摘要：研究性教学是我国大学教学改革的重要手段，人工智能的嵌入使研究性教学面临机遇与争议。研究性教学的研究性表现为以高深知识为基础的知识深度，以可持续推进的问题作为牵引的问题导向，以及以类似于科学研究的方式进行组织的探究过程。然而，人工智能时代大学研究性教学却存在“研究性之伤”的隐忧，具体表现为高深知识学习的浅层化、缺少有效的问题牵引和探究过程的意义缺失。产生“研究性之伤”的原因在于技术文化的入侵，技术的加速文化挤占静思空间，追求可见对自由精神造成新的阻碍，技术话语的主导割裂研究性与教学性的关联。为此，有必要在研究性教学中合理定位人工智能，筑牢人工智能时代研究性教学的意义根基，基于研究性的内在要求来重建研究性教学。唯有充分发挥师生面对技术时的实践智慧、创造力和判断力，才能真正实现高质量的研究性教学。
关键词：人工智能；研究性教学；问题导向；社会加速
研究性教学通过教学过程的研究性引导学生进行研究性学习，从而让学生掌握知识、发展能力，被视为大学教学改革的理想模式和拔尖创新人才培养的关键路径。人工智能技术的不断成熟使研究性教学得以向更为个性化、更具创造性和挑战性、更加面向真实情境的方向发展。在人工智能时代，大学研究性教学改革的核心任务是发挥人工智能技术的积极作用，实现研究性教学基本理念、实践样态与培养目标的重构，以数字要素驱动研究性教学的转变与升级，实现对人工智能时代大学课堂的重新定义，推动其迈向一种民主式、多驱动的主体观念，从而保持研究性教学的生命力。
研究性是研究性教学的内在规定性，研究性教学的本意正在于用研究工作所看重的自主、建构、探索的方式来对传统的大学教学进行改造。然而，人工智能的嵌入却可能给这种研究性带来挑战。从理念上看，人工智能改变了研究性教学的知识观、教学观和师生观，造成新的困惑，如研究的过程是否还教授知识，教师在其中扮演何种角色以及研究是否还有教学属性。从实践上看，一些教师被迫响应转型趋势，将人工智能技术引入课堂，却又为技术设置了较高的使用壁垒，将其视为“锦上添花”，造成了技术形式主义，使研究过程难以获得技术赋能；一些学生将探究任务外包给人工智能，由其代理，自己则置身事外，产生了逃避与游离，研究性教学的育人价值亦难以发挥。
总之，人工智能技术为研究性教学的开展提供了一系列便利条件，却也在根本理念和实践方式上颠覆着人们对于研究性教学的传统设想，动摇了研究性教学的研究性基础，并可能造成对研究性教学的伤害与限制。为此，有必要重新审视人工智能时代高校研究性教学的变革，追问研究性教学可能存在的隐忧与风险，从而进一步明确研究性教学的改革方向，重塑研究性教学的基本理念。
一、“研究性之伤”：人工智能时代大学研究性教学的隐忧
理解“研究性之伤”，首先需要明确什么是研究性教学的“研究性”。研究性是研究性教学的内在规定性，也是其区别于其他教学形式的根本所在。研究性体现在三个方面：第一，以高深知识为基础的“知识深度”。教学与科研结合彰显了高深知识的特征，研究性教学要站立在学科知识前沿，接纳新型知识。研究性以高深知识为基础，引导学生在面对人类知识宝库时审视已知并窥探未知，实现自我意义上的更新与创造。第二，以问题作为牵引的“问题导向性”。研究性在解决特定问题的过程中产生，学生在面对具体的问题情境时，尝试用多样、独特且灵活的方式解决问题，从而推动探究过程走向深入，从这个意义上看，探索常常和提问同步，研究者总是不断提问以寻找真实而确定的答案。杜威指出，教学法的要素和思维的要素是相同的，其中一个环节便是在情境内部产生一个真实的问题，作为思维的刺激物。研究性的核心正在于师生进行科学假设和合理质疑，通过试验的方式解决问题，因此，问题是整个研究活动的牵引。第三，以类似于科学研究的方式进行组织的“探究过程”。具有研究性的教学方式通常包括对研究的认识、设计、实施、展示和反思等阶段，涵盖了田野式、实验式、案例式等多种形式。它实际上是科学研究一般形式与知识学习过程、学生认知规律以及教学设计的有机统一。
