EN中文

Tropical Geography >

2026 , Vol. 46 >Issue 1: 190 - 199

DOI: https://doi.org/10.13284/j.cnki.rddl.20250493

AI-Generated Content (AIGC) and Metaverse-Empowered Geography Education: Practical Exploration of an Immersive Scenario and Intelligent Tutoring Collaborative Teaching Model

  • Zhaoxiong Liang ,
  • Hongyi Zhou ,
  • Xizhi Wang ,
  • Dan Xu
Expand
  • School of Architecture and Planning, Foshan University, Foshan 528000, China

Received date: 2025-07-22

  Revised date: 2025-11-04

  Online published: 2025-12-28

Fold

Abstract

Traditional geography teaching has long faced core challenges, such as difficulties in visualizing abstract concepts and the limitations of high-risk or high-cost practical activities. Although AI-generated content (AIGC) and metaverse technologies have individually shown educational potential, existing research is largely confined to single-technology applications. There is a lack of a cross-technology synergistic framework tailored to the three-dimensional attributes of geography ("spatial-temporal-process"), resulting in insufficient adaptation between technology and pedagogical needs. To address this gap, this study aimed to construct a novel geography teaching model synergistically empowered by "AIGC + Metaverse". Through empirical research, it sought to validate the effectiveness of the proposed model in enhancing students' core competencies, thereby providing a verified and systematic solution to overcome traditional teaching dilemmas an."d promote the intelligent transformation of geography education. This study developed a closed-loop teaching model consisting of "Scenario Immersion—Intelligent Guidance—Assessment Optimization". The model employed metaverse technology to create high-fidelity immersive geography scenarios (e.g., a digital twin environment of a dangerous rock mass), while leveraging AIGC to build an intelligent tutoring system that supported personalized guidance, intelligent Q&A, and formative assessment. Deep integration was achieved through data and pedagogical process synergy mechanisms. To validate the model's effectiveness, a quasi-experimental study was conducted over two academic years using the "Spatial Information Collection and Risk Assessment of Dangerous Rock Mass" experiment as a case study. A multidimensional dataset, including experimental scores, learning behavior data, and system logs, was collected to comprehensively compare outcomes between a traditional teaching group and an "AIGC + Metaverse" synergistic group. The empirical results demonstrated that the "AIGC + Metaverse" synergistic teaching model achieved significant improvements over the traditional model. In terms of practical operation ability, students' average scores in operational standardization and data completeness both increased by 12.5%. Improvements in spatial analysis ability were particularly prominent, with the average score for measurement accuracy increasing by 28.57% and the average score for analytical logic by 14.29%. Regarding innovative application ability, the average score for the quality of risk assessment reports rose by 28.57%, and the average score for thinking questions by 14.29%. Ultimately, the average score for comprehensive task ability improved by 11.25%. The study concluded that this synergistic model, by combining immersive metaverse scenarios with the intelligent AIGC feedback, effectively resolved the core contradictions of traditional geography teaching. It facilitated a shift in students' roles from passive recipients of knowledge to active explorers of capability, thereby achieving a fundamental paradigm shift from "knowledge transmission" to "capability empowerment." The contributions of this study are threefold. First, it offers theoretical innovation by constructing and validating a synergistic teaching framework integrating AIGC-generated content, metaverse-hosted scenarios, and real-time AI tutor interaction, thus filling the gap in existing research on cross-technology synergy and discipline-specific adaptation. Second, it provides a practical paradigm by delivering a replicable, scalable, and systematic teaching solution, serving as a concrete example for geography education reform. Third, it contributes to domain expansion by exploring a viable path for the deep integration of advanced intelligent technologies with subject teaching in the context of educational digitalization, offering theoretical references and practical insights for innovative teaching in related disciplines.

Key words： geography teaching; AI-generated content; Metaverse; collaboration; teaching mode

Cite this article

Zhaoxiong Liang , Hongyi Zhou , Xizhi Wang , Dan Xu . AI-Generated Content (AIGC) and Metaverse-Empowered Geography Education: Practical Exploration of an Immersive Scenario and Intelligent Tutoring Collaborative Teaching Model[J]. Tropical Geography, 2026 , 46(1) : 190 -199 . DOI: 10.13284/j.cnki.rddl.20250493

