项目式学习怎么用AI？PBL设计、过程证据与评价指南

直接答案：项目式学习中使用 AI，重点不是让学生更快生成一份“漂亮成品”，而是让 AI 支持提问、检索、比较、反馈与迭代，同时保留学生真正理解和作出决定的证据。教师应先确定驱动问题、阶段成果与评价量规，再规定每个阶段允许怎样使用 AI、必须保存什么记录、哪些动作需要批准；最终评价同时查看作品、过程证据和口头解释。

本文依据 2026 年 7 月 18 日可访问的PBLWorks Gold Standard Project Design、UNESCO 生成式 AI 教育指南与学生、教师 AI 能力框架，以及教育主管部门资料整理。它提供的是课程设计方法，不代表任何工具对所有年龄、学科和地区都可用。

项目式学习不是“做一个作品”

PBLWorks 对项目式学习的说明强调，学生应在较长时间内探究真实、复杂的问题，并通过创建公开产品或展示来表现知识与技能。Gold Standard 模型进一步列出七项设计要素：挑战性问题、持续探究、真实性、学生选择、反思、批评与修订、公开产品。只让学生在课末做一张海报，不等于完成了 PBL。

AI-PBL 的学习目标要先于工具

先写“学生完成后能够证明什么”，再决定是否需要 AI。UNESCO 的学生 AI 能力框架列出四个维度、12 项能力：以人为中心的思维、AI 伦理、AI 技术与应用、AI 系统设计，并按理解、应用、创造三个层级推进。AI-PBL 因而可以同时包含学科目标、项目能力和 AI 素养，但一次项目不应试图覆盖全部。

如果课程目标只是让学生理解一个概念，而 AI 会直接给出完整答案，就应改变任务：要求学生比较两个相互冲突的来源、用本地数据验证、采访真实对象、制作可复查的模型，或解释为什么拒绝 AI 的某条建议。站内的AI 教学学习成效评估指南进一步说明，使用工具时表现更好不等于离开工具后真正学会。

四级 AI 使用边界：允许、申报、批准、禁止

“可以使用 AI”或“完全禁止 AI”都过于粗糙。教师应按任务和风险划分边界，并在项目开始前给出示例。UNESCO 的生成式 AI 教育与研究指南强调以人为中心、数据隐私和适龄设计；这些约束应进入作业说明，而不是出现事故后再补充。

同一种行为在不同课程中的级别可以不同。例如，英语课若评价的是学生独立写作，整段改写可能被禁止；设计课若评价的是提示迭代与视觉判断，生成多个草案可能是核心活动。边界必须和量规一致，否则学生会收到“可以用，但用了又扣分”的矛盾信号。

学生需要保存哪些过程证据？

过程证据不是为了监控每一次点击，而是让学生能够解释“我做了什么判断，证据怎样改变结论，AI 在哪里出错”。建议采用小而稳定的证据包，避免要求提交数百页聊天记录。

来源核验可使用本站的AI 幻觉与证据核验框架：先把输出拆成原子主张，再逐项回到官方资料、论文、原始数据或访谈。学生不必保存无关闲聊，但所有进入最终作品的事实、数字、引用和图像都要能回查。

一个可直接复制的 AI 使用申报表

申报的目的不是惩罚使用，而是把判断变成可评价能力。教师也应申报自己用 AI 生成了哪些任务草案、反馈或量规，并在发给学生前核对事实、难度和偏见。UNESCO 的教师 AI 能力框架将教师能力分为以人为中心、伦理、基础与应用、AI 教学法、专业学习五个维度，说明教师不能只掌握提示词。

怎样评价：作品、过程、解释三角互证

只看成品，无法区分学生理解、组员代做和 AI 生成；只看日志，又可能奖励记录数量而忽略成果。更稳妥的方法是让三类证据互相验证：作品展示知识与应用，过程记录展示探究与修订，口头解释确认学生能够独立说明关键选择。

口头答辩不必很长。教师可随机选择一个来源、一个版本变化和一个 AI 输出，分别问：“它支持哪条主张？”“为什么改？”“如果不用 AI 你会怎样做？”个人答辩应占一定权重，以避免小组统一分掩盖贡献差异。作文类任务可结合AI 作文反馈、量表与教师复核指南。

不要用 AI 检测器替代证据

单一“AI 写作概率”不能证明学生作弊，也不能替代教师对版本、来源、答辩和课堂表现的综合判断。检测器可能误判非母语写作者、结构规范文本或经过编辑的作品。即使学校允许使用检测工具，结果也应只作为需要进一步了解的弱信号，不能自动定罪、扣分或公开标签。