研究性是研究性教学的规范性属性，而研究性教学则是研究性的教学化转译与设计。然而，在人工智能时代，研究性教学的研究性面临难以回避的隐忧。奥尔森曾经列举了创造力之伤、顺从之伤、反叛之伤等七种学校教育对人的伤害，称其为“学校会伤人”，我们可以借用此种说法，将这一隐忧称为“研究性之伤”，即人工智能对研究性教学中知识深度、问题导向和探究性形式造成的伤害，使得其研究性产生弱化。它并非停留于教学设计层面，而是对研究性内核的背离与偏移。如果研究性教学因人工智能的加入而失去了研究性的内在，那么这种“研究性之伤”将造成对实践主体的蒙蔽，反而阻碍研究性教学的发展。
（一）高深知识学习的“浅层化之伤”
高深知识作为研究性的基础，其意义在于正视学生学到知识的正当需求，使研究不断趋向真理，帮助学生顺利到达研究活动的认知起点，并通过研究来掌握知识。马奇区分了低智学习与高智学习的概念，前者是指在不求理解因果结构情况下复制与成功相连的行为，后者则是努力理解因果结构并用其指导行动。高智学习本是研究性的魅力所在，但在人工智能时代的研究性教学中却存在沦为低智学习的风险。虽然学生可以借助人工智能快速地接触到来源广泛的知识，但接触不等于掌握，接触意味着人工智能帮助学生认识到了知识，完成了信息的传送，是学习最表层的境界；而掌握则意味着理解，是从前期经验出发进行深度理性思考的过程，这需要学生在学习高深知识时，借助经验对其进行判断、评价、关联，产生逻辑思维和观点碰撞。然而，这一过程可能在学生与智能体的交流中完全被取代。学生在面对问题情境时，只需不断让智能体提供知识，组成答案，向教师反馈，似乎就已经完成了研究性学习，知识只是通过学生这一中介从人工智能转移到了教师那里，理解经验、追求意义这种根本活动始终未曾发生。有实证研究指出，使用大语言模型虽然可以减轻与知识搜集相关的认知负担，但却并不意味着高质量结果，学生对于内容的深度参与和交互面临挑战，引发了浅层学习的风险。如果研究性教学在较低的层次上以形式化的传递模式进行，那么人们所期盼的那种研究属性就未能真正实现，遑论学习效果的达成。同时，数字技术将更加凸显研究性教学中惯例的而非反思的、可编码的而非不可编码的知识，使学生难以将知识迁移到新环境，并“将科学概念与学习者所使用并在日常生活中认为是理所当然的日常概念区分开”，这样，研究性教学就很难超越学生的日常经验，而演变为不需要高度认知努力便可完成的任务，这正是其研究性降低的根源。
（二）问题牵引的“失效之伤”
所谓有效的问题牵引，一方面是指问题能够串联起研究性教学的全过程，对学生形成邀请与呼唤，“让学生了解到还有许多问题没有正确答案，甚至连不正确的答案都还没有”，使他们体验到面对挑战时的主体性与兴奋感；另一方面则是指问题兼具研究价值和育人属性，使学生执着其中并去发现尚不知道的科学事实、关系定理与内在机制。然而，在人工智能时代，有效的问题牵引可能越来越难以实现。首先，学生在面对任何问题时都可以获得智能体的快速应答，问题被解决的速度可能远超问题提出的速度，直接结果便是教师很难设计出能让学生长时间、沉浸式思考的问题。教师在快速应答的情况下只能疲于寻找新的探究点，不断竭尽心力创造研究的情境，这样，问题驱动反而异化为了回应驱动，教师不再能够闲逸地设想和创生教学，技术在“逼促”教师，学生在“等待”教师。其次，即便有了问题，学生也没有展现人类想象力的必要性，只要按部就班地问知识、搜资源、组答案，似乎就能完成问题探究的任务，思维没有得到训练，创造性也无从激发。学生将会减少思考，导致自身被机器“饲养”起来，弱化探索精神而加速浅表学习。