摘要：引用:赵晓伟,王师晓,李情,沈书生,祝智庭(2025). 苏格拉底式问题支架：促进学生向AI大模型提出高质量问题[J].现代远程教育研究,37(1):102-112.

引用:赵晓伟,王师晓,李情,沈书生,祝智庭(2025). 苏格拉底式问题支架：促进学生向AI大模型提出高质量问题[J].现代远程教育研究,37(1):102-112.

摘要：向AI大模型提出高质量问题已成为数智时代学习者的必备技能与元素养。然而，当前学生向AI大模型提问的能力较低，所提问题存在浅表化、思维含量不高等现象，导致大模型的响应往往无法满足预期需求。苏格拉底式提问为有效提升学生提问质量提供了有益参考，基于此设计的苏格拉底式问题支架从“认知—元认知”双重维度提供了提示性、指导性、解释性三类支架，能够激发学生向AI大模型主动提问和持续追问的能力，有效促进学生认知发展。面向教育技术学专业44名本科生开展的准实验研究发现，使用该支架前后学生在问题深度、问题序列和问题架构方面具有明显变化。苏格拉底式问题支架能显著提高学生的深度提问能力，有效促进高阶问题序列转换，让学生形成分析创造式、深度理解式、评价创造式三种典型的转换循环，还能引导学生构建基于不同观点的星型、链式和闭环的问题架构逻辑。未来，教师应借助多样化的问题支架，引导学生向AI大模型提出高阶问题，并在追问中建立问题逻辑，以高质量的人机对话促进深度学习和学生高阶思维发展。

关键词：苏格拉底式提问；AI大模型；问题支架；高阶思维；高质量问题

一、引言

提出问题作为思维活动的起点，能够推动个体产生求知需求、主动建构新知，是撬动深度学习的重要支点。在新课标中，数学、物理、化学、生物等学科，均将发现问题、提出问题作为关键课程目标，旨在培养学生的问题意识和探究精神（中华人民共和国教育部，2022）。然而在实践中，学生往往缺少主动提问的机会，教师也难以在有限课堂时间内兼顾每个学生的问题。AI大模型的出现有望为改变这一现状提供新视角，它通过“提示语—响应”的会话轮转，能够以即时、个性化的方式回应学生的提问，为他们提供定制化学习体验。AI大模型具备强大的内容生成与响应能力，但学生向AI大模型提问时并不总是能够得到预期反馈，原因之一在于，学生提出的问题往往思维含量较低，以事实性、描述性问题为主，提问存在浅表化、低层次现象，导致AI大模型如同“离谱队友”或“笨蛋学伴”，难以满足学生预期需求（李艳等，2023），也不利于深度学习的发生。

为了让学生在与AI大模型对话中催生有效的思维活动，需要借助问题激发学生的思考深度，引导他们提出更深入和细化的问题，使AI大模型成为学生学习的得力助手。苏格拉底式提问（Socratic Questioning）通过有组织的问题挑战假设、评估证据并循证推理，帮助个体认知建构并形成批判性思维；有助于学生理解与评估他者想法，审辨思考、探求原因、质疑假设并产生复杂问题，推动认知的持续深入（Paul et al.，2016，p5）。在个体与AI大模型对话中引入这种提问方式，可以鼓励学生通过深度探究与反思不断质疑探索，实现认知与思维的深化，不仅能够使其获得新的知识与见解，更能够培养其批判性思维与独立思考的能力，实现真正意义上的深度学习。基于此，本研究在厘清苏格拉底式问题的实质基础上，设计了促进学生向AI大模型提问的苏格拉底式问题支架，采用内容分析与滞后序列分析方法揭示了学生使用支架前后在问题深度、问题序列、问题架构方面的变化，为学生向AI大模型提出高质量问题提供有效的策略支撑，促进其深度学习与思维发展。

二、苏格拉底式提问的实质与发展

苏格拉底式提问源自古希腊时期。2400多年前，苏格拉底以诘问的方式引导他人发现矛盾或偏差，通过不断质疑假设与递进推理，修正不完整或不充分的信念，帮助他人逐步实现认识发生与思维生成。柏拉图撰写的《理想国》《会饮篇》等对话录是苏格拉底哲学方法论的最佳来源。20世纪初，纳尔逊（Nelson）从哲学教学法的角度对苏格拉底对话方法论加以延伸，逐步提炼为苏格拉底对话教学法，并衍生出苏格拉底式提问、苏格拉底式教学法和苏格拉底式研讨会等形式。

