夜雨聆风1. 引言
如果说过去二十年的教育改革核心关键词是“信息化”，那么未来教育最重要的关键词，很可能就是“生成式人工智能”。
从ChatGPT到智能助教，从AI自动生成教学资源到个性化学习系统，生成式人工智能正在快速改变教师备课、课堂互动、学习评价乃至学校管理的方式。它不再只是辅助性的技术工具，而正在逐渐成为影响教育逻辑与教学结构的重要力量。
在这一背景下，一个关键问题也随之出现：当AI能够生成知识、设计活动、提供反馈，甚至参与教学决策时，教师究竟还需要具备怎样的专业能力？
传统TPACK框架（技术教学内容知识框架）长期以来被视为教师信息化教学能力的重要理论基础。它强调教师需要同时具备技术知识（TK）、教学知识（PK）以及学科内容知识（CK），并能够实现三者之间的有效融合。
然而，在生成式人工智能时代，技术已经不再只是“被教师使用的工具”，而开始成为“能够与教师共同思考和协同创造的智能伙伴”。这意味着，传统TPACK框架也需要被重新理解。
本文正是在这一背景下，尝试探讨生成式人工智能与TPACK框架融合的可能性，并提出“Gen+TPACK”这一新的教师能力框架。
文章从TK、PK、CK，以及TCK、PCK、TPK、TPACK等多个维度，系统分析生成式人工智能如何重构教师专业知识体系，并进一步探讨AI时代教师角色转型的方向。
更重要的是，这项研究并不仅仅停留在理论层面，而是试图回答一个更加现实的问题：未来教师，究竟应该如何与AI共存、协同与成长？
2. TPACK与生成式人工智能
2.1 TPACK框架：教师专业能力发展的基础逻辑
TPACK（Technological Pedagogical and Content Knowledge，技术教学内容知识）框架，由Koehler与Mishra于2006年提出，是数字化教育研究领域中最具影响力的教师能力模型之一。
该理论强调，教师真正高质量的教学能力，并不仅仅来源于对学科知识的掌握，也不仅仅取决于教学技巧或技术操作能力，而是在于教师能否在真实教学情境中，将技术知识（TK）、教学知识（PK）与内容知识（CK）进行深度整合。
也就是说，TPACK所关注的核心，并不是“教师会不会使用技术”，而是“教师能否借助技术，更有效地促进学生学习”。
这一理论的提出，突破了传统教师知识结构中“学科知识”与“教学方法”彼此分离的思维方式，强调技术、教学与内容三者之间并非简单叠加关系，而是一种动态融合、相互影响的复杂结构。
进入人工智能时代之后，TPACK框架的重要性进一步凸显，并逐渐呈现出以下三个新的发展特征。
（1）整合性（Integration）不断增强
随着AI技术不断进入课堂，教师已经不能只停留在传统的信息化教学层面，而需要具备将智能技术与教学深度融合的能力。例如，教师不仅要理解如何使用智能教学助手、自适应学习系统或AI生成工具，还需要进一步思考：这些技术究竟如何服务于具体学科教学，又如何真正促进学生理解。
因此，教师不仅需要掌握技术知识（TK）、教学知识（PK）与内容知识（CK），还需要形成技术内容知识（TCK）、教学内容知识（PCK）、技术教学知识（TPK）以及技术教学内容知识（TPACK）等更加复杂的复合型知识结构。
（2）情境适应性（Situational Adaptability）日益突出
TPACK并不是一种固定不变的能力模型，而是一种高度依赖教学情境的实践能力。
不同学科、不同年龄阶段以及不同教育资源条件下，AI技术的应用方式都存在明显差异。例如，在数学课堂中，AI可能更强调逻辑推理、数据建模与问题分析；而在人文学科中，AI则更多用于文本生成、语言表达、观点组织与批判性思维训练。
这意味着，教师不能简单照搬技术工具，而必须根据具体教学目标、学生特点与课堂环境，对技术应用方式进行灵活调整。
（3）动态发展性（Dynamic Development）持续提升