更进一步来说，问题对学生的呼召作用弱化，很难使学生感受到挑战或愉悦。因为人工智能总是能提供“兜底”作用，将学生的思维惰性“合理化”，只要指令和提示词清晰得当，人工智能就可以为学生的探究提供初步结果。学生总是接收“差不多正确”的信息，总是看到研究中积极的一面，即便结果稍显偏离，也只需调教人工智能而非反求诸己。学生看似获得了解脱，却发现研究性学习越来越不需要发挥学习者的自由权利，看似问题在牵引，实则是技术在操控。这也暗示了关于研究性更为深层的风险，也即学生在即时问答的过程中，可能逐渐丧失提出深刻、原创并根植于自身经验的问题的动机与能力，与不愿思考问题的思维懒惰不同，它是一种好奇心与探索欲的钝化，并可能进一步造成问题生成能力的萎缩。
（三）探究过程的“意义缺失之伤”
以类似于科学研究的探究方式进行教学组织是研究性的重要体现。与科学研究不同，研究性所强调的探究活动通常是面向人类已知但学生未知的领域，通过精心设计、有目的的遴选以及有效率的组织来达成育人价值。探究之所以有意义，关键在于学生经历了知识被发现和创造的那种原初路径，典型、简约地模拟知识最初被发现的过程,经过质疑、批判、思考,重新发现知识，发展能力，并在倒推整个问题解决的思维过程时与具体情境、个体经验和真实世界相联系。然而，在人工智能时代，研究性教学中的探究活动却存在意义缺失风险。首先，探究过程的思维路径可能被极端简化，学生可能失去进行思维还原的耐心与动力。他们在尚未深度思考的情况下就通过技术获得了探究的结果，即刻满足和瞬时响应让学生有了“储备在云端”之感，从而降低其重构整个探究过程的欲望。有实证研究表明，虽然人工智能在效率和可及性上带来便利，但可能会减少使用者对深度反思过程的参与，对批判性思维造成负面影响，形成认知的卸载。在此情况下，探究沦为问与答之间的直接联系，中间的路径成为黑箱，学生热衷于观看推理大模型展示出来的人工智能的思考逻辑，却鲜少追寻人类用于发现和组织知识的那种思维方式。其次，基于人工智能的探究过程可能使学生漠视现实世界与真实的生活。塞尔的“中文房间”思想实验指出，一个完全不懂中文的接发员，也可以根据规则找到相应的中文符号进行输出，完全不需要理解符号和回答的意义，却营造出他理解了问题的错觉。人工智能的输出往往基于数据和算法，是一种符号的推理，对于真实的描绘基于概率预测，容易浮夸或极化,但探究过程却需要将这种符号与学生的经验、面对的现实问题、真实的世界以及他人建立起有意义的联系。如果学生的探究仅在符号结果上得到满足，就会失去对于社会生活的洞察与想象。同时，正因为人工智能提供的一些信息处于真实与虚构之间，师生不得不花费额外精力进行校对和更正，忙于纠错成为意料之外的现实图像。走出低层次任务并不意味着迈向具有研究性的探究，反而进入了新的繁琐圈套。
二、为何“研究性”会“受伤”：技术文化的侵入
技术的侵入将引发教学场域的文化适应与转化问题。在研究性教学中，人工智能运用所产生的一系列问题，从表面上看是人如何运用技术并使其发挥正向价值的方法论问题，实际上是基于技术理性的世界观以及数字技术文化与研究性之间的冲突。如果漠视这种冲突，仅在使用方式上进行局部的改进，就难以打造高质量的研究性教学。
（一）技术的加速文化挤占静思空间
