ARM 研究团队出品 · 持续跟踪 K12 AI 教育

中小学AI教育研究平台

以研究的确定性，回应技术的不确定性。汇聚知识体系、政策观察、教学方案与校际实践，为教育者、研究者与学校管理者提供可引用、可落地的专业内容。

平台研究支柱

三个相互支撑的研究方向，覆盖从认知到课堂、从政策到校际合作的完整链条

三层次目标模型与课程地图方法，为学校提供共同语言

政策信号拆解、田野观察与国际对标研究

通识课方案、五环学习法与校本调研工具箱

最近发布的研究文章与教学方案，部分深度内容需教育币解锁

ARM知识体系

本文提出 ARM 框架下中小学 AI 教育的三层次目标模型——体验层、理解层与创造层，并给出各学段的能力表现指标与课堂观察要点，为学校课程设计提供共同语言。

传播矩阵

研究团队对 6 城市 14 所学校的 42 节生成式 AI 课堂进行结构化观察，归纳出三类成熟课型与四类典型问题，并给出可直接用于教研活动的观察量表。

政策信号

摘要公开。本文系统梳理近 18 个月国家层面涉及中小学人工智能教育的政策文本，识别出"课程化、普惠化、可评价"三条主线，并对地方落地节奏与经费投向做出研判。

通识课教学方案

面向七、八年级的 AI 通识课 16 周方案骨架：每周一个驱动性问题、一次动手验证、一次书面反思；附课时分配、评价占比与教师备课工作量估算。

五环学习法

摘要公开。五环学习法将学生与 AI 的一次协作拆解为"设问—预判—求证—修正—留痕"五个环节，完整版含每环节的课堂话术、学习单模板与常见失败模式。

观察文章

在工具操作层面，学生反超教师正在成为常态。本文基于教师访谈，提出教师角色从"操作示范者"向"任务设计者、证据教练、标准守护者、伦理对话者"的四个迁移。

ARM 方法论以「设问—预判—求证—修正—留痕」五环贯穿教学与研究，已在 46 所合作学校的真实课堂中持续验证。