AI-STEM 创新融合的内生机理

人工智能技术通过海量数据模型、深度学习算法、高强度计算力等应用场景，使得教育更加接近本质。STEM教育通过鼓励学生应用跨学科知识，遵循“发现问题→提出问题→解决问题”活动进程，参与创造性的团队工作。

AI-STEM 教育创新融合的内生机理

1►源于创新实践的理念内涵

目前，大众普遍认可人工智能是通过探究人类智能活动机理，构造受人脑启发的人工智能体，它使机器能够如人一般思考和行动，以进一步提升人的创造智能。可见，人工智能为创新人才培养提供了泛在、灵活、智能的技术支持。一方面，其结合学生特质和兴趣偏好，推送适切的学习资源和学习指引，精准建构个性化创新路径；另一方面，人工智能诊断学生创新发生的阶段性障碍，精准提升教学干预的针对性和有效性。

创新是STEM教育的出发点，其培养学生创新能力的使命与生俱来，而源于创新实践的教育原点，是促进AI-STEM创新融合的根基。

2►面向复杂问题的实践过程

人工智能技术智能化的功用，如计算机视觉、机器学习、自然语言处理、语音识别等，为解决创新教育的复杂性问题提供了强有力的支持。

STEM教育同样强调面向复杂问题的情境探索，通过将动手实践与开放式探究相融合，来激发学生跨学科创新的潜力。研究结果表明，STEM学习对激发学习兴趣和探究意识、跨学科知识应用以及持续创新有显著提升作用。可见，面向复杂问题的实践过程，即促进AI-STEM创新融合的进程。

3►基于动态证据的评价方式

AI技术通过汇聚多元化的学习证据，致力于科学精准的有效干预。一方面，通过深度挖掘学生创新能力进阶的多模态数据，反馈创新能力进阶的关键锚点与阶段性障碍，并及时调整教学干预方案；另一方面，采用动态弹性的智能评价方式，根据问题情境和学生特质，灵活设定评测基准，实现学生持续创新的贯通性评估。STEM教育尤为强调学习证据质性层面的意义诠释以及量化层面的序列表征。

例如，认知网络分析法遵循严谨的行动框架，通过计算网络结构节点的强弱性，客观科学地评估个体与个体、个体与团体之间创新能力的动态变化情况，并基于证据反馈及时调整STEM教学干预行动，迭代改进方案设计，形成STEM教育实践与决策的证据池。因此，基于动态证据的评价方式是促进AI-STEM创新融合的保障。

证据导向的 STEM 教育评价框架

可见，AI与STEM教育的创新融合，是智能技术赋能教育创新的现实映射。这与美国心理学家诺曼（D.A.Norman）提倡的“我们要学生创新，首要要教会学生如何创新”理念相契合。

AI-STEM 创新融合的模式构建

1►设计思维：AI-STEM 模式融合的使能方法

通过审思AI与STEM教育创新融合基础、融合进程以及融合保障，发现两者融合需要刺激创新认知的发生，以适应创新能力发展的进阶历程。事实上，设计思维坚持以人为本的理念，更加关注发现问题和构思设计这一过程，而这个过程必将伴随着进阶式创新思维的迸发而产生。设计思维从创新能力进阶的根源上，为AI-STEM创新融合提供了新理路。

设计思维是创意想法在设计进程中的理论化，对其内涵有三种认识：

从目的层面来说，设计思维通过将设计经验还原并显化为设计实践过程，以指导设计者进行产品设计或解决复杂性问题。

从方法层面来说，设计思维有机融合工程设计、社会科学以及艺术科学等领域内容，是一套问题解决的方法论系统。

从过程层面来说，设计思维是“灵感—构思—实施”迭代式循环的创新过程。

基于此，设计思维即：通过真实与综合、象征与分析等方式，引导学生有方向和目的地思考问题，利用“计划—行动—反思—再计划—再行动—再反思”的迭代式循环过程，直至找到最佳的问题解决方案。