在教育数字化转型的国家战略驱动下，中国相继出台《中国教育现代化2035》（中共中央 国务院，2019）《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》（教育部 等，2021）等政策文件，明确将“教育新基建”作为推动教育高质量发展的重要支撑，强调以人工智能、虚拟现实等技术加速教育数字化转型，构建“智能教育”新生态。
地理学科作为一门兼具自然科学与社会科学属性的综合性学科，对学生的“地理实践力”与“信息技术融合能力”提出了明确要求（罗敏 等，2022；邵延秀 等，2025；王梅梅 等，2025）。然而，传统地理教学长期面临“抽象概念可视化难”“空间尺度理解困难”“动态过程难以观测”“高风险/高成本区域实地考察受限”等问题（邓敏 等，2023；石岩 等，2024；施贵刚 等，2024），亟需通过技术手段重构教学场景，提升学习体验的沉浸性与交互性。
生成式人工智能（AIGC, AI-Generated Content）作为一种新兴的人工智能技术，能够基于自然语言指令生成高质量的文字、图像、音频、视频等多种内容，具有强大的内容生成能力和个性化定制能力（杨宗凯 等，2023；陈永伟，2023；李白杨 等，2023；凌杰 等，2025）。元宇宙则是一个虚拟的、沉浸式的数字空间，通过虚拟现实（VR）、增强现实（AR）等技术，为用户创造出高度逼真的虚拟场景和交互体验（刘革平 等，2021；华子荀 等，2021；翟雪松 等，2022；刘革平 等，2022）。AIGC与元宇宙技术的融合发展，为地理教学提供了新的应用前景。AIGC能实现个性化教学和智能化辅导，元宇宙则为学生提供了一个沉浸式、可交互的虚拟地理空间，让学生能够身临其境地感受地理现象和过程，增强学习的趣味性和参与度。这种融合模式不仅能够突破传统教学瓶颈，还能使学生在虚实结合的学习环境中深化自我地理核心素养。本研究旨在探索“AIGC+元宇宙”赋能地理教学的设计框架，并通过严谨的对比教学实验，实证分析其相较于传统教学的具体成效，以期为智能教育时代的学科教学创新提供经过验证的理论参考与实践范例。

1 元宇宙和AIGC在教育中的研究概况

近年来，AIGC和元宇宙在教育领域的应用研究逐渐深入，展现出多学科融合的创新潜力。在元宇宙教育应用方面，张策等（2024）构建了元宇宙教学平台架构，强调AI赋能的智慧元宇宙教学将重塑教学资源、环境与组织形式。郭江浩等（2025）聚焦元宇宙体育教学，提出具身化、情境化和游戏化等应用场景，并指出其在优化教学资源与环境的同时需应对伦理与技术挑战。余越凡等（2024）基于职业教育需求，设计了元宇宙虚拟仿真实训系统，通过场景层、关联层和工作层的协同，为学习者提供复杂任务情境与自主决策空间。在AIGC教育应用方面，潘崇佩等（2024）探讨了AIGC在近代物理实验教学中的应用，指出其通过个性化答疑、教学资源生成等功能优化了实验教学过程，但需应对专业水平有限、信息真伪鉴别等技术挑战。凌杰等（2025）提出AIGC在计算机实验教学中的“教师主导，AI协同”模式，通过智能编程辅助、虚拟助教等功能提升教学效率与学生创新能力，同时强调需解决多工具融合与数据安全问题。佘砚等（2025）基于大语音模型为高分子实验创建了AI助手，该AI助手为实验教学创设因材施教的教学新模式，打造沉浸式学习新形态，显著提升了学生的理论知识掌握和实验操作能力。
综上，虽然现有研究为智能技术融入实验教学奠定了基础，但仍存在两大不足：一是技术应用单一化，多局限于元宇宙场景构建、AIGC内容生成等方面的单点应用，跨技术协同框架相对缺乏；二是专业适配性不足，鲜有围绕地理学科特有的“空间-时间-过程”三维属性，开展关于“AIGC生成内容—元宇宙场景承载—智能助教实时交互”的协同研究。本研究针对这两大研究不足，构建协同机制并设计实证研究，以期弥补现有研究在跨技术协同与学科适配方面的局限。

2 AIGC+元宇宙的地理教学模式构建

2.1　AIGC+元宇宙与地理教学适配性

2.1.1　元宇宙在地理教学中的需求分析

地理学科融合自然地理、人文地理和区域地理等多维度内容，具有知识抽象性强、空间关联复杂、实践操作受限等典型特征。这导致传统教学面临学生学习兴趣不高、空间思维培养困难、理论实践脱节等痛点。元宇宙沉浸式场景的出现为解决地理教学中的这些问题提供了新的思路和方法。元宇宙能够将抽象的地理概念通过虚拟现实（VR）、增强现实（AR）等技术手段进行可视化、具体化呈现，让学生得以置身于仿真的地理环境中。例如，在学习河流地貌时，学生可以通过沉浸式场景看到河流如何冲刷河床、侵蚀两岸，形成V形谷，又如何在下游地区堆积泥沙，形成冲积平原；在了解城市空间结构时，学生可以在虚拟城市中漫步，直观观察到中心商务区、住宅区、工业区等不同功能分区的特点和分布规律。同时，沉浸式场景还能突破时间和空间的限制，让学生有机会接触到更多实地难以抵达的地理场景，如历史街区、传统村落等。这种身临其境的学习体验不仅能使知识具备可感性和趣味性，更能通过“做中学”深化学生对地理过程与空间规律的理解，有效弥补传统教学的局限性。

