AI赋能项目式学习实施的挑战与对策——以太仓高新区第三小学为例
本研究考察了一项人工智能（AI）赋能的项目式学习（PBL）课程在江苏省太仓市一所小学课堂中实施时面临的挑战、采取的干预措施及其AI素养发展结果，该课程按顺序包含五个阶段。教师研究者采用观察式自我研究方法，以项目式学习课堂观察工具（LOTPBL）框架（Ukobizaba et al., 2025）和AI辅助的面向问题的项目式学习（POPBL）模型（Habibah et al., 2025）为指导，通过结构化观察日志记录了2025—2026学年第10—15周的六次课。研究以定性内容分析和反思性主题分析（Braun & Clarke, 2021）识别各阶段的挑战模式与干预策略。结果表明，原型开发阶段的主要问题是技术操作困难和提示词质量不足；从第二次原型制作课起，筛选AI生成内容的困难成为关键问题。基于建构主义支架理论与Chiu（2021）的K—12 AI课程整体设计模型，本研究实施的预设提示词模板、教师示范、案例分享和结构化小组讨论等针对性干预，使学生的AI使用行为发生了可衡量的改善。本研究为尚缺乏充分研究的小学阶段AI赋能项目式学习实践提供了来自一线教师的证据。
关键词：AI素养、项目式学习、小学教育、观察式自我研究、支架、AI赋能教学
生成式人工智能（AI）工具迅速融入日常教育实践，对教师和学生提出了前所未有的高要求。这一问题在小学阶段尤为突出：学生的发展准备水平，与AI素养教育设定的目标之间仍有距离。《新一代人工智能发展规划》（中华人民共和国国务院，2017）以及教育部随后出台的相关政策，将AI素养列为各级教育的关键能力。这给学校带来压力，促使小学教师把AI相关学习活动纳入教学，但他们往往没有经过专门准备，也缺乏经过检验、适合低龄学生的现成教学模型。这种政策推动反映了一种全球趋势：生成式AI工具已广泛进入职业、公民与创意生活，是否要给低龄学生开展系统的AI素养教育，已从一个设想变成了紧迫的教学问题。对中国小学教师来说，这一挑战更为棘手，因为目前还缺少专门面向小学高年级学生、得到广泛认可并经过实证检验的课程模型。而小学高年级学生正处于思维灵活、元认知能力开始萌芽的发展阶段，恰好是开展早期AI素养干预的重要群体。
本论文汇报一项由实践者主导的研究：教师研究者设计并实施了包含五个阶段的AI赋能项目式学习课程，以填补上述空白。课程于2025年12月8日至2026年1月12日在江苏省太仓高新区第三小学开展。本研究以小学情境中AI与项目式学习融合这一新兴而研究不足的文献领域为基础（Alfarwan, 2025; Crompton et al., 2024; Yim & Su, 2025），从一线教师的纵向视角，考察问题如何在PBL实施周期的不同阶段出现、加剧，并对干预作出回应。选择PBL作为培养AI素养的课程载体，是有意为之且有理论依据的：PBL要求解决真实问题、进行迭代设计和合作探究，为学生把AI当作真正的认知伙伴、而非被动答题的机器提供了机会，有助于形成高阶AI素养所要求的评价性与创造性思维方式。同时，PBL按阶段依次推进的特点也很适合纵向观察——它为观察和追踪不同类型挑战随时间的出现与解决提供了天然结构，每一阶段都会对学生与AI交互的能力提出性质不同的要求。
本研究所针对的问题兼具学术性与结构性。现有K—12 AI素养框架已经提出了目标，例如Ng等人（2021）从了解、使用、评价、创造以及AI伦理四个维度所作的界定，但小学生的发展能力尚不足以在缺乏精心设计的支架和教师积极介入的情况下达到这些目标。同时，AI与PBL融合的文献倾向于把挑战类别描述为静态、横截面的，而不是随教学干预而变、依阶段而异的动态过程（Crompton et al., 2024; Zha et al., 2025）。由此形成一个持续存在的脱节：框架回答了“培养什么”，课堂实践者却很难找到“怎么培养”的答案，对低龄学习者尤其如此。这一缺口有实实在在的实践影响：教师在现有文献中能看到许多小学阶段AI赋能PBL出问题的例子，却很少知道哪些问题更可能发生、会在哪个环节发生、又该如何应对。本研究正是为了直接回应这一需求，以阶段为锚点，在真实课堂实施中收集基于观察的证据。
