项目化学习设计“难”在哪里？-基于人智协同教学设计中设计者话语的研究

项目化学习设计“难”在哪里？--基于人智协同教学设计中设计者话语的研究一、问题的提出项目化学习是一种学生经历“发现问题、解决问题、建构知识、应用解决”过程的学习方式。PBL能够使学生解决真实世界的复杂问题，发展合作问题解决能力，并获得独特的学习体验，正成为深化教学改革的重要途径。设计高质量的PBL是将PBL理念转化为教学实践的关键环节，受到教育研究与实践者的广泛关注。已有研究发现，教师设计PBL时，在问题、内容、评价、资源等多方面存在难点，具体包括创设具有开放性的驱动性问题、整合与项目相关的学科内容、制定项目评价标准，以及考虑时间等资源的限制等。当前对PBL设计难点的探索已逐步丰富，但多通过调查或访谈等方式收集数据，所得发现也多基于设计者的总结与反思。这些主观性感受可能使研究结果受到参与者的回忆偏差、社会期望等因素的干扰，且难以深入探究设计过程中的难点及其动态变化。另一方面，随着生成式人工智能（GenerativeArtificialIntelligence，简称“GenAI”）的快速发展，人智协同（Human-AICollaboration）成为教师教学创新变革的重要路径，通过人机优势互补，可以产生超越单个主体所能发挥的作用。当前人智协同的教学场景日益丰富，例如在教学设计上，GenAI可以协助教师对知识点进行组织与联想、快速检索与生成教学资源、辅助设计课堂互动环节等。郑（Zheng）等人则采用协同设计研究（Co-designStudy）的方法探索了学生对人智协同开展PBL的看法。但整体而言，将人智协同引入PBL设计与实施的研究仍相对较少。因此，在人智协同教学的新背景下，教师如何基于该模式开展高质量的PBL设计，已成为具有前沿性和实践性的重要话题。人智对话是推动人智协同的重要载体。在人智协同设计PBL的过程中，设计者通常会主动开启对话以获得GenAI的反馈，并通过追加问题或指令深化互动，从而构建新知，逐步解决复杂问题，最终生成并完善PBL设计。在这一过程中，设计者的话语“外显”出其解决问题的思维，其话语频率和内容也在一定程度上呈现了PBL设计过程中遇到的难题和解决思路。因此，通过研究人智协同场景下PBL设计者的话语，一方面可以客观呈现设计者在PBL设计过程中的动态变化和设计难点，为相关研究提供客观性、过程性和即时性的实证证据；另一方面可以梳理设计者解决PBL设计难点的思路，从而为设计者提供更具针对性的实践指导，避免陷入“为了PBL而PBL”的设计误区。基于此，本研究选择某综合性大学教育学专业的本科生为研究对象。作为PBL设计的初学者，这些职前教师在为期8周的专业课程中，运用人智协同的方式开展PBL的学习和设计实践。研究通过对人智协同设计PBL过程中设计者话语的编码与分析，重点探究三大核心问题：（1）设计者在PBL设计过程中面临哪些难点？（2）随着PBL设计的推进，设计者关注的难点是否发生了变化？（3）GenAI在人智协同解决问题的过程中扮演了什么角色？二、研究设计（一）研究对象与过程本研究的研究对象为综合性大学Z大学51名教育学专业本科二年级学生，其中男生9人(18%)、女生42人(82%)，并按照学号顺序依次标记为S1—S51。在2024年春夏学期的专业课程上（课程持续8周，每周授课1次，每次4个课时），这些学生需要以小组为单位设计义务教育阶段的PBL，并进行成果展示。学生以3—4人为一组，共分为14组。为期8周的研究过程详见图1。第1周（W1）为准备阶段，学生被随机分成不同小组。教师布置PBL的设计任务，并提供往年学生的案例。同时，对学生开展GenAI使用的培训，包括提示指定的GenAI访问路径、使用伦理规范以及与GenAI互动的策略等。在第2—7周（W2-7），教师每周上课都会教授PBL相关内容，同时学生也会开展小组合作以推进PBL的设计。学生在课上可以不限次数和时间使用GenAI。为了追踪PBL设计随任务推进的动态变化，研究将此阶段进一步划分为前期（第2—4周）和后期（第5—7周）两个阶段。第8周为总结阶段，各学生小组交流展示PBL设计成果，并提交学习过程中的学生向GenAI的提问和指令记录。图1

