引言

在新工科建设与教育数字化转型战略的驱动下，高等数学教学正经历从“知识传授”向“能力与素养建构”的深刻范式转型。《教育信息化2.0行动计划》等政策明确倡导技术与教育的深度融合，以构建智能化的新型教学环境。然而，传统高等数学教学长期面临内容抽象、脱离实践、学生“学不知用”的困境，而人工智能（AI）技术的兴起，尤其是生成式AI，为摆脱这一困境提供了历史性契机，它不仅可承担认知负荷，更具备重塑学习路径与师生角色的潜力。项目式学习（PBL）虽被视为促进知识应用的有效模式，但在数学学科中独立实施面临“真问题”设计难、过程支持要求高、思维评价显性化不足等挑战。因此，如何超越工具层面的简单应用，将AI作为深度认知伙伴系统融入PBL全过程，从而赋能学生数学实践性知识生成与高阶思维发展，已成为人工智能时代数学教育亟待解决的核心议题。本文试图回答：在AI-PBL环境中，学生与AI的协作如何演进？数学知识如何被情境化建构？审辨性思维如何显性化发展？

一、 理论建构与模型阐释

（一）真实情境作为意义驱动的锚点

在传统数学教学中，知识的产生与应用情境往往是割裂的，导致学习意义感缺失。在本模型中，真实、复杂且具有挑战性的社会情境不再仅仅是知识的应用场景，而是驱动整个学习活动的意义锚点，它从根本上定义了“为何而学”，激发学生的内在动机与探究欲望。同时，情境的复杂性要求学生必须调动和整合数学知识，从而将抽象的概念、定理与公式转化为解决实际问题的思维工具。

（二）AI作为认知拓展与过程重塑的中介工具

人工智能在本框架中被重新定位，其角色从辅助性的“计算器”或“信息源”转变为建构性的“认知工具”与“协作伙伴”。依据认知工具观，技术的价值在于扩展人的心智能力，支持高阶思维活动。AI在此承担双重职能：一是认知卸载，通过处理繁琐的数值计算、符号演算和图表生成，将学生从低阶的机械劳动中解放出来；二是认知拓展，通过提供多元解决方案模拟、进行敏感性分析、实现复杂动态可视化，帮助学生探索超越其自身当前认知边界的复杂问题空间。

（三）认知发展在互动中的螺旋式演进

学生的认知发展并非被动接受信息的结果，而是在与情境、工具的持续互动中主动建构的过程。在AI-PBL环境中，这一过程呈现典型的螺旋式演进特征。学生首先基于真实情境形成初步的问题表征和认知冲突；继而借助AI工具进行探索与尝试，获得反馈与支持；随后对AI的输出进行批判性审辨与意义赋予，实现知识的内部转化与情境化理解；最终通过反思与迭代，深化认知并可能引发新的探究问题。

相较于既有研究，本模型尝试在以下方面做出整合性探索。首先，与传统的“问题解决过程模型”相比，不仅关注个体认知的线性推进，更强调情境对认知的持续锚定作用与工具对认知的中介重构功能，拓展了数学问题解决研究的理论视角；其次，相较于国际上的“TPACK”框架，本模型进一步将工具从“教师知识结构”下沉为“学生学习活动的中介要素”，实现了技术赋能从“教”向“学”的重心转移；第三，与国内同类AI教育研究多聚焦于工具应用层面不同，将AI定位为“认知伙伴”，并在模型中明确刻画了工具与情境、认知之间的双向互构关系，从而为理解人机协同学习的微观机制提供了更具解释力的理论框架。

二、 实践运作与微观机理

（一）人机协作模式的阶段性深化

对学生与AI交互日志的分析显示，协作关系随时间与任务深化而不断进化，具体表现为三个阶段。

初期为操作代劳阶段：学生倾向于将AI视为万能“黑箱”，提出“帮我解这个方程”等宽泛指令，其角色接近于替代手工的计算器，约40%的初期Prompt缺乏结构与上下文。

