深度问题解决能力：概念特征、理论框架及培养路径

王焕景 魏江明 费建翔

摘要：问题解决能力是学生高阶思维能力的关键能力，问题解决能力培养是教育适应人工智能时代社会人才需求的必要途径。教学中，由于问题解决者本身存在知识有限、认知局限、多场景能力迁移难等客观现象，以及教学培养活动中设置问题本身的价值失效、问题解决能力培养异化、问题解决能力评价的思维固化等，导致问题解决能力培养缺乏深度。在充分挖掘AIGC的独特技术能力的基础上，提出了深度问题解决能力的概念及其核心特征。鉴于此，AIGC赋能问题解决能力培养，构建了深度问题解决能力发生的理论框架，主要包含问题逻辑思维链从短变长、技术决策链从单视角到多视角、生成性反思链从单场景到多场景迁移应用，并阐述了深度问题解决能力培养路径，为问题解决能力培养提供一种新理论、新实践思路。

关键词：AIGC；赋能；问题解决；深度问题解决能力

中图分类号：G434 文献标识码：A

* 本文系国家社会科学基金项目“基于创新学习空间的高校图书馆智慧服务模式研究”（项目编号：19BTQ031）研究成果。

一、引言

问题解决的概念研究起始于心理学。随之，社会学也纳入研究范围，如：一切生活皆为问题解决[1]，继而问题解决能力培养成为教育学的研究问题[2]。“教育不仅是获得知识，更是通过获得知识形成学习能力的过程；获得提出问题、分析问题、解决问题的能力才是目的。”[3]可知，在教育领域中问题解决能力培养的价值。

随着，生成式人工智能（AIGC）对知识教育的冲击，教育迫切需要超越知识学习[4]，更坚定培养学生高阶思维能力（如创新能力、批判思维能力、问题解决能力、决策能力等）的紧迫性及必要性，能力培养逐渐成为未来教育的研究话题。但在现实教育教学中，比如问题解决能力培养受限于问题解决者自身知识、认知等缺陷，难以短时超越，及培养过程中教学活动设计和实施异化，导致问题解决止于浅层次探索阶段。因此，深度问题解决能力培养值得探索与实践。借助AIGC的独特能力可推动问题解决进入深层次，继而培养“思维比知道重要、问题比答案重要、逻辑比罗列重要”[5]的社会需求人才。

二、AIGC助推深度问题解决能力的概念生成

（一）问题解决能力

问题解决是对情境问题的一种认识活动。在教育领域，问题解决能力起初作为一种学科课程标准，新知与解決问题是问题解决能力培养的目的。进入21世纪以来，问题解决能力被认为一种“素养”，例如美国的“21世纪教育战略”“21世纪技能框架”等。欧盟数字素养项目将问题解决能力列为数字素养领域，定义为一种利用数字化手段解决问题的能力。“中国学生发展核心素养”将问题解决能力确定为中小学生的核心素养之一，强调适应复杂环境并行动的一种能力。换言之，问题解决能力是综合运用知识、经验、理性等解决现实问题，是一种适应、参与社会的基本能力[6]。问题解决能力的本质是一种高级思维能力，蕴含操作性行为表现，如理解与提炼、分析与表达、推理与实践、总结与反思等[7]。因此，问题解决能力培养活动应将以上操作性行为表现融合于教学过程中，并通过训练强化。

（二）影响问题解决能力的培养要素

透彻理解“深度”的意义，不妨探讨问题解决能力培养的影响要素。一是，问题解决者自身的“缺陷”。“在教育情境中对问题解决能力进行界定，必然不能忽视学生的问题解决能力和知识学习、认知发展及生活情境之间的密切联系。”[8]主要特征表现为问题解决者经验知识不足、逻辑思维不周延、问题解决视角匮乏，导致问题解决缺乏深度[9]。由此，知识有限、认知局限、及能力在跨领域之间难以迁移是人类自身缺陷，这些缺陷需要“类人”或“超人”技术来弥补，如AIGC整合跨领域知识，可助力学生探索Known Unknows（知道不知道）[10]。二是，问题本身的价值失效。“问题的产生不是问题本身的问题，而是为了解决问题而产生问题。”[11]波普尔[12]认为“新问题的深度就根本不同于旧问题”，更深刻问题不断创生，是主动探索“未知”的过程，才使人拥有知识进步。可知，问题价值内涵：解决旧问题创生“深”问题，才是有意义学习[13]。但学校教育中以问题解决能力培养的教学活动中问题异化，如问题本身是虚构问题，脱离情境的“伪问题”或“假问题”，学生不必深刻思考就能认识问题，实则回答“是”的问题，解决此问题衍生不出下一个问题，未深入考虑“问题为什么产生”。因此，这种假问题不具有教育性，不具备学生反省性主动探究的特质，更不具备深度问题解决能力发生的条件。三是，问题解决能力培养的异化。教学实践中，教师易将问题解决能力培养误认为一种技巧训练[14]，因缺乏深度思考而无法获得解决不确定性问题的迁移能力，特别是迁移反思情境缺失。四是，问题解决能力的评价异化。问题解决能力评价思维固化于“有了知识‘知道是什么、怎么做”的知识教育[15]，而核心素养的教学改革试图改变现有的教育形态，但仍处于初期的低阶思维教育阶段，培养的问题解决能力是一种浅度问题解决能力。

