摘 要：生成式人工智能作为一项类似于“电力”的通用技术，正在全球范围内引发智能化变革浪潮。教育领域如何面向生成式人工智能开展教育教学创新是时代赋予教育研究者和实践者的挑战。研究基于全球人工智能学习和教育研究联盟召开的人工智能赋能学习者会议的核心内容，构建了生成式人工智能教育应用创新框架，从理念、实践和共识三个层面系统展现国际生成式人工智能创新体系结构。理念层拥抱生成式人工智能创新文化，实现从制度、育人理念到教与学方式等多个层面的理论创新与认知迭代。教育领域人工智能技术采纳模型、生成式人工智能素养模型和生成主义数字教育框架分别为生成式人工智能教育应用提供了组织保障、 素养培养和实践指南方面的理论支持。实践层各类实践创新要坚持以个性化/人性化学习体验为核心，围绕教育场景中的实践问题，开展创新实践和应用推广。当前国际上六类典型实践案例，分别为：（1）生成式人工智能支持网络和物理空间协同学习；（2）大语言模型推动智能导师系统应用推广；（3）生成式人工智能增强沉浸式平台和同伴支持促进脑健康；（4）大语言模型支持自动试题、干扰项和反馈生成；（5）智能学习路径规划和个性化学习支持提供；（6）亲和力小组实践推进高校生成式人工智能应用。同时，会议还形成了六大共识：（1）认识生成式人工智能教育应用创新的特殊性；（2）信任是从消极拒绝走向积极应用的前提；（3）发挥人的主导作用应对认知停滞与去人性化；（4）重视应用中的数据泄漏和安全伦理风险；（5）消弭新的数字鸿沟和结构性不平等；（6）建立人工智能开发和应用新标准。研究对生成式人工智能教育应用创新研究的梳理可为我国生成式人工智能教育应用理论与实践提供参考。
关键词：生成式人工智能；教育创新；ChatGPT；SPARK 模型；智能素养；教育数字化；人性化学习体验
一、引言
以ChatGPT 为代表的大语言模型以其强大的自然语言处理能力跨越计算机领域界限， 正在全球范围内掀起一场智能化改革浪潮。微软CEO 萨提亚·纳德拉（Satya Nadella）指出，生成式人工智能对于知识工作者来说， 完全等同于工业革命 （World Economic Forum，2023）。人工智能和机器学习领域权威学者、美国斯坦福大学人工智能专家吴恩达（Andrew Ng） 认为， 人工智能是一种面向未来的 “新电力”（Stanford Online，2023）。正如一百多年前电的发明改变了各行各业，人工智能也将带来同样大的变革。教育领域如何面向生成式人工智能开展理论与实践创新是时代赋予的命题。我国众多研究者对生成式人工智能教育应用进行了大量的理论探讨， 包括教育应用模式与策略（吴砥，等，2023；卢宇，等，2023；焦建利，2023；郑燕林，等，2023）；对教育的影响（余南平，等，2023；吴南中，等，2023）；学习范式的转型（祝智庭， 等，2023）；教育提示语设计 （赵晓伟， 等，2024）。同时，也有个别探索性的ChatGPT 教育应用实践研究（王卓，等，2023；陈凯泉，等，2023）。总之，生成式人工智能教育应用创新是一项实践工程，当前我国对此的系统性理论和实践创新还比较缺乏，亟须在全面了解国际实践成果的基础上， 全面推进系统性教育实践创新。
二、生成式人工智能教育应用创新框架
全球人工智能学习和教育研究联盟（GRAILE）是一个系统性推进人工智能教育应用创新的学术组织。该组织由乔治·西蒙斯（George Siemens）主导，旨在将人工智能研究应用于学习和教育实践， 支持教育领导者规划和部署人工智能方案， 提供人工智能学习和人工智能素养提升空间， 以此为教师和教育组织赋能。为保持对领域从理论到实践的持续关注，该组织每月定期组织人工智能教育应用专题活动，此外也会不定期召开全球性的国际会议， 旨在促进人工智能在教育领域的交流和合作。2023 年10 月，来自全球17 个国家42 所大学、国际组织、研究机构和企业共93 位顶尖研究者及实践者参与了“人工智能赋能学习者会议”，就生成式人工智能教育应用实践创新展开了为期三天的深度研讨（GRAIBE，2023）。会议内容涵盖3 个主旨报告和21 场主题论坛。本研究通过对此次会议核心内容的梳理和相关成果追踪， 构建了生成式人工智能教育应用创新框架，从理念、实践和共识三个层面系统展现此次会议的核心成果，如图1 所示。
图1 生成式人工智能教育应用创新框架
（1）理念层。理念层面的创新是实践创新的重要指南。生成式人工智能相比传统的教与学工具，具有自主学习与创新能力， 人类应超越技术的工具性思维，将生成式人工智能视为知识共创伙伴。基于人机协同知识共创的思维，重构教育主体关系，变革育人理念，重塑智能化教与学方式，积极开展理论创新、制度创新， 重视生成式人工智能素养的培养和面向实践的理论创新，拥抱生成式人工智能创新文化。会议主旨报告和平行论坛探讨了教育领域人工智能技术采纳模型、 生成式人工智能素养框架和生成主义数字教育框架。这些框架分别为生成式人工智能教育应用提供了组织保障、 素养培养和实践指南三个方面的系统性理论支持。
