摘 要：生成式人工智能作為一項類似于“電力”的通用技術，正在全球范圍內引發智能化變革浪潮。教育領域如何面向生成式人工智能開展教育教學創新是時代賦予教育研究者和實踐者的挑戰。研究基于全球人工智能學習和教育研究聯盟召開的人工智能賦能學習者會議的核心內容，構建了生成式人工智能教育應用創新框架，從理念、實踐和共識三個層面系統展現國際生成式人工智能創新體系結構。理念層擁抱生成式人工智能創新文化，實現從制度、育人理念到教與學方式等多個層面的理論創新與認知迭代。教育領域人工智能技術采納模型、生成式人工智能素養模型和生成主義數字教育框架分別為生成式人工智能教育應用提供了組織保障、 素養培養和實踐指南方面的理論支持。實踐層各類實踐創新要堅持以個性化/人性化學習體驗為核心，圍繞教育場景中的實踐問題，開展創新實踐和應用推廣。當前國際上六類典型實踐案例，分別為：（1）生成式人工智能支持網絡和物理空間協同學習；（2）大語言模型推動智能導師系統應用推廣；（3）生成式人工智能增強沉浸式平臺和同伴支持促進腦健康；（4）大語言模型支持自動試題、干擾項和反饋生成；（5）智能學習路徑規劃和個性化學習支持提供；（6）親和力小組實踐推進高校生成式人工智能應用。同時，會議還形成了六大共識：（1）認識生成式人工智能教育應用創新的特殊性；（2）信任是從消極拒絕走向積極應用的前提；（3）發揮人的主導作用應對認知停滯與去人性化；（4）重視應用中的數據泄漏和安全倫理風險；（5）消弭新的數字鴻溝和結構性不平等；（6）建立人工智能開發和應用新標準。研究對生成式人工智能教育應用創新研究的梳理可為我國生成式人工智能教育應用理論與實踐提供參考。

關鍵詞：生成式人工智能；教育創新；ChatGPT；SPARK 模型；智能素養；教育數字化；人性化學習體驗

一、引言

以ChatGPT 為代表的大語言模型以其強大的自然語言處理能力跨越計算機領域界限， 正在全球范圍內掀起一場智能化改革浪潮。微軟CEO 薩提亞·納德拉（Satya Nadella）指出，生成式人工智能對于知識工作者來說， 完全等同于工業革命 （World Economic Forum，2023）。人工智能和機器學習領域權威學者、美國斯坦福大學人工智能專家吳恩達（Andrew Ng） 認為， 人工智能是一種面向未來的 “新電力”（Stanford Online，2023）。正如一百多年前電的發明改變了各行各業，人工智能也將帶來同樣大的變革。教育領域如何面向生成式人工智能開展理論與實踐創新是時代賦予的命題。我國眾多研究者對生成式人工智能教育應用進行了大量的理論探討， 包括教育應用模式與策略（吳砥，等，2023；盧宇，等，2023；焦建利，2023；鄭燕林，等，2023）；對教育的影響（余南平，等，2023；吳南中，等，2023）；學習范式的轉型（祝智庭， 等，2023）；教育提示語設計 （趙曉偉， 等，2024）。同時，也有個別探索性的ChatGPT 教育應用實踐研究（王卓，等，2023；陳凱泉，等，2023）?？傊?，生成式人工智能教育應用創新是一項實踐工程，當前我國對此的系統性理論和實踐創新還比較缺乏，亟須在全面了解國際實踐成果的基礎上， 全面推進系統性教育實踐創新。

二、生成式人工智能教育應用創新框架

全球人工智能學習和教育研究聯盟（GRAILE）是一個系統性推進人工智能教育應用創新的學術組織。該組織由喬治·西蒙斯（George Siemens）主導，旨在將人工智能研究應用于學習和教育實踐， 支持教育領導者規劃和部署人工智能方案， 提供人工智能學習和人工智能素養提升空間， 以此為教師和教育組織賦能。為保持對領域從理論到實踐的持續關注，該組織每月定期組織人工智能教育應用專題活動，此外也會不定期召開全球性的國際會議， 旨在促進人工智能在教育領域的交流和合作。2023 年10 月，來自全球17 個國家42 所大學、國際組織、研究機構和企業共93 位頂尖研究者及實踐者參與了“人工智能賦能學習者會議”，就生成式人工智能教育應用實踐創新展開了為期三天的深度研討（GRAIBE，2023）。會議內容涵蓋3 個主旨報告和21 場主題論壇。本研究通過對此次會議核心內容的梳理和相關成果追蹤， 構建了生成式人工智能教育應用創新框架，從理念、實踐和共識三個層面系統展現此次會議的核心成果，如圖1 所示。

圖1 生成式人工智能教育應用創新框架

（1）理念層。理念層面的創新是實踐創新的重要指南。生成式人工智能相比傳統的教與學工具，具有自主學習與創新能力， 人類應超越技術的工具性思維，將生成式人工智能視為知識共創伙伴?；谌藱C協同知識共創的思維，重構教育主體關系，變革育人理念，重塑智能化教與學方式，積極開展理論創新、制度創新， 重視生成式人工智能素養的培養和面向實踐的理論創新，擁抱生成式人工智能創新文化。會議主旨報告和平行論壇探討了教育領域人工智能技術采納模型、 生成式人工智能素養框架和生成主義數字教育框架。這些框架分別為生成式人工智能教育應用提供了組織保障、 素養培養和實踐指南三個方面的系統性理論支持。

（2）實踐層。盡管生成式人工智能走進大眾視野的時間并不長，但國際上已經涌現了眾多教育實踐創新成果。通過使用ChatGPT，教育從業者、學習設計師、教育技術專家和學習者能夠自主設計定制化的學習工具，這為非專業人員提供了開發學習工具的動力。具體而言，使用大語言模型提供的API可以輕松地完成教育應用工具開發，例如Khanmigo（Khan， 2023）、 LamPost（Goodman， et al.， 2022）、Metaphorian （Kim，2023）、 Spellburst（Angert，2023）、Metagpt（Hong，et al.，2023）等都是此類工具。同時，如圖1 所示， 此次會議還系統呈現了一批典型性教育實踐案例。相關實踐基于生成式人工智能的特點，圍繞多樣化的教育實踐場景展開討論，如學科教學、跨學科融合、協同教學、協作學習、自適應等教育場景；學習路徑規劃、 個性化學習支持服務等教學設計；試題自動生成、自動作文評分、自動反饋生成和基于會話的評價等學習分析與評價應用。這些實踐以個性化/人性化學習體驗為核心，遵循以學生為中心的創新思路，不斷增強學習者個性化學習、自我調節學習、協作學習，促進學習者高階思維的發展和生成式人工智能素養的養成。