2.1.2　AIGC在地理教学中的需求分析

地理学科具有知识体系庞大、数据更新快速、空间分析复杂等典型特征，这使得传统地理教学面临3个维度的关键挑战。首先，在教学内容生成方面，地理案例时效性强（如城市更新、乡村振兴规划等），传统教材更新滞后，教师备课需要耗费大量时间收集和处理最新地理数据；其次，在个性化教学方面，学生空间认知能力和学习需求差异显著，传统课堂难以实现因材施教；最后，在实践教学方面，地理空间信息采集（如使用无人机航测进行危岩体三维测量）需要专业测绘地理信息技能，成为师生共同的技术门槛。AIGC技术为破解这些困境提供了创新解决方案：1）通过智能内容生成能力，可实时生成最新的教学案例（如自动生成乡村振兴规划方案），显著提升教学内容的时效性；2）借助自适应学习技术，能够根据学生认知水平自动生成差异化的学习路径（如为地形读图困难的学生生成交互式三维地形剖面）；3）基于智能过程性评价技术，可实时分析学生的实验操作数据（如地形测量中的仪器操作规范性等），自动生成个性化反馈报告，精准指出存在操作失误的环节及其对结果的影响，实现实验教学的即时诊断与改进。综上所述，AIGC技术通过智能内容生成、自适应教学和精准过程评价的三维赋能，为构建“智能生成—沉浸体验—即时反馈”的地理教学新范式提供了完整的技术解决方案（图1）。
图1 AIGC+元宇宙赋能地理教学框架

Fig.1 Framework of AIGC and Metaverse empowering geography teaching

2.2　基于元宇宙的地理沉浸式场景设计与实现

2.2.1　虚拟地理实验室

以“危岩体空间信息采集与风险评估”实验为例，基于Unity 3D引擎与Python API开发虚拟场景，实现危岩体在不同风化阶段（未风化、轻微风化、严重风化）的形态还原与动态监测。同时，在场景中嵌入无人机模拟操控系统，支持学生设置航高（100 m±5%）、航向重叠率（70%）、旁向重叠率（60%）等参数，并在虚拟环境中实时模拟数据采集过程。系统通过WebXR协议实现了多终端接入，支持PC端与VR头盔的跨平台访问。

2.2.2　动态交互机制

AR/VR技术让危岩体相关沉浸式场景交互性更强。在VR技术支持下，学生戴上设备进入“山区危岩体分布虚拟考察”场景，通过转动头部、操作手柄就能灵活切换视角、移动位置，细致探究危岩体及其周边地理状况。而AR技术可把虚拟危岩体元素叠加到现实场景中，像学习校园周边山体时，用手机AR应用展示危岩体相关信息，使学生直观感受二者关系，增强对危岩体知识的理解，提升学习体验。

2.2.3 虚实融合

虚实融合是本实验的核心优势之一。在“虚拟危岩体监测与风险评估系统”中，学生采集的模拟数据并非孤立存在，而是可通过标准化接口导出，并直接导入专业数据处理软件（如ContextCapture、Pix4D等）。因此，虚拟环境中生成的数据与真实航测数据具备完全兼容的分析属性，学生能运用行业标准工具进行三维建模、时序变化分析等深度处理，从而切实掌握从数据采集到成果分析的全链条技能。

2.3　基于AIGC的地理学智能助教设计与实现

2.3.1　知识库构建与检索

基于AIGC技术，本研究构建了地理学智能助教，其依托超星学习通平台的AI知识库，通过向量数据库检索技术，整合了涵盖教材基础知识、学术前沿研究及课程标准目标在内的丰富内容，从而实现对各类知识的快速、精准查找与调用。例如在学生围绕“虚拟危岩体监测与风险评估系统”展开学习时，无论是查找教材中危岩体相关概念，还是获取学术论文最新的风险评估方法，亦或是明确课程标准对此知识板块的掌握程度要求，都能借助该检索方式高效达成，为后续的教学交互提供知识储备。

2.3.2　地理学智能助教实现

地理学智能助教通过多方面核心教学能力得以实现。在个性化导学方面，智能助教能依据学生对危岩体空间信息采集与风险评估等内容的学习情况，动态调整教学内容的深浅与难度，确保契合不同学生的学习节奏。在智能问答与解释功能方面，智能助教可精准理解地理学科涉及空间、时间、尺度等复杂问题，诸如解答关于不同时空尺度下危岩体变化特征这类疑问。在知识点学习及引导方面，当学生身处“虚拟危岩体监测与风险评估系统”虚拟场景操作或分析对应数据时，智能助教通过适时提出启发式问题，激发学生深入思考。在评价与反馈环节，智能助教为学生提供即时且个性化的反馈，不仅对其操作实践、问题回答等方面的正确性进行判断，更能详细解释问题出现的原因并给出改进建议，有效提升学生的学习效果。

