夜雨聆风问题1：学科项目化学习是什么？
问题2：学科项目化学习与跨学科主题学习的关系是怎样的？
问题3：学科项目化学习与单元整体教学、大单元教学有何异同？
问题4：人智协同视角下的AI-PBL是怎样的？
问题5：AI支持的学科项目化学习案例是怎样的？
问题6：教师如何在PBL的场景中优化AI以获得更理想的教育成效？
问题7：AI-PBL对学生的学科学习和通用能力有何影响？
问题8：人智协同视角下教师在AI-PBL中的角色和能力有何新变化？
阅读思考：
1.学科项目化学习是什么？
2.为什么要做AI支持的学科项目化学习？
第一部分 是什么与为什么
问题1：学科项目化学习是什么？
概念界定
学科项目化学习是学生在教师或AI支持下经历持续的学科实践，探索具学科挑战性的真实问题，并形成学科项目成果的一种学与教的方式。学科项目学习作为一种“类项目”，往往需要对现实情境作基于学科素养的“裁剪”，更好地凸显学科核心素养的培养目标；也需要集中时间、支架和资源促进学生学科理解，避免项目化学习中的活动化、用时过长、任务细碎等常见问题。
从上述内涵界定来看，学科项目化学习表现出如下五个关键要点。
1. 指向可迁移的素养目标。学科项目化学习指向具有迁移性的目标，促进学生对学科核心素养的理解。为此，可以用具有迁移性的学科概念性理解、学科实践作为上位的目标来统整知识和技能。学科项目化学习的目标中还包含素养/21世纪技能等通用类的目标，如创造性、合作交流、批判性思维等。
2. 真实的学科挑战。学科项目化学习会支持学生探索富有真实性和学科性的驱动性问题。驱动性问题可以激发学生的主动思考，需要学生用学科眼光分析真实问题，灵活调用知识并寻求解决方法。为了保证驱动性问题对学生成长的意义，需要教师思考驱动性问题背后更具迁移性和抽象性的本质问题。
3. 持续性的学科实践。学科项目化学习是一系列的学科实践，是用本学科的思维、行动、资源、标准、工具等解决真实问题，是体现学科独特性的实践，是学生的“真实实践”。学科项目化学习中的学科实践不是一次性的，而是围绕驱动性问题的多种学科实践的组合，并与讨论、交流、反思、展示等通用性的学习实践相交织。
4. 学科知识的整合。学科项目化学习也体现出课程方案倡导的“综合学习”的特征，它以学科内的知识综合为主，也会适当综合其他学科的知识，但其他学科的知识只是起到辅助、支持作用，不占用太多的项目时间，也不需要其他学科的教师予以非常多的支持。
5. 凝结学生个性化的学科理解的公开成果。学科项目成果是学生直面真实的学科挑战形成的物化样态，体现了对知识的理解、迁移、转化。要达到这一目的，学科项目成果就不能是按部就班地照抄、整理信息，而要体现学生的个性化理解和运用，具有解决问题的情境特征，富有创造性、审美性和实用性。
学科项目化学习的定位
为了更全面地刻画学科项目化学习，本书从以下几个角度对学科项目化学习进行定位。
1. 学科项目化学习是一种以真实学习为导向的项目类型。项目化学习领域一直以来有“为了学习的深度理解”和“为了在真实世界中进行创新创业”两种不同的导向。学科项目化学习的产生和兴起代表了项目化学习中的“学习”导向，不追求为跨而跨的情境化，不要求产品/成果精致可用，更偏向于类似真实的学科专家一样思考和实践，以深化学科的概念性理解、促进知识的远迁移为目标。这种定位契合了当前创造性实施国家课程、改变学校育人方式、促进学与教变革的取向，同时也更适合习惯于分学科制的教师。学科项目化学习中的“学习”追求学习能力的增长，在真实情境中，运用学科知识解决问题，形成可迁移性理解。
2. 学科项目化学习是以一门学科为主，关联其他学科的“主从型”跨学科学习。学科项目化学习具有跨学科学习的要素，是以一门学科为主、跨其他学科的方式。在这种“主从型”的跨学科结构中，跨的幅度不大，学科教师相对容易把握。学科项目化学习中解决问题的主体知识来自这门主学科，项目探索过程深化的是这一学科中的关键概念或能力，其他学科的知识起到支持、辅助的作用。