（3）共識層。生成式人工智能教育應用創新面臨一系列基礎性問題與挑戰，對這些問題與挑戰的解決是推動創新持續涌現與大規模應用推廣的重要保障。聯合國教科文組織在《教育與研究領域生成式人工智能指南》中提到了加劇數字鴻溝、脫離政策監管、侵犯知識產權、運作機制不透明、生成內容不可靠、缺乏對現實社會的理解、限制多元觀點的表達、產生虛假內容等8 項生成式人工智能的應用風險（UNESCO，2023）；生成式人工智能對全社會教育平等與包容的傾向、學習主體能動性及價值觀、語言文化多樣性、知識建構的多元性等教育核心價值的威脅最為直接和深入（苗逢春，2024）。在教育實踐中必須正視這些問題的解決，發揮人的主導作用為核心，方能構建促進創新與實踐推廣的良好生態環境，保障其健康有序地發展。面對諸多問題，此次會議形成了六個方面的共識。

在教育數字化轉型背景下， 生成式人工智能教育應用創新不僅僅是一種技術工具的應用， 而且是一項需要從理念到實踐層面進行的系統性革新工程。實踐中需要基于系統性視角，在理念層面開展理論創新與制度設計，在實踐層面基于教育領域的實踐場景和問題解決， 多維度多視角地開展創新性實踐，并在應對一系列新問題中達成共識，構建良好的生態環境， 推動創新實踐的持續涌現和大規模應用推廣。為了全面把握國際生成式人工智能教育應用創新的成果，本研究將根據上述內容的梳理，按照理念創新、典型實踐和會議共識三個部分分別予以呈現。

三、理念創新

（一）組織保障：教育領域人工智能技術采納模型

人工智能教育應用創新需要協調多方利益相關者。澳大利亞阿德萊德大學的阿貝拉德·帕爾多（Abelardo Pardo）指出，人工智能教育應用創新涉及創新和運營兩層利益相關者 （GRAILE AI，2023a），如圖2 所示。創新層包括負責嘗試新技術、新思想，并思考如何將其應用于實踐的學術研究者、教師、AI專家、IT 專家、先行者①先行者是第一批擁有自主創新意識（基層創新）的典型群體。他們會自發地超越機構允許范圍，嘗試新產品、新思想，甚至將新技術、新思想嵌入到課程中來設計自己的課程。。運營層包括教育機構中的管理者與領導者， 他們更關心如何應對未來5 年來自生成式人工智能的挑戰， 以及如何解決機構運營中的現實問題。學習分析領域自上而下與自下而上兩類與復雜性領導力相關的學習分析采用模式（Dawson，et al.，2018）， 同樣適用于教育機構采納人工智能技術的情境，但二者均存在局限。自上而下模式是指運營層領導者為實現特定目標進行戰略部署的過程。由于只有領導層深度了解該戰略部署，其他人對其了解程度較低，因此很少有人作出深度響應。這使得創新僅成為高層戰略計劃的一部分， 失去了與其他利益相關者的聯系，導致其得到的支持非常有限，甚至會出現停滯狀態。自下而上的模式指的是，組織內先行者或其他群體在運營層意識到新技術價值之前，就已經著手創新工作。但由于這些群體掌握的資源非常有限， 且創新發生在同一機構中相互獨立的不同部門，彼此間缺乏互動和了解，領導層也被排除在外， 導致其行動缺乏更高層次的目標、 方向與戰略。在該模式中，盡管像學術研究者、教師、先行者等群體非常投入， 但由于他們對整個教育生態系統的其他部分缺乏了解，而導致技術影響范圍有限。

圖2 利益相關者及其關系

為了規避上述兩種模式的局限， 高效推進人工智能教育應用創新并得到更多支持， 運營層和創新層的組織結構需要從層級型轉向相互關聯的網狀型，以便于整合優勢，構建能促進人工智能教育應用創新的生態系統。據此，阿貝拉德·帕爾多提出教育領域人工智能技術采納模型（簡稱SPARK 模型），如圖3 所示。模型左半部分是由負責創新與創業、運營職能的利益相關者構成的共同體， 利益相關者包括但不限于領導者、管理者、IT 專家、先行者、學術發展者、學生等群體。該共同體具有網絡化性質，相互聯系、即時互通，可共同執行技術采納的系統規劃與知識轉化。模型右半部分包括系統規劃、創新實踐，以及知識轉化與規?；七M三部分。其中，系統規劃包括合乎需求的算法、預測模型、研究報告及行動，并逐漸被嵌入現有運營體系中。創新實踐的核心在于識別問題、部署算法和部署研究；識別問題要求機構專注于某一個問題；部署算法指定期檢測解決該問題所需使用的算法或技術， 迭代在這個過程中非常重要；部署研究指對這些試點進行研究并嘗試應用技術。知識轉化與規?；瘎t是把創新技術從試點擴展到整個機構的愿景，是使其被機構廣泛采納的關鍵。

圖3 人工智能技術采納模型

SPARK 模型從系統層面深度揭示了實現人工智能教育應用創新與規?；茝V所需的組織結構重構和利益相關者的有效協同關系。該模型不僅有助于深刻把握當下各類新技術在教育創新與應用中難以系統性出現和推廣的根本問題， 更重要的是也為生成式人工智能教育應用創新的涌現和推廣提供了理論層面的指導。根據中國科學技術信息研究所發布的《2022 全球人工智能創新指數報告》（中國科學技術信息研究所，2023）， 中國人工智能發展成效顯著， 人工智能創新指數近3 年一直保持全球第二水平，在人才、教育、專利產出等方面均有所進步，但基礎資源建設水平有待提高。同時，美國斯坦福大學發布的《2023 年人工智能指數報告》（Stanford University，2023）追蹤全球127 個國家后發現，我國對人工智能技術的樂觀程度高居世界榜首。78%的中國受訪者認為使用人工智能的產品和服務利大于弊，而對同一受訪問題持樂觀態度的受訪者在美國僅為35%。報告反映了我國大眾積極擁抱人工智能，這為教育創新提供了很好的群眾支持和外部環境。同時，國家教育數字化戰略的推進， 也為教育創新提供了頂層制度保障支持。為推動生成式人工智能教育創新涌現與大規模、 深度教育應用推進， 我國可基于SPARK 模型，加強管理體制與組織制度變革，組建網絡化的利益共同體，開展富有成效的協同創新。