3 AIGC+元宇宙的地理教学协同机制

3.1　沉浸式场景与智能助教的协同机制

3.1.1　沉浸式场景与智能助教的数据协同机制

在AIGC与元宇宙融合的地理教学环境中，构建沉浸式教学场景与智能助教系统之间的高效数据交互机制是实现协同教学的核心基础。该机制通过标准化的数据接口，实时采集学生在元宇宙场景中的多维学习行为数据，包括但不限于操作行为日志、空间移动轨迹、虚拟实验过程数据等，并将这些数据流式传输至智能助教系统的智能分析引擎。智能助教系统基于机器学习算法对实时数据进行多维度学情分析，动态生成个性化的学习诊断报告和适应性教学建议。这些智能反馈信息通过双向数据通道实时作用于元宇宙教学场景，触发场景参数的智能优化以及针对性练习内容的动态生成，从而形成“数据采集—智能分析—反馈优化”的教学闭环（图2）。
图2 AIGC+元宇宙协同的教学闭环流程

Fig.2 Teaching closed-loop flowchart of AIGC and Metaverse collaboration

该机制的关键价值在于：一方面通过高精度数据采集系统，全面捕捉学生的认知过程和行为特征；另一方面为智能助教提供实时、客观的决策依据，使其教学干预策略具备动态适应性。系统处理的数据类型涵盖全链路教学行为数据，包括交互操作日志、空间定位信息、对话语义数据、评估指标等多模态数据。在实现过程中，需采用轻量化的数据交换协议和加密传输技术，确保数据交互的实时性、完整性和安全性，同时满足教育数据隐私保护的合规要求。

3.1.2　教学流程协同机制

AIGC+元宇宙的地理教学中，沉浸式场景体验与智能助教的辅导环节有机结合，能实现教学过程的无缝衔接和协同推进，为学生提供更加个性化、高效的学习体验。根据教学需求，可提炼出3种典型的协同教学模式：
1）自主探究式
学生在沉浸式场景中自由探索地理现象，智能助教实时监测学生行为，当学生遇到困难时提供提示和引导，帮助学生自主解决问题。课后，智能助教根据学生探究过程中的表现，生成个性化复习任务，巩固学生的学习成果。
2）教师引导式
教师在课堂上利用沉浸式场景进行知识讲解和演示，智能助教辅助教师记录学生的学习状态。课后，智能助教根据教师的教学内容和学生的学习情况，为学生布置针对性的作业和复习任务，帮助学生巩固课堂所学。
3）协作任务式
学生以小组形式在沉浸式场景中完成地理探究任务，智能助教实时监控小组成员的协作情况和任务完成进度，为小组提供协作建议和任务提示。任务完成后，智能助教对小组表现进行评估，并生成个性化反馈，帮助学生总结经验教训，提升协作能力。

4 教学实践案例设计

4.1　案例选择与设计

遵循“痛点-技术-目标”3项匹配原则，从自然地理、人文地理与区域地理中遴选出河流地貌演化动态模拟、城市空间结构认知体验、历史街区复原考察、乡村振兴规划实践模拟及危岩体空间信息采集与风险评估5个代表性的案例，分别对应抽象概念可视化、复杂系统探究和高成本/高风险场景虚拟实践3类核心需求。案例采用“元宇宙场景+智能助教”驱动，以沉浸式可视、实时数据交互及任务式迭代流程，将传统教学中的“抽象概念可视化难”“空间尺度理解困难”“高风险/高成本区域实地考察受限”等痛点转化为可测量、可评价的学习成果（表1）。
表1 地理学教学元宇宙+AI应用案例集

