中学生自学场景中的AI动态规划系统建设路径与实践

　　摘　要：随着中学生日均自学时间的延长，学习过程中暴露出诸多问题。本研究针对中学生自学场景中存在的计划性缺失、学习效果两极分化、工具反馈不足及认知心理负担等问题，以“AI+教育”为主线，基于“理论-实践-技术”三驱动的模型框架，构建“测→讲→学→练→思→问→评”七个环节的智能学习动态闭环系统，旨在实现 AI技术赋能个性化教学。本研究创新性开发九大智学系统，形成全流程、全过程的辅学方法，为AI赋能的个性化自主学习提供了可复制的技术框架与实践路径。

　　关键词：教育AI；自主学习；个性化教学；动态闭环系统；

　　作者简介：赵娜，中级教师，北京市朝阳区骨干教师，北京中学，主要从事项目化学习、教育信息化相关研究，邮编100018，邮箱：18515990654@163.com；李舒宇，特级、正高级教师，北京中学，主要从事数学教育、教育信息化相关研究；马帅，华中科技大学博士在读，主要从事科学教育、STEM 教育相关研究；吴海明，北京睿辅智能科技有限公司创始人，主要从事教育技术相关研究。

　　基金项目：本文系北京市特级教师协会，2025年重点科研课题:培养初中学生提出问题能力的数学教学策略研究 (课题号BETAKT-2025-03）的阶段研究成果。

一、问题的提出

　　在新时代核心素养导向的教育改革背景下，培养具有终身学习能力、批判性思维和自主发展意识的人才，已成为基础教育的根本目标。^[1]《普通高中课程方案（2022年版）》明确提出“提升学生自主、合作和探究学习能力”的要求，而自主学习作为核心素养落地的关键路径，自主学习的效果直接关系到育人实效。然而当前中学生自主学习中暴露的深层矛盾，正严重制约着“学会学习”这一素养目标的实现。研究团队基于对全国10省市中学生自学行为的实证调研，揭示阻碍自主学习效能提升的四大核心矛盾，探索AI技术赋能育人方式转型的新路径。

　　1.1 计划缺失与低效学习

　　信息技术和教育教学的深度融合，学生的学习方式也在不断变革。近年来，中学生自主学习能力已经成为研究热点。^[2]张钧等对某市高一、高二360名学生进行访谈及问卷调研情况如图1：

图1：学生访谈及问卷调研情况

　　^[3]沈龙、^[4]张静、^[5]杨建新等研究者在对中学生各学科的自主学习现状调查研究中均提到中学生自学时间较长，但学习效率较低，部分学生存在学习计划性薄弱的问题，且单次专注时长较短，难以进入深度学习状态，进而影响知识的连贯性。

　　1.2 学习效果两极分化

　　1987年，^[6]Biggs 在《Student Approaches to Learning and Studying》一文中提到多数学困生、只会重复记忆，缺乏元认知策略、目标功利化，只有少数的学生擅长反思调整。这与我们近期调研情况类似，中学生面临不会学习，不爱学习的学习困境，缺乏正确的学习方法，从而导致中学生自学效果呈现显著分层。

　　2024年全国10省市中学生学业质量监测（N=15,236）结果显示：学优生（前30%）与学困生（后30%）标准化测试分差经T检验显著（t=12.37, p<0.001, d=1.84），说明部分地区中学生自主学习效果存在两极分化现象。

　　1.3 工具反馈机制缺位

　　^[7]《Digital Education Outlook 2023》文中指出 “全球仅31%的AI学习工具能提供认知层级的深度反馈，传统教辅的静态答案导致‘反馈缺失率’达100%。”

　　表1是根据市场调研及一线师生反馈信息，现有技术伴学工具的使用率及局限性：

表1：伴学工具调研数据

　　1.4 认知心理双重压力

　　^[8]杨桐在自己的研究报告中提到个别高中教师为了提高教学效率，保证教学效果，采用较为激进的教学方法，灌输式的教学压抑了中学生的自主性发挥，降低了中学生自主参与学习的兴趣，这样的教学方式给部分中学生形成学习压力。除此之外，受学业水平与自学能力等多因素影响，学优生、学困生均面临不同的自主学习问题。例如：心理层面的焦虑源头，错题无人及时解答；认知层面的知识断点，无法快速精准定位薄弱环节。在有限的自学时间内，很难达成高效提升学业水平的目的。

二、AI智能学习动态系统路径探索

　　本研究以解决中学生自主学习困境为目标，核心是将经典教育理论与前沿AI技术进行深度互嵌，融合一线教师教学经验，构建一个“理论-实践-技术”三驱动的AI智学系统框架，旨在确保技术研发的教育科学性与育人有效性。