在传统信息化环境中，教师技术能力的更新周期相对较长；但在生成式人工智能快速发展的背景下，教师知识结构正在进入持续迭代状态。
新的AI工具、新的智能教学模式以及新的学习分析方式不断出现，教师必须保持持续学习能力，才能适应教育数字化转型的发展需求。
因此，TPACK已经不再只是“技术整合能力”的体现，而正在逐渐演变为一种“智能时代教师持续成长能力”的综合反映。
2.2 生成式人工智能：正在改变教育逻辑的新引擎
生成式人工智能（Generative Artificial Intelligence，GenAI）是近年来人工智能领域最具突破性的技术之一。与传统AI主要承担“识别”“分类”或“预测”等任务不同，生成式人工智能最大的特点，在于它能够基于已有数据进行内容生成、知识重构与智能交互。
例如，ChatGPT可以生成文本并进行教学对话，文生图系统能够自动生成视觉内容，AI课程生成系统则能够根据教学需求自动设计学习任务与教学资源。
这种“生成能力”的出现，使AI第一次真正具备了参与教学创造过程的可能性。
也正因为如此，生成式人工智能正在深刻改变教育运行的底层逻辑。
过去，教育资源的生产主要依赖教师个体；而今天，AI已经能够快速生成课程案例、教学活动、评价标准以及学习支持内容。过去，课堂反馈往往存在明显滞后；而如今，AI能够实现即时分析与实时反馈。过去，学生获取知识更多依赖统一化教学；而现在，AI正在推动真正意义上的个性化学习。
文章指出，与传统人工智能相比，生成式人工智能在教育领域主要展现出以下几个方面的重要价值。
（1）知识生成能力
生成式人工智能能够自动生成文本、图像、代码、教学案例以及课程资源，从而显著提高教师备课与资源开发效率。
这意味着，教师可以将更多精力从重复性资源整理工作中释放出来，转向更具创造性的教学设计与学习支持。
（2）个性化学习支持能力
生成式人工智能能够根据学习者的兴趣、能力与学习行为特征，动态生成差异化学习内容，并提供个性化学习路径。这种能力，使教育真正具备了“因材施教”的现实可能。
（3）智能交互能力
通过自然语言处理技术，生成式人工智能能够与学生展开类人的教学对话，并提供即时反馈、学习辅导与问题解答。
相比传统数字平台的固定化交互方式，这种更加自然的智能交互，能够显著提升学生学习参与度与学习体验。
（4）数据驱动能力
生成式人工智能还能够通过对学习数据的分析与预测，帮助教师更精准地识别学生学习问题，并优化教学决策。例如，AI可以帮助教师分析学生学习薄弱点、预测学习风险，并进一步生成个性化学习建议。
因此，生成式人工智能已经不仅仅是一种“教学工具”，而正在成为推动教师角色转型、课堂结构重构以及教育生态升级的重要力量。
3. Gen+TPACK框架的重构逻辑
Gen+TPACK是在传统TPACK基础上，融入生成式人工智能能力后形成的新型教师知识框架。其核心目标在于推动教师从“技术使用者”转向“智能教育设计者”。
3.1 GenAI与技术知识（TK）的融合
在Gen+TPACK框架中，技术知识不再局限于传统数字工具的操作，而是扩展为教师对生成式人工智能系统的理解、调用与优化能力。
教师需要掌握提示词设计（Prompt Engineering），AI工具选择与评估，AI生成内容的真实性判断，AI伦理与数据安全意识和人机协同教学能力。教师的技术素养正在从“工具操作能力”转向“智能协同能力”。
3.2 GenAI与教学知识（PK）的融合
生成式人工智能正在重塑传统教学模式。
在Gen+TPACK框架下，教师需要重新理解学习者中心教学，探究式学习，项目化学习，自适应教学和智能反馈机制。
AI不仅能够辅助教师设计教学活动，还能够动态调整教学节奏与教学策略，使教学过程更加精准与灵活。
3.3 GenAI与内容知识（CK）的融合
生成式人工智能改变了知识获取与知识组织方式。
教师不仅要掌握学科知识本身，还需要理解AI如何生成、重构与传播知识。例如：AI生成内容可能存在偏差与幻觉，学科知识需要经过真实性验证和教师需要培养学生的信息辨别能力与批判性思维。
