AI课堂如何真正促进学生深度思考

近期发表于《开放教育研究》的论文《生成式人工智能是否有助于提升学生的高阶思维？——基于对60节课堂实录的分析》，深入探讨了这一议题。

研究并非聚焦单一AI工具或对话场景，而是系统分析了60节融合生成式AI的课堂教学，涵盖22节国家级、省级示范课及“广东省中小学教师信息技术应用能力提升工程2.0”平台上的38节案例课。课程覆盖小学一至六年级，涉及语文、数学、英语、科学、美术、信息技术、心理健康、道德与法治、综合实践等9个学科，部分为跨学科或项目式学习。

AI在课堂中的应用形式多样，主要分为三类：

利用AI生成互动模拟、情境视频或任务背景，辅助学生通过直观体验理解抽象概念。

引导学生与AI对话，练习表达、训练提问，或扮演工程师、探险家等角色，借助AI生成初稿后再迭代优化。

通过AI采集学生回答、操作轨迹与作品，生成词频图谱、个性化反馈与修改建议，支持学习改进。

研究者未仅依赖教师主观感受或课堂热闹程度，而是从每节课中截取AI使用最突出的10至15分钟作为分析单元，并随机观察5名不同位置、水平的学生。

为厘清AI应用与思维表现的关系，研究将AI功能归纳为六类：教学资源、教学方法、教学评价、学习过程分析、支持思维发展与探究、人机合作。

学生思维表现则区分为低阶与高阶两类。这里的高阶思维，特指批判性、问题解决、评估、创造性和综合性思考，而非表面的活跃度。

换言之，本研究关注的是：AI的具体使用方式，是否真正激发了学生的深层认知活动。

该研究对一线教师的核心启示在于：

生成式AI确实具备促进高阶思维的潜力，但前提是教学设计必须推动学生真正参与思考。

研究也明确提醒：

AI在课堂中的实效，取决于它被嵌入何种任务、如何参与学生的思维过程，是否引导其经历提问、比较、建模、验证与修正。问题解决与评估能力最先被激活；批判性与创造性思维则更依赖任务结构的设计。

若课堂仅要求学生生成“标准答案”，虽效率提升，但发散思维与独立判断未必增强。

研究数据显示，学生高阶思维发生频次最高的是问题解决（118次），其次是评估（100次），综合（90次）、批判性（52次）、创造性（34次）依次递减。

这一排序揭示：AI更稳定支持的是问题提出、方案生成、信息评估与知识整合——这些正是传统课堂难以充分展开的认知环节。

问题解决：提出问题、分析问题、设计方案；

评估：判断信息价值、反思自身答案；

综合：整合信息、观点与方法，形成系统理解。

因此，教师不应只问“是否用了AI”，而应追问：“学生是否在AI支持下完成了比较、判断、整合与修改？”

这至关重要。

现实中，教师难以在大班教学中追踪每个学生的思维轨迹：你为何这样想？哪里不确定？能否换种方案？如何判断更优？

AI的价值，恰恰在于将学生转瞬即逝的思考过程“可视化”。

学生问了什么、答了什么、卡在哪、修改几次、依据何在，皆可转化为可分析的教学证据。

因此，AI辅助教学的“有效”，不应理解为AI讲得更精彩，而应理解为：它让学生更敢表达，让教师更看得清。

研究中一个关键发现是：

“开发与使用模型”对高阶思维有显著正向预测作用；而“情境创设”在控制变量后，呈现轻微负向效应。

换言之，若学生仅接触炫目的视频、角色或场景，未必深入思考；但若借助AI将抽象问题转化为模型、变量关系或推演框架，在生成、比较、验证中不断修正理解，高阶思维更易发生。

研究指出：过度感官化、展示化的AI应用，可能挤占学生有限的认知资源，使其注意力停留在表象，而非概念结构与证据逻辑。

这并非否定情境价值，而是强调：情境必须导向问题辨析、方案生成、模型推演或证据验证。

这与笔者观察高度一致：有些课堂看似有AI，实则只是多了一段演示。

另一类课堂虽不炫目，但学生需先表达观点，再被追问依据，反复修改方案。教师最终看到的，不仅是答案对错，更是学生如何偏离、如何修正。

后者更贴近本研究倡导的方向。

AI课堂的核心，在于学生是否经历了真正的思维任务。

研究将AI应用细分为六类：教学资源、教学方法、教学评价、学习过程分析、支持思维发展与探究、人机合作——这对教师设计极具指导意义。

教师不应先问“用哪个工具”，而应先问：“这节课要培养哪种思维？”