（三）AIGC的问题解决能力

AIGC的技术特征蕴含着远超于人类问题解决能力的操作性行为表现，如理解、表达、推理、实践、反思等。

1.理解自然语言能力

注入“以人为本”的因果关系是机器理解人类自然语言的基石，使机器具有“宜人性”，表现为：与机器交流的容易程度低、使用门槛低、人对机器的适应度高等特征[16]；人机交流的技术障碍不断扫清[17]，得益于大语言模型“理解”多层次跨语种的自然语言。高质量的语料库汇聚人类思想，致使AIGC涌现各种能力，与其说量变达到质变，不如说数据中蕴含的人类“智能”被机器所挖掘而习得“规律”，使大语言模型具备理解上下文的能力[18]，“懂得”人类的自然语言。例如ChatGPT采用自然语言与人交流，使人机对话式常态化交流成为可能，预示人从“有知→无知→未知”的局限被机器智能所突破。

2.整合聚变生成能力

AIGC的多风格文本生成、多任务理解生成内容、泛领域知识问答、多情景式差异推理等优势技术特征，使知识跨领域整合，助推高阶思维延展培养。自古以来，孔子、墨子、亚里士多德等“百科全书式”人物拥有综合性知识。知识被复制技术（如印刷术）快速地分化裂变而产生了学科体系，使大众获得知识，却带来知识碎片化、视野狭窄化的结果，片面、无效的知识使人类思维被割裂[19]。知识被数字技术（如互联网）快速地传播裂变而产生了信息大爆炸，知识生产“草根化”，却带来知识与数据、智慧边界模糊，知识就是一种连接[20]，寻径与意会成为应对不确定性、碎片化、分布式的信息环境主要学习方式。知识被生成技术（如AIGC）快速地整合聚变而产生了重视高阶思维能力培养的浪潮，形成“思维革命”[21]，如批判思维、创造思维、问题解决思维等，全谱系知识成为思维发展的夯实基础，助推知识教育向思维教育转型，重塑学习观、教学观、课程观、评价观。比如：生成启发素材、教学目标、教学过程，以问题解决为主；创建个性化多模态教育资源；针对性完成教育评价的多项任务。

3.技术生态底座能力

美国高等教育信息化协会（EDUCAUSE）发布了《2023地平线报告：教与学版》，技术趋势方面指出简化复杂流程的低代码（Low-code）和无代码（No-code）技术使更多人能够创建数字内容[22]。一方面，AIGC的大语言模型具有多功能多语言的代码能力和多模态输入、输出表达之间交互特性。AIGC通过自然语言快速创建、开发多模态教育资源，这种特征其它信息技术无法比拟。AIGC降低教育技术开发的难度，并为教师与学生创造个性化信息产品提供可能，减轻平凡琐碎的任务，在处理大而复杂的问题时“摆脱困境”，教师有充足精力开发生成性教育资源。另一方面，基于大语言模型为“底座”开发插件，形成以AIGC为核心的信息产品生态，将重塑现有智能教学工具走向“智慧”，换言之，每种信息工具都具有“类人”属性，数以万计的信息产品皆因“大语言模型”为基础设施而相互交流，汇聚大数据为全数据，使创新技术工具更具有“智慧性”。

（四）深度问题解决能力的概念及特征

AIGC独特的问题解决能力可弥补问题解决者自身的“缺陷”，如问题逻辑思维浅、驾驭技术决策能力单薄、反思迁移能力弱，将进一步助推问题解决者调动认知资源解决复杂、不确定性社会生活问题，即生成深度问题解决能力。其核心特征如下：

