI如何支持PEH中的跨学科主题学习。综述强调了从将人工智能作为技术或分析工具向将GenAI作为教学资源(用于课程规划、评估设计、反馈、探究支持和知识整合)的新兴转变。基于这一综合,研究提出了一个教学框架,将GenAI定位为连接身体实践、健康知识、反思性探究和社会参与的教师中介资源。该框架包括四个核心维度:课程与目标对齐、内容组织与任务设计、探究与学习过程支持、以及评估与适应性调整。它还强调人机协作、教师判断、具身观察和伦理使用作为有意义实施的必要条件。综述表明,当GenAI被仔细整合到教学设计合理、情境敏感且促进健康的学习过程中时,它可以支持PEH。未来的实证研究,特别是基于设计的研究和课堂干预,需要在真实的PEH环境中测试和完善该框架。
本文主体部分包括以下内容:

1 引言
近年来,大规模生成模型(如ChatGPT和Sora)的出现标志着人工智能发展的重大转变。生成式人工智能(GenAI)正日益重塑各领域内的知识生产与学习,教育被认为是受影响最深的领域之一。GenAI已应用于教学支持、个性化学习、反馈生成和评估设计,同时也引发了关于教学整合、可靠性和伦理使用的担忧。这些发展表明,GenAI的教育价值不仅取决于内容生成,还取决于其与教学过程的对齐。在需要整合多种知识来源和视角的学习情境中,GenAI可以通过促进跨领域的知识转化和共享理解来支持跨学科学习。GenAI并非仅作为内容生成工具,而可能作为支持知识整合和探究过程的中介机制。这一视角在体育与健康(PEH)中尤为重要。当代PEH已超越运动表现,被理解为整合身体活动、健康知识以及个人与社会发展的多维学习领域。有意义的PEH学习要求学生将身体实践与认知理解、反思和社会参与联系起来。证据也表明身体活动与儿童及青少年的认知和健康结果相关。跨学科主题学习因此与PEH的整合性高度契合。然而,当前人工智能在PEH中的研究仍主要集中于面向表现和技术应用,如运动分析、技能评估和训练监测。这些研究虽有助于改善表现和健康结果,但往往将人工智能概念化为分析工具,相对较少关注其在教学法、课程设计和跨学科学习中的作用。这种不平衡反映了在理解如何将GenAI有意义地整合到PEH的教学和课程层面存在空白,尤其是缺乏将GenAI能力与教学过程和跨学科学习目标相连接的整合性框架。为填补这一空白,本研究采用叙事性综述方法,综合GenAI在PEH及相关跨学科学习背景下的研究,并基于此开发一个教学框架,将GenAI支持的学习输入、核心教学过程和预期学习成果联系起来。目标是阐明GenAI如何在保留教师判断、具身参与和促进健康的教育目的前提下,被教学性地整合到PEH的跨学科主题学习中。

2 方法
2.1 综述设计与目的
本研究采用叙事性综述设计,考察GenAI在PEH中的新兴作用,尤其关注其对跨学科主题学习的教学相关性。由于该主题涉及两个相关文献领域(GenAI支持的PEH与体育教育背景,以及GenAI支持的跨学科或主题学习),且这些领域包含实证研究、综述文章和概念分析等多样证据类型,叙事性方法能整合异质性文献并支持概念性教学框架的开发。综述目的是识别文献中的关键主题、空白和教学启示,并为PEH中GenAI支持的跨学科主题学习提供教学框架。

2.2 检索策略
在PubMed、Web of Science、Scopus和Embase中进行结构化文献检索。检索未设固定起始日期以保证全面覆盖,更新至2026年5月5日。检索词预先定义,结合两个概念组:GenAI与PEH相关或跨学科主题学习背景。每个数据库的详细检索策略在表格中呈现。除数据库检索外,还通过前后向引文追踪和关键参考文献手动检查识别相关研究。

2.3 纳入标准与研究筛选
两名评审员独立筛选标题和摘要,排除明确无关文章。对潜在合格文章进行全文评估。纳入标准包括:考察GenAI或相关人工智能技术在PEH、体育教育、身体活动或学校运动与健康学习背景中的应用;或考察GenAI在跨学科学习、主题学习、课程整合或教育中的人机交互中的应用。排除非教育应用、纯技术无教学相关性、或与PEH等无关的研究,以及非同行评审出版物。