（2）实践层。尽管生成式人工智能走进大众视野的时间并不长，但国际上已经涌现了众多教育实践创新成果。通过使用ChatGPT，教育从业者、学习设计师、教育技术专家和学习者能够自主设计定制化的学习工具，这为非专业人员提供了开发学习工具的动力。具体而言，使用大语言模型提供的API可以轻松地完成教育应用工具开发，例如Khanmigo（Khan， 2023）、 LamPost（Goodman， et al.， 2022）、Metaphorian （Kim，2023）、 Spellburst（Angert，2023）、Metagpt（Hong，et al.，2023）等都是此类工具。同时，如图1 所示， 此次会议还系统呈现了一批典型性教育实践案例。相关实践基于生成式人工智能的特点，围绕多样化的教育实践场景展开讨论，如学科教学、跨学科融合、协同教学、协作学习、自适应等教育场景；学习路径规划、 个性化学习支持服务等教学设计；试题自动生成、自动作文评分、自动反馈生成和基于会话的评价等学习分析与评价应用。这些实践以个性化/人性化学习体验为核心，遵循以学生为中心的创新思路，不断增强学习者个性化学习、自我调节学习、协作学习，促进学习者高阶思维的发展和生成式人工智能素养的养成。
（3）共识层。生成式人工智能教育应用创新面临一系列基础性问题与挑战，对这些问题与挑战的解决是推动创新持续涌现与大规模应用推广的重要保障。联合国教科文组织在《教育与研究领域生成式人工智能指南》中提到了加剧数字鸿沟、脱离政策监管、侵犯知识产权、运作机制不透明、生成内容不可靠、缺乏对现实社会的理解、限制多元观点的表达、产生虚假内容等8 项生成式人工智能的应用风险（UNESCO，2023）；生成式人工智能对全社会教育平等与包容的倾向、学习主体能动性及价值观、语言文化多样性、知识建构的多元性等教育核心价值的威胁最为直接和深入（苗逢春，2024）。在教育实践中必须正视这些问题的解决，发挥人的主导作用为核心，方能构建促进创新与实践推广的良好生态环境，保障其健康有序地发展。面对诸多问题，此次会议形成了六个方面的共识。
在教育数字化转型背景下， 生成式人工智能教育应用创新不仅仅是一种技术工具的应用， 而且是一项需要从理念到实践层面进行的系统性革新工程。实践中需要基于系统性视角，在理念层面开展理论创新与制度设计，在实践层面基于教育领域的实践场景和问题解决， 多维度多视角地开展创新性实践，并在应对一系列新问题中达成共识，构建良好的生态环境， 推动创新实践的持续涌现和大规模应用推广。为了全面把握国际生成式人工智能教育应用创新的成果，本研究将根据上述内容的梳理，按照理念创新、典型实践和会议共识三个部分分别予以呈现。
三、理念创新
（一）组织保障：教育领域人工智能技术采纳模型
人工智能教育应用创新需要协调多方利益相关者。澳大利亚阿德莱德大学的阿贝拉德·帕尔多（Abelardo Pardo）指出，人工智能教育应用创新涉及创新和运营两层利益相关者 （GRAILE AI，2023a），如图2 所示。创新层包括负责尝试新技术、新思想，并思考如何将其应用于实践的学术研究者、教师、AI专家、IT 专家、先行者①先行者是第一批拥有自主创新意识（基层创新）的典型群体。他们会自发地超越机构允许范围，尝试新产品、新思想，甚至将新技术、新思想嵌入到课程中来设计自己的课程。。运营层包括教育机构中的管理者与领导者， 他们更关心如何应对未来5 年来自生成式人工智能的挑战， 以及如何解决机构运营中的现实问题。学习分析领域自上而下与自下而上两类与复杂性领导力相关的学习分析采用模式（Dawson，et al.，2018）， 同样适用于教育机构采纳人工智能技术的情境，但二者均存在局限。自上而下模式是指运营层领导者为实现特定目标进行战略部署的过程。由于只有领导层深度了解该战略部署，其他人对其了解程度较低，因此很少有人作出深度响应。这使得创新仅成为高层战略计划的一部分， 失去了与其他利益相关者的联系，导致其得到的支持非常有限，甚至会出现停滞状态。自下而上的模式指的是，组织内先行者或其他群体在运营层意识到新技术价值之前，就已经着手创新工作。但由于这些群体掌握的资源非常有限， 且创新发生在同一机构中相互独立的不同部门，彼此间缺乏互动和了解，领导层也被排除在外， 导致其行动缺乏更高层次的目标、 方向与战略。在该模式中，尽管像学术研究者、教师、先行者等群体非常投入， 但由于他们对整个教育生态系统的其他部分缺乏了解，而导致技术影响范围有限。
图2 利益相关者及其关系
为了规避上述两种模式的局限， 高效推进人工智能教育应用创新并得到更多支持， 运营层和创新层的组织结构需要从层级型转向相互关联的网状型，以便于整合优势，构建能促进人工智能教育应用创新的生态系统。据此，阿贝拉德·帕尔多提出教育领域人工智能技术采纳模型（简称SPARK 模型），如图3 所示。模型左半部分是由负责创新与创业、运营职能的利益相关者构成的共同体， 利益相关者包括但不限于领导者、管理者、IT 专家、先行者、学术发展者、学生等群体。该共同体具有网络化性质，相互联系、即时互通，可共同执行技术采纳的系统规划与知识转化。模型右半部分包括系统规划、创新实践，以及知识转化与规模化推进三部分。其中，系统规划包括合乎需求的算法、预测模型、研究报告及行动，并逐渐被嵌入现有运营体系中。创新实践的核心在于识别问题、部署算法和部署研究；识别问题要求机构专注于某一个问题；部署算法指定期检测解决该问题所需使用的算法或技术， 迭代在这个过程中非常重要；部署研究指对这些试点进行研究并尝试应用技术。知识转化与规模化则是把创新技术从试点扩展到整个机构的愿景，是使其被机构广泛采纳的关键。
