摘要：教育数字化背景下，生成式人工智能正重塑教学与学习方式。本研究以“行车安全”跨学科情境为依托，聚焦初三学生借助该技术开展数学探究的课堂实践，通过多源数据剖析学习行为变化。研究发现，生成式人工智能可提供概念解释、推理提示等认知支架，推动学生向主动探究、结构化推理等转变，但存在输出局限，缺乏引导易弱化数学思维。同时教师角色重构为任务设计、技术调控与反思引导者。据此，研究提出初中数学跨学科教学应遵循“问题驱动—技术支架—模型反思”路径，助力学习方式深度变革。

关键字：初中数学；生成式人工智能；学习方式变革

近年来，生成式人工智能技术的快速发展，推动了教育场景中“人机共学”模式的崭新探索。生成式人工智能能够对文本、图像、数据进行快速理解和反馈，并以交互对话的方式提供推理解释、过程指导、任务生成等支持，这为基础教育课堂中师生的学习互动、问题解决与知识构建带来了新的可能性。我国教育改革已明确将数字化转型视为教育高质量发展的战略路径。教育部在《关于加快推进教育数字化的意见》中提出，要“广泛开展信息技术与教育教学深度融合的创新实践”、“推动新型教学模式与学习方式的形成”^[1]。随后发布的《教育数字化战略行动》进一步强调，要以数字技术赋能学习者，通过智能化手段促进学生主动学习、探究学习与个性化学习^[2]。可以看到，国家层面的政策导向不仅要求教师借助信息技术提升课堂效率，更指向学习方式、认知路径与核心素养培养的结构性变革。

一、引言

1. 数智技术推动学习方式变革的时代背景

在国家教育数字化战略的引领下，课堂中技术角色发生根本转变。与传统信息技术不同，数智技术不仅用于信息呈现，更融入学习过程，成为学习伙伴、思维扩展工具与认知支架。生成式人工智能能够围绕学生困惑提供即时解释与反馈，促使学生在问题解决过程中进行思考加工与知识建构，而非被动接受答案。这种从“获取信息”转向“生成理解”的变化，契合数字化时代对学习方式再造的根本要求。^[3]

本研究旨在探究数智技术赋能下课堂结构、师生互动与学习方式的更新，尤其关注学生如何从接受式学习向探究式、协作式直至生成式学习转型。

2. AI赋能跨学科学习的教学意义

从学情看，初三学生已完成函数相关内容的学习，但现实问题情境中存在明显迁移障碍。“能做题，不会建模”、“能列式，却不理解变量关系”等现象普遍存在。例如在“行车安全”主题中，学生需要理解车速、刹车减速度、反应时间与刹车距离之间的关系，并据此判断是否能在有限空间内完成刹车。这一问题涵盖数学、物理及生命教育知识，其核心并非计算结果，而是变量识别、模型建构与合理解释。然而在传统课堂中，该类问题常被简化为“套公式—算答案”，学生难以理解模型背后的逻辑结构与假设条件，学习方式呈现被动与工具依赖。

基于上述困境，本研究尝试在初三数学跨学科学习中引入生成式人工智能，通过问题对话、信息检索、数据验证与模型反思，促使学生在“人—AI共学”的过程中形成认知调节。学生并非直接获取答案，而是借助AI理解抽象变量、辨识影响因素、提出反问与验证假设：这一过程强化了思维生成而非思维代替，使技术成为学习方式变革的动力而非单纯的解题工具。通过课堂实践可以观察到，当学生能够利用AI解释变量意义、提出模型假设并进行验证时，学习活动的核心从“使用知识”转向“生成数学意义”。

二、研究设计

本研究聚焦初三学生数学学习方式的生成性转变，因此选取某市中学初三年级一个常规班作为研究对象。该班级学生基础知识掌握较为均衡，但在解决综合情境问题时普遍存在“能做题却不会建模”的现象；数学与真实问题结合能力薄弱，尤其在抽象变量理解、应用场景判断方面表现不足。选择该班具有典型性，能较好呈现数学学习方式“解题式→生成式学习”转变的过程。因此，本研究不追求技术实验效果，而强调生成式人工智能在真实课堂中的过程性影响。