本研究从两个层面尝试填补这一空白。在实证层面，研究在五个PBL实施阶段的六次课中，生成了以阶段为单位的观察数据，记录四类挑战的出现、加剧与减弱：技术操作障碍（N1.1）、提示词质量不足（N1.2）、对AI输出进行批判性筛选的困难（N1.3）以及自主学习方面的局限（N1.4）。本研究的独特贡献在于记录的细致程度：各类挑战并非只是AI赋能PBL课堂中普遍共存的属性，而是具有序列结构——一类挑战会为下一类挑战的出现创造条件。研究尤其重要的发现是，第1次课成功解决了提示词质量问题，恰恰为第2次课内容筛选问题的显现创造了条件，这一过程无法从横断面或汇总数据中看到。在教学层面，研究详述了所采用的干预策略，包括预设提示词模板、教师示范与指导、结构化小组讨论、同伴互助学习和成功案例分享，并说明随着学生逐渐内化支架所引入的技能，教师干预的类型与频次如何随时间变化。
本研究建立在两个相互关联的理论框架之上。建构主义学习理论，尤其是Vygotsky（1978）的最近发展区（ZPD）及其在课堂中的支架化运用，为解释小学生如何提升AI素养、发展高阶技能提供了理论依据。在这一框架下，教师的作用不仅是纠正学生的错误，更要在最近发展区内开展工作——即在学生能独立完成的任务与在帮助下才能完成的任务之间进行引导；本研究可以在单次课层面观察到这一过程。Chiu（2021）的K—12 AI课程整体设计模型则从系统层面说明，在什么条件下这些支架更可能带来持久的能力提升，例如支架是否贴近学生、师生沟通是否顺畅。把两个理论结合起来，可以对三个变量在精心设计的阶段序列中的演变作出明确预测：教师指导频次、学生AI使用行为，以及高阶AI素养指标的出现。本研究按阶段组织的数据，正是为了检验这些预测。
本研究提出两个研究问题：第一，在五个阶段中实施AI赋能PBL课程时，学生遇到了哪些困难？第二，研究采用了哪些解决方案与支持策略，这些策略产生了怎样的可观察影响，学生的AI使用行为又发生了怎样的变化？两个问题都依据本次特定实施情境下的自我观察数据来回答，同时与AI赋能PBL文献中的挑战类别和干预逻辑相衔接并加以拓展。在完成文献检索之后再确定研究问题的表述，是有意为之：每个问题的措辞，尤其是RQ1中的“阶段特异性”和RQ2中的“可观察的行为变化”，都直接对应文献检索发现的研究缺口，以及基于本研究概念与理论框架所作的理论预测。
本研究采用观察式自我研究方法，教师研究者同时充当实践者与分析者（Creswell & Poth, 2016）。数据通过系统记录我在六次课中的教学决策、教学策略与专业反思来收集。这一方法为我审视自己作为教师实施AI赋能PBL课程的实践提供了内部参与者视角。每次课后，我都撰写反思日志，重点记录对课堂整体动态的观察，不记录任何能识别学生身份的数据。
本研究的数据，是教师研究者在五个实施阶段的每次课堂后系统撰写的观察日志与反思笔记。这些记录详述了我对课堂总体活动的专业观察，包括学生与AI工具交互的常见模式（不把任何观察与特定个体关联）、小组合作中我发现的问题，以及所实施的干预。研究以LOTPBL框架（Ukobizaba et al., 2025）作为观察工具，该框架的评分者间信度已得到验证；同时借鉴POPBL-AI模型（Habibah et al., 2025）的阶段结构，以对应五个阶段的实施顺序。
观察数据涵盖五个关键阶段中的六次课：
阶段1——原型制作，第1次课（第10周，2025年12月8日）：首次AI交互课；记录主要挑战。
阶段1——原型制作，第2次课（第11周，2025年12月15日）：引入预设提示词模板；继续开发原型。
阶段2——测试与修改（第12周，2025年12月22日）：使用AI修改原型；教师展示成功案例。
阶段3——原型优化（第13周，2025年12月29日）：完善海报，并借助AI生成演讲稿。
阶段4——最终展示（第14周，2026年1月5日）：小组展示、同伴评价与投票。