　　2.1 教育理论基础

　　AI智学系统的设计主要植根于动态评价理论、元认知理论、生成式学习三大核心教育理论，在教学实践中对学生学习潜能、学习效能进行动态评估，然后采用引导式、贯穿式思维训练，利用多模态交互系统促进学生课堂生成。基于以上理论为破除自主学习困境，进行教学环节（如表2）完善设计，并将理论转化为具体的技术功能，从而有效的赋能自主学习实践。

表2：教育理论指导下的简要

　　2.2 教学实践基础

　　研究团队由经验丰富的一线教师和AI技术专家组成。教师团队隶属北京市特级教师重点课题组，长期深耕于教育教学实践探索，关注学生主体性，发展学生思维能力，形成“思问课堂”教学思想。在“思问课堂”教学实践中，学习不是被动接收信息，而是主动思考、持续提问、不断探究的过程。“思问”是启动、维持和深化学习的核心引擎，是贯穿整个学习过程的核心驱动力和主线。本研究技术开发团队（睿辅AI）基于“思问课堂”的理论实践，改造传统课堂教学模式，技术赋能以“思问”循环为主导的课堂教学新模式（如图2）。

图2：理论-实践-技术三驱动下的教学环节设计构思

　　经过多轮技术论证与教学实践的探索，形成新型闭环学习路径，即测-讲-学-练-思-问-评7个环节的全过程的AI辅学方案。

　　●“测”的数据，学生“握手”AI，初思初问，启动“讲学练”的核心学习进程；

　　●　将“讲学练”的过程不断触发 “再思再问” 和 “深思深问” 的场景将学习内容极度内化；

　　●“思”关联“测”的薄弱点，针对谁思维辅导，延伸思考；

　　●“问”反哺“讲学练”内容，使学习课程不断动态迭代；

　　●“评”应全面覆盖知识掌握度与“思问”过程的质量，指导进入下一循环。

　　2.3 技术路径探索

　　2.3.1 AI智学系统架构设计

　　AI智学系统架构的设计理念是构建一位具备智能大脑、敏锐感觉器官和灵活行动器官的数字化教师，使其能够像真人教师一样感知学习场景、进行复杂认知并实施教学干预。为实现对自主学习全流程的智能化支持，系统采用了一种仿生化的集成架构，由三大核心组件有机协同构成（如图3），构建九大AI智学系统（如表3），形成全过程，全流程辅学方案。

　　1、感觉器官：多模态输入与识别系统

　　感觉系统与真实学习世界交互的接口。其核心任务是精准、无感地捕获学生的学习过程数据。它不仅支持纸、笔、屏三端无缝互联，实时同步还原学生自然书写习惯，更关键的是具备全学科专项识别能力，能准确理解数学公式、函数图像、物理示意图、化学分子式等复杂内容的语义，实现“看得懂、听得明”，为智能大脑提供高质量的感知数据。

　　2、智能大脑：核心认知与决策中枢

　　智能大脑是系统的智能核心，负责处理信息、进行推理并做出教学决策。它并非单一模型，而是一个复合的三层模型底座，构建了从通用智力到学科知识再到学习行为的递进式认知能力。AI工具链集成了教育强化学习框架、错题基因重组系统等专用工具，为教学策略优化提供算法支持；智能推理引擎通过结构化探索和可验证的推理步骤，实现解题思路的透明化和逻辑化，确保AI的思考过程可信、可循。

　　3、行动器官：多模态输出与交互系统

　　行动系统为施加教学干预的末端。它将智能大脑的决策转化为对学生而言清晰、易懂、有吸引力的反馈。其能力包括图文优雅排版、全学科复杂公式与动态图表渲染、3D实验模拟以及讲案智能合成等，旨在通过多模态方式将知识生动地呈现给学生，完成高效、生动的教学闭环。

图3：AI智学系统基本架构

表3：九大AI智学系统功能模块解析

三、“测-讲-学-练-思-问-评”智能动态闭环系统实现及案例分析

　　睿辅AI技术开发团队携手以“思问课堂”为研究主题的特级教师工作室共同研发了上述数十个核心AI系统和多个AI工具，旨在突破传统自学环境的固有局限，将孤立低效的自学过程转变为精准引导、实时反馈、持续优化的智能学习循环。基于对中学生自主学习全过程的深度重构，聚焦“测→讲→学→练→思→问→评”全流程的智能化升级教学实践，本研究不仅可以帮助中学生实现从被动学习到主动探究的学习方式跃迁，更能有效解锁学生在AI时代的未来竞争力。