技术催生的加速文化与研究性所必要的静思空间存在冲突。无论是追求知识深度、问题导向还是探究的形式，研究性本身都需要遵循闲逸的精神，让其在静思的空间中生发,“以闲逸的好奇精神追求知识”，“在富于想象地探讨学问中把年轻人和老一辈人联合起来”。既然类似于科研的探究活动是研究性的基本形式，那么学生就需要带着机遇和灵感工作，“想法的来去行踪不定，并非随叫随到”，“而是出现在缓缓上行的街道的漫步中”。教师需要给他们心灵静思的空间，让他们在沉浸式摸索中推进问题探究，让灵感与创见从思维的旷野中自然而然地生发出来。然而，技术催生的加速文化对这种必要的静思空间造成了挤占。在罗萨看来，科技提供了让事务量得以增加的条件，科技加速将推动社会变迁加速和生活步调加速，形成一个封闭、自我驱动的系统。数字技术本身具有效率至上的理念，容易导致学习过程中的“抢跑”，不断加快目标的实现，而学习结果的瞬时反馈也降低了学习者继续探索的欲望。其结果是教学中的时间逼促，无形中剥夺了受教育者能力沉淀、心灵安顿、人格涵养、主体生成的时间，并造成其心灵上的焦虑，引发对慢的不能容忍。学生以加速的便利取代必要的静思，正如相关元分析研究所指出的，学生可能会优先考虑便利性而不是参与具有挑战性的学习项目。麻省理工学院团队一项基于脑科学的研究亦指出，学生在使用大语言模型时可能绕过深度记忆编码过程，表现出较弱的记忆痕迹，阻碍深度认知处理，虽然表面流利但内容本身可能还没有完全被内化。换言之，学生不再愿意对高深知识和问题进行长时间的沉浸式的“静思”，不愿将闲暇用于深度探究，更缺少一种安闲而非急于求得结果的心态。他们将越来越希望问题被快速地解决，期待智能体能在第一时间给予反馈，并倾向于认为技术提供的思路能够详尽地应对一切问题。由此，他们不再愿意耗费心力从事创造性的思考，而是急于把问题抛给智能体，把回答转交给教师。闲逸的消失将使师生成为研究性教学的匆匆过客，探究活动变成流水线式的简单应答。
（二）追求“可见”对自由精神造成新的阻碍
自由精神是研究性得以实现的必然要求。研究性教学要帮助学生从被动接受、追求定式、自我设限的思维惯习中解脱，允许他们自由探索和释放个性，追求思想迸发与创造，培育自由品性并充实精神世界。应当承认，人工智能通过个性化推荐与资源适配，有助于拓展学生认知空间并作为其能力的延伸，提供陪伴式研究体验，增强个性化程度，为学生研究性学习的自由精神提供了丰富的赋能潜力。但这种赋能的实现并非顺理成章，而是具有相当程度的不确定性。尤其是人工智能所依赖的算法文化极易在实践中对自由精神产生新的阻碍，与赋能潜力形成共生的张力，若不加以纾解，就会对研究性所珍视的自由品性构成实质性伤害。
首先，算法文化在很大程度上决定了用户能够看到什么、什么是重要的、什么是最可见的。对算法文化的遵从使学生习惯于看见“被展示出的内容”。 算法能够模拟人类学习的倾向、偏好和路径，从而实现精准预测，对人的学习行为与需求进行预先判断。在算法的介入下，学生与智能体交互得越多，智能体的自适应学习越强，也就更能够预测学生偏好的观点、路径和思维方式，借助强大的算力“投其所好”地为学生呈现资源。学生不断接受这种反馈，强化自身的固有认知，而鲜少看见被算法筛选淘汰的“异识”，从而减少了思维碰撞和观点交锋的可能。这样，与其说学生在自主探究，不如说他们只是在为验证自己喜爱的那种预设聚集资源，走上了依赖式教育的老路。
其次，由于“可见”的才是“重要”的，人们将越发关注算法数据的精密网络所展示的细节，漠视那些不可被数据化并纳入计算的心智倾向与品性。然而，研究性教学却尤为看重那些难以捕捉的“灵光一现”，比如应对突发的机智、面向未来的想象与好奇，或者机遇、瞬间、顿悟等非理性因素。这些因素是对客体的不完美代入，它不是缺陷，而是展示了自然客体所不具有的自由，被自我意识或反思介入。如果让其完全向数字世界暴露，那么师生就失去了发挥自由的空间。正如阿伦特所言，生活如果被持续地暴露给世界，生命的特质就丧失了，它的生长需要黑暗的庇护，任何企图描绘其全貌的努力最终都将伤害其自由。