2.4 数据综合与框架开发
采用叙事性和主题综合方法。提取与教学过程、课程设计、跨学科学习、PEH特定学习背景和人机交互相关的反复出现概念,编码后分组为更广泛的主题类别。综合区分直接聚焦PEH背景的研究与涉及更广泛跨学科或主题学习视角的研究。PEH相关研究的核心见解用于将框架扎根于领域特定的教学背景,而跨学科和教学研究的补充证据为框架提供理论结构。框架整合三个要素:学习输入、核心教学过程和预期学习成果。人机协作被视为贯穿框架的跨领域原则,强调在教学引导的学习过程中教师中介、学生参与和GenAI辅助支持。

3 结果
3.1 纳入文献概述
共纳入46项研究。其中23项聚焦PEH、身体活动学习、运动相关教学、运动学或体育教师教育;23项涉及更广泛教育背景下GenAI支持的跨学科或主题学习。文献涵盖实证、干预、基于设计、质性、综述、概念、理论、框架和实践导向研究。综合分为七个主题领域。PEH相关研究显示从早期ChatGPT和人工智能聊天机器人的概念讨论逐渐转向具体教学应用和实证调查。早期研究主要讨论ChatGPT对健康与体育教师教育、课程规划、评估、学术诚信、数字公平和专业判断的影响。近期研究考察GenAI支持的内容知识、战术教学、技能反馈、体能学习、包容性身体活动和体育教师专业发展。跨学科和主题学习研究涵盖教师教育、环境教育、可持续发展教育、地理、STEM、艺术与设计、社会工作等背景,GenAI通常被定位为知识整合、课程设计、问题重构、边界跨越、个性化支持和反思性人机协作的工具。

3.2 GenAI在PEH中作为教学支持工具
尽管PEH中人工智能相关研究主要集中于面向表现和技术应用,但本综述纳入的GenAI聚焦PEH研究表明一种新兴的教学转向。这些研究将GenAI的角色扩展到运动分析、表现监测和运动追踪之外,探索GenAI作为课程规划、评估设计、反馈、专业学习和教师中介教学支持的资源。几项实践导向研究讨论了PE教师如何使用ChatGPT或其他GenAI工具生成教案、设计评估、调整活动、差异化教学和支持学生动机。关于GenAI支持的课程规划和评估设计研究提出了检查清单、提示模型和结构化程序。另一组研究考察了PE教师能力和人工智能相关教学知识。实证工作表明GenAI采纳与人工智能相关能力与自我调节、Intelligent-TPACK、伦理意识和专业能力相关。概念和反思性研究进一步表明PE教师的专业角色可能需随GenAI融入教学而演变。聚焦学生学习、反馈和技能发展的研究表明,GenAI可通过规则解释、纠正性反馈、战术解释和适应性学习场景支持PEH学习,但最有用的是嵌入结构化教学模型(如互惠教学、场景学习、教师监督反馈或人机协作设计)时。

3.3 GenAI支持的跨学科与主题学习
跨学科和主题学习文献为理解GenAI如何支持跨学科知识整合提供了更广泛基础。跨学科学习要求学习者连接不同形式的知识、跨学科视角协商意义、并处理不良结构问题。在人工智能赋能学习背景下,跨学科能力被描述为涉及知识连通性、批判性跨学科分析、人工智能驱动创新、协作问题解决和适应性迁移。几项纳入研究直接考察了高等教育中GenAI支持的跨学科学习,表明GenAI可帮助学习者获取学科知识、生成想法、比较视角、开发跨学科项目。一些研究将GenAI描述为边界经纪人,支持跨学科话语和边界跨越。另一组研究考察了环境、可持续性、地理、STEM和艺术相关背景中的GenAI支持的主题学习,表明GenAI可支持环境素养、系统思维、地理叙事、场景学习、空间可视化、创意协同设计和负责任的人工智能素养。这些研究对PEH具有相关性,因为它们展示了GenAI如何帮助学习者参与复杂的真实世界问题(包括健康、环境、可持续性、公共福祉和日常决策),并提示跨学科主题学习在GenAI帮助连接科学、社会、伦理、文化和实践维度时最为高效。

