从北京CTB峰会到高藤课桌：AI时代，我们如何重新理解项目式学习？高藤学子的PBL实证给出了示范

论坛洞察｜AI时代，重新理解项目式学习

近期，我校教师代表有幸前往北京参加了CTB「AI时代的学习与真实世界变革」教育者论坛。两天密集研讨中，一个核心问题不断叩问着我：当AI可以高效完成几乎所有"答题"任务时，教育到底该守住什么？

论坛给出的答案是——高质量PBL应回归真实问题，让学生在研究、协作、判断与迭代中长出不可替代的能力。

Owen校长说：

“这个答案让我倍感亲切，因为在我们高藤，作为科技高中特色校，PBL本就是学生的核心学习方式。不是偶尔为之的项目周，而是贯穿学习的常态课程。

带着论坛的新视角重新审视校园，我很快被一项学生课题吸引——高藤学子Ian的CTB创新项目，研究的正是AI时代学生最真实的困惑：如何理性看待大模型输出、建立批判性判断标准。这项研究从选题到执行，本身就是一堂完整的PBL课。”

带着这份共鸣，我们对话了高藤AP学子Ian Won。

RESEARCH课题名称

AI 深度融入日常学习的当下，如何理性看待大模型输出、建立批判性判断能力，是高藤学子在自主探究中关注的核心命题。Ian 团队从日常学习场景出发，围绕 AI 答案可信度开展实证探究，这项学生主导的研究课题如下：

生成式大语言模型在不同题型下回答准确率的实证研究 —— 建立中学生对 AI 答案的信任边界与独立思考判断标准

01选题缘起：聚焦学生最真实的AI困惑

当下，关于大模型能力强弱的讨论层出不穷，很多研究聚焦模型参数、底层能力等宏大维度。当被问及为什么选择不同题型准确率作为核心变量，Ian给出了他的思考。

市面上讨论大模型的方向很多，而不同题型下AI可信度，是AI时代离学生日常生活最近的话题。这项研究的现实意义，是帮助同学们学会合理使用AI：AI可以提供思路，但不能全盘依赖。同时这套研究逻辑，也可以向上延伸，为学术写作中AI工具的使用提供参考。 课题虽然以学生为核心目标人群，但它的价值不止面向学生，所有同样困惑‘AI答案到底能不能信’的人，都可以从研究结论中获得参考。—— Ian

从日常写作业、完成练习的真实痛点出发，Ian没有选择悬浮、遥远的议题，而是把目光投向每一位同学都会遇到的场景：什么时候可以参考AI？什么时候必须保持警惕？

02课题迭代：在取舍中找到可落地的研究边界

一项扎实的自主探究课题，很少从一开始就定型。Ian最初的设想和现在的课题相去甚远。

我最早的选题范围更大，面向的群体也更广。在听取高藤多位老师的建议、评估现实条件之后，我判断原有课题可行性不足，于是调整方向，转向AI可信度研究。 但很快我又发现，‘AI可信度’这个概念依然过于宽泛。我继续收缩研究范围，聚焦到学生使用AI辅助学习这个场景，目标是为中学生搭建一套可参考的可信度判断标准。研究不能追求遥不可及的宏大目标，我最终敲定的课题，所有数据、证据都可以自主获取、落地验证。—— Ian

一次次删减、缩小边界，不是简化思考，而是学术研究里最重要的能力：在理想构想和现实条件之间找到平衡点。面对时间、样本、工具的限制，他主动裁剪研究范围，保留最核心、可实证的问题，让想法真正落地。

03研究设计：忠于客观，接纳“不符合预期”的数据

团队的核心研究问题，是测试多款大模型在不同题型中的答题表现，完成多维度综合打分。最初团队设想采用人工打分，但人工评估会带来主观性偏差，影响结果量化。为此团队调整方案，选择更加客观可复现的评估方式。

在Ian看来，学术研究最珍贵的特质，就是直面真实数据。

研究一定会出现预期之外的数据。但我们绝对不会为了数据好看，刻意剔除不理想的结果。如果把反常数据直接删掉，那我们研究的‘可信度’本身就变成了虚假的。和猜想不一致的数据，同样要纳入统计与分析，只有这样，结论才具备客观依据。—— Ian

不预设完美结论，不美化实验结果，这份对学术严谨性的坚持，贯穿整个项目设计阶段。

04项目执行：用代码攻克海量数据难题

研究需要大规模样本，才能降低误差，得到可靠结论。海量数据处理，是项目落地最大的实操难点。作为项目负责人，Ian计划运用Python完成批量数据清洗与整理。

大量数据的采集和处理是最大的挑战。使用Python来处理数据，一方面提升效率，另一方面，整套流程可复现、有算法支撑，能够回应外界对数据客观性的质疑，证明研究结论不是主观推断，而是基于统计得到的真实结果。—— Ian

从实验设计、模型测试，到数据抓取、代码处理，Ian作为leader全程深度参与，亲自推进每一个环节，把构想转化为可运行、可核验的实证过程。

05价值与展望：赋能学生，也为教育者提供新思路

谈及研究完成后希望传递的观点，Ian认为AI不是敌人，而是可以赋能教学的工具。

如果最终得到可靠结论，我希望向学生和教育者传递：AI可以在推理、教学场景发挥正向价值，提升教学效率。比如一对多教学场景下，老师很难实现个性化辅导，AI可以分担这部分工作。教师只需要借助随堂测试掌握学生真实理解程度，减少重复性劳动，同时更好地筛选、强化学生的学习能力。—— Ian

图片来源：CTB峰会 ·「AI时代的学习与真实世界变革」教育者论坛

他希望，这套AI信任边界标准，能够帮助学生建立批判性思维：懂得区分AI答案的可靠程度，学会借助AI打开思路，而不是交出独立思考的能力。

写在最后

探究式学习的魅力，从来不止于一份研究报告、一场成果展示。它鼓励学生走出课本，用科学方法去观察、验证身边真实世界的问题。

作为项目 leader，Ian 从一个朴素的疑问出发，经历课题重构、方案打磨、数据攻坚，亲力亲为完成整场探索。在 AI 飞速发展的时代，他用少年研究者的严谨，试图回答一个所有人都需要面对的命题：如何善用 AI，同时守住独立思考的能力。

期待 Ian 和团队在后续研究中持续探索，呈现更多属于高藤学子的探究成果！