（二）素養培養：生成式人工智能素養模型

盡管ChatGPT、Sora 等生成式人工智能引發了人們的廣泛關注，并在教育領域展現出巨大的潛力，但教育者更多地將其視為一種潛在威脅， 而持復雜態度。生成式人工智能不僅觸及了教育者工作角色的設定，還對學生能力素養的培養提出了新要求。掌握人工智能技術將成為未來最重要的工作技能，由此， 師生都需要能夠熟練地使用生成式人工智能來支持學習和工作。同時，生成式人工智能可能會在學生群體中引發馬太效應， 即會使用ChatGPT 的學習者將變得更加強大，而不會使用的學習者可能變得相對脆弱。例如，協同ChatGPT 在寫作溝通方面的強大能力，要求人們了解如何輸入提示詞、對輸出結果進行批判性評價，并將其編輯、融合到自己的工作任務中。但學生過早過多地依賴人工智能也可能導致其基本能力的喪失。例如，學生在哪個階段、以何種方式習得這些技能？我們如何衡量學生使用生成式人工智能的熟練度？如何判斷其具備與人工智能有效對話并從中提取最有效信息的能力？這些都是我們需要考慮的問題。同時對畢業生能力要求與企業需求之間的差距，促使我們重新思考教育教學方式、運營模式和結構，調整評價方式，以滿足社會需求所需的新興素養。聯合國教科文組織在《教育與研究領域生成式人工智能指南》中指出，要關注生成式人工智能帶來的職業變化并相應調整教育體系，以滿足市場以及未來社會對人才提出的新需求（UNESCO，2023）。

為了避免生成式人工智能技術對學生造成負面影響，獲得其在個人發展，提升寫作、學習和認知能力的支持， 我們必須重視對學生人工智能素養的培養。馬克·沃沙爾（Mark Warschauer）團隊提出生成式人工智能素養模型，包括理解、接入、提示詞、印證和整合五個層級，如圖4 所示（GRAILE AI，2023b）。（1）理解即知道人工智能技術工具的功能特點、缺點以及偏見。（2）接入即我們需要教會學生如何使用生成式人工智能工具；（3）提示詞即教會學生如何使用提示詞獲得可用的內容；（4）印證即教會學生辨別問題答案的真假和來源，讓學生學會合理認識生成式人工智能帶來的偏見②人工智能工具的解釋方式可能帶有偏見，這種偏見可能會對學生長期的思想和思維造成潛在的影響，需要我們審慎思考和處理這些刻板印象與人工智能輸出的問題，以確保在追求效率和自動化的同時不限制學習者的機會和創造空間。， 教會學生通過橫向比較多個數據源來驗證答案的真偽性；（5）整合即教會學生如何在檢查內容準確性和偏差后，將生成的內容整合到自身任務中。

圖4 生成式人工智能素養模型

生成式人工智能素養模型本質上是一個基于生成式人工智能的高階思維模型。與布魯姆認知目標分類類似，越到上層，對學習者的要求越高，也對未來發展越關鍵。在該模型中，理解和接入是基礎，提示詞設計是關鍵的能力， 學習者需要有很強的人機協同思維、人機交互能力和創造性思維；而印證和整合則涉及學習者的批判性思維、問題解決能力、創造力的培養等。該模型不僅是生成式人工智能素養模型， 也是生成式人工智能時代新的思維方式和認知方式。該模型表明，在生成式人工智能的教育創新應用中，我們必須重視學生高階思維能力的培養，通過思維技能，駕馭生成式人工智能，實現其認知發展，助力其成為適應數智時代人才培養新要求的未來學習者。

（三）實踐指南：生成主義數字教育框架

對生成式人工智能教育教學中扮演的角色以及具體的學習活動組織方式的深度認識是教育教學改革的基礎。國際上的生成主義數字教育框架正是此類教學改革的系統性實踐指南，如圖5 所示（Pratschke，2023）。它以探究社區框架為基礎，在生成式人工智能情境下重構學習者在社區中的互動，并將生成式人工智能在課堂中的角色分為三類：（1）基于社會存在的協作型人工智能：學習者與教師及其他學習者協同合作，生成式人工智能充當協作者，如虛擬學伴、角色扮演者、學習驅動者和協作支持者；（2）基于認知存在的分析型人工智能：智能代理提供特定主題觀點，充當學習伙伴、對手或教練，生成式人工智能作為分析者，在情境創設、數據交互、批判性思考和創造性思考等方面為學習者提供支持；（3）基于教學存在的促進型人工智能：智能技術作為學習導師，在課程中陪伴和支持學習者，生成式人工智能作為促進者，幫助學習者進行反饋生成、內容創造、學習路徑導航和蘇格拉底式問答等。

圖5 生成主義數字教育框架

在學習活動組織方面，該框架與ABC 學習設計框架（Natasa，2015）中的六種學習活動結合，形成生成式人工智能賦能六大學習活動設計（Pratschke，2023），如表1 所示。

表1 生成式人工智能賦能ABC 學習活動設計

算法支持的智適應社群化學習是人工智能時代在線學習新形態（王志軍，等，2023），生成式人工智能非常適合協作學習、 學習社區的構建以及通過主動學習獲取知識、發展能力的在線學習。它并不強調使用技術來增強當前的教育教學方式， 而是將技術應用在增進學習者強學習交互、 構建更具個性化的學習上。生成主義數字教育框架為數字時代的教育教學組織提供網絡、協作、面向學習社區的學習和以學生為中心的學習體驗方法， 它不僅基于學習者的學習體驗從多個維度闡釋了生成式人工智能的角色、發揮的作用，而且為學習活動的設計提供了深層次的指導， 是指導生成式人工智能教育教學創新和相關教與學工具開發的重要理論框架。