隐私、年龄、版权与公平检查

开始使用前，教师应确认学校政策、账号类型、年龄条件、数据保留、训练用途、管理员控制和删除方式。美国教育部的Student Privacy Policy Office提供学生隐私资源；UNICEF 的儿童 AI 政策指南提醒设计者保护儿童权利。中国学校还必须结合适用的本地法律、教育主管部门与校内制度，不应照搬其他地区规则。

公开发布项目前，应逐项核对图片和素材许可。可从Creative Commons 许可证说明理解署名、相同方式共享和非商业限制；“网上能下载”不等于允许再发布。涉及内容审核与学生安全升级时，可参考本站的AI 内容审核和人工升级流程。

四阶段课程流程

美国教育部的《Artificial Intelligence and the Future of Teaching and Learning》把以人为中心、教师在环和教育目标优先作为重要方向。应用到 PBL，就是先问“学生要学会什么、教师怎样判断”，再问“AI 能加速哪一步”。

一个示例：校园热环境调查

下面是课程设计示例，不是本站声称实施过的真实课堂案例。驱动问题可以是：“怎样用可复查的数据提出校园高温风险改善建议？”学生分组设计测量点、记录时间和天气条件，查找城市气象与公共健康资料，制作热区地图并向学校管理者展示建议。

如果学生只输入问题并提交 AI 生成的“种树、遮阳、饮水”建议，项目没有产生探究证据；如果他们能解释测量偏差、比较不同地点、拒绝缺少数据的建议，并在答辩中说明限制，就体现了学习。

教师两周备课检查表

教师怎样提供提示支架而不替学生完成？

教师可以给“思考动作”的提示框架，但不要提供能直接生成最终产品的万能提示词。好的支架要求学生带入自己的问题、证据和判断，并让模型暴露不确定性；不好的支架只要求模型写得完整、专业、得高分。随着学生能力提高，应逐步撤去支架，让学生自己解释为什么选择某种询问方式。

学生应知道提示词本身不是学习成果。教师评价的是提问背后的目标、证据使用和后续决定，而不是谁写出了最长的指令。若模型拒答、输出为空或给出错误格式，学生也应能够回到原始资料继续完成任务。

小组项目怎样识别个人贡献？

小组成果可以共同评分，但关键学习目标仍需个人证据。只要求组长上传最终文件，会让沉默成员、代做和 AI 代写难以区分。建议在项目开始时分配角色，在中途允许轮换，并让每位学生对至少一个关键决定、一个来源和一个版本变化负责。

贡献不应机械等于在线编辑次数：资料核验、访谈、实验操作和冲突协调可能发生在系统之外。教师应允许学生提交简短证据说明并申诉，同时避免公开排名造成不必要的同伴压力。

项目结束后怎样复盘 AI 是否真正有用？

不要只问学生“喜不喜欢 AI”。复盘应同时查看无 AI 条件下的独立表现、过程质量、教师负担、风险事件和公平性。一次项目不能证明普遍学习效果，但可以发现任务设计是否需要调整。

如果成品更漂亮但学生答辩更弱，说明工具可能替代了目标能力；如果学生更能发现错误、解释来源和修订结论，即使完成速度没有明显变化，项目仍可能产生有价值的学习。复盘结论应记录适用年级、学科、任务和工具版本，不能推广成“AI 一定提高学习效果”。

常见问题

学生可以让 AI 生成项目选题吗？

可以把 AI 当作候选问题生成器，但学生要根据课程目标、真实受众、可获得数据和时间约束筛选，并说明为何选择。最终问题不能只是复制模型给出的标题。

AI 可以给项目打分吗？

AI 可以按量规提示缺项或生成反馈草案，但不应独立决定高影响成绩。它看不到完整课堂过程，也可能误读创新表达。教师应抽查证据、处理申诉并承担最终评价责任。

不使用 AI 的学生会吃亏吗？

如果课程目标不是 AI 素养，应提供完成同一目标的非 AI 路径；量规评价的是知识、探究和判断，不是生成内容数量。如果 AI 素养本身是目标，也要提供学校批准的设备、账号和课堂时间。

需要保存完整聊天记录吗？

通常不需要。保存真正影响成品的任务、提示摘要、关键输出、核验和采用/拒绝理由即可。完整记录可能包含无关或敏感信息，反而增加隐私和审阅负担。

怎样让高质量改稿进入站内下一步阅读？

读者可继续查看AI 教学是否提高成绩、AI 作文反馈和AI 幻觉核验。这些页面分别解决成效、形成性评价和事实可靠性，不用在本页重复。

结论

高质量 AI-PBL 的判断标准不是用了多少 AI，而是学生是否围绕真实问题持续探究，能否追溯来源、解释判断、根据反馈修订，并在没有模型代答时说明自己的作品。教师把 AI 使用边界、过程证据和评价方法提前写清，AI 才可能成为学习的支架，而不是绕过学习的捷径。