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

问题导向学习

创建 2026-08-20 · 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。

问题导向学习（PBL）——一种以学习者为中心的教学法：学生通过努力理解并解决一个真实、往往结构不良的问题来获得知识与技能，由一名引导者指引探究而非直接传授。在 AI 时代，PBL 的结构特征——问题驱动的探究、协作式知识建构、以引导取代讲授，以及元认知反思——恰好成为生成式 AI的整合在教育上富有生产性、而非替代性的那些条件。

值得思考的问题

  • 在问题导向学习中，问题是课程的驱动力——而不是在别处讲授的内容的例证。你能回忆起某次因为先解决了一个真实的问题，而深刻学会了某件事的经历吗？
  • 本页主张，PBL 的特征（问题驱动的探究、协作、引导、反思）恰恰是 AI 成为有生产性的伙伴而非捷径的条件。为什么会这样？
  • AI 切断了提交的作业与产生它的努力之间的联系——即"作业作为代理"问题。评价过程而不只是产品有何帮助，又是什么让过程评估难以评价？
  • PBL 起源于医学教育，部分原因在于专业能力需要适应性判断，而非例行执行。两者之间的差别是什么，AI 又如何改变我们训练的是哪一种？
  • 如果 AI 现在能让更多学生触及"棘手问题"和复杂的真实案例，那么当挑战变得更容易获得时，可能会失去什么？
  • PBL 情境中的 AI 应当在给出问题、给出提示、给出答案之间的界线上划在哪里？是什么决定了在任何一个时刻哪一步是正确的动作？

引言

PBL 起源于医学教育（McMaster University，20 世纪 60 年代），此后扩展到健康专业、工程和K-12。学习者承担起诊断学习需求、识别资源和建构解决方案的责任，而引导者为这个过程提供支架。PBL 的独特主张是：问题是课程的驱动者——不是在别处讲授的内容的例证，而是内容得以学习的语境。

AI 时代的 PBL

知识库的研究表明，PBL 已成为思考有生产性的 AI 整合的一个焦点。

  • PBL 的结构条件使 AI 整合富有生产性。Rowe（2026）主张，PBL 的核心特征——问题驱动的探究、协作建构、引导、元认知反思——恰恰是 AI 在专业发展中作为伙伴、而非绕过它的捷径的那些条件。这种契合是结构性的，而非事后附会：PBL 是在 AI 出现之前就围绕这些条件设计的，其根基在于认识到专业能力要求适应性判断而非例行执行。
  • AI 提高了问题复杂度的上限。 同一论证还认为，AI 扩展了 PBL 所能涉及的问题类别，使"棘手问题"和复杂的真实案例对以前无法触及它们的学生也可获得。
  • 作业作为代理的问题。 AI 切断了提交的作业与产生它的投入之间的联系——PBL 恰恰有充分条件应对这个问题，因为它评价的是过程和所展现的理解，而不只是产品。这把 PBL 连接到真实性和过程性评价，以及知识库的过度依赖文献。

把 GenAI 支持的 PBL 与项目导向学习合并考察的三层级元分析，把产品与解题表现单独放在一个模型中，正是因为它测量的是人机协作产出、而非内化的学习，而这个估计正是审阅者报告的最大值（g = 1.958），却只建立在六项研究之上，并带有跨越零的近似 95% 预测区间 [−0.740, 4.656]——即上面那条"作业作为代理"告诫的定量形式（Chen 等人 2026）。

  • ChatGPT 作为适应性支架。La Sunra 等人（2026）展示了整合进一个 AI 增强 PBL 框架中作为适应性支架的 ChatGPT，如何提升 K-12（120 名八年级学生）中的批判性思维和个性化学习。这把 AI 当作 PBL 内部的支持，而非答题机器。

  • 注入争议的智能体可以对抗群体思维。 一个生成式 AI 智能体在跨专业 PBL 环节的三个固定时点发声，引入争议性视角；学生报告说，反驳它给了他们一个社会可接受的开口方式，而分歧本身即便在他们拒绝智能体回应时也激发了反思（Wiss 等人（2025））。

