AI赋能问题驱动式学习：从问题链设计到课堂落地的完整实践指南

问题驱动式学习喊了那么多年，AI才是真正把它落地的那只手

做了这么多年教学设计和课程开发，我一直对“问题驱动式学习（PBL）”又爱又怕。爱的是它理念确实好——知识不该是灌输的，应该从真实问题出发，让学生自己钻进去找答案；怕的是落地时谁也躲不开那几座大山：问题设计费脑子、课堂支架铺不牢、过程反馈跟不上、最后评价只能靠感觉。每次培训完，老师们都点头，回去一备课又打回原形。

直到近一年，我把AI工具系统性接入备课、授课、评课全流程，才意识到这不是又换一个教学法那么简单，而是真正第一次让“问题驱动”这件事有了可以被规模化复制、快速迭代的操作空间。这篇不聊虚的，把我实际跑过十几轮的做法、翻过的车、调过的提示词全部摊开讲。适合所有一线教师、教研员、培训机构课程设计者，以及做教育产品的朋友。

1.1 先认清一个事实：一个“好问题”到底贵在哪

很多老师以为问题驱动式学习难在“上课环节”，其实真正的痛点在第一公里——问题本身。前几年我带教研组做课程改革，要求每节课以一个大问题开场。结果一周后收到的“问题”全是这样的：

• “什么是光合作用？”（这是知识点提问，不是驱动问题）
• “水污染有哪些危害？”（这是教科书目录，连问题都算不上）
• “请同学们讨论一下”××章的重点内容”。

像这种伪问题，学生一听就知道老师还是在变着法讲知识点，讨论自然是应付了事。真正好的驱动问题，需要同时满足：情境真实、认知冲突、路径开放、可评价。这四个条件光是前两个，就足以把一位教师一周的备课时间吃干榨净——要懂学科，要懂孩子，还要懂生活，还要把真实情境和课程目标仔细缝合起来。

而这一步，恰恰是AI最擅长的。它不是替代你去想问题，而是把“从无到有”变成“从有到优”。它给你一百个候选，你只需要从中挑三个、改两个。效率完全不是一个量级。

1.2 传统PBL的三个薄弱环节，AI正好补位

除了问题设计，传统PBL还有三个环节几乎是无解的，我管它们叫“三堵墙”。

第一堵墙是“支架搭建”。学生在开放式问题中很容易迷失方向，需要教师在讨论中随时提供脚手架——但一位老师面对四十多名学生、七八个小组，根本不可能同时给每个组搭架子。

第二堵墙是“过程反馈”。PBL的教学目标不是知识本身，而是思维方式。可思维方式发生在讨论过程中，老师很难记录每一组学生的思考轨迹。原来只能靠巡堂时的耳听八方，听完了也留不下数据。

第三堵墙是“评价体系”。期末考一张卷子，考得出结论代表不了过程，更代表不了问题意识、信息检索能力和协作能力。可如果不考卷子，又拿什么给家长和学校交代？

我把这些痛点在教研会上列出来之后，一位同事开玩笑说：这不就是缺个“随叫随到的教学助手”吗。我当时没回答，但回去之后越想越觉得，这恰恰就是AI进入课堂最该扮演的角色。它不是把知识讲得更清楚的技术，而是把学习过程中那些“需要个性化但做不到”的部分补上的一套基础设施。

2. 与其设计一个“孤立的问题”，不如让AI帮你搭一条“问题链”

问题驱动式学习最容易犯的一个错误，是以为一节课只要有一个漂亮的开场问题就万事大吉。实际上真正起作用的是一连串的问题——从情境引入，到概念冲突，到策略抉择，再到迁移应用，每个阶段学生需要的问题类型完全不同。这一串问题之间还必须保持逻辑链条，否则学生上一秒还在讨论“要不要装光伏”，下一秒就被你拽回“欧姆定律”，思维断裂得一塌糊涂。

2.1 一条完整问题链的四个“链节”

我在实践中把一条可用的教学问题链拆成四段，每段对应学生认知推进的不同阶段。

• 情境锚定型问题：负责建立“为什么值得想”，要真实、具体、有画面感。比如“某老小区的楼道灯彻夜常亮，该不该改成感应式？”这个问题的外壳是一个小区事务，内核是电路、电能、传感器。
• 概念冲突型问题：负责制造“原来没这么简单”的认知别扭。比如在刚才的情境下追问：“感应灯省了电，但生产感应器的能源消耗，是否已经超过了它省下的电？”学生会发现朴素的“省电”判断不够用了，必须回到能量转化和全生命周期评估上来。
• 策略决策型问题：负责逼着学生用知识做取舍。比如“如果你是物业经理，预算只够改造三分之一的路灯，你会选哪些位置先改？”这已经不是判断题，而是论证题。
• 迁移印证型问题：负责把方法带走。比如“请你用刚才的评价思路，分析你家里最耗电的三个电器，并排序给出改造建议。”这一步的目的是让知识从课堂情境下沉到生活。

