1. 引言
1.1. 研究背景与问题提出
2022年11月，ChatGPT的发布标志着生成式人工智能(Generative Artificial Intelligence, GAI)技术进入普惠应用阶段。教育领域正经历从“数字化”到“智能化”的范式转换。高中数学作为培养学生抽象思维、逻辑推理与问题解决能力的核心学科，其自主学习能力的培养面临双重挑战：一方面，传统课堂教学难以满足学生个性化学习需求，“一刀切”的教学进度导致学困生“跟不上”、学优生“吃不饱”；另一方面，现有在线学习平台多为资源聚合型，缺乏动态生成、即时反馈与深度交互能力，难以支撑真正意义上的自主探究。
我国《普通高中数学课程标准(2017年版2020年修订)》[1]明确提出“培养学生自主学习能力”的核心目标，但实践中仍存在三大瓶颈：(1) 诊断精准度低：教师难以实时把握每个学生的认知盲点；(2) 支架适配性差：静态学习资源无法根据学生认知状态动态调整；(3) 元认知发展弱：学生缺乏有效工具监控与调节自身学习过程。生成式人工智能凭借其强大的自然语言理解、多模态内容生成与个性化对话能力，为破解上述困境提供了技术可能。然而，如何科学设计“人师主导、AI助教、学生主体”的协同机制，避免技术异化与认知依赖，成为亟待解决的理论与实践命题。
1.2. 研究意义
本研究在理论层面构建了“人机协同”视域下的自主学习理论模型，拓展了建构主义与联通主义在智能时代的新内涵，为技术赋能教育提供了本土化理论框架；在实践层面提出了可操作的“四阶螺旋”策略体系，并通过准实验验证了其有效性，为一线教师提供了从理论到实践的完整解决方案，有助于推动生成式人工智能在基础教育中的规范化应用；在政策层面，研究结论可为《生成式人工智能服务管理暂行办法》[2]在教育场景的实施提供实证依据，助力构建安全、高效、有温度的智能教育生态。同时，本研究在理论、策略与方法上均体现出创新性：理论上，提出了“认知脚手架–情感支持体–元认知发展”三维赋能框架，揭示了生成式人工智能作用于自主学习能力的内在机制；策略上，设计了“诊断–交互–建构–协作”四阶螺旋模型，实现了从“工具使用”到“能力内化”的跃迁；方法上，采用“设计研究法”与准实验相结合的方式，在真实教育情境中持续迭代并优化策略。
2. 文献综述与理论基础
2.1. 自主学习能力研究脉络
自主学习能力(Autonomous Learning Ability)理论源于Holec [3]的“学习者责任”概念，后经Zimmerman [4]发展为三维模型：认知自主、行为自主与情感自主。国内学者庞维国[5]提出“想学、会学、能学、恒学”的四要素框架。数学学科的特殊性在于其高度的抽象性与逻辑性，董奇[6]指出数学自主学习需强调“问题表征–策略选择–监控调节”的认知闭环。然而，传统研究多聚焦教师指导策略，对技术赋能路径关注不足。
2.2. 生成式人工智能教育应用现状
GAI教育应用研究呈现爆发式增长。Kasneci等[7]系统评估了ChatGPT在教育中的12种场景，强调其作为“苏格拉底式对话者”的潜力。国内研究方面，祝智庭[8]提出“教育大模型”概念框架，钟志贤[9]探讨了GAI促进深度学习的机制。数学学科应用中，Frieder [10]发现GAI在解题步骤生成、概念解释可视化、错题归因分析等方面表现优异。但现有研究存在“重技术展示、轻理论建构”“重通用场景、轻学科特质”“重效率提升、轻能力培养”的倾向。
2.3. 人机协同教育理论
人机协同(Human-AI Collaboration)理论源自人机交互(HCI)领域。Inkeri [11]提出教育场景下的“认知外包–能力互补”模型，强调AI应处理数据分析等低阶任务，人类专注高阶思维。国内学者李芒[12]警惕“技术替代人”的风险，倡导“人师主导、AI助教”的协同关系。本研究在此基础上，进一步建构适配数学自主学习的协同机制，明确GAI的能力边界与教育定位。
