1. 引言
1.1. 教育变革背景
近年来，政策文件与教育研究文献均强调了跨学科项目式学习在培养学生多方面能力中的重要性。《义务教育课程方案(2022年版)》明确要求各门课程用不少于10%的课时设计跨学科主题学习，以强化课程协同育人功能[1]。与此同时，核心素养框架的提出进一步明确了学生在未来社会中所需的关键能力与品格，包括批判性思维、问题解决能力、沟通与合作能力等[2]。跨学科项目式学习作为一种创新的教学模式，通过整合不同学科的知识与技能，为学生提供了在真实情境中深度学习的机会，从而有效促进其综合素养的发展。这种教学模式现代教育的发展趋势，也为实现教育公平与质量提升提供了新的路径。
1.2. AI技术在教育及体育教学中的渗透
人工智能在教育领域的应用成为研究热点，通过数据驱动和算法优化创新教学模式。主要应用方向包括个性化学习路径推荐、智能评估系统和虚拟现实辅助教学[3]。在体育教学中，AI用于实时监测动作反馈和个性化运动指导。然而，技术滥用、隐私保护和伦理问题等限制其发展。科技伦理教育缺失问题在体育教学中同样存在，需重视科技伦理与可持续发展研究[4]。
体育教学数字化利用数字化工具和平台优化教学过程，提升学习体验。数字化工具从多媒体演示发展到基于数据分析的精准教学，如智能穿戴设备采集运动数据生成个性化训练计划[5]。然而，跨学科项目式学习与AI融合研究存在空白，传统体育教学研究缺乏跨学科探讨，AI应用未结合项目式学习特点。因此，将跨学科项目式学习与AI技术结合，应对体育教学复杂问题，是未来研究的重要课题。
1.3. 传统小学体育教学的局限与创新需求
传统小学体育教学存在局限性，难以满足学生全面发展需求。单一学科知识体系忽视跨学科整合，导致解决复杂问题能力不足；重视基础技能，忽视高阶思维培养；实践机会匮乏，难以将知识应用于真实情境。这些问题影响教学效果和学生兴趣。因此，创新教学模式，如引入跨学科项目式学习和AI技术，弥补传统教学不足，提供丰富学习体验，促进综合素养提升。
项目式学习(PBL)以学生为中心，通过解决真实问题或完成项目促进学习与能力发展。它强调在复杂情境中运用多学科知识，培养批判性思维、问题解决能力和团队协作能力。PBL起源于20世纪中期，由John Dewey提出，广泛应用于欧美高等教育机构。张伟等学者指出，PBL是对传统教学的补充和高等教育模式的变革，其核心原则包括问题驱动、学生自主性、跨学科整合和反思性实践[6]。然而，在中国高等教育环境中，PBL面临文化适应性、教师角色转变和评估体系构建等挑战。
2. 研究方法
2.1. 研究设计
本研究采用准实验研究设计，主要基于以下原因：首先，准实验研究能够在自然教育环境中进行操作，相较于严格的实验设计更具可行性，尤其是在小学体育教学中，难以完全控制所有变量。其次，准实验研究允许研究者通过设置实验组和对照组来探讨跨学科项目式学习与AI融合对教学效果的影响，从而验证研究假设。在设计思路上，本研究将实验组设定为接受跨学科项目式学习与AI融合教学的学生群体，而对照组则采用传统体育教学模式。实验组和对照组的设置依据主要包括两个方面：一是确保两组学生在年龄、性别、体育基础等方面具有相似性，以减少混杂变量的影响；二是保证两组学生来自同一所学校或相似背景的学校，以控制环境因素对研究结果的干扰。
2.2. 研究对象与抽样方法
本研究选择小学四、五年级的学生作为研究对象，共计200名学生。四年级和五年级的学生正处于认知能力快速发展阶段，且已具备一定的学科知识和自主学习能力，适合开展跨学科项目式学习。同时，这两个年级的学生尚未面临升学考试的压力，能够更专注于新型教学模式的探索与实践。抽样方法采用分层随机抽样，首先按年级分层，然后在每层内随机抽取一定数量的学生。这种抽样方法不仅保证了样本的多样性，还提高了研究结果的代表性[7]。
2.3. 实施周期规划
本研究的实施周期分为三个阶段，共计16周。第一阶段为准备阶段(4周)，主要任务是制订详细的研究计划、开发跨学科项目式学习课程、培训参与研究的教师以及准备数据收集工具。第二阶段为实施阶段(8周)，在此期间，实验组学生将参与跨学科项目式学习与AI融合的教学活动，而对照组则采用传统体育教学模式。第三阶段为总结与评估阶段(4周)，主要任务是对收集的数据进行整理与分析，并撰写研究报告。通过明确各阶段的时间安排与主要任务，确保研究有序推进。
2.4. 数据收集工具与流程
