基于GAI的逆向工程教學(xué)思維在人機協(xié)作中的應(yīng)用研究

[摘" "要] 大模型為學(xué)習(xí)者提供跨模態(tài)的學(xué)習(xí)資源，同時也為創(chuàng)新人機協(xié)同教學(xué)模式提出了更高要求。研究引入了逆向工程教學(xué)思維，分析了其在流程與機理上與生成式人工智能的相契互補性，并基于自主開發(fā)的逆向工程編程學(xué)習(xí)平臺，開展了探索性編程教學(xué)實驗。通過LDA主題詞抽取和人機協(xié)作感知因子分析，研究挖掘出該模式下人機協(xié)作五類行為和情感取向。此外，問卷結(jié)果顯示學(xué)習(xí)者在此教學(xué)模式下表現(xiàn)出較高的感知偶然性、人機協(xié)作感知以及持續(xù)學(xué)習(xí)意愿，但人機信任度處于中位水平。結(jié)合主題詞分析，研究也提出未來人機協(xié)作的優(yōu)化方向：通過逆向工程引領(lǐng)人機協(xié)作，降維拆解復(fù)雜問題；構(gòu)建多智能體生態(tài)，提高多人—多機群體協(xié)作效能；塑造新型人機勞動關(guān)系，發(fā)展新智生產(chǎn)力。研究為未來人工智能協(xié)作學(xué)習(xí)提供了理論依據(jù)和數(shù)據(jù)參考，也提出了未來研究進(jìn)一步改進(jìn)的思路和方法。

[關(guān)鍵詞] 生成式人工智能； 逆向工程； 人機協(xié)作學(xué)習(xí)； 復(fù)雜問題解決能力； 編程教育

[中圖分類號] G434" " " " " " [文獻(xiàn)標(biāo)志碼] A

[作者簡介] 翟雪松（1981—），男，安徽涇縣人。研究員，博士，主要從事人工智能教育應(yīng)用、教育大數(shù)據(jù)、教育元宇宙研究。E-mail：xszhai@zju.edu.cn。朱強為通信作者，E-mail：zhuq@zju.edu.cn。

一、引" "言

生成式人工智能（Generative Artificial Intelligence，GAI）的發(fā)展，已將學(xué)習(xí)者的部分認(rèn)知和遷移能力釋放出來。特別是在未來走向仿真人腦的世界模型（World Model）階段，人工智能的類人化程度會更高[1]。這預(yù)示著未來人類將會從簡單勞動中解放，基于GAI的人機協(xié)作解決復(fù)雜問題將成為未來人類學(xué)習(xí)生活中必備的高階能力[2]。然而，目前尚缺乏探索與GAI相適配的人機交互教學(xué)模式的實證研究，致使學(xué)習(xí)者利用GAI自主解決復(fù)雜問題的路徑不夠清晰。

逆向工程思維是一種有助于學(xué)習(xí)者進(jìn)入高認(rèn)知學(xué)習(xí)狀態(tài)的思維方式，在促進(jìn)學(xué)習(xí)者知識學(xué)習(xí)、技能訓(xùn)練、思維發(fā)展等方面均具有積極作用[3]。該思維方式以豐富的知識表征方式為載體，而GPT4o、Sora等大語言模型則實現(xiàn)了不同知識表征方式之間的轉(zhuǎn)化，在理論上能有效契合逆向工程思維。然而，逆向工程思維與GAI融合的教學(xué)模式尚未得到實證研究論證。因此，本研究以編程學(xué)習(xí)為例，探索基于GAI的逆向工程思維在人機協(xié)作中的應(yīng)用，檢驗其對學(xué)習(xí)者人機協(xié)作復(fù)雜問題解決能力的影響，以期深化逆向工程思維在智能時代的教育價值。

二、研究背景

（一）基于GAI的人機交互教育應(yīng)用現(xiàn)狀及局限

GAI不僅引發(fā)了新的知識生產(chǎn)力革命，也帶來了人機關(guān)系的重構(gòu)與迭代升級，為教育領(lǐng)域創(chuàng)造了新的發(fā)展機遇[4]。基于GAI的人機交互模式主要具有以下三個特點及局限。

1． 人機交互目標(biāo)為激發(fā)高意識學(xué)習(xí)，但缺乏適配的教學(xué)法

未來學(xué)習(xí)范式的主要目標(biāo)是激發(fā)學(xué)習(xí)者的高意識學(xué)習(xí)動機和行為[5]。生成式人工智能時代，學(xué)習(xí)者在對新舊知識建立關(guān)聯(lián)的基礎(chǔ)上，不僅能通過人機交互提出問題、設(shè)定議題，而且能甄別、篩選信息，最后經(jīng)過創(chuàng)新意識和思維技能重組和創(chuàng)生知識產(chǎn)品?，F(xiàn)有研究已從理論層面探討GAI在提升學(xué)習(xí)者高意識的教育潛力[6]，然而尚缺乏與之相適配的教學(xué)設(shè)計及案例研究。這可能使學(xué)習(xí)者過度依賴GAI，從而導(dǎo)致學(xué)習(xí)主動性消弭、高階思維能力弱化、學(xué)業(yè)誠信危機等一系列問題。