中期进入策略咨询阶段：随着任务复杂化（如成本函数优化），学生开始设计更具指向性的Prompt，例如“请对函数C(T)=80/T+20T求导，并解释导数零点在该粮仓轮换模型中的经济意义”。AI的角色转变为提供分步推导与策略性建议的“顾问”，支持学生理解过程而非仅获取结果。

后期跃升至协同探究阶段：在决策性任务中，部分小组与AI展开多轮、批判性对话，如主动要求“用梯形法则重新计算积分，并与你提供的解析解对比误差”。此时，AI被视为可被验证、质疑和调优的“研究伙伴”，人机协作呈现出共探问题、共担风险的深度交互特征。项目末期，能设计出有效结构化Prompt的小组比例从初期显著上升至85%，标志着学生数字素养与协作策略的实质性提升。

（二）数学知识的意义建构

AI-PBL环境极大地促进了数学知识从形式化、去情境化的符号掌握，向情境化、可迁移的实践性知识转化。超过90%的项目小组能够准确阐释数学模型在具体情境中的现实含义。例如，对于导数零点，学生不仅能给出“函数极值点”的数学定义，更能诠释为“边际储存损耗增加成本与边际轮换节省成本达到平衡的决策点”。访谈中学生表示：“积分结果不再只是一个数字，它代表着选择不同轮换策略下，数年内粮食损耗总量的真金白银。”在最终项目报告中，高达74%的小组展现出将微分方程、导数、积分等多个核心知识点有机串联，形成“监测预警→周期优化→长期效益评估”的完整分析链条的能力。这表明，知识在解决复杂问题的实践中被重新组织、深度理解和灵活调用，实现了从“知识记忆”到“知识运用”再到“知识创新”的跨越。

（三）高阶思维能力的显性化发展

研究通过“人机分工明确、批判环节内置”的强制性设计，将审辨性思维训练系统性地嵌入学习流程。对交互记录的编码统计显示，各小组在项目周期内平均对AI输出进行了3.2次关键性的审辨或修正行为，包括结果验证、方法对比、假设质疑，例如，有小组发现AI基于线性假设的预测模型与数据后期趋势不符，从而自主推动模型修正为二次函数。

工具类别	工具名称	基础应用 （全员）	进阶应用 （选学）	三级Prompt示例
	建模与求解	DeepSeek (手机端)	求解方程、拟合简单函数	敏感性分析 （如某因素变化对结果影响）	新手：求解dT/dt=0.1*(20-T)+0.3； 进阶：含初始条件T(0)=22，输出解析解+数值解； 专家：对比3种数值解法误差，选择最优解。
	可视化	DESMOS	绘制单函数图像、标注极值点	多函数对比、积分面积动态展示	新手：绘制y=0.05t²+0.1t； 进阶：标注t∈[0,5]的极值点； 专家：叠加温湿度两条曲线，标注预警区间。
	协作与分析	金山文档AI	协同编辑、基础排版	自动生成分析结论、插入动态图表	新手：整理建模步骤； 进阶：插入函数图像并标注； 专家：生成“数据—模型—结论”三段式分析。

三、 作用本质与理论反思

（一）对学习主体的多维赋能

首先，AI通过认知卸载实现思维解放，其承担项目中约65%的机械性运算与图表生成任务，使学生能够将有限的认知资源从繁重的低阶处理中释放出来，重新投入到问题建模、策略选择、方案评估与反思优化等更需要创造性、批判性思维的高阶活动之中，实现了认知负荷的优化分配。其次，AI作为超级外脑拓展认知边界，它能够快速集成信息、模拟多场景、可视化复杂关系，使学生小组能够探究和处理远超其原有知识储备与计算能力的复杂系统问题，如进行多参数敏感性分析，从而突破了传统教学的认知天花板。最后，AI协作过程催生新型数字素养，设计有效Prompt、评估AI输出可靠性、管理人机协作流程，这些本身就是智能时代不可或缺的关键能力。学生在“做中学”中自然培养了与智能工具协同工作的新素养。