阶段5——反思（第15周，2026年1月12日）：填写个人与小组反思表。
观察日志围绕LOTPBL的九个维度组织，并增设自由书写的阐释栏目，用来记录观察过程中产生的想法。教师指导干预按课次逐一记录，因此可以按课次统计频次，供描述性分析使用。书面反思记录与纵向观察日志共同构成本研究的完整数据集。
图1
AI赋能PBL的课堂实施
研究对观察记录中的数据开展定性内容分析，采用反思性主题分析（Braun & Clarke, 2021）的方法。分析遵循Creswell和Poth（2016）所述的程序，通过反复、深入阅读日志文本，识别并提炼核心主题与模式。编码框架以开放式方式建立，根据识别出的挑战类型与干预回应逐步形成，最终得到28个编码，归入五个主题节点：N1挑战、N2干预策略、N3 PBL实施要素、N4 AI素养发展、N5学生成长与反思（完整编码手册见附录A）。全部数据使用NVivo 15（QSR International）定性数据分析软件进行编码，以便系统组织与检索已编码片段。
本研究获得西交利物浦大学未来教育学院批准（学号：2468117；导师：Na Li）。数据唯一来源是我个人的观察日志与反思笔记，其中不包含任何个体的可识别信息。学校校长同意我在自己的课堂中开展自我研究活动。由于没有收集个人数据，无须取得家长或学生的知情同意。所有记录均安全存放在设有密码保护并加密的设备上，仅由我本人访问。
研究结果按PBL实施的五个阶段组织，与按阶段设计的观察方案一一对应。每个阶段都从两个角度报告发现：观察到的问题（回应RQ1），以及采取的行动及其对学生AI使用行为的可观察影响（回应RQ2）。跨阶段总结（第5.6节）汇总了整个实施过程中挑战与干预的变化方向。
需要说明的是，在实际课堂实施中，阶段1（原型制作）包含两次课，分别在第10周和第11周进行（2025年12月8日与12月15日），说明原型制作无法在一次课内完成。六次课均有观察记录。
首次原型制作课上，挑战出现的密度与种类是整个实施过程中最多的。研究同时记录到两类挑战：输入提示词的技术操作障碍（N1.1）与提示词质量不足（N1.2）。
技术操作障碍（N1.1）主要表现为打字速度慢，明显拖慢了学生输入AI提示词的效率。部分学生打字不熟练，不得不反复向AI平台（豆包AI和KIMI）输入原型设计要求；有一个小组反复输入了三次，才得到可用的交互结果。值得注意的是，本次课以学生为中心的学习维度（N3.1）被标记为“未发生”，因为学生还无法充分掌控AI辅助的探究过程。
第二个主要困难是提示词质量不足（N1.2），多个小组都出现了这一问题。AI回答不清楚或不充分时，部分学生不知道如何追问；多个小组也写不出与原型内容相匹配的提示词。观察记录显示了几种小组层面的交互模式：一个小组给AI提供的设计想法不够具体，也缺乏继续深入交互的能力；另一个小组写了两组提示词，但都不满意；还有两个小组与AI交互的整体效率偏低。本次课的AI使用记录把提示词质量标记为“模糊”。此外，首次课中批判性思维观察的全部六个维度（N4.1—4.6）和沟通技能观察的全部六个维度都被评为“未发生”，说明学生还没有在批判性思维或沟通层面对AI生成的内容进行处理。
课上，教师针对打字慢的问题，教给学生快捷键操作和高效输入的方法。针对提示词质量不足，教师实施了两项互补干预：示范如何追问（N2.2——教师示范与指导），并在高效率与低效率小组之间组织同伴辅导（N2.4——同伴互助学习）。此外，教师把设计标准拆解成对应各组成部分的提示词要素，以降低提示词的整体难度。本次课教师指导8次，是整个实施过程中最多的一次。
图2
原型制作中使用的预设AI提示词模板
与第1次课相比，第2次课有了可衡量的改善。教师事先备好预设提示词模板（N2.1——预设提示词模板），并加入课堂演示文稿；各小组可以套用相关模板，具体说明自己制作的原型，用豆包AI编写内容、KIMI开展研究任务、文多多PPT AI制作幻灯片。AI使用频次上升到“多次”，提示词质量从第1次课的“模糊”变为“具体且清晰”，直接体现了预设模板对提示词构建的作用。AI输出处理一栏则标记为“经过批判性修改”，相比第1次课是进一步的质性改善。