3. 人机协同赋能的理论框架
3.1. 核心概念界定
生成式人工智能赋能：指利用GAI的自然语言生成、逻辑推理与多模态内容创建能力，为学生提供个性化学习支持，促进其从“被动接受”转向“主动建构”的过程。
数学自主学习能力：包含三个递进层次：基础层(知识自主获取)、进阶层(问题自主探究)、拓展层(思维自主发展)，体现为元认知监控、认知策略运用与情感态度调节的统一。
人机协同机制：在教师设计的学习任务驱动下，学生与GAI形成“提问–回应–反思–修正”的迭代循环，GAI作为“认知伙伴”而非“答案提供者”，教师作为“元认知支架”设计者全程调控。
3.2. 三维赋能框架
本研究构建了一个由三个核心维度协同作用的GAI赋能数学自主学习理论模型。在认知脚手架维度，该模型依托GAI实现精准诊断，通过分析学生的提问模式、解题步骤与错误类型绘制动态认知图谱以定位其“最近发展区”；并据此智能生成“基础巩固–变式训练–拓展探究”三级动态学习路径，实现“一人一案”；同时提供步骤级即时反馈，形成“错误溯源–思路启发–方法优化”的链条式指导。在情感支持维度，GAI通过无评判的回应风格营造心理安全场，降低学生的提问焦虑；并通过生成生活化情境、讲述数学史故事等方式激发与维持内在学习动机；当学生连续受挫时，系统会主动切换至更基础问题或提供情感安抚，实现挫败修复。在元认知发展维度，GAI通过要求学生解释思路并生成可视化的思维流程图，促进其思维外显与自我觉察；通过设定学习阈值并进行适时提醒，辅助学生进行学习监控与策略调整；并通过预设“元认知提问模板”系统引导深度反思。该模型旨在通过上述多维度的协同支持，系统性地提升学生的自主学习能力与数学素养(图1)。
Figure 1. A human-AI synergistic framework for autonomous mathematics learning
图1. 人机协同的自主性数学学习框架
4. “四阶螺旋”策略体系设计
4.1. 第一阶：智能诊断与路径规划(起步阶)
旨在精准定位认知起点并制定个性化学习方案，该方案通过前置诊断任务包展开：教师设计涵盖核心概念的5-8道诊断题，学生独立完成并上传至GAI系统，系统不仅判断正误，更深入分析错误模式(如概念混淆、计算失误、思路中断等)，进而生成《个人认知画像报告》。基于该报告，GAI将在教师审定的知识图谱中智能规划学习路径——例如，若学生对“导数概念”的理解停留在符号记忆层面，路径则优先安排“变化率”的物理意义探究与几何意义可视化任务。此过程中设有教师审核机制，教师可对GAI生成的路径进行调整，删除超纲内容或融入校本化案例，以保障路径的科学性与适切性。例如在某案例片段中，学生因在“利用导数判断函数单调性”诊断中错误地将导数正负与函数值大小直接关联，GAI识别此为“概念表象化”问题，随之在路径首项设置为“从海拔变化率理解爬山过程中的高度变化”，并推荐相应的GeoGebra动态演示视频以辅助理解。
4.2. 第二阶：动态交互与深度探究(核心阶)
该阶段的核心目标是通过构建高质量的人机对话来促进学生进行深度学习，其实现路径整合了三个关键策略：一是采用苏格拉底式提问，借助预设的提问模板(例如“这个条件能推出什么？”“与之前学过的哪个知识类似？”)，在学生思维受阻时不直接提供答案，而是以启发性问题引导其自主探究；二是推动多模态表征转换，即针对抽象概念，GAI能够自动生成并融合文字描述、符号表达、图形演示和现实情境四种表征形式，如在阐释“椭圆定义”时，同步呈现数学方程式、手绘示意图以及行星轨道模拟动画，以促进多元理解；三是将错误资源化，当学生出现错误时，系统会将其转化为有价值的学习契机，通过追问“这个错误解法在什么情况下可能成立？”来引导学生剖析错误背后的合理成分，从而深化理解并培养批判性思维。该过程在具体对话中得以体现：例如当学生在立体几何题中因建系计算复杂而寻求简单方法时，GAI首先引导其反思坐标系设置，继而提示“尝试不计算，仅从几何角度观察”，帮助学生自主发现线段相等、面面垂直等几何关系，最终引导学生对比解析法与综合法的适用情境，从而在解决问题的过程中建构起策略性知识。