　　3.1 AI智能动态闭环系统简介

　　AI智能闭环是一个以数据为驱动、各环节高度协同且双向反馈的有机整体。其设计目标是精准模拟优秀教师的决策过程，实现对自主学习全流程的智能化支持。

表4：智能学习系统各环节

　　核心运行机制始于动态诊断（测），据此进行个性化规划与执行（讲-学-练），在此过程中深度嵌入元认知层面的内化与反思（思-问），最终通过综合性评估（评）实现闭环的优化与进化。

图4：智能学习系统各环节运行机制

　　3.2 智能学习环节片段案例展示

　　案例1：课前-课中-课后测试数据分析报告实时监控学习动态，可视化学习效果，拒绝盲目刷题（如图5）。

图5：同一学生不同阶段测试报告

　　杨同学在学习基本不等式时不同阶段的测评表现：学前基本知识的测评——课堂学习自主练习题目测评——课后提升测评。杨同学自主学习进步历程实际上是每一个环节动态检测，动态课程规划。动态学习的过程。AI智能学情评价系统在每一个阶段的学情实时评价，进步有迹可循，学生学习动力提升。针对不同阶段的学情报告，AI课程规划系统基于数据进行个性化课程内容安排，一人一策生成讲案，实现真正的因材施教。

　　案例2: 多学科知识框图，知识分析拆解图，动态指令图助力学生思维成长，破解浅层学习，促进深入思考（如图6）。

图6：多学科公式符号、知识框图

　　智能语义理解，全学科复杂符号和公式、解题分析。知识点框图分级整理，引导学生建立知识体系。无论是数理复杂的公式与图像，还是具体解题过程中的分析框图，亦或是知识点的章节梳理图，小睿老师强大的理解能力，以及精准的输出能力都令人惊叹。

图7：智能动态指令图

　　AI智学系统中的伴学教师（简称小睿老师），对话小睿老师，还可实时生成各种多模态动态交互内容（如图7），比如3D模型、交互程序等多种方式交互学习。小睿老师通过语义理解——编写代码——自主运行——智能能动态指令图，快速将抽象知识具像化。面对抽象的数理内容，进行具象的转化，辅助学生理解，大大提高自主学习的效率。

　　案例3:  24小时陪伴答疑互动，感受教育温度，破解认知焦虑（如图8）。

　　小睿老师不是一台冷冰冰的机器，而是具有情感可以互动的温暖伙伴。它可以适合的鼓励学生，表扬学生，激发学生求知欲，也会在点评时严谨的指出学生的学习弱点，提出可行化建议。

图8：小睿老师的温暖伴学，细心讲解

　　案例4: 多模态学习互动，数据收集，多维度解析评价，学习过程自然流畅，学习体验感升级，提升学习乐趣（如图9）。

图9：多模态输入方式

　　选择答题卡，智能手写板，纸笔屏三端互联，多种输入方式按需求使用，便捷快速，既提升学习效率，又增强学习体验。

四、AI智能学习系统教学实践效果

　　在北京某重点中学新高一2个实验班46名学生开放睿辅AI学习系统，针对专题课系列课内容，AI教师+真人教师协调配合，实践“课程规划——知识教学——强化练习——总结报告”全过程的AI辅学新型教学模式。实验数据突出体现了AI+教育在学生自主学习方面的优越性。

　　4.1 学习效能的结构性跃升

　　通过后台对学生们上课前后的数据监测，学前、学后对比雷达图显示：学生们的每小时测评成绩平均提升12.74分，学生们的综合表现（测评成绩、学习态度、互动质量、学习效率）提升10.55分。具体的数据对比分析如图10：

图10：学生后台监测学习数据对比分析

　　4.2 学困生浅层学习循环的破除

　　系统通过“AI阅评”和“精细讲评”双引擎破除浅层学习。错因深度分析：54.35%的学生表示AI阅评“让我很快掌握正确的解题思路”；65.22%的学说认为AI“针对我的答案进行分析：的行为很懂我”。思维拓展引导：50%的学生认为AI“精细讲评”能帮助“迅速掌握题目且能举一反三”，58.70%的学生认为AI练习环节“大大提升了学习思维”。个性化支持覆盖：学生明确表示“老师无法一对一辅导时，AI老师随时解惑”，使得学生获得传统教学难以企及的随时支持（如图11）。

