人工智能+教育 | 人工智能融入小学信息科技项目式学习的研究

教育部等五部门近日印发， 明确提出推动人工智能人才培养与素养提升、促进人工智能与教育深度广泛融合、建强“人工智能+教育”基础环境、优化“人工智能+教育”发展生态等四大重点任务。

基于此，《中国信息技术教育 》 杂志推出“人工智能+教育”专题系列，旨在系统追踪政策落地动态，深度呈现一线创新实践，凝练可复制、可推广的经验范式。

人工智能融入小学信息科技项目式学习的研究

金菲 江苏省镇江市润州区教师发展中心

本文结合小学生以形象思维为主导、好奇心较强的认知发展特征，聚焦人工智能在项目式学习中的应用，以项目实践为核心载体，系统阐述了从项目启动、实施到评价的全流程，并以“校园植物智能识别小能手”项目为例，具体呈现了人工智能在学情精准分析、智能分组优化、学习过程动态指导、技术支撑强化以及多元评价体系构建等关键环节的实施路径，旨在为提升小学信息科技课程教学质量、培养学生数字化素养与综合实践能力提供可操作的解决方案。

引言

人工智能（AI）技术的快速发展为教育领域带来了深远变革。小学信息科技课程作为培养学生信息素养的基础性载体，将人工智能融入其中是落实核心素养培养目标的关键举措。但当前，人工智能与小学信息科技课程的融合面临诸多挑战，具体表现为教师对融合路径把握不足、现有教学资源与项目需求适配度不高、教学过程中缺乏个性化指导等。小学生认知发展主要依赖形象思维，其注意力集中时间有限，但对实践探索表现出浓厚兴趣。而项目式学习以真实任务为驱动的基本特征，与小学生的认知规律高度契合。基于此，构建以项目实践为核心、聚焦人工智能关键融合环节的教学模式，系统阐释二者融合的具体实施路径，对破解融合困境、提升教学实效具有重要的实践意义。

小学信息科技项目式学习与人工智能的契合基础

项目式学习强调“做中学”，需依托具体课程内容设计实践任务，而小学信息科技课程中的多项核心内容与人工智能技术存在天然契合点，为两者深度融合提供了坚实基础。

1.计算机基础操作与人工智能设备认知的衔接

小学信息科技课程初始阶段的计算机硬件操作教学，为人工智能设备认知提供了前置基础。学生在掌握开关机、设备连接等基础技能后，可通过项目实践接触智能摄像头、智能终端等设备，了解其“感知—处理—反馈”的核心逻辑，为项目中人工智能技术的应用建立认知基础。

2.文字处理与智能文本生成

文字处理是小学信息科技课程的重要基础内容，主要是用来培养学生文字输入、编辑、排版等技能和文字表达能力。在学生具备一定文字处理技能后，可以引入智能写作助手，引导学生输入感兴趣的话题关键词，观察生成的文本，并与自己传统编写的文本对比。

3.图形图像处理与图像识别技术的融合

图形图像处理是小学信息科技课程的核心教学内容之一，要求学生掌握图像裁剪、亮度调整及降噪处理等技能，这与人工智能图像识别技术的预处理环节高度契合。在项目式学习活动中，学生通过实践操作图像识别工具，能够理解技术对图像质量的依赖关系，并将手动处理流程与智能识别过程有机结合，从而深化对技术应用场景的认知理解。

4.简单编程与机器学习基础的渗透

基础编程训练所培养的逻辑思维能力，为项目中机器学习核心概念的渗透提供了支撑基础。在项目实施过程中，学生可通过简易程序控制数据采集流程，初步认知“数据—模型—应用”的机器学习流程框架，如通过编写程序采集植物识别数据，为后续模型优化提供数据基础。

人工智能融入小学信息科技项目式学习的核心环节

下面，笔者以“校园植物智能识别小能手”项目为例，具体呈现各环节的融合路径。该项目以“构建校园植物智能识别手册”为核心任务，融合图形图像处理、图像识别、数据整理等技能，全程嵌入人工智能技术支撑。下图为项目实施技术的路线图。

项目实施技术路线

1.项目启动阶段：AI驱动的主题精准定位与学情适配

学情数据智能分析：教师借助人工智能学习分析系统，收集学生此前在图形图像处理学习中的作业数据（如图片处理准确率、工具使用熟练度）、课堂互动记录（如对植物相关话题的提问频率）及课后兴趣问卷数据，构建学生能力画像。系统通过数据挖掘发现，82%的学生能熟练使用基础图像处理工具，但仅35%的学生了解图像识别技术，78%的学生对校园植物有探索兴趣，但对珍稀植物认知不足。

项目主题与难度优化：基于分析结果，教师确定“校园植物智能识别”主题，并借助AI任务引擎调整项目内容——增加珍稀植物识别任务以满足探索需求，简化图像识别算法原理讲解，重点聚焦“图像处理—智能识别—结果验证”的实践流程，同时，通过AI构建项目知识图谱，串联“植物特征—图像处理技巧—识别工具使用”等核心知识点，为学生提供结构化资源。