1.以苏格拉底式提问促进个体认知发展

苏格拉底认为学习是由深入质疑和自我反思引领的，他将对话者视为知识探索或真理追寻的积极参与者，通过系统化的问题，检视对方的潜在假设，引导他们逐步揭示事物真相、化解问题与困境、审视并修正自身假设，进而展开循证推理，促进认知建构与思维拓展。苏格拉底式提问实质上是以结构化的质疑促进个体认识发展，其主要包括五类问题：一是澄清性问题，旨在明晰概念，促使个体精确阐述其观点的核心思想，如“请详细解释这个概念”。二是探因性问题，旨在通过追问原因引导个体深入剖析观点背后的逻辑并寻求证据支撑，如“你的推理依据是什么”。三是寻果性问题，旨在预测和探讨观点可能的后果或价值，如“该假设如果成立会产生何种后果”。四是比较性问题，旨在通过转换视角引导个体从对立或不同角度提出观点，拓宽思维的广度，如“除了这种方案，还有其他可能性吗”。五是反思性问题，旨在鼓励个体将提问的焦点转向自身进行自我反思，如“这个问题对我们有何启示”（Paul et al.，2016，p12）。这些问题的提出并非遵循固定的顺序，而是根据学习者的认知发展和对话的深入程度可以灵活调整与变换。

苏格拉底式提问已被证明在促进学生新知建构（Goldin et al.，2017）、概念转变（Muller et al.，2007）、批判性思维形成（Shoop et al.，2011）等方面具有重要价值。已有研究主要聚焦教师发起的苏格拉底式提问，如Obenland等人（2013）在大型科学课堂中，使用此方法探索学生对概念的理解，然而在800名学生的课堂中，仅有40名学生有机会参与对话。尽管教师主导的苏格拉底式提问有其积极作用，但问题的提出并非仅仅源自教师，学生自身的好奇心和求知欲，也驱动他们积极寻求新知、主动发起提问，这更有助于深化学生的认知并推动其高阶思维形成。因此部分研究尝试以研讨会的形式，让学生扮演苏格拉底式提问的发起者。例如，Zou等人（2011）鼓励医学生在研讨会上分组开展苏格拉底式提问，引导他们查看病历、鉴别诊断并达成共识。推动学生间苏格拉底式对话的顺利展开，通常需要教师提供适当的策略或方法。例如，Legath（2023）在英语语言艺术教学中开展苏格拉底研讨会，基于批判性思维框架为学生提供问题支架，引导他们针对阅读文本提出问题，并在交流中给出证据。尽管如此，此类研究仍尚显不足，且相关研究并未呈现学生进行苏格拉底式提问的逻辑思路。

2.基于AI大模型的苏格拉底式提问

将苏格拉底式提问与智能系统相融合的尝试早已有之。例如，Riesbeck等人（2002）开发了促进任务反思的导师系统Socratic Sask，它能够引导学生更好地检查自己的想法并进行探究；Hsu等人（2022）设计了基于视频的苏格拉底式提问系统SRP-VBLS，它利用“系统提问”鼓励学生反思与深入推理。AI大模型的出现为学生提供了与智者“苏格拉底”对话的全新机会，颠覆了传统的二元对话形态，拓宽了师生交往方式，重塑了多元对话角色，有力推动了群智协同对话。在传统对话中，教师往往扮演苏格拉底的角色，负责引导学生深入思考。而在AI大模型介入的对话中，AI大模型既可以作为“引导师”，以其智能化特性引领学生踏上与“苏格拉底”对话的独特旅程，深入探索真理；也可以作为“慧答者”，实时响应学生提出的苏格拉底式问题，提供较为准确与适当的回答，为学生提供认知建构的信息源，使他们在对话中不断提升自身的思维能力和认知水平。

当前相关研究主要从系统研发与提示语工程的视角，尝试将AI大模型转化为苏格拉底式智能体。例如，可汗学院研发了基于GPT-4的苏格拉底式导师Khanmigo，鼓励学生深入思考，而非直接提供答案，培养学生的批判性思维（Khan Academy，2024）；此外，Chang（2024）开发了多智能体进行苏格拉底式提问推理的SocraSynth提示语模板，通过智能体之间的辩论与合作，启发人类推理。整体来看，相关研究主要关注将AI大模型塑造为具备“苏格拉底式”提问能力的智能体，激发学习者探究学习，却忽略了学习者作为对话的主体所应具备的主动提问与追问的能力。向AI大模型提问的能力作为人机对话中需要具备的元素养，是数智时代新质人才培养无法回避的重要任务。引导学生学习苏格拉底式的提问策略，不仅有助于培养他们的深度思考、逻辑推理能力与质疑精神，更能有效地释放AI大模型的潜力，实现人机之间的深度交流与互动。因此，本研究尝试从学习者视角探讨其如何向AI大模型提问，设计了促进大学生向AI大模型提问的苏格拉底式问题支架，以期提升学生的提问能力，推动其高阶思维形成。

三、向AI大模型提问的策略与苏格拉底式问题支架设计

鉴于学习者往往难以自主向AI大模型提出清晰且有深度的问题，因此需要设计适当的提问策略（如问题支架），激发学习者的思考潜力，促进他们提出更高质量的问题。

1.向AI大模型提问的策略

提问是学习者在认识外部世界的过程中主动求知并产生问题的行为，能够反映学习者的认知深度与思维层次。由于学习者并不总能自发地提出适切的有深度的问题，因此研究者设计了助学指导、学习支架和概念图等多种策略促进学习者提出深层次问题。例如曹梅等人（2020）构建了翻转课堂学习中促进问题生成的课前助学策略，包括微课助学、测练融合、答疑解惑等；刘清堂等人（2023）设计了促进问题生成的课前学习支架，包括学习任务单以及含有问题提示、概念图的学习反馈单；Hwang等人（2020）开发了多层次概念图提问的移动学习系统，将概念图融入支架式提问，引导学生运用高层次认知策略提问。