2． 人機交互形式以誘發(fā)式對話為主，缺乏自發(fā)的提示工程能力

在自然行為（Nature Behavior）狀態(tài)下，對話形式大多會受到對方提示的“誘發(fā)”[7]。GAI基于Transformer架構(gòu)，通過計算文本向量和語義關(guān)系來處理自然語言，從技術(shù)層面看生成內(nèi)容具有一定的偶然性[8]。這種偶然性一方面會使學(xué)習(xí)者感知到信息的豐富，并受此誘發(fā)進(jìn)行下一步交互對話，接下來可能迷失目標(biāo)，逐步退化尋求新問題的能力；另一方面，這種技術(shù)架構(gòu)也讓所生成的內(nèi)容具有一定的隨機性和不確定性。當(dāng)前研究主要是從如何“優(yōu)化提問”的視角得到高精度反饋[9]，卻缺乏“發(fā)現(xiàn)問題”的視角來幫助學(xué)習(xí)者自發(fā)地“選擇”問題及其順序，容易導(dǎo)致復(fù)雜問題解決的系統(tǒng)思維缺失。

3． 人機交互內(nèi)容具有較強通識性，缺乏學(xué)科垂直領(lǐng)域的數(shù)據(jù)基座和適配參數(shù)

GAI的訓(xùn)練語料主要基于現(xiàn)有的海量互聯(lián)網(wǎng)資源和部分專業(yè)數(shù)據(jù)庫資源，而互聯(lián)網(wǎng)的資料庫大多以通識性知識為主，為了優(yōu)化垂直領(lǐng)域應(yīng)用，系統(tǒng)架構(gòu)師開始探索采用Langchain+LLM架構(gòu)，期望得到更優(yōu)結(jié)果。但在教育領(lǐng)域中，完全使用文本知識庫作為訓(xùn)練集容易缺失教育中的非認(rèn)知因素，如情感、價值觀等。特別是當(dāng)自注意力機制被用作訓(xùn)練教育文本資料時，由于缺乏統(tǒng)一數(shù)據(jù)標(biāo)注標(biāo)準(zhǔn)，生成的內(nèi)容很可能并不完整、準(zhǔn)確；且數(shù)據(jù)和算法中可能存在文化等方面的偏見，不利于學(xué)習(xí)者正確價值觀的培養(yǎng)[10]。

（二）逆向工程在教育教學(xué)中的應(yīng)用現(xiàn)狀

傳統(tǒng)“正向”教學(xué)流程，學(xué)生通常從對問題本身的分析入手以明確目標(biāo)，并在方案生成過程中逐漸筑壘知識體系。問題解決的學(xué)習(xí)因其實踐性和情境性被廣泛應(yīng)用于工程教學(xué)領(lǐng)域，例如，Lyn等人在STEM教育的研究中制定了適合青少年能力水平的工程設(shè)計階段框架[11]。從教學(xué)組織策略的視角來看，加涅的智慧技能層次論把智慧技能分成五個亞類，并認(rèn)為應(yīng)“從部分到整體”將它們組織成譜系結(jié)構(gòu)[12]，“正向”教學(xué)即遵循這樣“自底向上”的順序；而逆向工程教學(xué)則倒置了編列次序，體現(xiàn)了“自頂向下”的思想（如圖1所示）。

逆向工程是以現(xiàn)存的現(xiàn)代科技產(chǎn)品（如實物、樣件、軟件等）作為研究對象，通過反向的測量和設(shè)計對其進(jìn)行建模和仿真，最終實現(xiàn)優(yōu)化既有產(chǎn)品和再創(chuàng)造的過程[13]。逆向工程教學(xué)則基于逆向工程流程，強調(diào)從高維視角對現(xiàn)有知識內(nèi)容理解與表征，讓學(xué)習(xí)者快速產(chǎn)生宏觀認(rèn)知，并將著重思考優(yōu)化和重構(gòu)，最終實現(xiàn)創(chuàng)新性學(xué)習(xí)活動。相較于正向教學(xué)，逆向工程教學(xué)優(yōu)勢體現(xiàn)在：一方面，學(xué)習(xí)者在對產(chǎn)品進(jìn)行解構(gòu)的過程中能夠獲得大量的具體實踐經(jīng)驗[14]，這能有效彌補傳統(tǒng)“教—學(xué)—做”模式下的理論與實踐脫節(jié)問題[15-16]。另一方面，基于逆向工程思維的教學(xué)也能夠加速產(chǎn)品和工藝的開發(fā)進(jìn)程，有利于創(chuàng)新產(chǎn)教融合新模式[17]。

然而，基于逆向工程的教學(xué)在實際教學(xué)中還存在兩方面局限：一是學(xué)習(xí)者在逆向探索中可能會因為損害產(chǎn)品，且教師可能會難以應(yīng)付工作量大的作品準(zhǔn)備[18]，導(dǎo)致各方面成本較高。另一方面，學(xué)習(xí)者在基于逆向工程思維的學(xué)習(xí)中往往不具備完備的知識與方法基礎(chǔ)，難免會遇到各種學(xué)習(xí)困難。現(xiàn)有研究雖然提出了一些教學(xué)支架或策略來支持學(xué)習(xí)者學(xué)習(xí)[18]，但并不具備自適應(yīng)性。而GAI可以按需快速生成產(chǎn)品，并在學(xué)習(xí)過程中為學(xué)習(xí)者提供個性化、智能化的學(xué)習(xí)支持。