3.4 GenAI的教学角色与挑战
在纳入文献中,GenAI以多种重叠的教学方式被使用:支持课程规划、评估设计、活动调整、课程开发和主题模块设计;作为对话伙伴和认知支架,帮助学习者头脑风暴、澄清概念、重构问题、比较学科视角和完善学习产品;在PEH技能学习、战术教学、形成性评估和人工智能支持课程评估中支持反馈和评估;在跨学科背景中帮助学习者连接跨领域想法并处理复杂主题问题。这些教学可能性伴随若干担忧:GenAI输出可能包含幻觉、事实错误、偏见或情境不合适的建议,尤其在PEH中不准确反馈或不安全活动建议可能影响学生的身体参与和安全;学生可能在缺乏验证的情况下依赖人工智能生成回应;PEH中存在具身性限制,GenAI无法完全复制真实世界中触觉、不确定和社会情境化的物理活动特质;伦理和制度问题包括算法偏见、不平等访问、学术诚信、隐私、数据安全和需要明确指导。总体而言,文献表明主要空白在于缺乏教学性模型来解释GenAI如何有意义地整合到PEH的多维和跨学科学习过程中。PEH相关研究已开始考察GenAI在课程规划、评估、反馈和教师发展中的应用;跨学科学习研究表明GenAI可支持知识整合、边界跨越和主题探究。这两个证据基础很少被连接。因此,综合的主题领域为后续框架开发提供了信息。

4 一个面向PEH中GenAI支持的跨学科主题学习的教学框架
4.1 框架原理与设计逻辑
框架以教学优先视角为起点。在PEH中,核心问题是GenAI使用如何服务于教育目的。PEH以身体参与、情境互动和更广泛的发展目标为特征,学生被期望在实践中发展健康素养、自我调节、协作和责任感。这些特征使PEH特别适合跨学科主题学习,因为学生需要将身体活动与科学概念、健康推理、情感体验和社会意义连接。GenAI可支持学习组织,帮助教师识别相关主题、生成教学资源、制定引导性问题、设计差异化任务和组织反馈;也可帮助学生澄清概念、比较视角和反思学习。这些功能在课程目标、教师判断和学生具身参与指导下才具有教育意义。框架将GenAI视为中介资源,可连接知识、实践和反思,但不能单独决定学习的教育价值。教师仍处于中心地位,定义目标、解释情境、引导参与并做出关于安全、伦理和价值观的决策。四个核心教学维度源于这一教学逻辑:课程与目标对齐阐明GenAI支持主题学习的教育目的;内容组织与任务设计将这些目的转化为连贯的学习活动;探究与学习过程支持引导学生具身参与、提问和反思;评估与适应性调整帮助教师解释学习证据并优化教学。

4.2 核心教学维度
第一维度是课程与目标对齐。PEH中的跨学科主题学习应从主题的教育价值及其与课程目的的联系开始。教师需阐明主题如何与PEH课程目标、学生发展需求和更广泛的促进健康目的相连。GenAI可通过帮助教师组织相关概念、识别跨学科联系和将广泛主题转化为更清晰的学习目标来支持这一过程。第二维度是内容组织与任务设计。跨学科学习依赖于内容的结构化和任务设计。在PEH中,这意味着将运动技能、健康概念、科学原理和情境问题以连贯方式联系。GenAI可帮助教师生成主题序列、场景描述、解释材料和差异化任务选项。第三维度是探究与学习过程支持。在跨学科主题学习中,学生不仅应接收信息,还应提问、探索关系、解决问题和反思经验。GenAI可通过生成引导性问题、提供替代解释、帮助学生比较视角和使概念联系更明确来支持探究。第四维度是评估与适应性调整。PEH评估应超越表现指标,考虑学生概念理解、健康推理、探究参与、反思意识、协作和价值观发展。GenAI可帮助教师组织证据、生成形成性反馈、总结学习进展和建议改进领域。

4.3 人机协作与教师中介
框架的一个核心特征是人机协作。在PEH中,教师、学生和GenAI扮演不同角色。教师定义学习目标、组织主题、引导参与、解释证据、确保安全和支持学生情感与社会发展;学生参与运动、探究、反思和协作;GenAI支持规划、资源生成、差异化、反馈组织和教学设计优化。教师中介至关重要,因为GenAI提供的解释、提示和反馈需要教师基于具体教学情境中的具身观察和课堂动态进行解释。人类教师的情境性专业判断无法被预先生成的人工智能输出替代。GenAI的使用应在教学引导下进行,教师决定何时有用、如何调整输出以及是否适合学生条件。

4.4 预期学习成果与框架贡献
框架面向三类学习成果:运动能力与具身学习(发展运动技能、运动意识和通过身体实践学习的能力);健康素养、反思与决策(理解身体活动与健康、福祉、风险预防和日常选择的关系);社会参与、协作与价值观(学会沟通、合作、承担责任并将个人健康与更广泛社会背景联系)。这些成果反映了PEH的整合性。框架将GenAI的教学可供性与PEH的具体学习逻辑连接,为未来教学设计和实证研究提供概念基础。