AI大模型的崛起转变了传统的“搜索即学习”模式，允许学习者直接向AI大模型提问探索新知。然而在此过程中，如何确保学习者有效且高质量地与AI大模型交互，以获得理想响应进而实现认知建构呢？学习者的提问技巧与提示语的精准性，无疑是影响这一交互质量的关键因素。由于AI大模型的复杂性和开放性，学习者在提问时往往感到困惑，不知道如何组织语言、描述问题，以确保其意图能够被AI大模型准确理解。这种困惑可能导致学习者无法充分利用AI大模型的潜能，从而限制学习体验和学习效果。为了应对这一问题，已有研究从提示语工程（Prompt Engineering）的角度提出诸多解决方案，例如ICIO框架（Giray，2023）、CORE框架（赵晓伟等， 2023）、CLEAR框架（Lo，2023）等，帮助个体以更加具体明确的语言向AI大模型提问。然而，这些提示语框架虽可在一定程度上提高提问的精度和准确性，但其局限性也逐渐显现：单纯依赖提示语框架，难以确保学习者能够自主提出具有深度和广度的问题。

因此，一些学者从其他角度探索促进学习者向AI大模型提问的策略。例如，刘明等人（2023）的“学生—AI”共创问题Co-Asker支架，激发学习者的提问兴趣和投入度；Abdelghani等人（2024）借助GPT-3开发好奇提问工具，促进学习者在多轮人机对话中提出深层开放性问题。尽管这些研究具有参考价值，但也凸显了当前研究的不足，即尚未形成一套向AI大模型提出深层次问题的有效策略。充分发挥AI大模型的潜力，需要设计更多有效策略，提升学生向AI大模型提出深层次问题的能力。这不仅要提供合适的提示语框架，更要注重培养学习者的提问思维与批判性思维，引导他们借助高质量问题获得的数据源建构新知。

2.苏格拉底式问题支架的设计

教师是学生问题提出的引导者，能够激发学生的思维火花，引导他们以多样化的方式向AI大模型提出有深度的问题并合理追问，有效提取信息并建构新知。学习支架作为一种临时性、可调节的支持工具，旨在强化学生的学习过程并辅助其顺利完成各项任务，有助于学生在已知与未知之间建立联系。学习支架具有多样化形式，Van de Pol等人（2010）从“意图—手段”的维度，构建了全面的支架策略分析框架，意图维度涵盖了认知、元认知与情感三个层面，手段维度则具体包含了反馈、提示、指导、解释、建模和提问等多种策略，意图与手段的任何组合都可被视为支架策略。

基于此，本研究从“意图—手段”的维度设计了促进大学生向AI大模型提问的苏格拉底式问题支架策略（如表1所示）。其中，“意图”维度不仅从认知层面向学生提供提问的说明框架，还从元认知层面让学习者理解提问思路并保持对特定目标的追求；“手段”维度则涉及提示性、指导性、解释性三种支架，旨在为学生提供提示说明、涵义阐明、解释示例等，引导学生借助苏格拉底式问题进行提问。具体地，在认知层面，本研究设计了“苏格拉底式问题清单”，涵盖了三种类型的支架（如表2所示）。提示性支架并不直接提供完整的解决方案或说明，而是提供五种问题类型（澄清性、探因性、寻果性、比较性、反思性），并给出每种问题的具体涵义，旨在引导学生从不同维度发起提问；指导性支架提供针对每种问题类型的参考提问句式，旨在引导学生以更适当的语言向AI大模型发起提问；解释性支架提供更为详细的提问示例，使学生更加明确如何提出五类问题。

表1苏格拉底式问题支架设计

表2苏格拉底式问题清单

在元认知层面，本研究提供了多种策略确保苏格拉底式问题清单的有效使用。一是提问前向学生提供问题评价标准（如表3所示）。参考高岱亮（2017）的研究，笔者从问题深度（深刻性、相关性等）与问题表述两方面向学生提供问题评价标准，帮助学生明确问题提出的细化要求。二是阐释如何提问并给出思考过程。教师向学生解释以苏格拉底的方式与AI大模型对话的优势与价值，并通过口头示范阐释提问的技巧与策略，给出思考的过程。

表3向学生提供的问题评价标准

在关于“什么是知识（q1）”的探讨中，教师引导学生通过提问澄清概念、质疑假设或揭示矛盾。具体地，在让AI大模型澄清概念后，教师指出AI大模型对“知识”的理解是基于某种定义的，引导学生通过提问质疑AI大模型观点背后的假设或前提（q2）；接着，引导学生提出可能的反例，查看观点在特定情况下是否仍然成立（q3）；进一步地，教师通过提问帮助学生比较不同观点或概念，揭示其中的差异和联系（q6）；教师继续让AI大模型分析“当知识来源唯一”时可能的影响（q4），随后变换前提，探讨“当知识来源不唯一”时可能的影响（q5）；最后，教师通过提问引导AI大模型反思修正其观点（q7）。