透析设计思维的价值内涵，其使能AI-STEM模式融合的着力点如下：

促进全脑思维的发展

设计思维以技术产品或目标效果为导向，借助跨学科的知识支架、非线性的逻辑思考以及艺术与美的感知，通过突破思维固有的规则和定式，能够促进学生创新能力的提升。

在参与设计式活动组织时，学生能够如同设计师一般，使用成熟的创新思维工具，接受设计要素的多感官刺激，系统解决“劣构问题”或“疑难问题”。设计思维通过让学生亲历知识融合的过程性体验，不断提升其创新实践能力和完成价值观的塑造，能够从全局战略把控AI-STEM模式的创新融合。

实现发散与聚合思维的互补

创新思维是发散思维与聚合思维的有机结合，经历“思维聚合→思维发散→思维聚合”的变化历程。设计思维在本原上与创新思维的变化规律相契合。

例如，在发现阶段，学生通过理解、准备、收集资料等方法创生想法，是思维发散过程。在解释阶段，学生通过筛选观点、问题分类的方式来寻找最佳设计方向，是思维聚合过程。在构思阶段，学生通过头脑风暴、世界咖啡等创生新奇想法，又是思维发散过程。在实验和改进阶段，学生围绕问题的核心开展实践探索，确定最佳设计方案，是思维聚合过程。可见，设计思维通过发散与聚合交替互补的方式，鼓励学生尝试不同的思维路径产生创新意念，这正是推进AI-STEM融合的催化剂。

显化创新思维的生成路径

设计思维坚持“人本主义”的设计观，通过“发现问题→构思问题→解决问题”流程，将内隐思维转化为可控的以及可操作的实践过程。另外，它借助成熟的技术工具和思维方法，参与学生深层思维的作用过程，将模糊晦涩的思维过程以形象的指令呈现出来，以此教会学生如何发生头脑风暴，其创造力自然便会油然而生。

例如，思维组织工具PISCO通过目的、输入、解答、决定、实施等环节，帮助学生整理创新进阶过程。思维指导型工具PMI表格通过优点、缺点和兴趣点，将创新思维过程进一步结构化和透明化。因此，设计思维通过呈现并衍生创新发生的进阶历程，为AI-STEM模式融合提供了科学实践方向。

2►模式构建：AI-STEM 融合模式的设计思路

设计思维通过管理并驱动学生持续创新的本原逻辑，成为AI-STEM模式融合的使能方法，目前已有不同类型的实践应用模式：

布朗（T.Brown）开发的灵感、构思和实施三螺旋模型。

英国设计协会提出“双钻石”模式，包括发现、定义、开发和交付。

IDEO公司联合河谷日校构建了发现、解释、构思、实验和评估五阶段模型。

斯坦福大学设计思维学院开发的EDIPT模型，包括共情（Empathize）、需求（De-fine）、构思（Ideate）、原型（Prototype）和测试（Test）等环节。

实质上，无论哪种设计思维模型，其在AI-STEM实践活动中都将发挥独特优势：

① 拓宽AI-STEM创新融合的知识地图，通过真实情境的项目主题、灵活开放的空间以及成熟的思维认知工具等支持，发掘智能情境下跨学科组织活动的进阶逻辑及关键脚手架。

② 以过程为导向的迭代循环，遵循“灵感—构思—实施”基本流程，结合学生认知风格和学习规律进行本土化改造，助力“设计驱动创新”目标的实现。

③ 学习与发展并举的评价原则，关注学生知识能力掌握的同时，更强调学生创新思维的发展。

AI-STEM融合模式强调借助AI技术情境，创设个性化、灵活化的活动组织，帮助学生实现跨学科问题解决与高阶思维的动态化进阶。

在智能情境中，通过汇聚学生行为、心理和生理等多模态数据，使学生的多维表现和学习过程以细粒度、可追溯的方式被记录和呈现；同时，遵循“精准识别→精准诊断→精准干预”的科学框架，经由精准画像分析、群体分层建议、学习诊断报告以及个性化学习路径推荐等过程，能够建构“以学定教—因材施教—以评促教”的智适应教育生态圈，让大规模化个性化学习成为可能。