把一条链条完整设计出来，对老师的要求其实很高。绝大多数一线老师没有这个时间，更缺乏足够宽阔的素材库。但我用AI反复尝试之后发现，只要你把链条的“骨架”描述清楚，AI完全能在一个小时内给你生成三版结构完整的问题链，每一版还自带不同难度等级。

2.2 一份可以直接复制的问题链生成提示词

很多人用AI生成教学设计，第一步就错了——上去就是“给我想个好问题”。这就像把一张白纸递给设计师让他“画个好看的东西”，画出来的东西当然没法用。我的做法是先给AI“搭框架”，示范一段我再修改一版后供你直接用：

你是一位有15年教学经验的课程设计师，擅长问题驱动式教学法。 请基于以下要求，设计一条完整的教学问题链： 学科及知识点：初中物理·电路与能量转化 核心素养目标：能够在真实情境中识别能量转化路径，具备用数据论证方案优劣的意识 学生水平：初二年级，没有接触过感应电路，但对电能计费有日常感知 教学时长：45分钟 请按以下四段结构输出： 1. 情境锚定型问题（导入，贴近生活） 2. 概念冲突型问题（激发认知矛盾） 3. 策略决策型问题（压缩选择空间，迫使学生用知识论证） 4. 迁移印证型问题（带出课堂，走向应用） 每类问题请给出两个候选，并标注设计意图。最后用一句话说明这条链的核心思维主线。

这段提示词里最关键的不是“请设计”，而是你替AI做好了三件事：给了角色边界（课程设计师）、给了约束条件（学段与目标）、给了输出结构（四个环节加两个候选）。AI生成的能力上限取决于提示词的信息宽度，你描述得越细，它产出越可用。

2.3 拿到初稿之后，这三步人工打磨不能省

AI生成的问题链再好，也只是“初稿”，直接拿进课堂之前，我会花十五分钟做三重检查。

第一层查学科硬伤。AI有时会把“光的折射”写成“光的反射”，把“功”的单位写成“牛·米/秒”。这种错误很隐蔽，因为它藏在一大段漂亮的阐释里。我的对策是：每个问题中的核心概念都单独抽出来和课本目录核对一遍，这个动作绝不能省。

第二层查认知匹配度。很多AI生成的问题会把情境做得过于宏大（比如“请为某城市设计碳中和路径”），但我的学生连“碳达峰”是什么都没听过。修改原则是把宏大的情境降维到学生身边半径两公里内发生的事情上。

第三层查开放性。AI在生成问题时倾向“标准答案”，导致问题链又变回练习题串。我会故意把自己代入学生视角，试着找出三四种不同解法。如果找不到，说明这个问题太封闭，需要改得更开放。

3. 课堂进行时：让AI当“思考弹簧”，别当“答案自动售货机”

问题链准备好，课堂堂上最考验老师的其实是“会不会忍住不答”。传统课堂上，老师一看到学生卡壳，下意识就会把答案递过去——因为课时有限，因为怕冷场。但在问题驱动式学习里，这种“好心”是破坏性的：学生的思考在即将突破的临界点戛然而止，长此以往他们会学会“假装卡壳”等答案。

AI在场能改变这个局面。但是用不好，它会从辅助工具变成灾难——我见过有学生拿AI直接搜索标准答案，三分钟解决一场本该持续二十分钟的讨论。

3.1 把AI训练成“苏格拉底式追问者”，而不是答题搜索引擎

我比较推荐的方式，是在课堂讨论环节，给每个小组设定一个“AI题库角色”，它只提问不回答。对应的提示词我调了六七版，最后固定成下面这种：

你是一位只提出思考问题的苏格拉底式追问者。你不能直接回答用户的问题，也不能给出结论。 规则： 1. 用户每次提出问题，你先判断对方当前处在什么思考阶段（资料收集、观点形成、论证冲突、结论收敛）。 2. 每个阶段你只能问下一个小一步的问题，帮用户往前推一点点，不可跳跃阶段。 3. 你每次最多问一个问题，问题要短，不超过30个字。 4. 如果用户已经连续问了三次，你要提醒他：连续依赖提问会限制思考，建议先说出他自己的部分想法。 5. 用词保持中性，不夸奖，不评判。 现在开始，等待用户提出第一个问题。

