人机协同视域下英语项目化学习的教学实践研究
——以“居民消防应急手册”设计项目为例

上海市第四中学 孙宇辉

摘要：在英语项目化学习中，资源适配性不足、学生思维深度有限、过程性反馈缺位等问题制约了教学效果。本文以“居民消防应急手册”设计项目为例，提出构建“教师—学生—人工智能”三方协同机制，借助Deepseek与豆包智能体实现资源动态适配、思维激发催化与反馈实时生成，以破解项目化学习的困境。教学实践表明，人机协同能有效促进学生核心素养发展，并推动教师角色从知识传授者向学习赋能者转型。本文同时反思了技术依赖、信息甄别等现实挑战，以期为人工智能赋能英语教学改革提供案例参考与理论启示。

关键词：英语项目化学习；人机协同；人工智能；核心素养

一、引言

国务院印发的《关于深化教育教学改革全面提高义务教育质量的意见》明确提出[1]：“融合运用传统与现代技术手段，重视情境教学；探索基于学科的课程综合化教学，开展研究型、项目化、合作式学习。”该理念强调以真实问题为起点，驱动学生在解决问题中建构知识。

然而，英语项目化学习在实施过程中面临学习资源适配性不足、学生思维深度有限、过程性反馈缺位等问题。在此背景下，人工智能为构建“教师—学生—人工智能”协同机制提供了可能。

“居民消防应急手册”是整合上外版英语选择性必修第二册第四单元“Disaster survival”开展的英语项目化学习实践，覆盖灾害生存的完整周期，最终呈现出服务于真实社区居民的综合性成果。本文以“居民消防应急手册”的实施为例，探讨人机协同视域下英语项目化学习的设计框架与实践策略，为技术赋能英语教学提供新的参考。

二、问题缘起：项目化学习的现实困境

项目化学习是英语学科从知识传授转向素养培育的重要载体。然而，在实践过程中面临三重结构性困境：

1.  资源获取困境

项目化学习依赖丰富的学习资源。在传统课堂中，学生信息渠道相对单一，依赖教材与教师提供的有限参考资料，无法满足个性化需求。此外，适合高中生的真实语料获取困难。以“居民消防应急手册”为例，原版材料专业性过强，简化又有失真风险。教师难以预判各小组需求并提前准备适切资源，而学生在信息筛选中耗费大量时间，挤占深度思考与知识建构的精力。资源缺位使自主探究的起点即遇瓶颈，制约项目化学习的连续性与深度。

2.  思想浅层困境

传统项目化学习难以嵌入过程性反思，学生思维主要局限于记忆、理解等低阶层次，未能触及分析、评价、创造等高阶思维。当学生遭遇思维瓶颈时，教师受限于精力与时空，难以同时为多个小组提供精准的思维引导。学生只能被动推进，深度学习的诉求未得到有效支撑。例如，在“居民消防应急手册”中，有小组只是誊抄灭火器瓶身的标准说明书，未转化为城市居民易于理解的口诀或图示。可见，缺乏有效思维支架，学生的成果往往呈现“高结构、低思维”的特征。

3.  反馈滞后困境

约翰·哈蒂（John Hattie）在其“可见学习”研究中指出[2],反馈对学生学业成就影响显著，其效果取决于即时性与针对性。然而，大班教学下，项目化学习的教师反馈面临多重制约：反馈周期过长，导致学生收到反馈时已无法将其有效融入后续学习；反馈频次过低，难以支撑学生探究过程的持续迭代与优化；反馈内容多指向最终成果，对探究过程的形成性反馈相对匮乏。教师需要时间评价，而学生需要即时反馈，二者在传统条件下难以调和。

三、项目设计与教学嵌入

“居民消防应急手册”项目（见图表1）以上外版“Disaster survival”单元为内容载体，以真实成果为输出目标，以人工智能为全程协同伙伴。项目启动前即完成工具选型（Deepseek、豆包智能体）与提示词模板设计。

