备课提速最明显的地方，是草稿而不是决定
教师把课程主题、年级和时间交给生成式AI后，通常能很快得到活动步骤、问题清单或练习题。这类输出适合打开思路，尤其在需要比较多种呈现方式时很有帮助。但它不了解一间真实教室里谁刚接触这个概念、谁缺课、谁需要辅助工具，也不知道学校已有材料和课程进度。若把草稿直接当成教案，流畅的结构可能掩盖不适合学生的难度。
较稳妥的流程是由教师先写清学习目标和判断证据，再让AI提出活动变体。这样模型是在既定方向中扩展选项，而不是替课程决定方向。生成后还要删除与目标无关的环节，检查时间是否现实，并确认学生完成活动时真的会用到目标能力。
学习目标不能外包，因为它决定什么值得学习
模型擅长根据常见课程表述生成“理解”“掌握”或“熟悉”等目标，却不一定指出学生最后能做出什么。教师需要把目标写成可观察的能力，例如比较两种解释、用证据支持判断、修改一个不完整方案，或向不同对象说明同一概念。目标越清楚，越能判断AI建议的材料和活动是否相关。
目标还包含价值选择。课程为什么强调某段历史、某种方法或某个社会问题，不只是知识排序。教师要结合课程标准、学生处境和学科传统做出取舍，并能够向学生解释。这类责任不能用“模型推荐”代替。
学生差异不应被压缩成一个平均画像
AI常根据提示中的年级给出一个典型学习者，但同班学生的语言背景、先备知识、阅读速度和设备条件可能差异很大。教师熟悉这些差异，能判断某项活动是否会让部分学生在还没接触核心概念前，就先被长文字、复杂操作或公开发言挡住。
通用学习设计提供了一种实用思路：在不降低目标的前提下，提供多种参与、理解和表达路径。教师可以让关键概念同时有文字与图示，让复杂任务分阶段提交，也允许学生选择合适的表达方式。AI可以协助生成替代材料，但是否等值、是否可访问，仍需教师检验。
学科准确性需要回到可靠来源
生成式AI会把语言组织得很完整，即使事实并不可靠。人物、日期、公式条件和研究结论尤其容易出现看似具体的错误。教师不能只问答案是否顺口，应回到教材、原始文献或可信机构资料核对关键主张，并保留能够让学生继续查找的来源。
核对不必覆盖每一个普通句子，但凡会改变理解或评价的内容都应优先处理。若课程涉及快速变化的技术、政策或社会事件，还要记录资料日期。模型无法提供可验证来源时，相关内容只适合作为待查线索。
评价题目必须知道自己在测什么
AI可以快速产生选择题和评分标准，但题目表面合理并不表示能够区分学生是否理解。干扰选项可能依赖语言陷阱，开放题评分标准可能只奖励格式完整。教师需要亲自作答，检查题目是否和课堂目标一致，也要预想不同合理答案。
当学生可以使用AI完成任务时，评价更需要关注过程。可以要求保留问题修改、资料选择、反例检查和最终修订，让学生说明工具在哪些地方有帮助，哪些建议被拒绝。这样评价的对象从一份光滑成品，转向学生能否做出有理由的判断。
课堂数据不能直接交给公开模型
为了取得更贴近学生的建议，教师可能想上传作业、成绩或课堂记录。这里必须先考虑隐私、学校政策和数据最小化。学生姓名、账号、联系方式、健康与家庭信息不应进入未经批准的服务。即使删除姓名，完整作品和特殊经历也可能让身份被推断。
更安全的方式是使用去识别、节选或虚构示例，并在学校允许的环境中处理真实资料。教师也应告诉学生课程是否使用AI、数据会如何处理，以及学生能否选择替代方式。透明不会妨碍教学，反而建立合理预期。
提示词不是教学设计的替代品
一段很长的提示词可以约束输出格式，却不能自动证明活动符合学习目标。教师若不断追加角色、语气和步骤，只为了让模型产出一份看起来完整的教案，可能把时间从设计课程转移到调试文字。更有效的做法是先把教学决定写成简短约束，再让模型处理适合自动化的部分。
提示词也应保留可以复查的版本。课程团队若发现某种提问经常产生刻板案例或错误难度，可以修改共同模板，而不是让每位教师独自承担。版本记录不需要复杂系统，只要能够说明改了什么、为什么改。
教师还应避免把提示词当成需要对学生保密的魔法。展示如何从模糊问题变成清楚任务，可以帮助学生理解提问、限制和评价条件，这本身就是信息素养。
学术诚信需要从产品检查转向学习过程
只在提交后判断一段文字是否由AI生成，容易陷入不可靠检测，也无法解释学生到底学会什么。课程可以在任务前说明允许的协助类型，并要求保留提纲、来源选择、修改记录和短暂口头说明。过程证据比猜测文字来源更接近教学目的。
不同任务可以有不同规则。语言润色、资料归类和代码解释的风险并不相同。教师要说明哪些使用会改变评价对象，哪些使用相当于常见工具辅助。规则若能连接到学习目标，学生更容易理解，而不是把它视为任意限制。