3. 学科项目化学习是一种基于课程标准的学与教的方式，部分学科项目化学习具有单元和课程的样态。项目化学习有两种性质：第一，作为一种学习方式；第二，作为独立的课程。本次“双新”背景下各学科课程标准所倡导的项目化学习主要将其看作一种学习方式，基于课程标准，借助驱动性问题、项目成果、学习支架等设计要素，组合、拓展教材中的相关教学内容，形成新的经验单元，优化学与教的过程。学科项目中除了微项目之外的其他类型一般都会涉及一系列探究性的子问题或阶段，具有单元的特征。若干个学科项目组合在一起，会覆盖这个年段中的若干个核心概念，形成横向上有关联、纵向上有深化的新内容结构，具有课程的样态。
问题2：学科项目化学习与跨学科主题学习的关系是怎样的？
跨学科主题学习是2022年版课程方案中提出的新举措，在各学科的课程标准、新教材中都有所落实。其目的是体现课程方案所倡导的“素养导向、综合学习、学科实践”，促进学科与真实世界的关联。我们首先从如下两方面理解跨学科主题学习：
第一，跨学科主题学习代表了学科课程内容的新定位。学科课程内容不应是封闭的体系，而是在真实世界中不断发展的动态建构，这一理念具体体现为课程方案中明确规定的10%的跨学科课程内容和课时安排。这部分内容是新教材的编写要落实的，也是学校、教师在设计跨学科主题学习时需要研读的。第二，跨学科主题学习也代表了学科教学方式的新变化。跨学科主题学习将探究、合作、统整等原本孤立于学科教学之外的思想放入学科中，以此促进学科教师形成跨学科的教学视野。面对这样的跨学科主题学习，教师可以采用如主题式学习、项目化学习、基于问题的学习等多种教学方式。
作为跨学科学习中一种比较高阶的学与教的方式，项目化学习既可以在10%的跨学科主题学习中进行，也可以用于90%的学科内容，关键看目标定位和内容性质（见图1-2-1）。那么，在跨学科主题学习中是进行学科项目化学习还是跨学科项目化学习？学科项目化学习和跨学科项目化学习的主要区别在于跨的结构和程度不同，前者主要是“主从型”的，目标以本学科核心素养为主；后者是“并重型”的，目标涉及所跨学科的核心素养。由此会进一步带来教师实施主体的差异，前者主要以某一学科教师为主，后者则往往需要所跨学科的教师组成团队。图1-2-1展示了学科项目化学习与跨学科主题学习之间的关系。
总体而言，跨学科主题学习是站在学科立场上进行的跨学科实践，其中的学科关系是“主从型”的，因此跨学科主题学习中应该以学科项目化学习为主。
但是，当我们真正开展每一门学科的跨学科主题学习具体任务时会发现，课标或教材中不同任务的跨度是不一样的，有些任务以本学科的立场为主，而有些任务的完成则需要同时结合其他学科的深入学习。
有鉴于此，跨学科主题学习中既可以采用学科项目化学习，也可以采用跨学科项目化学习。教师应该根据课程标准中所建议的跨学科主题学习的任务性质进行分析，根据课时限制和教学团队人数与类型，合理定位素养目标，采用适合的项目化学习类型。
问题3：学科项目化学习与单元整体教学、大单元教学有何异同？
学科项目化学习、单元整体教学、大单元教学有相同之处，都要积极回应解决传统教学中知识学习低阶化、零散化的问题。三者都强调教师作为设计者需要站在学科核心素养的视角下，依托单元建立知识的结构性网络，都要求教师有结构化的“单元”视角，而不只是看到单篇或单点的知识。但是三者仍然存在一些差异，辨别差异是为了在实践中更合理有效地使用。
1. 三者的内涵和设计要素不同。大单元教学的内涵和设计要素比较宽泛，可以使用大概念、项目、大任务等多种载体实现大单元教学；学科项目化学习则是通过项目这一载体实现素养的落地，其设计要素符合项目化学习的基本方向；单元整体教学的内涵更为基础，在设计上无固定方法。无论是大单元教学还是项目化学习，都需要有对教材单元的整体意识和分析。