本项目整合单元教学任务，将阅读语篇、词汇聚焦、写作等内容作为知识支架，在不额外增加课时的前提下，实现单元教学与项目化学习的双重目标。项目总时长约2.5周。七个课时的教学目标分别指向手册灾前、灾中两大板块，灾后可作为课后延伸内容，由学生自主探究完成。

图表 1“居民消防应急手册”项目

四、破解路径：人机协同的机制构建

人机协同（Human-AI Collaboration）指人类与智能系统在共同完成任务中形成的优势互补模式。人工智能不应被视为替代人类的工具，而应被视为增强人类智能的认知伙伴[3]。在本研究中，教师负责教学设计、思维引导与价值判断，人工智能承担资源适配、思维激发与即时反馈，学生在人机互动与师生互动中完成知识建构与素养发展的三方互动模式。人机协同的核心，在于实现人类智慧与机器能力的深度融合，从而提升教学系统的整体效能与创新潜力。

1.  资源的动态适配

为帮助学生摆脱低效筛选，教师引入人工智能，核心在于实现学习资源的动态适配与个性化供给。

Ⅰ.人工智能支持语料智能分级，服务因材施教。

项目启动阶段，教师明确项目的核心概念框架，为学生划定探究边界。以USFA（U.S. Fire Administration）官方指南中烟感报警器段落为例，教师将原文输入Deepseek，生成不同难度版本。选择Deepseek主要基于免费、中英混合输入支持及语言适切性三方面考量，尤其适合多版本对比教学。

初级版以高频词和短句为主，保留核心安全指令，舍弃专业术语的深入解释：“Put smoke alarms in your home. Use two kinds: one for fast fires, one for slow fires. If you cannot buy both, buy one alarm that does both jobs. Test it every month.”

中级版在初级版的基础上，加入专业术语，帮助学生理解概念、拓展学术词汇：“There are two types of smoke alarms. Ionization alarms detect fast, flaming fires best. Photoelectric alarms detect slow, smoldering fires best. Since you cannot predict what type of fire may start, the USFA recommends that every home have both types, or a dual sensor alarm that includes both technologies.”

高级版保留原文，仅对生僻词加注，供学有余力的小组深度研读：“Because both ionization¹ and photoelectric² smoke alarms are better at detecting distinctly different, yet potentially fatal fires, and because no one can predict what type of fire might start in a home, the USFA recommends that every residence be equipped with both types, or a dual sensor alarm (which contains both sensors).”

ionization:电离式，擅长探测快速燃烧的明火
photoelectric:光电式，擅长探测缓慢阴燃的火灾

三个难度版本的并行设计，既保留真实语料的完整性，又为不同水平的小组提供可理解性输入。该机制将教师从预判小组信息需求的任务中解放出来，使其转向更高阶的教学设计：如思维支架搭建、项目进程调控和深度对话引导。

Ⅱ.人工智能支持人机对话检索，实现按需生成。

为确保学生有效利用人工智能进行定向检索，教师提供提示词模板：你现在是一名[身份]，请帮我[简化/改写]以下英文文本，语言难度适合[高一/高二]学生，提供[2–3]种不同版本并解释用词差异。人工智能在数秒内提供结构化、语言适切的摘要。学生在理解摘要内容、讨论策略差异、转述专业信息的过程中，反复激活并运用语言，从而强化语言能力。

