作为教育改革和创新的重要力量，当前很多教师积极尝试利用生成式人工智能支持学生自主学习与问题探究。
　　
　　然而，除了知识误导、信息过载、算法偏见等已知风险外，生成式人工智能在学习中的直接应用还潜藏一些深层次挑战，包括学生学习自主性衰减与路径依赖、问题解决方案趋同与创新受限、学习与研究容易止步于方案构思阶段等。这些问题直接影响学生学习的深度和成效，因此需要从生成式人工智能支持学生深度学习的模式重构、应用策略与关键突破上把好方向、精准发力。
　　
　　生成式人工智能支持学生深度学习的具体表现
　　
　　生成式人工智能用于学生学习，应在学生与其高度互动的基础上，实现有意义的生成和创新，具体表现为深度探究、人机协同、创新实践。
　　
　　深度探究强调系统性研究、批判性思考、多角度分析以及严谨论证和反思。基于生成式人工智能技术的海量知识库、超强语义理解能力、基于上下文的连贯对话以及模式识别和关联推理等优势，应用生成式人工智能开展的学习可支持学生深度探究：与AI围绕特定问题对话协商，可启发学生多元视角思考与深度提问，逐步完成从问题表征、假设生成、证据评估到知识重构的深度认知闭环，进而实现高阶思维发展。
　　
　　数智时代，要让学习真正有意义，关键在于发挥人类智慧与人工智能的各自优势。人机协同中，首先要将人工智能作为认知伙伴，而非传统的资料查找或任务单向执行工具，通过多轮对话交互实现递进式的理解、迭代式的内容生成和进阶式的知识建构。其次，要充分利用人工智能在跨领域知识、数据分析、模式识别等方面的专长，与人类在情感理解、艺术创作和独特创意等方面优势形成互补性融合。此外，师生还要在对话生成中积极参与和主动决策，确保互动结果符合人类的价值观和实际需求。
　　
　　基于生成式人工智能的学习，其最终目标是推动创新实践。生成式AI的价值不仅在于辅助学习过程，更在于它能激发创新，包括能提供跨学科概念联结，如将仿生学与工程设计相融合；生成对抗性创意，如通过多方案对比迭代激发创新；开展可行性验证模拟，如虚拟原型测试。学生要在此过程中主导创新价值判断、推动需求与社会情境适配、开展伦理评估等。这种创新机制可促进学习成果实现迭代深化，并转化为解决现实问题的有效方案。
　　
　　生成式人工智能支持学生深度学习的应用策略
　　
　　应用生成式人工智能开展深度学习，核心在于人机双向沟通与面向真实问题的探究、验证与迭代优化。因此实践中，既要提升人机对话技巧，更要主动在真实场景中试验、应用并验证AI生成的方案。
　　
　　学生需要掌握与生成式AI对话的技巧。清晰地陈述问题才有可能得到较有针对性的解决方案，RICDO（角色、指令、情境、输入数据、输出要求）就是一个非常好用的提示语公式，如：“作为城市规划专家，请你用韧性城市理论为经常遭遇暴雨洪水的沿海社区设计五条气候适应措施，每条措施必须说明对应的韧性维度，并优先选择低成本、易推广的方案，用表格列出，包含三列：措施名称、所属韧性维度、作用说明。”
　　
　　同时，鉴于问题解决和知识创造为核心旨归的深度学习需求，与生成式人工智能对话还要凸显思想引领与讨论启发。思想引领强调用专业知识引导大模型深刻理解关键性问题，从而推动对话向前发展或形成超越个人知能的解决方案，如上述提示语案例中要求生成方案用到“韧性城市理论”。讨论启发强调基于理论依据的反馈、富有针对性的追问、系统性的总结等方法，以激发大模型的深度思考和多维视角，例如“请改进浮动菜市场设计，增加社会韧性功能”。显然，思想引领和讨论启发要求学生提前准备或深入研究，才能在对话中提出有深度和价值的观点、理论或策略。
　　
　　学生的学习须深度融入真实社会与实践。利用生成式人工智能获取方案与创意并非学习的全部，引导学生走向真实场景调查研究、亲身验证信息，才能获得真正高质量的解决方案，并防止因过度依赖AI而削弱自主思考能力。在实践、校验与修正方案中投入更多精力，能显著提升解决实际问题的能力，避免学习停留于理论构思，并更容易激发具有实践价值的创新（而非复制AI观点）。
　　
　　尽管实践环节耗时费力远超构思，但它既是问题的源头，也是验证成果的试金石。若学习止步于假设，将严重削弱成果的应用价值并导致实践能力退化。唯有完成“实践—认知—再实践”的闭环，知识才能真正转化为解决问题的力量。
　　
　　生成式人工智能支持学生深度学习的突破点
　　
　　面对学习者深度学习的要求，我们既要充分利用生成式人工智能的技术潜力，又须通过精心设计的模式和教学策略保障教育的主体性和深度价值，还需要具有伦理安全意识，避免由此带来的风险。为此，对于教师而言，任务设计、评价设计和伦理护航是三项需要突破的关键能力。
　　
　　当人工智能可以轻易回答封闭性问题时，教育的核心价值必须转向培养机器不可替代的高阶能力。这就意味着教师需着力设计更具真实性、开放性以及认知复杂性的任务，如语文教学中，与其让学习者总结文章主旨，不如“分析比较并论证最合理的解读”这样的任务，迫使学习者运用批判性思维、综合分析与情境化决策能力。这种设计既规避AI代劳的风险，更创造专属人类的认知挑战空间。同步地，学习评价也需要从结果正确性转向认知发展性，即教师需要重点关注分析学习者与AI的对话日志，评估其思维推理过程，而不仅仅是审核最终任务结果。同时，还要建立包含同伴互评、自我反思等多维度的评价体系，发展学生对成果、对生成式AI工具的客观、理性评价能力。
　　
　　此外，也是最为重要的一点，对于生成性内容教师不仅需要有较强的道德和专业敏感性与判断力，还要不断提升引导学生进行评价和判断的能力，帮助学生充分认识生成式人工智能的局限和潜在风险，以确保人机协同成果符合伦理安全和专业规范。
　　
　　（作者系华东师范大学教师发展学院副院长、副研究员）