  • 来自师范生培养的准实验证据。Chen 和 Osman（2026）把一个为期八周的 AI 支持 CTD-PBL 模块与传统教学进行对比，对象为 130 名三年制师范物理教师（每组 65 人），DeepSeek 通过任务特定的提示模板用作有边界的支架——生成教学设想、组织资源、比较讲解、同伴反馈提示与修订规划——并且每一项 AI 输出都必须在进入教学人工物之前，通过内容准确性、教学适当性、可行性和伦理的核验。模块组报告出更高的后测TPACK（M = 4.04 vs. 3.40, d = 1.02）和更高的感知到的协作式问题解决（M = 3.62 vs. 3.05, d = 0.88），而最大的交互效应落在共享知识建构和社会调节上——正是上面结构论证所预测的、AI 应当强化而非绕开的那些协作过程维度。作者明确指出，AI 并未被分离为自变量：这种差异性变化附属于整个条件——问题导向的任务、结构化协作、教师支架、同伴反馈和反思性修订——而两项结果都是自报的感知，而非观察到的实践。

  • 负责任使用框架。Uden & Hwang（2026）推进了受神经科学启发的 LEARN 框架（终身学习、投入、主动加工、反思、神经科学设计），用以在 PBL 内部对生成式 AI 的使用进行伦理锚定，对抗认知卸载和诚信侵蚀。

  • 领域实现。生物医学工程的 PBL 框架用 GenAI 做摘要和编程支持，并附带可复现包（Nnamdi 等人 2026）；AI 支持的 PBL 在机器人教育中增强计算思维（面向计算思维的 AI 支持 PBL）；而支持生成式 AI 的虚拟病人用于病史采集教学（Mool 等人 2026）。

  • 证据综合。Amdan 等人（2026）在人机交互框架下，系统综述了 50 项（2015–2024）关于教育者在 PBL 中与 AI 交互的研究。

  • 情境式 PBL 中的 GenAI。Neto 及其同事（2026）在他们对医疗教育中 GenAI 的系统综述里，把问题导向学习列入情境式方法，发现提示设计起着教学规范的作用，且混合式人机协作优于完全自动化的方法。该综述强调，生成内容与教学框架之间需要更强的对齐，以及 PBL 情境中更可复现的提示实践。

  • AI 可以承担导师的知识传授，但承担不了小组学习的社会调节。 在一项为期四周的药理学准实验中，Shetty 与 Rao（2026）发现，AI 中介的 PBL 与引导者主导的学业增益相当（组间 p = 0.474），而引导者主导的小组在小组动力（26.51 对 24.74，p = 0.035）和批判性思维（14.75 对 13.09，p < 0.001）上保留了优势。

PBL 与相关教学法的关系

PBL 与项目导向学习密切相关——两者都以学习者为中心、由问题/情境驱动——但 PBL 围绕一个结构不良的问题，其解决需要探究与知识建构；而项目导向学习围绕产出一个有形的成果或项目。PBL 还与案例式和探究式学习同源，后者共享问题驱动、引导主导的结构。在知识库的映射中，支持有生产性的 AI 整合的结构性论证，适用于任何共享这些特征的教学法，而不只是 PBL。

PBL 为何对 AI 整合重要

因为 PBL 把过程、协作和所展现的理解置于成果产出之前，它天然是负责任的 AI 使用的栖息地：学生与 AI 作为伙伴一起学习，而不是从 AI 作为替代品那里获取。引导者的角色和问题的设计，成为决定 AI 是支持学习还是取代学习的杠杆——这正是贯穿知识库反复出现的那些人类监督与评价设计关切。

生产性失败与 PBL

生产性失败（PF）与 PBL 共享建构主义核心——学习者先接触问题再接受讲授——但结构不同：PF 刻意延后讲授和支架，直到学习者在努力生成解决方案之后；而 PBL 把引导嵌入全程。AI 时代的 PF 文献直接启发 AI 在问题导向情境中应有的行为：Kim 等人（2026）表明，AI 应在 PF 各阶段以非指导性支持保全生产性挣扎；Puech 等人（2025）证明大语言模型（LLM）导师可以被引导去保留答案、并引出多种解法尝试；而ProductiveMath用 AI 协助设计高质量的 PF/PBL 式问题。那个设计问题——AI 何时该给出问题、提示或答案——是两种教学法共有的。

关联概念

关联文章

元数据

学科Medical Education, Engineering Education
层次Higher Ed
学习与教学主动学习, 协作学习, 脚手架
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。