2. “单元”的内涵和大小范围不同。三者对“单元”的定位不一样。单元整体教学基本上依托的是教材的“自然单元”，用单元教学目标对教材单元进行统整，使教学更有结构性；学科项目化学习中有微项目、单元项目、跨单元项目、跨年级项目，其中单元项目以“教材单元”作为载体，其他类型或小于或大于教材单元，但即使是微项目，也强调要有单元意识；大单元教学中的“单元”通常是指“经验单元”，是根据素养目标构建的意义单元，通常依托目标的大小确定是否要大于教材自然单元范围。
3. “单元”整合的逻辑不同。单元整体教学的整合更偏向于知识逻辑，用问题串、任务串、板块等多种方式呈现知识间的结构；学科项目化学习中的单元项目是以“驱动性问题解决过程/项目成果形成过程”等为逻辑线索，将单元知识编织进项目的实施进程中，更注重真实问题的解决逻辑；大单元教学中的组织逻辑比较多样化，可以是大概念、项目、大任务、大主题等。
问题4：人智协同视角下的AI-PBL是怎样的？
在人智协同视角下，AI-PBL并非简单地将AI作为工具叠加到PBL中，而是通过人智能力互补与动态协同，重构项目化学习的关键要素，既保留项目化学习的探究本质，又通过AI突破传统认知与实践的边界。
AI-PBL的核心逻辑：人智互哺，认知协同
AI的介入并非替代教师和学生，而是通过“人智互哺、各司其职”的协同，释放师生的时间，丰富师生的认知资源，让师生专注于创造性问题解决、关系联结与意义建构。
在PBL的教学中，教师和学生常受限于很多瓶颈问题，比如：
- 探索问题解决、形成成果等花费的时间过长
- 项目中没有什么新的创意，思路或成果总是比较刻板和传统
- 项目中所需要的各类背景知识、跨学科资源等难以获得
- 个性化支架、反馈难以有效、及时地形成并提供给学生
面对这些问题，人智协同视角下将有可能产生不同的人-AI角色定位和解决策略。
人智协同样态1：AI承担基础认知劳动—师生进行高阶思维
这种人智协同样态可以有效解决PBL中的时间成本问题。AI的发展是为师生“减负”。PBL耗时多的一部分原因，在于师生往往都要围绕问题做一些基础性的信息收集、资料汇聚、初步整理等。在人智协同中，AI可以承担这部分的基础活动，而教师可以更专注于引导学生聚焦素养目标，学生可以在AI提供的基础信息之上，进行分析、综合、评价和创造，不断深化对项目问题的理解，形成具有个性和创意的思路。
人智协同样态2：AI提供多样化思路—师生进行决策判断
这种人智协同样态可以有效解决师生思路单一局限的问题。AI的特点是可以基于庞大的数据库和算法，为项目中遇到的各种问题提供多种不同的解决思路、方案或视角，供师生参考。教师和学生可以对这些思路进行评估、比较和分析，挑选出最适合的思路，或选取不同思路中的合理部分进行整合，作出决策。在这种人智协同中，师生不是不假思索地接受AI的思路，而是批判性地分析和判断，作出更适合，更指向公平、正义、关怀的决策。
最后，教师根据数学、物理学科课程标准、教材的对比研读，结合学校当前的热点事件，选取“运动中的能量转化探究”作为PBL的选题。
人智协同样态3：师生提供框架或标准—AI进行细化落地
这种人智协同样态可以有效节省时间，同时能整合多学科的知识，创生可落地的方案及多学科的学习资源。教师和学生根据项目的整体方向和目标，提出解决问题的方向、标准、思路。AI则基于这些内容，将其细化为具体的任务、步骤或指标，制订出详细的实施计划。同时，在项目推进过程中，AI可以根据实际情况的变化，对计划进行调整和优化，辅助师生将核心目标落到实处。
人智协同样态4：学生提出观点或方案—AI进行反馈优化
这种人智协同样态可以有效缓解PBL过程中个体教师难以同时指导若干个项目小组，学生难以获得及时、个性化的支持与反馈，学科教师的跨学科知识不足等系列问题，减轻教师的负担，并为学生的项目深化提供指导。这种人智协同的样态需要教师根据学生的阶段性需求对AI进行预先的调适，匹配相应的知识库如教案、学生的优秀回答样例等，规定适合的反馈形式，如反馈的长度、清晰度、适合的话语模板。学生也需要辨别和分析AI的回答，批判性地吸取意见。