4.5 框架的示例性应用
提供一个示例说明框架应用,并非实证验证。一个可能的跨学科主题是“篮球学习、战术决策与健康参与”。教师首先将主题与关于运动能力、战术意识、健康素养和协作参与的课程期望对齐。内容和任务围绕渐进运动活动、小场地比赛、战术场景、同伴观察和反思讨论组织。在探究中学生比较不同游戏情境,讨论传球或移动选择的有效性,反思身体努力、团队合作和决策如何塑造篮球参与。GenAI可生成适龄战术场景、简化的篮球规则解释、差异化练习任务、观察检查表、反思提示和形成性反馈草稿。但这些输出应视为临时教学资源,教师负责验证准确性、调整任务、观察运动质量和安全、引导互动。

5 讨论
5.1 概念贡献
本综述通过将GenAI置于PEH的具体教学条件中,扩展了当前关于GenAI的讨论。以往PEH中人工智能相关研究强调运动分析、表现监测、技能评估和技术优化,但很少指导人工智能如何支持课程设计、跨学科学习和更广泛教育目标。本研究通过提出一个将GenAI使用与课程对齐、内容与任务设计、探究支持、形成性评估和人机协作相连接的教学框架,填补了这一空白。主要概念贡献在于将GenAI定位为PEH中的教学中介资源,将讨论从材料生成或教学效率转向其整合到具身、健康导向和社会情境化学习过程中。与更通用的GenAI教育框架相比,本框架在三个层面具有PEH特异性:将具身参与作为教学判断的核心证据来源;将GenAI支持的探究与运动能力、健康素养、反思决策和社会参与连接;将教师中介定位为安全与价值敏感过程。

5.2 对PEH课程与教学法的启示
框架建议GenAI在PEH中的使用应从课程目的开始。教师需识别主题的教育价值,阐明PEH目标与跨学科目标的关系,并决定何种人工智能支持适合学习情境。GenAI可协助规划、资源生成、场景设计、差异化提示和形成性反馈,但这些功能仅在教师根据学生年龄、身体条件、学习需求和课堂现实进行适应时才有用。框架支持更整合的PEH内容方法,如以“积极生活方式”“伤害预防”“身体活动与心理健康”或“数字健康素养”为主题。评估也需要更广泛关注,GenAI可帮助组织学习证据和起草形成性反馈,但解释应基于教师观察和课程目标。

5.3 负责任与教师中介的实施
负责任实施在PEH中尤为重要,因为学习通过身体运动、同伴互动、情感参与和实时安全决策进行。教师必须判断GenAI输出的准确性、发展适宜性和安全性,尤其是涉及运动纠正、运动建议、健康解释或差异化活动方案时。教师中介也关乎保留PEH的关系性和具身特质——学生的疲劳、信心、犹豫、协调和动机通常通过情境观察而非书面回应或数据痕迹可见。伦理与公平问题包括可靠性、偏见、隐私、数字访问和数据安全。不平等的设备、连接和数字素养访问可能加剧教育和健康不平等。

5.4 局限性与未来研究
本研究为叙事性综述和概念框架,未经实证测试。未来研究应检验框架在真实PEH环境中的支持作用;使用结构化检索但未进行正式批判性评估,可能存在选择偏差;当前证据基础不均,许多PEH相关GenAI研究为概念性、实践导向、短期或集中于高等教育背景。未来研究应考察GenAI支持的跨学科主题学习在真实PEH环境中的运作,包括基于设计的研究、课堂干预和纵向研究,探索教师如何解释和适应人工智能生成资源、学生如何体验人机协作、以及这些方法如何影响运动能力、健康素养、反思决策、协作和动机。

6 结论
GenAI为教学创造了新可能,但其在PEH中的价值取决于教学整合和有意义课堂使用。通过综合PEH相关和跨学科学习文献,本研究识别了从面向表现的人工智能应用向更教学性GenAI使用的转变,同时强调需要更清晰指导关于PEH中跨学科主题学习。提出的框架将GenAI呈现为教师中介资源,可帮助连接身体实践、健康知识、反思性探究和社会参与。在此框架下,教师在课程对齐、具身观察、情境解释、安全判断和有意义学习设计中发挥核心作用。当谨慎和情境化实施时,GenAI可支持课堂创新、健康素养、健康教育和促进健康的PEH实践。本综述的核心启示是:GenAI在PEH中的价值应通过它是否帮助教师以安全、有意义和教学连贯的方式连接运动、健康理解、反思和社会参与来判断。未来实证研究需在真实PEH环境中测试和完善该框架。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号