活动理论包括主体、客体、工具、共同体、规则和分工六大要素，它们彼此交相融合，促使整个活动系统处于动态平衡。

在AI-STEM活动组织中：

这六个要素共同作用于由“设计思维模型”牵引的AI-STEM活动进程，促使学习共同体感知创新能力螺旋式发展历程。

综上所述，关照智能教育情境下人机协同的典型特色，充分汲取情境学习理论及活动理论对AI-STEM融合模式的指导价值，基于设计思维EDIPT模型“共情→需求→构思→原型→测试”经典流程，结合AI-STEM创新融合的进阶根源，从价值内核和外部组织行为建构了AI-STEM融合模式。

设计思维使能的 AI-STEM 融合模式

在应用该模式时需要注意两点：一是活动设计目标应以启蒙学生的创新意识为抓手，重点关注学生创新能力进阶的关键障碍；二是由于学生在逻辑思维、自控力等方面仍有不足，在探究时可能面临较多的协作障碍或认知困难，教师应适当增加引导或扶助环节，切勿过度依赖人工智能技术，以此削弱学生主动创新的能动性。

3►要素阐释：AI-STEM的外部保障和内核价值

AI-STEM 融合模式的外部保障

在设计思维使能的AI-STEM创新融合模式中，基于情境学习理论“学习动机→学习本质→学习内容→学习过程”情境理性的内生机理，充分发挥计算智能、感知智能、认知智能以及评测智能等技术优势，通过更具智慧的创新性实践过程，全面了解学生创新能力发展的兴奋点和关键障碍，保障教学决策的精准化、个性化、过程化以及创新化。

计算智能扮演智能分析的角色，保障了活动组织的精准化。通过多模态数据深度挖掘学生动作行为、心理认知和生理等方面的变化情况，科学预判学生创新进阶的薄弱点或障碍，并采用预警机制及时修订干预方案。同时，智能技术支撑的活动组织更具个性化，基于动态系统的综合性评估映射活动组织的真实效果，从而针对不同创新水平的学生推送适切的内容资源和教学指引。

感知智能扮演智能交互的角色，促进了活动进程的创新化。通过智能感知技术深度挖掘学生创新发生的结构化与非结构化数据，进而采用智能算法将多模态数据与创新特征序列相关联。同时，抽取学生学习风格、行为习惯、认知水平、兴趣偏好等多粒度数据，综合运用多种外显与内隐途径，动态监测学生创新能力发展的真实状态，使其接受更加适切的教学指导。

认知智能扮演智能适配的角色，促进了活动内容的个性化。通过认知推理技术以及智能匹配算法，能够厘清学生创新能力的结构要素，同时结合学生特质推荐最佳干预方案。此外，由于认知智能技术具有一定的推理能力，借助其优势能够形塑科学的、智能适应的教育路径。例如，通过语义理解、知识图谱、联想推理等过程，精准描绘学生的全息画像，智能适应地刺激学生创新思维的发生。

评测智能扮演动态监测的角色，保障了活动评价的多元化。现有STEM评价通常基于学生的过程性表现，忽视了创新能力难以有效量化的现状，即必须深入思维内隐的动态变化过程，做到思维量化的可观、可感和可测，才能保障评测过程的科学性、全息化和立体化。智能技术的融入，提供了精准个性化的评测方式，通过全方位采集学生生理、心理和行为等多模态数据，观测学生“创意”产生的路径和水平，从而对其进行精准引导和帮扶。

AI-STEM 融合模式的内核机制

AI-STEM融合模式作为一种支持过程性创新的可操作性框架，基于活动理论牵引的共同体学习组织，遵循“共情→需求→构思→原型→测试”等流程，使得创新能力发展的进阶训练更加透明化。同时，每个环节可根据学生的认知风格和兴趣偏好，嵌入合适的思维认知工具，通过映射学生创新能力发展的进阶历程，持续且有效地激发学生的创新潜能。

