ARTICLE · 1376474
题目:人工智能赋能高中数学思维进阶的深度学习研究
一、选题依据
(一)研究背景

(二)研究价值
1.学理上的价值在于补上一段空缺:已有研究多分别讨论"深度学习的内涵"或"人工智能的教学应用",两者之间的中介环节——学生思维究竟在哪一层级上被技术推动、又在哪一层级上被技术替代——缺少可观察的描述。本课题尝试用SOLO分类理论的层级框架,把"思维进阶"还原为可采证的行为表现,再与AI介入的教学环节对齐,回答"什么样的技术支持才真正带来层级跃迁"这一基础问题,为数学深度学习理论增加一个来自高中课堂的经验样本。
2.实践价值体现在三件具体的东西上:一套在导数、圆锥曲线、数列三个单元中可直接使用的进阶任务单;一份供教师备课时自查的"人机分工"清单,说明哪些环节交给AI、哪些必须由学生自己完成;一套基于课堂证据的思维进阶评价量表。对一线教师而言,这三样东西比原则性的倡导更有用;对学校而言,它们可以并入现有的备课组活动与校本教研,不必另起炉灶。
(三)核心概念

1."人工智能赋能"指以生成式人工智能为核心的技术工具,在学情诊断、资源生成、对话追问、过程反馈四个环节为教学提供支持,其落点不是替代教师的讲授,也不是替学生完成解题,而是把原本难以呈现的思维过程外显出来。工具形态上,主要使用具备多轮对话能力的通用大模型与校本部署的智能批改系统,不追求定制开发。
2."数学思维进阶"指学生在面对数学对象时,认知结构由低层级向高层级移动的过程。借用比格斯(Biggs)的SOLO分类,它表现为从前结构、单点结构、多点结构,走向关联结构与拓展抽象结构:起初只能抓住一处信息,随后能兼顾多个要素,再往后能建立要素之间的逻辑关联,最终能把方法迁移到新情境并作出评价。本课题把这种移动具体化为四条可观察的指标——表征转换、关联建构、策略选择、反思监控,每条指标再拆成三级行为描述,作为课堂观察与作业分析的依据。
3."深度学习"在这里不是指神经网络的算法,而是指学生以理解意义为目标的学习状态:愿意追问知识的来由,能把新知识挂到已有结构上,能在陌生情境中调用方法,并对自己的思路作出解释与修正。它与"机械训练"相对,也与"教师讲得深"不同——判断标准落在学生身上,而不是落在内容的难度上。
(四)国内外相关研究动态
1.国内研究现状
国内关于数学深度学习的研究,近两年明显从理念倡导转向路径设计。袁思情(2025)以"酒杯中的圆锥曲线"为例,把生成式人工智能的多模态资源整合、智能对话、任务拆解与实时反馈四项功能,对应到场景、活动、任务、评价四个维度,说明AI可以在同一节课里同时承担情境创设与分层支持两项职责;黄明才(2025)以等差数列前n项和公式的教学为例,将深度学习理解为"从公式记忆走向结构理解"的过程,强调变式与追问的设计顺序;姬梁飞(2025)则从机理层面讨论了人工智能与数学个性化学习的耦合关系,指出算法推荐若只依据答题正确率,容易把学生锁死在低阶练习中,反而抑制思维的向上流动。
在课程与教材层面,康玥媛、王光明(2025)考察了韩国中小学人工智能数字教科书的建设经验,发现其应用场景集中在校验性较强的内容上——概念的形式化表达、命题证明、问题解决与实验操作,而对开放性探究的支持仍然有限,这一判断对本课题选择教学单元很有启发。徐金兰(2025)归纳出三条引导深度学习的课堂策略,落点在问题设计与自主探究的时间保障;程伟涛(2025)以基本不等式为例,尝试按思维层次切分习题,让不同水平的学生在同一题组中获得不同的挑战;王琳、曾荣(2026)则提醒,技术手段过度介入后,板书的生成过程被课件取代,学生反而失去了观察"思维如何一步步长出来"的机会,主张以结构性板书守住思维可视化的底线。
综合来看,国内研究已经积累了较丰富的课例与策略,但存在两处短板:其一,多数成果以单节课的精彩设计呈现,缺少跨单元的连贯安排,思维进阶的"阶梯"实际是被切碎的;其二,"深度学习"的判断多凭教师经验描述,缺少与学生表现绑定的证据链,因而难以说明进阶究竟发生在哪一步。此外,区域与校际差异较大,优质课例往往出自条件较好的学校,普通高中如何以低成本方式复制,讨论得还不够。
