人工智能（AI）技术，尤其是生成式人工智能，不仅为数据驱动的个性化、协作式学习提供了简便易用的工具，也推动了高等教育“数字化”教学方式的改革。王繁等[1]研究认为，人工智能背景下，高等教育在育人理念、办学路径、教学模式、学习范式和评价方式等方面要进行深层次变革；郭蕾蕾[2]研究认为，可以从教、学、育3个维度推动AI教育变革，构建个性化、多元化、动态化的教学体系，打造沉浸式、自主化和可视化的学习形态；Ouyang等[3]提出3种AI教育范式，揭示了其在知识建模、支持协作以及赋能学习者自主性等方面的不同作用机制。这些理论研究为AI赋能高等教育教学提供了重要依据，但将AI应用于理论教学、实验教学、实践教学等具有不同特点的教学场景仍具有一定的挑战性，需进一步探索其具体实现方式。
目前，部分教学探索为AI赋能高等教育提供了有效的实践路径。刘邦奇等[4]梳理生成式AI在当前各类学校已有的应用实践，提出其在真实教育场景下的五大实践场域（教学、学习、评价、管理、研究）21个方面和56个场景。同时，智慧树、学堂在线、超星等智慧教育平台集成DeepSeek等生成式模型，针对具体学科或课程开发了功能全面的AI教学平台，涵盖知识图谱、教师备课、自主学习、互动教学、学情跟踪和AI助手等功能。然而，这些探索多应用于理论课程教学，对实验实践类课程的应用模式总结及案例剖析有待进一步深入。
植物病理学作为一门既具有理论深度又依赖实验技能的学科，其教学内容主要依托实验室实践和经典教材。新农科背景下，该课程的实验实践部分不仅涵盖植物病理学技能教学，还要求突出对学生创新思维与科研能力的培养。常规教学模式受限于设备老化、信息化水平有限、创新能力培养不足、个性化评价指导不够等，人才培养效果不佳。对此，相关学者进行了教学改革与探索。例如，张立新等[5]从制定课程新体系、改革教学手段、完善成绩考评方式以及建立实验教学质量标准等方面，探索提升该实验课程教学质量的路径；张娜等[6]从完善教学材料、强化基础实验、增加设计性实验、强化实践环节和改进评定标准等方面加强该实验教学；尹良芬等[7]探索开发植物病理学虚拟仿真系统，构建了虚实结合的实验教学体系。然而，这些改革尚未充分整合数字化与AI技术，在实验实践教学中融入生成式AI，利用AI突破实验资源限制、培养学生创新设计能力以及实现对实验教学的个性化指导，是该课程教师值得思考和探索的重要课题。
本文聚焦AI赋能实验实践教学这一前沿课题，以普通植物病理学创新实验课程为具体实践场域，采用案例对比分析方法，系统构建AI赋能实验实践教学的应用模式框架，设计并实施一系列具体的AI赋能植物病理学教学的活动与案例，开发了低门槛、高适应性的AI实践路径。本文为AI技术在农业实验实践类课程中的有效应用提供参考。
1 AI赋能植物病理学教学的路径
1.1 打造基于AI的互动教学平台
为解决生物实验周期长、操作风险高等问题，相关人员探索了基于虚拟仿真系统的实验设计。例如，虚拟仿真实验教学项目共享服务平台（https://www.ilab-x.com/）提供了4 000余个虚拟仿真交互实验。这些系统交互性较好，但需针对每个实验进行专门定制和长期维护，易用性和拓展性有限。而AI在虚拟仿真教学（理论模拟或高风险场景）、实验交互和实时反馈等方面的应用，有助于该实验实践教学效果的提升。秦磊等[8]研究利用生成式AI构建了实验教学中的酸碱中和滴定图像模拟实验，以供学生反复尝试不同的变量组合实验，突破了设备和时间限制。因此，在植物病理学实验实践教学中也可借鉴类似方式。
植物病害调查是植物保护专业学生需掌握的一项基础技能，一般采用发病率、严重度、病情指数等指标对病害发生情况进行定量分析。对病害严重度的准确计量一直是相关研究的热点，其中计算机视觉和深度学习在各类病害分级中逐渐被广泛应用[9]。然而，植物病理学实验课程教学中仍采用病斑大小手工测量或“严重度标准图”方法，仅有少数学者基于ImageJ软件开展了图像处理技术的实验教学[10]。在普通植物病理学创新实验教学中，将100张病害照片发送给学生，将学生分成2个小组，分组统计每张叶片的严重度并计算病情指数。A组采用常规病斑面积测量法，并建立不同严重度的标准图，目测分级，耗时约2 h，准确率82%；B组学生使用DeepSeek R1大模型，经过层层调试，开发了基于Python的植物叶片病害严重度计量软件，耗时约1 h，准确率达97%，且在对新的100张病害照片进行分析时，仅需5 min。该工具不仅支持单叶片分析，还可批量处理，参数调整也可动态改变病健区域的对比效果（图1）。基于AI大模型的实验方法不仅实现了叶片病斑面积的准确测量，而且让学生更深刻地理解了病害计量原理。
1.2 发挥AI知识引擎和创新设计助手功能