四、基于苏格拉底式问题支架的教学实验

为检验苏格拉底式问题支架的应用效果，本研究采用准实验方法收集了问题思考单，并运用统计学分析、滞后序列分析与内容分析等方法，从“问题—问题链—问题架构”三个层面，探讨苏格拉底式问题支架如何改变学生向AI大模型提问的问题深度、序列转换以及所形成的问题架构。

1.实验设计

该教学实验在华东某高校教育技术学专业2023年秋季学期的《教育技术导论》课程中实施。实验共有44名本科生参与，其中包括男生21名、女生23名。在参与之前，34.89%的学生尝试过使用AI大模型，但未了解过向AI大模型提问的策略与方法。为确保研究的科学性，所有学生按照随机分配原则被分为实验组（20人）与对照组（24人），并且使用过相关AI大模型的学生也被均匀分配到两组中。实验实施过程如图1所示。实验第1周，两组学生基于个人兴趣选定研究主题，初步构建对选定主题的基本理解，自主选择AI大模型进行提问，在“问题思考单v1”中记录各自的初始观点、提问内容及追问。然而，在初步尝试中，学生们在与AI大模型对话时，存在语言表述不够精准、难以被AI大模型理解等问题。因此，在第2~3周，教师向学生介绍了几种基础提示语设计框架（如ICIO框架、CORE框架、CLEAR框架），引导学生在不改变原有观点、原有提问角度的前提下，仅优化先前的提问表述，形成“问题思考单v2”。第4~6周，为两组学生均提供了问题提出的评价标准，不同之处为：实验组学生借助苏格拉底式问题清单，参照教师示范的提问方式与思考过程，对原有提问进行改进并建立后续理解，进一步向AI大模型提问；对照组学生借助基础性问题清单（包括基于客观事实的有定论问题、需要分析推理的有争论问题、未知或反映偏好的无定论问题三类），参考教师示范的提问方式与思考过程，优化他们的提问。两组学生将改进后的问题与观点记录在“问题思考单v3”中。为了测试学生是否真正掌握了提问技巧，在第7周两组均撤掉相应的支架，要求学生变换主题进行新的提问，并将初始观点、提问内容及追问记录在“问题思考单v4”中。第8周，两组学生分别汇报并分享各自的提问过程与思路。

图1实验实施过程

2.数据收集

本研究中的数据主要源自学生在课程学习期间提交的“问题思考单”，这些数据详尽地记录了学生的初始观点、向AI大模型提出的系列问题以及观点的演进与追问。鉴于思考往往源于问题而非回答，思考的延续依赖于回答所引发的进一步追问，因而学生所提问题能够映射其思考的认知层级。为全面评估学生向AI大模型提问的深度，本研究基于安德森认知目标分类框架，并结合金塞拉（Kinsella）按认知目标划分的6个问题层次（Brown，2007），由基础至高阶界定了6种问题层级，即识记型、理解型、应用型、分析型、评价型及创造型问题（如表4所示），用于反映学生的认知深度。为了进一步量化学生的提问深度，本研究设计了如下计分方式，学生每提出一个识记型问题记0.5分，理解型问题记1分，以此类推，每提升一个问题层级，记分逐层递加0.5分。另外，对问题表述的评价，按照提供给学生的问题评价标准计分，Level1~Leve4分别计0~3分，若在一个问题中涉及多个子问题，则取平均值。

表4问题深度与观点类型编码框架

问题的提出源于对主题的初步解读。不同的理解将催生不同的提问类型与方式。例如，对某一主题有定论的理解，可促使学习者进一步分析推理；无定论的理解可能引发学习者依据个人偏好各抒己见；对于有争论的理解，学习者则更倾向于进行判断与推理。本研究在参考Paul等人（2016）、冷静等人（2022）的观点编码方式基础上，结合“问题思考单”，将观点类型细分为描述性观点、分析性观点和态度性观点。描述性观点体现学生对现象或事件的阐释表达，分析性观点展现学生对事件的深层判断与解释，态度性观点则凸显学生的价值取向和情感态度（如表4所示）。为了激发学生的思考热情，本研究特别在“问题思考单”中设计了三个“观点—问题链”框，以供学生围绕同一主题从多角度阐述自己的理解，同时鼓励学生不拘泥于此，可根据需要增加观点，从而深化学生对主题的探索和理解。

3.结果分析

（1）单一问题角度：问题支架显著提升学生深度提问能力

比较学生使用问题支架前后的提问深度发现，引入问题支架前，两组学生向AI大模型提问的深度并无显著差异（t＝0.850，p＝0.400＞0.05），随着苏格拉底式问题支架的引入，实验组的提问深度显著高于对照组（t＝5.960，p＝0.000＜0.001）。方差分析显示，实验组在使用苏格拉底式问题支架后，提问深度显著提高，当支架被撤除后，尽管学生的提问深度相较有支架时略有回调，但这一变化并不显著，且他们的提问深度仍显著高于使用支架前的水平（如表5所示）；相比之下，对照组的提问深度并未发生显著变化（t＝1.513，p＝0.144＞0.05），这表明苏格拉底式问题支架显著提升了实验组学习者生成深层次问题的能力。此外，比较对照组问题思考单v1与v2的提问表述发现，提示语设计框架能显著提升学生的问题表述水平（t＝8.863，p＝0.000＜0.001），然而在引入问题支架后，尽管学生的问题表述水平有所提升，但并未呈现出显著差异，这反映了苏格拉底式问题支架并不能直接影响学生的问题表述水平（t＝1.557，p＝0.136＞0.05）。