图3 人工智能技术采纳模型
SPARK 模型从系统层面深度揭示了实现人工智能教育应用创新与规模化推广所需的组织结构重构和利益相关者的有效协同关系。该模型不仅有助于深刻把握当下各类新技术在教育创新与应用中难以系统性出现和推广的根本问题， 更重要的是也为生成式人工智能教育应用创新的涌现和推广提供了理论层面的指导。根据中国科学技术信息研究所发布的《2022 全球人工智能创新指数报告》（中国科学技术信息研究所，2023）， 中国人工智能发展成效显著， 人工智能创新指数近3 年一直保持全球第二水平，在人才、教育、专利产出等方面均有所进步，但基础资源建设水平有待提高。同时，美国斯坦福大学发布的《2023 年人工智能指数报告》（Stanford University，2023）追踪全球127 个国家后发现，我国对人工智能技术的乐观程度高居世界榜首。78%的中国受访者认为使用人工智能的产品和服务利大于弊，而对同一受访问题持乐观态度的受访者在美国仅为35%。报告反映了我国大众积极拥抱人工智能，这为教育创新提供了很好的群众支持和外部环境。同时，国家教育数字化战略的推进， 也为教育创新提供了顶层制度保障支持。为推动生成式人工智能教育创新涌现与大规模、 深度教育应用推进， 我国可基于SPARK 模型，加强管理体制与组织制度变革，组建网络化的利益共同体，开展富有成效的协同创新。
（二）素养培养：生成式人工智能素养模型
尽管ChatGPT、Sora 等生成式人工智能引发了人们的广泛关注，并在教育领域展现出巨大的潜力，但教育者更多地将其视为一种潜在威胁， 而持复杂态度。生成式人工智能不仅触及了教育者工作角色的设定，还对学生能力素养的培养提出了新要求。掌握人工智能技术将成为未来最重要的工作技能，由此， 师生都需要能够熟练地使用生成式人工智能来支持学习和工作。同时，生成式人工智能可能会在学生群体中引发马太效应， 即会使用ChatGPT 的学习者将变得更加强大，而不会使用的学习者可能变得相对脆弱。例如，协同ChatGPT 在写作沟通方面的强大能力，要求人们了解如何输入提示词、对输出结果进行批判性评价，并将其编辑、融合到自己的工作任务中。但学生过早过多地依赖人工智能也可能导致其基本能力的丧失。例如，学生在哪个阶段、以何种方式习得这些技能？我们如何衡量学生使用生成式人工智能的熟练度？如何判断其具备与人工智能有效对话并从中提取最有效信息的能力？这些都是我们需要考虑的问题。同时对毕业生能力要求与企业需求之间的差距，促使我们重新思考教育教学方式、运营模式和结构，调整评价方式，以满足社会需求所需的新兴素养。联合国教科文组织在《教育与研究领域生成式人工智能指南》中指出，要关注生成式人工智能带来的职业变化并相应调整教育体系，以满足市场以及未来社会对人才提出的新需求（UNESCO，2023）。
为了避免生成式人工智能技术对学生造成负面影响，获得其在个人发展，提升写作、学习和认知能力的支持， 我们必须重视对学生人工智能素养的培养。马克·沃沙尔（Mark Warschauer）团队提出生成式人工智能素养模型，包括理解、接入、提示词、印证和整合五个层级，如图4 所示（GRAILE AI，2023b）。（1）理解即知道人工智能技术工具的功能特点、缺点以及偏见。（2）接入即我们需要教会学生如何使用生成式人工智能工具；（3）提示词即教会学生如何使用提示词获得可用的内容；（4）印证即教会学生辨别问题答案的真假和来源，让学生学会合理认识生成式人工智能带来的偏见②人工智能工具的解释方式可能带有偏见，这种偏见可能会对学生长期的思想和思维造成潜在的影响，需要我们审慎思考和处理这些刻板印象与人工智能输出的问题，以确保在追求效率和自动化的同时不限制学习者的机会和创造空间。， 教会学生通过横向比较多个数据源来验证答案的真伪性；（5）整合即教会学生如何在检查内容准确性和偏差后，将生成的内容整合到自身任务中。
图4 生成式人工智能素养模型
生成式人工智能素养模型本质上是一个基于生成式人工智能的高阶思维模型。与布鲁姆认知目标分类类似，越到上层，对学习者的要求越高，也对未来发展越关键。在该模型中，理解和接入是基础，提示词设计是关键的能力， 学习者需要有很强的人机协同思维、人机交互能力和创造性思维；而印证和整合则涉及学习者的批判性思维、问题解决能力、创造力的培养等。该模型不仅是生成式人工智能素养模型， 也是生成式人工智能时代新的思维方式和认知方式。该模型表明，在生成式人工智能的教育创新应用中，我们必须重视学生高阶思维能力的培养，通过思维技能，驾驭生成式人工智能，实现其认知发展，助力其成为适应数智时代人才培养新要求的未来学习者。