（三）生成式人工智能時代逆向工程教學(xué)價值

基于GAI的逆向工程教學(xué)模式有助于破解當(dāng)前國家重要教育發(fā)展戰(zhàn)略，體現(xiàn)在：

首先，在GAI時代，逆向工程教學(xué)有助于提升以創(chuàng)新力培養(yǎng)為代表的素質(zhì)教育。當(dāng)前人才培養(yǎng)目標(biāo)越來越注重難以被機器所取代的核心素養(yǎng)[19]。為此，我國在教育政策上，一方面，通過頒布《國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略綱要》等重要文件，加強拔尖創(chuàng)新型人才培養(yǎng)力度[20]；另一方面，通過“雙減”政策，著力優(yōu)化機械、低效的學(xué)習(xí)過程[21]。而逆向工程思維相較于正向教學(xué)方式，不僅提升了學(xué)習(xí)效率，也降低了學(xué)習(xí)者的原始創(chuàng)新門檻，從而促進(jìn)學(xué)習(xí)遷移與作品創(chuàng)新[22]。例如，近期一項準(zhǔn)實驗研究表明，基于逆向工程的機器人教學(xué)在發(fā)展學(xué)習(xí)者創(chuàng)造力方面顯著優(yōu)于項目化教學(xué)[23]，然而該研究并未使用GAI輔助逆向工程教學(xué)，故仍有繼續(xù)探索的空間。

其次，在GAI時代，逆向工程教學(xué)有助于推進(jìn)卓越工程師培養(yǎng)計劃。我國當(dāng)前經(jīng)濟發(fā)展方向要求從制造大國走向制造強國，需要大批高質(zhì)量工程技術(shù)人才，相比于傳統(tǒng)技術(shù)工種，卓越工程師應(yīng)具備聚焦前沿、技術(shù)敏銳的前瞻意識。當(dāng)前項目式學(xué)習(xí)、問題解決學(xué)習(xí)等方式雖強化了問題導(dǎo)向意識，但也存在脫離真實場景、并未體現(xiàn)工程特性等問題[18]。而逆向工程作為工業(yè)上常用的設(shè)計策略，不僅是企業(yè)縮短產(chǎn)品開發(fā)周期、提高企業(yè)創(chuàng)新能力的重要技術(shù)支撐，也是工程教育中增強工程師拆解問題和尋求新方向的重要方法[24]。在GAI技術(shù)支持下，傳統(tǒng)工程領(lǐng)域從架構(gòu)、設(shè)計，到測試和最后的封裝都能被提前預(yù)制完成。尤其在編程領(lǐng)域，代碼編輯已經(jīng)在很大程度上能夠被GAI所取代，軟件工程師的角色任務(wù)不能停留在功能實現(xiàn)上，更需要具備數(shù)字創(chuàng)意和關(guān)聯(lián)生產(chǎn)生活需求的能力。

最后，逆向工程教學(xué)有助于為構(gòu)建學(xué)科垂直領(lǐng)域大模型提供多模態(tài)數(shù)據(jù)。文本信息本身未必能完全呈現(xiàn)學(xué)科內(nèi)容的多面性，且單維詞向量形式承載的信息量也極其有限，這一痛點導(dǎo)致大語言模型在具體垂直領(lǐng)域應(yīng)用中出現(xiàn)“幻覺”。借助生成式人工智能工具的逆向工程教學(xué)，是基于學(xué)生需求而不斷進(jìn)行的數(shù)據(jù)標(biāo)注和修正，這在很大程度上契合了實際教育問題，也能夠采用數(shù)字化形式記錄訓(xùn)練語料。更重要的是，在逆向工程學(xué)習(xí)中，學(xué)習(xí)者探究過程中的多模態(tài)數(shù)據(jù)被記錄下來，如學(xué)生回答的時序和空間、語音語調(diào)情感信息，這類數(shù)據(jù)信息在未來語言模型的訓(xùn)練下將更具類人性和真實教學(xué)的臨場感。

三、案例研究

基于本研究的教學(xué)理念，研究團(tuán)隊設(shè)計了一套游戲化課程，并開發(fā)了相應(yīng)的編程學(xué)習(xí)平臺進(jìn)行探索性實驗。

（一）實驗課程及計劃

本研究針對Python編程學(xué)習(xí)設(shè)計了系統(tǒng)化的逆向工程實驗課程（見表1）。課程以一款游戲開發(fā)為目標(biāo)，設(shè)有六個層次逐漸遞進(jìn)的關(guān)卡，每個關(guān)卡包含兩個課時，整體課程跨越了三周時間。學(xué)生們從用AI生成代碼并體驗游戲開始，經(jīng)過拆分模塊、修改屬性、補全代碼等步驟，逐漸深入到程序的復(fù)現(xiàn)與重構(gòu)[25]。這一過程使學(xué)生逐漸熟悉并能應(yīng)用Python編程中的基礎(chǔ)概念，如對象、變量、控制結(jié)構(gòu)和函數(shù)等，并掌握了面向?qū)ο缶幊?、模塊化等思想。

（二）學(xué)習(xí)平臺開發(fā)

實驗的開展基于團(tuán)隊自主開發(fā)的GAI_programming平臺（如圖2所示）。該平臺前端基于Vue 3框架開發(fā)，后端基于Java Spring Boot 2框架開發(fā)，主數(shù)據(jù)庫使用了MySQL。用戶角色的區(qū)分是通過Spring Security+JWT實現(xiàn)的權(quán)限控制。平臺內(nèi)部署Python Turtle編譯環(huán)境，學(xué)生可以查看任務(wù)、編輯代碼、提交作答、進(jìn)行測驗等。六個關(guān)卡的任務(wù)卡引導(dǎo)學(xué)生按照逆向工程的思維逐步開展自主學(xué)習(xí)。此外，該平臺內(nèi)置的AI助手接入國內(nèi)大語言模型接口供學(xué)生進(jìn)行人機交互。平臺內(nèi)設(shè)置埋點，以存儲學(xué)生的問答記錄、響應(yīng)動作和作答作品。