表5实验组前后测问题深度、问题表述的方差分析结果

（注：*** p＜0.001。）

通过桑基图对实验组学生问题类型变化的可视化分析发现（如图2所示），使用支架前（前测）和撤除支架后（后测），各类问题的数量均存在显著差异。总体来看，分析型问题所占比例最高，其次是理解型问题。其中，使用支架前，学生的提问中评价型问题和创造型问题占比较低（分别占比7.14%和2.38%）；使用支架后，高阶问题占比较高（63.46%），且创造型问题数量显著提升。这表明苏格拉底式问题支架有效开阔了学习者的提问思路与范围，促使他们向更深层次的问题探究。

图2实验组向AI大模型提问的问题类型桑基图

（2）问题链的角度：问题支架积极促进学生高阶提问序列

为了深入剖析两组学生在初始理解及不同问题间的转换关系，准确把握学生提问过程中的思维转换模式，本研究采用滞后序列分析法对最终形成的问题思考单v4进行了分析，筛选出存在显著性的转换序列并以图示化方式呈现（对照组10条、实验组13条，分别如图3、图4所示）。

图3对照组问题转换序列

图4实验组问题转换序列

整体来看，两组学生向AI大模型提问时展现出特定的转换模式。对照组的提问序列主要集中在低阶问题之间的转换（如QR→QU、QU→QY），高阶问题之间的转换较为单一。值得注意的是，评价型问题未能形成显著的转换序列，而创造型问题也仅存在一条显著序列。这表明，在缺乏问题支架时，对照组学生较少进行批判性和创造性提问。相比而言，实验组在向AI大模型提问时，高阶问题之间的转换频率明显增加（如QA→QC、QC→QE、QC→QC）；不仅如此，实验组还形成了一个复杂的转换网络，既有多分支线性路径又有循环复杂路径，显示出实验组的学生在提问时具有更为灵活和深入的问题转换能力。

从基于观点生成的问题看，对照组围绕三种不同观点，形成了以低阶问题间转换为主、适当含有分析型问题的转换循环，反映了学生围绕初步思考能够展开一定程度的提问，但难以达到评价和创造等更高认知层次；特别地，态度性观点与识记型问题之间形成双向关系（SE↔QR），表明学生对某一事件的价值判断能引发对于相关概念和原理问题的探讨需求，而通过AI大模型对识记型问题的精准解答，学生也能更清晰地了解特定事件的基本原理。实验组则形成了描述性观点与分析型问题之间的双向关系（SD↔QA），表明对于特定事物，学生期望探究背后的原因与意义，进而提出相应的问题，而通过AI大模型对分析型问题的回答，学生能够更深入地理解事物的深层含义，从而丰富与完善已有观点。梳理转换模式发现，实验组主要形成了以下三种循环（如图5所示）。

图5实验组基于初始观点的问题转换循环

第一，始于描述性观点的分析创造循环（SD↔QA→QC→QE→SD）。即从某一现象或事物的描述出发，通过向AI大模型循环提问，剖析背后原因或内在逻辑（SD→QA），通过创造型提问寻找新的可能性或解决方案（QA→QC），通过提问评估、判断相关方案（QC→QE），形成新的描述性观点（QE→SD），此时的描述不仅具有更深入的理解，还融入了创新思考与价值判断，为后续思维活动提供了新的起点。该转换循环展示了苏格拉底式问题支架能够有效促进学生提问的连续性与迭代性，不断从描述性观点出发，提出分析型、创造型、评价型问题，促进思维拓展与认知创新。

第二，始于分析性观点的深度理解循环（SA→QA↔SD→QU→SA）。即从对某一现象或事物的深入剖析出发，形成分析性观点（SA→QA），通过向AI大模型提问，探寻原因并寻找证据，深化对现象的理解，基于问题的解答和证据的分析，形成描述性观点以总结结果或描述具体内容（QA→SD），随后提出理解型问题引导AI大模型解释描述性观点所蕴含的意义或规律（SD→QU），深化理解并催生新的分析性观点（QU→SA），不仅促进了学生对现象的深度认识，也为后续思考提供了起点。该转换循环展示了分析、描述、理解和再分析的递进关系，反映了苏格拉底式问题支架能够有效促进学生提问的深入性，帮助他们深度理解事物并促进认知提升。

