人工智能赋能的小学数学大单元探究式学习实践研究

——以“统计图表”为例

[摘要]：本文围绕人教版四年级“平均数与条形统计图”单元课程，探究人工智能如何为大单元探究式学习赋能。在构建“数据驱动→场景适配→协作共生→动态优化”四层框架体系后，制定课前、课中、课后三大环节的实践赋能路径，以此推动人工智能在小学数学教育中的深度应用。依托人工智能开展教学，既能兼顾学生认知差异、落实因材施教，也能帮助学生构建系统化的数学认知结构。

[关键词]：人工智能；大单元；探究式学习；统计图表

在小学数学大单元探究式学习开展过程中，一方面，人工智能技术的赋能能够帮助师生搭建“数据驱动+动态适配+深度互动”的实践路径。依托智能分析技术捕捉学生探究单元知识时的思维轨迹、认知断点，可生成个性化学习图谱，为梳理大单元知识体系提供精准依据。另一方面，人工智能能够借助虚拟仿真与交互技术，将抽象的数学概念转化为具象的探究场景，增强大单元知识探究的直观性与实践性。因此，探索小学数学大单元探究式学习中的人工智能赋能策略，对提升小学数学教育质量、优化学习成果有着重要意义。

一、人工智能赋能小学数学大单元探究式学习的框架体系

本文以人教版四年级下册第8单元“平均数与条形统计图”为例，设计大单元探究式学习的人工智能赋能框架体系。整套赋能框架分为数据驱动层、场景适配层、协作共生层、动态优化层四个部分。

第一，数据驱动层，核心目标是构建单元认知画像。该层面依托人工智能数据采集、数据分析技术，围绕“平均数与条形统计图”单元核心知识点，搭建多维数据采集体系。一方面，通过智能练习系统，记录学生完成“平均数计算”“统计图绘制与解读”等基础学习任务时的答题准确率、思考时长、错误类型(如混淆横轴分类)。另一方面，借助人工智能课堂互动终端，捕捉学生探究学习过程中的发言频次、观点关联性。人工智能对数据进行结构化处理后，生成每位学生的“单元认知画像”。

第二，场景适配层，主要作用是创设具象探究情境。结合单元知识抽象的特点，运用人工智能虚拟仿真、可视化技术，打造贴合现实生活的“平均数与条形统计图”探究场景，如模拟超市一周商品销量统计等。学生可通过拖拽数据、调整统计范围等操作，直观理解平均数如何反映一组数据的整体水平。

第三，协作共生层，功能是搭建角色互动平台。依托人工智能智能协作系统，打破传统课堂的互动局限，构建“学生一学生”“学生—教师”双向协作网络。

第四，动态优化层，旨在实现探究过程的迭代升级。该环节依托人工智能自适应学习算法，结合学生探究过程中的反馈数据，动态调整支持策略与探究路径。同时，人工智能全程追踪学生任务完成情况，遵循“反馈→调整→再反馈”的动态流程，确保每位学生的探究过程始终处于“最近发展区”。

二、小学数学大单元探究式学习中人工智能赋能实践路径

结合人工智能赋能目标，以及四年级下册第8单元“平均数与条形统计图”的赋能框架体系，具体实践路径分为课前诊断、课中探究、课后拓展三大环节。各环节依托人工智能技术工具与规范流程，实现科技与数学的深度融合，保障大单元探究学习目标落地。

(一)课前诊断环节：基于AI的单元认知起点定位

人工智能赋能的课前诊断环节，主要落地数据驱动层的功能，借助人工智能技术精准判定学生对“平均数与条形统计图”单元的原有认知水平，为课中探究任务的设计与指导提供依据，同时初步引导学生感知单元知识框架，助力学生搭建结构化知识体系。

该环节第一步为人工智能前置测评设计与推送。教师借助小学数学智能测评平台，围绕“平均数与条形统计图”单元前置核心知识，如除法运算、简单数据统计、单式统计表认读等内容，设计分层测评试题，分为基础层、提升层、进阶层。其中，基础层试题侧重概念理解，例如，“计算5名同学的平均身高”：提升层试题侧重关联思考，例如，“根据统计表数据判断哪一组学生的成绩更为均衡”。测评任务推送至学生平板终端，设置30分钟作答时长，系统同步开启数据追踪功能，记录学生答题时长、修改次数、错误选项等信息。第二步为生成并应用单元认知画像。人工智能结合测评数据，从“知识掌握度、思维能力、学习习惯”三大维度生成学生个人认知画像。知识掌握度维度，统计学生除法运算、平均数、基础统计表解读等核心知识点的答题准确率；思维能力维度，结合学生答题修改次数、提升层试题作答情况，判断学生的数据关联与分析能力；学习习惯维度，依据答题时长分布，快速识别学生是否存在审题马虎、答题拖沓等问题。教师登录系统后台，可查看班级整体认知画像报告，清晰掌握班级共性问题、知识薄弱点与学生个体差异，并以此为依据将学生划分为基础组、提升组、进阶组，为课中分组探究任务设计提供支撑。此外，人工智能还会向学生推送个性化预习建议，例如，为基础组推送“平均数概念导入”微视频，引导学生提前感知单元知识，为课中探究学习做好铺垫。