（三）實驗流程與分析

本研究面向社會公開招募小學(xué)四年級及以上的學(xué)生作為實驗對象。由于該教學(xué)模式在教學(xué)設(shè)計與技術(shù)實現(xiàn)上尚處于探索性研究階段，因此選擇小樣本實驗。最終有17位學(xué)生參與課程并完成了學(xué)習(xí)要求。在性別分布上，實驗樣本中女生9人，男生8人，保持了良好的性別平衡。在學(xué)段分布上，小學(xué)四至六年級學(xué)生占多數(shù)，共有9人，其次是初中生6人和高中生2人。在正式開始前，研究團(tuán)隊獲得了所有參與者及其監(jiān)護(hù)人的知情同意。實驗期間被試均未接受其他編程教育。實驗開展的流程包括基于GAI的代碼生成，運行并探索功能需求，人機協(xié)作理解模塊架構(gòu)，最后修改代碼實現(xiàn)需求，進(jìn)而理解基本概念，實現(xiàn)了從宏觀到微觀，從復(fù)雜系統(tǒng)回歸基本定義的逆向流程。

為了探究學(xué)習(xí)感知及其影響因素，研究首先采用LDA主題詞抽取，通過對逆向工程學(xué)習(xí)中人機對話文本的主題和情緒詞分析，探索這一教學(xué)模式中人機交互的主要行為特征及學(xué)習(xí)者的情感表征。其次，基于人機內(nèi)部兼容性理論對該教學(xué)模式下的人機協(xié)作要素進(jìn)行問卷采集和量化分析。人機內(nèi)部兼容性指人類與智能體在認(rèn)知、情感、價值三方面的相互匹配和適應(yīng)程度，對人機協(xié)同決策有重要影響[26]。

基于此，本研究選擇“感知偶然性”“人機信任度”“人機協(xié)作感知”“持續(xù)學(xué)習(xí)意愿”四個量表來探索影響因子?！案兄既恍浴狈从矴AI根據(jù)與學(xué)習(xí)者前序交互生成定制輸出的能力[27]，指向認(rèn)知兼容；“人機信任度”是指人類對智能體的信任和認(rèn)同程度[28]，指向情感兼容；人機價值兼容性指人類與智能體算法在目標(biāo)、價值觀等方面的一致性程度，在本研究中體現(xiàn)為人機協(xié)作學(xué)習(xí)解決問題的體驗和效率感知，采用人機協(xié)作感知量表[29]；先前研究發(fā)現(xiàn)，若智能體可模仿人類思維與目標(biāo)用戶展開互動，用戶對其接受意愿將顯著提升[26]，因此，本研究采用持續(xù)學(xué)習(xí)意愿量表。以上量表Cronbach's α值均處于0.889～0.944的范圍內(nèi)，保證了良好的內(nèi)部一致性。

四、結(jié)果分析與討論

為了探究逆向工程學(xué)習(xí)模式中的人機協(xié)作行為聚類，研究對人機交互的文本數(shù)據(jù)進(jìn)行隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）主題詞抽取，再對問卷數(shù)據(jù)進(jìn)行因子降維與統(tǒng)計分析。

（一）LDA主題詞抽取結(jié)果

GAI_programming平臺后端記錄了學(xué)習(xí)者在實驗過程中向AI助手發(fā)送的所有文本信息。經(jīng)數(shù)據(jù)清洗，共獲得17位學(xué)習(xí)者發(fā)送的1，195條提問文本。本研究使用LDA模型對該數(shù)據(jù)集進(jìn)行主題挖掘。為了確定聚類主題個數(shù)，研究采用困惑度指標(biāo)（Perplexity Score）判斷最優(yōu)主題數(shù)量[30]。當(dāng)主題數(shù)為5時，困惑度數(shù)值處于最低拐點，分?jǐn)?shù)為14.70，因此，研究確定主題數(shù)為5并據(jù)此對所有文本進(jìn)行主題聚類。

從聚類主題上看，學(xué)生在逆向工程模式下與GAI的協(xié)作交互行為包括編程知識詢問、代碼生成請求、故障排除調(diào)試、程序理解求助、功能修改創(chuàng)新五大類型（見表2）。這體現(xiàn)了學(xué)習(xí)者在逆向工程學(xué)習(xí)模式下的路徑：首先，會通過指令（包含任務(wù)目標(biāo)、編程語言和環(huán)境、給出示例等）生成程序，使用GAI輔助進(jìn)行報錯診斷和解決方案再生；其次，在成功運行代碼基礎(chǔ)上，學(xué)習(xí)者會進(jìn)一步向GAI詢問自己困惑的學(xué)理性知識（如列表、函數(shù)等），以獲得深層理解；最后，學(xué)生根據(jù)個性化需求，對現(xiàn)有功能進(jìn)行改進(jìn)與新功能的探索。從主題占比數(shù)據(jù)來看，功能修改創(chuàng)新維度的占比最高（29.11%），其次是編程知識詢問（24.05%），其余三個主題占比較低，故障排除調(diào)試的占比僅12.66%?？梢?，在GAI的支持下，教師在逆向工程教學(xué)中的人力成本得到了極大釋放[29]，并且由于GAI生成內(nèi)容的不確定性，在教師勞動被釋放的同時，學(xué)習(xí)者也得以學(xué)習(xí)如何提出需求并自主調(diào)試程序。

