AI技术赋能小学空间观念培养的实践案例

一、案例背景

《数学课程标准（2022年版）》明确提出：教学活动应鼓励学生质疑问难，引导学生在探索真实情境所蕴含的关系中，发现和提出问题，运用数学和其他学科的知识分析和解决问题。在这个信息爆炸的AI智能时代，答案变得触手可及，但也带来了新的挑战。AI虽然能回答问题，但它不会主动提出问题，因此，提问能力的重要性愈发凸显。引导学生提问，是要打破传统课堂只有教师提问的常态，教师在平时的教学中应把“提问”融入学生学习的全过程，使其成为学生学习的一部分，激发学生学习的兴趣，让学生敢提问、爱提问，进而提升学习力，获得适应未来社会发展的核心竞争力。只有当孩子学会准确、提出有价值的问题，AI才会给出详尽且富有启发性的回答；AI时代，重要的不是被动接收信息，而是主动用问题去探索，让人与AI共舞出思维的火花，这或许才是未来教育最动人的答案。

二、主要做法

（一）借助AI剖析，让问题指向高阶思维   

儿童天生具有好奇心，会因为好奇、情境联想、发散思维引发各种各样的疑问，常常表现为“是什么？”“为什么？”和“怎么办？”，提问内容比较单一，思路也比较窄。教师要为学生的提问提供必要的引导与支持，可借助经典“六问法”启发学生提问，即从what（是什么）、why（为什么）、who（谁）、when（何时）、where（何地），how（怎么做）六个方面提出问题。当学生提问形成一定的模型后，教师还可以进一步引导学生进行比较和分析，发现学习中相同点和不同的，寻求“联系和区别”；探索“是什么”背后的道理。教学时，教师可以引导学生在每一单元学习前借助问题支架从不同的角度思考，提出研究问题，构建单元的问题框架，生成自己的问题清单，培养提问意识。

例如，在教学“圆柱与圆锥”这一单元之前，引导学生开展预学并尽可能多地提出问题，并记录下来，这个问题清单不限制提问的个数和形式，但是要鼓励学生提出自己真实的问题。

接着对全班45个同学预学时提出的问题进行整理、统计。

为了了解学生提出问题的思维水平，教师借助DeepSeek软件对学生提出的问题进行分析，以班上某个学生的提问为例，在DeepSeek对话框中输入指令：你是一个六年级的数学教师，班上一个学生提出关于“圆柱与圆锥”的问题如下，请根据布鲁姆的认知层级（记忆、理解、应用、分析、评价、创造）对这些问题进行分类。通过DeepSeek分析的结果可知，学生提出的问题属于低级认知水平的较多，高级认知水平的问题较少，教学中，教师要结合实验、生活案例引导学生进行深入思考，提出高阶思维的问题。

（二）与AI对话，以整理拓宽问题认知

小学生由于语言表达不够清晰，或者不会用数学语言完整表达问题，导致提出的问题有时会模糊不清晰，这时候读懂并精炼问题就变得很重要了，这一步是问题整理的开始。

第一阶段，在课堂上可以让学生在小组内进行问题分享，组内成员指出不太理解或者表述不够准确的问题，请提问的同学解读后，小组成员一起对问题进行重新表述。例如：有学生提出的问题是“圆锥是否有三角形的坚固？”小组成员对这个问题提出了质疑，经过提问者的解释，四人小组的讨论，重新表述问题“圆锥是否也具有三角形的稳定性？”通过小组交流，让每个学生都能够分享自己的问题，了解别人提出的问题，在积极开放的学习活动中，拓展提问的思路。

第二阶段，我引导学生尝试向AI提出关于“圆柱与圆锥”的各种问题，并让他们观察不同的提问语会得到怎样的不同的回答。学生在Deepseek对话框中输入指令：你是一个六年级的学生，请你从数学角度提出关于“圆柱和圆锥”的问题，不是具体题目；仅49秒DeepSeek就给出了10个提问的方向，通过对比AI的回答，学生逐渐意识到提问的方式和角度会影响获取的信息质量和深度，从而学会了如何更精准、更有效地提问，也拓宽了提问的深度和广度。