不过，新的挑战也随之出现：学生难以准确筛选AI生成的内容（N1.3）。部分小组分不清AI生成的信息中哪些与任务相关，需要教师引导他们聚焦原型的主要功能，而不是把AI给出的建议统统加进去。第1次课没有出现这一挑战，当时的核心问题是输出质量；第2次课中它之所以显现，是因为提示词质量提高后，AI生成了更多、更长的输出，学生必须从中作出选择。批判性思维的推理维度（N4.2——评价信息来源的可靠性）被评为“未发生”，表明学生还缺少评价AI信息的系统策略。
在预设提示词模板之外，教师针对内容筛选问题又实施了两项干预。一是引入结构化小组讨论（N2.3），让各小组共同评判AI生成内容与原型主要功能的相关性；二是对选择内容有困难的小组给予明确指导，帮助他们围绕原型的核心功能来取舍AI的建议（N2.2）。观察记录还提到，后续课中会分享成功案例，以打开学生选择内容的思路。本次课教师指导5次，学生独立思考时间为20分钟。
阶段2的主要活动，是根据同伴与教师的反馈修改原型。学生调整了AI生成海报的颜色、修改设计元素，并改动了以PPT制作的原型中的奖惩机制。AI使用目的记录为“内容生成”和“优化”，说明学生开始把AI当作完善作品的工具，而非主要内容来源。教师指导频次降到3次，学生独立思考时间增至25分钟，为当时整个实施过程中的最高值。
观察记录显示，阶段2中最有效的干预是课初分享此前小组的成功案例（N2.5——成功案例分享）；这一做法“有效解决了学生此前在选择AI内容时的困惑，帮助他们快速找到最佳切入点”。这项干预在阶段1第2次课结束时就已经规划好，并产生了即时、可观察的影响：学生开始独立、批判性地修改AI生成的内容，使其带有自己的特点，这是此前课次中没有出现过的。
各小组借助AI进行内容优化，又根据自身项目的特点独立作出个性化调整，体现出对AI工具的理性、批判性使用。最后15分钟，各小组展示优化后的原型并接受同伴反馈（N2.3），通过合作讨论进一步明确修改方向。总体来看，学生此前照搬AI生成内容的现象，已经转变为根据自身需要进行批判性修改。
图3
PBL项目活动中的小组协作
本阶段的AI使用方式发生了变化：学生主要让AI生成并调整演讲稿，而不是让它直接写内容。小组讨论中，PPT制作小组逐段修改AI生成的演讲稿；与阶段1按整段回答来审视AI输出相比，这是更审慎的人机协作。这种句子层面的修改，是N4.3维度（对AI输出的批判性处理）的切实证据。两个小组都在本次课内完成了任务，一个小组完善实物原型，另一个小组借助AI制作演讲稿。
阶段4被设计为成果展示课，观察记录中没有出现任何挑战事件。本次课的AI使用很少，且只用于课前准备，其价值也正体现在准备环节：“学生使用AI生成并优化海报和PPT的内容，为本次高质量展示奠定基础。”课堂上的AI使用频次为“少量”，教师无须在AI使用上额外指导，只记录了教师本人使用AI的一次情况。
阶段5被设计为全班回顾与反思。学生不需要教师提供AI指导，本次课也没有使用AI。学生独立思考时间为30分钟，是整个实施过程中最长的一次，与本课以个体化活动和反思为主的任务形式相符。
随后，在第三个环节（16:55—17:10），各小组围绕项目过程、AI使用与团队合作深入讨论，并填写小组反思表。学生普遍在反思中指出，AI生成的内容（PPT、图片）需要修改才能符合项目需求，AI应该被当作助手，而不能完全依赖。
反思课提供了高质量证据，帮助我们看清学生的AI素养意识。一些学生注意到，AI在学习中的用法存在更细微的差别，并指出与AI的交互应当保持简单、贴合自己的年龄和学校项目的水平，这说明他们已经懂得根据情境来设定与AI交互的方式。
另有学生反思道，AI制作的海报配色不好看，于是他们凭自己的审美把颜色改得更符合校园氛围。小组讨论中还出现了对AI事实准确性的质疑，体现出正在萌芽的批判意识——学生开始意识到AI在事实与真实性上的局限。小组达成的共识——AI应被视为助手、不能完全依赖——最明确地表达了本次干预所形成的AI素养取向。整体评价认为，反思课“有助于学生形成对AI工具的理性认识”。
