International Open Access Journal Platform

近年来，人工智能技术已从基础教学辅助工具，逐步演进为教学体系的重要组成部分，全面融入课程设计、学习监测、行为分析和反馈决策等关键环节[1]。当前，教学活动由以教师经验为核心的传统模式，逐渐转向依托数据分析与智能决策支持的运行模式。这种转变不仅改变了课堂教学手段，更对课程教学的组织逻辑和运行机制产生了深层影响。然而，在现有实践中，AI教学的应用多集中在资源推送、作业批改和学习记录等技术层面，其对课堂教学结构性逻辑的影响尚未得到系统梳理。特别是在理论性强、知识体系严密的基础课程领域，AI技术介入往往带来新的适应性问题，表现为教师难以把控教学节奏、学生学习路径碎片化及课堂互动重心转移等，反映出教学机制层面的结构失衡[2]。为此，本文构建AI与BOPPPS教学模型深度融合的动态调节机制，以解决上述问题。

“材料力学”作为工科专业的核心基础课程，课程知识具有高度抽象性与严密逻辑性，其教学过程高度依赖授课教师对概念生成、推导路径和问题情境的整体把控[3]。该课程学习不仅要求学生掌握计算技能，更强调对“材料力学”概念体系的结构性理解与迁移应用能力。因此，教学活动往往呈现出“概念建构—逻辑推演—工程应用”的链式结构，对课堂节奏与认知引导具有较高要求。在人工智能技术介入课堂教学后，原有教学结构中的部分环节被平台数据与算法推荐所替代或干预，教师对教学过程的整体掌控被打散，学生学习活动由课堂集中型转向平台分散型，教学行为与学习行为的耦合关系被削弱。这种变化使“材料力学”课程教学更容易出现流程完备而教学机制失效的问题。

综上，当前AI教学研究存在从工具应用层面向机制分析层面深化的理论需求。本文围绕以下核心问题展开：在人工智能技术深度介入背景下，BOPPPS教学模型在高校“材料力学”课程中的教学运行机制发生了何种结构性变化？基于此，本文从教学机制层面对AI赋能BOPPPS模型的运行逻辑进行分析与建构，为“材料力学”课程的智慧教学改革提供理论支撑。

1 “材料力学”课程AI教学研究现状

1.1 AI在工科基础课程教学中的应用现状

当前，人工智能技术已广泛应用于工科基础课程教学的多个环节，应用场景主要集中在三个层面：一是教学资源智能化供给，通过算法推荐为学生推送个性化的课件、习题和案例资源；二是教学过程自动化管理，实现作业智能批改、学习进度跟踪和考勤统计等功能；三是学习结果量化分析，通过答题数据评估学生的知识掌握程度。

然而，现有AI教学应用普遍存在重工具、轻机制的问题。多数研究仅将AI作为传统教学流程的补充工具，未深入探讨技术介入对课堂教学运行机制的结构性影响。对于“材料力学”等理论性强、逻辑链条严密的课程，这种浅层应用容易导致教学过程割裂，出现流程完备而教学机制失效的现象，具体表现为教师对教学过程的整体掌控被打散、教学行为与学习行为的耦合关系被削弱、学生认知负荷增加等。

1.2 BOPPPS 教学模型在“力学课程”中的应用与局限

BOPPPS模型通过导入（Bridge-in）、目标设定（Objective）、前测（Pre-test）、参与式学习（Participatory Learning）、后测（Post-test）和总结（Summary）六个教学环节[5]，将教学活动分解为具有明确功能的结构单元，其设计与人类认知规律高度契合，有利于实现教学活动的阶段化组织与目标化管理[4]。

在“材料力学”教学实践中，BOPPPS模型展现出良好的结构适配性：首先，前测环节可精准诊断学生对内力、应力等核心概念的认知偏差；其次，参与式学习环节能引导学生主动完成公式推导与建模计算；最后，后测环节则有助于强化学生的知识迁移与工程应用能力。但传统BOPPPS模型存在明显的内在局限：一是运行高度依赖教师个人教学经验，教学节奏与策略调整缺乏客观数据支撑；二是反馈主要集中于阶段性测试节点，难以实现对学生认知状态的实时调节；三是模型默认学生的学习节奏相对统一，无法有效适配个性化学习需求。

