结构化课程大纲生成器：基于布鲁姆分类学的教学设计模板
提示词描述：
本提示词专为课程架构师与教研人员设计，通过布鲁姆分类学与ADDIE模型的深度融合，实现教学目标与评估工具的精准映射。适用于从零构建标准化课程或优化现有教学路径，预期可缩短70%的大纲设计周期。建议结合机构内部知识库使用，确保输出符合特定学术或行业标准。
提示语关键词：
AI课程设计,提示词模板,布鲁姆分类法,教育大纲生成器,高校教研提示词,ADDIE模型教学应用,自动化教案编写
提示词内容：
【使用场景】
适用于高等教育机构教研员、企业培训架构师及在线教育产品策划。当需要构建符合认知发展规律、具备明确能力评估维度的标准化课程体系时，本模板利用大语言模型实现教学目标的精准对齐与知识拓扑的自动化拆解，替代传统人工编排的高耗时流程。
【操作步骤】
1. 初始化参数配置：将提示词中的“{填写}”替换为具体学科领域、目标受众认知基线、总课时数及终局能力指标。
2. 定义认知映射层级：指令模型严格遵循布鲁姆教育目标分类学，强制按“记忆-理解-应用-分析-评价-创造”六阶模型分配知识节点权重，低阶认知占比不得超过40%。
3. 生成结构化交付物：要求输出格式包含模块标题、可观测行为目标、核心知识簇、交互教学策略及形成性评价量规。
4. 逻辑闭环校验：输入质量评估维度进行一致性审查，若高阶思维训练节点缺失，触发模型自我修正指令。
【效果示例】
以“数据科学基础”为例，模型将输出含12个标准课时的矩阵表。其中应用层级明确标注基于Pandas进行数据清洗实操，评价环节自动配置多维Rubric量规与同伴互评协议，实现教学目标、内容载体与评估工具的三角验证闭环，彻底消除经验主义排课的随意性。
【进阶技巧】
融合ADDIE教学设计模型进行多轮迭代。在系统指令中追加元认知约束：启用Zero-shot CoT推理，显式输出每个知识模块背后的建构主义支架设计逻辑。建议配合向量数据库进行RAG检索增强，将机构内部优质教案作为Few-shot样本注入，可显著提升输出内容与企业知识资产的契合度。