课堂情境选择行车安全主题，原因有三：一是问题涉及速度、距离、加速度等变量关系，可引导学生在不依赖现成公式的前提下推导模型；二是问题同时关联物理知识、生活规范与生命教育，具备跨学科属性，可支持学生生成探究；三是与学生日常经验相关，便于激发学习动机与认知投入。本研究以该课为载体开展实践观察。

1. 教学设计与干预方式

本研究遵循“问题驱动—模型建构—检验反思”的教学逻辑，避免将生成式人工智能作为知识呈现工具或答案替代工具，而是将其嵌入学生自主探究过程，提供语言、逻辑、结构等认知支架。课程设计总体遵循：①学生问题先行——教师不直接讲授刹车距离计算方法，而由实际问题引发学生困惑，促使其自主提问；②技术辅助理解——生成式人工智能用于解释概念、提供推理路径或生成任务提示，而非直接给出计算结论；③模型反思优先——教学重点从“得出答案”转向“检视模型假设与实际差异”。

在具体教学实施中，教师将生成式人工智能定位为一种学习伙伴，要求学生以解释性提问取代答案获取，如提出“为什么刹车距离和车速不是正比关系”，而非“刹车距离是多少”。这一规则避免AI成为思维替代工具，强调其作为数智技术认知支架的功能。

2. 研究方法与评价分析

本研究采用课堂实践研究（practice research）方法，重视真实情境与生成性学习行为。研究不追求严格变量控制，而强调在自然课堂环境中记录人、技术、任务三者交互关系。分析核心不在“学生是否提高成绩”，而在“学生如何利用技术生成数学理解”。^[4]分析框架聚焦三条主线：

(1) 问题生成逻辑：学生是否从请AI回答转向请AI解释、比较方案等；

(2) 理解路径变化：学生是否从查找公式转向推导关系、讨论假设、检验差异等；

(3) 模型意识觉醒：学生是否能够主动识别模型假设并反思现实因素。

本研究强调技术不是要被证明有效，而是要观察其如何重塑学习方式和教师角色。

三、研究结果与分析

本研究以“行车安全问题”为真实场景，通过引导初三学生使用生成式人工智能（以下简称AI）进行探究，观察学生学习行为的变化轨迹。分析发现，随着数智技术的介入，学生在问题理解、变量识别、模型表达及模型反思等方面呈现出明显的学习方式转变。具体表现为：从依赖教师讲解转向主动向AI提出问题；从追求单一答案转向变量间关系的理解；从“套公式”转向基于情境的函数建模；从对结果接受转向对模型提出质疑和反思。这些变化体现出学生学习方式从接受式学习向生成式学习的内在迁移。

1. 从依赖教师解释到主动向AI提出问题：学习主动性显性觉醒

在课堂导入阶段，教师通过三段真实行车视频引导学生思考“影响行车安全的因素有哪些”。多数学生在学习单中填写的内容主要停留在经验层面，如“保持车距”“遵守限速”等，这一回答模式反映出学生仍然依赖日常常识，而非尝试从数学或物理角度理解问题机制。在初次讨论中，学生倾向于等待教师“给结论”，呈现典型的接受式学习特征。

当进入第一个计算任务——“一辆以90 km/h行驶的汽车，其最大制动减速度为5m/s²，能否在40米内刹停？”——学生立即表现出明显困惑。尽管此前学习过速度变化与函数概念，但在真实情境中，学生难以识别“速度与时间的关系是否属于函数”“制动5m/s²意味着什么”，从而出现“数学工具断裂”的现象。

此时，课堂允许学生自主使用AI辅助理解“制动减速度”。部分学生首先向AI直接提问“5 m/s²是什么意思”、“刹车距离怎么计算”。面对这样的提问，AI往往会回答出非常深奥复杂的回答。此时教师提示他们进一步提出“为什么每秒减少5m/s？”、“速度什么时候为0？”等具体的、具有探究性质的问题。以下课堂观察片段具有典型代表性：

学生A：“制动减速度是什么意思？是不是一直都是每秒减5？”

AI回答（精简版）：“如果最大制动减速度是5m/s²，可理解为在理想制动过程中，每一秒车速降低约5m/s，直到减至0或新的速度。”