（三）实践指南：生成主义数字教育框架
对生成式人工智能教育教学中扮演的角色以及具体的学习活动组织方式的深度认识是教育教学改革的基础。国际上的生成主义数字教育框架正是此类教学改革的系统性实践指南，如图5 所示（Pratschke，2023）。它以探究社区框架为基础，在生成式人工智能情境下重构学习者在社区中的互动，并将生成式人工智能在课堂中的角色分为三类：（1）基于社会存在的协作型人工智能：学习者与教师及其他学习者协同合作，生成式人工智能充当协作者，如虚拟学伴、角色扮演者、学习驱动者和协作支持者；（2）基于认知存在的分析型人工智能：智能代理提供特定主题观点，充当学习伙伴、对手或教练，生成式人工智能作为分析者，在情境创设、数据交互、批判性思考和创造性思考等方面为学习者提供支持；（3）基于教学存在的促进型人工智能：智能技术作为学习导师，在课程中陪伴和支持学习者，生成式人工智能作为促进者，帮助学习者进行反馈生成、内容创造、学习路径导航和苏格拉底式问答等。
图5 生成主义数字教育框架
在学习活动组织方面，该框架与ABC 学习设计框架（Natasa，2015）中的六种学习活动结合，形成生成式人工智能赋能六大学习活动设计（Pratschke，2023），如表1 所示。
表1 生成式人工智能赋能ABC 学习活动设计
算法支持的智适应社群化学习是人工智能时代在线学习新形态（王志军，等，2023），生成式人工智能非常适合协作学习、 学习社区的构建以及通过主动学习获取知识、发展能力的在线学习。它并不强调使用技术来增强当前的教育教学方式， 而是将技术应用在增进学习者强学习交互、 构建更具个性化的学习上。生成主义数字教育框架为数字时代的教育教学组织提供网络、协作、面向学习社区的学习和以学生为中心的学习体验方法， 它不仅基于学习者的学习体验从多个维度阐释了生成式人工智能的角色、发挥的作用，而且为学习活动的设计提供了深层次的指导， 是指导生成式人工智能教育教学创新和相关教与学工具开发的重要理论框架。
四、典型实践
（一）生成式人工智能支持网络和物理空间协同学习
网络和物理空间协同学习作为一种新的教学组织形式， 通过智能技术将物理教室与网络环境有效融合，可实现线下学生与在线学生同步学习，它强调交互的亲密性和即时性，促进学生主动学习。加拿大蒙特利尔大学、 新加坡科技设计大学和香港科技大学分别对此开展了研究。其中，香港科技大学正在探索香港和广州两个校区如何基于智能技术让学生同时以几乎相同的成本在同一节课上学习相同内容，并确保远端和本地学生获得相同的个性化学习体验。由于交互是影响在线教育质量的关键因素，因此网络和物理空间协同学习允许学生通过智能代理、虚拟现实等技术实现跨校园交互， 通过人工智能代理等工具融入课堂与学生互动， 着手解决学生的具体问题。香港科技大学基于ChatGPT 开发了课堂聊天机器人。墨西哥蒙特利尔科技大学开发了精神现实 （Mental Reality） 工具来增强学习交互和学习体验。此外，网络和物理空间协同学习是通过应用学习分析和人工智能算法对不同学习环境下的学习和交互行为进行分析的，因此，可以通过搭建线上和线下两个空间的桥梁， 来分析课堂和在线学生的互动关系。人工智能技术为学生和教师提供帮助，可进行管理、监控、分析学习情况，定位学习路径和学困点，提供实时反馈和个性化资源，并为教师提供学习报告。教师可将工作重心转移到对整体学习过程的把控上，以最大限度利用人工智能工具服务教育教学，为学生提供更及时、有效的反馈。当前研究者正在探索人工智能对学习情境和知识建构的影响， 思考如何更大效益地发挥网络学习者的优势。
（二）大语言模型推动智能导师系统大规模应用
在大语言模型出现之前， 智能导师系统并未在实际教育教学中得以广泛应用， 其根本原因在于系统提供内容的准确性和即时性未达到大规模应用的要求。大语言模型弥补了智能导师系统在自然语言理解、内容生成和适应性方面的不足，为个性化学习提供支持。生成式人工智能支持的智能导师系统，如QuizBot，允许学生先对知识进行探索，然后就错误给予即时反馈，而非直接告知正确答案，这极大增强了智能导师系统的实用性（Ruan，et al.，2019）。美国孟菲斯大学胡祥恩教授已经将GPT-4 运用于智能导师系统，开发出可供教学使用的应用。该应用不仅可以根据学习者交互的具体内容做出实时反馈， 还可以根据学习者的需求扮演导师、 学习伙伴等不同角色，通过苏格拉底式问答法启发学习者（互联智能教育中心，2023）。但是，仅使用智能导师系统生成内容可能会使课堂对话较为顺利， 但不一定能提高学生的学习水平， 还需要探索与智能导师系统相适应的教学模式，使其在课堂中产生更深入的交互。为此要结合设计、理论和实践来重构课堂，为学生提供有效的学习体验。其中，设计指真正能够促进学习者学习的教学设计和智能导师系统设计；理论指使用要符合教育教学规律；实践指将教学设计完整地实施。