Table 1 Application case collection of Metaverse and AI in geography teaching

案例类型 案例名称 元宇宙核心功能 智能助教功能 评价方式

空间认知类

（抽象概念可视化）

河流地貌演化

动态模拟

1. 实时侵蚀/搬运/沉积过程演示

2. 参数调节（流量/坡度）

3. 历史河道三维重建

1. 讲解地貌演化原理

2. 关键参数标记

3. 公式推导图生成

4. 协助实验工具操作与分析

1. 观察记录准确性

2. 参数调节科学性

人文地理类

（复杂系统探究）

城市空间结构

认知体验

1. 城市功能分区还原

2. 不同交通方式体验

3. 规划政策沙盒

1. 空间指标计算

2. 模型对比推送

3. 优化建议生成

1. 分区识别准确率

2. 方案合理性

3. 关联分析深度

历史地理类

（高成本/高风险场景

虚拟实践）

 历史街区复原考察

1. 多时期历史街区复原

2. 古今地图对比

3. 商业空间演变

1. 建筑年代鉴定

2. 解读文化内涵

3. 探究问题生成

1. 特征描述准确性

2. 演变因素分析

3. 考察报告质量

区域规划类

（复杂系统探究）

乡村振兴规划

实践模拟

1. 不同乡村类型场景模拟

2. 土地利用模拟

3. 方案可视化

1. 介绍规划原则

2. 解读指标变化

3. 可行性评估

1. 数据完整性

2. 方案创新性

3. 可行性评估

工程实践类

（高成本/高风险场景

虚拟实践）

危岩体空间信息

采集与风险评估

1. 危岩体山体模拟

2. 无人机航测模拟

3. 虚拟采集工具模拟

1. 航测优化建议

2. 误差实时反馈

3. 实验报告解读

1. 数据完整性

2. 测量精度

3. 风险评估报告质量

4.2　案例实施过程

以《无人机在环境中的应用》课程中的“危岩体空间信息采集与风险评估实验”为例，对元宇宙与AIGC协同的教学模式进行阐述。该实验通过元宇宙技术构建了多时期危岩体数字孪生场景，实现了不同风化阶段（未风化、轻微风化、严重风化）危岩体形态特征的高保真还原。在虚拟实训过程中，学生在虚拟场景中操控无人机开展贴近摄影测量作业。实验分为练习模式和考核模式。在练习模式中，依托地理信息科学专业知识库，AIGC智能助教系统提供全流程的智能化指导：在设备准备阶段，通过增强现实（AR）技术可视化展示设备组装规范；在任务规划阶段，可智能推荐最优航测参数（包括航高100 m±5%、航向重叠率70%、旁向重叠率60%等）并分别进行原理讲解，实时监测和纠正操作偏差；在数据采集过程中，动态模拟复杂环境因素（如突风、降水等）对航测作业的影响。
该系统实现了虚拟实训与真实数据分析的无缝衔接：采集的多期影像数据可通过标准化接口导出，学生使用航测数据后处理软件进行数据处理，构建毫米级精度的时序三维模型。AIGC智能助教不仅能辅助完成岩体三维数据监测，更重要的是通过全过程操作数据挖掘，精准识别影响测量误差的关键因素（如“航线规划偏差导致点云密度降低15%”“相机参数设置不当引起影像匹配成功率下降20%”等），并由此生成个性化的实验技能提升方案。这种“虚拟环境实训—真实数据分析—智能反馈优化”的闭环教学模式，一方面突破了传统野外实习在时间、空间和安全性方面的限制；另一方面通过AIGC技术的精准指导，使学生在课堂内即可掌握危岩体监测的核心技能（图3）。
图3 危岩体空间信息采集与风险评估实验流程

Fig.3 Experimental flowchart of rockmass spatial data collection and risk assessment

5 实证研究分析

为科学验证“AIGC+元宇宙”协同教学模式的有效性，以《无人机在环境的应用》课程中的“危岩体空间信息采集与风险评估”实验为案例，开展了一项为期两学年的对比教学实验。旨在通过量化数据，比较与分析协同教学模式与传统教学模式之间，在提升学生核心能力与学习体验方面的具体成效差异。

5.1　实验设计与对象

以1个班约30名学生为研究对象，在2个连续学期内于同等教学内容下，分别采用传统教学模式与“AIGC+元宇宙”协同教学模式进行对比分析。评估数据源包括实验报告、操作日志、以及平台记录的学习行为数据，以实现对能力达成度、学习过程的综合评估。

5.2　教学过程与效果对比分析

为直观揭示2种教学模式的根本差异，从教学流程的关键环节和教学成效进行对比，深入分析其对学生能力达成的具体影响。

5.2.1　教学流程对比

如表2所示，传统教学模式与“AIGC+元宇宙”协同模式在教学流程上存在本质区别。传统模式以教师为中心，学生通过“听讲—分析固定数据—撰写报告”的线性流程完成学习，总体学习过程被动且反馈滞后。而新的协同模式则构建了以学生为中心的沉浸式探究环境，学生通过“场景漫游—模拟操作—即时反馈—优化迭代”的闭环流程进行学习，实现了从知识的被动接收者到问题的主动探究者的角色转变。其核心差异在于，新模式将抽象的理论知识转化为可交互、可试错的虚拟实践，并通过AIGC实现了“一对一”的即时个性化辅导。
表2 新旧教学模式实验流程对比

Table 2 Comparison of experimental processes between new and old teaching models

教学环节 传统教学模式 “AIGC+元宇宙”协同模式
知识输入 教师课堂讲授危岩体成因、监测技术规范，展示2D遥感影像和地质剖面图。 学生虚拟场景中沉浸式漫游危岩体数字孪生场景，AIGC助教实时讲解地质构造与风险点。
技能训练