第一，深度的问题逻辑思维能力。遇到某种困境或现实问题时，“如果联想到的见解马上就接受下来，那就是无批判、最低限度的思维。”[23]而联想源泉是以往的经验和事先学到的知识，但“人是唯一未‘完成和不‘完善的生物”[24]，正因为如此人才要探索新的证据、新的见解，激发思索形成有意义的思维，即深度逻辑思维，是一条绵延不断、环环相扣问题思维链条，包含四个特点：不断的、一系列的思量；连贯有序；因果分明；前后呼应[25]。这种逻辑思维能力取决于问题表征延展及经验知识的广度与深度支持，而人是有缺陷的，对问题的理解、表征、分析等易止于浅层逻辑思维，这时，需要技术助力才能走向深度。

第二，深度的技术决策能力。“技术看作是达到目的的正确途径的方法，或看作是人类的行为方式。”[26]人类行为指向知识系统的知识性技术——解决问题的技术、方法论等——已独立人而存在。如人的记忆外包，“人的记忆不再依靠自己的经验、身体和文字，而是通过数字化媒介存储。”[27]如知识外包，“信息时代，尤其是人工智能时代，人类进入了一个知识外包的全新的教育生态，越来越多的知识被外包给信息技术。”[28]由此，技术成为弥补学生自身“缺陷”的方法，及如何使用这种技术的策略共同构成驾驭技术的能力。换言之，驾驭技术的过程就是学生决策技术的过程。深度技术决策能力是按照问题需求合理地选择技术促进深层次解决问题的能力。深度即“多视角”。多视角选择技术解决问题是面度复杂、不确定性问题的关键之处，包含匹配旧技术或使用低代码或无代码技术创造新工具，增加使用技术深层次解决问题的机会。

第三，深度的反思迁移能力。解决问题的迁移能力是问题解决的目的。反思是迁移的必要环节，迁移是在问题逻辑思维能力及技术决策能力的过程中生成与升华，而习得“类问题”解决能力。教育学领域，迁移是一种学习方式，将知识与技能应用新的情境，考虑三个关键因素：知识、技能、新情境，其中新情境创建是迁移能力评估及时反馈的实践要素，但现实教学中“学用脱节”问题[29]使迁移能力大打折扣。一般采用作業、考试等知识性评价方式而非能力性评价方式（如新情境创设），导致问题解决能力培养一直处于理论培养层次中，直接削弱了培养价值的实践功效。设计、创设新情境不仅是评估迁移能力的实践工具，也是进一步深度思考新旧情境之间差异引起迁移阻碍，使这种阻碍因反思、判断等有序“存在”，换言之，“如何判断新情境与旧情境的共同要素？”“如何概括新情境与旧情境的共同原理？”[30]正确的回答即生成深度的反思迁移能力。

三、深度问题解决能力的理论框架

深度问题解决能力产生于有深层次问题解决的过程。徐春玲等[31]提出劣构问题解决过程：问题表征，问题解决方案的生成、选择与实施，问题解决过程的监控和评估。深层次问题解决过程是借助AIGC独特技术能力深层次地推进、反思问题解决的每个过程，以链条思维方式组织执行过程，进而习得深度问题解决能力。AIGC赋能深度问题解决能力的理论框架（如图1所示），使问题逻辑思维链、技术决策链、生成性反思链等发生，旨在AIGC助力问题解决者通过问题解决跨越自己的无知，探索未知，习得新知、新技能、新能力，使人之为人并全面发展。

四、深度问题解决能力的培养路径

PISA项目针对学生具体行动将问题解决过程划分为：理解问题、描述问题、展示问题、解决问题、反思解决方案、交流解决方案[47]。结合AIGC助力深度问题解决能力的理论框架，重塑培养教学活动过程（如图2所示），具体环节包含：创设高质量问题情境环节、预设与生成问题链环节、解决问题技术决策链环节、多场景反思迁移链环节。

（一）创设高质量问题情境环节

“教育有用，因为理解生活是有用的”[48]。教育目的是如何将习得知识、经验、技能、能力等应用于现实生活中。以“问题”为主线的教学活动，创设问题情境是有与无的问题，而创设高质量问题情境才是问题解决的核心及开端。但这类问题情境创设困境在于：一是，教师知识、经验与认知局限等，使创设问题情境的质量本身具有局限性；二是，知识评价体系思维束缚及影响，限制问题情境蕴含评价任务[49]。教师专注于本学科知识体系，创设问题情境是对真实生活问题情境的局限割裂或基于知识“伪问题”，不具有衍化性。利用AIGC生成问题情境化解教师本身局限，但需满足是三个条件：第一，教师对培养目标进行深思熟虑；第二，教师提炼“学科知识”与“能力培养需求”关键词作为“提示词”，向AIGC发问；第三，对AIGC生成问题情境批判选择。为了进一步提高问题情境质量，可通过虚拟现实等将AIGC的文本模态转化为逼真的“虚拟”情境[50]。因此，创设问题情境是能力培养需求导向下真实完整生活情境再现，有助于提升学生思维的深度。