人智协同样态5：AI提供过程监控—教师提供认知或情感支持
这种人智协同样态可以解决PBL中难以评估学生的合作过程等问题。在PBL中，AI可通过记录学生与AI的互动频次、提问数量与质量，或者通过与共享文档等工具的结合监测学生的学习进度、任务完成情况等，及时向教师给予过程性的反馈，指出学生个体、小组存在的问题和改进的方向，帮助学生调整学习状态。教师可以在AI的支持下为学生提供情感、认知支持，关注学生在项目过程中的学习或情绪变化。
当然，人智协同的样态还有很多，比如AI可以生成图片、视频，形成沉浸式的情境，师生可以基于情境进行更深入的学习或模拟解决问题等。更多的人智协同样态有待于实践者们去挖掘和创造。
问题5：AI支持的学科项目化学习案例是怎样的？
AI-DPBL强调智能环境下的学科真实问题探索，助力学生适应人智协同的未来学习与工作模式。它不仅关注学科知识的理解，更注重批判性思维、数据素养与伦理意识等AI时代所需能力的培养。AI在此过程中既是学习工具，也是学习对象，学生既通过使用AI技术完成项目，同时理解AI的运作逻辑与社会影响。
在本问题中，我们将简要描述不同类型的学科项目化学习案例。为了尽可能兼顾当下AI转型时期的多样化需求，我们将先呈现两个没有使用任何AI技术的学科项目化学习的案例，然后再呈现若干AI赋能学科项目化学习的案例，以丰富实践者的理解。
问题6：教师如何在PBL的场景中优化AI以获得更理想的教育成效？
在PBL场景中，教师可以如何优化现有的GenAI及其相关的智能体，以达到更理想的效果？我们首先根据人们对GenAI处理的复杂程度，将目前GenAI在教育领域中的使用从简单到复杂分成如下几种方式（见图1-6-1）。当下各地区、学校、教师所使用的可能是其中某一种或几种的组合，其中，前三种可以由教师或学校来进行调整，而最后一种则要借助专业工程师的力量。
A 教师通过提示词进行PBL的设计或获得相应的支持和反馈
提示词（Prompt）是用户与GenAI交互时输入的指令，也是GenAI最直接、最简便的应用方式，它不要求使用者具备任何编程或修改GenAI模型的技术背景。“提示词工程（Prompt Engineering）”是一种技巧，指人们（如教师和学生）通过策略性地设计和优化提示词，来引导大模型生成更理想、更高效的输出内容。随着近年来大模型推理能力的显著提升，提示词工程的门槛已大幅降低。只要用户能够清晰、具体地描述自己的需求和情境，通常就能获得满意的结果。然而，在PBL这类较复杂的应用场景中，教师若想获得高质量的课程设计方案或教学支持，仅仅进行简单的提问是远远不够的，在大模型或智能体的构建中，仍然需要系统地运用提示词的策略和技巧。
问题7：AI-PBL对学生的学科学习和通用能力有何影响？
由于AI-PBL对学生学习影响的研究是在这一轮AI兴起后才开始的，所以目前这一领域的实证研究不多。本问题将分两大部分进行探讨，一部分是直接与AI-PBL有关的，另一部分是学科项目化学习本身对学生的学科学习和通用能力的影响。
基础教育领域关于AI-PBL对学生学习影响的研究
关于AI-PBL对学生学习的影响，目前在高等教育阶段研究较多，如在集成的PBL平台上加入AI的插件，以提升学生的创新思维和问题解决能力（Dai et al., 2025）。我国香港地区一项关于大学中文课程的研究表明，将ChatGPT嵌入PBL循环（目标设定→执行→反思），可以增强学生的学习自主性，但需强化提示词工程训练（Liang et al., 2024）。
基础教育领域中关于AI-PBL的实证研究还不多，少数一些主要是探讨人工智能领域的PBL，学生学习的改进、能力的提升、态度的改善等是以AI素养而非学科素养作为评价标准。我们也可以将其看作在信息科技学科的人工智能内容中运用PBL的成效研究。