表1列出了各次课的完整AI使用指标，作为第5.6.1—5.6.3节跨阶段分析的量化证据基础。
表1
六次观察课的AI使用指标
|
课次日期 |
项目阶段 |
AI使用频次 |
AI使用目的 |
提示词质量 |
AI输出处理 |
学生独立思考时间 |
教师AI指导次数 |
|
2025年12月8日 |
阶段1／原型制作／第1次课 |
10次 |
方案设计 |
模糊 |
经过批判性修改 |
15分钟 |
8次 |
|
2025年12月15日 |
阶段1／原型制作／第2次课 |
多次（各组灵活安排） |
方案设计；内容生成 |
具体且清晰 |
经过批判性修改 |
20分钟 |
5次 |
|
2025年12月22日 |
阶段2／测试与修改 |
多次 |
内容生成；优化 |
具体且清晰 |
经过批判性修改 |
25分钟 |
3次 |
|
2025年12月29日 |
阶段3／原型优化 |
多次 |
内容生成；优化 |
具体且清晰 |
经过批判性修改 |
20分钟 |
4次 |
|
2026年1月5日 |
阶段4／最终展示 |
少量（仅课前准备） |
内容生成 |
具体且清晰 |
经过批判性修改 |
15分钟 |
1次 |
|
2026年1月12日 |
阶段5／反思 |
0次（未使用AI） |
— |
— |
— |
30分钟 |
0次 |
注。全部数据逐字转录自各次观察日志的C部分。阴影标示第1次课（2025年12月8日）提示词质量标记为“模糊”，以及第6次课（2026年1月12日）教师AI指导次数为零。
表2
批判性思维（4.1—4.6）与沟通技能（5.1—5.6）：各次课的观察结果
|
维度 |
观察方面 |
2025年12月8日 |
2025年12月15日 |
2025年12月22日 |
2025年12月29日 |
2026年1月5日 |
2026年1月12日 |
|
批判性思维（4.1—4.6） |
聚焦（4.1） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
批判性思维（4.1—4.6） |
推理（4.2） |
✗ |
✗ |
✓ |
✓ |
✓ |
✓ |
|
批判性思维（4.1—4.6） |
推断（4.3） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
批判性思维（4.1—4.6） |
情境（4.4） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
批判性思维（4.1—4.6） |
清晰性（4.5） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
批判性思维（4.1—4.6） |
整体审视（4.6） |
✗ |
✗ |
✓ |
✓ |
✓ |
✓ |
|
沟通技能（5.1—5.6） |
语言表达（5.1） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
沟通技能（5.1—5.6） |
接收与理解（5.2） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
沟通技能（5.1—5.6） |
意图识别（5.3） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
沟通技能（5.1—5.6） |
策略运用（5.4） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
沟通技能（5.1—5.6） |
有目的的沟通（5.5） |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
沟通技能（5.1—5.6） |
展示技能（5.6） |
✗ |
✗ |
✓ |
✗ |
✓ |
✗ |
注。✓＝发生；✗＝未发生。数据逐字转录自各次观察日志的第4和第5部分。