2.  思维的激发催化

项目化学习中，人工智能负责制造认知冲突、激发思考，教师则专注于高阶思维的精准引导。二者各司其职又相互支撑，共同推动学生从信息复述走向观点生成。

人工智能提供普适思维支架。为进一步降低学生与人工智能互动的认知门槛，在本项目中，教师利用豆包平台创建了一位“消防审查官”智能体（见图表2），其设定如下：

你是一名严格的消防审查官，作用是引导人们关注和思考与火灾、消防相关的现象及知识点。

技能：具备消防专业知识，能解答火灾预防、火场逃生、消防器材使用等各类问题；善于结合实际案例，通俗讲解消防知识点。

目标：帮助用户提升消防安全意识，掌握实用消防技能，规避火灾风险。

限制：只围绕火灾、消防相关内容交流，不涉及无关领域。

输出形式：以专业易懂的文字回应，清晰传递消防知识和安全建议。

核心工作流程

步骤1：先回答问题

用清晰准确的语言回应用户的提问。

步骤2：追加一个追问

基于刚才的回答，提出1个相关的、开放性的追问，目的是：

引导用户进一步思考；鼓励用户表达自己的观点；帮助用户深化对话题的理解

追问的类型（根据情况选择）

1.应用型追问：“基于刚才的理解，你会如何将它应用到______情境中？”

2.分析型追问：“你觉得这个观点和______有什么联系或区别？”

3.评价型追问：“你认为这个方案的优点和局限分别是什么？”

4.创造型追问：“如果要改进这一点，你会提出什么新想法？”

重要约束：

追问必须与刚才的回答内容直接相关；追问不能是简单的“是/否”问题

图表 2消防审查员智能体设定

选择豆包平台的主要原因有二：一是低代码特性，教师无需编程即可创建智能体，课堂可操作性强；二是支持自定义角色、技能与追问逻辑，能精准匹配项目化学习中制造认知冲突的教学需求。当小组提出方案时，豆包通过追问打破学生原有的思维平衡，迫使他们寻找依据、完善逻辑，将人机互动从“提问—回答”的单向模式转化为“提案—质疑—反思—优化”的循环探究。

教师负责精准思维引导。面对海量对话数据，本项目采取“标题筛选与AI辅助分析”的双重策略，将常规班级（约8个小组）的分析时间控制在15分钟以内。

标题筛选。教师要求每组在对话开头标注讨论的核心问题。课后快速浏览，识别三类关键信息：高频问题，预示共性困难，全班集中讲解；偏离主题的问题，指向需要个别干预的小组；新颖有价值的问题，则转化为课堂展示案例。

AI辅助分析。教师将学生转发的对话记录输入Deepseek，指令为：你是一位教学分析专家。请分析以下互动记录，回答：1.学生共性困惑或误区2.小组间思维深度差异及提问特点3.是否有思维惰性迹象。用表格输出结果，并给出1-2条教学建议。Deepseek生成的结构化分析简报，帮助教师精准定位问题，实现了基于数据的精准介入——既避免过早介入剥夺学生自主思考，也避免了过晚介入错失思维发展契机。

3.  反馈的实时生成

针对反馈滞后困境，人工智能能够实现反馈的即时生成与过程性记录，支持学生探究的持续迭代。人工智能提供可对话的元语言反馈，将写后批改转化为写中学，呼应哈蒂所强调的即时性与针对性原则，使反馈从关于学习的评价转向“为学习的评价。当学生遇到表达瓶颈时，人工智能不再是简单的翻译工具，而是学习顾问。例如，有学生询问：“If you see fire, run away quickly. Can you give me three alternative ways to say this with different levels of formality?” Deepseek随即提供：正式版“Evacuate immediately upon detecting fire.”、口语版“Get out fast if you spot a fire.”、书面语版“Time is critical: exit swiftly in case of fire.”，并解释语体差异与使用情境。学生当场对比、选择、内化，在真实语境中完成了微型语言探究。

4.  支架的系统设计

在“灾中自救”板块，教师设计了分层思维支架，引导学生从机械记忆走向更高层次的思维加工。

第一层：排序支架（记忆与理解）。教师将火灾逃生步骤打乱（如“Call 119”、“Cover mouth and nose with a damp cloth”、“Stay low to the ground”、“Check door temperature with the back of your hand”、“Stop, drop, and roll if clothes catch fire”），要求学生按消防规范重新排序，并用连接词写出完整段落，建立火灾逃生的逻辑顺序。

第二层：情境决策支架（应用与分析）。教师提供差异化情境：情境A为卧室起火且门把手发热；情境B为高层公寓楼下起火且楼道有浓烟，要求学生判断应逃生还是固守待援，并说明依据。学生通过讨论意识到：逃生步骤需要根据火势、位置等因素做出动态决策。有学生记录道：“原来‘摸门把手’不只是为了完成固定步骤，而是帮我判断能不能开门。”