虽然，大语言模型一开始并非为教育教学开发，但它可帮助教师通过构建学习者建模来实现精准教学评价。智能导师系统能够根据学习者与系统的对话过程构建学习者认知模型， 从而更好地呈现学习过程和结果。以往学习者的批判性思维、问题解决能力等高阶思维和素养较难量化评价， 而基于智能导师系统的会话分析可以帮助教师建立学习者素养模型，以反映高阶思维能力的进展水平。因为与传统考试相比，基于会话的评价比普通测验更真实。
（三）生成式人工智能增强沉浸式平台和同伴支持促进脑健康
脑健康不仅关注认知障碍和缺陷， 更关注在一定环境中充分利用大脑成长发展能力。为充分挖掘大脑健康潜能，美国得克萨斯大学脑健康中心③具体内容可参见https://centerforbrainhealth.org/。运用人工智能技术构建更符合大脑认知发展的学习平台。该平台旨在帮助学习者获得个性化的学习体验，养成更好的用脑习惯， 并在沉浸式虚拟学习环境中为其提供持续的同伴支持。对于大脑而言，学习是一种重复调取的行为， 传统的学习方式往往难以激发人类的积极参与， 而电子游戏却能够促进大脑产生与人的发展相协同的积极行为和反应。因此，使用人工智能技术来改进传统教育教学机制， 从脑健康的角度帮助学习者建立自我驱动学习所需的内在动机，激发个人能动性和积极心态，有助于学习者发挥创新创造能力，并使学习过程更有趣，这已经成为人工智能教育实践创新的一个新方向。
目前， 得克萨斯大学脑健康中心团队成员正在积极尝试将人工智能技术整合到大脑健康项目的学习平台中。在沉浸式学习环境中，通过人工智能技术设置评价机制，由此产生学习者的大脑健康指数，再为其呈现符合学习者认知发展特征的内容， 优化其个性化学习体验。同时，学习平台使用自然语言处理和快速更新迭代来吸引和黏合学习者， 确保他们能在游戏化平台中更沉浸、更有效地学习。此外，平台还可以对每个学习目标进行特定类型的推送， 以帮助学习者养成健康用脑的习惯。
（四）大语言模型支持自动试题、干扰项和反馈生成
大语言模型拥有强大的自然语言和情境理解能力，Transformer 等预训练神经网络模型的出现和发展，为自动试题、干扰项和反馈的生成提供了技术支持。自动试题生成可扩展试题开发过程，高效低成本创建大量高质量试题。传统试题自动生成应用范围非常有限，主要集中在数学等相对容易建模的科目。大语言模型多模态能力支持生成图片类题目， 极大拓宽了自动试题生成应用广度。如可帮助教师自动生成阅读理解题，并根据学生回答自动评分。同时，当前选择题干扰项多由教师根据教学经验设计，但并非所有干扰项都强相关。由于不同学习者的知识掌握程度不同，其干扰项集也不同，相同的干扰项并不一定适合所有学生。因此美国马萨诸塞大学尝试借助人工智能技术， 为每个选择题自动生成一组高质量干扰项， 并根据学生学习进展选择个性化干扰项， 实现适应个体学习进度的自动干扰项生成和反馈信息生成。该团队通过给模型干扰项和反馈的示例来训练模型，使用精确匹配、部分匹配和比例匹配三类指标， 来评估生成干扰项与人类编码干扰项的匹配程度。在反馈信息生成方面，他们将问题、干扰项和反馈信息提供给模型， 并要求模型根据反馈信息尝试给出正确答案， 然后比较这种问题回答的准确率与模型在没有反馈信息的情况下得出正确答案的准确率，以此来量化反馈信息。未来他们将继续探索有效干扰项和反馈信息的评估度量标准，并研究自动化评估干扰项和反馈信息的方法，来识别每个干扰项中的确切错误；以可控方式逐个生成干扰项，收集教师对干扰项的偏好，以便更好地评估指标；基于大语言模型构建学生模型，实现精准的个性化教学。
此外，当前，使用大语言模型进行自动反馈生成可分为三类：（1）基于大型日志语言模型的反馈生成，识别学生在写作或作业中的错误或误解；（2）基于学生反馈的多模态或不同模态， 以音频图像或书面文本等形式产生反馈；（3）基于大语言模型根据学生熟练程度或语言水平校准反馈，支持更深度的学习。这三种类型的反馈可帮助教师生成实时的复杂反馈、生成过程性和总结性反馈以及对高阶思维进行反馈。这些反馈有助于教师开展讨论、提出问题、引导课堂对话，并通过新的反馈策略帮助学习者进行自我调节学习。此外，这些反馈还可以更好地帮助学习者进行可视化题目分析，将抽象问题具体化，创建新的学习资源和学习案例，促进知识的迁移与应用，引导学习者完成学习过程，增强学习自驱力，发展元认知能力。
（五）生成式人工智能支持的智能学习路径规划和个性化学习支持
人工智能技术支持智能学习路径的规划， 为个性化学习提供支持。（1）智能路径规划：制定学习计划是提高学习效率的有效方式， 为达到某一学习目标，不同学习者会制定不同学习计划。美国蓝图教育科技公司④具体内容可参见https://blueprintprep.com/。正使用人工智能技术帮助学习者创建学习计划， 并基于学习者的表现和以往相似的学习数据，通过算法动态评估学习者的学习活动，规划学习路径，帮助其开展自我调节学习。其开发理念类似于谷歌地图， 基于学习者的偏好帮助学习者规划学习时间，提高学习效率和产出，实时更新学习进度，并通过隐藏无关信息减轻学习者认知负荷， 再根据学习者已有知识掌握情况动态规划最近发展区， 有效开展针对性练习。（2）个性化学习支持：美国南卫理公会大学通过项目反应理论进行参数估计、 项目难度识别与估计，来确定学习者学习能力；结合问题元数据和学习活动元数据， 使用机器学习识别学习者的最近发展区和最需要做的练习，激发学习动机。其实践表明，生成式人工智能可通过不断的对话高效帮助学生提出和解答问题，将学生感兴趣的现实主题和数学问题相结合，并使用提示语不断地完善提出的问题。其限制体现在生成人物形象时的人种偏见、生成与数学问题相关的情境合理性不足等问题。总之，在从零开始的初级阶段，生成式人工智能可提供较大帮助，但在更深层次数学需求满足方面仍存在困难。