AI-PBL能强化学生的认知与情感维度，提高学习效率与学习动机，但AI可能削弱人际协作、批判性思维等能力（Jeon, 2023）。同时也发现，并非所有学习者都能从AI辅助互动中受益，过度依赖机械化工具可能会削弱社区感并对学术表现带来负面影响（Wang, 2023）。这些研究从不同方面揭示了AI-PBL发展中的伦理、协作及文化适配等深层挑战。
学科项目化学习对学生学科学习的影响
关于学科项目化学习对学生学科学习的影响，在《项目化学习设计：学习素养视角下的国际与本土实践》（夏雪梅，2018）中有过系统的分析。本部分不再重复之前的内容，而是呈现之前较少关注的高中阶段部分学科的研究，同时也尽可能呈现基于国内样本所做的相关研究。
综上所述，不同学科的实证研究均表明，学科项目化学习通过真实情境的问题导向和学生主导的探究流程，在提升学生学业成绩的同时，能更显著地促进学生学习能力提升、概念深刻理解、自主性和创造力发展等素养目标的达成。
学科项目化学习对学生学科创造性的影响
关于项目化学习能支持学生解决结构不良的问题、培养学生在通用领域的创造性，已有一定的研究支持。如Khoiriyah（2018）等人对31名七年级学生开展了课堂行动研究，发现通过项目化学习，学生的创造性问题解决能力平均提高了27%。
创造性思维是有领域性的，数学、艺术、语言等不同领域的创造性各有其领域特征。那么，学科项目化学习是否有助于学生发展学科领域的创造性？
问题8：人智协同视角下教师在AI-PBL中的角色和能力有何新变化？
在AI时代，每一门学科、每一个学段的教师，都很难独立于AI浪潮之外。人智协同的生态正在且必将深刻地改变教师在教育中的角色和能力，PBL领域也不例外。目前国内探讨AI时代教师角色和能力变化的文章虽然比较多，但往往将“教师”作为一个整体，而当下不同学科不同学段的教师对AI的感受和能力要求是不同的。有鉴于此，本部分将教师群体分成三大类，并主要聚焦PBL这一领域进行探讨。
与AI直接相关的技术类教师
在基础教育阶段，与AI直接相关的学科主要是信息科技和通用技术。在义务教育信息科技课标和普通高中通用技术课标中，人工智能都是重要内容。
从信息科技类课标的定位来看，AI素养的培育需依托数据运用、算法理解等信息科技领域的知识与能力，同时AI素养的发展又反哺学生的信息科技素养在智能化领域的发展。这种内容上的天然联系就使得这一学科的教师成为AI素养落地的先行者。而从PBL的角度看，一方面，这些学科的新课标强调问题解决、计算思维、真实情境，使得新教材中会出现更多的“项目”；另一方面，信息科技领域中的信息竞赛、创客实践等，也让信息科技教师在PBL上有更丰富的经验。有鉴于此，信息科技教师在AI-PBL中扮演着技术引领者与创新推动者的关键角色，也被区域、学校赋予了更多的能力期待。
通用技术课程注重培养学生综合运用技术知识与技能解决真实问题的技术素养和创新能力，课标中的多个模块都可与AI技术相结合。如技术与生活系列，“现代家政技术”中可运用信息技术、智能控制技术等为改进家庭事务管理、家庭环境管理设计相应的方案；“智能家居应用设计”中以模拟住宅为平台，以家居电器及家电设备为主要控制对象，利用网络通信技术、安全防范技术、自动控制技术、音视频技术等搭接环保节能的智能家居系统，并进行操作和远程控制。这种内容上的关联和这一学科的综合性、实践性，也使得这一学科的教师与AI-PBL有更天然的契合。
这类教师在区域、学校的AI-PBL探索上承担了双重责任和使命，他们需要掌握AI的专业概念及原理、应用，带领学生做项目，培育学生在本学科的AI素养；同时要有能力与其他领域的学科教师合作，不断探索AI在各类PBL中的新应用模式。Frøsig和Romero（2024）将AI时代的教师定位成“AI时代与人工智能协同作用产生混合智能的能动者”。这些学科的教师在探索AI的教学上即是如此，承担了先行先试、培训其他学科教师的职责，他们的很多探索不仅支持本学科的教学，同时也是校内其他学科教师探索AI时的有力支持，是其他教师进入AI的引领者。