（二）对学习活动系统的深层重构

赋能必然引发系统重构。其一，学习过程的重构：从“讲授—练习—考试”的线性传递过程，重构为“情境驱动—探究迭代—审辨建构”的非线性、螺旋式认知循环。学习成为持续的、问题解决的实践。其二，教学结构的重构：传统的“教师—学生”二元结构，被重构为“学生（主体）—AI（协作工具）—教师（设计者与促进者）”的三角互动结构，以及组内“明确人机分工”的动态协作结构。其三，评价体系的重构：评价重心从终极答案的正确性，转向覆盖“AI交互过程质量（Prompt与审辨记录）”、“协作日志”、“阶段性成果”及“最终综合报告”的多元过程性评价体系，更加关注思维痕迹与成长历程。其四，师生角色的重构：教师从知识的权威讲授者，转型为学习生态的设计师、探究过程的脚手架搭建者与人机协同深度的调节者；学生则从被动接收者，转变为主动的探究者、协作的管理者与知识的建构者。

（三）对理论模型的深化与拓展

基于实证发现，研究对最初的“情境—工具—认知”宏观模型进行了微观细化，提出了一个更具操作性的“人机协同数学问题解决循环模型”。该模型包含四个递进阶段：（1）问题表征与规划阶段（学生分析情境，规划人机分工）；（2） AI执行与生成阶段（学生通过Prompt驱动AI完成复杂任务）；（3）人工审辨与意义建构阶段；（4）整合反思与迭代阶段。该模型强调，学生的元认知监控与决策权威必须贯穿始终，AI则定位于受控的、强大的执行与生成层。这确保了技术赋能始终服务于学生思维发展的主体性，为设计真正以学习者为中心的人机协同学习环境提供了精细化的理论蓝图。

四、 结语

研究通过系统化的设计与实施，揭示了“AI-PBL”融合探究环境能有效促进学生数学实践性知识从形式记忆向情境化诠释的深刻转向，并推动其与AI的协作模式沿“操作代劳→策略咨询→协同探究”进阶，使审辨性思维得以显性化发展。其核心作用机制在于以真实情境锚定学习意义、以智能工具重构认知分工、以结构化流程固化审辨思维。然而，研究受限于单一学校理工科样本和一个月的研究周期，结论的普适性、知识的长期保留效果及迁移能力有待进一步验证，且教学效果受所采用AI工具性能的影响。未来研究可从四方面深化：一是开发基于学习分析的智能评价系统，实现对学生建模与批判性思维的过程化诊断；二是构建跨学科项目链，打造“实时数据—动态建模—智能决策”的沉浸式实践闭环；三是开展纵向追踪与对比实验，在不同院校与专业中验证模式的迁移效果与长期影响；四是加强学科专用型AI工具的研发，或探索在教学中嵌入“AI输出误差识别与修正”专项训练，以规避学生对工具的黑箱化认知风险。

参考文献：

1. [1] 刘昶,李海,丁熠,等.AI时代计算机高等教育的转型和重构之路[J].计算,2026,2(01):79-87.
2. [2] 郭姿漪.视源股份技术“扎根”：锚定承载梦想、跨越山海的一块屏幕[N].中华工商时报,2026-03-05(004).
3. [3] 孙金煜,陈滢,刘玉锦,等.AI融合项目式学习模式培养复合型人才——以“高分子材料成型加工”课程为例[J/OL].高分子通报,1-8[2026-01-27].
4. [4] 周瑜,张其亮,王丽敏.生成式人工智能在PBL实践教学中的应用[J].实验室研究与探索,2025,44(08):166-172.
5. [5] 贾蓉,赵磊磊.数字化转型赋能高等教育现代化：本质、逻辑与路径——基于创新生态系统理论[J].高教探索,2026(02):16-25.
6. [6] 王星.技术共生视角下智慧课堂构建逻辑研究[D].西南大学,2023.
7. [7] 程龙,谢馥璠.解构与重构：学生发展核心素养概念的四维辩证逻辑[J].教育理论与实践,2026,46(08):3-10.
8. [8] 朱晓祥.指向深度理解的问题链教学设计研究[J].数学通报,2024,63(02):20-24.
9. [9] 刘立云,卫明贤.基于AI-TPACK框架的人机协同教学研究[J].中国信息技术教育,2025(19):92-96.