学生追问：“为什么是5，是固定的吗？和路面有关系吗？”

从这一对话可以看出，学生不再仅仅停留在查概念和求定义，而开始探寻参数背后的约束条件及物理意义。这种追问行为实际上标志着学习从“顺应教材逻辑”转向“基于困惑的主动探究”。课堂观察显示，多数学生在这一互动中产生了问题意识，主动将数学概念与现实场景结合，而非被动等待知识输入。这是学习方式变革的第一步：依赖教师→主动提出问题。

2. 从套公式求解到理解变量关系：学习关注点由“答案”转向“结构”

传统课堂情境中，学生往往会把刹车距离视作一个单一数量问题，例如在解决问题“还能否在40米刹停”时，他们更习惯寻找标准公式，然后代入计算。考虑到学生的这一习惯，课堂设计刻意避免提供现成模型，要求学生借助AI理解变量之间的关系。这一策略促使学生从“代入计算”转向“理解变量”。

在小组任务讨论中，学生开始尝试理解速度与制动时间、制动距离的关系。一位学生对AI输出进行分析后提出：

学生B：“如果每秒减少5m/s，那么总的速度是多少？距离怎么算？”

在得到解答后，同一小组的另一位学生在课堂上反馈：

学生C：“时间可以先算出来，比如从25m/s减到0，每秒5m/s，那就是5秒，然后平均速度是12.5m/s，所以距离是12.5×5=62.5。”

虽然计算存在误差，但这种分析过程已经体现学生主动构造变量关系，强调“变化率→时间→平均速度距离”的逻辑链条。从找公式到建立运算的方式，表明学生开始具备基于理解的思维能力。

在这一环节，学生构造的推理链条与标准物理推导相似。但可贵的是，这一过程不是教师灌输的结果，而是通过AI解释与同伴讨论刺激形成的类建模思维。AI在其中更多起到概念和变量意义解释的功能。学生在与AI的互动中形成了初步的数学抽象能力，学习关注点有了“怎么算→为什么这样算”的转变。

3. 从计算结果到建构数学模型：学习活动进入生成阶段

第二阶段任务要求学生将“90km/h降至30km/h”的刹车过程作为变式探索，并尝试用符号表达一般形式。经过前一阶段的理解实践，部分小组能够通过观察上一个问题的数据，自主构造模型：

学生D：“如果初速度是，末速度是，减速度是，那么速度变化，时间就是。平均速度是，距离就是平均速度×时间。”

该推理完全符合高中运动学基本公式，对于未学习过高中物理的初三学生而言，这一表达不仅跨越了教材边界，还体现出知识迁移与模型生成能力。这一模型是学生通过AI解释、数学推理与同伴协作逐步形成的。

这一阶段的学习方式已与传统解题模式显著不同：学生不再依赖既有解法，而是能围绕真实问题，自主提炼数学关系。学生在这一过程中表现出模型性理解——即数学公式不仅是一种计算工具，更是描述世界的一种语言。伴随AI边解释边反问的反馈方式，学生逐步摆脱了套公式的依赖，形成了从情境中生成模型的能力。这意味着学习方式进入生成性学习阶段：知识从外部输入→内部产生。

4. 从接受外部结论到质疑模型合理性：学习方式进入批判性阶段

在教学第三阶段，教师引导学生评估现实中的安全车距规则：“公路车距数值与车速相同”，并比较模型输出结果与实际建议。课堂讨论呈现出明显变化：学生不再简单接受模型结果，而是尝试解释模型与现实差异。例如：

学生E：“我们的模型里没有考虑反应时间，但开车看到情况到踩刹车需要0.5到1秒，那时车还在按照原速度行驶。”

学生F：“如果路面湿滑或者下坡，减速度就不应该是5m/s²。”

这些表达体现了从数学模型向现实世界回返的思考能力。学生不仅关注结果对不对，而是能反思模型假设是否合理。他们会主动去识别到：模型基于理想条件、参数在情境中不是固定的、现实中存在反应时间的延迟与其他不可控因素等。这意味着学生的学习方式已突破传统数学课堂“计算答案→核对答案”模式，进入批判性理解与二次建模阶段。学生完成从“接受模型→审视模型→改进模型”的全过程，表现出生成式学习的自我修正能力。