此外，研究對各主題進(jìn)行了情緒詞分析（如圖3所示）發(fā)現(xiàn)：總體上看，學(xué)生在與GAI的表達(dá)交流中包含較為明顯的積極和中性情緒傾向。這說明逆向工程教學(xué)方法在GAI的輔助下，符合低齡學(xué)習(xí)者面對復(fù)雜問題認(rèn)知規(guī)律。格塞爾關(guān)于兒童心理發(fā)展的理論認(rèn)為，兒童行為發(fā)展具有一定方向性，往往表現(xiàn)為由宏觀到微觀，由中心向外，由粗大動作向精細(xì)動作發(fā)展[31]。逆向工程滿足了低齡學(xué)習(xí)者的心理發(fā)展預(yù)期，特別是GAI使得目標(biāo)完成的信心更得到激發(fā)。從協(xié)作任務(wù)的性質(zhì)角度看，故障排除調(diào)試與程序理解求助是較為復(fù)雜的任務(wù)，其任務(wù)完成有賴于學(xué)生與GAI的內(nèi)部兼容性和協(xié)同有效性，因此，學(xué)生容易感到困擾和挑戰(zhàn)，但當(dāng)復(fù)雜問題得以解決時，也就更有可能帶來較大的成就感和滿足感；而編程知識詢問、代碼生成請求、功能修改創(chuàng)新則相對簡單直接，學(xué)生對GAI提供的結(jié)果存在預(yù)期，而GAI通常能提供直接、即時的回答，因此，不會帶來強烈的情緒波動。由此可以驗證，逆向工程教學(xué)模式在一定程度上可以促進(jìn)學(xué)習(xí)者的復(fù)雜問題解決能力，并從中提升學(xué)習(xí)者韌性（Grit）等品質(zhì)。

從負(fù)面情緒詞占比可知，故障排除調(diào)試主題的人機協(xié)作中，學(xué)生表現(xiàn)出的負(fù)面情緒最強（20.00%），其次是程序理解求助（14.29%）。造成這一情形的原因可能是學(xué)習(xí)者尚未從傳統(tǒng)一對多的講授式教學(xué)轉(zhuǎn)換適應(yīng)至個性化問題解決模式中。從GAI的支持性作用來看，大語言模型的生成作用在故障排除調(diào)試與程序理解求助上的表現(xiàn)不夠優(yōu)越，因為這往往需要更深層次的邏輯推理和問題分析，當(dāng)前大模型在沒有特定優(yōu)化的情況下通常不足以完全應(yīng)對。這也正體現(xiàn)了在逆向工程編程學(xué)習(xí)中引入多智能體的重要性。

（二）問卷分析結(jié)果

通過對問卷進(jìn)行因子分析，本研究最終從19個題項中共抽取4個因素，且各題所屬因子與量表設(shè)置相符合，累計方差貢獻(xiàn)率達(dá)到了85.057%，說明這四個維度能夠較好地反映原始樣本信息；所有題項的因子載荷均在0.6以上（見表3），且大于其他變量間的交叉因子載荷，符合指標(biāo)要求。

對四個因子進(jìn)行描述性統(tǒng)計分析（見表3）。從平均值水平來看，四個因子的平均值都高于3.5，說明樣本總體態(tài)度傾向于“滿意”；其中，持續(xù)學(xué)習(xí)意愿的均值最高（M=4.784），其次是感知偶然性（M=4.411）和人機協(xié)作感知（M=4.294），但人機信任度的平均分水平一般，為3.588分。在得分的離散程度上，持續(xù)學(xué)習(xí)意愿得分的標(biāo)準(zhǔn)差最?。⊿D=0.389），其次是感知偶然性（SD=0.731）、人機協(xié)作感知（SD=0.837），說明學(xué)生在這三方面的評價趨向一致，而人機信任度的標(biāo)準(zhǔn)差達(dá)1.192，反映出不同學(xué)生對于人機信任度的感知情況差異性較大。

結(jié)合人機內(nèi)部兼容性理論，以上結(jié)果反映了該教學(xué)模式下的人機關(guān)系中，認(rèn)知和價值兼容性較高，GAI所給予的個性化乃至排他性的動態(tài)互動，能夠使學(xué)生產(chǎn)生超乎預(yù)期的愉悅感。然而，學(xué)生與GAI情感兼容性（信任度）表現(xiàn)一般，一方面可能是由于人機交互中對情感聯(lián)結(jié)與關(guān)懷的忽視，另一方面可能是因為學(xué)習(xí)者對其認(rèn)同程度受限于GAI的生成有用性。GAI作為單個智能體所能提供的作答反饋仍然有限，無法完全模擬真實協(xié)作中的角色分配并執(zhí)行學(xué)習(xí)者提出的各類任務(wù)?？傮w上，學(xué)習(xí)者的持續(xù)學(xué)習(xí)意愿較高，證明了該教學(xué)模式的有效性，特別是相比于采用順向教學(xué)流程的人機交互學(xué)習(xí)[32]，逆向工程思維在提升學(xué)生動機、愉悅度上有著突出的表現(xiàn)。在逆向工程的引導(dǎo)下，清晰的問題探索路徑使得學(xué)生在挑戰(zhàn)復(fù)雜問題的過程中更具有自主性和控制感，從而產(chǎn)生更高的學(xué)習(xí)興趣，表現(xiàn)為較高的持續(xù)學(xué)習(xí)意愿。

