智能变革：生成式人工智能在中小学项目式学习中的应用与前景

关键词：生成式人工智能；项目式学习；教学设计；教学评价；教学实施

2022年教育部发布了《义务教育课程方案和课程标准（2022年版）》（简称“课程标准”）。本次课程标准修订的一项重要变化是明确提出了要通过项目、主题等结构化的方式组织课程内容，推动教学实践的深度变革。近年来，项目式学习（project-based learning， PBL）在学科课程和综合实践课程中的价值日益凸显。相较于传统教学模式，学生在PBL合作学习的过程中，比单独工作时更能提高批判性思维能力、解决问题的能力及社交能力[1]。

深入开展项目式学习是智能时代教育系统变革和社会发展的共同要求，但对教师和学校而言PBL是一种复杂的教学技术。日前，生成式人工智能正由基础的感知人工智能向更高层次的认知决策智能方向演进。不同于传统信息化系统依靠需求分析师收集并分析用户需求，再由程序员转化其为代码来实现功能，生成式人工智能系统依托大型语言模型的认知决策能力，用户仅需提供相关语料就能实现功能。这一特性如果应用在中小学课堂教学中，有助于克服PBL在中小学教育中的现实困境，发展成“生成式人工智能+PBL”的教学改革新路径。

一、项目式学习的现实困境

PBL的理念是通过真实世界的问题来引导学生进行深入探究，从而获得跨学科的知识和技能。然而在我国实际推广与应用的进程中，不论是在大部分中国城市地区，还是在经济、教育条件有限的农村地区，PBL的开展都面临困难[2]。这些困难主要存在于教学设计、评价和实施三方面。

（一）教师对PBL 教学设计知识体系缺乏系统理解

PBL的教学设计需要具有挑战性、真实性的问题，遵循倾听学生的声音和选择的原则，这意味着教师在单位教学时间内教学设计工作量会成倍地增加：对不同地区同一个学段的学生来说，真实问题可能不同；不同班级或者小组的学生在探究过程中学习内容也会产生较大的差异。这固然是PBL的优势，但相比传统的学科学习或跨学科学习，其项目交付物的不确定性和复杂性要高很多，如果教师缺乏足够的培训，就难以设计出对教学活动有足够规约性的PBL学习目标[3]。PBL教学设计还可能出现教师受限于自己所学的专业，缺乏相关领域基础知识，导致教学设计的驱动性不强，进而对自己能否有效地进行PBL教学缺乏信心的问题[4]33-34。

进一步来说，PBL教学设计中与课程标准对齐的原则，要求教师创造性地从课程标准中洞察与PBL教学设计的相关元素，比如：核心知识、驱动性问题、高阶认知、学习实践、全程评价[5]。教师需要巧妙地构建这些元素之间的网状联系，并保证各元素在学习活动中既具有可行性，又对教学目的有指向性。如果存在教师准备不足、学生接受能力差异过大或者课程设计与执行不当等问题，就会使学生在项目完成上花费较多时间，却在知识掌握上效率不高[6]43-58。PBL还要求教学设计与学习过程和项目成果保持一致，这需要设计一种敏捷的教学评价体系，使得它能实时地指导教师调整教学方案[7]87-95。

PBL的教学设计不仅需要教师具有更全面的学科领域知识，还需要深入理解教学系统中相关元素的运作方式和隐含的联系。教师不仅需要研究PBL 教学理论和分析实践案例，还需要接受PBL咨询专家的现场指导，并进行PBL教学设计实践。中国一线城市头部中小学校的教师可以投入大量的时间和资源来进行课程准备；但对普通学校和农村学校的教师来说，这种没有固定教材的动态教学方式，使他们在推进PBL的第一步就陷入了困境。