研究过程（二）数据处理与研究工具研究首先整理和清洗了51位设计者向GenAI的提问和指令记录，剔除网络延迟、输入错误或含有敏感内容等因素导致的无效数据，筛选出1418条（102887字）有效的设计者话语文本（提问644条，占比45%；指令774条，占比55%）。随后，受过培训的研究者对设计者话语进行设计难点的主题编码分析，严格遵循布朗（Braun）和克拉克（Clarke）的主题分析流程。首先，研究者反复阅读设计者话语文本，充分熟悉数据。其次，使用MAXQDA软件进行开放式编码，以单条设计者话语为单位，对每条话语中的设计难点进行编码（允许重复编码），初步生成168个一级编码（包含1587个设计难点）。再次，将一级编码归类，形成潜在的37个二级编码和11个三级编码。接着，研究者仔细检查了编码结果，通过调整编码来优化数据，最终确定了39个二级编码和11个三级编码，并将三级编码进一步归类为“整体设计”和“要素设计”两大主题。研究者定义并命名了每个编码，确保编码名称简洁且能准确反映其内涵。表1呈现了部分编码结果。表1

设计难点编码结果示例

此外，研究者也对人智协同过程中GenAI的角色进行内容分析。根据以往研究，在人智协同过程中，GenAI可能被赋予专家(expert)、队友(teammate)和工具(tool)三种角色，分别对应——向人类提供专业咨询服务、与人类开展双向融合的协作、执行来自人类的单向指令。根据这一分类，人智协同设计方式可以分为三种，即以GenAI为主推动、GenAI与设计者共同推动和以GenAI为辅推动（见表2）。研究采用内容分析法对1418条PBL设计者话语中的GenAI角色进行编码，信效度检验采用时间延迟法：首轮编码7天后，由同一研究者进行复编码，通过SPSS25.0计算可得，GenAI角色编码的组内信度（CohensKappa）为0.97（p<0.001）。针对前后两次编码中不一致的内容，引入另两名同样受过培训的研究者进行独立编码，通过讨论达成共识来确定最终的编码结果。表2

人智协同设计PBL过程中GenAI的角色编码三、研究结果（一）PBL设计中的难点人智协同设计PBL的过程中，设计者话语中的设计难点主要分布在整体设计（585，37%)和要素设计（954，60%)两个主题（见图2）上。其中，关于要素设计的难点数量相对较多，设计者与GenAI协同较多的是任务、评价等PBL具体要素，反映出设计者在PBL具体要素的设计环节中面临较大挑战。相对而言，整体设计的难点数量相对较少，说明相较于具体要素设计，设计者在借助人智协同搭建PBL整体框架方面的沟通需求更低，面临的挑战也相对更小。此外，两大主题内部的设计难点数量分布同样存在不均衡的特点。图2

话语中的设计难点数量（个）及占比“整体设计”这一主题的难点往往围绕PBL的整体规划。其中，PBL框架建构的难点数量最多（248），设计者希望通过人智协同快速生成一个PBL整体框架作为设计起步阶段的参考底本（如S31）。部分设计者还会给出一些具体的修改建议，使PBL的设计更个性化、更符合设计者想法，如“请修改得更贴合初中生的认知水平”（S11）。此外，一些设计者也会使用GenAI将框架进一步概括，明确项目的意义和基本内容，如“请给我一个200字以内的项目简介，介绍项目背景，说明为什么要做该项目，要做什么”（S23）。项目选题的难点数量次之（182），设计者多使用GenAI进行头脑风暴，希望从GenAI处获取更多的设计灵感，如“我们小组要做一个PBL，主要包括科学、数学，可以帮我们提供几个备选吗？”（S8）。理论学习的难点数量再次之（124），设计者通过人智对话，了解什么是PBL（75）和怎么做PBL（49）。项目反思的难点数量最少（28），设计者希望GenAI提供项目反思（如S39）、评价项目的优缺点（如S29），或对项目的“未来发展提出建议”（S1）。“要素设计”这一主题的难点则与PBL设计的要素内容有关，包括情境、驱动性问题、学习目标、成果与评价、任务、教学支架共6个方面。其中，关于任务设计的难点数量最多（296），设计者希望通过GenAI生成任务，再对内容进行修订。如设计者先要求GenAI细化两个课时的任务，又提问“显微镜需要带到教室吗，一个组一个？每个同学观察的时间会不会有限？”（S45），以调整初步形成的任务设计。评价设计（292）的难点也很突出，设计者希望通过人智对话逐步明确PBL的成果呈现形式，同时细化对应的评价标准。另外，关于学习目标设计（114）和支架设计（159）的难点数量也较多，如“PBL主题是《红楼梦》的名著阅读，……请你按照高中语文课程标准，制定学习目标”（S15），以及“接下来我想让学生绘制他们想要设计的潜艇的设计图，需要给他们提供什么样的支架”（S3）。相比之下，设计者关于驱动性问题设计（68）和情境设计（25）的难点数量较少，设计者多直接向GenAI发出设计指令，如“就丝绸之路博物馆展厅设计项目化学习方案，请提出其‘核心问题’和‘问题网络’”（S1），或“治理校园内福寿螺泛滥的项目化学习情境是什么”（S40），随后在GenAI生成内容的基础上做适度修改。值得注意的是，除“理论学习”和“项目反思”外，设计难点主要体现为“完成”与“优化”两种类型。其中，“完成”指向形成形式完整的PBL设计，具体涵盖构思、生成、细化PBL等基础构建环节；“优化”则是通过修改、调整、评价等方式对已有的PBL设计进行迭代。如图3所示，总体而言，在“框架建构”等8个方面涉及的1384个设计难点中，“完成”类难点数量（965，70%）显著多于“优化”类难点数量（419,30%）。只有“情境设计”和“驱动性问题设计”呈现反向特征，即“完成”类难点数量少于“优化”类难点数量。图3