五、啟" "示

（一）逆向工程引領(lǐng)人機協(xié)作：降維拆解復(fù)雜問題

在當(dāng)前的教育實踐中，生成式人工智能（GAI）已經(jīng)顯著轉(zhuǎn)變了人機交互的方式。過去的人機交互以平臺為中心介質(zhì)，本質(zhì)上仍依賴于人—人互動；而現(xiàn)今的人機交互模式走向了以數(shù)據(jù)為底座的跨平臺人—機互助。與GAI的協(xié)作使得學(xué)生在面對具體問題時能夠迅速找到解決方案。然而，當(dāng)面對更加復(fù)雜的問題時，自由的信息獲取和傳統(tǒng)的問題解答模式可能不足以應(yīng)對挑戰(zhàn)。

逆向工程思維在這一背景下顯示出其獨特優(yōu)勢。逆向工程的思維模式不僅有助于學(xué)生理解問題的現(xiàn)象，更能深入探索問題的本質(zhì)。用逆向工程思維指導(dǎo)新型人機協(xié)作學(xué)習(xí)，學(xué)生在遇到錯誤和挑戰(zhàn)時，便更有可能全面地分析問題，探索多種可能的解決方案。因此，逆向工程教學(xué)不僅僅是一個技術(shù)操作的流程，更是一種控制人機協(xié)作走向的高位思想，及一種強化學(xué)生批判性思維和問題解決能力的教育策略。

（二）構(gòu)建新型多智能體生態(tài)：增強人機協(xié)作效能

未來的教育場景更傾向于從當(dāng)前的單人機交互走向多人—多機交互，逐步進(jìn)入多智能體輔助教學(xué)的時代。多智能體系統(tǒng)能整合不同算法和數(shù)據(jù)源的優(yōu)勢，更加精確地模擬復(fù)雜問題解決中的真實協(xié)作機制[33]。在復(fù)雜的任務(wù)解決過程中，不同的智能體可以承擔(dān)不同的角色和職能，為學(xué)習(xí)者提供全面的人機協(xié)作支撐。逆向工程提供了構(gòu)建這種多智能體系統(tǒng)的方法論支持。通過對成功的逆向工程協(xié)作項目的學(xué)習(xí)行為分析，研究者能夠更加精確地設(shè)計或調(diào)整智能體的功能，從而在虛擬環(huán)境中重現(xiàn)高效、類人的團(tuán)隊協(xié)作的情景，使之更貼合實際應(yīng)用需求。

在新型多智能體生態(tài)下，人機協(xié)作將是一種雙向流動的互惠共生機制：不僅機器為人提供幫助，未來機器也需要人的支持。隨著多智能體的發(fā)展，協(xié)作模式可能會從多人共享一個單智能體“助手”，轉(zhuǎn)變?yōu)槊咳藫碛幸粋€多智能體“秘書”，極大賦能人機協(xié)作效率。與此同時，人類個體高頻開展人機協(xié)作的工作過程，也能夠為大語言模型提供相應(yīng)垂直領(lǐng)域的真實語料數(shù)據(jù)。這種垂直訓(xùn)練，有助于建立人機高度兼容的內(nèi)部關(guān)系，也將推動人機協(xié)作的效能提升。

（三）塑造新型人機勞動關(guān)系：發(fā)展新智生產(chǎn)力

在AI驅(qū)動下的生產(chǎn)力迅速發(fā)展和迭代的時代，過去的教育模式已不足以培養(yǎng)面向未來的人才。在這一背景下，我國正以新質(zhì)生產(chǎn)力為發(fā)展導(dǎo)向，統(tǒng)籌教育、科技和人才協(xié)同發(fā)展機制，全面升級勞動者、勞動資料、勞動對象和勞動關(guān)系的概念[34]。（1）勞動者的最小單元不再是單獨的個體概念，而是大規(guī)模人機協(xié)同的組合，這種組合的魯棒性取決于人對機的系統(tǒng)性理解，而非簡單的工具性應(yīng)用。逆向工程教學(xué)的起點就是利用生成式人工智能創(chuàng)設(shè)知識的完整生態(tài)，是培育人機信任的有效開端。（2）從勞動資料和勞動對象角度，未來技術(shù)發(fā)展會逐步減少對自然資源的消耗，轉(zhuǎn)向人機協(xié)同的可持續(xù)生態(tài)發(fā)展觀。無論是Yann LeCun提出的“世界模型”還是Elon Musk對火星資源的探尋，在本質(zhì)上都是對于當(dāng)前大語言模型高耗能的擔(dān)憂。逆向工程思維本身也是向終而始，通過確立未來可持續(xù)發(fā)展目標(biāo)，來反推當(dāng)前的前沿技術(shù)規(guī)劃與人才培育方向。（3）隨著人工智能全面深入人類生活的方方面面，勞動關(guān)系將逐步脫離現(xiàn)有的剛性雇傭關(guān)系，走向多樣、互相依賴的柔性狀態(tài)?；贕AI的逆向工程教學(xué)也會推廣到社會生產(chǎn)中，人工智能的初始生成能力使各階層更為平等地參與到同一項工作中。新型人機勞動關(guān)系將使協(xié)同共創(chuàng)能力更為活躍和無邊界化。

隨著智能技術(shù)的發(fā)展，真實和虛擬世界之間的壁壘被漸漸破除，在新型人機勞動關(guān)系形態(tài)下，數(shù)字勞動也將“脫虛向?qū)崱?，獲得新的價值和使命。一方面，人機通過數(shù)字勞動實現(xiàn)勞動價值，GAI與多智能體的包容性、低門檻、無障礙，使得勞動者可以更廣泛、自由地發(fā)揮生產(chǎn)中的積極作用；另一方面，新型人機協(xié)作關(guān)系賦權(quán)勞動者在數(shù)字勞動中積極貢獻(xiàn)知識文化的內(nèi)容和語言體系，形成一種新的自我價值化路徑。逆向工程下的人機協(xié)作模式，有可能成為一種數(shù)字勞動的新型高效路徑，助推新智生產(chǎn)力發(fā)展。