（六）亲和力小组实践推进高校生成式人工智能应用
杜威曾强调：“今天的教育和教师如果不生活在未来，那么未来的学生就会生活在过去”。高校应积极回应生成式人工智能时代的挑战，主动适应变革。如何有组织地推动高校教师积极应用生成式人工智能开展教育教学创新是应用实践中需要关注的首要问题。美国南卫理公会大学的亲和力小组实践值得借鉴。为应对时代的挑战，该校教务处副主任佩吉·韦尔（Paige Ware）召集对生成式人工智能感兴趣的教职工成立亲和力小组， 通过不断召开研讨会探索生成式人工智能在学校落地的可能性，打通教职工-系主任-行政助理多层级互动对话，鼓励全校师生使用生成式人工智能，使其服务于教学需求，最终使该校成为生成式人工智能教育应用示范校。为了保持教师的持续参与， 该校在组建亲和力小组之初就确定了四个主题：（1）生成式人工智能课堂教学应用；（2）人工智能技术的应用与滥用研究；（3）ChatGPT 的原理和技术探讨；（4）相关政策和法律制定研讨。该教师亲和力小组紧跟前沿、积极探索，每周为学校所有教职工发送一封名为“地平线上的生成式人工智能”的邮件。为了让教师获得参与感，佩吉会把经过整理的想法、资源、链接、活动和研讨会收集起来，整合到邮件中， 让邮件成为教职工提出想法和交流研讨的媒介。通过营造一种好奇心文化， 小组将学校各单位、部门和系科黏合在一起，有效避免了只有一群懂技术的人推进此项工作。小组还与信息技术办公室和图书馆合作，开展了“热爱数据周”会议，并举办与数据相关的研讨会， 试图让人们思考研究数据和数据管理等问题。同时，围绕感兴趣的主题组建学生、教师的研究社区，小组将所有讨论、工具集成到学校的Canvas 学习管理系统中，方便教师随时查阅和使用。针对新手教师， 该小组还专门开发了入门工具包，提供使用生成式人工智能的工具和技术文档，让教师在日常熟悉的工作界面中融入生成式人工智能技术， 消除教师对人工智能的焦虑。并通过Canvas在所有课程中推进使用电子版教学大纲， 让教师很容易在任何课程的数字教学大纲中运用生成式人工智能修改内容，并提供多种方案供教师选择。为进一步规范生成式人工智能的应用， 该小组还将成立一个理事会，专门负责收集证据并处理违规问题。
五、会议共识
生成式人工智能作为教育数字化进程中具有深远潜力的技术， 在革新教育教学的同时也挑战着教育的边界。生成式人工智能可以赋能教师、学习者、非专业的教育开发人员， 并帮助教育工作者在人工智能和大数据时代，通过“需求分析”建立从“点击”到“建构”的学习分析方法（Knight，et al.，2017）。每一个人都应该提升自身的生成式人工智能素养，以应对生成式人工智能教育应用创新面临的诸多挑战。会议中还达成了以下共识。
（一）认识到教育应用创新的特殊性
教育具有特殊性和复杂性，成功的人工智能教育应用案例受多重因素影响，难以复制。发展人工智能教育应用并非易事，因为教育中存在众多变量，不同情境对教育影响极大，教育的特殊性与复杂性导致无法完全复制同一套经验和模式。因此，成功的人工智能教育应用的关键在于，将生成式人工智能技术有机纳入教育机构体系之中。教育机构应根据其独特背景和特点，以一种对机构有意义的方式将这些技术融入教育和管理等领域，积极拥抱创新并不断推动创新进程。设计和运行生成式人工智能模型通常涉及高昂成本，为了实现盈利，必须将这些模型应用于大规模用户群体。然而当前教育领域被细分为多个市场，在一个平台吸引数十亿用户的可能性不大。这将引发高昂的生产成本与潜在目标用户数量不匹配的矛盾。对此，吴恩达提出了低代码或无代码工具概念，这些集成了各种组件和部件的工具简化了编程难度，有助于更多用户参与到人工智能模型的设计和应用中来。
同时，ChatGPT 的训练数据主要来自西方国家，这将导致其在文化和价值观上更加趋同于西方模式。因此，有必要使用本地的训练数据来支持本土人工智能教育应用创新。同时，在农村地区，由于教师资源短缺， 人工智能被视为一种潜在解决方案。然而，教学过程不仅涉及认知的习得和知识的传递，还包括建立富有同理心的人际关系，因此，我们必须重点考虑文化和语言背景。为了将生成式人工智能有效融入具体语言环境中， 我们需要解决数字空间中语言语料库不足的问题， 以防止在学习者群体或社区中可能出现的语言和文化同质化现象， 这可能会损害教育公平性。生成式人工智能根植于特定文化、历史、政治背景，其在不同的教育情境中的应用可能会导致系统性不公（Eubanks，2018）。因此，在设计学习技术时应确保文化的可见性， 思考生成式人工智能的未来走向、设计者身份、服务对象以及生成式人工智能将如何塑造我们的认知、关联和存在方式。教育是一个复杂的多维情境，涉及多种角色，我们不仅要关注学生的需求，还必须考虑到教师的需求，加强教师的数字技能和人工智能素养， 以便教师能更好地理解并将其整合到教育教学中。