部分设计难点的分布情况（二）不同阶段的设计难点1.总体变化趋势随着PBL设计的推进，设计者话语中的设计难点数量以第4周为分界线，形成了前期（第2—4周）和后期（第5—7周）两个阶段（见图4）。在前期，关于“整体设计”的难点数量多于“要素设计”；在后期，关于“要素设计”的难点数量多于“整体设计”。在整体上，设计者话语中的设计难点呈现从“整体设计”到“要素设计”的变化趋势。具体来看，前期的设计难点主要聚焦在PBL的概念理解与整体构建上，人智协同中设计者多向GenAI提问“项目化学习是什么”（S31）和“如果你是该项目的设计者，你会如何设计”（S41）等比较基础、宏观且综合性的问题。随着设计的逐步推进，后期的设计难点明显转移至PBL的构成要素，如支架、任务、评价等要素的具体设计与实施方案，提出如“如果想测量一个避难床模型的抗压能力，如何设计一个有趣的游戏来让小学生们参与”（S2）和“你认为这个课程成果应该以什么方式呈现”（S48）等更为具体、微观和细节性的设计问题。图4

设计难点的总体变化趋势2.不同主题的设计难点变化不同主题的设计难点在不同阶段也有所变化。整体设计主题的难点主要有两大变化趋势（见图5）。从总体数量上看，前期设计难点数量（435）多于后期（150），可见前期的困难远多于后期，其中理论学习、项目选题与框架建构的难点均随着任务推进而减少，而项目反思的难点却有所增加。从关注焦点来看，设计难点在前后期也有所变化。前期设计者最关注PBL框架建构（202，46%），设计者常结合选题、学科要求和课程标准等，希望GenAI生成结构完备的PBL框架，作为后续优化的基础底稿，如“以‘我是时间管理小能手’为主题进行针对小学生的项目式学习，可以怎么具体设计呢”（S45）。而在设计后期，设计者却对PBL概念与理论的学习（52，35%）关注更多。设计者频繁提问“什么是PBL”（S33）、“你知道什么是驱动型问题吗”（S38）、“PBL的学习目标与课程方案中的内容标准、学业质量标准的特征和区别”（S32）等，可见设计者在用相关概念与理论检验PBL设计的实效，深化对重要概念的理解。图5

“整体设计”的设计难点在不同阶段的变化与整体设计相反，要素设计的设计难点数量呈现前期少、后期多的特征（见图6）。从总体数量上看，后期（708）显著多于前期（246），所有要素的难点数量均随着任务推进而增多。从关注焦点来看，设计难点在前后期也有所变化，最关注的难点从任务设计（112，46%）转向评价设计（240，34%）。设计者在前期比较多地关注运用GenAI生成项目任务，如“以‘李白的古诗’为主题，学习古诗鉴赏，设计四节课的项目化学习”（S49），同时关注如何结合学科教学的需要来细化任务，如“诗歌鉴赏需要包括哪些方面”（S21）等。在后期，设计者更多地关注评价设计（240，34%），特别是成果形式的细化，如学生发现直接要求GenAI“设计一个红楼梦主题的大富翁游戏的评价”（S15）的回答过于笼统，于是按“选出见证宝黛爱情故事的地点作为大富翁地图上的地点”（S15）、“说明在这些地点里宝玉、黛玉、宝钗分别发生了哪些交集”（S15）和“详细说明建筑格子和特殊时间格子分别有哪些”（S15）等步骤，逐步细化评价。图6

