一、引 言

生成式人工智能（以下简称“生成式AI”）凭借强大的内容生成、逻辑推理与数据处理能力，不仅深刻重塑了传统理论教学形态，也为实验教学的系统性变革提供了全新路径。2026年4月，教育部等五部门联合印发了《“人工智能+教育”行动计划》（以下简称《行动计划》）。《行动计划》虽未专门针对实验教学作出系统性指导，但明确提出推动智能技术与教育“全场景覆盖”^[1]。工科实验教学是高校教学体系中的重要一环，也是落实新工科建设与卓越工程师培养目标的重要载体。《行动计划》的出台，为工科实验教学的智能化转型提供了重要政策指引。在新工科建设持续推进、智能技术加速融入工科实验教学的背景下，生成式AI技术已初步落地，展现出显著的赋能潜力。2025年6月，教育部高等教育司启动了第三批“人工智能+高等教育”典型应用案例征集工作^[2]，并于同年10月正式发布遴选结果，其中包含面向工科实验教学的示范案例^[3]。此外，国内一些高校在工科实验课程中开展了小规模的生成式AI赋能实践，相关探索散见于各类教改文献。从技术应用形态看，AI增强型虚拟仿真实验平台^[4]、大模型驱动的智能教学助教^[5]、智能数据处理工具^[6]等应用，已在部分高校的工科实验教学场景实现试点应用。从技术应用场景来看，部分高校已尝试将生成式AI嵌入课前、课中、课后全实验流程。总体而言，生成式AI赋能工科实验教学已取得初步进展，也体现了新工科智能化建设的重要趋势。然而，在技术不断嵌入教学的进程中，各类教学风险亦随之显现。

近年来，国内针对生成式AI赋能工科实验教学的研究迅速增长。现有研究多围绕教学模式改革、技术赋能路径、学习效能提升等维度展开，普遍肯定了生成式AI赋能的正面价值。近期的几项研究表明，生成式AI正推动工科实验教学模式的结构性变革^[7]，并为实验教学的范式转型提供了助力^[8]。一些研究认为生成式AI赋能工科实验教学有助于激发学生的创新能力^[9]，优化个性化学习体验^[10]，有利于理论知识掌握和实验操作能力的提升^[11]。部分实证研究简要提及了生成式AI嵌入工科实验教学的问题与风险,包括AI幻觉^[12]，过度依赖智能工具^[13]以及学术诚信风险^[14]等，但相关研究多基于单一教学案例，缺乏对共性问题的整体研判，对系统性风险治理框架的探讨亦有所不足。国外研究虽然也非常关注生成式AI带来的问题和风险，但既有研究多嵌入STEM（科学、技术、工程、数学）教育框架，专门聚焦工科实验教学这一特定场景的探讨较为有限。在现有研究成果中，多数研究侧重于生成式AI的积极影响，但也不乏对问题和风险的讨论，包括对生成式AI输出内容的批判性审视^[15]，以及对学生过度依赖生成式AI的担忧^[16]等。综上，现有研究多关注生成式AI的正面价值，对技术应用背后的潜在风险与治理机制探讨不足，同时对工科实验教学场景的系统性风险也关注较少。

生成式AI赋能工科实验教学正处于变革的关键窗口期，机遇与风险并存。当下，应当如何防范生成式AI不当应用引发的教学风险，推动技术真正服务于工科实验教学的育人目标？对以上问题的研究具有时代紧迫性。基于此，本研究结合质性调研材料，聚焦生成式AI嵌入工科实验教学的潜在风险，并提出可能的治理路径。这并非对生成式AI正面价值与赋能潜力的否认，而是回归工科实验教学初衷，理性审视技术应用的边界，推动智能技术与工科实验教学实现更深层次的良性融合。

二、研究方法与样本特征 1. 研究方法：半结构化访谈

本研究采用半结构化访谈法，对国内5所高校的7位实验教学人员（见表1）分别进行了45—60分钟的深度访谈。研究采用便利抽样方法获取初始种子样本，继而采用滚雪球抽样方法拓展访谈对象，直至访谈信息基本饱和。本研究采用的抽样方法不属于概率抽样，研究结论用于质性分析，不作总体推论。