共情是设身处地思考主体以外其他人和事物的想法或需求，从而产生对所要解决问题的同理心。在共情阶段，教师需要为学生创设合适的学习任务，学生作为敏锐的行动者，参与提问、对话和情感表达。该阶段常用的思维工具有同理心地图、深度访谈、档案数据分析和APOEM（Actions，People，Objects，Environment，Messages）模型。其中，同理心地图作为学生“心理画像”的图形化映射，能够显现出学生在情绪层面“情感觉知”水平、认知层面提取“问题痛点”的能力以及行为层面“换位思考”的能力。

需求是学生对共情阶段所获得的信息进行筛选和总结，按照“用户+需求+见解”的逻辑确定任务要点。该阶段主要是根据任务需求，创生想法、收集灵感，实践中通常借助6W2H（Which，Why，What，Where，When，Who，Howtodo，Howmuch）和PoV（PointofView）工具，来引导学生发现问题。前者从Which（选择的对象是什么）、Why（为何要解决该问题）、What（解决问题的目的是什么）、Where（在哪里完成）、When（什么时间完成）、Who（谁来完成）、Howtodo（如何提高效率）和Howmuch（效果如何）等八个维度定义问题。PoV（PointofView）法则建议学生从对象是谁、问题解决方案是什么、目标是什么等维度进行问题描述。

构想是提炼问题解决的整体性方案，也可将问题分解为若干环节，给出每个环节的具体行动方案。头脑风暴是该阶段的核心任务，学生需要在宽松的氛围中，激发自由思维和拓展问题空间，尽可能地捕捉新想法和新方案。此时，可从联想反应、热情渲染、竞争意识、个人欲望等方面激发学生的创新思维，并借助改善方案和改良事物的SCAMPER工具（Substituted，Combined，Adapt，Modify，Puttootheruses，Elimi-nate，Rearrange）及时捕捉和记录观点。在观念形成后，则需要评判所有观点，确定最优解决方案。此时，采用六顶帽子工具提供的路线：陈述问题（白帽）→提出问题解决方案（绿帽）→评估方案优点（黄帽）→列举方案缺点（黑帽）→对方案进行直觉判断（红帽）→做出决策（蓝帽），快速聚焦并改进行动计划。

快速原型是以最小成本、最短时间来实施问题解决方案。原型可以是方案的提纲或作品模型，其目的是在真实应用情境中测试方案或作品可能存在的问题。该阶段遵循3R法则，即粗略（Rough）、迅速（Rapid）、恰当（Right），可采用手绘图、3D打印、示范代码/完整的项目代码（Demo）设计或情境故事等简单方式完成，也可借助智能虚拟技术，如虚拟现实（VR）/增强现实（AR）技术、虚拟仿真技术等，快速将创意想法现实化。同时，借助多模态数据分析，快速诊断学生创新能力发展的进阶障碍，针对个性问题及时反馈并提供科学干预。

测试是确定问题解决或需求满足的程度，其结果是优化方案的直接证据。原型测试关键是引导学生分辨原型功能的可行性。因此，场景分析和原型评估是测试阶段的有效方法，通过系统评估作品功效进一步权衡方案的优劣性。需要强调的是，在该阶段中，教师参照智能评测的系统反馈，充分尊重学生的性格特征、认知风格等，帮助学生分析原型失效的可能原因和改进措施，而不只是对原型外观、颜色、造型等表层属性进行简单评估。在此意义上，设计思维的测试环节不是简单的纠错过程，而是一种高阶认知活动，是映射在原型进化之上的思维进化过程。