2.国外研究现状
国外研究的重心在于机制检验与概念澄清。Schindler、Cevikbas与Lilienthal(2026)对人工智能在数学教育中的应用作了一次元综述,提出"技术功能—教学意图"的二维分析框架,指出同一类工具在不同教学意图下可能产生完全相反的效果:用于给出答案时压缩思维空间,用于提出反例与追问时则扩展思维空间。Yoon、Lee、Lee与Kwon(2026)通过证明教学实验比较了学生与生成式人工智能交互的时机,发现"先独立思考再与AI对话"的一组在论证的严密性上明显优于"先与AI对话再整理"的一组,说明交互顺序本身就是教学变量。
Xing、Song与Li(2025)设计了一个面向中学数学的生成式人工智能"可教代理",让学生以教者的身份向AI讲解思路,借助AI的"不懂"来暴露自身理解的漏洞;研究显示这种角色反转能提升学生的解释质量与自我监控意识,但对教师的课堂组织能力提出了更高要求。总体而言,国外研究在方法上较为严谨,样本却多来自项目学校或选修情境,与我国高中大班额、强进度的现实条件存在距离,其结论不能直接移植。
由此可以看出一条清晰的研究空白:如何在大班额、常态课时的条件下,把"技术功能—教学意图"的匹配原则转化为可操作的课堂流程,并用可信的证据说明学生的思维层级确实发生了移动。本课题正是沿着这条线索展开。
二、研究设计
(一)研究对象
研究在一所市属普通高中和一所区属普通高中开展,选取高二年级四个教学班(含一个偏理科方向的班级),共约190名学生、6名数学教师参与。选择高二,是因为此时学生已完成函数、三角等基础内容的学习,具备处理导数与圆锥曲线的认知准备,同时尚未进入高三复习的应试节奏,教学干预有相对完整的空间。研究单元定为"导数及其应用""圆锥曲线""数列"三处,它们分别对应函数观念、几何直观与结构推理,思维进阶的表现形态不同,便于交叉验证。
(二)研究目标
1.形成一份适合本校学情的思维进阶水平诊断工具,能在单元教学开始前识别班级在四条指标上的分布,为分层任务的设计提供依据。
2.产出三个单元的"人机协同"教学设计,明确每一环节的技术角色、教师动作与学生任务,并在常态课时内完成实施与修正。
3.提炼一套基于课堂证据的评价办法,使"思维是否进阶"可以被同事之间相互核对,而不只是执教者的主观感受。
(三)研究内容
1.把进阶目标写清楚:以三个单元为载体,把课程标准中的素养要求拆解为单元级的进阶目标,再落到课时层面,形成"单元目标—课时目标—任务表现"三级对应表。这一步的难点在于克制:目标写得太多,课堂就变成清单打卡;写得笼统,后面的观察便无从下手。课题组计划每个单元只保留两到三条核心进阶目标,其余作为支撑。
2.设计进阶任务链:围绕每条目标,安排"进入—冲突—建构—迁移"四类任务,其中冲突环节尤为关键:学生必须遇到一个用旧方法解决不了、又不足以完全陌生的情境,思维才有向上移动的压力。AI在此提供两类支持,一是生成同构变式与反例,二是以追问的方式逼学生说出依据。任务链同时配一份人机分工说明,标明哪些步骤禁止AI代答。
3.采集与分析学习证据:证据来源包括课堂录像中的师生话语、学生的书面解答与修改痕迹、AI对话记录、单元测评的开放性试题,四类材料相互印证。分析时按SOLO层级编码,重点看同一名学生在单元前后、以及在不同任务类型上的层级变化,而不是只看平均分。
4.教师的专业支持:技术进入课堂,最先改变的是教师的备课方式与提问习惯。课题组计划每月组织一次课例研讨,采用"共同备课—一人执教—集体观课—基于证据的复盘"的流程,把零散的经验沉淀为组内可传阅的课例文本。
(四)重点与难点
1.研究重点:是任务链的设计与证据的编码。任务链决定学生有没有机会向上走,编码决定我们能不能看见他走上去了没有,两者一体两面。















































