4.3. 第三阶：反思建构与迁移创新(升华阶)
该阶段以“将碎片化学习转化为结构化认知，实现举一反三”为核心目标，并整合了三个关键的实施策略：首先，进行思维外显化训练，要求学生运用“费曼技巧”向扮演“不懂的高一新生”的GAI讲解知识点，GAI会对模糊之处持续追问，并在讲解结束后自动生成思维导图供学生对比修正；其次，开展变式生成与评估，学生可请求GAI针对某类题型生成变式题并自行评估其难度与考点，GAI则提供“专家评估”作为参照，并在学生评估偏差较大时给予元认知提示；第三，设计微创新任务，例如设定“给高一学生设计一道月考压轴题”的任务，促使学生综合多个知识点并设置合理梯度，GAI会提供命题规范与难度评估支持，优秀作品可纳入班级题库。在此基础上，方案还配套开发了《数学自主学习能力量表》作为评估工具，该量表涵盖“知识结构化”“策略灵活性”“迁移意识”三个维度，并通过每两周一次的GAI对话分析实现动态评估，从而系统性地支撑与衡量学生认知结构的深化与迁移能力的提升。
4.4. 第四阶：社群协作与共生发展(拓展阶)
该阶段以“突破个体学习局限，构建学习共同体”为核心目标，通过三项实施策略系统推进：首先，借助智能分组，GAI通过分析全班学生的认知画像，将具有异质特征的学生组合为4人学习小组，例如将“概念理解强但计算弱”的学生与“计算精准但思路窄”的学生进行配对，以实现优势互补与协作共生；其次，设计协作任务，GAI生成具有现实意义的开放性问题(如“为校园设计最短巡逻路线”以应用图论知识)交由小组共同解决，在此过程中，GAI会持续记录并分析每个成员的贡献度，及时识别潜在的“搭便车”行为并予以提醒，以保障协作的有效性；最后，注重集体智慧的沉淀，GAI能够自动汇总全班的高频错误与精彩解法，形成《班级学习白皮书》，为教师调整教学重点提供数据支持，从而将个体经验转化为可供共同体共享和反思的集体知识资产，持续推动学习生态的优化。
5. 教学实践设计与效果评估
5.1. 研究设计
本研究采用准实验研究法，选取某省重点高中高一年级两个平行班(每班50人)作为研究对象，其中实验班实施GAI赋能的教学模式，对照班则采用传统的自主学习模式(使用纸质学案与在线答疑)。实验周期为16周，教学内容覆盖“函数与导数”“三角函数”与“立体几何”三大模块。为控制无关变量，确保两班由同一位教师授课，教学进度与课时总量保持一致，且前测成绩无显著差异。本实验的自变量为教学干预方式(GAI赋能模式与传统模式)，因变量则聚焦于学生的数学自主学习能力、学业成绩以及高阶思维能力。相应的测量工具包括：自编的《高中生数学自主学习能力量表》(其信度Cronbach’s α系数为0.89)、统一的期中与期末考试成绩，以及一套改编自PISA 2022数学素养框架的《高阶思维能力测试题》。
5.2. 实施过程
为了确保GAI赋能教学模式的顺利实施与有效运行，研究在实验前及过程中设置了系统性的支持与规范流程。在教师培训方面，实验前对教师开展了为期20学时的专项培训，内容涵盖GAI工具操作、苏格拉底式提问设计以及教育伦理规范等，以确保教师在整合技术的教学环境中始终把握主导地位。在学生适应阶段，前2周被设定为“人机对话规范期”，重点引导学生学习有效提问的三项原则(具体性、反思性、批判性)，以预防和减少“AI代劳”现象。在此基础之上，构建了贯穿学习周期的日常教学流程：课前，学生利用15分钟完成GAI诊断并获取个性化预习任务；课中，教师则聚焦于全班共性难题进行精讲，学生则在小组探究中借助GAI作为协作与探究工具；课后，学生可从GAI根据其水平生成的基础、进阶、挑战三级作业中选择完成，并由GAI完成批改与个性化错题本生成；周末，学生需提交反思性的“AI对话学习日志”，教师通过抽查日志并提供个别辅导，从而形成一个“诊断–教学–练习–反思”的个性化学习闭环。
