这是 Haitao Feng，Xiangyang Zhu，Yajun Wei 发表在 2025 年 03 月 《The Physics Teacher》 期刊上的一篇文章。 传统的扬声器是由载流线圈和永磁铁构成。当电流李国线圈，会产生磁场并与永磁铁作用，并引起扬声器的覆膜振动，从而产生声音。如图1 所示，不同于传统的扬声器，本文的设计比较简单，由线圈和铝制圆碗构成，当有交流电通过线圈，产生变化的磁场，靠近线圈的铝制圆碗的磁通量变化，从而产生涡流，引起振动从而产生声音。 图2 展示了装置的正视图和俯视图， 这种设计无需使用永久磁铁或复杂的活动部件。提供了一个直接、高效和具有教育意义的电磁感应教学范例。此外，通过在课堂上播放音乐，为教学引入了娱乐元素。 原文链接: https://doi.org/10.1119/5.0261102
这是 Atakan Çoban, Jochen Kuhn, Stefan Küchemann 发表在 2025 年 03 月 《The Physics Teacher》 期刊上的一篇文章。 对物理概念的理解在物理教育中具有重要意义，涉及学生在物理基本原理和理论的框架内对物理现象的理解。使用卡通是激发对物理概念的理解和问题解决能力的一种方式。卡通的制作，需要在物理主题和学生易于理解的视觉表现之间达到平衡。 随着人工智能，如 ChatGPT，在多模态输出方面的最新进展，模型可以被用于创建视觉材料。因此在准备概念开通过程中可能遇到两个最基本的问题，可以利用 ChatGPT 的图片生产和理论信息来解决。本文提供了如何使用 ChatGPT 与 DALL-E 模型的建议，以及示例，帮助教师简化概念卡通的制作过程。 用来创建概念卡通的提示词模板 什么是概念卡通？ 如何在物理教育中创建概念卡通？需要考虑哪些因素？ 创建一个适合高中水平的关于 xx 的概念卡通。卡通中不包含文字。然后，为每个角色编写适合该卡通的对话。我将通过添加对话气泡将这些文字添加到图像中。同时，提供关于该卡通内容的简要描述和准确信息。 前两个问题涉及概念卡通的本质以及在物理教育中使用概念卡通时需要考虑的因素。第三个提示词是用于准备某概念卡通的主要提示。文章观察到从ChatGPT 获得的卡通中添加的文本大部分存在拼写错误且不连贯。因此，准备了一个提示，以便以稍后可以将对话气泡添加到卡通中的方式获得输出。即使是在大多数基本的图像编辑程序中，也可以轻松添加对话气泡，并在这些气泡中写入相关文本。 在这项研究中，卡通创作过程基本分为两个步骤。首先，编写提示词，并从ChatGPT获得了卡通和文本输出作为回应。其次，通过使用图像编辑程序（如Paint），将对话气泡添加到卡通中，并将ChatGPT 建议的相关文本添加到这些对话气泡中。图1 展示了一个关于“动量”主题的概念卡通示例。 通常情况下，用户也可以自己编写对话或部分借助 AI 的支持，指定他们希望放置这些对话的卡通的细节，并要求ChatGPT绘制它。图2展示了一个关于体积、质量和浮力的概念卡通示例：一个氦气球瘪了躺在地上，周围站着几名初中生。 我把原文图片中的英文替换成了中文，方便读者理解。 文章展示了通过使用大型语言模型（LLMs）创建并融入物理课堂。然而，教师在使用大语言模型的输出之前，必须仔细评估其内容。这不仅可以避免概念性错误，还能在短时间内准备出更高质量的卡通，从而吸引学生的更多兴趣。本文展示了 ChatGPT 在准备物理教学概念卡通方面非常有用，但它不仅适用于物理课堂，还可以用于其他课程和不同年级的教学中。 原文链接: https://doi.org/10.1119/5.0261080
这是 Yuze He, Wanqi Yang, Yonghe Zheng, Yuqing Chen, Wenke Liu, Jingying Wang 发表在 2024 年 12 月《The Physics Teacher》的一篇论文。 学生在理解抽象的物理概念和原理时经常遇到困难。物理图像在促进学生理解方面发挥着重要的作用。智能手机上的传感器可以测量光、磁场和声音，将抽象的物理概念转化为图形。但由于这些图形包含隐含信息，需要学生具备很强的图形理解能力。大语言模型 (LLM) 作为一种有前途的工具，可以将其应用在物理课堂上，以帮助学生理解图像。 这篇论文阐述了在物理课堂上，(1) 使用智能手机进行实验并收集声音图形；(2) 在 LLMs 的指导下解释收集到的声音图形。通过与 LLM 互动，学生可以获得即时解释，从而加深对物理概念的理解。 图1表示声音信号的波形，图 2 是用手机收集音叉产生的信号。 