图11：学生课后不记名调查数据反馈

　　4.3认知焦虑的阶梯式缓解

　　针对引发学生焦虑的诱因“求助无门”问题解决旅高达92%，错题随时解答；学生对自己掌握知识情况认识不清，则以学习雷达图报告随着学习进程进行实时更新。动态评价与及时答疑大大缓解了中学生的自主学习压力。

　　从图10-11的数据分析可知，系统设计的三层解压机制成效明显，学生认可率很高（如表5）：

　　干预层级学生认可率典型反馈

　　知识断点定位分析65.22%“AI很懂我的问题”

　　进步可视化进程63.04%“雷达图看清学习状况”

　　即时答疑效率97.83%小睿老师好评度很高

表5：三层解压机制成效分析

五、总结与展望

　　5.1 研究总结

　　此次研究针对中学生自主学习场景中存在的计划性缺失、效果两极分化、工具反馈缺位及认知心理压力四大核心困境，成功设计并实践了一套以教育理论为基石、以人工智能技术为驱动的解决方案。我们成功构建了“智能大脑 + 感觉器官 + 行动器官” 的系统性架构，形成九大AI智学系统，为AI老师赋予了感知、认知与行动的全链路能力。在此基础上，团队创新性地将优秀教师的教学DNA解构并注入AI系统，形成了贯穿 “测-讲-学-练-思-问-评” 七个环节的智能学习闭环。这一闭环并非线性流程，而是一个数据驱动、动态优化、具备自我进化能力的智能学习生态系统。

　　5.2 研究价值与意义

　　5.2.1 实践价值：为破解自主学习困境提供系统化方案

　　我们将前沿AI技术与真实教育场景深度耦合，提供了一条可复制、可推广的技术路径。这不仅证明了AI能够系统性地应对自主学习的复杂性，而且还从“计划-执行-监控-反思”全过程为学生提供支架式支持，为实现规模化因材施教提供了关键工具。

　　5.2.2 理论价值：推动“AI作为认知伙伴”的角色演进

　　AI智学系统的设计不是将AI定义为简单工具或题库，而是通过理论与技术的双驱动，将其定位为能够参与元认知过程、激发深度思考的“认知伙伴”。这一实践丰富了技术赋能环境下自主学习理论的内涵，为理解人机协同的认知机制提供了重要案例。

　　5.2.3 社会意义：助力教育教学化转型与教育公平

　　“智能AI老师”能够突破时空与地域限制，将优质的教育资源和个性化的教学服务普惠至更广泛的学生群体，有助于促进教育公平性。同时，它推动育人目标从知识记忆向思维培养与终身学习能力进化，与新时代教育改革的核心方向同频共振。

　　5.3 研究局限与未来展望

　　尽管本研究取得了积极的成果，但仍存在一些局限，这为未来的探索指明了方向：比如实现跨学科融合与综合素养培养。AI智学系统的优势目前主要体现在数理等结构化较强的学科，但跨学科式的项目化学习需要对多学科综合分析，提供可行的解决问题方案及支撑的AI工具，这一目标尚未实现。因此下一阶段的研究将定位探索AI如何更好地支持文史哲学等批判性思维学科与创造性表达的学科，并设计支持跨学科项目式学习的AI模块。当然，信息与数据安全也是AI时代发展中不可回避的矛盾。随着AI更深入地介入教育过程，必须建立更完善的数据安全、算法透明与技术伦理规范，以确保AI的应用始终符合学生发展的最大利益。

　　我们展望的未来教育，不是用技术取代教师，而是以AI为强大支点，构建一个教师、学生与智能技术和谐共生的新生态。在这个生态中，每位学生都拥有一位懂他的专属AI老师，而每位教师都拥有一位不知疲倦的AI助教，共同致力于培养能够驾驭未来、终身成长的智慧主体。

　　参考文献：

　　（1）义务教育课程标准【M】,北京:北京师范大学出版集团,2022.

　　（2） 张钧,周鹏.网络环境下中学生自主学习现状及能力提升策略【J】,周口师范学院学报,2018-11,149-152.

　　（3）沈龙.当代中学生自主学习路径及培养现状【J】,学苑教育，2014-8.

　　（4）张静.对中学生数学课堂自主学习现状调研研究【D】,2007.

　　（5）杨建新.中学化学教学中学生自主学习能力现状分析及完善方法【J】,职教与成教,178.

　　（6）Biggs J B.Student Approaches to Learning and Studying【M】,Australian:Australian Council for Educational Research,1987.

　　（7）OECD.Digital education outlook 2023.OECD Publishing,2023.

　　（8）杨桐.高中生自主学习现状研究【D】,2022-5.