中学生自学场景中的AI动态规划系统建设路径与实践

图1　学生访谈及问卷调研情况^[3]沈龙、^[4]张静、^[5]杨建新等研究者在对中学生各学科的自主学习现状调查研究中均提到中学生自学时间较长，但学习效率较低，部分学生存在学习计划性薄弱的问题，且单次专注时长较短，难以进入深度学习状态，进而影响知识的连贯性。　　（二）学习效果两极分化　　1987年，^[6]Biggs在《Student Approaches to Learning and Studying》一文中提到，多数学困生只会重复记忆，缺乏元认知策略、目标功利化，只有少数的学生擅长反思调整。这与我们近期调研情况类似，中学生面临不会学习，不爱学习的学习困境，缺乏正确的学习方法，从而导致中学生自学效果呈现显著分层。　　2024年全国10省市中学生学业质量监测（N=15,236）结果显示：学优生（前30%）与学困生（后30%）标准化测试分差经T检验显著（t=12.37,p＜0.001,d=1.84），说明部分地区中学生自主学习效果存在两极分化现象。　　（三）工具反馈机制缺位^[7]《Digital Education Outlook 2023》文中指出：“全球仅31%的AI学习工具能提供认知层级的深度反馈，传统教辅的静态答案导致‘反馈缺失率’达100%。”　　　表1是根据市场调研及一线师生反馈信息，现有技术伴学工具的使用率及局限性：表1　伴学工具调研数据

　　（四）认知心理双重压力^[8]杨桐在自己的研究报告中提到，个别高中教师为了提高教学效率、保证教学效果，采用较为激进的教学方法，灌输式的教学压抑了中学生的自主性发挥，降低了中学生自主参与学习的兴趣，这样的教学方式给部分中学生形成学习压力。除此之外，受学业水平与自学能力等多因素影响，学优生、学困生均面临不同的自主学习问题。例如：心理层面的焦虑源头，错题无人及时解答；认知层面的知识断点，无法快速精准定位薄弱环节。在有限的自学时间内，很难达成高效提升学业水平的目的。

　　（二）教学实践基础　　研究团队由经验丰富的一线教师和AI技术专家组成。教师团队隶属北京市特级教师重点课题组，长期深耕于教育教学实践探索，关注学生主体性，发展学生思维能力，形成“思问课堂”教学思想。在“思问课堂”教学实践中，学习不是被动接收信息，而是主动思考、持续提问、不断探究的过程。“思问”是启动、维持和深化学习的核心引擎，是贯穿整个学习过程的核心驱动力和主线。本研究技术开发团队（睿辅AI）基于“思问课堂”的理论实践，改造传统课堂教学模式，技术赋能以“思问”循环为主导的课堂教学新模式（如图2所示）。

图2　理论-实践-技术三驱动下的教学环节设计构思　　经过多轮技术论证与教学实践的探索，形成新型闭环学习路径，即测-讲-学-练-思-问-评7个环节的全过程的AI辅学方案。
　　•“测”的数据，学生“握手”AI，初思初问，启动“讲学练”的核心学习进程；　　•将“讲学练”的过程不断触发“再思再问”和“深思深问”的场景将学习内容极度内化；　　•“思”关联“测”的薄弱点，针对谁思维辅导，延伸思考；　　•“问”反哺“讲学练”内容，使学习课程不断动态迭代；　　•“评”应全面覆盖知识掌握度与“思问”过程的质量，指导进入下一循环。　　（三）技术路径探索　　AI智学系统架构的设计理念是构建一位具备智能大脑、敏锐感觉器官和灵活行动器官的数字化教师，使其能够像真人教师一样感知学习场景、进行复杂认知并实施教学干预。为实现对自主学习全流程的智能化支持，系统采用了一种仿生化的集成架构，由三大核心组件有机协同构成（如图3所示），构建九大AI智学系统（如表3所示），形成全过程，全流程辅学方案。