2. 样本特征分析

首先，本研究聚焦工科实验教学场景，选取的样本均来自工科专业。其次，样本多取自“双一流”建设高校，样本代表性存在局限，重点在于深度剖析潜在风险与治理策略。最后，本研究选取的访谈对象均为工科实验教学一线从业人员，按岗位属性可分为两类：一类为教学科研岗教师，因本研究所访谈的这类对象均同时担任管理岗位，因此兼具实验课程教学实施与教学管理双重视角；另一类为实验技术岗与工程技术岗人员，专职承担实验实操指导与实验室运行保障工作。两类样本能够从不同职责维度观察学生的生成式AI使用行为与潜在风险，保障了调研信息的多视角性，能够在一定程度上避免单一岗位视角的认知偏差。

三、生成式AI嵌入工科实验教学的风险审视

生成式AI嵌入工科实验教学的过程中，可能衍生出多重教学风险。从风险的显现周期与作用层级来看，可大致划分为两类：一类指向学生核心工程素养的深层风险，具体表现为工程实践能力弱化与工程思维偏离。目前，生成式AI落地时间尚短，技术带来的长期负面影响尚未充分显现 ^②，现阶段亦缺乏大样本实证研究的证据。但在具体教学实践中，学生行为层面的AI依赖倾向已经可以观测到 ^③，相关风险已显露出可辨识的现实表征，具备前瞻性风险研判的必要性。另一类指向学术诚信与评价体系的表层风险，具体表现为借助生成式AI代写实验报告、伪造实验数据等学术诚信失范行为 ^④，以及现有评价体系的公平性危机。这类风险属于教学实践中的显性风险，是亟须直面的教学治理议题。

1. 工程实践能力弱化的潜在风险

（1）动手实操能力

工科实验教学的一个重要目的是培养学生的动手实操能力。工科实验教学是典型的具身学习过程：仪器操作的肌肉记忆、实验反应的直接观察、实验失败的临场调试、异常数据的疑惑与排查，这些手脑协同的具身经验，是纯理论学习无法完全替代的。E3认为：“工科实验教学必须完整保留线下实体仪器操作环节，生成式AI可作为辅助工具，但绝不能取代线下实体仪器操作的核心地位” ^⑤。基于访谈调查发现，学生的理论知识掌握水平与动手实操能力并非完全正相关，两者既有内在关联，又相对独立 ^⑥。E1表示：“在实验课程中，有些学生的理论部分表现得很好，但动手能力很差。相反，有些学生理论部分的分数不高，但是动手能力非常强” ^⑦。这一现象也说明了保留完整线下实操环节的必要性。生成式AI的技术优势集中在认知类任务，能够快速为学生解答理论疑问、梳理知识点，但对于需要具身参与、反复动手练习的实操技能，AI无法替代。相反，过度依赖生成式AI的文本指引，很可能对学生的实体训练过程造成潜在危害，将本应投入到手部实操与现场感知的精力，转向对生成式AI文本答案的被动依赖。

（2）数据分析与写作能力

在数据处理与分析环节，生成式 AI具备高效的数值计算与可视化生成能力，能够快速完成运算、误差分析、图表绘制乃至结果解读的全流程任务，实现“一键式”的数据处理效果 ^⑧。在实践中，学生仅需提供原始实验数据与基本要求，即可获得标准化的完整结果 ^⑨。在这个过程中，AI替代的不只是“计算”环节，更是从数据到结论的整个认知链条。工科实验的数据分析并非单纯的数理运算，而是嵌入了大量工程判断与专业决策。若这一过程被完整外包给智能技术，学生在获得标准化分析结果的同时，也错失了在反复数据处理中培养工程数据敏感度的训练机会，包括对异常值、误差范围与数据规律的敏锐感知 ^⑩。