人工智能时代的教育变革

￥49

购买

AI-STEM 创新融合的实践案例

下面将以“人工智能分类垃圾桶”为主题，完成为期两个月的AI-STEM实践活动，通过科学认知和探究环节，提升学生的科学素养；通过信息检索、编写程序以及使用智能机器人等，提升学生的技术素养；通过构思设计、迭代优化等操作，锻炼学生的工程设计与制作技能；通过空间构造、建模设计等，培养学生对艺术与美的感知；通过几何计算、测量等操作，提升学生的数学应用能力。

人工智能支持下的个性化及灵活化的活动组织，为学生营造了拥有丰富技术、活动资源以及智能交互的和谐氛围，有助于激发学生创新认知和创新体认的发生。

1►基本流程

遵循 “共情 → 需求 → 构思 → 原型 → 测试”等设计过程，开展“人工智能分类垃圾桶”创新活动。

共情阶段

明确任务设计，思考优化功能

“人工智能分类垃圾桶”活动，旨在引导学生认识垃圾分类的重要性、了解垃圾分类的基本知识以及掌握如何应用人工智能技术实现垃圾分类。在这个过程中，教师需要提出设计与制作的活动规则与要求，增强学生的活动规范意识。同时，启发学生开拓思路，从不同使用群体、应用场景等视角全面思考活动要求。学生需要明确设计与制作活动的基本流程，思考如何开展活动，包括准备工作、灵感收集、活动实施、小组协作等。该环节需要借助人工智能技术优势，通过深度挖掘学生的行为动作和心理认知倾向，自动组建性格倾向和创新能力相当的学习共同体。思维工具可采用同理心地图，从所说、所想、所感、所做等方面，评测学生的任务感知水平以及情感觉知能力。

需求阶段

创建应用情境，激发设计兴趣

教师围绕“了解垃圾如何进行分类”“体验垃圾分类游戏”等创新进阶活动，进一步明确任务需求。

例如，人工智能技术可以解决垃圾分类的哪些问题？如何使用人工智能技术进行垃圾分类？学生掌握垃圾分类的基础知识后，围绕“人工智能如何助力垃圾分类”这一问题，通过网络技术或智能虚拟技术，开展资料收集与设计思考。该环节充分借助人工智能技术优势，拓展智能垃圾桶的功能设计，激发学生创意想法的产生。思维工具可采用思维导图或概念图，用于评测学生的知识容量、联想路径；通过6W2H思维具象工具，从各维度明确设计产品亟待解决的问题。

构思阶段

参与头脑风暴， 集思广益设计方案

教师围绕“如何编写垃圾分类程序”“如何利用智能机器人进行垃圾分类”等任务，鼓励学生大胆创新、自由探索，并明确提出操作机器人的纪律要求。学生思考通过什么程序模块实现智能垃圾桶的创意功能，例如，自动开盖、环境感测、卫生报警、语音提醒等，并亲测程序设计方案的可操作性，确定最优设计方案。该环节需要借助人工智能技术优势，自动捕捉学生的认知力和情绪力，同时参照学生的兴趣偏好和思维习惯，智适配符合学生创新水平的资源服务和科学干预，为原型设计奠定基础。创新思维评测可采用PMI表格或头脑风暴工具，用于评测学生的兴趣意识以及创新思维水平。

原型阶段

构建作品原型，交流改进方案

基于3R原则，学生以小组形式，利用智能机器人和程序编码完成“人工智能分类垃圾桶”的具体功能设计。教师参照智能评测反馈以及STEM设计要求，同时结合学生的过程性表现，及时反馈并修正教学干预行动。该环节借助人工智能认知推理和智能评测的优势，通过汇聚学生情境感知、行为动作、情绪认知、心理及生理等多模态数据，诊断学生创新能力进阶的关键障碍，并给予针对性指引和帮扶，以实现个体和同伴创新能力发展的共同建构。创新思维评测可采用创新思维（SCAMPER）工具，以评测学生作品的质量水平。