当学生违反规则时，也需要区分不了解、误用和有意隐瞒。教育性的回应应让学生重新完成关键思考，而不是只追求识别工具。制度责任则包括提供清楚例子和可获得的帮助。
教师团队需要共同建立可用的AI经验
单个教师的尝试很难覆盖不同学科和学生群体。学校可以定期分享一个具体案例：使用了什么、节省了什么、出现哪些错误、学生如何反应。案例应同时记录失败和停止使用的理由，避免经验库只剩成功宣传。
专业学习不必从复杂模型原理开始。教师更需要练习核对来源、识别偏差、设计过程评价和保护数据。技术更新后，能够追问的能力比记住某个按钮更稳定。
管理者也要给教师合理试验时间和退出空间。若学校一面要求创新，一面不提供支持与审查流程，风险会被转移给课堂。共同规则应允许教师根据学科和学生情况做出保守选择。
把AI使用结果交还给课程改进
采用AI后，可以比较教师准备时间、学生提问类型、反馈速度和作品修订质量。不要只统计生成了多少材料，因为更多内容可能增加学生负担。观察应持续几个课程周期，并保留没有使用AI时的基线。
若学生交出的文字变得更完整，却在讨论中无法解释，课程可能需要增加现场推理和反思。若教师节省时间并给出更多个别反馈，则说明工具支持了更有价值的工作。评价重点应放在教学关系和学习证据，而不是工具使用本身。
教师保留判断并不意味着拒绝自动化。它意味着每一次使用都能回答：谁因此得到帮助，哪些风险被控制，出现错误由谁发现，以及这项改变是否值得继续。
学生反馈能揭示教师提示中看不见的问题
教师设计AI活动时，往往能够理解提示中的隐含要求，学生却未必知道需要保留哪些过程。正式评价前可以让少量学生试做，并询问他们在哪一步开始依赖工具、哪些规则难以理解。
反馈不只收集喜好。学生说AI“很方便”时，可以继续了解它具体节省了什么，以及是否让某些思考消失；学生说“不能用”时，也要区分技术限制、规则压力和对错误的担心。
根据试做修改任务后，应保留改变理由。下一位教师接手时能看见哪些做法已经验证，哪些仍需要观察，课程经验才不会随着人员变化消失。
不同学科需要不同的AI使用边界
在写作课中，修改语气可能就是学习对象；在数据课中，代码解释与结果验证可能更重要；在语言课中，翻译工具既能支持理解，也可能绕过练习。统一规定很难覆盖这些差异。
学科团队可以选择几类代表任务，分别说明允许的辅助、必须独立完成的部分和需要披露的使用。规则应配上例子，避免学生只凭工具名称猜测。
边界会随课程阶段变化。初学者可能需要先建立基础能力，高年级学生则可以把AI当作需要批判的协作对象。教师保留调整权，才能让规则服务学习而不是追随潮流。
备课资料也要有退出和复用方式
教师用AI生成的草稿、图片和练习如果只留在某次对话中，很难由同事检查或在下学期修改。适合进入课程的材料应回到学校使用的资料库，标示作者、日期、来源核验和适用班级。
能够复用不等于原样重复。教师需要知道当时学生、课程进度和工具版本，才能判断旧材料是否仍合适。把背景一并保存，会让AI辅助真正成为团队资产。
共享材料还需要标示哪些部分由AI参与、哪些事实已经人工核对。下一位使用者因此能把时间花在新的课程调整，而不是从头猜测文字来源。
如果学校以后更换工具，课程材料仍应以常见格式保留。教师专业知识不能被锁在无法导出的对话或单一平台里。团队还能定期挑选一份材料重新核对，确认引用、案例和课程要求没有过期。学生真正使用后的疑问也应写回教案，让复用材料保留课堂经验。课程负责人则需要确认共享资料没有包含个人信息。
教师要保留对文化和语境的判断
模型会根据大量既有文字给出常见答案，容易忽略地方语言、社区经验和少数观点。一个案例在别处成立，不代表能直接放进当前课堂。教师需要检查例子中的职业、家庭、地区和价值设定，避免让学生总是看到同一种生活。
语境判断也包括语言自然度。直接翻译的术语可能不符合学生平时使用方式，过度正式的说明会增加理解距离。教师可以请AI提供多种表达，再根据学科准确性和课堂语气选择，而不是让统一语调覆盖真实教学关系。
保留教师主体性，也要让学生理解AI的角色
教师不必把所有AI使用隐藏在幕后。适当展示一段错误或过度自信的回答，让学生一起核查，是很有价值的数字素养活动。学生会看见工具既能提出思路，也需要证据、背景和人的判断。
课程可以明确区分允许、建议和不适合使用AI的环节。例如资料整理可用，个人反思需要先独立完成，评价时必须标示使用方式。规则应说明理由，并随任务变化，而不是只有一条笼统禁令。
最终责任仍在教师。AI可以扩大备课选项，却不能替教师认识学生、建立信任、判断课堂气氛或承担评价后果。把省下的时间投入反馈、观察和课程改进，才是备课提速最有意义的结果。