论文指出关键洞见：

生成式AI的教育价值，不在于提升信息获取效率或替代知识传递，而在于为复杂认知活动提供过程性、结构化的支持。

简言之，AI不应只“给答案”，而应介入思考过程。

当学生定义问题，AI可帮助厘清思路；

当学生论证观点，AI可追问依据与反例；

当学生设计方案，AI可辅助比较变量、推演结果；

当学生修改作品，AI可揭示前后差异。

若仅用于资料检索，AI只是工具；

若用于训练解释，AI需持续追问；

若用于评价方案，AI应帮助比较标准、发现漏洞；

若用于解决复杂问题，AI需支持建模、拆解、推演与回归证据。

同一工具，目标不同，价值迥异。

研究显示，苏格拉底式对话、合作支持、交互分析、模型开发、数据分析与计算思维，均与高阶思维显著正相关。

课堂启示清晰：

AI不应是“答题机器人”。若学生一问，AI即给完整答案，思考可能被替代。

更优策略是：学生先生成，AI再反馈。

例如，学生提问时，AI可先说：

请先用一两句话说说你对这个问题的理解，哪怕不确定。

待学生表达后，AI再追问：

你的依据是什么？

是否存在反例会推翻你的观点？

若改变条件，结论还成立吗？

能否将问题拆解为两个变量？

你的方案中，哪一步最需验证？

这些提问看似缓慢，实则守护思考。

AI的真正作用，是把挑战拆解到学生“跳一跳够得着”的位置，促其多走一步。

这也呼应研究对“实践操作型思维支持”的强调：高阶思维非靠抽象提醒，而源于真实任务中的建模、推理、验证与改进。

因此，AI最应介入的是需要动脑操作的环节。

如科学探究中，AI可整理数据、生成图表，但变量设计、结果解释、结论论证仍由学生完成；

如项目学习中，AI可提供多种方案，但选择依据、风险评估仍需学生自主表达。

这是防止认知卸载的关键。

核心在于：重新设计AI介入的时机、方式与强度。

理想流程是：学生先说，AI后评；学生先改，AI再补；学生先解释，AI再追问。

此时，AI才真正成为学习伙伴，而非答案入口。

AI融入课堂，教师角色亦需转变——不是成为技术操作员，而是设计学生与AI的互动方式、介入节点与证据留存机制。

这是师生机三元协同的核心。

AI可反馈、可整理、可提示，但课堂方向、价值判断、情感支持与关键干预，仍由教师主导。

不是替代，也不是脱离，而是将单一师生互动，拓展为教师、学生、AI共同参与的深度对话。

关键在于分工：

教师：设定目标、把控节奏、判断价值、实施干预；

学生：表达观点、做出选择、验证想法、持续修改；

AI：提供反馈、梳理过程、提示视角、辅助分析。

因此，课后最应关注的，不是AI使用次数或对话轮数，而是三类记录：

第一，学生初始回答；

第二，AI的追问内容；

第三，学生二次修改及其依据。

仅看最终答案，无法判断学生是否真懂；若能看到原答、反馈与修改，教师才能精准定位卡点。

进一步可判断：是概念不清？表达模糊？不会找依据？不会比较方案？是听懂提示，还是机械照搬？

这些证据，才是真正支撑后续教学的依据。

这正是研究强调的“过程性证据”：AI不仅评价结果，更揭示学生如何思考、如何修正、如何从模糊走向清晰。

若评价只看作品，教师只看到终点；

若能看见原答、反馈与修改，教师才看见学习过程。

此时，AI才真正将隐性思维轨迹，转化为可反思、可调节的教学证据。

即便缺乏完整平台，教师仍可从小处着手：

不必整节课AI化，先选一个最需思考的环节——如开放题、阅读理解、实验设计、项目方案或作文修改。

该环节需满足三条件：

第一，非简单查资料可完成；

第二，需解释理由、比较方案或验证观点；

第三，允许在AI反馈后修改一次。

再设计最小流程：

第一，学生写下初步想法；

第二，AI追问依据、条件或反例；

第三，学生据此修改一次；

第四，教师课后分析原答、追问与修改。

这套流程简单，却直抵AI课堂的核心价值：让学生多想一步，让教师看得更清。

若此环节可运行，再谈扩展数据分析或协同系统才有意义；

若未抓住本质，AI功能越多，教师越累；情境越炫，学生越像看表演。

本研究60节课的结论，并非“AI自动提升思维”，而是更克制的判断：

当AI嵌入提问、建模、评估、修改与协作环节，学生更易展现问题解决、评估与综合思维；

若仅用于生成情境、展示内容或代答，未必促进深度学习。

因此，教师设计AI课堂时，可先问一个最小问题：

这节课里，学生是否有一个必须自己说、自己改、自己判断的时刻？

若有，AI才有存在理由；

若无，暂勿引入工具。

本研究样本主要来自优质课，样本量有限，变量关系仍待深化，更适合指引方向，而非作为“用了AI就必然提升”的保证。

愿此分享为你的AI教学之路带来启发。

施澜，余璇然，陈诗羽，李锶（2026）. 《生成式人工智能是否有助于提升学生的高阶思维？——基于对60节课堂实录的分析》. 开放教育研究，32（3）：108-120

若您关注AI教育，欢迎后台私信【交流】加入社群。

想第一时间获取新内容，请记得星标⭐