表3
学生主体性（N3.1）与AI素养发展（N4.1—N4.4）：各次课的观察结果
|
类别 |
指标 |
12月8日 |
12月15日 |
12月22日 |
12月29日 |
1月5日 |
1月12日 |
|
学生主体性 |
N3.1 以学生为中心的学习 |
✗ |
✓ |
✓ |
✓ |
✓ |
✓ |
|
AI素养发展 |
N4.1 AI使用目的意识 |
✗ |
✗ |
✓ |
✓ |
✓ |
✓ |
|
AI素养发展 |
N4.2 提示词质量演变 |
模糊 |
具体 |
具体 |
具体 |
具体 |
— |
|
AI素养发展 |
N4.3 对AI输出的批判性处理 |
✗ |
萌芽 |
✓ |
✓ |
✓ |
✓ |
|
AI素养发展 |
N4.4 对AI角色的理解 |
✗ |
✗ |
✗ |
萌芽 |
萌芽 |
✓ |
注。数据来自各次观察日志的B、C和E部分。✓＝观察到；✗＝未观察到；萌芽＝部分表现。
整个实施过程中，教师指导次数总体呈下降趋势：第1次课（阶段1）8次，第2次课（阶段1）5次，阶段2为3次，阶段3为4次，阶段4为1次，阶段5则无须教师提供AI帮助。这一非线性但总体下降的趋势，印证了建构主义的预期——支架式学习会让学生越来越自主地使用AI；也印证了Chiu（2021）的观点：随着支架被内化，师生沟通应逐渐减少指令性。干预的性质同样在变化：从第1次课的直接技术帮助与提示词分解，转为阶段2—3的案例分享与结构化小组讨论，最后变成阶段4—5的最低限度协助。
研究识别出四个AI素养发展维度（N4.1—N4.4）各不相同的发展轨迹。AI使用目的意识（N4.1）从阶段2开始出现，学生只在特定优化任务中使用AI，而不是把它当作通用内容来源。提示词质量演变（N4.2）的进步最明显也最快：从第1次课的“模糊”，到第2次课达到“具体且清晰”，并一直保持到阶段4。变化最曲折的是对AI输出的批判性处理（N4.3）：第1次课完全未出现，第2次课以修改的形式开始萌芽（学生能从AI输出中选择，但仍有些困难），阶段2发展为独立、批判性的处理，到阶段5反思中表达得最为充分。对AI角色的理解（N4.4）在阶段5反思中最明显，学生能够结合自己的项目，对AI的能力与局限形成有原则、且贴合情境的理解。
需要说明的是，这里记录的N4.1—N4.4发展轨迹，并不能证明学生已经完全达到Ng等人（2021）所界定的AI素养水平。数据显示，学生的评价性参与开始萌芽：对AI生成内容进行批判性修改、识别AI产生的事实错误、阐述AI在原则层面的局限，这些表现与“评价”维度的操作性定义相一致。更准确的说法是，学生正朝着Ng等人（2021）框架的较高层次发展，而不一定已经达到这些层次。这符合小学阶段学习者的实际发展水平（Su & Zhong, 2022），也与Wu和Zhang（2025）的发现一致：在教学结构明确的条件下，AI的融入能让学生的数字素养获得可衡量的提升。
本研究对小学AI赋能PBL课程设计最直接的启示，是课程设计者要预期不同类型挑战会按顺序出现，并据此设计序列化干预。本研究显示的趋势是：首次接触AI的课次中，技术与提示词质量问题最为突出；第2次课中，更好的提示词带来了需要评价的输出，内容筛选问题随之显现；到第3次课，在适当支架的支持下，学生已经能够批判性、独立地使用AI。因此，课程设计者至少应安排两次原型制作课，而不是只安排一次；第2次课要专门应对提示词改善后随之而来的内容评价需求。
预设提示词模板支架应作为小学阶段实施AI赋能PBL的起点，尤其是首次课的干预措施。本研究中，提示词质量在一次课内就从“模糊”提升到“具体且清晰”，说明这确实处于首次接触AI工具的小学生的最近发展区边界。但更关键的是，要把模板看作阶段1两次课设计中的第一个环节，而不是一次课就能完成的解决方案：模板解决了提示词质量问题，同时也为内容筛选挑战的出现创造了条件，后者需要借助第2次课的结构化小组讨论以及随后分享成功案例的干预来应对。