四、典型實踐

（一）生成式人工智能支持網絡和物理空間協同學習

網絡和物理空間協同學習作為一種新的教學組織形式， 通過智能技術將物理教室與網絡環境有效融合，可實現線下學生與在線學生同步學習，它強調交互的親密性和即時性，促進學生主動學習。加拿大蒙特利爾大學、 新加坡科技設計大學和香港科技大學分別對此開展了研究。其中，香港科技大學正在探索香港和廣州兩個校區如何基于智能技術讓學生同時以幾乎相同的成本在同一節課上學習相同內容，并確保遠端和本地學生獲得相同的個性化學習體驗。由于交互是影響在線教育質量的關鍵因素，因此網絡和物理空間協同學習允許學生通過智能代理、虛擬現實等技術實現跨校園交互， 通過人工智能代理等工具融入課堂與學生互動， 著手解決學生的具體問題。香港科技大學基于ChatGPT 開發了課堂聊天機器人。墨西哥蒙特利爾科技大學開發了精神現實 （Mental Reality） 工具來增強學習交互和學習體驗。此外，網絡和物理空間協同學習是通過應用學習分析和人工智能算法對不同學習環境下的學習和交互行為進行分析的，因此，可以通過搭建線上和線下兩個空間的橋梁， 來分析課堂和在線學生的互動關系。人工智能技術為學生和教師提供幫助，可進行管理、監控、分析學習情況，定位學習路徑和學困點，提供實時反饋和個性化資源，并為教師提供學習報告。教師可將工作重心轉移到對整體學習過程的把控上，以最大限度利用人工智能工具服務教育教學，為學生提供更及時、有效的反饋。當前研究者正在探索人工智能對學習情境和知識建構的影響， 思考如何更大效益地發揮網絡學習者的優勢。

（二）大語言模型推動智能導師系統大規模應用

在大語言模型出現之前， 智能導師系統并未在實際教育教學中得以廣泛應用， 其根本原因在于系統提供內容的準確性和即時性未達到大規模應用的要求。大語言模型彌補了智能導師系統在自然語言理解、內容生成和適應性方面的不足，為個性化學習提供支持。生成式人工智能支持的智能導師系統，如QuizBot，允許學生先對知識進行探索，然后就錯誤給予即時反饋，而非直接告知正確答案，這極大增強了智能導師系統的實用性（Ruan，et al.，2019）。美國孟菲斯大學胡祥恩教授已經將GPT-4 運用于智能導師系統，開發出可供教學使用的應用。該應用不僅可以根據學習者交互的具體內容做出實時反饋， 還可以根據學習者的需求扮演導師、 學習伙伴等不同角色，通過蘇格拉底式問答法啟發學習者（互聯智能教育中心，2023）。但是，僅使用智能導師系統生成內容可能會使課堂對話較為順利， 但不一定能提高學生的學習水平， 還需要探索與智能導師系統相適應的教學模式，使其在課堂中產生更深入的交互。為此要結合設計、理論和實踐來重構課堂，為學生提供有效的學習體驗。其中，設計指真正能夠促進學習者學習的教學設計和智能導師系統設計；理論指使用要符合教育教學規律；實踐指將教學設計完整地實施。

雖然，大語言模型一開始并非為教育教學開發，但它可幫助教師通過構建學習者建模來實現精準教學評價。智能導師系統能夠根據學習者與系統的對話過程構建學習者認知模型， 從而更好地呈現學習過程和結果。以往學習者的批判性思維、問題解決能力等高階思維和素養較難量化評價， 而基于智能導師系統的會話分析可以幫助教師建立學習者素養模型，以反映高階思維能力的進展水平。因為與傳統考試相比，基于會話的評價比普通測驗更真實。

（三）生成式人工智能增強沉浸式平臺和同伴支持促進腦健康

腦健康不僅關注認知障礙和缺陷， 更關注在一定環境中充分利用大腦成長發展能力。為充分挖掘大腦健康潛能，美國得克薩斯大學腦健康中心③具體內容可參見https://centerforbrainhealth.org/。運用人工智能技術構建更符合大腦認知發展的學習平臺。該平臺旨在幫助學習者獲得個性化的學習體驗，養成更好的用腦習慣， 并在沉浸式虛擬學習環境中為其提供持續的同伴支持。對于大腦而言，學習是一種重復調取的行為， 傳統的學習方式往往難以激發人類的積極參與， 而電子游戲卻能夠促進大腦產生與人的發展相協同的積極行為和反應。因此，使用人工智能技術來改進傳統教育教學機制， 從腦健康的角度幫助學習者建立自我驅動學習所需的內在動機，激發個人能動性和積極心態，有助于學習者發揮創新創造能力，并使學習過程更有趣，這已經成為人工智能教育實踐創新的一個新方向。

目前， 得克薩斯大學腦健康中心團隊成員正在積極嘗試將人工智能技術整合到大腦健康項目的學習平臺中。在沉浸式學習環境中，通過人工智能技術設置評價機制，由此產生學習者的大腦健康指數，再為其呈現符合學習者認知發展特征的內容， 優化其個性化學習體驗。同時，學習平臺使用自然語言處理和快速更新迭代來吸引和黏合學習者， 確保他們能在游戲化平臺中更沉浸、更有效地學習。此外，平臺還可以對每個學習目標進行特定類型的推送， 以幫助學習者養成健康用腦的習慣。

（四）大語言模型支持自動試題、干擾項和反饋生成

大語言模型擁有強大的自然語言和情境理解能力，Transformer 等預訓練神經網絡模型的出現和發展，為自動試題、干擾項和反饋的生成提供了技術支持。自動試題生成可擴展試題開發過程，高效低成本創建大量高質量試題。傳統試題自動生成應用范圍非常有限，主要集中在數學等相對容易建模的科目。大語言模型多模態能力支持生成圖片類題目， 極大拓寬了自動試題生成應用廣度。如可幫助教師自動生成閱讀理解題，并根據學生回答自動評分。同時，當前選擇題干擾項多由教師根據教學經驗設計，但并非所有干擾項都強相關。由于不同學習者的知識掌握程度不同，其干擾項集也不同，相同的干擾項并不一定適合所有學生。因此美國馬薩諸塞大學嘗試借助人工智能技術， 為每個選擇題自動生成一組高質量干擾項， 并根據學生學習進展選擇個性化干擾項， 實現適應個體學習進度的自動干擾項生成和反饋信息生成。該團隊通過給模型干擾項和反饋的示例來訓練模型，使用精確匹配、部分匹配和比例匹配三類指標， 來評估生成干擾項與人類編碼干擾項的匹配程度。在反饋信息生成方面，他們將問題、干擾項和反饋信息提供給模型， 并要求模型根據反饋信息嘗試給出正確答案， 然后比較這種問題回答的準確率與模型在沒有反饋信息的情況下得出正確答案的準確率，以此來量化反饋信息。未來他們將繼續探索有效干擾項和反饋信息的評估度量標準，并研究自動化評估干擾項和反饋信息的方法，來識別每個干擾項中的確切錯誤；以可控方式逐個生成干擾項，收集教師對干擾項的偏好，以便更好地評估指標；基于大語言模型構建學生模型，實現精準的個性化教學。