第三，始于态度性观点的评价创造循环（SE→QE→SD↔QA→QC→SE）。即从对某一现象或事物的主观看法出发，通过向AI大模型提问，评估、理解事情的价值或意义（SE→QE），形成对事物的客观描述（QE→SD），随后通过提问深入挖掘事物背后的原因与证据（SD→QA），引发创造型问题提出（QA→QC），在找到新的可能性或解决方案之后，学生能够形成新的、更全面客观的态度性观点（QC→SE）。该转换循环展示了从主观见解到客观评估，再到创造性探索，最后回归新见解的完整链条。其中还包括两个重要的子循环：一是“QC”的自我循环，体现了创造型问题的不断提出与深化；二是“QE→SD↔QA→QC→QE”的循环，展现了深度思考与评价创造的过程。这表明，苏格拉底式问题支架能够有效促进学生基于态度性观点实现认知的再评估与再创造，促进自身认知建构并提升思维的灵活性与创新性。

（3）问题架构角度：问题支架有效支持学生建立问题架构

为深入了解学生向AI大模型提问时的逻辑脉络，本研究综合了“问题思考单v4”及汇报内容，剖析学生的问题层次与提问思路，构建了基于不同观点提问的逻辑架构。研究发现，在苏格拉底式问题支架的引领下，实验组学生围绕不同观点形成了星型、链式、闭环等问题架构逻辑（如图6所示），不仅体现了学生提问的层次性与系统性，也展示了他们思维的广度与深度。整体来看，学生在探讨三类观点时形成了具有共性的问题架构（如图6a所示），即从多个维度向AI大模型提出澄清性问题，在对观点形成初步理解和判断的基础上，选择某一维深入追问，提出探因性、寻果性、比较性等问题。

（注：Q1~Q4代表学生基于不同观点向AI大模型提出的具体问题示例。）

图6向AI大模型提问的问题架构逻辑

在基于描述性观点的星型问题架构中（如图6b所示），学生在苏格拉底式问题支架的引导下，围绕描述性观点进行发散式追问，提出多维度的并列问题，并根据AI大模型生成的内容，从新的角度进一步追问，形成向外辐射的连接模式，以便从不同方面建立对描述性观点的理解。例如，围绕“AI大模型可以实现在线资源共享”这一描述性观点，学生从技术实现、资源类型、应用场景、安全隐私等角度，向AI大模型提出多个并列式的澄清性问题，如“AI大模型如何实现在线资源共享”“共享哪些类型的资源”“哪些场景实现共享”“如何保障资源共享的安全性”等。

在基于分析性观点的链式问题架构中（如图6c所示），学生在苏格拉底式问题支架引导下，围绕分析性观点、基于特定的推演过程或逻辑顺序，向AI大模型提出逐渐深入的递进式问题，形成线性连贯的问题链，反映学生全面、系统地分析复杂问题，进而连续追因与论证的过程。例如，围绕分析性观点“AI大模型可以通过调动学生积极性促进课前学习”，学生从动因出发逐步追问，提出了“学生对AI大模型产生积极性的原因（探因性问题）”“AI大模型调动学生积极性的内在机制（探因性问题）”“AI大模型相比其他在线工具，在提升积极性方面有何优势（比较性问题）”“AI大模型在调动学生积极性方面可能面临哪些挑战或限制（寻果性问题）”等问题。

在基于态度性观点的闭环问题架构中（如图6d所示），学生在苏格拉底式问题支架引导下，通过对特定态度性观点的多维分析比较，创造性思考并重估、审思原始态度性观点，形成闭环式问题架构。该架构是探讨态度性观点的独特逻辑架构，反映学生在探讨态度性观点时进行评价、反思与创造的过程。以态度性观点“当代大学生自主学习利大于弊”为例，学生在对当前趋势、潜在后果深入分析后，提出了“反对我观点的人将持有何种观点，哪个较符合现实”等比较性问题，并基于AI大模型的反馈重新评估观点的合理性及潜在影响，进而形成更加深刻的理解。

五、研究结论与建议

向AI大模型提问是数智时代人机对话的元素养，而学会提问也是适应未来世界持续变化的必要技能。基于研究结论，从问题深度、问题序列和问题架构三个维度提出具体的行动建议，以期为教学实践提供有益参考。

1.在深度思考中向AI大模型提出高阶问题

本研究发现，提示语设计框架能够提高学生的问题表述水平，对提问深度没有显著影响，而苏格拉底式问题支架能够显著提升学生的深度提问能力，提问的类型由浅层的理解型、应用型等问题转变为更深层次的分析型、创造型等问题，反映了实验组学生的思维层次不断深化，迈向更高层次的认知过程。已有研究表明，高质量的提问对于激发创造性思维发展具有显著作用，而与提问的数量无关（文明，2009），这与本研究的发现一致。尽管对照组也提出了大量问题，但涉及高阶层次的评价型和创造型问题却较少。另外，由于AI大模型生成的内容能够促进学生思考与追问，因而显著提升了两组分析型问题的数量（郑兰琴等，2024），但相较于对照组，实验组在获得AI大模型生成的内容后，能够更加审辨地思考并提出更深层的评价型或创造型问题，促使思考不断深化。