工科实验报告并非普通的文本写作，其核心要求是用符合工程规范的语言、图表，完整呈现实验过程与结论，是未来撰写工程文档、技术报告的基础。学生若将实验报告的撰写全部委托给生成式AI，便失去了在撰写与反复修改中内化实验报告写作规范、完成从构思到完善的整体写作过程的训练机会。长期使用生成式AI直接撰写实验报告，或将弱化学生书面表达的基本功 ^⑪。同时，写作不仅是观点的表达，也是认知与反思的过程。生成式AI的“代劳”使学生绕过了这一过程，其后果不只是写作练习量的减少，更会引发学生知识建构与纠错能力的弱化风险。国外的一项研究认为：“使用ChatGPT会致使学生写出不实论断、错误的实验操作步骤，或是极度宽泛笼统的表述，而这些都是工科实验报告写作中不可取的”^[17]。

（3）解决复杂工程问题的能力

生成式AI的影响并非局限于某些单项技能，而是能够逐渐渗透到学生工程能力的各个方面，最终可能影响学生解决复杂工程问题的综合能力 ^⑫。工科是典型的应用型学科，其人才培养的核心目标之一是培养学生解决真实工程场景中各类非标准化问题的实践能力。解决复杂工程问题的能力并非单项技能的线性叠加，而是要求学生同时具备在复杂的真实情境中自主识别问题、调用多种能力、权衡多方因素等多项技能。在工科实验教学中，方案设计、设备操作、故障排查、参数调整以及面对各类现场异常情况的试错过程，是培养学生解决复杂工程问题能力不可或缺的环节。若以上环节被生成式AI替代，学生遇到难题就只能依赖AI给出答案，这种“认知卸载”行为会严重影响学生解决复杂工程问题的综合能力 ^⑬。除了过度依赖生成式AI带来的风险之外，大模型本身亦存在事实性错误与误导风险。目前常见的通用模型在专业领域的知识精度与操作指导性上存在短板 ^⑭，过度依赖通用模型反而可能阻碍学生解决复杂工程问题能力的养成。T3表示，目前通用模型存在技术适配性不足的问题，尤其是针对实验教学这种特定的教学场景 ^⑮。一项针对中国工程类专业学生的调研显示，有62.16%的受访者曾遇到过生成式AI生成的实验内容不准确的情况^[18]。学生若不加甄别地照搬错误实验步骤，不仅会造成实验结果偏差乃至操作失败，更会因缺失独立试错与溯源分析的完整过程，无法自主定位问题根源，导致故障排查与参数调整能力的弱化。长期依赖AI给出的“标准答案”可能弱化学生解决复杂工程问题的综合能力，而这正是工科实验教学最核心的培养目标之一。E2指出：“对生成式AI的不当使用，可能让学生跳过一些必要的训练，在享受技术红利的同时也陷入了‘虚高实短’的问题” ^⑯。

2. 工程思维偏离的风险

工程思维作为一种造物思维，植根于工程实践，是工程活动的灵魂^[19]。培育工程思维是工程教育的核心任务和基本内容^[20]，而工科实验教学正是培养学生工程思维的重要载体。生成式AI在工科实验教学中的不当介入并不会直接消解工程思维本身，但可能引发学生个体层面工程思维偏离的风险。

（1）问题意识倒置

工程思维具有鲜明的问题导向特征。在工科实验教学中，规范的工程推理链条应当是“发现问题—排查原因—解决问题” ^⑰。但在生成式AI工具的过度介入下，如果学生遇到问题就向AI询问答案，容易形成先拿到预设结论，再回头匹配实验过程的思维习惯，即便最终完成了误差分析，学生也并没有完整经历从现象追溯根源的推理训练 ^⑱，久而久之容易形成结论先行的思维惯性，背离工程思维立足现实问题的核心导向。

（2）权衡思维弱化

工程思维的核心特征之一是权衡性思维^[21]，即在技术可行性、经济成本、安全风险、实施条件等多维度之间寻求现实最优解。生成式AI模型给出的分析逻辑大多建立在理想模型之上，较少兼顾设备磨损、参数偏移、环境扰动等现实约束 ^⑲。然而，在实验教学中，学生对AI生成的内容往往甄别力度不够 ^⑳。T3认为，生成式AI给出的方案偏向技术维度，对其他维度的考量不足，如果学生长期依赖生成式AI，可能会逐步弱化对非技术因素的敏感度和关注度，极易形成“技术合理即方案可行”的片面认知 ^㉑，偏离工程思维多维度权衡的核心要求。