这个设定和普通聊天框的最大区别，是你给AI写了“规则4”。这一条是我踩了坑才加进去的——不加它，学生会非常自然地陷入“我问一句，AI问一句，我再问一句”的无限循环，讨论流畅得像刷短视频，却没有任何思维增量。让它偶尔提醒用户“你需要自己先说”，才能真正把主动权拉回学生手里。

3.2 用AI做全流程语音转写与思维缺口识别

问题驱动式课堂的另一大难题是过程数据太碎。学生讨论时说的那些话，里面的假设、推理、误判，散落一地。

我的做法是：每节课请一位学生担任“记录员”，用手机录音并同步转写，课后把转写文档丢给AI做分析。我自己常用的分析提示词如下：

以下是一段四人小组关于“老旧小区路灯改造”的讨论录音转写稿，请完成三件事： 1. 识别组内每位发言者（用甲、乙、丙、丁代称）的主要观点和推理路径； 2. 找出讨论中出现的知识误区（教学知识点相关）； 3. 用一段话描述本组讨论的推进过程，标注哪些时刻出现“真正的思维转折”（即某人的发言导致其他人改变看法），哪些时刻只是表面上互相附和。 输出格式为：分条列出，每条对应录音稿中原文片段。

这个功能的价值在于，它让“过程性评价”第一次变得可操作。以前我只能凭巡堂直觉评价某个小组“讨论得还行”，现在我能清楚地看到：某组花了五分钟在争论路灯亮度等级，但始终没有人提出“感应器本身的制造能耗”这个关键变量——这恰恰是我下一节复习课要重点强化的点。

3.3 在评价环节用AI生成“能力画像小雷达”

期末的卷面分数和PBL过程的评价之间一直存在断裂。我目前的做法是：把全班学生在三轮问题驱动课上的讨论转写、作业文本、反思日记集中起来，按学生个体切分，用AI生成一个能力概括表。

我一般让AI按四个维度输出：问题识别能力（能否快速找到核心矛盾）、信息整合能力（能否利用多来源信息支撑观点）、协作论证能力（能否回应他人观点而非只顾自说自话）、迁移表达能力（能否把课堂结论应用到新情境）。每个维度打分并配上证据片段，输出格式是每个人一份四行摘要。

这不是为了取代考试，而是让“看不见的思维”变成“可讨论的图表”。我对学生说得很直接：你们平时讨论时说了什么，AI帮我都记下来了，你自己看看这些能力维度的比例——很多学生第一次直观感受到“原来我在小组里一直是在附和别人”，这个冲击比老师批评十句都管用。

4. 实测中踩过的坑与排查记录

任何新工具进入教学现场，都不会一帆风顺。我把这些实用主义十足的技术用了一个多学期，翻过的车可以写满一面白板。下面这套排查记录应该能帮你绕开我踩过的大多数坑。

4.1 最隐蔽的坑：AI编数据编得比真数据还真

有一次，AI给我生成的“某小区全年夜间用电数据统计表”里出现了一个极其离谱的曲线——冬天用电低，夏天用电高。我当时差点就把它拿来当课堂材料了，但直觉告诉我，楼道夜间照明用电应该是冬天更长。回头一查原始数据，果然是AI一本正经地编了一份假数据。

这个坑之所以危险，是因为AI生成的表格、坐标轴、单位全都格式规范，乍一看完全可信，被骗的不仅仅是学生，也包括老师本人。

我的应对措施有三条，缺一不可：

• 所有AI生成的数据必须找到至少一个第三方来源交叉验证；
• 涉及新闻事件、政府文件、官方统计的，只把AI当检索入口，不当信源；
• 课堂材料中属于“AI生成数据”的一律在旁边标注“虚构样例”，避免学生误当真实数据记忆。

4.2 学生拿AI抄答案，怎么破

学生对于“答案机”的嗅觉极其灵敏，只要有AI在场，一定有人会忍不住问“路灯到底该不该改，你直接告诉我”。此时如果不干预，问题驱动式学习的价值就被清零了。

我的应对方案不是禁用AI，而是把问题本身改造得“没有标准答案”。比如“该不该全部换成感应灯”这种二选一式问题，学生当然能找到标准答案——而我后来把它改成了“预算有限、只能改三分之一，你会选哪些楼道位，给出你的评估指标”。后一类题目没有唯一答案，学生就算问AI，也只能套出一堆候选选项，最终还是要自己来判断取舍、扣合现场数据，AI的帮助反而变成了另一种参考。