第三层：用户适配支架（评价与创造）。基于前两层，教师提出更高挑战：“手册的读者是普通社区居民，但他们当中可能有老人、儿童等，请为其中一类人群改写逃生指引。要求用图示和简短英文说明呈现，并附设计说明（解释调整内容及原因）。学生成果示例：针对儿童的小组将“Check door temperature”改为“Touch the door with the back of your hand — if hot, don't open”。一名学生在反思中写道：“以前我就是直接抄说明书，现在才明白，真正有用的手册要针对不同人群来写。”

通过分层支架，教师将人工智能提供的通用信息，转化为引导学生关注情境差异与用户需求的思维路径，推动其认知走向灵活决策与人性化设计。

五、人机协同的成效

“居民消防应急手册”项目的教学实践表明，人机协同机制有效破解了英语项目化学习的三重困境。这一成效既体现于学生英语学科核心素养的落实与发展，也反映在教师角色与专业效能的深层转变之中。

1.  学生维度：从完成任务到发展素养

人机协同使学生的学习过程发生质变。在与人工智能的持续对话中，学生核心素养不断提升。

语言能力：撰写逃生指引时，有小组的表达为：“Use wet towel to cover mouth and nose”，Deepseek将其改为：“Cover your mouth and nose with a damp cloth”，并阐释damp与wet的语义差异——damp强调湿润适度，用词更准确。这种元语言反馈，深化了学生对词语使用语境的理解。

思维品质：以“灭火器使用说明”的撰写为例。多个小组直接誊抄灭火器操作说明：“Pull the pin. Aim at the base of the fire. Squeeze the handle. Sweep from side to side.” 在教师引导下，学生向豆包平台创建的“消防审查官”智能体质疑：“Is this rhyme sufficient for a panicked resident?” 豆包回复，并追问：“What about keeping a safe distance? Should we remind users to aim at the base of the fire, not the flames? What if the fire is too big to handle?” 在小组内部制造认知冲突，迫使学生审视原有方案的盲点与不足。经过迭代，该小组最终生成了更完善的图示和口诀：既保留PASS口诀（Pull-Aim-Squeeze-Sweep）的简洁性，又补充了安全距离、火势判断等关键操作细节。一名学生反思：“以前查资料就是复制粘贴，现在和AI对话，感觉像在和一个博学的朋友讨论，它逼着我想得更深。”

文化意识：在探究“灾后处理”环节，某小组意识到拨打保险公司电话、清理废墟等步骤过于表面化，向“消防审查官”智能体追问：“What emotional support might disaster survivors need?” 小组关注到火灾幸存者的心理需求，主动将心理疏导纳入手册内容，并采访学校心理教师，最终增加“Coping with Trauma After a Fire”（火灾后的心理调适）专题，包含情绪表达、寻求心理援助等内容。这体现了学生对幸存者情感需求的人文关怀和社会责任感。

学习能力：在与人工智能协作中，学生从直接提问给我资料到学会使用提示词模板，逐渐掌握调适学习策略的能力，并有意识地拓宽学习渠道——用Deepseek获取分级语料，用豆包“消防审查官”测试方案。本研究配套设计人机协作素养自评表（见图表3），在项目中期与末期各发放一次，捕捉学生在人机协同过程中的主观体验与自我认知。

图表 3人机协作素养自评表

2.  教师维度：从单体支撑到系统赋能

人机协同使教师从重复劳动中抽身，转向更高价值的教学决策与深度引导。本项目中，教师通过分析各小组与人工智能的对话记录、提问类型、修改轨迹，发现多数小组在“灾后处理”环节都停留在协助调查等表层建议，鲜有人想到心理支持。于是，教师在课堂上增加“灾难中的人”微讨论，引导学生关注受灾者情感需求，从而激发小组增加心理调适专题。