（二）预设与生成问题链环节

问题情境是学生理解、描述、展示问题的导火索，而点燃此导火索是学生发现问题能力。学生具有专业知识的扎实程度、洞察力和判断力的敏锐度决定发现问题的能力[51]。若问题与学生已知（如记忆、理解、应用的知识）相匹配，直接可解决问题，属于浅层次问题解决能力，但相当重要，处于“不愤不启”的阶段。若止于此处，可验证问题情境创设本身不具有教育性，需重新创设。若不匹配，学生处于无知状态，教师引导学生发现问题情境背后蕴藏的深层次问题，编写提示词（问题链），向AIGC不断反复提问，从生成内容中挖掘新问题，再提问，把生成问题推向深层次探究境界，最后筛选出个体问题链，此时，机器是一位启发“教师”。当然，教师预设问题链是对教学内容提炼而形成，具有局限性。教师参与筛选、整合学生生成的问题链，磨合成高质量问题链，换言之，“确定高质量的主干问题及铺设序列化子问题”[52]。

（三）解决问题技术决策链环节

根据问题链特点，以及学生对提出问题相似度划分小组，进行协作问题解决。分析问题是假设推断过程，含有多种心理活动，如分析、批判、表达、推理与实践，需要大量循证材料，不仅依靠学生现有专业知识及认知，还需未知领域知识及技能。未知领域探索是深度问题解决能力培养的重心，教师引导学生借助AIGC突破自身局限，对问题进行深层次剖析。值得注意的是学生主动批判人工智能的生成内容（如图3所示），质疑、追根溯源是学生将AIGC转换成循证材料的手段。由于网络使知识、信息、数据之间边界变得模糊、不确定性，辩证真假资讯成为使用AIGC的技术决策能力，是学生获得未知“知识”的手段，强化训练有利于深层次分析问题，否则，停留于浅层。透彻地分析问题基础上，形成解决问题方案，需要不同技术工具手段与技术策略手段。利用AIGC生态“底座”特征，助力学生创造、使用和管理符合解决问题的技术资源，比如：单技术的AIGC可提供智能设计、多模態生成、需求生成运行代码等技术应用场景；AIGC成为元宇宙内容生成的基础设施，高度融合后数字化生产、数字化管理、数字化生活等模拟场景，将为问题解决提供虚拟“做”的实践场景。从做中解决问题，促进学生用技术解决实际问题，故而，生成技术工具与策略。技术工具或技术策略的多视角是创造性解决复杂问题的技术决策能力。形成解决问题方案后，小组内交流是反思最好的手段，思维多次碰撞，有利于个体建构自我反思路径。值得强调的是，小组汇报一定是反思后的成果，也是反思问题链与技术决策链的建立、实施困境、解决问题的实施过程精确加工，否则，粗粒度的报告引不起学生共鸣。小组间交流汇报是整个问题解决的“智慧”，也是生成式反思链形成最佳时段，厘清问题解决的过程中产生的各种心理活动、行为数据、“知识、技能、能力”的增值等，形成个体建构的技术决策链与反思链。

（四）多场景迁移反思链环节

“教育需要解决的问题就是使学生通过树木看见森林。”[53]“森林”就是迁移能力，也是传统教学容易忽视环节。此环节以学习成果评价为导向，替换知识型评价方式。利用人工智能（AIGC）创设真实情境，“引导学生将知识从单一场景迁移到多场景，实现深度学习。”[54]创设新情境不是简单复制原问题情境，而是更深层次的问题情境，与下一次解决问题相融合，既是结束，也是开端。创设新情境是对生成性反思链的进一步反思及巩固，有利于迁移能力培养。创设新情境与学生习得是否匹配，若匹配，证明学生习得“未知”领域的新知识、新技能、新能力等。若不匹配，预示学生的迁移能力未形成，实则学生对此教学活动未进行深刻体悟。教师重点关注此类学生，对行为数据进行分析，精准干预。

五、结语

学以致用，学会迁移，这是问题解决能力的精粹。问题解决停留于浅层次而不够深入的问题永远存在，源于学习者个体知识有限与认知局限。技术不断地解蔽世界，让人们感受到“未知”的永无止境。随着，AIGC的产生与对教育的影响，教育将成为“教人们掌握如何运用能力的艺术”。希望充分利用AIGC的增强智能提升学生深度问题解决能力，进而适应、参与社会不确定性问题解决。然而，本研究仍需要通过实验研究进一步验证深度问题解决能力培养的实践效果，将成为下一步研究的起点。

参考文献：

[1] Popper，K.All Life is Problem Solving [M].New York：Routledge，1999.