(二)课中探究环节：AI支撑多维度探究

课中探究环节联动场景适配层、协作共生层与动态优化层的功能，通过人工智能创设具象化探究场景、搭建协作交流平台、动态调整探究任务，引导学生在实践操作中深化对“平均数与条形统计图”单元知识的理解，培养高阶数学探究能力。具体赋能流程分为情境导入→分组探究→成果交流→动态调整四个步骤。

第一步，AI情境导入。此环节重在激发学生的探究兴趣，教师运用AI虚拟仿真工具，创设“校园运动会数据统计”等生活化情境。AI系统动态还原运动会场景，同步抛出探究问题：“四年级3个班级跳绳比赛成绩已完成统计，如何判断哪个班级跳绳水平最高？仅用表格展示数据不够直观，怎样才能更清晰地呈现结果？”情境中嵌入各班级参赛人数、跳绳成绩等动态数据，学生可点击屏幕查看详细比赛数据。AI同步记录学生查看数据的频次、时长，判断学生对“数据对比”“直观展示数据”的理解程度，为后续任务设计提供参考。

第二步，AI分组探究。该环节主要发布分层探究任务并管控探究过程。AI系统依据课前生成的认知画像分组结果，为不同组别学生布置差异化探究任务，并设置管控参数，保障探究过程高效有序。不同组别探究任务、配套AI工具及管控参数详见下表：

面向不同组别的探究学习活动赋能参数

第三步，AI成果交流与优化调整。各小组完成探究任务后，AI平台集中展示各组探究成果。基础组主要展示平均成绩计算过程与单式条形统计图作品;提升组分享“平均数与数据代表性”分析报告；进阶组展示复式统计图作品以及校园活动优化建议。展示过程中，AI实时统计全班学生的课堂专注度，收集学生针对展示成果的提问与评价内容。展示结束后，AI结合“课堂专注度数据”“提问质量”生成交流效果报告。

若发现某一组的成果难以被其他学生理解，系统会自动推送探究任务解析视频。若进阶组提出的数据关联分析思路具备参考价值，系统会将其整理为“优秀探究学习案例”，供全班学生学习借鉴。同时，教师结合报告针对共性疑问进行补充讲解，实现“AI反馈+教师引导”双向优化。

(三)课后拓展环节：AI驱动个性化知识巩固

课后拓展环节充分发挥动态优化层的作用，借助人工智能为学生推送个性化拓展任务，帮助学生巩固本单元知识，完善个性化探究支持体系，实现知识的结构化迁移。

首先，AI推送个性化拓展任务。系统结合学生课堂探究的任务完成质量、错误类型、课堂交流表现等数据，为不同组别学生推送差异化拓展任务。例如，为基础组推送基础巩固类任务：统计家庭一周平均用电量，绘制简易条形统计图，并标注数据来源。AI系统同步提供用电量记录模板、绘图步骤指引。为提升组推送应用提升类任务：调查小区3个单元的垃圾分类正确率，计算平均正确率，运用对比条形统计图展示数据，并分析正确率出现差异的原因。系统配套提供问卷设计模板、差异分析思路指引。为进阶组推送创新迁移类任务：收集近3年学校在校生人数与图书馆藏书量数据，绘制复式条形统计图，预判下一年图书馆所需藏书数量并说明理由。AI系统提供数据查询渠道建议、基础预测方法。所有组别任务统一设置72小时完成时限，学生可通过终端随时查看任务要求，最终以文档、图片、讲解视频等形式提交电子版成果。

其次，AI完成成果批改与答疑指导。学生提交探究成果后，AI从知识准确性、能力创新性、表达规范性三大维度开展批改，生成个性化反馈报告，标注错误内容并给出具体修改建议，同时推送配套学习资源。若学生对批改结果存在疑问，可通过系统答疑功能提交问题，AI会在24小时内完成二次解答，必要时转接教师开展针对性指导。