概念
问题解决
本页是英文页面的机器翻译，尚未经母语者审校。
问题解决（problem solving） —— 表述、分析并解决新颖或复杂挑战的过程——是 AI 工具既放大又威胁的一项 21 世纪核心能力。在知识库的各篇文章中，生成式 AI 充任脚手架、对话伙伴与答案引擎，其教育价值取决于学习者是否仍是主要决策者，抑或把自己的推理外包给机器。这种效率与更深层认知及调节性投入之间的张力，界定了当前关于 AI 与问题解决的研究。
值得思考的问题
- 想一个你解决得好的真正难题。是什么使挣扎成为生产性的，如果有人直接把答案递给你，会失去什么？
- 本页描述了一种"认知债务"：把推理委托给 AI，以理解力为代价产出正确产品。你是否曾拿到正确答案却并未真正理解它？后来代价是什么？
- AI 工具帮助学生探索多种视角并生成自己的问题——但也能鼓励"元认知懒惰"。你如何区分 AI 是思考伙伴还是思考的替代品？
- 一项实验发现，反思性与混合式反馈在延迟的、无 AI 的迁移上胜过直接的 AI 反馈。为何让你做更多工作的反馈，会导致持续更久的学习？
- 教学生提出自己的问题（而非只解给定的问题）如何支持迁移与自学？何时生成一个问题比回答一个问题教会你更多？
- 如果把 AI 的错误当作质疑与核验的挑激，一个限制就变成了学习机会。你是否曾从 AI 的错误中学到比从它的正确答案更多？
引言
生成式 AI 为问题解决提供清晰支持。LLM工具帮助学生探索替代解法、纳入跨学科视角、模拟真实的真实世界情境——如临床与伦理困境或STEM中的原型测试——同时递送可规模化、及时的反馈，并把评估推向情境本位、能力本位的评价。在设计本位研究中，被定位为结构化协作任务内"智能学习伙伴"的 AI，产生了问题解决表现上的大量增益，学生日益用 AI 生成多种视角而非寻求单一答案。
然而同样的工具能侵蚀它们声称支持的技能本身。对人—AI 协作问题解决的研究显示一个惊人的权衡：取得最高任务表现的交互画像，也显示最低的自我调节，因为学生把推理委托给 AI，收获作者所称的"认知债务"——以理解的自我建构过程为代价获得正确产品。对协作学习的研究同样警告"元认知懒惰"，即外包认知努力损害独立分析与自我调节学习。
AI 教育研究中的问题解决
知识库的各篇文章通过不同但趋同的透镜处理问题解决。一项 PRISMA 系统综述发现，LLM 常产生不完整或不正确的回应，促使学生质疑、核验并改进信息——把模型缺陷变成强化批判性思维与心智独立的验证—纠正循环。其他工作不把问题当作给定，而是把问题提出置于前台：训练学生生成自己的物理问题支持迁移与自学，且生成式 AI 聊天机器人改进了小学生在探究本位学习中的问题提出质量并降低认知负荷。
脚手架与评估也是核心。自适应 AI 脚手架从个体学生的过程模式经序列挖掘推导而来，在协作性数学问题解决中提升任务表现——尽管最大化的脚手架也增加了脚本化行为。在测量侧，LLM 能镜像人类评分者，检测大物理课程中计算思维的增长，而计算思维被提出为使教育机器人培养真实问题解决而非孤立技术练习的显性概念胶。
AI 如何既帮助又阻碍
AI 对问题解决的双重性格在各研究中一致。在帮助侧，聊天机器人在问题提出上优于搜索引擎，改进问题质量并整合认知网络；自适应脚手架改进表现；协作式 AI 设计在保持学生为主要决策者的同时提高批判性思维与问题解决分数。在阻碍侧，过度委托减少调节性投入，无反思的直接反馈鼓励被动接纳，对用 AI 建立共识的重度依赖威胁人际技能发展与内在动机。值得注意的是，一项多站点随机实验发现，反思性与混合式反馈设计在延迟的、无 AI 的迁移上胜过直接AI 反馈——证据表明 AI 的教育价值更少取决于获取，而更多取决于在修改期间保存学生能动性、评估性判断与所有权。从文献浮现的设计原则包括优先对话性张力而非无缝效率、使能主动的共同调节、以及保持元认知脚手架与"心智在回路"的监督。
意涵
对教育者，证据的平衡指向结构化的、过程导向的整合：提示工程训练使学生从无焦点转向生产性的AI 交互，把 AI 嵌入协作探究任务产生持久的增益，刻意把 AI 错误当作挑激则把限制转化为学习机会。对设计者，"效率不等于深层学习"的一致发现论证 AI 应质疑、挑战与脚手架，而非作答。对机构，负责任的整合要求把生成式 AI与显性的AI 素养训练，以及奖励推理与论证而非正确产品的评估量规配对。贯穿以认知心理学为基础的工作的反复主题是：问题解决通过努力性投入习得——而 AI 的角色应是保存那种努力，而非抹除它。
与其他概念的关联
问题解决是批判性思维与计算思维的应用结果，经问题本位学习与探究本位学习框架培养。它依赖维持认知要求的脚手架、避免认知卸载所需的自我调节与元认知监督，以及人—AI 协同工作的协作结构。认知心理学与迁移学习文献为学习者生成的问题与反思性反馈为何产生更持久的问题解决增益提供理论基础。习得此类技能时范例与练习的平衡本身是内容依赖的：Rachatasumrit、Koedinger 与 Carvalho（2025）表明，可泛化的问题解决技能最好通过范例整合练习（范例与问题交替）习得，因为范例提供习得并泛化一条正确规则所需的归纳信息，而纯粹的练习有强化虚假相关特征而非一般程序之虞。
用 LLM 智能体模拟协作问题解决
- **用参与者特定的大语言模型（LLM）智能体模拟协作问题解决。**Fang（2026）在真实参与者的对话上训练个体 LLM 智能体以再现协作问题解决，并用认识网络分析验证模拟，显示模拟与真实对话统计不可区分（ENA 距离 0.17；置换 p = 0.65）。这提供了一条可规模化研究并生成真实协作问题解决话语的方式——对研究与这项 21 世纪技能的实践环境设计都有意涵。
自动化 CPS 技能编码
- 测量协作问题解决（CPS）能力通常要求把模拟任务过程数据中的行为编码为特定的 CPS 技能。对预训练语言模型的情境感知提示可以自动化这一编码，建模情境依赖并融合认知与社会能力，在 CPS 任务数据集上达到优于强基线的性能——应对手工编码的劳动强度，并使大规模、实时评估成为可能。
关联概念
关联文章
- Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — 交互画像（委托推理对协同解释）与效率—调节权衡
- Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — 把生成式 AI 定位为智能学习伙伴的 DBR 模型
- Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — 对 LLM 促进批判性思维、团队合作与问题解决的 PRISMA 综述
- Towards an adaptive AI scaffold for developing student collaborative problem solving — 面向协作问题解决的序列挖掘自适应脚手架
- Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing — 问题提出作为生成式 AI 的一种自我调节学习策略
- Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — 反思性/混合式反馈在延迟迁移上胜过直接 AI
- Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — 聊天机器人改进小学生在探究本位学习中的问题提出
- Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — LLM 作为物理中计算问题解决的可规模化评估者
- Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — 面向小学数学的 LLM 辅导系统中规则引导对临时脚手架（Looi 等人 2026）
- Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content