“要素设计”的设计难点在不同阶段的变化

（三）GenAI在人智协同中的角色在人智协同设计PBL的过程中，让GenAI承担工具角色的设计者话语数量最多（709，50%），承担队友角色的话语数量最少(341，24%)。在不同阶段，GenAI侧重的角色也有所不同（见图7）。在开始阶段，GenAI侧重专家角色（46，46%），随后角色定位快速转变，队友角色成为核心（88，47%）。到了第4周，随着PBL设计走向深入，GenAI则更多承担了工具角色（169，53%）。图7

人智协同设计PBL过程中GenAI的角色1.专家角色当设计者将GenAI视为专家时，设计者会就PBL设计中的困惑或难题寻求GenAI的帮助，GenAI则根据设计者话语提供专业咨询或提供评价反馈。一方面，设计者通过向GenAI询问PBL相关理念、设计逻辑、参考案例等内容，构建设计认知与思路框架（如S4）；另一方面，设计者也会请求GenAI对已设计的PBL进行评价反馈，如“客观地评估本组的‘生态小水池，智慧大未来’STEAM项目”（S41）。2.队友角色当设计者将GenAI视为队友时，设计者会与GenAI展开头脑风暴、讨论设计难点、打磨任务细节等，呈现一种“有商有量”的人智协同特点。设计者通常会让GenAI生成多个选择性内容，如“请给出5个有趣的、能吸引学生兴趣的、贴合时事热点的PBL主题”（S17），将GenAI生成的内容作为设计灵感的参考来源。同时，设计者也会与GenAI探讨“是不是需要在第一节课让同学们学习关于时间或者钟表的基本内容，如分、钟、表等”（S45）等，即借助GenAI的反馈改进PBL设计的具体环节。3.工具角色当设计者将GenAI视为工具时，设计者通常会向GenAI下达具体的任务指令。如，设计者要求GenAI“写出一份1000字以内的‘设计一座在国外落地的中华武术主题公园’课程方案”（S4）。也有部分设计者对GenAI的初次输出结果不满意，通过再次补充指令生成新内容，如设计者在要求GenAI提供课程大纲后，进一步追加“选择一个具体历史时期，设计6—10课时的课程大纲，明确核心问题”（S19），通过层层递进的指令，要求GenAI生成更贴合自身预期的内容。四、分析与讨论（一）PBL设计是一个复杂问题解决过程在PBL设计过程中，设计者面临的最大挑战在于PBL的要素设计。诚如诸多研究者都将PBL视为多个部件的合成，如“PBL黄金标准（GoldStandardPBL）”列出了7个PBL设计的关键要素，科莫斯（Kolmos）等人指出围绕特定目标解决问题的项目可分为多个子任务，许多设计者在PBL设计过程中也基本采取“构件”思路，关注PBL各构成要素的设计与整合。本研究进一步发现各要素的设计难度存在差异，其中任务设计是设计者最为关注的难点，这可能是因为任务设计需要兼顾结构完整性、课时安排、学科知识等多重维度，导致其实施难度较高。进一步研究发现，随着PBL设计的推进，设计者最关注的设计难点从“整体设计”逐渐转向“要素设计”。在设计初期，设计者尝试理解PBL核心概念，并探索项目选题与框架。随着整体设计思路的基本形成，设计者逐渐更关注具体要素的设计，对各要素展开构思、生成、细化、修改与评价等系列工作。当PBL设计接近尾声时，关于项目反思的话语明显增多，一些设计者对整个设计过程及成果进行了系统审视。这一过程与OECD提出的问题解决四阶段模型即“探索与理解—表征—计划与执行—监测与反思”模型相契合，反映出PBL设计具有明显的阶段性特征。同时，这一问题解决过程也并非线性推进的，而是呈现螺旋式上升的特点，尤其体现在将学科知识融入项目的过程中。以“谁是大唐最佳商队？”项目为例（见表3），设计者从历史学科出发，思考可能的PBL主题。在锁定大唐集市主题后，小组总体设计了PBL框架，并反思该项目是否符合课标要求。后续设计中，小组又进一步深挖“大唐集市概貌”和“唐朝主要流通的货品”等学科知识，并将其编织成知识网络。设计者正是通过“探索与理解—表征—计划与执行—监测与反思—探索与理解—……”的螺旋式循环推进，逐步“建立起项目活动和隐藏其后的希望掌握的概念性知识之间的关联”。这种螺旋式特征的形成，与PBL本身的属性和GenAI的介入存在联系。一方面，过往研究揭示了PBL与现实世界的复杂性保持一致和促进跨学科整合本身就具有挑战性，这迫使设计者不断地回顾和调整自己的项目方案，以保障PBL的真实性和多要素的有机整合。另一方面，GenAI在生成启发性、创意性、个性化资料方面具备巨大潜力，这在满足设计者多样化需求的同时，也可能引发设计者更频繁的思考与决策，一定程度上放大了PBL设计的挑战。最后，可以发现“PBL设计”任务存在目标众多、结构不良、要素复杂且彼此关联等特征，为设计者带来诸多困难，同时设计者需要对方案进行反复调适，充分体现了芬克（Funke）提出的复杂问题的多目标性、模糊性、复杂性、关联性、动态性五个特征。表3