在学生经历了生成问题，并修正、完善初始问题后，教师还需要引导他们进一步对问题进行分类，分类整理问题不仅可以减少问题的数量，还可以建立问题间的联系，形成关键的问题链，更好地发挥每一个问题的作用，从而积累提问的经验。通过对问题的分类，我们发现，学生提出的问题涉及“图形间的联系、表面积和体积的计算、圆柱和圆柱的特征、展开图及生活中的应用”等方面。在讨论的过程中，通过对不同问题的分析和比较，学生也在不断熟悉、掌握提问的策略，对本单元学习的内容有了进一步的认识，学习已经悄然发生。

（三）用AI启思，以问题促进深入探究

杜威指出：如果不引导好奇心进入理智的水平，那么好奇心便会退化或消散。学生对自己提出的问题，具有强烈的探究欲望，教师可以将学生的问题转化为教学中的核心问题，引导学生积极地思考和解决，在这个过程中学生带着问题走进课堂，因“ 问”而“学”，以“学”释“问”，在“问”“学”交融中，积蓄自主提问的动力，感受到提问的价值，提升思维品质。

比如：在单元提问时，多数学生会提到“怎样求圆锥的体积？”教师要鼓励学生进一步思考如何去尝试解决，“我们之前学过了什么图形的体积，怎么借助之前学过的立体图形的体积来求圆锥的体积？”当学生继续思考下去，可以通过类比得到猜想：“圆柱是由长方形绕一边旋转而成，圆锥是直角三角形绕一条直角边旋转而成，直角三角形的面积是长方形的一半，圆锥的体积是不是圆柱体积的1/2？”于是，学生就经历了“产生疑问——形成问题——提出猜想”的过程。

学生通过实验发现：用一个圆锥形的容器装满水，倒入一个等底等高的圆柱形容器中，发现需要倒3次才能倒满，从而得出结论：圆锥的体积是等底等高圆柱体积的1/3。教学时还可以让学生体验用AI解决“圆锥的体积为什么不是等底等高圆柱体积的1/2？”这个问题，学生根据DeepSeek的深度思考过程不断调整提问策略，不仅促使它更深入地分析圆锥体积的推导过程，也激发了它探索不同解决方案的能力。整个过程中，教师引导学生辩证地看待DeepSeek的回答，如何通过改进提问方式或提供额外信息来提高DeepSeek的准确性？这些讨论不仅加深了学生对DeepSeek工作原理的理解，也促进学生深入探究，真正培养学生的批判性思维和解决问题的能力。

三、特色创新

（一）AI赋能问题诊断，精准提升思维层级

布鲁姆分类法的动态应用：借助AI快速分析学生问题的认知水平（记忆/理解→分析/评价），让教师清晰把握班级整体思维分布，针对性设计高阶思维训练（如实验、类比推理）。  

从“低阶”到“高阶”的引导：例如，学生最初提问“圆锥的体积公式是什么？”（记忆），教师通过实验和AI互动，推动其思考“为什么是1/3而非1/2？”（分析），甚至“如何用不同方法证明？”（创造）。  