测试阶段

验证应用效果，倾听反馈与建议

学生以小组为单位展示作品，根据其它小组成员的用户体验反馈，迭代优化设计方案。教师从STEM设计视角出发，针对各小组的作品设计提出改进建议。该环节借助人工智能技术，动态监测和预判学生创意设计的思维路径和发展趋势，并基于特征提取、自动匹配、精细测量等过程，评估学生创新思维的流畅性、变通性以及独创性。创新思维评测可采用产品原型评估工具，以评测学生作品的性能水平以及用户体验情况。

2►效果分析

创造力是根据行动目的，产出具有新颖性、独特性和价值性的智力产品， 通常和创新潜力、 创新过程、创新产品、创新环境等因素相关。基于此，本研究采用威廉斯创造力评估量表（包括创造力倾向量表和思维活动量表）、作品创造力表现评估量表以及师生访谈数据，分别从创造力倾向、创造力认知以及创造力表现等方面，评估学生创新能力的发展水平。

创造力倾向数据分析结果

测量结果表明，基于AI-STEM融合模式开展学习活动后，学生的创造力倾向显著提升。其中，冒险性、好奇心、想象力与挑战性等子维度亦呈现显著提升效果。

可以发现，当被试应用AI-STEM融合模式组织活动时，能够充分关照“唤醒→认知→探究→反思”等创新能力进阶历程，有利于学生创造力倾向的发生。这与达纳赫（E.Danahy）等研究结果相一致，即借助智能技术的自主探究和科学干预，有助于激发学生的创新潜能。

创造力认知数据分析结果

采用思维活动量表，分别从变通性、流畅性和独创性测量学生创造力认知的变化。结果表明：整体上学生的创造力认知呈现显著提升，且变通性、流畅性和独创性等子维度亦有显著提升效果。

为进一步探究学生创造性思维发展趋势，将学生思维能力的测试成绩制作成折线图。

学生创造力认知变化趋势

可以发现，学生在完成AI-STEM任务后，创造力认知获得了提升，且独创性的提升幅度最大。究其原因在于学生在模块化思维工具的支持下，能够将新奇意念快速实体化，有助于激发学生独创性思维的潜能。同时，无论在内容组织还是环节编排上，AI-STEM融合活动都能充分关照学生创新能力发展的基本规律，遵从由易到难、由简到繁的创新进阶机理，及时应用脚手架提升学生的变通性思维。

创造力表现数据分析结果

创意作品是评估学生创新水平的关键指标，基于AI-STEM融合模式开展实践活动，学生的创造力表现迅速提高。进一步从主题内容、程序设计、艺术审美、创意功能和科学价值五个维度分析学生作品情况，发现学生在创意功能、程序设计等维度的表现尤为突出。可见，设计思维使能的AI-STEM活动组织，为学生塑造创意作品，提供了充分的发挥空间与工具支持，这与“智能技术对跨学科探究过程的强力嵌入拓展了学生新奇观念的产生”这一观点相契合。

具体来看，设计思维专注创新与复杂问题解决的本质，将其融入活动组织中，充分渗透了作品的物质属性和精神层面的非物质属性。同时，通过智能交互增强了学习感知力，能够将“人工智能分类垃圾桶”的创意功能迅速实体化。此外，基于人工智能技术优势以及成思维工具支持，改变了学生思考问题和解决问题的方式，有利于学生创新意念的形成。

人工智能时代的到来，丰富了STEM教育的实践场景，也为精准个性化的教学决策提供了科学支持。我们发现，AI-STEM融合模式秉持“创新本位”的实践理念，其目标定位精准性、过程实践科学性以及评估结果系统性等典型特质，有助于实现人工智能时代大规模创新人才培养目标。未来，如何进一步优化AI-STEM教学设计流程，如何在人工智能、科创教育等实践性课程中应用推广，将是后续研究和关注的重点。

来源丨《远程教育杂志》，本文系 2019 年度国家社会科学基金重大项目“人工智能促进未来教育发展研究” ( 项目编号：19ZDA364) 的阶段性研究成果，原文有删减。

作者丨李世瑾，华东师范大学教育学部教育信息技术学系返回搜狐，查看更多