（3）过程思维缺位

工程思维是一种过程性思维，它要求从工程的全过程进行系统性思考^[22]。工程领域的过程性思维重视调试、修正、核验的全部中间过程，而非仅仅盯住最终结果。工科实验中，参数条件、操作步骤、异常现象、试错记录共同构成结论成立的前提，在实验报告撰写中，亦要充分体现过程调试的完整记录 ^㉒。学生若直接采纳生成式AI给出的实验答案，绕过调试观测、反复核验的完整流程，只截取最终结果，会导致工程实验由“过程性活动”简化为“结果性行为”。同时，生成式AI的数据处理过程具有“黑箱”属性，如果直接调用最终数据却不掌握背后的运算逻辑，长此以往，工科实验教学将从锤炼工程实践能力的过程性训练，异化为追求标准结果的功利性行为。

3. 学术诚信失范与评价公平性危机

（1）学术诚信失范的具体表征

生成式AI的使用可能引发的学术诚信失范问题受到访谈教师的普遍关注 ^㉓，包括篡改实验数据，代写实验报告等，尤其是核心环节的替写。在对实验数据的处理方面，生成式AI可以在学生指令引导下修饰、改写实验数据，抹平操作误差、设备系统误差与环境随机误差，但这种处理方式并非科学规范的误差校正。对实验数据的美化修饰在以往实验教学中便客观存在，而生成式AI的出现，进一步降低了数据人为改写的实现门槛 ^㉔。目前，很多学生已习惯于借助AI完成基础的数据处理工作，但也有一些学生利用AI平滑异常数据、剔除偏离理论值的实测结果 ^㉕。篡改实验数据，伪造不存在的实验流程等行为已触碰实验教学真实性的底线，属于学术诚信失范行为。另外，在教学实践中，部分学生已出现使用生成式AI代写实验报告的行为，尤其是核心环节的AI代写，但是面对疑似AI代写的实验报告，授课教师往往只是高度怀疑，难以获取确凿的判定证据 ^㉖。

（2）评价体系的公平性危机

生成式AI生成的实验报告、数据处理结果具有高度的拟人性，传统的学术不端检测手段难以有效识别。生成式AI工具的普及给实验教学的学术诚信治理带来了全新挑战。更棘手的是，当前主流的生成式AI内容检测工具存在算法偏见，无法作为学术不端判定的可靠依据。斯坦福大学（Stanford University）2023年的经典研究证实，常用的生成式AI检测器对非英语母语学生的作文误判率更高，平均假阳性率为61.3%，而这些检测器却能够准确分类美国学生的作文^[23]。在实验教学中，若使用这类检测工具对学生的实验报告进行检测，可能引发评价不公问题。也有学者认为，AI检测本质是概率性判断，不具备司法级证据效力^[24]。同时，人们难以区分“AI辅助”与“AI代写”的边界，尤其在面对“AI+人工修改”的混合文本时，常见检测工具的性能显著下降^[25]。生成式AI的引入使得传统的学术诚信治理体系面临新的冲击。目前，国内针对生成式AI代写的管控主要聚焦在学术论文领域，很少涉及实验教学。国内多数高校尚未出台针对实验教学的AI使用规范与学术诚信细则，学生的使用行为缺乏明确指引，教师的管理与判定也缺乏制度依据，形成了治理真空地带 ^㉗。

在生成式AI深度赋能工科实验教学的过程中，也衍生出了一系列与其他学科共通的伦理问题，如数据隐私泄露、实验数据安全失范、算法结构性偏见和教育公正等，此类风险直接冲击工科实验教学的核心目标。

四、可能的应对策略

当前，生成式 AI在工科实验教学中的应用正处于“技术先行、规则滞后”的治理真空期。针对评价体系公平性问题，单纯依赖AI检测技术无法从根本上解决，需要教学评价范式的适应性调整。例如，降低最终报告在评分中的权重，提升实验操作、过程记录、阶段性汇报、口头答辩等AI无法替代环节的评价占比 ^㉘，并建立申诉复核机制。上述调整属于教学评价改革范畴，其深层机制与实施路径有待进一步研究。学生端出现的各种问题和风险，主要且直接地源于学生对生成式AI的过度依赖及不合理使用。解决这些问题的核心是对学生的AI使用行为进行合理约束与引导。落实到具体的教学实践中，需构建“边界清晰、场景适配、全程监管”的规范化引导体系，在保障实验教学核心价值的前提下释放生成式AI的赋能潜力。