[2] 王薇，刘莉.问题解决的教育实践特征：基于心理学到教育学的转换[J].教育学术月刊，2021，（6）：90-96.

[3] 袁振国.教育学的历史转向——关于教育学世界一流学科建设的思考[J].教育研究，2023，44（5）：4-15.

[4] 李永智，马陆亭等.中国教育学论纲[J].教育研究，2023，44（4）：4-11.

[5] 沈书生，祝智庭.ChatGPT类产品：内在机制及其对学习评价的影响[J].中国远程教育，2023，43（4）：8-15.

[6][8] 伍远岳，谢伟琦.问题解决能力：内涵、结构及其培养[J].教育研究与实验，2013，（4）：48-51.

[7] 王薇，何庆青.培养学生问题解决能力的学习活动设计和课堂评价准实验研究[J].教育学报，2022，18（5）：44-55.

[9] 李海峰，王炜.面向高阶思维能力培养的数字孪生智慧教学模式[J].现代远距离教育，2022，（4）：51-61.

[10] Zhou，J.，Ke，P.，Qiu，X.et al.ChatGPT：potential，prospects，and limitations [J]. Front Inform Technol Electron Eng，2024，25：6-11.

[11] 赵奇.寻找思想宝石：《资本论》启示录[M].北京：东方出版社，2018.

[12] [英]卡尔·波普尔.李本正，范景中译.走向进化的知识论[M].杭州：中国美术学院出版社，2001.

[13] [美]戴维·乔纳森，乔伊·摩尔，罗斯·马尔拉等.任友群等译.学会用技术解决问题：一个建构主义者的视角[M].北京：教育科学出版社，2007.

[14] 朱立明.深度学习：学科核心素养的教学路径[J].教育科学研究，2020， （12）：53-57.

[15] 胡弼成.论教育形态的变革——思维教育简论[J].高教探索，2008，（5）： 15-19.

[16] 李会春.ChatGPT技术热潮下教育变革的挑战和对策[J].复旦教育论坛，2023，21（2）：13-23.

[17] 彭兰.AIGC与智能时代的新生存特征[J].南京社会科学，2023，（5）：104-111.

[18] 赵朝阳，朱贵波，王金桥.ChatGPT给语言大模型带来的启示和多模态大模型新的发展思路[J].数据分析与知识发现，2023，7（3）：26-35.

[19] 何明.盲人摸象、削足适履与刻舟求剑：制约知识生产的认识论根源[J].开放时代，2021，（1）：88-90.

[20] 王志军，陈丽.联通主义学习理论及其最新进展[J].开放教育研究，2014， 20（5）：11-28.

[21] 朱光辉，王喜文.ChatGPT的运行模式、关键技术及未来图景[J].新疆师范大学学报（哲学社会科学版），2023，44（4）：113-122.

[22] EDUCAUSE.2023 EDUCAUSE Horizon Report Teaching and Learning Edition [EB/OL].https：//library.educause.edu/resources/2023/5/2023-educause-horizon-report-teaching-and-learning-edition，2023-05-08.

[23][25] [美]约翰·杜威.伍中友译.我们如何思维[M].北京：新华出版社，2015.

[24] [德]底特利希·本纳.彭正梅，徐小青等译.普通教育学[M].上海：华东师范大学出版社，2006.

[26][38] 远德玉，陈昌曙.论技术[M]：沈阳：辽宁科学技术出版社，1986.

[27] 董军.海德格尔技术之思及其当代启示[J].学习与实践，2021，（9）：134-140.

[28] 焦建利.ChatGPT助推学校教育数字化转型——人工智能时代学什么与怎么教[J].中国远程教育，2023，43（4）：16-23.

[29] 徐鹏，王以宁等.教师信息技术应用能力迁移影响因子模型构建研究[J].开放教育研究，2015，21（4）：106-112.

[30] 喻平.学科关键能力的生成与评价[J].教育学报，2018，14（2）：34-40.

