The future of practice: Enabling teachers to create learning interactives with generative UI

实践的未来：利用生成式用户界面，赋能教师创建学习互动内容

播放静音循环视频

暂停静音循环视频

取消视频静音

静音视频

2026年9月17日

Gal Elidan，研究科学家，Yael Haramaty，产品经理，Google Research

我们探索如何通过结合生成式用户界面（GenUI）与学习设计安全机制，赋予教师为每个主题和学生生成引导式互动模拟的能力。

快速链接

• 技术报告

• 学习互动库

• Google教育试点计划

• 分享 复制链接 ×

数字教育工具已彻底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，尽管在技术和可访问性方面取得了显著进展，数字学习往往仍显得被动。能够鼓励学生自主思考并解决问题的互动性强、引人入胜、多模态的练习形式对学习具有巨大潜力，但目前仍难以普及。这些内容的创建成本高昂、数量有限，且通常需要教师付出更多努力。我们希望探索AI是否能帮助弥合这一差距。

今天，我们分享了最新研究，该研究突破了互动学习的边界。我们的新研究实验使教育工作者能够创建定制的、互动的、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动态生成，利用了我们优化用于学习的生成式用户界面（GenUI）的创新应用。

在获得可信测试者池的初步积极反馈后，我们还发布了包含30多个英语学习互动内容的示例库，涵盖STEM学科（包括物理、化学、生物和数学），重点面向中学生和高中生。这些内容均由AI生成，并经过教师审核。使用Google Workspace for Education的学校可通过Google教育试点计划提供反馈，以改进学习互动内容。该试点计划是开发更多可供公众使用的学习互动内容的初步步骤。

根据image_width确定适当的宽度

对于移动设备图片，使用默认宽度

该库可供公众使用，包含生物学、化学、计算机科学、地球科学、数学和物理等多个主题的学习互动内容。

主动学习的必要性

学习不是旁观者运动。从约翰·杜威（John Dewey）这位基础教育理论家在1916年提出“给学生一些事情去做”的观点，到让·皮亚杰（Jean Piaget）这位有影响力的心理学家开创性地展示了学习者如何构建知识，已明确证明学生通过主动参与能更好地学习。现代认知研究，如ICAP框架，证实互动行为始终比被动聆听或阅读产生更深层次的思维结构和长期记忆。简而言之，学生通过实践学习。当学生主动实验、测试假设并解决问题时，他们能构建更完整的思维模型。

主动学习是我们研究中优化的关键学习科学原理之一。它是 LearnLM 的基础，LearnLM 是 Google 于 2024 年发布的专为教育优化的生成式 AI 模型系列，这一理念也在 2025 年 Learn Your Way 研究实验中得到验证，该实验通过生成式 AI 重新构想了传统教科书。在此前研究的基础上，我们开始探索最新生成模型技术如何进一步转变内容形式，帮助教师创建更具互动性和参与度的数字学习资源。

为教育适配生成式用户界面

为实现这一目标，我们转向了生成式用户界面（generative UI）——这是人工智能研究的一个前沿领域，AI 模型能够动态构建用户界面，而非预先编码界面。

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，而非简单的交互。通过精心设计的指导性教学设计和教学安全机制，我们希望赋予教师创建自定义互动环境的能力——这些环境可根据课程内容和具体输入进行调整。

教学设计

我们首先尝试明确优质互动学习体验的特征。我们借鉴已有的学习科学理论，定义了若干关键教学原则，这些原则与 LearnLM 的开发理念一致：

• 与课程内容和教师批准的学习目标保持一致（例如，在地球科学领域，比较不同云层覆盖程度对局部温度的影响，并预测风速和方向如何影响天气模式）。
• 促进以探究为主动学习，这需要动机和指导的双重支持才能有效。
• 确保每个模拟场景在事实准确性上严格把控。

这些原则在我们基于游戏的学习设计中得以体现。为激发学习动机，每个学习互动模块都包含一系列逐步升级的挑战，这些挑战基于学习目标设计（例如在上述地球科学示例中，第一关聚焦温度分析，随后逐步过渡到更复杂的快速变暖和风暴相关挑战）。同时结合一系列分层提示、说明和反馈（例如引导学习者查看相关公式或解释特定术语），为每位学习者提供完成每个关卡所需的支持。

我们定义的生成要求包括：

• 严谨的学习目标表述：按照设计，教育者主导整个过程并提出希望聚焦的主题。我们据此生成一组精确且连贯的学习目标。这些目标可修改并可根据课程目标进行定制，必须经过教师批准，并作为学习互动模块生成的基础。
• 结构化的游戏关卡：我们借鉴游戏化学习的要素，将每个复杂主题分解为具有明确目标的关卡，这些目标与学习目标保持一致。学生通过一系列逐步升级的挑战探索主题（见下图顶部的关卡演进示意图）。这种方式通过将刻意练习与适度挑战相结合，既能促进主动实验，又能持续保持学习动机，帮助学生在掌握日益复杂概念的过程中逐步建立胜任感。