再次，正因为“重要”的必须是“可见”的，研究性教学中的非理性竞争可能加剧。技术会把任何细节都推至前台，迫使我们进行一种相互攀比的恶性循环。研究性本应以自由精神为旨归，但在可见逻辑的影响下，学生容易将其窄化为“发现了更多的问题、组织了更多的材料、花费了更多的时间、撰写了更长的文本、结果展示更为精心”，却忽视了研究必要的深思熟虑。尽管学生的探究任务始终存在，但他们不过是深陷于借助技术打造表面工程，用以掩饰思维的贫瘠。比起梳理研究经历、分析比较观点、总结实践经验、进行创新探索的反思过程，学生更在意利用人工智能“装饰”研究性学习的结果。这样，研究性就成为景观式的“好东西”，“在这个银幕后面，自己的生命被流放”。由此，算法加数据的计算推理模式取代了人类向内反省和体悟的思维模式，学生也不知道赋予学习活动怎样的意义。
（三）技术话语的主导割裂研究性与教学性的关联
研究性教学不是以研代教，也绝非生搬硬套，而是根据教学的基本原理以及学生的成长规律来组织研究活动，通过注入了研究性的教学为学生创造有意义的学习经历，让研究性回归育人的出发点，体现了研究性与教学性的深度融合。然而，技术话语的主导使得研究性教学中的研究、教学与学习愈发脱钩，“一个人可以判定另一个人必须学什么以及什么时候学”的关联被打破，学生可以独自完成全部的研究活动，教师教学的发挥空间因之窄化，教学容易被技术加持的研究取代，演变为用研究的形式自我培养，由此成为“没有教学性的研究性”。此种活动失去了交往的双边性，割裂了研究性与教学性之间的关联，教学作为一种交往形式逐渐退场。这种割裂实际上指向了更为本质的风险，即技术话语对于学习单边性的助长，仿佛有了人工智能技术的赋能，研究性教学只需要让学生自主探究，把学习权利还给学生，教学的意义会“自然而然”产生。然而，处于主导地位的技术话语在助长学生对于独立自主的想象的同时，却也忽视了教学的意义在于它“必须理解为从外面而来的事物，并且带来特别新的事物”，也即教师必须给学生带来“新的事物”，学生需要认可自己有“被教”的东西，承认教师对自身有“可教性”。若研究性教学中的研究不具备可教性，教师就很难明确通过研究过程给学生带来什么，以及如何凸显研究性的教学意义。因此，学习单边性的问题在于它遮蔽了教育过程中的内容、目的和关系等关键维度，把无名的、形而上的权力加在了学习的观念上。如果不关注教学的解释与策略，学生的自主性并不会自动地在研究性教学中得到发展。如果研究性只是学生自己探究，教师失去了教学空间而无所适从，那就背离了教学的根本意义，所谓的研究性也失去了育人价值。
三、疗愈“研究性之伤”：人工智能时代研究性教学的应对策略
《哈佛通识教育红皮书》在论及教育的新媒介时提到，“我们所赖以测试和安置他们的心理假设、哲学坐标一脚迈进了无意识的领域，一脚却还在中世纪”。当前，人工智能正以难以预想的速度全面塑造着大学教学的新形态，但这种担忧似乎仍然可能重演，即 “身子已经进入了人工智能时代，脑子仍然停留在传统教学”。人工智能时代的研究性教学一方面应避免成为保守的壁垒，让技术沦为闲置的“可怕”工具，另一方面又需对智能保持克制，疗愈可能出现的“研究性之伤”。打造高质量研究性教学，必须不断信任师生，让他们主动面对风险，充分发挥实践智慧、创造力和判断力，在理论与实践上同时转向。
（一）在研究性教学中寻求人工智能的合理定位
在过往的教学信息化、技术化阶段，人们常以工具化思维审视技术手段。但对人工智能而言，其智能化学习能力越来越强大，作用越来越精准，很可能成为大学教学过程中的第三主体。这意味着在研究性教学中，我们需要突破传统“工具化”思维，将人工智能定位为“类主体”，而非只是提供有效资源的应答者，抑或知识各类存在形态的转换器。人工智能应当是需要被“教学”的学习者、可以在教学中“研究”的研究者以及陪伴师生的伴教者或伴学者。斯坦福大学研究者提出了名为“tutor copilot”的人工智能系统，意在为导师提供教学决策支持。我们可以借用其“copilot”（副驾驶）理念来进一步理解人工智能在研究性教学中的定位。