为全面评估学生的学习效果，本研究采用多种数据收集工具，包括问卷、测试和观察表。问卷主要用于测量学生的跨学科能力、学习兴趣及态度，测试则用于评估学生的体育知识与技能掌握情况，观察表则记录学生在课堂中的表现与互动情况。数据收集的具体流程如下：首先，在课前通过在线平台发放问卷，收集学生的基本信息与初始学习状态；其次，在课堂中教学由研究人员和教师共同使用观察表记录学生的课堂表现；最后，在课后通过测试评估学生的学习成果。为保证数据质量，所有数据收集工具均经过预测试与修订，并由专业人员进行操作与监督。
2.5. 跨学科能力评估方案
针对“跨学科能力”这一抽象概念，本研究开发了一套评估量表，该量表基于布鲁姆教育目标分类法与跨学科能力框架设计而成。量表包含四个维度：知识整合能力、问题解决能力、团队协作能力和创新思维能力，每个维度下设若干具体指标。为确保量表的科学性与有效性，本研究进行了两轮专家咨询与预测试，最终确定了量表的各项指标权重与评分标准。此外，量表的有效性还通过Cronbach’s α系数进行了检验，结果显示其内部一致性良好(α > 0.8)。
3. 数据呈现与案例分析
3.1. 数据统计结果呈现
本研究通过系统的数据收集与严谨的统计分析，对实验组和对照组在跨学科能力、体育成绩等方面的表现进行了量化评估。
Table 1. Comparison of average scores of interdisciplinary ability and sports performance
表1. 跨学科能力和体育成绩平均得分对比
指标 |
实验组(n = 45) |
对照组(n = 43) |
跨学科能力得分 |
78.5 ± 6.8 |
65.3 ± 5.2 |
体育成绩得分 |
82.7 ± 7.2 |
74.1 ± 6.5 |
根据表1显示，实验组与对照组的样本量分别为45人和43人，涵盖了小学四年级和五年级的学生群体。在跨学科能力评估中，实验组学生的平均得分为78.5分(标准差 = 6.8)，显著高于对照组的65.3分(标准差 = 5.2)。独立样本t检验显示，两组之间的差异具有统计学意义(p < 0.05)。此外，在体育成绩方面，实验组的平均成绩为82.7分(标准差 = 7.2)，同样显著高于对照组的74.1分(标准差 = 6.5)，且统计显著性水平达到p < 0.01。这些结果表明，跨学科项目式学习与AI融合的教学模式在提升学生综合素养和体育学习效果方面具有显著优势。
为进一步揭示数据背后的趋势，研究还绘制了柱状图和折线图，分别展示两组学生在不同阶段的表现变化。见图1，在跨学科能力的四个维度(问题解决能力、团队协作能力、知识整合能力和创新思维能力)中，实验组在知识整合和创新思维能力上的提升尤为突出，其平均得分分别较对照组高出12%和15%。这些可视化工具不仅增强了数据的直观性，也为后续讨论提供了坚实的实证基础。
3.2. 典型学生案例选取
为了深入探讨跨学科项目式学习与AI融合教学模式的实际效果，本研究从实验组中选取了1~2个典型学生案例进行深度剖析。案例选取的标准主要包括：学生在研究初期表现出明显的跨学科能力不足或体育学习兴趣较低；在学习过程中经历了显著的行为转变或能力提升；其学习轨迹能够充分体现“数据收集–问题发现–策略调整–效果反馈”的完整闭环。最终，研究选取了学生A和学生B作为典型案例。学生A在初始阶段表现出较强的体育技能但跨学科能力较弱，而学生B则在体育学习中缺乏兴趣，但具备一定的创新潜力。通过对这两个案例的分析，可以全面展示教学模式对学生个体差异的关注及其对学习过程的积极影响。
Figure 1. Comparison of average scores of each ability dimension between the experimental group and the control group
图1. 实验组和对照组各能力维度平均得分对比
3.3. 案例深度剖析
以典型学生A为例，数据收集阶段显示，其在跨学科能力评估中的初始得分为60分，尤其在知识整合和团队协作方面表现不佳。具体表现为，在小组活动中难以有效整合多学科知识，且缺乏主动沟通的意识。基于这一发现，研究团队采取了针对性的策略调整，包括为其分配更多团队协作任务，并提供跨学科知识整合的引导性资源。例如，在一个关于“健康饮食与运动”的项目中，学生A被安排负责设计一份结合营养学与体育训练的计划书，这一任务不仅激发了其学习兴趣，也促使其主动查阅相关资料并与小组成员展开讨论。
经过为期八周的学习干预，学生A的表现发生了显著变化。在中期评估中，其跨学科能力得分提升至75分，其中知识整合能力的提升尤为明显。此外，学生A在体育成绩方面也有显著进步，从最初的70分提升至85分。效果反馈表明，这种基于数据驱动的个性化指导策略不仅帮助学生克服了学习障碍，还增强了其自信心与学习动力。类似地，学生B在经历策略调整后，逐渐展现出对体育学习的兴趣，并在创新思维能力方面取得了突破性进展。这些案例充分证明了跨学科项目式学习与AI融合教学模式在促进学生全面发展方面的有效性，同时也为未来教学实践提供了宝贵的参考经验。