通过观察本次课堂实践，学生的学习方式转变呈现以下清晰层级：

依赖性获取→主动性提问→结构性推理→生成性建模→批判性反思

AI在这一过程中并非“答案提供者”，而是“认知支架”“思维伙伴”。更重要的是，学习方式转变不是由教师灌输产生，而是由学生与AI的互动所激发。学生在真实问题中以对话方式表达困惑、建立模型、检验假设并修正结论，从而实现从接受式学习向生成式学习的深度跃迁。

这一结果说明，在数智时代背景下，生成式人工智能不仅能降低学习门槛，更能在核心位置推动学生学习方式发生实质性变革。

四、研究讨论

本研究基于初三真实课堂实践呈现了生成式人工智能介入数学跨学科学习的效果。学生的学习方式以“依赖性获取→主动性提问→结构性推理→生成性建模→批判性反思”逐步转换，但这种转变是在明确教学边界和教师角色调控下实现的。

1. AI介入数学学习需要明确的边界条件

本研究认为，生成式人工智不能替代学生的数学思考。它可以解释抽象概念、模拟变量变化过程，但无法自动生成理解。若学生直接向AI索取结果，其功能便退为计算工具，学生仍停留在把真实问题转化为数学解题情境的机械层面。本研究中，教师在课堂上不鼓励学生直接求答案，而是鼓励学生追问变量意义，促使学生出现了“求解→理解”的转变。AI在此时才真正成为认知支架，帮助学生完成从概念理解到关系构建的迁移。

此外，AI生成的解释存在大量“假设”。例如在行车安全问题中，AI的推理默认均匀减速、无反应时间、无环境干扰。这些假设不仅需要学生在探究过程提出并告知AI，更需要在后续学习中主动考虑和剔除。这种模型和现实的差异AI不能自动识别，而需要学生主动补充以及批判性理解。因此，AI的作用应理解为“理想情境下的逻辑说明”，对于现实问题的全面解决方案，还需要由教师和学生探讨发掘。

2. 生成式学习方式与教师角色的重构

教师角色重构的第一步是由讲授知识和示范方法的角色转变成为学习任务的设计者。本研究不是通过技术直接提升学习效率，而是通过一系列逐步递进的任务——从判断刹车距离、推导函数模型，到比较实际车距建议——促成学生主动构建数学意义。课堂中，AI并不替代教师讲解，而进入到任务路径之中，承担信息支架。教师通过设计问题情境，让学生在与AI互动中生成理解，从而实现从“听讲”到“探究”的学习方式转变。

第二步是要成为技术使用的调节者。生成式人工智能的最大风险不是回答会有错误，而是替代学生思考。若放任学生自由使用，那他们极容易倾向于直接索取答案并停止思考。本研究中，教师通过规则约束技术使用——鼓励解释式提问和追问式提问，避免答案式提问——防止技术滥用。这种调控并非禁止技术，而是在学生最近发展区介入，促使学生在理解临界点获得支持，而非在思考核心环节被替代。

第三步是要成为认知反思的引导者。在传统数学课堂中，学习往往以答案正确作为评价核心。而在AI引导的学习方式中，理解过程、模型假设和改进能力成为更重要的指标。例如在本研究的第三阶段，教师不再强调计算是否准确，而是要引导学生分析公式为何成立、哪些条件缺失、现实情境如何反向修正模型等。这种反思能力的生成，不可能由AI直接提供，必须依赖教师对话、情境对比和价值引导。

参考文献

[1] 教育部. 关于加快推进教育数字化的意见EB/OL. 2022-02-09.

[2] 教育部办公厅. 教育数字化战略行动EB/OL. 2023-02-13.

[3] 李永梅,谭维智.从机器学习走向人机共学：以语言为桥梁[J].开放教育研究,2024,30(06): 4-12.DOI:10.13966/j.cnki.kfjyyj. 2024.06.001.

[4] 浦小松,曹培杰.技术能否赋能学生的数字素养？——一项大规模的中小学数字化学习状态调查[J].现代教育技术,2025,35(01):98-108.

附件列表：
与AI共学习：初中数学跨学科教学模式探索与实践(1).docx (24.545 KB)