因此，教师的内容知识正在从“知识掌握”走向“知识治理”。
3.4 GenAI与复合知识结构的融合
（1）GenAI与TCK（技术内容知识）
教师需要理解AI技术如何服务于不同学科内容。例如：数学中的智能建模，语言学习中的文本生成，科学教育中的虚拟实验，或艺术教育中的创意生成。
（2）GenAI与PCK（教学内容知识）
教师需要探索如何利用AI更有效地呈现学科知识，并帮助学生理解复杂概念。
（3）GenAI与TPK（技术教学知识）
教师需要掌握AI支持下的新型教学策略，例如智能问答、实时学习分析、自动反馈以及学习路径推荐等。
（4）GenAI与TPACK
最终，教师需要形成一种融合AI技术、教学策略与学科知识的整体性能力，实现智能化、个性化与高效化教学。
4. Gen+TPACK的实施路径
4.1 GenAI赋能的教学创新
生成式人工智能正在推动课堂教学从“知识传递”向“能力建构”转型。
例如，教师可以利用AI快速生成案例、问题情境、学习任务与评价标准，从而提升课堂互动性与创新性。同时，AI还能够支持跨学科融合教学，促进学生高阶思维能力发展。
4.2 GenAI支持的教学过程动态重构
传统教学过程通常是线性的，而GenAI能够使教学过程更加动态化与实时化。
教师可以根据学习数据即时调整教学内容、教学节奏、学习任务、学习支持方式。
这种动态重构使教学更具个性化与适应性。
4.3 GenAI驱动的教学决策优化
AI的数据分析能力能够帮助教师进行学习行为分析、学习困难识别、学习效果预测和个性化学习建议生成。通过智能分析，教师能够提高教学精准度与教学效率。
4.4 GenAI促进的教学边界智能扩展
生成式人工智能突破了传统课堂的时空限制。
学生可以通过AI实现全天候学习支持，虚拟学习伙伴互动，全球化资源获取和多模态学习体验。
教师角色也逐渐从知识讲授者转向学习引导者、资源整合者与智能协同者。
5. Gen+TPACK面临的挑战
尽管Gen+TPACK具有广阔前景，但在实践过程中仍面临多方面挑战。
5.1 AI伦理与数据安全问题
生成式人工智能涉及大量学习数据收集与处理，可能引发数据隐私泄露，算法偏见，AI歧视和内容失真等问题。
因此，需要建立更加完善的教育AI伦理规范。
5.2 教师AI素养不足
许多教师缺乏AI技术理解能力与应用经验，导致AI工具无法真正融入教学实践。
因此，教师专业发展需要更加重视AI知识培训，Prompt设计能力，AI教学设计能力和AI评价能力。
5.3 教学依赖风险
如果过度依赖AI，可能削弱教师专业判断与学生自主思考能力。
因此，需要在人机协同中保持教师主体地位，避免“技术中心主义”。
5.4 教育公平问题
不同地区、学校与学生之间存在明显的数字资源差异。
如果AI教育资源分布不均，可能进一步扩大教育鸿沟。因此，需要加强教育数字基础设施建设，推动教育公平。
6. 结论
在AI+时代背景下，生成式人工智能正在深刻重塑教师知识结构、教学方式与教育生态。
Gen+TPACK框架不仅是对传统TPACK理论的扩展，更是教师专业能力向智能化转型的重要标志。
因此，教育领域需要进一步推动AI与教师专业发展的深度融合，建立更加开放、智能与人本化的未来教育体系。
参考文献：
Mu, Q. (2025). Exploration of Reconstructing the TPACK Framework Based on Generative Artificial Intelligence. International Educational Research, 8(6), p51-p51.
往期文章推荐：
AI培训越多，教师能力越强？这项研究给出了一个“反常识答案”
在“能动型生成式AI时代”（Agentic Generative AI Era），教育将走向何方？