5.3. 数据分析
实验结果表明，GAI赋能教学模式取得了显著成效。在自主学习能力方面，实验组后测总分(M = 84.32, SD = 6.15)显著高于前测(M = 68.45, SD = 7.89)，统计检验结果显著(t(49) = 11.23, p < 0.001)，且效应量较大(Cohen’s d = 1.59)，而对照组前后测差异不显著；其中，实验组在“元认知监控”维度提升幅度最大(ΔM = 12.4)，印证了GAI在促进思维可视化方面的优势。在学业成绩上，期末统考中实验组平均分(M = 118.6/150)显著高于对照组(M = 112.3)，且其实验组内部成绩的标准差明显缩小(从15.2降至10.3)，表明GAI对学困生的提升作用尤为突出，促进了班级整体成绩的均衡发展。就高阶思维能力而言，开放题测试显示，实验组在“问题提出”与“模型建构”维度的得分率分别提升了27%与31%，远高于对照组的5%与8%；质性分析进一步发现，实验组学生的答案更具多视角特质，并常带有“对话痕迹”，反映出深度思考的过程。此外，通过对典型个案(学生张某，原成绩居后30%)的追踪发现，其学习方式从初期过度依赖答案逐渐转变为“追问式学习”，在“错误资源化”能力上进步显著，期末成绩从85分提升至112分，学习效能感量表得分增长了45%，具体展现了该模式对个体学生的转化潜力。
6. 现实挑战与应对策略
6.1. 认知风险：技术依赖与思维浅表化
表现：在当今数字化学习浪潮中，部分学生对生成式人工智能(GAI)的依赖程度日益加深，将其视作“答案搜索引擎”，在学习过程中跳过独立思考的关键环节。例如，在解答数学难题时，学生不再尝试通过分析题目条件、运用所学知识逐步推导，而是直接向GAI输入问题，获取现成答案。长此以往，学生的自主学习能力得不到锻炼，思维逐渐变得浅表化。此外，长期过度依赖GAI还可能对学生的基础能力发展产生负面影响。在数学计算方面，学生因频繁借助GAI完成计算任务，自身计算能力逐渐退化，对基本运算规则和技巧的掌握变得生疏。在空间想象力培养上，由于GAI能够快速呈现三维模型等直观图像，学生自主构建空间模型、进行空间想象和推理的机会减少，导致空间想象力发展受限。
对策：
实施“GAI使用契约”：制定明确的“三问三答”原则，要求学生在遇到问题时，必须先进行至少三次自主思考和尝试解答，只有在经过充分思考仍无法解决问题时，才可向GAI求助。例如，在语文写作中，学生面对作文主题，先自行构思文章结构、收集素材、撰写初稿，经过反复修改完善后，若仍存在困惑，再借助GAI获取一些写作思路和技巧方面的建议。通过这种方式，引导学生养成独立思考的习惯，避免过度依赖技术。
设计“无AI日”：每周设定一天为“无AI日”，在这一天里，学校禁止学生使用GAI完成学习任务。教师可以利用这一天，安排一些强化基础能力的训练活动，如数学计算专项练习、空间图形绘制与想象训练等。以数学学科为例，在“无AI日”可以组织学生进行限时计算比赛，通过大量基础计算题的练习，提高学生的计算速度和准确性；在美术课上，让学生根据文字描述自主绘制三维空间图形，锻炼他们的空间想象力。