AI赋能PBL的教师培训，需要培养实践者逐课监测指导需求变化的能力，并预期本研究所发现的“成功带来新挑战”现象。第5、6次课中指导减少，是积极信号，也是支架设计按预期发挥作用的体现，但这并不显而易见——实践者往往习惯了像第1次课那样持续提供指导。
与只用一个AI平台完成研究任务的其他研究不同，本研究使用了多个AI平台来生成内容和制作幻灯片：豆包AI负责生成一般内容，KIMI负责研究型任务，文多多PPT AI负责制作幻灯片。观察记录表明，相比只用一个平台，多平台策略更适合原型制作任务多样化的输出要求，但也带来一个具体的技术问题：第2次课中切换工具，导致PPT制作小组的进度出现延迟。未来的课程设计应允许灵活使用多个平台，并提前告知工具使用的注意事项，以降低切换成本。
研究发现以细致的纵向证据回应了RQ1，验证并拓展了现有文献中的挑战类别。理论意义最突出的实证发现，是不同类型挑战在实施过程中依次出现。阶段1第1次课中最常见的是技术问题（打字速度慢）和提示词问题（如何提出有效提问），这与Crompton等人（2024）的看法一致——技术技能不足是K—12 AI教育中反复出现的结构性问题。不过，观察记录揭示出汇总研究或横断面研究看不到的技术挑战细节：在这一情境中，技术挑战不是平台操作或登录问题，而是打字速度；通过有针对性的打字支持和同伴帮助，这个问题在一次课内就得到了有效解决。
内容筛选困难（N1.3）出现在第2次课而不是第1次课，这一发现只有结合当时的情境才能理解，无法从横断面数据中推断。第1次课中，学生受制于不精确的提示词，得到的回答十分基础，通常只能整体接受或拒绝。预设模板提高了提示词质量，到第2次课结束时，学生面对的是更丰富、需要评价和取舍的输出。换言之，N1.3并不是第1次课干预失败的结果，而是干预成功之后浮现出的更高层次挑战。这种“成功带来新挑战”的现象，是设计良好的支架式学习进程的重要特征，也是以阶段为锚点的观察研究对AI赋能PBL文献的主要贡献。
这些发现为编码手册中的五项干预策略提供了有力而具体的证据。预设提示词模板（N2.1）带来最直接、最可量化的结果：提示词质量从第1次课的“模糊”变为第2次课的“具体且清晰”，干预后一次课内就达到这一水平，并在后续实施中保持。这一结果与本数据集中的最近发展区支架逻辑高度吻合——模板把提示词构建变成了学生单靠自己难以完成的认知结构，使他们能够在能力上限附近完成任务（Vygotsky, 1978）。
各次课教师指导频次逐步减少（8、5、3、4、1、0），与建构主义关于教师指导支架逐渐淡出的观点一致。唯一的非单调变化出现在阶段2到阶段3之间：指导次数从3次小幅回升到4次，因为学生在把已有AI技能迁移到新任务之前，需要额外支架来理解阶段3的新要求——AI辅助演讲稿生成。指导频次随情境变化的这一特点，总体符合Chiu（2021）的模型：师生沟通应随任务复杂程度而调整，即使学生已经掌握一般的AI素养技能，任务越复杂，指导也越需要加强。
阶段5的反思数据为干预的有效性提供了最有力的总结性证据，但需要说明的是，这些数据来自自我报告。学生自发谈到AI的局限，例如植物名称不正确、图片“与我们想要的不一致”、PPT内容“需要修改”；他们还意识到，与AI的交互必须结合自身学习水平来设定情境，并形成了原则性的小组共识：“AI是助手，但不能完全依赖它。”综合这些表现可以认为，到实施结束时，学生已经实质性地触及了Ng等人（2021）所识别的高阶AI素养维度，尽管尚未完全内化。
Alfarwan, A. (2025). Generative AI use in K–12 education: A systematic review [K—12教育中生成式AI的使用：系统综述]. Frontiers in Education, 10, 文章1647573. https://doi.org/10.3389/feduc.2025.1647573
Braun, V., & Clarke, V. (2021). Thematic analysis: A practical guide [主题分析：实践指南]. Sage Publications.