（二）PBL 教学评价缺少系统性评价标准

在PBL中，评价不单是结果的证明，还是促进学生深入学习和持续进步的工具，这要求教师细致观察并记录学生在项目中的表现，并针对其交流合作、资源运用、问题解决和自我管理等进行分析和评价。这样评价的工具和方法比出一套考卷来评价学生成绩要更加灵活和复杂。在教学过程中，教师面临将这些多维度评价工具合理地融入教学过程中的困境。PBL不仅要评价学生的多维度素养，还要根据不同的实践类型使用不同的评价工具。PBL有五种不同且存在部分交叉的实践类型，不同的实践类型有不同的输出[8]，如探究性实践输出科学论文，调控性实践输出调查报告，社会性实践输出公众演讲，审美性实践创作音乐、绘画、戏剧和舞蹈等，这些评价方式很大程度上具有主观性，依托多位专家在大量实践中建立可靠、公正的评价体系。但是这种体系只有在师资力量雄厚的少数学校才可能建立，例如深圳“零一学院”采用项目式学习培养拔尖、创新人才，由院士郑泉水担任首任院长，广邀国际专家参与项目化学习评价工作。

（三）PBL 教学实施投入高、风险大

即使拥有了精心构思的PBL设计和科学的评估体系，中小学教师在PBL的具体执行过程中也不易精准把握促进学生自主探索与提供结构化指导之间的平衡点，多数教师认为项目式学习耗时长，不仅需要和其他学科的教师协调时间，而且投入大量时间后也不一定能提高主科成绩[9]。这就要求教师既能灵活退场保证学生自主学习的空间，又能策略地介入以确保学习目标的实现。

教师在实施PBL时须构建支持性的合作学习环境，高效组织学生团队，关注团队内部动态，确保每个项目学习小组的计划都有可行性，每个学生都能积极参与到项目中。这要求教师具备良好的组织和人际交往能力，要更好地实施PBL，还需提高教师的教学敏感性[10]248-287。教学敏感性指教师在教学实践中对学生的学习需求、情感状态、文化背景以及课堂情境的理解与反应能力。这种能力使教师能够在教学过程中灵活调整教学策略，以适应不同学生的个性化学习需求和教育环境的变化，这种能力的获得需要时间的积累。

总的来说，PBL教学实施对老师提出了三种类型的技能要求：工作方式、教学敏感性、影响力技能。这些技能的形成需要进行系统性和持续性的培训，需要在学校范围内建立PBL的基础设施和组织过程资产[11]，如PBL管理软件、PBL评价指南、PBL评价策略、PBL评价工件①。这些培训和组织工作需要长期的高质量投入，短期成效有限且风险很大。虽然国外有项目式学习对标准化考试成绩影响的研究[12]，但项目式学习对中国学生高考成绩影响的研究很难找到。要进行这种持续的资源投入，对大部分公立中小学来说，无疑是一个艰难而冒险的选择。

二、生成式人工智能为PBL 带来机遇

生成式人工智能通过对海量文本数据的学习，构建了对于知识的复杂理解，能够从大规模且复杂的信息中生成符合用户需求的文档。在PBL教学设计中，它能够跨领域揭示大规模知识之间隐含的关系，弥补教师知识体系的不足，提升教师的洞察力；在评价领域，它能够稳定公正地执行重复性的评价工作，减轻教师工作量；在实施过程中，它能够实时为师生提供个性化支持，助力因材施教在教学活动中的深度实现。

（一）快速生成结构化的PBL 教学设计

PBL教学设计面临重重困境的基本原因是其涉及的知识面广、内容多、环境的限制因素多，这是一个复杂环境的优化决策问题。传统解决办法是建立大量人工标注[13]的语料库进行查询，但开发成本高，也没有认知决策能力，很难解决PBL教学设计的问题。

最新生成式人工智能技术可以在很大程度上解决PBL的教学设计困境。例如：采用检索增强②构架，应用如图1的项目式学习语料库，这个语料库包含了PBL教学设计、PBL教学实施、PBL教学评价、标准参考资料和PBL案例5个模块，其中前三个模块是核心语料，后两个模块是参考语料。语料库可以采用知识图谱的方式组织也可以简单地按照文本文档组织。利用这个语料库，尝试与ChatGPT 4.0进行对话。