某小组在PBL设计过程中的话语（二）“完成”比“优化”更受关注人智对话真实地呈现了PBL设计过程中设计者的设计难题，揭开了PBL设计过程的“黑箱”。研究发现，设计者更多地关注“完成”而非“优化”PBL的设计。人智协同主要集中在PBL设计的构思、生成与细化上，其目的在于设计出形式上完整的PBL。一旦设计初步完成，设计者往往转向新的任务，而对该部分内容的修改、评价等优化过程则被忽视。这与德兰（Tran）的研究结论相印证，即学生很少自主改进初步完成的作品。该现象的出现可能是因为“从无到有”完成PBL比“从有到优”优化PBL要更难，也可能是设计者对时间压力的感知或对任务完成的满足感，导致设计者对优化过程的忽视。此外，尽管GenAI为设计者提供了海量的资源和潜在的优化机会，设计者却未能充分利用这些资源。他们在获得GenAI提供的信息后，大多缺乏深入的追问与反思，未能将这些信息转化为推动PBL设计优化升级的动力，这也与其他相关研究结论相符。有效的反馈和持续的反思往往能够提升PBL设计的质量，也有部分设计者通过对话建构起一个反思性的设计过程，让对话从初期的开放状态逐步聚焦于核心问题，在人智互动过程中，设计者不仅深化了对PBL相关概念的理解、明晰了实践思路，其向GenAI提出的问题或下达的指令，也变得更为具体、精准与清晰（见表4）。表4

S21在PBL设计过程中的话语（三）人智协同过程中人为主导研究发现，GenAI在人智协同过程中通常承担专家、队友、工具三种角色，这与之前的研究发现相符，GenAI可以提供专业知识、开展路径规划、进行评估反馈，可以激发灵感，也可以处理和帮助理解海量的语料库，并根据用户的需求和偏好生成个性化内容。进一步分析不同角色对应的设计者话语在各阶段的分布特征可以发现，GenAI的角色并不是一成不变的，而是随设计任务的推进呈现动态演变特征。在复杂问题解决的初始阶段，设计者倾向于将GenAI视为专家并进行“虚心求教”。当对设计任务的理解逐步深入后，设计者开始将GenAI当作队友，以“有商有量”的平等协作模式研讨设计细节。在完全适应人智协同模式和具体的协同任务后，设计者开始更多地将GenAI视为工具，依托其高效执行功能完成具体操作。从数量上来说，GenAI承担工具角色的话语占比最高，专家角色次之，队友角色最少。可见，这一结果与其他学者所提出的“队友”应是人智协同的理想形态形成反差，表明在真实的实践场景中，即使GenAI表现出类人化特征，设计者也依然主要保持着“使用者—工具”的关系模式。需要警惕的是，因为GenAI强大的生成功能，人智协同过程中时常会出现工具性主客互换现象，即工具对使用者产生主导或影响，甚至改变使用者的行为或认知方式。如部分设计者在反思中提到，借助GenAI可以快速获取各类问题的答案，导致自身主动思考的意愿降低，不再探索新的或更优的设计可能性，这种倾向