引导学生基于深入思考向AI大模型提出高阶问题，教师可从三方面提供支持：一是创设问题情境，通过设计富有挑战性和真实性的情境，激发学生的思考兴趣和动机，使其能够在解决实际问题中深化思维。二是提供问题支架，引入“五何”问题框架、不同认知水平的问题框架、苏格拉底式问题支架等，引导学生理解提问的多元视角或层次，学会独立思考与主动提问；同时，鼓励学生基于AI大模型的回答，进一步分析、质疑和探究，提出分析型、评价型、创造型问题，培养其批判性思维和创新能力。三是优化问题表达，高质量的问题表述有助于AI大模型更好地理解人类意图，因此在提出深层次问题时，教师应引导学生运用提示语框架优化问题表达。

2.在向AI大模型递进追问中建立问题逻辑

本研究发现，苏格拉底式问题支架能够积极促进学生提问的递进性，推动认知的持续深入。问题支架通过引导学生对原有问题进一步追问，促进他们与AI大模型对话时主动思考、追求深层理解，通过追问聚焦核心内容、持续深化问题、建立新的理解，实现深度学习。姚佳佳等人（2022）发现，学生对学习内容初步思考后提出问题、质疑追问的行为，能够有效促进他们的深度学习。本研究进一步发现，实验组与对照组的学生都能围绕初始思考形成特定的问题转换序列，然而，对照组提出的问题缺少批判性与创造性，以低阶层面的问题转换序列为主，而实验组实现了高阶问题间的转换，并形成了三种循环模式，不仅体现了学生思维的深度和广度，更展示了他们在问题探究中的序列性与连贯性。

实践中，教师可借助苏格拉底式问题支架，从追问的逻辑和引导两方面为学生提供支持，促进他们从不同角度深入追问。在追问逻辑方面，指导学生向AI大模型提问或阐释概念内涵，并运用询问证据、质疑假设、提供反例、因果推理、反思总结等方法，不断深化追问的层次。在追问引导方面，首先鼓励学生运用多种苏格拉底式问题类型进行提问和追问，阐述或记录其追问逻辑，以展现其思考方式；随后通过示范、演示等方式，引导学生在学科内容的学习中灵活运用苏格拉底式追问逻辑；最后，提供新的问题情境，引导学生运用所学的追问策略，提出逻辑连贯且富有深度的问题。在此过程中，学生不断追问已知问题、已有解决方案乃至未知方案，从而建立清晰的问题逻辑，逐步拓宽其认知边界。

3.建立向AI大模型提问的系统性问题架构

本研究发现，苏格拉底式问题支架能有效支持学生建立问题架构，提升思维的系统性。问题支架有助于学生在自主提问、持续追问过程中形成特定的问题架构，这一架构不仅反映了学生的思维逻辑，更成为他们创造性思考与问题解决的认知工具，展现了他们在面对特定问题时构建解决方案的整体思考。赵晓伟等人（2024）基于“框架问题”提出向AI大模型提问的自上而下、自下而上式问题架构，本研究对该研究进行拓展与深化。研究发现，在苏格拉底式问题支架的引导下，实验组学生展现出多维度、递进式、系统化的思考方式，建构了具有内在关联的问题架构，形成了三种典型问题架构：星型架构反映了学生基于描述性观点的并列式、发散性提问，凸显思维的广度；链式架构反映了学生基于分析性观点的递进式、连贯性提问，展现思维的深度；闭环架构反映了学生基于态度性观点的审辨式、权衡性提问，彰显思维的高度。

后续实践中，教师可基于上述三种问题架构，提供体现学科内容的提问示例，帮助学生在自发建立问题架构的基础上，归纳总结系统提问的策略与技巧。此外，教师还应鼓励学生借助思维导图等工具，将不同问题间的逻辑关系可视化呈现，使他们清晰地看到自己的思考过程和问题间的逻辑联系，这有助于他们更有目的地与AI大模型互动，促进深度学习的实现。

六、结语

思维并非由答案驱动，而是由问题驱动，只有当答案引发深层次问题时，思维才能持续焕发活力。数智时代，个体与AI大模型协同将成为未来学习的新常态，本研究受苏格拉底式问题的启发，通过设计问题支架引导学生自主提问、深入追问、系统求问，建立向AI大模型提问的深层问题、问题链与问题架构，推动学习从被动转为主动、从短暂转为持续、从表面转向深度，期望通过培养学生向AI大模型提问的素养，促进人机对话的高水平实现，让学生在应用实践中建立技术思维，在与AI大模型的交互协同中发展复合思维，在解决劣构问题过程中塑造创变思维（祝智庭等，2024），从而更好地迎接对话式智能教育形态的到来。

参考文献：

[1]曹梅,马悦(2020).翻转课堂课前深层次学习的问题生成策略研究[J].电化教育研究,41(11):101-107.

[2]高岱亮(2017).用PTA量表评价学生提出物理问题能力的调查研究[D].曲阜:曲阜师范大学:11-12.

[3]冷静,路晓旭,宋金阳(2022).大学生在线知识建构行为及序列模式分析[J].中国远程教育,42(1):85-91.

[4]李艳,金皓月,杨玉辉(2023).基于ChatGPT的研究生人机协同学术写作实践研究及启示[J].远程教育杂志,41(5):38-48,75.

[5]刘明,吴忠明,廖剑等(2023).大语言模型的教育应用:原理、现状与挑战——从轻量级BERT到对话式ChatGPT[J].现代教育技术,33(8):19-28.

