AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

探究式学习

创建 2026-08-22 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

探究式学习（Inquiry-based learning，IBL）——一种以学习者为中心的教学法，学生通过提出问题、独立探索，并在探究、反思与修订的循环中建构理解，教师则搭建脚手架而非讲授。在 AI 时代，IBL 由问题驱动、以探索为中心的结构成了一个焦点：生成式 AI与大语言模型工具可以充当支持提问与探究的交互式"共同探究者"——但只有在被设计成保全而非绕过探究的认知工作时才行。

值得思考的问题

  • 探究式学习以学生驱动的问题和探究过程本身为中心。由你自己的问题驱动的学习，与由别人的问题驱动的学习有何不同？
  • 本页追问 AI 是充当支持你探究的"共同探究者"，还是充当绕过认知工作的替代品。当你用 AI 探索一个问题时，探究的人是谁？
  • AI 支持的探究证据是混合的：一项研究显示它改善了创造性与态度，但没改善批判性问题解决，另一项显示它深化了概念理解却没有提升AI 素养。这说明单靠 AI 能发展什么、又不能发展什么？
  • 如果把 AI 输出当作权威会带来过度依赖与肤浅结论，你会如何教学生把对 AI 生成答案的评价纳入探究循环？
  • 本页把探究与生产性失败相连——学习者在指导之前先探索，于是挣扎本身为学习做准备。一个保留答案并诱发多次尝试的 AI，如何能支持那段挣扎而非消除它？
  • 当 AI 降低了提问的摩擦时，促进者的角色是什么？如果学生能即时得到答案，教师现在需要搭建的、与从前不同的脚手架是什么？

引言

探究式学习以学生驱动的问题和探究过程本身为中心，通常经历若干阶段（定向 → 概念化 → 调查 → 讨论 → 结论）。它是一个更宽的家族，问题式学习与项目式学习常常嵌套于其中：IBL 强调提问与发现的过程，问题式学习强调结构不良的问题，项目式学习强调有形的作品。

探究式学习在知识库中的呈现

AI 作为共同探究者。 一项关于 ChatGPT 在 STEAM 探究式学习中应用的系统综述（The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education，24 项研究）发现，ChatGPT 主要用于概念化、调查与讨论阶段——作为学习工具、辅导者、学习同伴、领域专家与教学助手——改善了表现、批判性思维、投入与动机，同时在输出被当作权威时带来过度依赖、幻觉与肤浅结论的风险。

提出问题作为起点。 一项有 97 名三年级学生参与的准实验（Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science）显示，生成式 AI聊天机器人在科学问题提出上显著优于搜索引擎，提升了问题质量，并产生了整合度更高的认识论网络，同时降低了认知负荷。

大语言模型驱动的 IBL 中的认知层级模式。 一项对 117 份访谈记录与互动记录的探索性研究（Luo 等）识别出横跨 Bloom 认知层级的 14 种互动模式，显示学生的先备知识如何塑造大语言模型的使用，并凸显了把脚手架对准更高阶思维阶段、缓解过度依赖的必要性。

结果证据是混合的。 一项在数学中的 AI 支持的 IBL 实验（Mujib 等）改善了创造性数学表现与态度，但没有改善批判性问题解决技能——这表明 AI-IBL 主要支持创造性与情感性发展。一项对 29 项实验的元分析（Zhao 等）发现生成式 AI 对高阶思维有中等程度的正向效应，在问题解决上最强，8–16 周的干预与较高自我调节水平的学习者受益最多。一项有土耳其 48 名职前科学教师参与的准实验（Aydın）使用一个为期八周、AI 支持的引导式探究项目（整合问题式与设计式学习），在光合作用与细胞呼吸的概念理解上发现了显著的组×时间增益，但对 AI 素养或自我感知的计算思维没有显著效应——这是 AI-IBL 能深化领域理解、而 AI／计算思维能力的发展需要更明确、更针对性设计的证据。

Gousopoulos（2026）在一项三组气候研究中把 AI 的贡献从探究本身中分离出来：AI 辅助的探究在决策上超过仅有探究的同组（d = 0.69），在监测与自适应管理上增益最大（d = 1.37），而基础数据收集在所有条件上同等改善。

公平与情境。 一个概念框架把生成式 AI 的共同设计与开放教育实践桥接起来，以在资源不足的情境中支持探究引领的 STEM 教学，使用 AI 生成的、多语言的、情境上相关的模拟。

AI 搭建脚手架的证据比较。 An 及同事（2026）展示了一个 AI 驱动的信息抽取系统如何把本科生的文献综述从摘要转向证据组织与比较——学生从孤立阅读转向跨研究比较与基于证据的论证，以支持研究型学习与论文完成。这具体说明了AI如何在STEM本科研究中为探究过程搭建脚手架。

为何探究式学习对 AI 整合重要

IBL 由问题驱动、聚焦过程的结构，是富有成效的 AI 使用的天然归宿：学生与 AI 一同学习，把它当作伙伴，而非从它学习，把它当作替代品。本知识库的证据汇聚到一个核心张力上——AI 能降低信息检索与问题形成的摩擦（减少认知负荷并促成更深的反思），但没有设计脚手架，它就有过度依赖与绕过高阶认知的风险。促进者的角色、脚手架的设计、以及评价技能的显性教学，是决定 AI 深化还是排挤探究的杠杆。

生产性失败与探究

生产性失败（PF）是探究式学习结构最完整的近亲：学习者在直接指导之前探索问题并生成解法，然后巩固。两者共享同一前提——学习者生成的尝试（即便是失败的）激活先备知识并让学习者为从指导中学习做好准备。AI 时代的 PF研究厘清了 AI 应当如何为探究搭建脚手架而不短路它：Kim 等（2026）推导出通过问题探索与解法生成保全挣扎的 AI 设计原则；Puech 等（2025）显示大语言模型辅导系统可以被引导去保留答案并诱发多次尝试；线索先于纠正的任务示范了让学习者持续进行推理的基于线索（而非直接）的脚手架。这些把探究与 PF 连到一条更宽的律令上：AI 不得消除持久学习赖以形成的生产性挣扎。

在户外田野情境中，同一律令变成空间性的：生成式 AI 可以在学习者遇到证据之前预先建构他们注意到什么，于是一个把生成式解释保留到观察与初始解释被记录之后的"田野优先"序列，就保护了探究（Choi, 2026）。

关联概念

关联文章

元数据

学科Stem Education
学习与教学主动学习, 探究式学习, 元认知, 问题导向学习, 脚手架, 自我调节学习
技术与方法生成式人工智能
教育中的人工智能基础批判性思维
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。