1.3 AI与BOPPPS融合教学的研究缺口

现阶段有关AI与BOPPPS融合教学的研究，多聚焦于具体教学环节的优化设计，如利用AI实现前测与后测的自动化、通过智能平台开展参与式学习活动等。但现有研究较少从教学机制层面，系统探讨AI技术对BOPPPS模型内部运行逻辑的重构作用，尤其缺乏针对“材料力学”等具有特殊知识属性的工科基础课程的适配性研究。同时，多数研究未结合学生认知特点与学习需求进行机制设计，导致融合教学模式难以真正解决学生的学习痛点。

2 “材料力学”课程教学中学生的认知与需求

2.1 传统教学模式下学生的认知困境

在传统“材料力学”课堂教学中，学生的认知活动主要呈现出以下困境：教师只能通过课后作业、单元测验等阶段性方式掌握学生学习情况，无法及时发现学生在概念理解、公式推导中的误区，导致学习问题不断累积；课堂教学以教师板书推导和例题讲解为主，学生多处于被动接受状态，缺乏深度思考和主动探究的机会，难以形成完整的力学知识体系；统一的教学进度无法兼顾不同学情学生的学习需求[6]，基础薄弱的学生跟不上节奏，而学有余力的学生则得不到充分拓展[7]。

2.2 AI技术介入后学生的认知变化与新挑战

AI技术的引入改变了学生的学习方式和认知逻辑，也带来了新的认知挑战：学生需要同时适应线下课堂学习和线上平台学习两种模式，频繁在任务和界面之间切换，导致注意力分散，认知负荷显著提升；算法推荐的碎片化资源和个性化任务，容易破坏力学知识体系的逻辑性和完整性，使学生难以形成系统化认知结构；课堂互动认知深度下降，部分师生互动被人机交互替代，缺乏面对面的思维碰撞和情境化交流，导致学生对复杂力学问题的理解深度不足。

2.3 “材料力学”课程学生的核心学习需求

结合“材料力学”课程的知识特点和学生的认知特征，可将学生课程学习的核心需求归纳为四个方面：一是需要清晰连贯的知识讲解和逻辑引导，帮助建立完整的“材料力学”概念体系和思维框架；二是希望在学习过程中及时获得学习反馈，快速纠正认知偏差；三是不同基础和学习能力的学生，需要适配的学习资源、任务难度和学习进度；四是需要将理论知识与工程实际相结合的情境化学习资源，提升解决实际工程问题的能力。

3 高校“材料力学”课程AI教学运行机制模型构建

人工智能技术并非简单嵌入既有教学流程，而是通过数据感知、学习分析和智能反馈等功能，改变课堂运行的调节方式与控制结构。在AI介入BOPPPS模型后，教学逻辑由阶段式推进流程转变为数据驱动的调节机制，表现为教学权限分配、反馈路径和认知支持方式的系统性重构。

3.1 多维度融合的研究方法体系

如图1所示，本研究采用多方法融合的系统性研究范式，从理论建构到实践验证全方位推进研究工作，具体研究方法如下。

文献分析法：系统检索国内外核心叙述数据库，梳理AI自适应学习、BOPPPS模型及“材料力学”教学改革的研究脉络，明确现有研究的空白与突破方向，奠定课题理论基础[8]。

实验研究法[9]：选取同年级、同专业的两个平行班级开展为期一学期的对照教学试验，对比新型教学模式与传统教学模式在学生成绩、课堂参与度、工程问题解决能力等维度的差异，量化验证教学模式应用的效果。

数据分析法：依托AI平台实时采集学生全流程学习行为数据[10]，运用聚类分析、关联规则挖掘等方法构建认知状态评估模型，研判学生个性化学习规律，为教学优化提供数据支撑。

调查研究法：通过标准化问卷与半结构化深度访谈相结合的方式，收集师生对该教学模式的接受度、体验感受与改进建议，全面评估模式应用效果。

图 1 主要研究方法

Figure 1 Main research methods

3.2 三层递进闭环式技术路线模型构建

基于BOPPPS模型的结构化优势与AI技术的赋能特性，本文构建现状分析、协同设计与实施优化三层递进的闭环式技术路线模型，具体构建路径如图2所示。

首先，从“材料力学”课程教学瓶颈、多模态资源利用、传统教学经验、智能教育应用四个维度开展系统性调研，精准定位技术与教学融合的切入点，为模式设计奠定现实基础。

其次，教学环节严格遵循BOPPPS六步流程（课程引入→学习目标→课前摸底→参与学习→课后测验→分析总结），保障教学系统性；AI平台对应设计三大功能模块，其中学情分析模块支撑课前环节、教学监控模块贯穿课中环节、资源策略模块覆盖全流程，实现技术手段与教学过程的深度融合。