• AI生成的教学支架：为了有效引导学习者完成各个阶段，我们生成了一套分层次的指导内容。如下所示，这包括引入部分以激活学生的已有知识、包含相关公式和理论的工具箱、多级提示、针对特定回答有效性的反馈分析，以及在学生自主探索后的解析示例。这些内容均经过教师和学生的测试与迭代优化。通过提供实时、情境感知的指导而非直接揭示答案，我们鼓励批判性思维，帮助学生自主探索解决方案。

学习互动界面包含提示、反馈和工具箱，帮助学生完成各个阶段的学习。

带有教学保障机制的迭代生成

为确保质量控制，我们在生成过程中构建了自纠正循环机制——这意味着生成过程是迭代进行的，由一系列教学保障机制驱动。虽然这会增加生成最终学习互动内容所需的时间，但严格的强化循环机制确保更贴近质量标准。这些标准包括教学法（例如，各阶段是否正确覆盖学习目标并逐步提升难度？）、交互机制（例如，按钮是否正常工作？该阶段能否被解决？）以及视觉设计（例如，界面中是否存在可能分散注意力的冗余元素？）。在自纠正循环中包含具有自主性的自动评估流程（例如，可解性评估会启动Chrome实例并以用户身份与模拟系统交互）。目标不仅是验证特定解决方案的有效性，还要尝试对抗性操作，如将参数调整到极端值。自纠正循环将持续运行，直到生成结果满足所有要求的标准。

流程图展示学习互动内容创建过程中嵌入的不同验证阶段。

由AI生成，由教师审核

在我们的研究过程中，核心指导原则始终是技术应服务于教育者的教学目标。教师是课堂的核心，最了解哪些AI驱动的模拟能吸引学生，以及它们在课程中的合适位置。目前库中所有发布的学习互动内容均经过教师审核与批准。这些内容涵盖课程中的主题，如开普勒行星运动定律、数据可视化和抛体运动。

此外，一组学习互动内容由英国的STEM教师进行了评估。结果显示整体评分良好或优秀，其中物理和化学最适于模拟创建。完整细节和结果可在我们的技术报告中查阅。

40个STEM学习互动内容的教育标准专家评分平均值。

我们还与美国的12位教师开展了初步研究。每位教师都提出了三个不同的定制互动内容需求，这些内容是根据他们特定的课堂教学需求生成的。教师反馈非常积极，互动内容的质量平均评分达到10分中的8分。教师们特别指出，动态生成技术解决了长期存在的课堂难题：无法通过静态现成的模拟进行差异化教学。正如一位高中科学教师所解释的：“如果我在教学时能输入任何课程主题，然后自动生成一个模拟，这将非常棒……我以前从未能对任何模拟进行差异化，因为只能接受既定的结果。”

教育工作者还指出，生成的设计元素与教学目标高度契合：“这就是为什么实际打造一个与教学目标和学习目标完美契合的内容令人兴奋”（中学科学教师）。他们还称赞了内置的学生支持功能，指出分层提示和完整解决方案展示了他们一对一辅导学生时提供的逐步指导方式，且学习进度层级与真实评估和练习题的对应关系良好。

与教师的下一步计划

随着库内容的扩展，我们仍有大量需要学习和改进的地方，这将通过与课堂教师的合作来实现。

在与Google for Education的合作下，我们将在全球学校和课堂中试点学习互动内容。学校可通过Google for Education Pilot Program报名参与即将开展的试点项目，让教师有机会为符合其课程、学习目标和年级水平的任何定制STEM概念请求模拟。新生成的学习互动内容将发送给提出请求的教师进行审核。只有在教师验证和批准后，新的学习互动内容才能被添加到我们的库中并供公众使用。

此外，我们还将进行用户体验研究和实地调研，评估在课堂中使用学习互动内容时的学习成效和学生参与度。

通过优化生成技术用于学习，我们正逐步接近一个未来：学习实践将更加主动、高效，并能针对每个时刻进行个性化调整。我们感谢教师们对这项持续研究的合作伙伴关系，并期待构建能够造福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。特别感谢我们的高管支持者：Niv Efron, Avinatan Hassidim, Maureen Heymans, Amy Keeling, Katherine Chou, Ronit Levavi Morad, Yossi Matias, Chris Phillips 和 Ben Gomes。

• 标签：

• 教育创新

• 生成式AI

• 机器智能

其他相关内容

• 2026年9月15日 Bypassing inference bottlenecks: Accelerating complex AI search with Retrieve-for-Train Algorithms & Theory · Data Mining & Modeling · Generative AI

• 2026年9月10日 ToolGrad：利用文本“梯度”高效生成工具使用数据集 机器智能 · 自然语言处理

• 2026年9月3日 在代表性不足群体中进行基因组预测的迁移学习 一般科学 · 机器智能

×

❮

❯

一个聚类条形图，比较了四个学科及整体平均分在十个教学和设计标准上的教师评估评分（从失败到优秀）。

一个交互式学习模块库界面的截图，显示左侧边栏按学科分类，主区域网格展示八个经过审核的教育活动卡片。

一个标注的截图，展示名为“对称对立”的教育交互式网页界面，演示了红蓝探测器在数轴上的位置，并标注了指导、反馈和工具等UI功能。

一个流程图，说明教育交互式内容的逐步创建、自动化评估和教师人工验证过程。