根据实验指导书，分析教师给定的现成点云数据，撰写分析报告。整个过程不涉及数据采集环节，学生无法体验数据

获取的全流程。

学生在虚拟环境中模拟无人机操控，自主规划航线。AIGC

助教实时推荐最优参数（航高100 m±5%，重叠率70%），并

即时纠正操作偏差。

数据分析

学生使用模拟数据操作，重点在于软件操作流程。教学为

一对多模式，学生遇到问题无法得到及时反馈。

学生采集的虚拟数据可导出，并可通过软件构建三维模型。AIGC助教精准识别误差来源（如“航线偏差导致点云密度

降低15%”），并生成个性化改进方案。

成果评估

提交书面报告，教师依据报告逻辑性和结论准确性评分。

反馈周期长，批改效率低，且难以针对每位学生的具体问题提供个性化辅导。

提交含三维模型、动态模拟与分析图表的综合报告，系统从

“数据完整性、测量精度、风险评估逻辑”三维度自动生成初步评价，教师复核。

5.2.2　教学成效对比

教学流程的根本性变革，促使学生能力表现明显提升。如表3所示，“AIGC+元宇宙”组在各项评估指标上均明显高于传统教学组，教学成效主要体现在3方面：
表3 新旧教学模式下学生实验成绩与能力表现对比

Table 3 Comparison of students' experiment scores and ability performance between traditional and new teaching modes

评估维度 评估指标 传统教学组 “AIGC+元宇宙”组 提升幅度/%
实践操作能力 操作规范性平均分（十分制） 8 9 12.50
数据完整性平均分（十分制） 8 9 12.50
空间分析能力 测量精度平均分（十分制） 7 9 28.57
分析逻辑性（十分制） 7 8 14.29
创新应用能力 风险评估报告质量平均分（十分制） 7 9 28.57
思考题平均分数（十分制） 7 8 14.29
综合任务能力 综合成绩平均分（百分制） 80 89 11.25
1）实践操作能力稳步提升
“AIGC+元宇宙”组在操作规范性和数据完整性2个指标上均从8分提升至9分（+12.50%）。这表明，通过在虚拟环境中进行模拟无人机操控和数据采集，学生的基本操作流程和严谨性得到了有效训练和巩固。虽然提升幅度相对平稳，但这为后续高阶能力提升打下了坚实的基础。
2）空间分析能力增强
在测量精度和分析逻辑性2个关键指标上，“AIGC+元宇宙”组分别实现了28.57%和14.29%的显著提升。这表明学生通过AIGC的智能反馈，深刻理解了数据背后的空间逻辑和误差来源。其中，测量精度得分的大幅跃升，说明学生在协同教学模式下能更精准地处理空间信息，个人的地理实践能力显著提升。
3）创新与应用能力提升，高阶思维得以锻炼
“AIGC+元宇宙”组在风险评估报告质量和思考题得分上分别提升了28.57%和14.29%。这表明，新模式打破了传统教学的标准化流程束缚。AIGC提供的跨学科知识支撑和元宇宙提供的复杂约束场景，激发了学生的创新性思维，使他们能提出更具深度和广度的解决方案，而不再被完成标准任务这一单一、机械的课程教学目标所约束。
4）综合任务能力得到系统性增强，学习成果更趋完善
“AIGC+元宇宙”组的综合成绩平均分从80分提升至89分（+11.25%）。这表明通过新模式培养的学生，其知识、技能、思维与创新能力得到了协同发展，能更出色地完成复杂的综合性任务，在专业学科知识与技能学习上达到了更高的水平。

6 结论与展望

本研究通过构建“AIGC生成内容—元宇宙场景承载—智能助教实时交互”的闭环教学模式，并经过为期两学年的对比教学实验检验，证明了其在地理教学中的优势。实证研究表明，相较于传统教学模式，“AIGC+元宇宙”的协同教学模式能系统性、多维度地提升学生的核心能力。具体而言，学生在实践操作的规范性、空间分析的逻辑性以及创新应用的能力均取得明显提高。这为解决地理教学中长期存在的“抽象概念可视化难”“动态过程难以观测”“高风险/高成本实践受限”等核心问题，提供了一套可复制、可演进的系统性解决方案。
同时，本研究的价值不仅在于解决具体教学问题，更在于构建了一套技术协同机制。通过深度融合元宇宙的“情境具现化”能力与AIGC的“智能个性化”能力，该模式推动了教学从“以教师为中心的知识灌输”转向“以学生为中心的能力探究”，实现了从“知识传递”到“能力赋能”的根本范式转型。这既为地理学科的智能化转型提供了重要的理论参考与实践范本，也为教育数字化转型过程中前沿技术与学科教学的深度融合探索了一条切实可行的路径。
展望未来，本研究将从以下方面继续深化。第一，降低技术门槛与成本。探索基于WebXR的轻量化解决方案，促进该模式在更多院校普及应用。第二，深化评价体系。结合眼动追踪、脑电等技术，更深入地探究该模式对学生地理核心素养（如人地协调观、综合思维）培养的内在影响机制。第三，拓展应用场景。将该模式推广至更多地理学科教育的分支，为教育数字化转型与地理学科创新发展持续提供理论与实践支撑。

梁钊雄：负责选题设计、文献资料的搜集与分析、论文初稿的撰写、数据处理及图表绘制；

周红艺：负责论文关键科学问题的指导、退修阶段核心数据的复核与深度分析、指导论文讨论部分的重构与优化；

王兮之：负责部分实地调研工作、基础数据的收集与整理、实验/计算过程的辅助操作；

徐 丹：参与文献调研、论文格式的规范化校对、部分图表的初步处理。

References

Publishing order | Descend order by publishing year | Descend order by cited within
陈永伟. 2023. 超越ChatGPT：生成式AI的机遇、风险与挑战. 山东大学学报（哲学社会科学版），（3）：127-143.

