【名师领航】五个路径,把AI从“备课工具”变成“研究伙伴”

10月23日的直播课，讲的是《AI赋能科学项目式学习五大实践路径》。

听到“五大路径”四个字，说实话，我们工作室不少人是抱着“又是工具介绍”的心态点进去的。

毕竟这两年，AI 用得最多的场景，就是帮老师写教案、做课件、出题。

但听完这半小时，群里有人发了一句：

“我们好像一直把AI用小了。”

先说我们原来的想法

过去用 AI，我们的目标很朴素：省时间。

一份教案、一套课件、一组练习题，原来要熬到晚上十点，现在半小时能出初稿。

这当然好。但听完这节课才明白，减负只是第一条路径，而且是最浅的一条。

真正的分水岭在于：AI 到底是站在老师这一边，还是站在学生这一边。

路径一：课前助力——减负增效

课里给的实操很具体，工具是夸克加豆包，三步走：

第一步，用夸克的“教案”功能做教学设计；

第二步，用豆包推荐相关资源；

第三步，回到夸克生成PPT。

很朴素，也很实用。

但我们记下来的是另一句话：这一步解决的是老师的负担，还解决不了学生的问题。

路径二：情境浸润——引出真实问题

第二条路径的名字很有意思：情境浸润。

它的作用不是“把课件做得更漂亮”，而是引出一个真实的问题，把学生的探究动机激活。

课本上的问题是“题目”，小区里的问题才是“事情”。

一个孩子面对题目会想“这题怎么解”，面对事情才会想“这事到底该怎么办”。

项目式学习的起点，从来不是知识点，是一个让人坐不住的问题。

路径三：数据交互——支撑系统分析

这是全场让我们印象最深的一段。

课里用的是一个真实的项目：小区垃圾分类调查。

学生要比较不同小区的分类情况，于是有了一张表：

甲小区，分类投放成本每吨每户 65 元，需要专人二次分拣、设施维护费高；混装垃圾处理难度指数 92，渗滤液处理费激增、焚烧炉结渣维修频繁；分类后垃圾只减量 5%，居民配合度低。

乙小区，成本 38 元，源头分类准确、无需二次分拣；处理难度指数 48，焚烧炉运行稳定；减量达到 33%，可回收物资源化率高。

两组数字摆在一起，结论自己就跳出来了。

但关键是——这些数据，学生原来拿不到，也整不动。

AI 在这里做的，不是“替学生写答案”，而是帮他们把零散的信息整合成可以比较、可以分析的结构。

孩子第一次体会到：原来数据是会说话的，只是需要有人帮它开口。

路径四：思辨赋能——培养批判性思维

有了数据，不等于有了结论。

第四条路径叫思辨赋能，核心是驱动深度论证。

学生要回答的不是“是什么”，而是“凭什么”。

你的结论建立在哪几个数据上？这些数据可靠吗？有没有别的解释？如果换一个小区，结论还成立吗？

AI 在这里的角色，更像一个不停追问的对手。

批判性思维不是天生的，是被一个个“为什么”逼出来的。

路径五：决策模拟——支持复杂问题解决

最后一条路径，是把学生放到“决策者”的位置上。

如果这个小区由你来管，你会先改哪一步？预算只有这些，你投在哪儿？

现实中做这样的决策成本太高，但在模拟里，学生可以试、可以错、可以重来。

真正的能力，是在“做决定”里长出来的，不是在做题里长出来的。

成果展示：四个小组，四种AI用法

课里最后展示的成果环节，特别值得抄下来。

同样一个垃圾分类项目，四个小组做出了四种完全不同的成果：

垃圾危害组——PPT展示，加上 AI 生成的污染扩散动态图，把危害的过程直观呈现出来；

垃圾减量组——用课件制作配合 AI 模拟不同行为的减量趋势，把减量效果量化；

垃圾分类组——手抄报、口诀、小游戏，再加上 AI 提供的本地分类标准，让知识变得好玩；

垃圾回收利用组——实物创意展示，AI 推荐变废为宝方案，并计算资源节约量。

同一个问题，四种答案，没有一种是“标准答案”。

这才是项目式学习最迷人的地方：它允许孩子用自己的方式，把学到的东西长出来。

听完这堂课，我们想了三件事

第一，AI 的终点不是省时间，是让思维走得更远。

如果它只是帮老师省下备课的两小时，那它就是个更快的打字机。

真正的价值在于：它让学生敢去想那些原来想不动的问题。

第二，老师的位置变了。

从“讲知识的人”，变成“设计问题的人、把关方向的人”。

课上得越好，老师说的话反而越少——但每一句都在关键处。

第三，这件事不只属于城市学校。

项目式学习最需要的不是设备，是一个真问题，和一群愿意琢磨的人。

写在最后

这两年我们总在讨论：AI 会不会取代老师？

这堂课给的答案，比“会”或“不会”都更有意思——

AI 取代不了老师，但它会重新定义“什么才算一节好课”。

从“讲清楚了没有”，变成“学生动了没有”。

下周五的直播，我们接着上。