本研究也存在以下局限性： 一是由于基于GAI的逆向工程教學(xué)模式尚處于探索階段，因而存在樣本量不足且學(xué)段差異大的問題，在今后的研究中將擴大樣本量并從個體差異角度進(jìn)一步分析該方法的適配性。二是該教學(xué)模式具有明顯的學(xué)科限度，逆向工程教育源于工科領(lǐng)域，而GAI存在價值理解等短板[35]，因而思考該教學(xué)模式在人文藝術(shù)等學(xué)科的推廣是亟待探索的議題。三是本文所使用的GAI作為單智能體本身的局限性使得學(xué)生未能獲得充分的多智能體支持和幫助，在未來的研究中，可以嘗試部署多智能體，搭建真實高效的多人—多機協(xié)作環(huán)境，以探究多智能體賦能下逆向工程教學(xué)中的人機協(xié)作機理。

[參考文獻(xiàn)]

[1] 翟雪松，吳庭輝，袁婧，等． 教育對人工智能應(yīng)用的反哺價值探究——基于生成式模型到世界模型的視角[J]． 遠(yuǎn)程教育雜志，2023，41（6）：34-41．

[2] 鄭旭東，馬云飛，范小雨． 協(xié)作問題解決：人工智能時代必備的高階能力[J]． 現(xiàn)代教育技術(shù)，2021，31（3）：12-19．

[3] LADACHART L， CHOLSIN J， KWANPET S， et al． Using reverse engineering to enhance ninth-grade students' understanding of thermal expansion[J]． Journal of science education and technology，2022，31（2）：177-190．

[4] 祝智庭，戴嶺，胡姣． 高意識生成式學(xué)習(xí)：AIGC技術(shù)賦能的學(xué)習(xí)范式創(chuàng)新[J]． 電化教育研究，2023，44（6）：5-14．

[5] SKRABUT S. 80 ways to use ChatGPT in the classroom： using AI to enhance teaching and learning[M]. Wyoming： Stan Skrabut， 2023.

[6] 盧宇，余京蕾，陳鵬鶴，等． 生成式人工智能的教育應(yīng)用與展望——以ChatGPT系統(tǒng)為例[J]． 中國遠(yuǎn)程教育，2023，43（4）：24-31，51．

[7] 蔣慧芳，曾文婕，朱琦． 指向深度學(xué)習(xí)的對話式反饋：特征、方式與策略[J]． 開放教育研究，2024，30（2）：80-88．

[8] 翟雪松，吳庭輝，李翠欣，等． 數(shù)字人教育應(yīng)用的演進(jìn)、趨勢與挑戰(zhàn)[J]． 現(xiàn)代遠(yuǎn)程教育研究，2023，35（6）：41-50．

[9] 王麗，李艷，陳新亞，等． ChatGPT支持的學(xué)生論證內(nèi)容評價與反饋——基于兩種提問設(shè)計的實證比較[J]． 現(xiàn)代遠(yuǎn)程教育研究，2023，35（4）：83-91．

[10] 高琳琦． 生成式人工智能在個性化學(xué)習(xí)中的應(yīng)用模式[J]． 天津師范大學(xué)學(xué)報（基礎(chǔ)教育版），2023，24（4）：36-40．

[11] ENGLISH L D， KING D T． STEM learning through engineering design： fourth-grade students' investigations in aerospace[J]．International journal of STEM education，2015，2（1）：14．

[12] 李芒，徐曉東，朱京曦. 學(xué)與教的理論[M]. 北京：高等教育出版社，2007.

[13] 祖文明． 逆向工程技術(shù)的應(yīng)用及國內(nèi)外研究的現(xiàn)狀及發(fā)展趨勢[J]． 價值工程，2011，30（21）：30-31．

[14] HESS H L. Proceedings of 2000 ASEE Annual Conference[C]. Missouri： ASEE， 2000.

[15] HUANG K Z． Enhancing design education by product reverse engineering[J]． Proceedings of the Canadian engineering education association （CEEA），2011， 10（27）： 553-557．

[16] CALDERON M L. Proceedings of the International Design Conference-Design 2010[C]. Cambridge： Cambridge University Press， 2010.

[17] LEE R S， TSAI J P， KAO Y C， et al． STEP-based product modeling system for remote collaborative reverse engineering[J]． Robotics and computer-integrated manufacturing，2003，19（6）：543-553．

[18] 康斯雅，鐘柏昌． 機器人教育中的逆向工程教學(xué)模式構(gòu)建[J]． 現(xiàn)代遠(yuǎn)程教育研究，2019，31（4）：56-64．

[19] 胡衛(wèi)平，徐晶晶，皮忠玲，等． 智能時代的教育變革：思維型教學(xué)理論引領(lǐng)“技術(shù)賦能教學(xué)”[J]． 遠(yuǎn)程教育雜志，2023，41（6）：3-9．

[20] 魏雪峰． 互聯(lián)網(wǎng)教育服務(wù)：分析、評價與實踐[M]． 北京：中國社會科學(xué)出版社，2023．

[21] 景玉慧，沈書生． 方法與模式：“雙減”背景下學(xué)習(xí)空間賦能課堂教學(xué)研究[J]． 電化教育研究，2024，45（1）：114-121．