Chen Yongwei. 2023. Beyond ChatGPT: Opportunities, Risks, and Challenges from Generative AI. Journal of Shandong University(Philosophy and Social Sciences), (3): 127-143.

邓敏，刘启亮. 2023. “大知识”时代地理信息科学专业本科人才培养探索与实践. 测绘通报，（8）：178-181.

Deng Min and Liu Qiliang. 2023. Exploration and Practice on the Cultivation of Undergraduate Talents in Geographic Information Science in the Era of "Big Knowledge". Bulletin of Surveying and Mapping, (8): 178-181.

郭江浩，许晏萌，薛昭铭，高升. 2025. 面向教育数字化：元宇宙体育教学的功能场景与发展路向. 体育与科学，46（1）：62-71.

Guo Jianghao, Xu Yanmeng, Xue Zhaoming, and Gao Sheng. 2025. Toward Education Digitization: Metaverse Physical Teaching's Functional Scenarios and Development Direction. Sports & Science, 46(1): 62-71.

李白杨，白云，詹希旎，李纲. 2023. 人工智能生成内容（AIGC）的技术特征与形态演进. 图书情报知识，40（1）：66-74.

Li Baiyang, Bai Yun, Zhan Xini, and Li Gang. 2023. The Technical Features and Aromorphosis of Artificial Intelligence Generated Content(AIGC). Documentation, Information & Knowledge, 40(1): 66-74.

刘革平，高楠，胡翰林，秦渝超. 2022. 教育元宇宙：特征、机理及应用场景. 开放教育研究，28（1）：24-33.

Liu Geping, Gao Nan, Hu Hanlin, and Qin Yuchao. 2022. Edu-Metaverse: Characteristic Mechanism and Application Scenarios. Open Education Research, 28(1): 24-33.

刘革平，王星，高楠，胡翰林. 2021. 从虚拟现实到元宇宙：在线教育的新方向. 现代远程教育研究，33（6）：12-22.

Liu Geping, Wang Xing, Gao Nan, and Hu Hanlin. 2021. From Virtual Reality to Metaverse: A New Direction of Online Education. Open Education Research, 33(6): 12-22.

华子荀，黄慕雄. 2021. 教育元宇宙的教学场域架构、关键技术与实验研究. 现代远程教育研究，33（6）：23-31.

Hua Zixun and Huang Muxiong. 2021. The Teaching Field Structure, Key Technologies and Experimental Study of Edu-Metaverse. Modern Distance Education Research, 33(6): 23-31.

教育部，中央网信办，国家发展改革委，工业和信息化部，财政部，中国人民银行. 2021. 关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见. （2021-07-08）[2025-07-15]. http://www.moe.gov.cn/srcsite/A16/s3342/202107/t2021 0720_545783.html.

Ministry of Education of the People's Republic of China, Office of the Central Cyberspace Affairs Commission, National Development and Reform Commission, Ministry of Industry and Information Technology, Ministry of Finance, and People's Bank of China. 2021. Guiding Opinions on Promoting the New Infrastructure Construction of Education and Building a High-Quality Education Support System. (2021-07-08) [2025-07-15]. http://www.moe.gov.cn/srcsite/A16/s3342/202107/t20210 720_545783.html.

凌杰，张丽丽，陈鸿光，金彪，林铭炜. 2025. 生成式人工智能在计算机实验教学中的应用. 计算机教育，（5）：28-32.

Ling Jie, Zhang Lili, Chen Hongguang, JinBiao, and Lin Mingwei. 2025. The Application of Generative Artificial Intelligence in Computer Experiment Teaching. Computer Education, (5): 28-32.

罗敏，黄佳芳，许章华，王琳，仝川. 2022. 碳中和背景下基于滨海湿地控制实验系统的地理学实践教学改革. 实验室研究与探索，41（10）：173-178.

Luo Min, Huang Jiafang, Xu Zhanghua, Wang Lin, and Tong Chuan. 2022. Geography Practice Teaching Reform Based on Coastal Wetland Control Experimental System under the Strategy of Carbon Neutralization. Research and Exploration in Laboratory, 41(10): 173-178.

潘崇佩，廖康启，孔勇发. 2024. 生成式人工智能背景下的近代物理实验教学改革. 实验室研究与探索，43（12）：117-122.