[6]刘清堂,常瑀倍,吴林静等(2023).课前学习支架促进学生问题生成与认知水平提升[J].电化教育研究,44(7):59-66.

[7]文明(2009).学生提问能力与创造性思维的关系研究[D].苏州:苏州大学:40.

[8]姚佳佳,李艳,陈新亚等(2022).基于实时互动的同伴对话反馈对大学生课堂深度学习的促进效果研究[J].电化教育研究,43(1):113-121.

[9]赵晓伟,戴岭,沈书生等(2024).促进高意识学习的教育提示语设计[J].开放教育研究,30(1):44-54.

[10]赵晓伟,祝智庭,沈书生(2023). 教育提示语工程:构建数智时代的认识论新话语[J].中国远程教育,43(11):22-31.

[11]郑兰琴,高蕾,黄梓宸(2024).基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗?[J].电化教育研究,45(3):70-76,84.

[12]中华人民共和国教育部(2022).教育部关于印发义务教育课程方案和课程标准(2022年版)的通知[EB/OL].[2024-03-25].http://www.moe.gov.cn/srcsite/A26/s8001/202204/t20220420_619921.html.

[13]祝智庭,赵晓伟,沈书生(2024).融智课堂:融入AI大模型的创新课堂形态[J].电化教育研究,(12):5-12,36.

[14]Abdelghani, R., Wang, Y. H., & Yuan, X. et al. (2024). GPT-3-Driven Pedagogical Agents to Training Children’s Curious Question-Asking Skills[J]. International Journey of Artificial Intelligence in Education, 34(2):483-518.

[15]Brown, H. D. (2007). Teaching by Principles: An Interactive Approach to Language Pedagogy[M]. New York: Pearson Education:172.

[16]Chang, E. Y. (2024). SocraSynth: Multi-LLM Reasoning with Conditional Statistics[J]. arXiv Preprint arXiv:2402.06634.

[17]Giray, L. (2023). Prompt Engineering with ChatGPT: A Guide for Academic Writers[J]. Annals of Biomedical Engineering, 51(12):2629-2633.

[18]Goldin, A. P., Pedroncini, O., & Sigman, M. (2017). Producing or Reproducing Reasoning? Socratic Dialog Is Very Effective, But Only for a Few[J]. PLOS One, 12(3):e0173584.

[19]Hsu, F. H., Lin, I. H., & Yeh, H. C. et al. (2022). Effect of Socratic Reflection Prompts via Video-Based Learning System on Elementary School Students’ Critical Thinking Skills[J]. Computers & Education, 183:104497.

[20]Hwang, G. J., Zou, D., & Lin, J. (2020). Effects of a Multi-Level Concept Mapping-Based Question-Posing Approach on Students’ Ubiquitous Learning Performance and Perceptions[J]. Computers & Education, 149:103815.

[21]Khan Academy (2024). California District Pages-Khan Academy[EB/OL]. [2024-03-01]. https://districts.khanacademy.org/khanmigo.

[22]Legath, N. E. (2023). The Effects of Participation in Socratic Seminar on Critical Thinking Skills[D]. Chester County: Widener University:47-49.

[23]Lo, L. S. (2023). The CLEAR Path: A Framework for Enhancing Information Literacy Through Prompt Engineering[J]. The Journal of Academic Librarianship, 49(4):102720.

[24]Muller, D. A., Sharma, M. D., & Eklund, J. et al. (2007). Conceptual Change Through Vicarious Learning in an Authentic Physics Setting[J]. Instructional Science, 35:519-533.

[25]Obenland, C. A., Munson, A. H., & Hutchinson, J. S. (2013). Silent and Vocal Students in a Large Active Learning Chemistry Classroom: Comparison of Performance and Motivational Factors[J]. Chemistry Education Research and Practice, 14(1):73-80.

[26]Paul, R., & Elder, L. (2016). The Thinker’s Guide to Socratic Questioning[M]. Washington DC: Rowman & Littlefield:31-33.

[27]Riesbeck, C., Walsh, J., & Weusijana, B. K. (2002). The SASK Mentor Project: Using Software and Socratic Methods to Foster Reflective Thought in a Learning Environment[C]// Barker, P., & Rebelsky, S. (2002). Ed-Media Innovate Learning. Waynesville, NC: Association for the Advancement of Computing in Education (AACE):2048-2053.

[28]Shoop, B. L., & Ressler, E. K. (2011). Developing the Critical Thinking, Creativity and Innovation of Undergraduate Engineering Students[J]. International Journal of Engineering Education, 27(5):1072.

[29]Van de Pol, J., Volman, M., & Beishuizen, J. (2010). Scaffolding in Teacher-Student Interaction: A Decade of Research[J]. Educational Psychology Review, 22:271-296.

[30]Zou, L., King, A., & Soman, S. et al. (2011). Medical Students’ Preferences in Radiology Education: A Comparison Between the Socratic and Didactic Methods Utilizing PowerPoint Features in Radiology Education[J]. Academic Radiology, 18(2):253-256.

来源：医学顾事