Chiu, T. K. (2021). A holistic approach to the design of artificial intelligence (AI) education for K–12 schools [K—12学校人工智能（AI）教育设计的整体方法]. TechTrends, 65(5), 796–807. https://doi.org/10.1007/s11528-021-00637-1
Creswell, J. W., & Poth, C. N. (2016). Qualitative inquiry and research design: Choosing among five approaches [质性探究与研究设计：五种取向的选择]. Sage Publications.
Crompton, H., Jones, M. V., & Burke, D. (2024). Affordances and challenges of artificial intelligence in K–12 education: A systematic review [K—12教育中人工智能的可供性与挑战：系统综述]. Journal of Research on Technology in Education, 56(3), 248–268. https://doi.org/10.1080/15391523.2022.2121344
Habibah, L. B., Ibrohim, I., & Susilo, H. (2025). The effect of AI-assisted problem-oriented project-based learning on students’ critical thinking and communication skills [AI辅助的面向问题的项目式学习对学生批判性思维与沟通技能的影响]. JPBI (Jurnal Pendidikan Biologi Indonesia), 11(2), 656–668. https://doi.org/10.22219/jpbi.v11i2.40667
Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review [AI素养的概念化：探索性综述]. Computers and Education: Artificial Intelligence, 2, 文章100041. https://doi.org/10.1016/j.caeai.2021.100041
State Council of the People’s Republic of China [中华人民共和国国务院]. (2017). New generation artificial intelligence development plan [新一代人工智能发展规划]. http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm
Su, J., & Zhong, Y. (2022). Artificial intelligence (AI) in early childhood education: Curriculum design and future directions [学前教育中的人工智能（AI）：课程设计与未来方向]. Computers and Education: Artificial Intelligence, 3, 文章100072. https://doi.org/10.1016/j.caeai.2022.100072
Ukobizaba, F., Maniraho, J. F., & Uworwabayeho, A. (2025). Lesson observation tool for project-based learning: A useful tool for learner-centered pedagogy enhancement [项目式学习课堂观察工具：促进以学习者为中心的教学的有效工具]. Frontiers in Education, 10, 文章1623269. https://doi.org/10.3389/feduc.2025.1623269
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes [社会中的心智：高级心理过程的发展]（第86卷）. Harvard University Press.
Wu, D., & Zhang, J. (2025). Generative artificial intelligence in secondary education: Applications and effects on students’ innovation skills and digital literacy [中等教育中的生成式人工智能：应用及其对学生创新技能与数字素养的影响]. PLOS ONE, 20(5), 文章e0323349. https://doi.org/10.1371/journal.pone.0323349
Yim, I. H. Y., & Su, J. (2025). Artificial intelligence literacy education in primary schools: A review [小学人工智能素养教育：综述]. International Journal of Technology and Design Education, 35(5), 2175–2204. https://doi.org/10.1007/s10798-025-09979-w
Zha, S., Qiao, Y., Hu, Q., Li, Z., Gong, J., & Xu, Y. (2025). Designing child-centric AI learning environments: Insights from an LLM-powered creative project-based learning study [设计以儿童为中心的AI学习环境：大语言模型赋能的创造性项目式学习研究的启示]. International Journal of Human-Computer Studies, 204, 文章103602. https://doi.org/10.1016/j.ijhcs.2025.103602