Pan Chongpei, Liao Kangqi, and Kong Yongfa. 2024. Research on the Reform of Modern Physics Experiments Teaching under the Background of Generative Artificial Intelligence. Research and Exploration in Laboratory, 43(12): 117-122.

邵延秀，李云帅，丁虎，高满，李晓东，姚文倩. 2025. 地理科学专业野外实践课程思政教学与探索. 高教学刊，11（18）：185-188.

Shao Yanxiu, Li Yunshuai, Ding Hu, Gao Man, Li Xiaodong, and Yao Wenqian. 2025. Ideological and Political Education in Field Practice Courses for Geography Science Majors: Teaching and Exploration. Journal of Higher Education, 11(18): 185-188.

施贵刚，郑润强，疏臻. 2024. 测绘地理信息类专业产教融合实践教学研究. 测绘通报，（11）：167-171.

Shi Guigang, Zheng Runqiang, and Shu Zhen. 2024. Research on Practical Teaching and Learning for Industry-Education Integration of Surveying and Mapping Geographic Information Specialties. Bulletin of Surveying and Mapping, (11): 167-171.

佘砚，庄启昕，张浩然，左沛元，顾金楼，滕鑫. 2025. 数智化时代生成式AI助力材料专业实验课程探索研究. 高分子通报，38（6）：958-966.

She Yan, Zhuang Qixin, Zhang Haoran, Zuo Peiyuan, Gu Jinlou, and Teng Xin. 2025. Exploration and Research on the Application of Generative AI in Supporting Materials Science Experimental Courses in the Era of Digital Intelligence. Polymer Bulletin, 38(6): 958-966.

石岩，邓敏，刘宝举，陈炳蓉. 2024. 大数据时代地理信息科学专业创新教育改革探索与实践. 测绘通报，（4）：179-182.

Shi Yan, Deng Min, Liu Baoju, and Chen Bingrong. 2024. Exploration and Practice of Reforming Innovation Education for Geographic Information Science Specialty in the Big Data Era. Bulletin of Surveying and Mapping, (4): 179-182.

王梅梅，刘兴德，蒋子臻，董蕴萱，张子龙. 2025. 兰州大学融入人文素养的地理野外综合实习课程建设与实践. 地理教学，（8）：59-64.

Wang Meimei, Liu Xingde, Jiang Zizhen, Dong Yunxuan, and Zhang Zilong. 2025. The Construction and Practice of Comprehensive Field Geography Internship Courses Incorporating Humanistic Literacy at Lanzhou University. Geography Teaching, (8): 59-64.

杨宗凯，王俊，吴砥，陈旭. 2023. ChatGPT/生成式人工智能对教育的影响探析及应对策略. 华东师范大学学报（教育科学版），41（7）：26-35.

Yang Zongkai, Wang Jun, Wu Di, and Chen Xu. 2023. Exploring the Impact of ChatGPT/AIGC on Education and Strategies for Response. Journal of East China Normal University(Educational Sciences), 41(7): 26-35.

余越凡，周晓云. 2024. 基于元宇宙的职业教育虚拟仿真实训系统设计——以“计算机组装与维护”课程为例. 实验室研究与探索，43（7）：176-182.

Yu Yuefan and Zhou Xiaoyun. 2024. Design of Virtual Simulation Training System for Vocational Education Based on Metaverse: Taking the Course of "Computer Assembly and Maintenance" as an Example. Research and Exploration in Laboratory, 43(7): 176-182.

张策，初佃辉，张侨，刘鹏，魏萌，刘晓颖. 2024. 元宇宙教学：高等教育数字化教学转型的高阶形态. 计算机科学，51（10）：1-9.

Zhang Ce, Chu Dianhui, Zhang Qiao, Liu Peng, Wei Meng, and Liu Xiaoying. 2024. Metaverse Teaching: A Higher Form of Digital Teaching Transformation in Higher Education. Computer Science, 51(10): 1-9.

翟雪松，楚肖燕，王敏娟，张紫徽，董艳. 2022. 教育元宇宙：新一代互联网教育形态的创新与挑战. 开放教育研究，28（1）：34-42.

Zhai Xuesong, Chu Xiaoyan, Wang Minjuan, Zhang Zihui, and Dong Yan. 2022. Education Metaverse: The Shape, Challenges and Reflections of the New Generation of Internet Education. Open Education Research, 28(1): 34-42.

中共中央 国务院.2019. 中国教育现代化2035. （2019-02-23）[2025-07-15]. http://www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html.

The Central Committee of the Communist Party of China and the State Council of the People's Republic of China. 2019. China's Education Modernization 2035.(2019-02-23) [2025-07-15]. http://www.moe.gov.cn/jyb_xwfb/s6052/moe_838/201902/t20190223_370857.html.

Options
Outlines

/

〈 〉