首先，将人工智能定位为copilot，意味着研究性教学的总体方向仍要由教师和学生来把控，教师需要利用人工智能提前设计研究性教学的问题和基本流程，借助学情数据和教学决策分析来实时引导学生探究，并准确评判学生是否深度参与、思维经历是否完整；学生通过人工智能快速度过研究性学习所需的知识积累期，产生智力的延伸，进而将人工智能作为代理人，在自身提出假设的前提下共同开展思维实验，同时对探究进程形成监控和反思。
其次，师生应当与作为copilot的人工智能结成共同体，协作开展问题探究。人工智能可以提供必要的知识基础，教师可以将面对问题的个体化经验作为教学内容，这种经验通常以非编码的方式存在，不能被智能体很好地识别，它能在与学生共同探究的过程中无形地传递给学生，构成学生的隐性知识。而学生在观察和与教师共同探究的过程中学会批判精神、科研技能与灵活运用理智的方法，人工智能也能在这种双向培育中自我迭代升级。
再次，研究性教学中作为copilot的人工智能要接受师生的驯化。对媒介的积极驯化将使人们避免狂热的依赖，理性看待媒介的功能与限度。人工智能时代的研究性教学需要师生以驯化媒介的思维来实现人工智能与研究性教学的有效嵌入。这种驯化建立在师生提示词素养的基础上，掌握提示能力的教师可以通过配置专属小模型来使研究性教学真正实现个性化，而学生提示的过程也将培养其拆解、分析和处理问题的能力，帮助他们保存对研究问题的好奇与敏感。
最后，作为“主驾驶”的教师仍然具有不可替代的作用。人工智能会促进教师回归本职工作，把精力和才智用于与学生的思想沟通、情感交流和生命对话。如此，师生的心智才得以真正打开，人文价值才得以超越技术理性，体现教学塑造人类灵魂的天职。这就依赖于教师教育性本能的流露和教育情怀的生发，彰显其特殊价值。同时，教师要改变高高在上、因权威而与学生保持距离的姿态，真正走入学生群体，了解作为数字时代原住民的Z世代群体如何生活、如何学习，理解他们的人工智能使用观念，以他们所喜爱、习惯的方式来设计研究性教学，从而契合数字原住民的发展需求。
总之，无论作为copilot的人工智能的作用有多么出众，未来的研究性教学都必须建立在承认“主驾驶”的核心地位与特殊意义的基础上，把人的全面发展而非技术进步或者问题解决作为最终目的，摒弃为技术而技术的倾向，把为研究性教学创造新问题、新思路、新机遇作为技术的尺度。
（二）筑牢人工智能时代研究性教学的意义根基
所谓筑牢研究性教学的意义根基，关键就是要在技术文化的侵入下，寻找能够让价值、意义等自由生长的基因。赫伊津哈曾提出关于“游戏”的理念，认为文化以游戏的形式产生，文化的根基在于游戏。吉见俊哉进而指出，游戏是所有意义世界的母胎，完全无关乎是否有用，只是游戏其中，才是存于大学学习与知识生产根底的活动。我们同样可以借用这一看法，将游戏看作研究性教学的意义根基。在赫伊津哈看来，游戏是一种自主行为，能让游戏者激情参与、全神贯注；它不涉及功利，且创造秩序，有序令游戏充满活力；游戏中存在紧张，紧张意味着不确定、有风险，考验着游戏者的才技；游戏靠愉悦感和兴奋感来维持，使人们从平常生活中解脱。
游戏本质显示出了针对研究性之伤的疗愈逻辑。在知识深度上，游戏属性的核心在于主动参与，为了保持对抗，个体有必要主动地去理解、评价、比较和整合人工智能提供的内容，将其转化为自己知识结构的一部分，由此就实现了杜威论及的通过游戏实现的有效学习，也即“知识的获得是从事有目的的活动的结果，而不是应付学校功课的结果”。在问题导向上，游戏的精髓在于富有张力的挑战以及随之而来的紧张和愉悦。游戏要求教师引导学生与问题进行“斗争和对抗”，推进研究进程，每一阶段“通关”后都能有所收获，而新的问题又随之产生，不断激起学生的兴奋与愉悦，“敢挑战、爱冒险、承担风险、忍受紧张，这些都是游戏精神的本质”，体现了被人工智能所消解的研究属性。在探究活动上，游戏能够强烈地调动学生并使其采取创造性和建设性的态度，逐渐进入收束自我、聚精会神的活动状态，发展更高水平的自觉和行动能力。在此过程中，学生受到自主的感召，为实现自身的全面发展而乐于接受竞争和挑战，并沉浸其中，通过具体的行动实现对自我的觉察、监控与反思，将认知丰富与能力施展作为愉悦的本源。