另一个办法是规则先行。我每节课前都和学生明确：AI在讨论中只允许扮演“追问者”和“材料检索助手”两种角色。谁用它抄答案，整组这节课的问题驱动分清零。立了规矩之后，滥用情况几乎绝迹。

4.3 提示词最大翻车事件：它把“苏格拉底式”变成了“你说得都对”

第一次设定AI追问者角色时，我把提示词写成了“请你用苏格拉底式提问帮助学生深入思考”，结果实际操作中AI的表现非常糟糕——学生说“我觉得应该装声控灯”，它就来一句“这是一个值得考虑的方向，你觉得还有别的方式吗？”这根本不是追问，这是捧哏。

后来我意识到问题出在提示词没有写清楚“禁止什么”。加了“规则5：用词保持中性，不夸奖，不评判”之后，它才算收敛到“持续追问”的状态。这是我在所有AI角色设定里学到的最重要一课：只描述正面行为是不够的，必须把负面行为也明确禁掉，否则AI会滑向最安全、最平庸的表达。

4.4 快查表：问题驱动课堂的AI使用故障速查

5. 给一线教师的AI落地入门路线图

如果你想在自己的课堂里尝试这套方法，不用一上来就全场景铺开。我自己就是从一个小切口做起，走了将近一个学期才形成完整的工作流。给你一条可以照着走的入门路线。

5.1 微习惯：一次只需要升级一个环节

第一个月，不要碰课堂实时环节，也不要搞什么全流程数字化评价。就在周末备课时做一件事：把一个单元的核心知识点写进提示词，生成一条四段式问题链，然后像上文那样花十五分钟人工打磨。打磨后直接进课堂试一次。

第二个月，开始给小组讨论配AI追问者。不需要每个组都配，选两个活跃组试点就行。试点组讨论时，老师可以腾出时间去巡其他小组。

第三个月，课后把试点组的讨论录音转写交给AI做思维分析，形成个人的过程性评价习惯。再往后，你自然会发现可以自己扩展出更多玩法。

这个顺序的逻辑是：先建立一个最低成本的闭环尝到甜头，再逐步增加环节的颗粒度。一上来就搞“全流程AI教学”，大概率会翻车并劝退。

5.2 给个人问题库建一个结构

经过两个月打磨，你会积累不少好用的问题链。我把它们统一存在一张表格里，作为长期资产，结构如下：

这张表最大的价值，是让所有课堂尝试变成可积累的资产。过了一个学期回头看，你就拥有了一个自己学校的校本问题库，比任何采购来的商业课程包都更适合你的学生。

5.3 关于AI工具选型的一点点个人建议

我不推荐纠结于具体品牌，认准三个基本能力就行：能接受长文本输入（至少2000字以上）、能区分系统指令和普通用户聊天、输出可导出为文本格式。有一类产品在这三点上明显不行——要么输入限额太短，要么交互模式太“套话化”，一律换掉。

另外建议同一个任务用两个不同的大模型交叉对比，尤其是生成课堂材料时。我的经验是，不同模型在“开放性控制”和“学科严谨性”上各有长短，交叉对比可以把两个模型的出错率压到很低。

最后分享一个小技巧：把AI生成的“翻车回答”收藏起来

这个技巧我几乎没有在公开场合讲过，但它是我的宝藏。每次AI生成出糟糕的问题链或错误的理解分析，我不删除，而是归档到一个命名为“失败样本”的文件夹里——比如有一次它把“声控灯的灵敏度过高导致整夜闪烁，费电反而更多”这个非常好的课堂冲突点写成了“声控灯很灵敏”，错失了一个绝佳的认知冲突设计。

这类翻车记录其实比成功案例还有价值。它让你训练自己对问题质量的敏感度，知道什么是一眼就能识别的好问题。我甚至会把个别典型“翻车答案”拿到教研会上给新老师看，让他们分辨“哪里不对、怎么改”，效果比讲十遍理论都好。

回到开头那句话：问题驱动式学习的好，大家早就知道难在落地。AI恰恰解决了落地阶段“生成、反馈、迭代、记录”的后半程问题。它不会替你上课，也不该替你设计所有细节，但它能让坚持做PBL的教师，从一个被备课拖垮的理想主义者，变成一个放下包袱、专注关注学生思考过程的实践者。这才是技术进入课堂最让我开心的地方。