1. 明确分级使用边界

明确生成式AI使用边界，首先要明确生成式AI的使用红线。将“利用生成式AI生成伪造的实验数据、编造不存在的实验操作流程、让生成式AI代写核心探究内容”这三类行为纳入绝对禁止清单。实验教学的底色是实证求真，假数据、假流程从根上动摇了科研诚信的基础，这些行为也严重危害了对学生工程实践能力的培养。明确生成式AI工具的使用红线，既是给学生划好明确的行为禁区，也为后续处理违规情况提供了制度依据。

明确生成式AI的使用红线后，需进一步结合工科实验课程的培养目标建立分级授权规则，对不同层级的实验课程设置不同的使用权限。比如，基础验证性实验以印证理论知识，训练学生对仪器规范操作的能力，建立实验思维和良好的科研习惯为主，针对这类实验要严格限制生成式AI的使用，仅部分放开生成式AI的辅助功能，如借助生成式AI了解仪器操作原理。综合设计性实验的目标是培养学生自主选择方案，建立工程实现能力。针对这类实验，只允许学生使用生成式AI拓展思路，以及做工具层面的辅助。创新探究性实验是对工科生科研能力和工程实现能力的初步训练，重在培养学生的科研思维和工程思维。针对这类实验可以开放文献调研的权限。分级设置的好处是在严格管控和技术赋能之间寻找平衡点——既保证学生的能力得到训练，也不会压制生成式AI对创新探索的支撑作用。

2. 构建全流程差异化管控标准

实验教学是由预习、实操、复盘等多个环节构成的完整系统。T2表示：“当务之急是制定一个规范性的纲领，比如哪些环节建议学生使用生成式AI，哪些地方要尽力避免” ^㉙。针对生成式AI工具的使用规制不应止步于宏观层面的笼统表述，而应深度嵌入实验教学全链条，依据不同教学环节的能力培养目标设定差异化的使用边界与管控规则，实现规制要求与教学目的的有机契合。

课前预习阶段，可对生成式AI工具采取相对宽松的引导式使用规则，帮助学生提前梳理实验原理、熟悉操作流程与安全注意事项，降低预习门槛，提升课堂实操的效率与安全水平。课堂实操阶段，需要严格限定生成式AI的使用权限。实操是培养学生动手能力与工程思维的核心环节，仅当学生遭遇操作卡顿、故障排查困难时，才可以允许使用生成式AI提供分层提示引导，不得直接输出解决方案与标准操作路径。课后实验报告撰写与复盘环节，应坚守核心内容自主撰写，AI辅助的原则。学生可借助生成式AI完成数据预处理、图表绘制、格式调整等工作以提升效率，但实验现象分析、误差讨论、结论反思等体现核心思维的内容，必须由学生独立完成，严禁AI代笔。

3. 建立全过程监管机制

规则的落地依赖完善的监管机制作为支撑。针对当前工科实验教学中部分学生对生成式AI使用不当的行为，需构建“技术内嵌+制度保障+师生协同”的全过程监管体系，同时兼顾监管力度与教学温度。具体可从以下三方面推进：首先，开发内嵌式AI内容甄别功能，将监管功能直接嵌入智能实验教学系统与实验室管理平台，实现教学全流程的技术溯源；其次，制定梯度化的违规处置与引导方案，帮助学生养成合规的工具使用习惯；再次，建立动态规则评估与更新机制。生成式AI技术迭代迅速，管控规则不可能一劳永逸。高校可定期通过师生访谈、教学效果复盘等方式评估现有规则的适配性，结合技术发展态势动态调整生成式AI的适用边界与场景规范。