教师提示词：你是一个小学三年级语文老师，你要以《花的学校》这篇课文为基础设计语文项目式学习方案。think step by step，仔细想想，这个是需要被其他专家老师评审的。

ChatGPT4.0（RAG架构）输出3 568个词。内容包括入项活动、知识与能力构建、探索与形成成果、评论与修订、公开成果、反思与迁移六部分。这里的PBL设计和课程标准知识是RAG通过特定的算法，识别用户意图，从项目式学习语料库中获取的。以入项活动为例，ChatGPT 4.0生成内容如下：

1. 驱动性问题：为什么作者会将花朵比喻成“学校里的学生”？

2. 本质问题：如何通过比喻和想象来表达情感和思想？

3. 概念性知识：比喻、拟人、想象；情感表达；高阶认知策略：创见（在比喻和拟人手法的基础上，创作自己的表达）。

4. 语文课程标准相关要求：能联系上下文，理解词句的意思，体会课文中关键词句表达情意的作用；能初步把握文章的主要内容，体会文章表达的思想感情。

5. 活动设计：

（1）文本朗读与讨论：带领学生朗读《花的学校》，并通过小组讨论，回答上述驱动性问题。

（2）故事导入：老师讲述一个关于花朵的童话故事，引起学生的兴趣。

（3）互动交流：学生分享他们的感受，老师引导学生理解文本中的比喻和拟人手法。

观察上述案例的提示词，一个不了解PBL驱动性问题，甚至不知道PBL教学阶段的新手老师，仅通过“项目式学习”和语料库中文章的标题就能得到PBL设计方案。该方案自然地构造了与输入材料相关的驱动性问题，揭示了驱动性问题与本质问题、概念性知识和课程标准的多维度联系，弥补老师的知识盲区；具备良好的教学逻辑性，每个阶段驱动性问题层层关联和递进，很好地匹配教学目标；它的操作性也很强，教学活动的设计具有趣味性、灵活性、创造性和引导性，学生在教学活动中，应用高阶思维，在不脱离课程标准的情况下，聚焦对概念性知识和本质问题的理解。PBL新手教师可以通过这种方式来学习和实践，专家教师可以整合多个方案来获得更好的教学效果。

要获得更好的设计方案，还可以利用生成式人工智能的思维链能力[14]，它可以根据PBL教学设计的上下文，灵活地细化教学阶段，并将每个教学阶段的驱动问题、教学目标分解，寻找合适的教学参考资料。生成式人工智能在进行PBL设计决策时，采用思考、行动、观察提示（Thought、Action、Observation、Step-back Prompting、提示词）模式——使大语言模型能得到需要进行复杂推理才能得到的回答[15]；采用后退提示（Step-BackPrompting）模式[16]——通过多轮对话，对某个问题持续追问，展示通过特定的细节来推导高阶概念和原则，再后退到用高阶概念来重新指导推理的过程。这些决策的结果和过程，示范了教学中高阶思维模式展开的方式。提示词工程③文档可作为模板提供给项目式学习的教师，或者作为语料库的一部分。在项目式学习的设计语境下，经过专门优化的生成式人工智能，教师通过简单的提示语，得到深层次的教学设计建议。

可以看出，PBL要求教师综合考虑跨学科的课程标准，融汇各学科知识来设计和实施课程，这种跨学科的教学设计不仅涉及处理大量信息，还要求教师具备识别与现实世界问题相联结的多学科知识点的能力。整合中小学项目式学习语料的专用生成式人工智能，恰好能够满足这一复杂信息处理的需求，提供一个整合多学科知识的平台，为教师节省大量的学习和应用时间，带来的成本效益潜力巨大。

（二）能为PBL 教学提供多维度和高效率的评价系统

即使在教育资源相对丰富的经济发达地区，班级授课制的课堂组织形式也让教师很难实施高效率的形成性评价。而形成性评价对于教师及时调整教学策略、优化学习过程具有至关重要的作用。专用生成式人工智能的新进展能为这一难题提供可行的解决方案，使得个性化和实时的形成性评价成为可能。在具备完善的教育基础设施条件下，它能够有效地为每位学生提供与其学习水平相匹配的实时反馈和定制化的教学指导。

