从在线教科书到视频库，数字教育工具改变了全世界学生获取信息的方式。然而，尽管技术和可及性有了显著飞跃，数字学习往往仍然像是一种被动的体验。那种互动、投入、多模态、能鼓励学生独立思考并逐步求解的练习形式，对学习大有潜力，却在很大程度上遥不可及：它们制作成本高、数量有限，而且往往需要教师付出多得多的精力。我们想看看 AI 能否帮助弥合这一差距。
今天，我们分享推动交互式学习前沿的最新研究。这项新的研究实验让教育工作者能够创建定制的、交互式的、带引导的教学模拟。这些学习交互件（learning interactives）围绕教师的目标和课程量身定制并动态生成，采用了我们为学习场景优化过的生成式用户界面（GenUI）的一种新颖应用。
在受信任的测试教师群体中获得初步积极反馈后，我们还发布了一个示例库，包含 30 多个英文学习交互件，涵盖物理、化学、生物和数学等 STEM 学科，重点面向初中和高中。它们均由 AI 生成并经教师审核。使用 Google Workspace for Education 的学校可以报名，通过 Google for Education 试点计划提供反馈，帮助改进学习交互件。这个试点是开发更多面向公众的学习交互件的早期一步。
主动学习的理由
学习不是一项旁观者的运动。从教育理论奠基人 John Dewey 早在 1916 年就提出应当“让学生有事可做”，到颇具影响力的心理学家 Jean Piaget 的开创性工作揭示了学习者如何建构知识，学生通过主动参与学得更好，这一点早已是公认的。ICAP 框架等现代认知研究也证实，互动行为始终比被动听讲或阅读更能促成深层的图式（schema）建构和长期记忆保持。简而言之，学生是在做中学。当学生主动实验、检验假设并解决问题时，他们会建立起远为完整的心智模型。
主动学习是我们研究中所优化的关键学习科学原则之一。它是 LearnLM（Google 于 2024 年发布的、针对教育微调的生成式 AI 模型家族）的根基，也在 2025 年的 Learn Your Way 研究实验中得到探索，该实验用生成式 AI 重新构想了传统教科书。在这些早期研究的基础上，我们着手探索如何利用生成式模型的最新进展进一步变革内容，帮助教师创建更加主动、更具吸引力的数字化学习。
将生成式 UI 适配到教育场景
为实现这一点，我们转向了生成式 UI。这是一个活跃的研究领域，由 AI 模型动态构建用户界面，而无需预先编写这些界面的代码。
我们探索了如何针对更深入的教育历程，而非快速的交互，来优化生成式界面。通过精心引导的教学设计和教学法护栏，我们希望让教师能够创建属于自己的交互环境——为他们的课程量身定制，并适应他们的具体情境输入。
教学设计
我们首先要确定什么样的交互式学习体验才是好的。我们借鉴成熟的学习科学，界定了若干关键的教学法原则，这些原则与 LearnLM 开发背后的原则一致：
- 与课程和教师认可的学习目标保持一致（例如在地球科学中，比较不同云量如何影响当地气温，并预测风速和风向如何影响天气模式）。
- 促进主动的、探究式的学习，这需要动机和引导两者才能奏效。
- 确保每个模拟在事实上准确。
这些原则体现在我们基于游戏的学习设计中。为激发动机，每个学习交互件都依据学习目标设置了一系列难度递增的挑战（例如在上述地球科学示例中，第一关聚焦气温，随后才进阶到关于快速变暖和风暴的更难挑战）。与之配合的是一整套分层的提示、说明和反馈（例如把学习者引向相关公式，或解释某个特定术语），为每位学习者提供完成各关卡所需的支持。
我们将生成要求定义为包括：
- 对学习目标的审慎表述：按设计，教育者居于主导，由其提出想要聚焦的主题。随后我们生成一组精确而连贯的学习目标。这些目标可以修改，并能根据课程目标量身调整。它们必须经教师批准，并作为生成学习交互件的基础。