[31][35] 徐春玲，王海庆.问题解决视域的实践共同体建构研究[J].现代教育技术，2013，23（1）：116-120.

[32] 樊荣强.当众讲话是门技术活[M].合肥：安徽人民出版社，2013.

[33] 吕崧.问题启迪思维——“问题链”在初中化学教学中的运用[M].上海：上海交通大学出版社，2014.

[34] 邓铸，余嘉元.问题解决中对问题的外部表征和内部表征[J].心理学动态，2001，（3）：193-200.

[36] 周玉霞，李芳乐.问题解决的研究范式及影响因素模型[J].电化教育研究，2011，（5）：18-25.

[37] 李芒.對教育技术“工具理性”的批判[J].教育研究，2008，（5）：56-61.

[39] 钟志贤.信息技术作为学习工具的应用框架研究[J].电化教育研究，2008，（5）：5-10.

[40] 李芒，段冬新.历史的会师点：教育技术的学术繁荣[J].现代远程教育研究，2020，32（2）：3-10+19.

[41] 赵汀阳.人工智能提出了什么哲学问题 [J].文化纵横，2020，（1）：43-57.

[42][45] 姚林群.论反思能力及其培养[J].教育研究与实验，2014，（1）：39-42.

[43] 赵敏，李森.论课堂反思场域中学生反思路径的五度划分及策略选择[J].教育理论与实践，2021，41（1）：60-64.

[44] [美]约翰·杜威.姜文闵译.经验与教育[M].北京：人民教育出版社，2005.

[46] 张登博，刘明.智能反思写作反馈系统的设计与应用[J].现代教育技术，2021，31（11）：96-103.

[47] 杨学敬，徐斌艳.问题解决内涵的重构——来自PISA的启示[J].教育科学，2007，（2）：32-35.

[48][53] [英]怀特海.徐汝舟译.教育的目的[M].北京：生活·读书·新知三联书店，2002.

[49] 杨向东.指向学科核心素养的考试命题[J].全球教育展望，2018，47（10）：39-51.

[50] 段茂君，郑鸿颖.基于深度学习的高阶思维培养模型研究[J].现代教育技术，2021，31（3）：5-11.

[51] 张立国，谢佳睿，王国华.基于问题解决的深度学习模型[J].中国远程教育，2017，（8）：27-33，79.

[52] 丁福军，张维忠，唐恒钧.指向数学核心素养的问题链教学设计[J].教育科学研究，2021，（9）：62-66.

[54] 刘磊，刘瑞.人工智能时代的教师角色转变：困境与突围——基于海德格尔技术哲学视角[J].开放教育研究，2020，26（3）：44-50.

作者简介：

王焕景：教授，博士，博士生导师，研究方向为信息技术教育应用、知识服务。

魏江明：在读博士，研究方向為教育数字化转型、教育领导与管理。

费建翔：讲师，在读博士，研究方向为高等教育管理、大学生发展。

In-depth Problem-solving Ability： Conceptual Characteristics， Theoretical Framework and Cultivation Path

—Based on the Perspective of AIGC Technology Empowerment

Wang Huanjing1， Wei Jiangming2， Fei Jianxiang2

1.School of Communication， Qufu Normal University， Rizhao 2768261， Shandong 2.Faculty of Education， Qufu Normal University， Qufu 273165， Shandong

Abstract： Problem-solving ability is the key ability of students ‘ higher-order thinking ability. The cultivation of problem-solving ability is a necessary way for education to meet the needs of social talents in the era of artificial intelligence. In teaching， due to the objective phenomena such as limited knowledge， cognitive limitations， and difficulty in multi-scene ability migration of problem solvers， as well as the value failure of setting problems in teaching and training activities， the alienation of problem-solving ability training， and the thinking solidification of problem-solving ability evaluation， the problem-solving ability training lacks depth. On the basis of fully tapping the unique technical capabilities of AIGC， the concept of deep problem solving ability and its core features are proposed. In view of this， AIGC empowers the cultivation of problem-solving ability， constructs the theoretical framework of the occurrence of deep problem-solving ability， mainly including the problem logical thinking chain from short to long， the technical decision-making chain from single perspective to multi-perspective， and the generative reflection chain from single scene to multi-scene migration application， and expounds the deep problem-solving ability training path， which provides a new theory and new practical ideas for the cultivation of problem-solving ability.

Keywords： AIGC； empowerment； problem solving； deep problem solving ability

收稿日期：2023年12月12日

责任编辑：赵云建