针对学生生成式AI使用行为的规范化管控，本质是在技术价值与教学目标之间寻求平衡。通过明确使用边界、细化场景规则、完善监管体系的整体设计，一方面可以对学生不当使用生成式AI的行为进行一定的约束，最大限度防范由此引发的教学风险。另一方面也能引导学生养成合理的生成式AI使用习惯，将技术转化为自身能力提升的手段，最终服务于工科实验教学培养学生科学思维与工程思维的核心目标。

五、结 论

生成式AI为工科实验教学的数字化转型提供了强大的技术动能，但其应用过程也伴随诸多教学风险。本研究立足工科实验教学的核心育人目标，从工程实践能力、工程思维、学术诚信与评价三个维度，对相关教学风险进行了系统性梳理。研究认为，生成式AI对工科实验教学的冲击并非单一的技术问题，而是深入触及人才培养的核心环节。在工程实践能力培养方面，对生成式AI的不合理使用能够损害工科实验教学的核心育人价值，引发学生工程实践能力弱化的风险。在工程思维培养方面，生成式AI重结果输出、轻过程推导的技术特性与脱离现实约束的技术逻辑，能够对工程思维所秉持的问题导向以及权衡性、过程性特征形成直接冲击。在学术规范层面，生成式AI的滥用弱化了实验教学的诚信育人功能，对学术诚信治理带来了新的挑战。

当前生成式AI嵌入工科实验教学面临的问题，本质是快速迭代的技术逻辑与相对稳定的教学逻辑之间的矛盾，核心在于技术的无边界、无约束使用。针对这一核心矛盾，本研究提出“边界清晰、场景适配、全程监管”的规范化引导体系，对学生的AI使用行为进行合理约束与引导，在保障实验教学核心价值的前提下释放生成式AI的赋能潜力。现阶段，需加速建设治理机制，最大程度消解技术应用带来的教学风险，引导生成式AI真正服务于工科实验教学的核心育人目标。

数据可用性声明：本论文的关联数据可在科学数据银行（https://cstr.cn/31253.11.sciencedb.0130h，https://doi.org/10.57760/sciencedb.0130h）中访问获取。

① 为保护受访人隐私，本研究对受访人采取“职称类型-数字”的方式进行自定义编码。其中，T代表教师序列，E代表工程师/实验师技术岗序列。虽所属职称序列不同，但所有受访人员均担任一线实验教学的工作，部分受访人员同时担任管理工作。

② 对T1的访谈，线上，2026年5月28日。

③ 对T1的访谈，线上，2026年5月28日。

④ 对T2的访谈，线上，2026年5月28日。

⑤ 对E3的访谈，线上，2026年5月25日。

⑥ 对E3的访谈，线上，2026年5月25日。

⑦ 对E1的访谈，上海，2026年5月14日。

⑧ 对T1的访谈，线上，2026年5月28日。

⑨ 对T1的访谈，线上，2026年5月28日。

⑩ 对T1的访谈，线上，2026年5月28日。

⑪ 对T3的访谈，线上，2026年6月1日。

⑫ 对T2的访谈，线上，2026年5月28日。

⑬ 对E2的访谈，线上，2026年5月22日。

⑭ 对E4的访谈，线上，2026年5月30日。

⑮ 对T3的访谈，线上，2026年6月1日。

⑯ 对E2的访谈，线上，2026年5月22日。

⑰ 对T3的访谈，线上，2026年6月1日。

⑱ 对T3的访谈，线上，2026年6月1日。

⑲ 对E2的访谈，线上，2026年5月22日。

⑳ 对E2的访谈，线上，2026年5月22日。

㉑ 对T3的访谈，线上，2026年6月1日。

㉒ 对T2的访谈，线上，2026年5月28日。

㉓ 对T1、T2的访谈，线上，2026年5月28日；对T3的访谈，线上，2026年6月1日。

㉔ 对T2的访谈，线上，2026年5月28日。

㉕ 对T2的访谈，线上，2026年5月28日。

㉖ 对T2的访谈，线上，2026年5月28日。

㉗ 对T1的访谈，线上，2026年5月28日。

㉘ 对T1的访谈，线上，2026年5月28日。

㉙ 对T2的访谈，线上，2026年5月28日。