此外，當前，使用大語言模型進行自動反饋生成可分為三類：（1）基于大型日志語言模型的反饋生成，識別學生在寫作或作業中的錯誤或誤解；（2）基于學生反饋的多模態或不同模態， 以音頻圖像或書面文本等形式產生反饋；（3）基于大語言模型根據學生熟練程度或語言水平校準反饋，支持更深度的學習。這三種類型的反饋可幫助教師生成實時的復雜反饋、生成過程性和總結性反饋以及對高階思維進行反饋。這些反饋有助于教師開展討論、提出問題、引導課堂對話，并通過新的反饋策略幫助學習者進行自我調節學習。此外，這些反饋還可以更好地幫助學習者進行可視化題目分析，將抽象問題具體化，創建新的學習資源和學習案例，促進知識的遷移與應用，引導學習者完成學習過程，增強學習自驅力，發展元認知能力。

（五）生成式人工智能支持的智能學習路徑規劃和個性化學習支持

人工智能技術支持智能學習路徑的規劃， 為個性化學習提供支持。（1）智能路徑規劃：制定學習計劃是提高學習效率的有效方式， 為達到某一學習目標，不同學習者會制定不同學習計劃。美國藍圖教育科技公司④具體內容可參見https://blueprintprep.com/。正使用人工智能技術幫助學習者創建學習計劃， 并基于學習者的表現和以往相似的學習數據，通過算法動態評估學習者的學習活動，規劃學習路徑，幫助其開展自我調節學習。其開發理念類似于谷歌地圖， 基于學習者的偏好幫助學習者規劃學習時間，提高學習效率和產出，實時更新學習進度，并通過隱藏無關信息減輕學習者認知負荷， 再根據學習者已有知識掌握情況動態規劃最近發展區， 有效開展針對性練習。（2）個性化學習支持：美國南衛理公會大學通過項目反應理論進行參數估計、 項目難度識別與估計，來確定學習者學習能力；結合問題元數據和學習活動元數據， 使用機器學習識別學習者的最近發展區和最需要做的練習，激發學習動機。其實踐表明，生成式人工智能可通過不斷的對話高效幫助學生提出和解答問題，將學生感興趣的現實主題和數學問題相結合，并使用提示語不斷地完善提出的問題。其限制體現在生成人物形象時的人種偏見、生成與數學問題相關的情境合理性不足等問題?？傊?，在從零開始的初級階段，生成式人工智能可提供較大幫助，但在更深層次數學需求滿足方面仍存在困難。

（六）親和力小組實踐推進高校生成式人工智能應用

杜威曾強調：“今天的教育和教師如果不生活在未來，那么未來的學生就會生活在過去”。高校應積極回應生成式人工智能時代的挑戰，主動適應變革。如何有組織地推動高校教師積極應用生成式人工智能開展教育教學創新是應用實踐中需要關注的首要問題。美國南衛理公會大學的親和力小組實踐值得借鑒。為應對時代的挑戰，該校教務處副主任佩吉·韋爾（Paige Ware）召集對生成式人工智能感興趣的教職工成立親和力小組， 通過不斷召開研討會探索生成式人工智能在學校落地的可能性，打通教職工-系主任-行政助理多層級互動對話，鼓勵全校師生使用生成式人工智能，使其服務于教學需求，最終使該校成為生成式人工智能教育應用示范校。為了保持教師的持續參與， 該校在組建親和力小組之初就確定了四個主題：（1）生成式人工智能課堂教學應用；（2）人工智能技術的應用與濫用研究；（3）ChatGPT 的原理和技術探討；（4）相關政策和法律制定研討。該教師親和力小組緊跟前沿、積極探索，每周為學校所有教職工發送一封名為“地平線上的生成式人工智能”的郵件。為了讓教師獲得參與感，佩吉會把經過整理的想法、資源、鏈接、活動和研討會收集起來，整合到郵件中， 讓郵件成為教職工提出想法和交流研討的媒介。通過營造一種好奇心文化， 小組將學校各單位、部門和系科黏合在一起，有效避免了只有一群懂技術的人推進此項工作。小組還與信息技術辦公室和圖書館合作，開展了“熱愛數據周”會議，并舉辦與數據相關的研討會， 試圖讓人們思考研究數據和數據管理等問題。同時，圍繞感興趣的主題組建學生、教師的研究社區，小組將所有討論、工具集成到學校的Canvas 學習管理系統中，方便教師隨時查閱和使用。針對新手教師， 該小組還專門開發了入門工具包，提供使用生成式人工智能的工具和技術文檔，讓教師在日常熟悉的工作界面中融入生成式人工智能技術， 消除教師對人工智能的焦慮。并通過Canvas在所有課程中推進使用電子版教學大綱， 讓教師很容易在任何課程的數字教學大綱中運用生成式人工智能修改內容，并提供多種方案供教師選擇。為進一步規范生成式人工智能的應用， 該小組還將成立一個理事會，專門負責收集證據并處理違規問題。

五、會議共識

生成式人工智能作為教育數字化進程中具有深遠潛力的技術， 在革新教育教學的同時也挑戰著教育的邊界。生成式人工智能可以賦能教師、學習者、非專業的教育開發人員， 并幫助教育工作者在人工智能和大數據時代，通過“需求分析”建立從“點擊”到“建構”的學習分析方法（Knight，et al.，2017）。每一個人都應該提升自身的生成式人工智能素養，以應對生成式人工智能教育應用創新面臨的諸多挑戰。會議中還達成了以下共識。