（二）信任是从消极拒绝走向积极应用的前提
人工智能创新势不可挡，我们应对教育引入人工智能技术保持积极态度。高等教育领域变化过于缓慢，为适应生成式人工智能工具的迭代，我们需要迅速行动起来。当前人工智能技术对教学方法的影响并不显著。信任问题是人工智能技术在教育领域应用的重要障碍，教师担心自己的工作会被取代，学生对人工智能技术的输出结果持怀疑态度，这些顾虑阻碍了人工智能技术在课堂中的广泛使用。例如香港科技大学教职工在探索网络和物理空间协同学习时显得缺乏创造力。吴南中等（2023）对生成式人工智能应用到教育领域的利弊进行了分析，指出当我们将注意力集中在异化利用上时，就会出现教育质量失控、运行失序、伦理失调、认知浅化、创新堕化等外在异己性风险，并将其定位为自觉公开或隐蔽抵制的“技术幽灵”；当关注于强情境化、重整合化、凸显个体差异性和内蕴批判精神特性时，就会关注到其为学习者重构空间、重建内容、重塑能力、重调过程、重建评价等，从而为破解单一知识来源、冲击标准化场域、打破封闭式教学和突破外在表现评价等教育异化现象提供“解决工具”。因此，为了确保生成的内容适应当前学习情境，我们需要考虑生成式人工智能技术在学习过程中扮演的角色以及其对教育教学目标的贡献。将学生置于教学首位是教育工作者的共同目标，教育工作者需立即调整适应新技术的教学方式，教导学生理解这些大语言模型的开发原理、帮助学生有效使用这些工具，劝阻学生不使用不利于学习的技术，并提倡培养学生的人工智能道德和技术素养。
（三）发挥人的主导作用应对认知停滞与去人性化
人工智能技术的应用可以使学习者拥有更多主动权并获得个性化的学习体验。然而，学习者在使用生成式人工智能工具时可能会缺乏批判性思考，过度依赖工具直接获取答案。这些现象对发展学生的批判性思维、问题解决、创造力和同理心等能力的发展产生不利影响，甚至会导致学生认知停滞。如前所述，人工智能通常不具备类人情感、 主观性等人性化特质，显现出一定程度的去人性化特征。使用生成式人工智能是否会导致认知停滞及学习体验的人性化程度降低，取决于学习者在与生成式人工智能交互的过程中是否始终保持人的主导作用。在使用人工智能时，我们不能将重要认知任务完全交由人工智能代理，例如大语言模型在自动分类和提供反馈方面表现出色，我们仍须认识到人类在其中的不可替代的作用，不能将更为复杂的写作和评分工作完全交给人工智能，而应将其纳入以人为主导的教学过程并重新设计教与学。赵晓伟等（2024）描述了学习者与生成式人工智能交互的过程，即学习者围绕某一主题产生认知需求并激发问题意识，与生成式人工智能协同，向其提问以求得响应；随后发挥审辨意识，针对生成式人工智能输出的数据进行决策，并通过更新提问方式、追加提问内容等策略性地选择、提取特定数据，构建对有限客体的认识，并尝试运用价值意识理解有限客体及其认识过程之于真实世界的新效用。在此过程中，人的意识贯穿交互始终，并且每一类意识对下一步交互都起着至关重要的作用。因此，用于学习的人工智能的设计、开发和部署必须遵循以人为中心的原则，确保学习者始终扮演主导角色，并促进其认知发展，以应对人工智能的去人性化挑战。
（四）重视应用中的数据泄漏和安全伦理风险
在生成式人工智能的使用中存在学生敏感数据泄露和安全伦理的风险。教师使用ChatGPT 分析学生数据也可能会产生不经意的敏感信息上传。因此，在产品开发中必须采取过滤措施， 以确保学生数据与大语言模型训练数据分开，来避免数据泄露。教育机构的领导和管理者在采用人工智能技术时也可能存在道德隐私问题。一方面，人工智能技术帮助机构深入理解学生学习情况；另一方面，不当处理学生数据可能会带来严重后果。教学数据使用在安全与伦理风险方面存在的四个局限：可预知性不足、产生幻觉、难以辨别真假以及符号机制混淆。此外，使用生成式人工智能产生的版权和归属问题也尚不清晰，这对教育内容生成和控制构成挑战。因此，我们将人工智能教育伦理视为一项重要素养， 在个体和群体层面赋予个体负责任的选择能力， 以发展个体人工智能教育伦理能力， 并构建共同体规范和管理制度来促进教育数据共享。
（五）消弭新的数字鸿沟和结构性不平等
人工智能技术发展开拓了“大国博弈” 的新疆域， 也在国际权力结构的重构中发挥着决定性作用（余南平，等，2023）。新一代人工智能技术的普及和应用将形成高科技壁垒， 导致全球教育不公平现象加剧，进一步放大国家与地区发展不平衡问题。在欠发达地区， 人工智能教育应用面临物理条件和技术水平限制，这将加剧全球教育不平等。尽管在中小学阶段引入了人工智能技术， 但学校普遍缺乏适当的设备；教师的技术储备及培训不足；课程与软件模块存在不一致， 致使人工智能教育应用的使用效果不佳。同时，仅提供基础设备和技术接入并不能解决问题， 教育技术专家需要重新思考如何使用人工智能技术设计教育，真正理解学习者和教师的背景，分析人工智能技术在教育情境中的应用价值， 并确定如何干预技术使用， 以便欠发达地区也能享受到技术发展的红利。人工智能技术并不能有效解决教育中的结构性不平等问题， 长期的共同设计伙伴关系是消除这种不平等、促进集体解放的有效途径（Noble，2018）。我们需要思考如何与不同文化背景、制度规范和专业知识的人群建立长期互惠的合作伙伴关系。此外， 政府部门需要充分考虑对教师的技术支持，让教师能专注于人工智能教育应用设计。教育工作者应该从基础设施建设、人工智能教学代理使用、人工智能技术关切和数字培训四个方面系统推进人工智能教育应用创新。