2.项目筹备阶段：AI支撑的科学分组与任务分工

多维数据支撑分组：系统录入学生的能力画像数据（如图像处理能力、语言表达能力）、性格特质（如合作倾向、责任意识）及兴趣方向（如植物研究、工具操作、报告撰写），采用聚类算法进行分组。每组4～6人，确保每组均包含“技术操作型”“资料收集型”“成果展示型”等不同特质的学生。

个性化任务分配：系统根据组内学生特点，生成初步任务清单并推荐分工。为操作能力强的学生分配“图像采集与预处理”“识别工具操作”任务，为表达能力突出的学生分配“成果汇报”“植物知识整理”任务，为逻辑清晰的学生分配“数据记录与分析”任务。教师可根据实际情况微调，确保任务与能力精准匹配。

3.项目实施阶段：AI赋能的过程指导与技术突破

人工智能虚拟导师的实时答疑机制：引入人工智能虚拟导师系统，为项目实施提供全程伴随式支持。学生在遭遇技术障碍时，可通过语音或文字交互进行咨询，系统结合项目具体情境提供精准解答。例如，当学生在应用图像识别工具进行某植物识别屡次失败时，虚拟导师通过分析上传图片，自动诊断问题为“叶片遮挡叠加光照不足”，随即推送包含“裁剪遮挡区域”及“调整亮度对比度”操作要点的分步指导视频，并同步模拟操作流程以演示预期效果。

AI技术对实践难点的突破：针对项目实施的核心技术瓶颈，借助AI提供解决方案并引导学生理解其内在逻辑。在“提升识别准确率”阶段，教师指导学生运用AI数据增强工具，对采集的植物图像实施旋转、缩放、光照调节等处理，生成多样化训练样本，以增强识别模型的泛化能力；在“批量识别与分类”阶段，引入迁移学习技术，将预训练的通用植物识别模型迁移至校园植物识别场景，显著降低模型重复训练耗时。学生通过比对“原始模型”与“迁移后模型”的识别性能指标，直观量化评估技术应用的价值。

实践过程数据的动态追踪与分析：人工智能虚拟导师系统实时采集学生的操作行为日志（如工具调用频次、问题解决时长）、小组讨论语义关键词及任务进度数据，生成动态过程分析报告。教师据此报告可及时识别潜在问题，如某小组在“数据整理”环节进度滞后，系统提示其存在“分类逻辑混乱”问题，教师即可实施针对性干预与指导。

4.项目评价阶段：AI支撑的多元评价与反馈优化

多维指标智能评估：系统设定“成果质量”“过程表现”“协作能力”“创新思维”四个一级指标，下设“识别准确率”“报告完整性”“任务完成效率”“小组互动频率”“技术改进方案”等二级指标。通过分析项目成果（识别手册、识别准确率数据）、过程数据（操作记录、讨论日志）及课堂展示视频，系统自动量化评分，如通过图像识别技术核验学生手册中植物标注的准确率，通过自然语言处理分析汇报内容的逻辑性。

个性化反馈与改进：系统基于评价结果生成个性化报告，为每组及每位学生提供针对性建议。例如，对识别准确率高但报告撰写粗糙的小组，建议“借助AI写作助手优化报告结构”；对协作良好但技术应用单一的小组，推荐“尝试AI图像分类工具拓展应用场景”。同时，系统汇总全班共性问题，为教师后续教学优化提供数据支撑。

结论

本文聚焦人工智能在小学信息科技项目式学习中的融合应用，通过分析课程与技术的内在契合点，以“校园植物智能识别小能手”项目为实证案例，系统阐述了人工智能技术在项目启动（学情诊断与主题优化）、项目筹备（智能分组与任务分配）、项目实施（虚拟导师支持与技术难点突破）、项目评价（多维度评估与个性化反馈）等全流程中的整合路径。该路径契合小学生的认知发展特征，解决了当前人工智能融入教学过程中存在的资源适配性不足、个性化指导缺失及评价体系不完善等问题，实现了“技术赋能教学实践、实践深化认知建构”的双重目标，有助于促进学生信息素养、协作能力与创新思维的协同发展。当然，后续研究可加强拓展项目类型多样性，如开发“校园智能导航系统”“班级图书智能分类管理”等项目，以验证路径的普适性。同时，可深入探究不同区域、学段的应用差异，结合具体应用场景持续优化人工智能工具的适应性，以推动人工智能与小学信息科技项目式学习的纵深融合。

本文作者：

金菲

江苏省镇江市润州区教师发展中心

文章刊登于《中国信息技术教育》

2026年第08期

引用请注明参考文献：

金菲.人工智能融入小学信息科技项目式学习的研究[J].中国信息技术教育,2026(08):64-66.

欢迎订阅

识别上方二维码订阅纸质版或电子版杂志