与AI密不可分的STEM领域的教师
STEM作为一个领域，除上文所讲的信息科技、通用技术，还包括数学、科学、物理、化学、生物学等学科，并涉及部分综合实践的内容。这些学科、课程领域的教师既在自己的本学科中践行学科素养培养和学科实践，同时也会更深刻地感受到今天的STEM发展是和AI紧密交织在一起的，应该有意识地理解本学科与AI关系的紧密性。
因此，这一领域的教师要理解AI运行的基本逻辑，有建立本学科的概念、实践及其与AI关联的意识，追踪和理解AI时代本学科的内涵、性质的变与不变。将对AI的探索尽可能融入日常教学，比如有自己的专属AI教学智能体帮助自己和学生解决问题，与AI合作生成符合课程标准和学情的探究任务等（Zhai, 2024）。
其他学科领域的教师
对非技术类和STEM领域的教师而言，应将AI作为自己教学的辅助者，重点在于思考如何用AI延伸教学能力，而不是AI本身的专业知识或技术细节。因此，对于这类教师，不需要深入理解AI的发展历程或原理，而是重在挖掘应用场景，在解决本学科的问题中、在进行本学科的实践中，用AI来支持自己和学生。
1. 运用AI设计有效且个性化的PBL的能力
教师可以将学科素养与PBL的真实性、挑战性等要素相结合，提出明确的提示词，并能根据AI的反应灵活调整提示词；判断AI生成的PBL设计是否合理，在PBL的主任务上强调创新和自主性；根据PBL各阶段的特点，选用适合的AI，明确特定阶段学生最有可能出现的问题，比如在入项阶段，如果要引入AI，重点就在于借助AI支持学生提出问题、进入问题情境、激发学生的主动性。
2. 平衡PBL中AI辅助与学生自主思考的能力
在人智协同的教学生态中，教师应该始终处于主导地位，而不能将重要的决策都交给AI。在学校提供了集成的AI机器的情况下，教师很容易让渡自己的主导权。在决定针对不同学段AI的介入程度时，教师需要谨记教学的原则是促进学生自主学习、自主思考、批判性思考，要结合学生的情况判断AI介入时机的恰当性。比如，在教师刚提出一个挑战性问题时就让学生和AI互动，显然违背了教育原则，会强化学生对AI的依赖。而在AI提供思路后，则可以组织学生进行反思性讨论。
3. 批判性地分析PBL中AI生成内容的能力
与日常学科教学不同，GenAI在PBL中生成的内容比较复杂，涉及的知识面更广，更加凸显跨学科性。为此，教师的把关和分析就很重要，要辨别其输出是否合课标、合学情，学生是否能在有限的时间里看懂AI生成的内容等。教师也可以指导学生在PBL的成果形成与修订阶段进行“人智协作式批判”与“同伴互评”，鼓励学生对AI的生成结果进行质疑和交流。
4. 与学生交流引发情感共鸣与价值引导的能力
在生成式人工智能广泛应用于教育场景的背景下，教师的沟通与交流能力不仅没有被削弱，反而被赋予了更加复杂和关键的意义。在AI主导的学习环境中，学生容易陷入“高效但孤独”的学习状态，学生需要有人真正“听自己说话”，教师要能理解学生背后的情绪、动机与需求，用真诚、温暖、可信的语言建立信任关系，为学生的情绪调节、自我认知与心理成长提供陪伴。特别是在面对困境、失败或选择时，教师的倾听、交流对学生非常重要，能够给予学生真正的人文关怀和价值方向。这是AI难以替代的，也是学生成长中最不能缺失的一环。未来的教育，仍然是人与人之间最深刻的沟通，而教师将是这一沟通网络中的关键引导者。
5. 关注数据安全与伦理意识
数据安全与伦理意识是所有运用AI的教师都应该具有的底线意识。教师需要知晓如何合规使用学生数据，保障学生和自己的数据隐私，选择或创建符合教育标准的AI工具，避免敏感数据泄露等。
总之，AI不会取代教师，但会用AI的教师有可能淘汰不用AI的教师。当教师将部分机械性工作交给AI，才能真正腾出手来做机器做不到的事——点燃学生的探究热情，培养他们面对真实世界解决问题的能力。