教师定期组织“AI反诘课”：教师收集GAI在解答问题时出现的错误解法，在课堂上进行展示和分析。引导学生以批判性的视角审视GAI的回答，不仅关注答案的正确性，还要深入思考其解题思路和方法是否合理。例如，在物理学科中，GAI可能在解答力学问题时，对受力分析出现错误，教师在“AI反诘课”上展示该错误解法，让学生找出问题所在，并共同探讨正确的解题方法。通过这种方式，培养学生的批判性思维和质疑精神，使学生明白GAI并非绝对可靠，需要理性对待。
6.2. 伦理风险：数据隐私与算法偏见
表现：学生在使用GAI进行学习交流时，往往会输入一些个人信息，这些提问内容可能不经意间暴露学生的心理状况与家庭信息。例如，学生在向GAI咨询关于学习压力、人际关系等问题时，可能会详细描述自己的情绪状态和家庭环境，这些敏感信息一旦被泄露，可能会对学生的隐私和安全造成威胁。同时，GAI的训练数据来源广泛，其中可能存在性别、地域等方面的偏见。这些偏见在GAI的算法运行过程中可能被进一步强化，导致其给出的回答对某些群体存在不公平或歧视性内容。比如，在职业推荐方面，GAI可能基于训练数据中的性别偏见，对女性推荐一些传统认为适合女性的职业，而忽视了女性在其他领域的潜力和兴趣。
对策：
部署校本化GAI系统，采用差分隐私技术脱敏：学校自主研发或与专业机构合作部署校本化的GAI系统，确保学生数据不出校园，从技术层面保障数据的安全性。同时，采用差分隐私技术对学生在使用GAI过程中产生的数据进行脱敏处理，在不影响数据可用性的前提下，最大程度保护学生的个人隐私。例如，在收集学生提问数据时，对其中涉及的个人身份信息、家庭住址等敏感内容进行模糊化处理，使数据在分析和使用过程中无法直接关联到具体学生。
建立“偏见审查委员会”：学校组建由教师、技术人员和学生代表组成的“偏见审查委员会”，每月定期抽查GAI的回应内容。审查人员运用专业的知识和多元的视角，对GAI的回答进行细致分析，一旦发现存在歧视性内容，立即进行标记，并要求相关技术人员对算法进行调整和优化，确保GAI的回答公平、公正、无偏见。例如，在审查GAI对不同地域学生的评价时，若发现存在地域歧视性言论，委员会及时反馈问题，促使开发团队改进算法，消除地域偏见。
开展“AI伦理”主题班会：定期组织“AI伦理”主题班会，通过案例分析、小组讨论、角色扮演等多种形式，向学生普及数据保护的重要性和算法偏见的相关知识。引导学生树立正确的数据保护意识，明白个人信息的价值和保护方法，同时培养学生的算法批判素养，使学生能够敏锐地察觉GAI回答中可能存在的偏见，并学会用理性的态度对待。例如，在班会上展示一些因数据泄露导致个人权益受损的真实案例，让学生深刻认识到数据保护的重要性；通过小组讨论，让学生分析GAI回答中可能存在的偏见表现及产生原因，提高学生的批判思维能力。
6.3. 教学风险：教师角色迷失与数字鸿沟
表现：年轻教师在接触GAI这一新兴技术时，由于对其功能和优势缺乏全面、深入的认识，容易将GAI作为“偷懒工具”，在教学设计过程中忽视自身的专业性和创造性。例如，在备课环节，部分年轻教师直接依赖GAI生成的教学方案，不结合学生的实际情况和教学目标进行深入思考和调整，导致教学内容缺乏针对性和趣味性，教学质量受到影响。此外，不同家庭设备条件的差异也加剧了教育不公问题。一些家庭经济条件较好的学生能够拥有性能优良的电子设备，如高性能电脑、平板电脑等，并且可以随时接入高速网络，方便使用GAI进行学习；而部分家庭经济困难的学生可能只有简单的手机设备，网络速度也较慢，甚至无法正常使用GAI，这使得他们在学习资源和机会的获取上处于劣势，进一步拉大了与其他学生的差距。
对策：