一方面，AI可作为知识引擎，提升学生知识检索、鉴别与整合能力。植物病理学涵盖丰富的理论知识和不断发展的实验新技术，深入挖掘理论内涵、准确跟踪前沿进展是一项具有高挑战性的工作。常规教学方式主要依赖文献资料调研，效率较低，难以满足学生快速获取前沿知识的需求。基于学术资源库的AI平台提供了强大的“自然语言交互检索”特性和知识整合能力。例如，利用AI+PubMed返回结构性答案，并标注参考文献；Undermind研究助手提供引导式提问词帮助准确检索相关知识。在植物病理学实验中，借助DeepSeek对给定的10个植物病理学问题和实验原理进行回答；将学生分成6组，其中3组仅参考AI作答（对照组），另外3组为AI+师生讨论，将6组答案分别提交至ChatGPT进行打分。结果显示，AI+师生讨论组得分（平均9.2分）高于对照组（平均7.6分）。这表明，在应用AI开展实验教学的具体实践中，须充分发挥“师—机—生”的协同作用，批判性地应用AI输出的信息。
另一方面，AI可作为科学数据处理和创新实验设计的助手。实验数据的处理和绘图通常依靠专业软件或计算机编程语言进行，其成本较高，且需具备较强的专业知识，在植物病理学实验教学中较难顺利实施。通过AI技术平台，可帮助学生设计科学实验步骤、快速处理海量数据以及开发生物信息学分析工具。在AI辅助植物病理学实验中，学生针对具体需求开发了8个小工具，涵盖病害调查抽样图示、基因组序列提取、转座子插入位点鉴定、系统发育树构建、猕猴桃病害图像识别小程序等具体应用场景。例如，植物病原菌PCR检测是一种重要的实验方法，学生在设计特异性引物时，需从基因组中提取特定区间的序列和注释；配合DeepSeek R1，一组学生花费30 min开发了切割基因组gbff文件的可视化软件GenBank Slicer GUI，实现了对多序列注释文件的任意切割（图2）。实践教学中，教师需引导学生正确认识AI的工具性特点，通过AI解决实际问题，提升分析能力，但需避免过度依赖，且尊重他人著作权[16]。
1.3 利用AI完善跟踪反馈与全过程评估机制
对学生的实验成果进行及时有效的评估反馈是提升实践教学质量的重要手段，常规教学依赖指导教师的精力与时间，效率不高。利用AI技术提供的智能化实验指导与个性化反馈功能，有助于强化教学过程中“师—机—生”协同进步。教师可利用AI系统及时对学生的作品与报告进行评估，极大提升了反馈效率；学生也可利用生成式AI对个人作品进行批判性评估和改进。如图3所示，AI可根据学生表现和互动提供定制化反馈，以识别优势和改进领域，自动推送具有针对性的视频教程和模拟练习题。基于智慧树AI平台，对学生学习进度、实验操作、实验完成度、创新作品设计等进行全过程考核，并根据过程记录与AI反馈结果提供针对性辅导。
2 AI赋能普通植物病理学创新实验课程教学改革成效
AI辅助教学明显提升了该实验课程的实践教学效果。2024年春，在植物保护专业3个班级开展教学改革探索，其中2个班级开展AI辅助教学，另外1个班级采用常规教学模式。结果表明，AI辅助教学的班级学生学习活跃度明显增加，与教师的互动频率提升了2～3倍；其实践报告更加丰富多样，对问题的分析更具针对性；创新设计思路开阔，依据更为充分。AI辅助教学班级期末考核平均成绩分别为83.5和79.0分，而常规教学模式下班级学生的平均成绩为73.5分。学生评教结果显示，AI教学班学生的课程满意度分别为98.88%和98.75%，而常规模式教学班级的为97.42%。
AI教学明显提升了学生对植物病理学的科研兴趣，学生创新成果产出增加。2024年，两个AI教学班级学生主持的大学生创新创业项目6～7项，而常规教学班仅2项；AI教学班参与创新创业类比赛的学生均超过90%，而常规教学班仅74%。2024年度，两个AI教学班学生开发的8个小工具，已被本学科硕士研究生使用，极大提高了科研效率。此外，得益于课程中的AI应用经验，多名学生参与了植物病害相关科研工作，针对具体生产问题取得了重要进展。例如，通过AI辅助知识检索，学生以猕猴桃病虫害为对象，参与开发了“猕猴桃卫士”小程序，可拍照识别猕猴桃典型病虫害；针对猕猴桃采后软腐病发生率高、危害重的生产问题，借助实验室高光谱仪器对新采摘果实进行光谱扫描，在AI辅助下建立了针对猕猴桃健康果实与软腐病果实的分类模型，准确率达94.3%，为采后果实无损分选提供了技术支撑。相关成果获全国生命科学竞赛国赛三等奖，发表学术论文1篇[17]。
3 结语
随着人工智能技术的迅速发展，将其有机融入植物病理学创新实验实践教学，有助于为高等教育提供一条全新的质量提升路径。生成式AI在实验实践类教学中可应用于互动教学、知识引擎、创新设计助手和协作导师等方面，不同课程根据具体特点可在其中一个或多个方面深耕发力，在此过程中，需发挥学生中心地位、教师指导作用和AI工具辅助功能。此外，提升教师数字素养是开展AI辅助教学的基本条件，在AI赋能模式下，教师在课程设计和实施过程中有意识地使用AI工具，将自身角色转变为学习促进者和数据解读者，注重激发学生的自主性与创新性，在解决实验实践问题中形成典型的应用案例。实践中，普通植物病理学创新实验教学取得明显进展，学生的学习成绩、参与度及创新能力均明显提升。本文为相关实验实践教学改革提供参考，为在其他实验性学科中推广AI赋能教学提供经验支持。