4. 课程设计与理论依据
4.1. 跨学科项目式学习课程设计
跨学科项目式学习在小学体育中的课程设计旨在通过整合多学科知识与实践，促进学生在真实情境中的深度学习。本研究以“使用AI规范少年拳武术动作学习”为主题，结合了体育、信息技术和工程学等多学科内容，旨在培养学生的跨学科素养及综合能力[8]。项目主题的选择基于《义务教育课程方案(2022年版)》的要求，强调不少于10%的课时用于跨学科主题学习，以强化课程协同育人功能。该主题不仅契合学生的兴趣点，还具有较强的实践性与探究性，能够有效激发学生的学习动机。
在目标设定方面，本课程旨在实现知识、技能与情感态度的三维目标统一。具体而言，学生需掌握少年拳的基本动作要领，理解机器学习算法的基本原理，并能够运用数字化工具对动作进行优化。此外，通过团队合作与问题解决的过程，学生将提升批判性思维、沟通协作及创新能力。活动流程的设计分为三个阶段：第一阶段为问题引入与背景知识学习，通过案例分析让学生了解AI技术在体育训练中的应用；第二阶段为实践探索，学生分组完成数据采集、模型训练与动作优化任务；第三阶段为成果展示与反思总结，学生通过汇报展示学习成果并分享心得体会[5]。
为确保课程实施的有效性，本研究采用了多种教学资源与技术支持。例如，引入基于数据驱动的运动分析系统，帮助学生实时监测动作准确性；同时，结合线上学习平台，提供丰富的学习资源与交互环境。这些设计不仅增强了课程的开放性，也为学生提供了多样化的学习路径，充分体现了跨学科项目式学习的综合性与操作性特点。
4.2. 与PBL及学习理论勾连
本课程设计紧密围绕PBL (项目式学习)的核心原则，并结合建构主义学习理论，构建了一个以学生为中心的学习环境。PBL强调通过真实情境中的问题驱动学习，鼓励学生主动参与知识的建构与运用[9]。在本课程中，学生通过解决“如何利用AI技术优化少年拳动作”这一实际问题，不仅掌握了体育技能，还深入理解了信息技术与工程学的相关知识。这种基于问题的学习方式有助于培养学生的自主学习能力与批判性思维，同时也契合了迈克尔·富兰和玛利亚·兰沃希提出的“在实际中创造和运用新知”的深度学习理念[10]。
建构主义学习理论认为，学习是学生基于已有经验主动建构新知识的过程。在本课程的设计中，教师通过引导学生逐步完成从数据采集到模型训练再到动作优化的任务，帮助学生在实践中构建对跨学科知识的理解。例如，在数据采集阶段，学生需要运用数学中的统计知识分析运动数据；在模型训练阶段，学生则需结合计算机科学中的算法原理优化模型性能。这种多学科知识的融合不仅加深了学生对单一学科概念的理解，还促进了跨学科素养的形成。
此外，课程设计中充分体现了PBL的协作性原则。学生在小组活动中通过分工合作完成任务，不仅提升了沟通能力，还学会了如何在团队中发挥个人优势。这种协作式学习模式与建构主义中强调的社会文化因素相契合，即学习是一个社会化的过程，个体通过与同伴互动共同建构知识。通过将课程设计环节与PBL核心原则及建构主义学习理论相结合，本研究为小学体育教学的创新提供了坚实的理论依据，同时也展示了跨学科项目式学习在培养学生综合素养方面的独特优势[8]。
5. 结论
本研究通过系统实践与实证分析，揭示了跨学科项目式学习与AI融合在小学体育教学中的显著价值。该模式不仅有效提升了学生的跨学科能力与体育成绩，更通过数据驱动的个性化干预，为个体差异提供了精准解决方案。典型案例中学生从能力薄弱到显著进步的转变，充分验证了教学模式的针对性与有效性。
课程创新方面，研究构建的“AI + 体育 + 多学科”项目式框架，将技术工具与真实问题深度融合，打破了传统体育教学的学科壁垒。学生在“使用AI规范少年拳动作”等实践中，不仅掌握了运动技能，还培养了批判性思维、协作能力与科技伦理意识，实现了知识、技能与素养的三维发展。
本研究为小学体育教学改革提供了可操作的实践路径，凸显了教育数字化转型背景下跨学科整合与AI赋能的教育价值。未来需进一步探索该模式的规模化应用，完善评估体系，并加强教师跨学科教学能力培训。同时，需平衡技术应用与人文关怀，确保教育创新始终以学生全面发展为导向。
基金项目
蚌埠学院产学研项目《体育赛事、体育培训、体育健康产业工作室筹建及其实施与运营服务研究》(000149090)；蚌埠学院产学研项目《体育赛事运营及培训研究服务》(000149064)；淮南师范学院2025年校级专项一般项目：数字经济背景下体育产业“访企拓岗”模式创新与校企协同育人路径研究：2025XJYB025。