强化教师“元认知支架设计者”角色，将GAI使用纳入教学基本功考核：明确教师在教学过程中作为“元认知支架设计者”的重要角色，要求教师不仅要传授知识，更要引导学生学会学习，培养学生的元认知能力。将GAI的合理使用纳入教学基本功考核体系，激励教师积极探索如何将GAI与教学有效融合，提升教学质量。例如，教师在设计教学方案时，要充分考虑如何利用GAI引导学生进行自主学习、合作学习和探究学习，培养学生的高阶思维能力；在考核中，通过课堂观察、学生反馈、教学成果展示等方式，评估教师对GAI的使用是否合理、有效，是否真正促进了学生的学习和发展。
学校提供“GAI学习平板”借用服务，确保全员参与：学校购置一定数量的“GAI学习平板”，建立借用制度，为家庭设备条件较差的学生提供免费借用服务，确保所有学生都能平等地使用GAI进行学习。同时，学校安排专业技术人员对借用设备进行定期维护和管理，保证设备的正常运行。例如，学校可以设立专门的设备借用窗口，学生凭借学生证办理借用手续，规定借用期限和归还要求；技术人员定期对设备进行检查、更新软件和修复故障，为学生提供良好的使用体验。
建立“AI助教使用红黑榜”：学校制定详细的“AI助教使用评价标准”，从教学目标达成、教学方法创新、学生参与度、教学效果等多个维度对教师使用GAI进行教学的情况进行评价。根据评价结果，建立“AI助教使用红黑榜”，对在教学实践中合理、有效使用GAI，取得良好教学效果，能够为学生提供优质学习体验的教师进行表彰和奖励，将其优秀教学案例进行推广和分享；对滥用GAI、忽视教学专业性、教学效果不佳的教师进行通报批评，并要求其限期整改。通过这种方式，营造良好的教学氛围，引导教师正确使用GAI，提升教学水平。
7. 讨论与理论贡献
7.1. 人机协同的教育本质再认识
本研究证实，GAI的有效赋能需满足三个条件：任务适配性(数学问题需有一定开放度)、主体能动性(学生具备基础元认知能力)、教师调控性(教师全程设计、监督与情感补足)。GAI并非替代教师，而是将教师从重复性劳动中解放，使其更专注于情感支持与高阶思维激发。技术真正价值在于“增权”而非“替代”。
7.2. 自主学习能力发展的动态机制
研究发现，GAI通过“即时反馈–反思修正–能力内化”的快速循环，将传统自主学习中的“长反馈周期”压缩为“分钟级响应”，极大提升了学习效率。但需警惕“速度陷阱”——过快反馈可能削弱思维韧性。最佳节奏应是“适度等待 + 精准提示”，这要求教师精细设计GAI的“响应延迟”与“提示强度”。
7.3. 研究局限
本研究存在一定局限，未来可进一步深化：首先，实验样本主要来源于重点高中学生，其结论推广至薄弱学校需保持谨慎；其次，为期16周的实验周期难以充分评估干预措施的长期效应，尤其是对学生创新思维等深层能力的影响；此外，生成式人工智能技术本身正处于快速迭代阶段，当前所构建的策略体系也需随之持续更新与调适。
8. 结论与展望
本研究构建了生成式人工智能赋能高中生数学自主学习的“三维框架、四阶螺旋”策略体系，并通过准实验验证其有效性。核心结论如下：(1) GAI通过精准诊断、动态交互与思维可视化，可显著提升学生自主学习效能感与高阶思维能力；(2) “人师主导、AI助教、学生主体”的协同机制是避免技术异化的关键；(3) 策略实施需配套教师专业发展、伦理规范与公平保障机制。
未来研究可从以下方向展开深化：其一，开展为期三年的纵向追踪研究，以评估该框架对学生数学素养的长期影响；其二，进行跨学科比较，探索生成式人工智能在理科与文科自主学习能力培养中的差异化应用策略；其三，融合情感计算技术，引入多模态情感识别以实现更精细化的学习情感支持；其四，基于本土化教材与学情数据微调开源大模型，提升智能回应的精准度与文化适切性。在智能时代的教育实践中，我们应始终追求“技术的理性”与“人性的温度”的和谐统一，唯有坚守育人初心，方能使生成式人工智能真正成为照亮学生数学探索之路的智慧之光。
基金项目
黄冈师范学院校级教学研究项目——生成式人工智能培养和提升高中生数学自主学习能力的策略研究(2025CE35)。
NOTES
*通讯作者。