[22] 鐘柏昌，劉曉凡． 跨學(xué)科創(chuàng)新能力培養(yǎng)的學(xué)理機制與模式重構(gòu)[J]． 中國遠(yuǎn)程教育，2021（10）：29-38，77．

[23] LIU X H， GU J J， ZHAO L． Promoting primary school students' creativity via reverse engineering pedagogy in robotics education[J]．Thinking skills and creativity，2023，49：101339．

[24] L？魷PEZ E J， ACOSTA FLORES M， SANDOVAL G L， et al． Reverse engineering and straightforward design as tools to improve the teaching of mechanical engineering[M]//ABDULWAHED M， BOURAS A， VEILLARD L． Industry integrated engineering and computing education． Cham：Springer，2019：93-118．

[25] 王雪，王崟羽，喬玉飛，等． 在線課程資源的“學(xué)測一體”游戲化設(shè)計：理論模型與作用機制[J]． 電化教育研究，2023，44（2）：92-98，113．

[26] 何貴兵，陳誠，何澤桐，等． 智能組織中的人機協(xié)同決策：基于人機內(nèi)部兼容性的研究探索[J]． 心理科學(xué)進(jìn)展，2022，30（12）：2619-2627．

[27] 翟雪松，楚肖燕，焦麗珍，等． 基于“生成式人工智能+元宇宙”的人機協(xié)同學(xué)習(xí)模式研究[J]． 開放教育研究，2023，29（5）：26-36．

[28] LI M Y， KAMARAJ A V， LEE J D． Modeling trust dimensions and dynamics in human-agent conversation： a trajectory epistemic network analysis approach[J]． International journal of human-computer interaction，2023：1-12．

[29] LIU S， KANG L Y， LIU Z， et al． Computer-supported collaborative concept mapping： the impact of students' perceptions of collaboration on their knowledge understanding and behavioral patterns[J]． Interactive learning environments，2023，31（6）：3340-3359．

[30] 劉天麗，楊現(xiàn)民，李康康，等． 社會公眾如何看待“ChatGPT+教育”？——基于國內(nèi)主流開放社區(qū)的文本分析[J]． 現(xiàn)代教育技術(shù)，2023，33（10）：14-23．

[31] 郭雨欣． 論格塞爾的成熟發(fā)展理論對學(xué)前教育的影響[J]． 當(dāng)代學(xué)前教育，2010（3）：35-37．

[32] 孫丹，朱城聰，許作棟，等． 基于生成式人工智能的大學(xué)生編程學(xué)習(xí)行為分析研究[J]． 電化教育研究，2024，45（3）：113-120．

[33] 翟雪松，季爽，焦麗珍，等． 基于多智能體的人機協(xié)同解決復(fù)雜學(xué)習(xí)問題實證研究[J]． 開放教育研究，2024，30（3）：63-73．

[34] 袁婧，翟雪松，吳飛，等． 基于虛擬教研室的高校人工智能專業(yè)（AI+X方向）建設(shè)——以浙江大學(xué)為例[J]． 現(xiàn)代教育技術(shù)，2024，34（5）：123-133．

[35] 曹斯，羅祖兵． 人工智能應(yīng)用于教學(xué)的困境、限度與理路[J]． 電化教育研究，2024，45（4）：88-95．

Research on the Application of GAI-based Reverse Engineering Teaching Thinking in Human-Computer Collaboration： Taking Programming Education as An Example

ZHAI Xuesong1，" ZHANG Lijie1，" XIA Liangliang2，" XU Xin3，" ZHU Qiang3

（1.College of Education， Zhejiang University， Hangzhou Zhejiang 310058;

2.Faculty of Education， Beijing Normal University， Beijing 100875;

3.College of Computer Science and Technology， Zhejiang University， Hangzhou Zhejiang 310058）

[Abstract] Large models provide learners with cross-modal learning resources， but also puts forward higher requirements for innovative human-computer collaborative teaching models. This study introduced reverse engineering teaching thinking， analyzed its compatibility and complementarity with generative artificial intelligence （GAI） in terms of process and mechanism， and carried out exploratory programming teaching experiment based on the self-developed reverse engineering programming learning platform. Through LDA topic word extraction and an analysis of human-computer collaboration perception factors， five types of behaviors and emotional orientations of human-computer collaboration under this model are explored. In addition， the questionnaire results indicate that learners exhibit a higher perceived contingency， human-computer collaboration perception and willingness to continue learning in this teaching mode， but the human-computer trust is at a medium level. Combined with the analysis of topic words， this study also proposes the optimization direction of human-computer collaboration in the future： leading human-computer collaboration through reverse engineering to decompose complex problems by dimensionality reduction; constructing a multi-agent system to enhance the efficiency in multi-person and multi-agent cooperation; shaping a new human-computer labor relation to develop new intelligent productivity. This study provides theoretical foundation and data reference for future artificial intelligence collaborative learning， and also puts forward ideas and methods for further improvement in future research.

[Keywords] Generative Artificial Intelligence; Reverse Engineering; Human-Computer Collaborative Learning; Complex Problem-solving Ability; Programming Education

基金項目：2022年度國家科技創(chuàng)新2030“新一代人工智能”重大項目課題“人機協(xié)同的學(xué)習(xí)社群建構(gòu)與支持技術(shù)”（課題編號：2022ZD0115904）；2024年度澳門科學(xué)技術(shù)發(fā)展基金“澳門中小學(xué)智能學(xué)習(xí)系統(tǒng)與遠(yuǎn)像光屏學(xué)習(xí)機及其關(guān)鍵技術(shù)研究”（課題編號：0071/2023/RIB3）