六、人机协同的局限

尽管成效显著，人机协同也暴露出若干现实挑战。

第一，技术依赖风险。部分小组遇到问题第一反应是求助人工智能，而非自主思考或小组讨论。少数学生坦言：“有时候懒得想，直接让AI给答案。”对此，教师建立了“先自主、再同伴、最后AI”的规则：学生必须先自主查阅资料和独立思考；若仍有困难，优先进行同伴讨论与观点碰撞；只有在上述两个环节均无法推进的情况下，才允许向人工智能求助。同时，教师要求每组在对话记录中标注“自主思考部分”、“同伴讨论结果”与“AI介入点”，使思维过程可见、可评、可反馈。实践表明，这一规则有效遏制了“遇事即AI”的行为惯性，帮助学生养成健康的技术使用习惯。

其二，信息甄别挑战。人工智能生成的内容并非总是准确可靠。例如，如某次Deepseek提供的消防逃生建议与本地消防规范不一致。虽然这一意外成为培养学生信息甄别能力的教育契机，但也警示教师：人工智能的使用必须伴随批判性思维的培养，学生应具备验证与质疑人工智能的能力。

七、实践反思与启示

1.  教师、学生与技术的结构性重构

教师角色从项目支撑者转向价值引领者。当人工智能承担信息提供、基础反馈等职责后，教师负责把握育人方向、设计思维支架、在关键节点实施精准引导。

学生能力从知识习得拓展为人机协作。学生需发展人工智能协作能力——学会提问、甄别信息、将人工智能反馈转化为学习资源。这是智能时代的核心素养，也是本项目中学生最显著的能力增长点。

技术定位从替代工具明确为赋能伙伴。人机协作的核心在于协作而非替代：让技术做技术擅长的事（快速、海量、即时），让人做人擅长的事（深刻、共情、创造）。

2.  教学评价的过程性转向

当人工智能能够记录学生的完整探究过程、自动生成过程性评价简报时，评价便能从结果导向转向过程导向。这意味着，评价不再是成果的打分，而是嵌入项目化学习全过程的导航。学生与人工智能的对话记录等过程性数据，既勾勒出其语言能力的发展轨迹，也透视其思维品质的提升过程。基于此，如何这些过程性数据，建构更具发展导向的评价体系，是后续研究值得探索的方向。

3.  教师人机协同能力的渐进式发展

当前，人工智能工具快速迭代，人机协同能力的提升应沿着“减负—激发—共创”的路径渐进发展：从用人工智能完成重复事务，到激活学生思维，再到共同设计复杂项目。教师应树立任务导向的发展观，以真实教学任务驱动选择工具，避免追新求全。应对工具迭代，教师应聚焦三项可迁移能力：提示词设计（结构化表达需求）、信息甄别（判断AI输出的准确性与适切性）、分工判断（决定何时用AI、何时由学生独立完成）。具体的学习路径见本文附录。

教师还需具备独立语言诊断能力，以识别学生真实能力与人工智能辅助表现之间的差距。本研究中，教师采取对照样本法，从词汇准确性与句式复杂度两个维度，对比学生独立完成与人工智能辅助的作品，判断哪些语言能力已被内化、哪些仍依赖人工智能支持。这一能力标志着教师从知识传授者向诊断专家转型，是人机协同教学持续优化的前提。

八、结语

项目化学习面临的资源、思维与反馈三重困境，折射出传统教学支持系统的结构性局限。人工智能的引入为构建新型教学支持系统提供了可能。在本项目中，人工智能作为资源过滤器、思维催化剂与即时反馈环，支撑了学生的个性化探究与深度思维，推动项目化学习从高结构、低思维走向深探究、真学习。

需要指出的是，人工智能并非取代教师的专业判断，而是将教师从繁重的信息提供和基础反馈中解放出来，使其有更多精力投入只有人类教师才能胜任的工作——情感共鸣、价值引领与创造性激发。这正是“教师—学生—人工智能”三方协同的核心价值：让技术回归工具，让人回归教育中心。