专用的生成式人工智能系统具备了对学生学业成就、学习策略、知识与能力的对应匹配度、学习态度以及习惯等多个维度进行全面评估和持续跟踪的能力，该技术能通过分析学生在学术活动中的表现，识别学习过程中的关键因素，并对学生的学术进展进行深入的洞察。专用生成式人工智能还能根据学生的个体差异，包括智力类型、认知风格和学习倾向，预测其学习潜力，这种预测不仅能基于学生当前的学业表现，还考虑其潜在的认知能力和学习动力因素。

在项目式学习的情境中，教学评估的复杂性相对较高，这对于大多数中小学一线教师来说是一项挑战，开发专门针对项目式学习的人工智能系统可以系统性地降低这一挑战的难度。现有的项目式学习过程评价通过学生互评、老师评价、自我评价来进行，结果性评价通过学术报告、成果考察来进行，导致评价的一致性难以保证。随着未来对基础数字设施的投入，专用生成式人工智能系统将能够对项目式学习进行全面记录，并能较为客观和综合地评估那些在应试教育体系中难以量化的维度，如影响力技能、工作方式技能（包括时间管理、进度管理等）。

（三）降低PBL 实施过程中的投入和风险

专用生成式人工智能能根据学生的认知水平和学习需求，提供适时的指导和支持，从而有效辅助学生学习；帮助教师识别学生的学习障碍、调整教学策略以及优化学习路径；此外还能采用人工智能代理④技术自动识别教学场景，通过运用适应性学习路径、个性化反馈、情景模拟等功能，为学生提供定制化的学习支持，也规避了教学成果的不确定性风险。这种技术能够识别同年龄段学生的认知水平和学习需求的差异，帮助教师调整教学策略，确保学生在面对挑战性任务时获得必要的指导，如为初级水平的学生提供基于上下文的句子结构框架，以协助他们描述正在参与的活动；针对中等水平的学生，通过问题引导他们注意活动的关键细节；而对于高水平的学生，则鼓励他们深入叙述自己参与活动的过程，包括他们的感受和活动的完成方式。

生成式人工智能能根据学生的不同兴趣推荐能激发其学习动机的材料。如通过引入游戏化学习、角色扮演和互动故事讲述等策略，提升小学低段学生的参与度；对于高段学生，提供一个促进项目规划、学术探索和艺术创作的平台，激发他们学习和创造热情。而在各种学段和各种实践类型的PBL实施过程中，专用生成式人工智能均可作为学生的同伴，在小组讨论中，协助学生管理进度和控制讨论的范围，帮助学生寻找和建立令人满意的合作或工作方式。因而提升教师在PBL教学过程中的管理效率，减少教学管理投入。

专用生成式人工智能作为课堂教学的建导者（Facilitator），提升教师的教学敏锐性：帮助教师快速掌握学生情况，对PBL学习小组进行自适应分配，做到对教学课堂练习和进度的有效管理；协助教师抓住PBL讨论中出现的关键教育时机，对学生讨论的兴趣点针对性地提出驱动性问题。教师在专用生成式人工智能支持下，他们的教学将从教学设计——课堂传授——作业检查——评价——监督的行为模式，转向减少传授、增加互动，减少检查和评价、增加情感和策略支持的模式提升单位教学时间的产出。

三、中小学项目教学的未来路径

目前，基础教育已有的数字化信息系统能直接支持教师教学设计、实施和评价的不多，更谈不上智能化。单独的大语言模型，属于通用人工智能技术，由于它的内容不受限制，不能直接使用在课堂上。把最新的生成式人工智能技术与项目式学习的具体场景的需求关联起来，配合图2中由易到难的技术路线，通过“低代码+知识库模式”，为PBL 提供持续而强大的认知决策支撑的未来路径。