（一）認識到教育應用創新的特殊性

教育具有特殊性和復雜性，成功的人工智能教育應用案例受多重因素影響，難以復制。發展人工智能教育應用并非易事，因為教育中存在眾多變量，不同情境對教育影響極大，教育的特殊性與復雜性導致無法完全復制同一套經驗和模式。因此，成功的人工智能教育應用的關鍵在于，將生成式人工智能技術有機納入教育機構體系之中。教育機構應根據其獨特背景和特點，以一種對機構有意義的方式將這些技術融入教育和管理等領域，積極擁抱創新并不斷推動創新進程。設計和運行生成式人工智能模型通常涉及高昂成本，為了實現盈利，必須將這些模型應用于大規模用戶群體。然而當前教育領域被細分為多個市場，在一個平臺吸引數十億用戶的可能性不大。這將引發高昂的生產成本與潛在目標用戶數量不匹配的矛盾。對此，吳恩達提出了低代碼或無代碼工具概念，這些集成了各種組件和部件的工具簡化了編程難度，有助于更多用戶參與到人工智能模型的設計和應用中來。

同時，ChatGPT 的訓練數據主要來自西方國家，這將導致其在文化和價值觀上更加趨同于西方模式。因此，有必要使用本地的訓練數據來支持本土人工智能教育應用創新。同時，在農村地區，由于教師資源短缺， 人工智能被視為一種潛在解決方案。然而，教學過程不僅涉及認知的習得和知識的傳遞，還包括建立富有同理心的人際關系，因此，我們必須重點考慮文化和語言背景。為了將生成式人工智能有效融入具體語言環境中， 我們需要解決數字空間中語言語料庫不足的問題， 以防止在學習者群體或社區中可能出現的語言和文化同質化現象， 這可能會損害教育公平性。生成式人工智能根植于特定文化、歷史、政治背景，其在不同的教育情境中的應用可能會導致系統性不公（Eubanks，2018）。因此，在設計學習技術時應確保文化的可見性， 思考生成式人工智能的未來走向、設計者身份、服務對象以及生成式人工智能將如何塑造我們的認知、關聯和存在方式。教育是一個復雜的多維情境，涉及多種角色，我們不僅要關注學生的需求，還必須考慮到教師的需求，加強教師的數字技能和人工智能素養， 以便教師能更好地理解并將其整合到教育教學中。

（二）信任是從消極拒絕走向積極應用的前提

人工智能創新勢不可擋，我們應對教育引入人工智能技術保持積極態度。高等教育領域變化過于緩慢，為適應生成式人工智能工具的迭代，我們需要迅速行動起來。當前人工智能技術對教學方法的影響并不顯著。信任問題是人工智能技術在教育領域應用的重要障礙，教師擔心自己的工作會被取代，學生對人工智能技術的輸出結果持懷疑態度，這些顧慮阻礙了人工智能技術在課堂中的廣泛使用。例如香港科技大學教職工在探索網絡和物理空間協同學習時顯得缺乏創造力。吳南中等（2023）對生成式人工智能應用到教育領域的利弊進行了分析，指出當我們將注意力集中在異化利用上時，就會出現教育質量失控、運行失序、倫理失調、認知淺化、創新墮化等外在異己性風險，并將其定位為自覺公開或隱蔽抵制的“技術幽靈”；當關注于強情境化、重整合化、凸顯個體差異性和內蘊批判精神特性時，就會關注到其為學習者重構空間、重建內容、重塑能力、重調過程、重建評價等，從而為破解單一知識來源、沖擊標準化場域、打破封閉式教學和突破外在表現評價等教育異化現象提供“解決工具”。因此，為了確保生成的內容適應當前學習情境，我們需要考慮生成式人工智能技術在學習過程中扮演的角色以及其對教育教學目標的貢獻。將學生置于教學首位是教育工作者的共同目標，教育工作者需立即調整適應新技術的教學方式，教導學生理解這些大語言模型的開發原理、幫助學生有效使用這些工具，勸阻學生不使用不利于學習的技術，并提倡培養學生的人工智能道德和技術素養。

（三）發揮人的主導作用應對認知停滯與去人性化

人工智能技術的應用可以使學習者擁有更多主動權并獲得個性化的學習體驗。然而，學習者在使用生成式人工智能工具時可能會缺乏批判性思考，過度依賴工具直接獲取答案。這些現象對發展學生的批判性思維、問題解決、創造力和同理心等能力的發展產生不利影響，甚至會導致學生認知停滯。如前所述，人工智能通常不具備類人情感、 主觀性等人性化特質，顯現出一定程度的去人性化特征。使用生成式人工智能是否會導致認知停滯及學習體驗的人性化程度降低，取決于學習者在與生成式人工智能交互的過程中是否始終保持人的主導作用。在使用人工智能時，我們不能將重要認知任務完全交由人工智能代理，例如大語言模型在自動分類和提供反饋方面表現出色，我們仍須認識到人類在其中的不可替代的作用，不能將更為復雜的寫作和評分工作完全交給人工智能，而應將其納入以人為主導的教學過程并重新設計教與學。趙曉偉等（2024）描述了學習者與生成式人工智能交互的過程，即學習者圍繞某一主題產生認知需求并激發問題意識，與生成式人工智能協同，向其提問以求得響應；隨后發揮審辨意識，針對生成式人工智能輸出的數據進行決策，并通過更新提問方式、追加提問內容等策略性地選擇、提取特定數據，構建對有限客體的認識，并嘗試運用價值意識理解有限客體及其認識過程之于真實世界的新效用。在此過程中，人的意識貫穿交互始終，并且每一類意識對下一步交互都起著至關重要的作用。因此，用于學習的人工智能的設計、開發和部署必須遵循以人為中心的原則，確保學習者始終扮演主導角色，并促進其認知發展，以應對人工智能的去人性化挑戰。

（四）重視應用中的數據泄漏和安全倫理風險

在生成式人工智能的使用中存在學生敏感數據泄露和安全倫理的風險。教師使用ChatGPT 分析學生數據也可能會產生不經意的敏感信息上傳。因此，在產品開發中必須采取過濾措施， 以確保學生數據與大語言模型訓練數據分開，來避免數據泄露。教育機構的領導和管理者在采用人工智能技術時也可能存在道德隱私問題。一方面，人工智能技術幫助機構深入理解學生學習情況；另一方面，不當處理學生數據可能會帶來嚴重后果。教學數據使用在安全與倫理風險方面存在的四個局限：可預知性不足、產生幻覺、難以辨別真假以及符號機制混淆。此外，使用生成式人工智能產生的版權和歸屬問題也尚不清晰，這對教育內容生成和控制構成挑戰。因此，我們將人工智能教育倫理視為一項重要素養， 在個體和群體層面賦予個體負責任的選擇能力， 以發展個體人工智能教育倫理能力， 并構建共同體規范和管理制度來促進教育數據共享。

