2026年8月2日至15日，在学校教学发展中心和葡萄酒学院的支持下，我有幸赴英国牛津大学参加为期两周的“Teaching Excellence and Innovation”海外教学研修。
牛津大学并不是一个陌生的名字。出发之前，我对这里的印象更多来自悠久的大学传统、学院制和导师制。但真正坐进课堂，和来自不同领域的教师一起讨论课程、学生和人工智能时，我逐渐意识到，此行最值得带回来的，并不是某一种具体的牛津教学方法，而是他们不断追问教学本身的习惯：我们为什么这样教？学生究竟是怎样学会的？一项教学活动的设置，是因为教师习惯如此，还是因为它确实能够促进学习？两周时间不算长，但这些问题一直伴随着我，也让我重新审视自己熟悉的课堂。
一、从“我准备讲什么”到“学生需要经历什么”
做教师以后，备课已经成为再熟悉不过的工作。打开课件，确定知识点，梳理重点和难点，再考虑怎样在规定时间内把内容讲清楚，这几乎成为一种自然的工作路径。
此次研修中，ABC Learning Design工作坊却让我们换了一个角度。课程设计首先讨论的不是教师准备讲什么，而是希望学生最终能够做什么，继而再去安排学生需要经历哪些学习活动。知识获取、讨论、探究、实践、合作和成果产出被放在一张“课程故事板”上，教师需要重新审视这些活动之间的顺序以及它们与学习目标、评价方式之间是否真正匹配。看似只是把课程画在一张纸上，实际上迫使教师从自己的教学流程走出来，站到学生一侧重新看课程。
这让我想到自己的葡萄酒专业课。葡萄酒教学兼具理论性和实践性，我们会讲发酵原理、微生物代谢，也会进行感官品评、酿造实验和酒庄实践。但这些内容如果只是按照章节依次讲完，学生掌握的仍可能是一个个分散的知识点。
今后的课堂中，我更希望把真实的产业问题带进来。例如，面对暖产区葡萄成熟过程中常见的高糖低酸问题，不只是告诉学生有哪些增酸方法，而是给出具体的葡萄原料和酿造目标，让学生比较化学增酸、生物增酸以及不同发酵管理策略，结合实验数据、法规要求、成本和产品风格作出判断。这样一来，课堂的重点就从记住一种方法转向为什么选择这种方法。知识当然重要，而大学教育的价值在于让学生学会使用知识。
二、好的指导，是让学生逐渐学会自己作决定
学生培养也是此次研修中让我感触很深的一部分。在关于学生指导的课程中，有一个观点给我留下了很深的印象：导师的最终目标，是培养一个能够独立开展研究、阅读和理解研究、利用科学数据作出判断，并且能够“像科学家一样思考”的学生。因此，指导并不是从头到尾保持同样的强度。研究初期可以给予较多支持，随着学生能力的增长，导师需要逐渐退后，让学生承担更多选择和判断，直到能够独立完成研究。这句话听起来并不复杂，但真正做到并不容易。
在日常科研指导中，教师往往希望学生少走弯路。课题怎样设计、实验怎样安排、数据怎样分析，有时会不自觉地替学生考虑得过于周全。这样做短期来看效率很高，学生能够更快完成实验、形成论文，但如果长期依赖这种指导方式，学生最需要形成的独立判断能力反而可能得不到充分锻炼。
回头看自己的培养经历，我也在思考，今后的组会能不能少一些“导师告诉学生应该怎么做”，多一些“你为什么这样判断”；学生汇报实验结果以后，不急于给答案，而是继续问一句：“还有没有其他解释？”“如果重新设计实验，你会改哪一步？”“这些数据究竟能够支持什么结论？”真正的独立科研能力，大概就是在一次次作出判断、解释判断甚至修正判断的过程中建立起来的。
导师当然不能因此退回到纯粹的学术监督者角色。课程中还特别谈到反馈、鼓励、学生身心状态、职业发展以及为学生创造机会。科研训练最终面对的是一个具体的人，而不仅仅是一项课题。什么时候应该严格，什么时候需要鼓励，什么时候应该继续指导，什么时候应该让学生自己走一段路，这些可能比单纯的方法指导更考验导师。
三、AI进入课堂后，什么更应该由学生自己完成
如果说此次研修有一个贯穿始终的话题，那一定是人工智能。AI已经迅速进入大学教学。它可以翻译、总结、生成文本、辅助反馈，也能够参与个性化学习和教学资源设计。课程中的讨论却并没有停留在教师还能用AI做什么，更多时间反而用来讨论另外一些问题：当AI越来越方便时，什么能力仍然必须由学生自己形成？评价方式应该怎样改变？教师如何判断学生是否真正理解？便利与学术诚信之间的边界在哪里？
这些讨论让我对AI赋能教学有了新的认识。真正有意义的AI应用，并不是把教师和学生原本应该完成的思考过程交给机器，而是利用技术降低一些不必要的学习障碍，把更多时间还给思考、讨论和判断。