最后，教学实施阶段依次完成班级实践、数据收集与分析反馈，通过平行对照试验保障实践严谨性，基于数据分析结果动态调整教学策略；总结优化阶段整合多维度反馈开展全面评价，形成可复制、可推广的教学范式。

图 2 技术路线图

Figure 2 Technical roadmap

3.3 对“材料力学”课程教学改革的多维启示

本研究构建的教学运行机制，可为工科基础课程智慧教学转型提供多维度实践启示。

（1）教学设计方面：从内容安排转向调节机制设计，通过打破以知识传递为中心的思维，将核心转向构建数据驱动—实时反馈—动态调节的闭环机制。在BOPPPS各环节设置分层反馈节点，提前制定学情适配的调节预案，实现以学定教。

（2）教师角色方面：从知识传授者转为认知调控者，通过将重复性事务性工作交由AI完成，教师聚焦于学习节奏把控、问题探究引导与个性化学习支持，针对不同层次的学生开展差异化指导，培养学生的力学思维与高阶问题求解能力。

（3）平台建设方面：从资源服务转向综合调节支持，突破现有平台的基础功能局限，重点开发多模态数据融合分析、认知风险预警、智能教学策略推荐三大核心功能，实现技术与教学流程的无缝衔接。

（4）评价体系方面：从终结性评价转为全过程综合评价，构建过程性评价与终结性评价相结合的多元评价体系，将课前预习、课堂参与、工程实践、创新能力等纳入评价指标，借助AI实现评价数据的自动采集与量化分析，全面、客观反映学生学习成效。

4 结论与未来研究方向

本文从教学机制视角，分析AI赋能BOPPPS模型对“材料力学”课程课堂运行逻辑的重构作用，提出三位一体的教学运行机制模型。研究表明，AI技术通过改变反馈路径和调节结构，使传统线性课堂教学转变为动态调节机制，为工科力学基础课程智慧教学提供了新型运行范式。未来研究可在真实教学环境中开展实证验证，进一步量化模型运行效果，并探索该教学机制在不同学科场景下的适配性。

参考文献

[1] 吴兰，毛炫懿．人工智能技术赋能高校课程案例库建设的应用场景、痛点及优化路径［J］．中国高校科技，2025（12）：91-96．

[2] 蒋菁华，汤浩．AI+BOPPPS模型在高职商务英语教学中的参与式学习模式设计——以综合商务英语课程为例［J］．湖北工业职业技术学院学报，2024，37（5）：81-84．

[3] 杨晶，白雨，邓美林，等．以学生为中心的材料力学课程教学创新改革［J］．高等建筑教育，2024，33（5）：155-161．

[4] 吴静，程瑶，孙苗，等．BOPPPS教学模型在地方高校中的智慧教学应用——以湖北工程学院路基路面工程课程为例［J］．高等建筑教育，2026，35（2）：134-143．

[5] 余丽婷．AI赋能下基于“BOPPPS+对分课堂”融合教学模式的创新实践——以“经济学基础”课程为例［J］．安徽职业技术学院学报，2025，24（4）：84-90．

[6] 朱亚玲，李菲菲，张梦琦，等．AI赋能BOPPPS模型在病理生理学教学中的应用与实践探索［J］．济宁医学院学报，2025，48（3）：283-288．

[7] 陈伟锋，沈永进，邢夏盈．基于“AI+SPOC+
BOPPPS”模式的新能源汽车技术专业教学改革研究［J］．汽车与驾驶维修（维修版），2025（8）：82-84．

[8] Saquib S S，Faiza F，Yassine H，et al．Decoding ChatGPT：A taxonomy of existing research，current challenges，and possible future directions［J］．Journal of King Saud University - Computer and Information Sciences，2023，35（8）：101675．

[9] 严筱，张钟允，杜丹．基于“雨课堂+BOPPPS”的“仓储管理”课程混合式教学改革与实践［J］．物流科技，2026，49（9）：168-172．

[10] 杨波，毛明扬．基于BOPPPS与AI协同的数据库教学设计优化路径［J］．科技经济市场，2025（9）：152-154．