（五）消弭新的數字鴻溝和結構性不平等

人工智能技術發展開拓了“大國博弈” 的新疆域， 也在國際權力結構的重構中發揮著決定性作用（余南平，等，2023）。新一代人工智能技術的普及和應用將形成高科技壁壘， 導致全球教育不公平現象加劇，進一步放大國家與地區發展不平衡問題。在欠發達地區， 人工智能教育應用面臨物理條件和技術水平限制，這將加劇全球教育不平等。盡管在中小學階段引入了人工智能技術， 但學校普遍缺乏適當的設備；教師的技術儲備及培訓不足；課程與軟件模塊存在不一致， 致使人工智能教育應用的使用效果不佳。同時，僅提供基礎設備和技術接入并不能解決問題， 教育技術專家需要重新思考如何使用人工智能技術設計教育，真正理解學習者和教師的背景，分析人工智能技術在教育情境中的應用價值， 并確定如何干預技術使用， 以便欠發達地區也能享受到技術發展的紅利。人工智能技術并不能有效解決教育中的結構性不平等問題， 長期的共同設計伙伴關系是消除這種不平等、促進集體解放的有效途徑（Noble，2018）。我們需要思考如何與不同文化背景、制度規范和專業知識的人群建立長期互惠的合作伙伴關系。此外， 政府部門需要充分考慮對教師的技術支持，讓教師能專注于人工智能教育應用設計。教育工作者應該從基礎設施建設、人工智能教學代理使用、人工智能技術關切和數字培訓四個方面系統推進人工智能教育應用創新。

（六）建立人工智能開發和應用新標準

使用生成式人工智能技術的高成本阻礙了許多一線教師和相關人員利用該技術開發教學應用的可能性。學習者數據是否可以在不同教育框架和群體之間共享， 以及是否能用于本地大語言模型訓練等關鍵問題， 都對生成式人工智能技術在教育領域的推廣產生負面影響。制定人工智能技術與應用標準是確保人工智能和大語言模型得以合理高效運行的重要策略。會議上卡內基學習中心的首席架構師理查德·童（Richard Tong）指出，他領導的IEEE 人工智能標準委員會正在制定40 多個政策和技術層面的相關標準。其中，政策層面主要包括確保人工智能與人類數據安全和隱私、 教育與人工智能應用的道德和倫理關系一致， 探索風險問責制度的人工智能管理方法， 以防范潛在傷害， 例如數據治理和可信計算。技術層面包括加速制定人工智能技術的統一應用標準，保障大語言模型的可訪問性，為小型開發機構和經濟拮據的學生提供公平競爭環境。

[參考文獻]

陳凱泉,胡曉松,韓小利,等,2023.對話式通用人工智能教育應用的機理、場景、挑戰與對策[J]. 遠程教育雜志(3):21-41.

互聯智能教育中心,2023.學術研討會｜胡祥恩：與LLM 成為朋友——在教學和學習中發揮其幫助作用[EB/OL]. [2023-11-04]. https://ccie-cef.bnu.edu.cn/news/5278a0d87d7847b 0bf5787d87c126019.htm.

焦建利,2023. ChatGPT: 學校教育的朋友還是敵人？[J].現代教育技術(4): 5-15.

盧宇,余京蕾,陳鵬鶴,等,2023.生成式人工智能的教育應用與展望——以ChatGPT 系統為例[J].中國遠程教育(4): 24-31+51.

苗逢春,2024. 生成式人工智能及其教育應用的基本爭議和對策[J].開放教育研究(1): 4-15.

王志軍,吳芝健,2023.人工智能時代在線學習新形態——算法支持的智適應社群化學習[J].遠程教育雜志(5): 49-55.

王卓,馬洋珍,楊現民,等,2023. ChatGPT 類閱讀平臺對研究生學術閱讀能力的影響[J].開放教育研究(6): 60-68.

吳砥,李環,陳旭,2023.人工智能通用大模型教育應用影響探析[J].開放教育研究(2): 19-25+45.

吳南中,陳咸彰,馮永,2023.從“失序”到“有序”: 生成式人工智能教育應用的轉向及其生成機制[J].遠程教育雜志(6):42-51.

余南平,張翌然,2023.ChatGPT/生成式人工智能對教育的影響：大國博弈新邊疆[J].華東師范大學學報(教育科學版)(7):15-25.

趙曉偉,戴嶺,沈書生,等,2024.促進高意識學習的教育提示語設計[J].開放教育研究(1): 44-54.

鄭燕林,任維武,2023.實踐觀視域下ChatGPT 教學應用的路徑選擇[J].現代遠距離教育(2): 3-10.

中國科學技術信息研究所,2023.《2022 全球人工智能創新指數報告》發布[EB/OL]. [2023-07-18]. https://www.istic.ac.cn/html/1/284/338/1506840089869938181.html.

祝智庭，戴嶺，胡姣，2023.高意識生成式學習：AIGC 技術賦能的學習范式創新[J].電化教育研究(6)：5-14.

ANGERT T,SUZARA M,HAN J,et al.,2023.Spellburst:A nodebased interface for exploratory creative coding with natural language prompts[C]//Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology.New York:Association for Computing Machinery:1-22.

DAWSON S, POQUET O, COLVIN C, et al., 2018. Rethinking learning analytics adoption through complexity leadership theory[C]//The 8th International Conference on Learning Analytics and Knowledge. New York: Association for Computing Machinery: 236-244.

EUBANKS V, 2018. Automating inequality: How high-tech tools profile, police and punish the poor[M]. New York: Martin’s Press.

GOODMAN S M, BUEHLER E, CLARY P, et al., 2022. Lampost: Design and evaluation of an ai-assisted email writing prototype for adults with dyslexia[C]//Proceedings of the 24th International ACM SIGACCESS Conference on Computers and Accessibility. New York: Association for Computing Machinery: 1-18.