- 结构化的游戏关卡：我们借鉴基于游戏的学习的要素，把每个复杂主题拆分为关卡，每个关卡有与学习目标一致的明确目标。学生通过一系列难度递增的挑战来探索主题（见下图顶部的关卡进程）。这种做法通过将刻意练习与恰当校准的挑战相结合，促进主动实验并维持学习者的动机，随着学生在越来越复杂的概念上日益熟练，培养出不断增长的胜任感。
- AI 生成的脚手架：为了有效引导学习者通过各个关卡，我们生成了一整套分层的引导内容。如下所示，其中包括：用于唤起学生已有知识的导入、含相关公式和理论的工具箱、多个层级的提示、针对性的反馈（说明某个回答为何可行或不可行），以及在学生自行探索之后用于巩固理解的详解。这些内容都经过教师和学生的测试与迭代。通过提供实时的、感知情境的引导，而不是直接揭晓答案，我们鼓励批判性思考，帮助学生自己找出解法。
带教学法护栏的迭代式生成
为确保质量可控，我们在生成过程中构建了自我纠正循环——也就是说，这是一个由多项教学法护栏驱动的迭代过程。虽然这会增加生成最终学习交互件所需的时间，但这种强力的强化循环能确保更严格地符合质量标准。这些标准包括教学法（例如，各关卡是否正确覆盖了学习目标并且难度逐步提高？）、机制（例如，按钮是否有效？这一关能否被解出？）以及视觉层面（例如，界面上是否有可能分散注意力的多余对象？）。在自我纠正循环中，有一些带有智能体性质的自动评估流程（例如，可解性评估会打开一个 Chrome 实例，像用户一样与模拟进行交互）。目标不仅是测试某个特定解法的有效性，还要尝试对抗性的操作，比如把旋钮拧到极端值。自我纠正循环会不断重复，直到生成结果满足所有要求的标准。
由 AI 生成，经教师审核
在整个研究过程中，一条核心指导原则是：技术应当服务于教育工作者及其目标。教师是任何课堂的核心，他们不仅最了解哪些 AI 驱动的模拟能吸引学生，也最清楚它们应在何时何处融入课程。库中发布的、今天即可使用的所有学习交互件，都经过教师审核和批准。其中的主题来自学校课程，例如开普勒行星运动定律、数据可视化和抛体运动。
此外，英国的 STEM 教师对一批学习交互件进行了评估。结果显示，总体评分为良好或优秀，其中物理和化学最适合创建模拟。完整的细节和结果见我们的技术报告。
我们还对美国的 12 位教师做了一项初步研究。每位教师请求了三个不同的定制交互件，它们是针对其具体课堂需求生成的。反馈非常积极，教师对交互件质量的平均评分为 8 分（满分 10 分）。教师们强调，动态生成解决了课堂上长期存在的一个难题：用静态的现成模拟无法实现差异化教学。正如一位高中理科教师所说：“如果我在教课时，能把这个输入进去（针对任何课程主题），然后就生成一个模拟，那太棒了……我从来没法对任何模拟做差异化调整，因为你拿到什么就是什么。”
教育者还指出，生成的设计元素与他们的教学目标高度吻合：“这就是为什么亲手打造出与教学目标和学习目的完全契合的东西让人如此兴奋。”（一位初中理科教师）。他们还称赞了内置的学生脚手架，指出分层提示和详解模拟了他们在个别辅导学生时提供的逐步引导，而且关卡的递进与真实的评估和练习题对应得很好。
我们与教师合作的下一步
随着库的扩充，仍有许多需要学习和改进之处，我们会与课堂教师合作来完成。
我们将与 Google for Education 合作，在世界各地的学校和课堂中试点学习交互件。学校可以通过 Google for Education 试点计划报名参加即将开展的试点，让其教师有机会针对任何符合其课程、学习目标和年级的自定义 STEM 概念请求模拟。新生成的学习交互件会发送给提出请求的教师审核。只有经过教师验证和批准，新的学习交互件才能加入我们的库并向公众开放。
此外，我们还将开展用户体验研究和实地研究，评估在课堂中使用学习交互件时的学习收获和学生参与度。
通过针对学习优化生成式技术，我们离这样一个未来更近了一步：学习练习更加主动、更有成效，并且贴合每一个时刻。我们感谢教师们对这项持续研究的合作，期待打造出能让全世界学生受益的学习交互件。
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。