当学生得到声音图形后，在智能手机-相册直接上传声音图形至LLM中，这里使用的是 讯飞星火 大预言模型——可以同时分析多个图表，如图3-4 所示。 当学生以最简单的提示方式要求讯飞星火 “请分析这张图片 ”时，讯飞星火 会生成对有关图表的回复，回复如图 4(b) 所示。在回答有关图表的问题时，LLM 表现得非常熟练，能够描述了坐标轴名称、坐标值范围和包含的曲线。不过，与其他 LLM 一样，回答也会包含一些错误（X 轴和 Y 轴混淆了），但这并不影响对图形的整体解释。 文章认为有两种方法可以有效减少 LLM 产生错误回答和冗余：一种是教师需要在课前使用大语言模型（LLM）进行练习，利用模型解读图像或文本等素材，不断改进提示词，直到获得最佳结果。第二种是教师在课前训练一个“代理模型”（Agent），该模型基于特定指令进行训练，以便更精准地完成任务或提供解答。 原文链接: https://doi.org/10.1119/5.0229741
这是 Tom Ekkens 发表在 2024 年 01 月《The Physics Teacher》的一篇论文。 这篇文章用比较低廉的设备测量了光速，使用 斐索-傅科仪 和 分光镜 测量光速会相对昂贵一些。本文仪器主要由调制激光器、调制源和探测器组成。 考虑到光传播 1米需要 3.3 纳秒的时间，对于时间分辨率为 2 纳秒千兆采样频率的示波器测量 20m 长度的误差在3% 以内。使用硬件的调制频率低于 1 MHz 时，纳秒级的变化不足以发挥作用。但如果信号频率远高于 10 MHz，一般的示波器就无法采样足够的数据点来准确描述波形。因此，激光器、调制源和检测器都应该能够在 1 到 10 兆赫的范围内工作。 为了收集数据，激光器、探测器和示波器被放置在走廊或人行道的一端，彼此距离相当近。反射镜放置在走廊上，将激光束反射到探测器中。示波器的典型输出如图 3 所示，图中蓝线表示 树莓派Pico 产生的调制信号。示波器在该信号的上升沿触发。检测器输出由三条红线中的一条表示，分别对应不同的路径长度。 如果激光器和探测器是完美的，那么探测器的输出将是一个与调制信号相似的方波，但在时间上稍有延迟。然而，两侧都有电容，会使方波的尖锐边缘变圆，因此输出信号看起来更像正弦曲线。 如果光照强度过高，正弦曲线会在最大电压附近变平，如图 3 中的红线所示。为了最大限度地减少这些变平效应带来的不确定性，最好在正弦波的最小值处进行时间测量。 对于图 3 中的暗红线，激光路径长度为 2 m，暗红线达到最小值的时间点距离触发点 88 ns。红线的路径长度为 10 m，在 116 ns 时达到最小值。浅红线的路径长度为 20 米，在 148 毫微秒时达到最小值。 图 4 绘制了路径长度和延迟时间的图像，测量得到的光速约为 $3.01 \pm 0.04 × 10^8 m/s$，误差在 1% 之内。 ...
这是Francisco M. Muñoz-Pérez, Juan C. Castro-Palacio, José Guerra-Carmenate, Miguel E. Iglesias-Martínez, Pedro Fernández de Córdoba, and Juan A. Monsoriu 发表在 2024 年 09 月《The Physics Teacher》的一篇论文。 传统RC、RLC 电路是用信号发生器产生电路的输入信号，再用示波器测量电压。这边文章描述了将信号发生器连接 LED，LED 将电信号转换为光信号发射到太阳能板，通过太阳能板接收的电压来演示电路特性，提升了学生对简单电路的兴趣。 LiFi （Light Fidelity，光照上网技术，利用可见光实现互联网通讯）通讯具有高带宽（其带宽比起广播至少可以携带1000倍以上的数据）。把信号发生器变成LiFi 装置，LED 既可以用来照明，又可以传输信号。 如图1 所示，将信号发生器连接 LED 灯，太阳能板的正负极连接示波器。 设置信号发生器的波形为 方波、正弦波，则太阳能板接收到的光转换成的电信号也为方波和正弦波，如图2 所示。 还可以将LED 连接方波发生器，把太阳能板当作 RC 电路的电源，示波器连接电容器两端测量电压，如果3 所示。 最后论文中将手机的声音接口连接 LED，将声音信号转换为光信号，使得 LED 发光；太阳能板连接喇叭，则当手机播放音频时，该装置可以将声音信号（输入） - LED 光信号 -（传递）- 太阳能板光信号 - 喇叭声音（输出） ，如图4 所示。 ...
