核心发现
方法论
研究采用混合方法，设计了三个控制阶段：生成前控制、生成中控制和生成后控制。通过24位小学数学教师的实验，分析了不同控制时机对教师工作流的影响。
关键结果
- 生成后控制在正确性和可预测性上得分最高，参与者认为其能更好地保留用户的操作权。
- 生成前控制支持快速构思，但降低了用户的感知控制感和可预测性。
- 生成中控制提高了结构对齐度，但增加了操作复杂度。
研究意义
研究为生成式AI在教育领域的应用提供了新的视角，特别是在数学教育中，强调了教师在生成过程中的控制对确保视觉材料正确性的重要性。
技术贡献
提出了AI辅助视觉创作中的控制时机设计空间，验证了不同控制时机对教师工作流和生成内容正确性的影响。
新颖性
首次系统性研究了教师在AI生成数学视觉材料时的控制时机，填补了生成式AI在教育应用中的研究空白。
局限性
- 研究仅限于小学数学教师，结果可能不适用于其他学科或教育阶段。
- 实验环境与实际教学环境可能存在差异，影响结果的外部效度。
未来方向
未来研究可扩展至其他学科，探索不同教育背景下的控制时机影响，并结合更复杂的AI生成模型。
AI 总览摘要
生成式AI在教育领域的应用潜力巨大，特别是在数学教育中，视觉材料的正确性至关重要。本研究探讨了教师在AI生成数学视觉材料时的控制时机，设计了生成前、生成中和生成后三种控制阶段。
通过对24位小学数学教师的实验，发现生成后控制在正确性和可预测性上得分最高，教师能够通过直接操作来验证和修改生成结果。生成前控制支持快速构思，但降低了用户的感知控制感和可预测性，而生成中控制则提高了结构对齐度，但增加了操作复杂度。
研究结果表明，在正确性敏感的教育任务中，生成式工具应与教师的意图保持一致，支持结合自动化与直接操作的阶段性工作流。这为未来的教育技术设计提供了重要的指导。
深度分析
研究背景
随着生成式AI技术的发展，尤其是文本到图像模型的进步，教师能够更快速地创建定制化的教育视觉材料。然而，现有工具主要支持提示和事后编辑，难以满足数学教育中对视觉材料正确性的高要求。
核心问题
在数学教育中，视觉材料必须准确反映数量和关系。现有生成工具在处理计数和结构约束时表现不佳，导致完全自动化的生成难以在大规模应用中部署。
核心创新
本研究首次系统性地探讨了教师在AI生成数学视觉材料时的控制时机，提出了生成前、生成中和生成后三种控制阶段的设计空间，并通过实验验证了其对教师工作流的影响。
方法详解
- �� 设计三种控制阶段：生成前控制、生成中控制、生成后控制。
- �� 进行混合方法研究，涉及24位小学数学教师。
- �� 通过实验分析不同控制时机对教师工作流和生成内容正确性的影响。
实验设计
实验采用混合方法设计，参与者为24位小学数学教师，使用三种控制阶段创建标准算术问题的视觉材料。数据收集包括问卷、互动日志和半结构化访谈。
结果分析
生成后控制在正确性和可预测性上得分最高，教师能够通过直接操作来验证和修改生成结果。生成前控制支持快速构思，但降低了用户的感知控制感和可预测性。
应用场景
研究结果可用于设计更有效的AI辅助教育工具，特别是在数学教育中，帮助教师创建更准确的视觉材料。
局限与展望
研究仅限于小学数学教师，结果可能不适用于其他学科或教育阶段。实验环境与实际教学环境可能存在差异，影响结果的外部效度。
通俗解读 非专业人士也能看懂
想象一个老师在厨房里做饭，AI是她的助手。老师可以在做饭前告诉助手她想做什么（生成前控制），也可以在做饭过程中检查并调整食材的摆放（生成中控制），或者在饭做好后尝试并调整味道（生成后控制）。研究发现，最后一种方式让老师对最终结果更满意，因为她可以直接品尝并调整。
简单解释 像给14岁少年讲一样
想象你在玩一个游戏，你可以在游戏开始前设置角色（生成前控制），在游戏中调整角色的装备（生成中控制），或者在游戏结束后修改角色的外观（生成后控制）。研究发现，最后一种方式让玩家更满意，因为他们可以直接看到并修改结果。
术语表
生成式AI (Generative AI)
一种利用算法生成内容的AI技术，常用于图像、文本等领域。
研究中用于生成数学视觉材料。
文本到图像模型 (Text-to-image models)
将文本描述转换为图像的AI模型。
用于生成教育视觉材料。
人机交互 (Human–AI interaction)
研究人类与AI系统之间的交互方式。
研究中分析了不同控制时机对教师的影响。
教育视觉材料 (Educational visuals)
用于教学的视觉辅助材料。
研究中生成的数学视觉材料。
数学教育 (Mathematics education)
教授和学习数学的教育领域。
研究的应用背景。
开放问题 这项研究留下的未解疑问
- 1 如何在其他学科中应用类似的控制时机设计？
- 2 如何在实际教学环境中验证研究结果的有效性？
应用场景
近期应用
数学课堂
教师可以使用生成式AI快速创建准确的数学视觉材料，提高课堂教学效果。
远期愿景
跨学科应用
将控制时机设计扩展到其他学科，提升教育技术的整体水平。
原文摘要
Generative AI has the potential to help teachers rapidly create classroom-ready visual materials, particularly in mathematics where diagrams and visual representations must be pedagogically meaningful and instructionally correct. However, current generative tools primarily support prompting and post-hoc editing, leaving open a key question for correctness-sensitive educational authoring: when in the generation pipeline should teachers exert control? In this paper, we investigate how the timing of human control in AI-assisted generation shapes teachers' visual authoring practices in correctness-sensitive tasks. We introduce a design space of three stages of control: pre-generation control, where users specify intent solely through natural language prompts before generation; mid-generation control, where users inspect and confirm an explicit layout structure before the system completes generation; and post-generation control, where users directly modify AI-generated visuals after generation through object-level edits. In a within-subject, mixed-methods study with 24 primary mathematics teachers, post-generation control received higher ratings on predictability and correctness, while other subjective measures showed no reliable differences. Qualitative findings explain these differences by revealing workflow trade-offs: highly automated, pre-generation control supports rapid ideation but reduces perceived agency and predictability; mid-generation control improves structural alignment at the cost of additional effort; and post-generation control preserves user agency through low-cost, direct verification and correction. Together, these results suggest that in correctness-sensitive educational tasks, effective generative tools should align system behavior with teacher intent and support stage-dependent workflows that combine automation with direct manipulation.