（一）生成式AI 为PBL 的教学设计提供从入门到专家的咨询服务

如果部署了基于知识库的“检索增强生成”或“增加假设回答文档检索+事实核查步骤”的系统架构，生成式人工智能可以成为PBL咨询专家，建立虚拟教学现场，通过模拟推演教学过程中的各种角色与教师互动，为教师提供PBL设计与实施的沉浸式培训，帮助教师对自己的PBL设计方案进行反思性评价，检查其设计方案是否符合课程标准和其它法律法规。如果生成式人工智能获得学生的学情，它也能帮助教师设计教学的难点和重点，甚至可以根据某本PBL教材中关于教学设计方法和步骤，通过多轮对话来灵活的提示教师下一步该做什么[17]，这就似PBL专家在现场对教师进行一步一步指导。此外，生成式人工智能还能结合更广泛的学科前沿知识、最新的社会时事和社区动态为教师提供真实世界与PBL关联的设计灵感。

生成式人工智能除了辅助教师设计单个PBL，还支持设计一组互相关联的PBL 学习集。这个学习集覆盖各个学段，对准不同学科的课程标准与知识体系，并将学生当前的能力、兴趣与班级、学校和社区各方面的因素相结合。

（二）生成式AI 通过PBL 教学行为数据提升教学实施质量

学生可以在专用生成式人工智能的支持下快捷方便的提出问题，建立学科和跨学科的知识联系，设计和实施探究，进行视觉、音乐、舞蹈、戏剧、媒体等艺术创作[18]。教师通过生成式人工智能具备的解释图表、理解数学推理、文本阅读理解和对真实世界空间理解的认知能力 ，对学生的过程输出文档进行评价[19]。

PBL教学实施过程将产生大量实时、标注数据，记录了教师对学生的批注、学生学习成果及改进措施，帮助建立学生未来学业成就预测，这些数据不仅能反馈学生学习状态，还能为未来的教学评价系统提供数据支持。反之，通过分析这些数据，生成式人工智能可帮助教师进行更加精确和个性化的学习评估，从而推动教学方法和内容的持续优化。另外，这些数据可作为国家基准大模型训练的重要数据资产。在这一过程中，教育数据将成为国家层面的战略资源，通过智能分析和应用这些数据，可以使国家在国际教育竞争中取得优势，占据教育的战略高地。

（三）以生成式AI 为基础的PBL 评价系统在教学实践中自我完善提升

基于大模型的技术需要大量的训练数据，随着数据的积累，以人工智能为基础（AI-based）的评价系统将逐步提高精确度和权威性；由人工智能代理架构的系统，演变成基于PBL的混合专家模型+人工智能代理架构 [20]，这将进一步提高系统规模部署的性能。这种系统和教育大模型需要国家权威教育研究机构提供或认证，这些工具将使PBL的评价系统能够公正、全面地辅助教师进行学生评价。当这个系统的性能完善到一定阶段，就会演变为事实上的基于PBL的评价标准。在这个基础上，PBL的评价就可能成为高考等选拔性考试的重要标准之一，在高考成绩中占据其应有的权重。这种变化可望形成一种积极的反馈机制，倒逼中小学教育系统积极融入PBL，以提升学生的实践技能和创新思维。最终，这种教育模式的嵌入与推广，有望推进我国基础教育体系的渐进式革新。

结语

随着教育数字化转型的加速发展，生成式人工智能技术将逐步渗透到中小学项目式学习的教学实践中。特别是检索增强生成、人工智能代理等新兴技术的应用，将使项目式学习的教学设计、实施和评价更加智能化、系统化，不仅能够考虑到教学的多方面因素，而且能够提供针对性的、动态的支持。生成式人工智能技术的应用将推动教师和学生以更个性化、数据驱动的方式参与到项目式学习中，不仅能加强对学生未来学业成就的预测和个性化学习路径的优化，同时还能将项目化学习中生成的教育数据转化为重要的国家战略资源，引导未来教育评估和教学方法的发展。