这是 Karina E. Avila, Steffen Steinert, Stefan Ruzika, Jochen Kuhn, Stefan Küchemann 发表在 2024 年 09 月《The Physics Teacher》的一篇论文。 像 ChatGPT， ChatGPT-4.0-Turbo 等多模态聊天机器人在教育领域的出现，为物理老师改善教学方法提供了独特的机会，可以用于生成内容并与学生互动，提供学生的形成性评价。但将大语言模型（LLM）整合到课堂教学和常规的训练，并不容易——输出结果不一定可靠，需要编辑好提示词 Prompt。此外，现在学生会把问题复制到聊天机器人中来获得答案，而不是自己解决答案。 这篇文章使用了 LEAP 平台作来帮助教师教学。 问题设置部分，将 LLM 充当中间人角色，将学生的答案输入给 LLM，LLM 根据教师提前设置好的提示词 Prompt 作出回应，并反馈给学生。 按以下步骤设置： 设置任务名称：设置问题名称； 问题准备：教师可以准备问题，可以是图片、视频、数学公式、链接等； 设置提示词：教师需要准备提示词——他们想让 ChatGPT 如何帮助学生得到答案。 设置正确答案：教师准备关于该案例的正确答案。 一旦任务设置好，就可以把链接分享给学生以供其学习。 [思考]： 使用 AI 助力课堂教学，教师可以设置相关的视频、阅读材料、前置知识，预先准备好提示词和答案，可以帮助学生个性化学习，获得相应的答案，做到了以学生为中心的学习；同时，这种学习方式可以作为课堂教学的有效补充，进行额外的探究。 如果有兴趣的老师，我们也可以试着研究下如何做一个类似的网页，公开课、项目可能都能用得到。:) 原文链接：https://doi.org/10.1119/5.0227132
这是 Steffen Steinert, Karina E. Avila, Jochen Kuhn, Stefan Küchemann 发表在 2024 年 10 月《The Physics Teacher》的一篇论文。 像 ChatGPT 的人工智能可以用在物理教育领域，创建物理问题并指导学生的探究式学习，学生通过解决问题来主动构建知识。这篇文章演示了学生使用 GPT-4 ，可以自我评估并解释在铁丝中施加电流后的现象和原因，构成探究式学习中“预测-观察-解释”的步骤。 文章在网页上演示了探究式学习步骤。 演示链接如下： https://ai4physed.physik.lmu.de/LEAP/english_example/Current_carrying_wire 教师提前写好答案的提示词，网页接好 ChatGPT 的 API。文章呈现的是一个实验：电源连接了 0.5mm 厚的铁丝，电压表测量铁丝两端的电压，网页上有两个文本框，一个是学生用来输入答案的，另一个是 GPT 根据教师设置好的提示词给出的答案，如图 1 所示。 任务 1. 猜想 在任务1中，学生根据题目论述、图片、视频等写出自己的猜想。GPT 提示词应该设置为中性，对学生的论述不做肯定、否定的评价。 任务2. 观察 学生根据视频，观察实验现象，并在文本框里写出观察到的现象。 GPT 提示词鼓励学生得到正确答案。如果答案不正确或者不完整，GPT 会建议重新观看视频。 视频中，通电铁丝会发光、膨胀 任务 3. 解释 在任务 3 中，学生需要根据电阻、能量转换、热膨胀等词，解释实验现象。 可以通过 GPT-4 在提示中提供准确的信息和指令来促进探究式学习，为每个学生提供即时反馈，从而使教师无需纠正每个学生的答案，提升了学生的教育体验。 我在网页上找到了几个案例，以供参考 ...