GRAILE, 2023. Empowering learners in AI 2023[EB/OL].[2023-10-23].https://whova.com/portal/webapp/empow3_202310/Agenda/3431283.

GRAILE AI, 2023a. Conference Opening and Keynote: Embracing a culture of innovation in the era of AI[EB/OL]. [2023-10-23]. https://www.youtube.com/watch?v=j3jJOridTfY&t=341s.

GRAILE AI, 2023b. Day 2 Intro & Keynote: From print to digital to AI: Preparing our students for the new literacy era[EB/OL].[2023-10-23]. https://www.youtube.com/watch?v=C-CQqcsZvgA.

KHAN ACADEMY,2023. NEW! Khan Academy’s AI Tutor,Khanmigo-In Depth Demo[EB/OL].[2023-03-15]. https://www.youtube.com/watch?v=rnIgnS8Susg.

KNIGHT S, SHUM S B, 2017. Theory and learning analytics[J].Handbook of Learning Analytics, 1: 17-22.

HONG S, ZHENG X, CHEN J, et al., 2023. Metagpt: Meta programming for multi-agent collaborative framework[J]. arXiv preprint arXiv, 08: 00352.

KIM J, SUH S, CHILTON L B, et al., 2023. Metaphorian: Leveraging large language models to support extended metaphor creation for science writing[C]//Proceedings of the 2023 ACM Designing Interactive Systems Conference. New York:Association for Computing Machinery: 115-135.

NATASA PEROVIC, 2015. ABC Curriculum Design 2015 Summary[EB/OL].[2015-12-02]. https://blogs.ucl.ac.uk/digitaleducation/2015/12/02/abc-curriculum-design-2015-summary/.

NOBLE S U,2018.Algorithms of oppression[M]. New York: NYU Press.

PRATSCHKE B M, 2023. Generativism: The new hybrid[EB/OL]. [2023-09-21]. https://arxiv.org/abs/2309.12468.

RUAN S, JIANG L, XU J, et al., 2019. Quizbot: A dialoguebased adaptive learning system for factual knowledge[C]//Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems. New York: Association for Computing Machinery: 1-13.

STANFORD ONLINE, 2023. Andrew Ng: Opportunities in AI[EB/OL]. [2023-08-23]. https://www.youtube.com/watch?v=5p248yoa3oE.

STANFORD UNIVERSITY,2023. The AI index report: Measuring trends in artificial intelligence[EB/OL].[2023-04-23].https://aiindex.stanford.edu/report.

UNESCO, 2023. Guidance for generative AI in education and research[EB/OL]. [2023-10-01]. https://aiindex.stanford.edu/report.

WORLD ECONOMIC FORUM, 2023. A conversation with Satya Nadella, CEO of Microsoft[DB/OL]. [2023-01-09]. https://www.youtube.com/watch?v=TSLcA66QgMY.

International Innovative Applications of Generative Artificial Intelligence in Education: A Overview of “the Generative AI Empowering Learners Conference” by the Global Research Alliance for AI Learning and Education

Wang Zhijun, Teng Zhiqiang & Su Chenyu
(Jiangsu “Internet + Education” Research Center, Jiangnan University, Wuxi Jiangsu 214122)

【Abstract】 Generative Artificial Intelligence (AI), as a universal technology akin to electricity, is sparking a wave of intelligent reform on a global scale. How to carry out education and teaching innovation in the field of education based on generative artificial intelligence is a challenge for educational researchers and practitioners in the era of innovation and a hot topic around the world.Based on the core content of the Generative AI Empowering Learners Conference organized by the Global Research Alliance for AI Learning and Education (GRAILE), this study constructed a generative AI education application innovation framework and systematically demonstrated the international generative AI innovation architecture from the three levels of concept, practice and consensus.At the philosophical level, humans are encouraged to embrace generative AI as a partner in knowledge co-creation,fostering a culture of generative AI innovation and achieving theoretical innovation and cognitive iteration across multiple aspects from institutional systems to educational philosophies and teaching and learning methods. The SPARK model, generative AI literacy model and generative digital education framework provide theoretical support for the application of generative AI in education in terms of organizational guarantee, literacy training and practical guidelines respectively. At the practical level, various innovative practices should adhere to the core of personalized/humanized learning experiences, focusing on innovative practices and application promotion around practical problems in educational settings. There are currently six typical international practice cases, including (1)generative AI supported networks and physical space collaborative learning;(2)large language model-driven intelligent tutoring system;(3)generative AI-enhanced immersive platforms and peer support promoting brain health;(4)large language model-supported automatic question generation, distractor generation, and feedback;(5)intelligent learning path planning and personalized learning support provision;(6)and the affinity group practice advancing the application of generative AI. Six major international consensuses were formed in the conference:(1)recognizing the specificity of innovative applications of generative AI in education;(2)trust as a prerequisite for transitioning from negative rejection to positive application;(3)play the leading role of human in coping with the cognitive stagnation and dehumanization;(4)pay attention to data leakage and security ethical risks in applications;(5)bridging the new digital divide and structural inequalities;(6)establish new standards for AI development and application. The research on generative artificial intelligence education application innovation can provide reference for the theory and practice of generative artificial intelligence education application in China.

【Keywords】 Generative Artificial Intelligence; Education Innovation; ChatGPT; SPARK Model; AI Literacy; Digital Education;Personalized Learning Experience

[中圖分類號] G420

[文獻標識碼] A

[文章編號] 1672-0008（2024）02-0065-10

[DOI] 10.15881/j.cnki.cn33-1304/g4.2024.02.008

基金項目：本文系國家社會科學基金全國教育科學“十三五”規劃2020 年度國家級一般課題“聯通主義學習中群體協同知識創新研究”（項目編號：BCA200092）的研究成果。

作者簡介：王志軍，博士，江南大學教育學院、江蘇“互聯網+教育”研究基地教授（江蘇無錫 214122）；滕志強，江南大學人文學院在讀碩士研究生（江蘇無錫 214122）；蘇晨予，江南大學人文學院在讀碩士研究生（江蘇無錫 214122）。

引用信息：王志軍，滕志強，蘇晨予，2024.國際生成式人工智能教育應用創新——全球人工智能學習和教育研究聯盟之“人工智能賦能學習者會議”綜述[J].遠程教育雜志（2）：65-74.