在具体实践上，关键是让严谨的研究性变得引人入胜而非泛娱乐化。例如，在研究性教学中设计人机对抗游戏，要求学生通过学术探究对人工智能提供的内容进行核查、分析与验证，引导学生分析输出内容背后的推理逻辑，也即“换位思考”，并尝试用人类的思维方式来重构思考逻辑与路径，让学生呈现思考、假设和验证的过程并与人工智能进行对比，在成果表达上让学生增加对个人经历的反思以及与现实世界的关系。又如，设计有人工智能参与的思想实验，让学生和人工智能进行角色扮演，学生需要利用人工智能提供的信息，结合角色立场进行谈判、辩论、决策和改进，最终收获理想的实验结果。这一过程将成为师生与智能体之间纯粹的理智活动，以及自由与挑战精神充分释放的疆场，而不再受技术和工具理性的牵绊，这也是研究性教学的意义归宿。
（三）基于研究性的内在要求来重建研究性教学
首先，明确研究性教学有可以教给学生的“内容”。虽然人工智能技术改变了知识的形态和呈现方式，但是它无法完整地呈现知识被筛选、对比、归纳和组织的逻辑，也难以将基于符号和语料的推理与人们所面对的真实世界建立起对应的关系，这就意味着教师要帮助学生将细碎的知识还原为整体的经验，使其真正走入学生经历过、正在经历和可能经历的具有独一性的生活中去，阐述那些被教师经验、见识与思维加工过并闪烁其个体智慧的理解，并向学生解释这样做的根据，同时对人工智能的输出进行批判与反思，以此构成新的内容，建立研究性教学的逻辑性、结构性和系统性。
其次，改变问题导向的基本逻辑。一方面，传统研究性教学中单纯依靠学科逻辑设计的问题已经能够被生成式人工智能技术以较快的速度进行回答，因而问题的设置应当增强与师生生活和现实的联系，体现一定的未来性和跨学科性，尤其是要引导学生初步探索那些影响人类社会发展的重要价值问题或者重大科技创新难题。另一方面，作为牵引的问题不仅可以来自由学术命题产生的问题域，还可以是“关于提问的问题”。教师在不给定明确问题的情况下，引导学生自己提出好问题，并让他们与人工智能进行苏格拉底式对话，思考如何提问才能让人工智能与自己一起创造，并不断接近问题的本质，由此形成学生中心的生成式问题引导，发展学生在人工智能时代学习与生存的必要技能。
再次，以“微探究”推动探究过程走向深入。人工智能的嵌入使得研究性教学的推进建立在一次次人机交互的过程上，这一过程可被视为“微研究”。师生若想让人工智能帮助自己处理复杂任务、激发创意思考，就必须学会对人工智能进行发问和引导，描绘出问题发生的具体场景，将复杂问题分解为细小的任务，清晰定义希望的输出结果，为人工智能赋予明确的身份和角色，完整表述已有的知识结构与框架，并根据反馈不断调整。从这个意义上看，与人工智能的交互实际上是对情景构建、自我反思、问题创设、结构分析等多重能力的整合，提问本质上也是在从事探究。人工智能时代的研究性教学正是由这些“微研究”的片段推进的。
最后，回归集体的教育意义。虽然技术为研究性教学提供了个性化的契机，但研究性教学不是私人领域的指导或探究，它所提供的集体文化氛围同样具有教育价值。这种集体不仅指向学生群体，而是包括了教师、学生与人工智能的人机集体，它能够使主体间开展实体性互动，具有一种共时性体验，从而产生共同的思想认识基础，也帮助学生适应未来社会的人与人工智能共生共存的集体生活。这样，研究性教学也得以完成促进学生社会化的使命。
（来源：《中国高教研究》2025年第9期）