（六）建立人工智能开发和应用新标准
使用生成式人工智能技术的高成本阻碍了许多一线教师和相关人员利用该技术开发教学应用的可能性。学习者数据是否可以在不同教育框架和群体之间共享， 以及是否能用于本地大语言模型训练等关键问题， 都对生成式人工智能技术在教育领域的推广产生负面影响。制定人工智能技术与应用标准是确保人工智能和大语言模型得以合理高效运行的重要策略。会议上卡内基学习中心的首席架构师理查德·童（Richard Tong）指出，他领导的IEEE 人工智能标准委员会正在制定40 多个政策和技术层面的相关标准。其中，政策层面主要包括确保人工智能与人类数据安全和隐私、 教育与人工智能应用的道德和伦理关系一致， 探索风险问责制度的人工智能管理方法， 以防范潜在伤害， 例如数据治理和可信计算。技术层面包括加速制定人工智能技术的统一应用标准，保障大语言模型的可访问性，为小型开发机构和经济拮据的学生提供公平竞争环境。
[参考文献]
陈凯泉,胡晓松,韩小利,等,2023.对话式通用人工智能教育应用的机理、场景、挑战与对策[J]. 远程教育杂志(3):21-41.
互联智能教育中心,2023.学术研讨会｜胡祥恩：与LLM 成为朋友——在教学和学习中发挥其帮助作用[EB/OL]. [2023-11-04]. https://ccie-cef.bnu.edu.cn/news/5278a0d87d7847b 0bf5787d87c126019.htm.
焦建利,2023. ChatGPT: 学校教育的朋友还是敌人？[J].现代教育技术(4): 5-15.
卢宇,余京蕾,陈鹏鹤,等,2023.生成式人工智能的教育应用与展望——以ChatGPT 系统为例[J].中国远程教育(4): 24-31+51.
苗逢春,2024. 生成式人工智能及其教育应用的基本争议和对策[J].开放教育研究(1): 4-15.
王志军,吴芝健,2023.人工智能时代在线学习新形态——算法支持的智适应社群化学习[J].远程教育杂志(5): 49-55.
王卓,马洋珍,杨现民,等,2023. ChatGPT 类阅读平台对研究生学术阅读能力的影响[J].开放教育研究(6): 60-68.
吴砥,李环,陈旭,2023.人工智能通用大模型教育应用影响探析[J].开放教育研究(2): 19-25+45.
吴南中,陈咸彰,冯永,2023.从“失序”到“有序”: 生成式人工智能教育应用的转向及其生成机制[J].远程教育杂志(6):42-51.
余南平,张翌然,2023.ChatGPT/生成式人工智能对教育的影响：大国博弈新边疆[J].华东师范大学学报(教育科学版)(7):15-25.
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(1): 44-54.
郑燕林,任维武,2023.实践观视域下ChatGPT 教学应用的路径选择[J].现代远距离教育(2): 3-10.
中国科学技术信息研究所,2023.《2022 全球人工智能创新指数报告》发布[EB/OL]. [2023-07-18]. https://www.istic.ac.cn/html/1/284/338/1506840089869938181.html.
祝智庭，戴岭，胡姣，2023.高意识生成式学习：AIGC 技术赋能的学习范式创新[J].电化教育研究(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
[中图分类号] G420
[文献标识码] A
[文章编号] 1672-0008（2024）02-0065-10
[DOI] 10.15881/j.cnki.cn33-1304/g4.2024.02.008
基金项目：本文系国家社会科学基金全国教育科学“十三五”规划2020 年度国家级一般课题“联通主义学习中群体协同知识创新研究”（项目编号：BCA200092）的研究成果。
作者简介：王志军，博士，江南大学教育学院、江苏“互联网+教育”研究基地教授（江苏无锡 214122）；滕志强，江南大学人文学院在读硕士研究生（江苏无锡 214122）；苏晨予，江南大学人文学院在读硕士研究生（江苏无锡 214122）。
引用信息：王志军，滕志强，苏晨予，2024.国际生成式人工智能教育应用创新——全球人工智能学习和教育研究联盟之“人工智能赋能学习者会议”综述[J].远程教育杂志（2）：65-74.