在研修最后的课程汇报中，我们四位来自葡萄酒、体育、土木工程和马克思主义理论等不同学科的教师组成小组，选择了“Cross-Cultural Pedagogy”作为主题。我结合自己的专业，把汇报题目设计为“One Wine, Many Palates”。
一杯同样的葡萄酒，不同文化背景的学生会不会用完全相同的词来描述？答案很可能是否定的。一个熟悉欧洲饮食文化的学生闻到某种果香，也许首先想到黑加仑；中国学生可能想到山楂、荔枝或者茉莉花茶。这里并不存在谁的答案更加专业，更多时候只是过去生活经验提供了不同的感官参照。对于使用第二语言学习的学生而言，还可能出现另一种情况：他已经感知到了某种香气，却暂时无法用准确的英语表达。
过去在品鉴课堂中，我们容易把重点放在建立统一的专业词汇体系上。这当然必要，但牛津的学习经历让我开始思考，在建立标准之前，是不是还应该先给学生表达自己真实感受的机会？
因此，我们在汇报中设计了一个AI支持的跨文化品鉴课堂。学生首先独立闻香，不使用AI，并用自己最熟悉的语言写下三个描述词；随后由AI完成不同语言之间的翻译、归类和可视化，把全班学生的描述形成一张香气地图；接下来真正重要的环节才开始：学生相互比较，讨论我们究竟是闻到了不同的气味，还是用不同的文化语言描述了相似的感觉。教师继续追问，这种香气可能来自葡萄品种，还是酵母代谢？发酵温度是否会影响它？有没有分析数据能够支持你的判断？
在这样的课堂里，AI很有用，却没有成为答案的提供者。我们最后用一句话概括这种关系：“AI can translate words, but it cannot taste for the student.” AI可以翻译语言，但不能代替学生完成品尝。
对于葡萄酒教育如此，对于很多专业课程其实也是一样。未来AI能够帮助学生更快获得信息，但观察、质疑、比较证据以及最终作出专业判断，仍然需要由人来完成。技术越强大，课堂可能越需要有意识地保护这些看起来慢的学习过程。
四、大学不仅要教会学生知识，还要让他们保持继续学习的能力
此次研修还有一个主题让我印象深刻，就是终身学习。牛津的终身学习项目面对年龄、职业和教育背景差异很大的学习者。有人因为职业发展重新回到课堂，也有人只是出于对一个领域的兴趣继续学习。课程并没有因为学习者年龄和背景不同而降低标准，而是更加重视清晰的课程结构、参与机会、实践活动以及学习共同体的建立。
这让我想到今天大学人才培养所面对的变化。我们很难准确预测一名学生毕业十年以后会使用什么技术、面对什么岗位。尤其在葡萄酒这样一个同时受到气候变化、消费市场、生物技术和数字技术影响的产业中，今天课堂上最先进的知识，若干年后也可能已经发生变化。因此，与其试图把所有知识都装进本科和研究生培养阶段，不如在专业知识之外，帮助学生建立一种能够持续更新自己的能力。能够提出问题，知道去哪里寻找可靠的信息，能够判断证据，能够与不同背景的人合作，也能够在原有知识失效时重新学习，这些能力或许比记住更多知识本身更持久。
五、带回来的，不是一套模式，而是一种重新看待教学的方式
研修期间，我们还走进不同学院和大学，听不同学科的教师谈他们如何理解教学。最有意思的是，很少有人试图提供一种标准答案。不同教师的理念甚至并不完全相同，但他们都会非常认真地解释：为什么采用这样的课程设计，它解决了学生学习中的什么问题，又有哪些局限。
这一点对我很有启发。海外研修的意义并不是把一种国外教学模式完整地搬回来。牛津的学院制、导师制有其长期形成的教育传统，我们自己的学生特点、专业体系和培养目标也有自己的基础。真正值得借鉴的，是在熟悉的教学工作中保持反思，在已有经验之上不断追问为什么。
回到学校以后，我希望先从自己的课堂做一些具体改变。重新审视课程目标、学习活动和考核方式之间是否一致；在专业课程中增加真实问题和基于证据的讨论；让更多学生而不仅仅是少数反应最快的学生参与课堂；合理使用AI，把它作为降低学习障碍、支持学生学习的工具，同时为独立思考留下足够空间；在研究生培养中，也逐步把更多判断和选择交还给学生。
两周之后离开牛津，我并没有得到关于“怎样上一堂好课”的标准答案。但也许这正是此次研修最大的收获。一堂好课，并不一定取决于教师讲得多么精彩，也不取决于使用了多少新的教学工具。更重要的是，当学生走出课堂的时候，他们是不是比进入课堂之前多了一点提出问题的勇气，多了一点分析证据的能力，也多了一点独立作出判断的信心。对教师而言，教学创新或许也不在于不断追逐新的形式，而在于始终愿意回到学生的学习本身，并一次又一次重新思考：我们还能怎样教得更好。