图3　AI智学系统基本架构表3　九大AI智学系统功能模块解析

　　1.感觉器官：多模态输入与识别系统　　感觉系统与真实学习世界交互的接口。其核心任务是精准、无感地捕获学生的学习过程数据。它不仅支持纸、笔、屏三端无缝互联，实时同步还原学生自然书写习惯，更关键的是具备全学科专项识别能力，能准确理解数学公式、函数图像、物理示意图、化学分子式等复杂内容的语义，实现“看得懂、听得明”，为智能大脑提供高质量的感知数据。　　2.智能大脑：核心认知与决策中枢　　智能大脑是系统的智能核心，负责处理信息、进行推理并做出教学决策。它并非单一模型，而是一个复合的三层模型底座，构建了从通用智力到学科知识再到学习行为的递进式认知能力。AI工具链集成了教育强化学习框架、错题基因重组系统等专用工具，为教学策略优化提供算法支持；智能推理引擎通过结构化探索和可验证的推理步骤，实现解题思路的透明化和逻辑化，确保AI的思考过程可信、可循。　　3.行动器官：多模态输出与交互系统　　行动系统为施加教学干预的末端。它将智能大脑的决策转化为对学生而言清晰、易懂、有吸引力的反馈。其能力包括图文优雅排版、全学科复杂公式与动态图表渲染、3D实验模拟以及讲案智能合成等，旨在通过多模态方式将知识生动地呈现给学生，完成高效、生动的教学闭环。

　　核心运行机制始于动态诊断（测），据此进行个性化规划与执行（讲-学-练），在此过程中深度嵌入元认知层面的内化与反思（思-问），最终通过综合性评估（评）实现闭环的优化与进化（如图4所示）。

图4　智能学习系统各环节运行机制　　（二）智能学习环节片段案例展示　　案例1：课前-课中-课后测试数据分析报告实时监控学习动态，可视化学习效果，拒绝盲目刷题（如图5所示）。

图5　同一学生不同阶段测试报告　　杨同学在学习基本不等式时不同阶段的测评表现：学前基本知识的测评——课堂学习自主练习题目测评——课后提升测评。杨同学自主学习进步历程实际上是每一个环节动态检测、动态课程规划、动态学习的过程。AI智能学情评价系统在每一个阶段的学情实时评价，让学生进步有迹可循，学习动力提升。针对不同阶段的学情报告，AI课程规划系统基于数据进行个性化课程内容安排，一人一策生成讲案，实现真正的因材施教。　　案例2： 多学科知识框图，知识分析拆解图，动态指令图助力学生思维成长，破解浅层学习，促进深入思考（如图6所示）。

图6　多学科公式符号、知识框图　　智能语义理解，全学科复杂符号和公式、解题分析，知识点框图分级整理，引导学生建立知识体系。无论是数理复杂的公式与图像，还是具体解题过程中的分析框图，亦或是知识点的章节梳理图，AI智学系统中的伴学教师（简称小睿老师）强大的理解能力，以及精准的输出能力都令人惊叹。　　对话小睿老师，还可实时生成各种多模态动态交互内容（如图7所示），比如3D模型、交互程序等。小睿老师通过语义理解——编写代码——自主运行——智能能动态指令图，快速将抽象知识具像化。对抽象的数理内容进行具象的转化，辅助学生理解，大大提高自主学习的效率。

图7　智能动态指令图　　案例3：24小时陪伴答疑互动，感受教育温度，破解认知焦虑（如图8所示）。

图8　小睿老师的温暖伴学　　小睿老师不是一台冷冰冰的机器，而是具有情感可以互动的温暖伙伴。它可以鼓励学生、表扬学生，激发学生求知欲，也会严谨的指出学生的学习弱点，提出可行化建议。　　案例4：多模态学习互动、数据收集，多维度解析评价，学习过程自然流畅，学习体验感升级，提升学习乐趣（如图9所示）。

图9　多模态输入方式　　选择答题卡，智能手写板，纸笔屏三端互联，多种输入方式按需求使用，便捷快速，既提升学习效率，又增强学习体验。

图10　学生后台监测学习数据对比分析　　（二）学困生浅层学习循环的破除　　系统通过“AI阅评”和“精细讲评”双引擎破除浅层学习。错因深度分析：54.35%的学生表示“AI阅评让我很快掌握正确的解题思路”；65.22%的学生认为“AI针对我的答案进行分析的行为很懂我”。思维拓展引导：50%的学生认为“AI精细讲评能帮助迅速掌握题目且能举一反三”，58.70%的学生认为“AI练习环节大大提升了学习思维”。个性化支持覆盖：学生明确表示“老师无法一对一辅导时，AI老师随时解惑”，使得学生获得传统教学难以企及的随时支持（如图11所示）。

图11　学生课后不记名调查数据反馈　　（三）认知焦虑的阶梯式缓解　　针对引发学生焦虑的诱因“求助无门”问题解决率高达92%，错题随时解答；学生如对自己掌握知识情况认识不清，则以学习雷达图报告，并伴随学习进程进行实时更新。及时答疑与动态评价大大缓解了中学生的自主学习压力。　　从图10-11的数据分析可知，系统设计的三层解压机制成效明显，学生认可率很高（如表5所示）：表5　三层解压机制成效分析