创新点：AI不仅是答案工具，更成为“思维评估仪”，帮助教师实现差异化教学。  

（二）AI作为“提问教练”，优化学生语言表达

问题表述的迭代优化：如学生原始问题“圆锥是否有三角形的坚固？”经小组讨论和AI对比后，优化为“圆锥是否具有稳定性？”（更精准的数学语言）。  

多角度提问的示范：AI生成10个提问方向（如“圆柱展开图与圆锥展开图有何异同？”），拓宽学生视角，使其学会从特征、应用、证明等维度提问。  

创新点：AI充当“语言模型”和“提问范例库”，帮助学生跨越表达障碍，培养结构化思维。

（三）问题链构建与分类，促进系统性学习

从散点到网络：将零散问题分类为“图形特征→体积计算→实际应用”，形成逻辑递进的问题链，如：  

基础层：圆柱与圆锥的边、面、高有何特点？

进阶层：为何圆锥体积公式含π和r²？  

拓展层：生活中哪些设计利用了圆锥的稳定性？  

学生自主整理：通过小组讨论和AI辅助，学生学会合并重复问题、建立关联，深化对单元知识的整体认知。  

创新点：问题分类过程即知识建构过程，学生从“被动答问”转向“主动织网”。  

（四）AI驱动的深度探究：从猜想验证到批判性思维

实验与AI互证：学生先通过“倒水实验”猜想圆锥体积，再向AI追问“为何不是1/2？”，对比数学推导（如积分法）与直观实验，理解公式本质。  

辩证看待AI答案：教师引导学生反思“AI的回答是否完整？如何补充条件让AI更精准？”（如加入“用小学知识解释”限制），培养批判性使用技术的能力。  

创新点：AI成为“探究伙伴”，推动学生跨越“知其然”到“知其所以然”，并学会与技术协同思考。  

四、工作成就

（一）显著提升学生的高阶思维能力  

布鲁姆认知层级的优化：通过AI分析，发现学生初始问题以低阶（记忆、理解）为主，经引导后，高阶问题（分析、评价、创造）占比提升。例如：初始问题“圆锥的体积公式是什么？”（记忆）  

  优化后问题“为什么圆锥体积是圆柱的1/3，而不是1/2？”（分析）→“能否用其他方法推导圆锥体积？”（创造）  

实验与逻辑推理结合：学生通过“倒水实验”验证猜想，再结合AI的数学推导（如微积分或祖暅原理），深化对公式的理解，实现从直观到抽象的思维跃迁。  

成就体现：学生从“被动接受知识”转向“主动探究本质”，批判性思维和创新能力显著增强。

（二） 培养学生精准提问与表达能力  

问题表述的优化：通过小组讨论和AI对比，学生学会用数学语言精准表达问题。例如，原问题“圆锥是否有三角形的坚固？” → 优化后“圆锥是否具有三角形的稳定性？”  

多角度提问能力：借助AI生成的10个提问方向（如“圆柱与圆锥展开图的联系？”），学生拓展了提问的广度和深度。

成就体现：学生提问从“模糊随意”走向“清晰结构化”，语言表达和逻辑思维能力同步提升。  

（三）构建“问题链”驱动的系统性学习  

问题分类与整合：将零散问题归纳为“特征→计算→应用”三大类，形成逻辑递进的问题链，例如：  

基础问题：圆柱与圆锥的边、面、高有何特点？  

核心问题：圆锥体积公式如何推导？  

拓展问题：圆锥稳定性在建筑中的应用？  

知识网络构建：学生通过问题分类，自然建立单元知识框架，理解概念间的联系。  

成就体现：学习从“碎片化”转向“系统化”，学生自主构建知识体系的能力增强。  

五、经验启示

（一）AI是思维脚手架，而非答案机器  

启示：AI的价值在于辅助学生思考，而非直接提供答案。教师需引导学生通过AI分析问题、优化表达，而非依赖其解决问题。  

实践建议：设计“AI互动任务”时，聚焦“如何提问”“如何验证”而非“获取答案”。  

（二）问题意识是深度学习的起点  

启示：学生提出问题的过程即思维激活的过程。教师应优先培养提问能力，而非急于灌输知识。  

实践建议：每单元教学前预留“问题生成”环节，鼓励学生列出真实疑问。  

（三）语言精准化是逻辑思维的外显  

启示：模糊的问题反映模糊的思维。通过小组讨论和AI对比，能帮助学生厘清问题本质。  

实践建议：设立“问题优化工作坊”，让学生互评提问语言是否准确、完整。  

（四）分类与整合是系统学习的关键  

启示：零散的问题需通过分类形成关联，才能转化为有效的学习路径。  

实践建议：用思维导图工具（如XMind）可视化问题链，帮助学生理解知识结构。  

（五）实验与技术结合需平衡直观与抽象  

启示：实验提供直观体验，AI补充理论深度，二者结合才能实现“既见树木，又见森林”。  

实践建议：在实验后引入AI讨论，例如：“实验发现圆锥体积是1/3，AI如何用数学解释这一点？”  

（六）批判性思维应贯穿AI使用全程  

   启示：学生需意识到AI的局限性，学会追问“为什么AI这样回答？”“是否有其他可能？”