以生成式人工智能重塑智慧學(xué)習(xí)環(huán)境：從要素改進到生態(tài)重構(gòu)

[摘" "要] 智慧學(xué)習(xí)環(huán)境作為教育數(shù)字化轉(zhuǎn)型的重要支撐，在建設(shè)過程中涌現(xiàn)出數(shù)據(jù)孤島、模型局限、資源定型、工具繁雜、服務(wù)僵硬、場景割裂等問題。生成式人工智能作為人工智能技術(shù)發(fā)展的新形態(tài)，給智慧學(xué)習(xí)環(huán)境的升級與變革帶了新的機遇。研究以生成式人工智能為動力引擎升級了三層六要素的智慧學(xué)習(xí)環(huán)境理論模型，認為智慧學(xué)習(xí)環(huán)境中的數(shù)據(jù)要素由低質(zhì)化轉(zhuǎn)向高效化、模型要素由判別式轉(zhuǎn)向生成式、資源要素由表象化轉(zhuǎn)向語義化、工具要素由分布式轉(zhuǎn)向集成化、服務(wù)要素由預(yù)定義轉(zhuǎn)向自適應(yīng)、場景要素由邊緣化轉(zhuǎn)向中心化。在此基礎(chǔ)上，研究進一步明晰了生成式人工智能可通過重構(gòu)人才培養(yǎng)理念、知識與課程觀、教學(xué)模式與學(xué)習(xí)方式、教育評價體系及教育治理模式變革智慧學(xué)習(xí)環(huán)境生態(tài)。研究深入剖析了智慧學(xué)習(xí)環(huán)境的內(nèi)部要素改進與外部生態(tài)重構(gòu)，為塑造智慧學(xué)習(xí)環(huán)境新形態(tài)提供理論研究支撐與實踐探索方向。

[關(guān)鍵詞] 智慧學(xué)習(xí)環(huán)境； 生成式人工智能； 要素改進； 生態(tài)重構(gòu)； 理論模型

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

[作者簡介] 武法提（1971—），男，山東鄆城人。教授，博士，主要從事智能學(xué)習(xí)系統(tǒng)與智慧學(xué)習(xí)環(huán)境設(shè)計研究。E-mail：wft@bnu.edu.cn。

一、引" "言

黨的二十大對推進教育數(shù)字化作出專門戰(zhàn)略部署，明確提出：“推進教育數(shù)字化，建設(shè)全民終身學(xué)習(xí)的學(xué)習(xí)型社會、學(xué)習(xí)型大國。”[1]智慧學(xué)習(xí)環(huán)境是夯實數(shù)字化轉(zhuǎn)型的重要保障，也是推動智慧教育高質(zhì)量發(fā)展的重要引擎[2]，探索泛在、靈活、智能的智慧學(xué)習(xí)環(huán)境建設(shè)方案與應(yīng)用模式已成為我國當(dāng)前教育新發(fā)展和改革的重要舉措[3]。但是，當(dāng)前智慧學(xué)習(xí)環(huán)境在建設(shè)過程中涌現(xiàn)出數(shù)據(jù)孤島、模型局限、資源定型、工具繁雜、服務(wù)僵硬、場景割裂等問題，阻礙了其生態(tài)化建設(shè)與整體效用發(fā)揮。作為人工智能發(fā)展的新階段，以大語言模型為代表的生成式人工智能（Generative Artificial Intelligence ， GAI）為教育領(lǐng)域的創(chuàng)新發(fā)展和變革升級帶來了新的視角，在大數(shù)據(jù)、高算力和強算法的加持下，具有強大的生成能力、遷移能力與交互能力的GAI有望成為技術(shù)驅(qū)動的智慧學(xué)習(xí)環(huán)境智能化升級的關(guān)鍵動力。因此，本研究著重探討生成式人工智能如何重塑智慧學(xué)習(xí)環(huán)境，提出了融合GAI的智慧學(xué)習(xí)環(huán)境理論模型，深入探究GAI如何實現(xiàn)模型中各要素的改進與升級以及如何實現(xiàn)智慧學(xué)習(xí)環(huán)境生態(tài)的系統(tǒng)性變革，以期破解當(dāng)前環(huán)境的建設(shè)與應(yīng)用難題，推動智慧學(xué)習(xí)環(huán)境邁向高質(zhì)量發(fā)展的新階段。

二、生成式人工智能改進智慧學(xué)習(xí)環(huán)境要素

學(xué)習(xí)環(huán)境的建設(shè)是實現(xiàn)學(xué)與教方式變革的基礎(chǔ)[4]，以數(shù)據(jù)驅(qū)動、個性化、情境化為主要特征的智慧教育[5]需要生態(tài)化智慧學(xué)習(xí)環(huán)境作為支撐。智慧學(xué)習(xí)環(huán)境是指融合物理、信息、社會和心理四空間，基于場景、數(shù)據(jù)、模型、資源、工具、服務(wù)六要素，自適應(yīng)提供個性化學(xué)習(xí)支持的體系環(huán)境[6]，即能夠感知學(xué)習(xí)情境、識別學(xué)習(xí)者特征、提供適切資源和工具以促進有效學(xué)習(xí)的發(fā)生[7]。為了深入探究新一代智能技術(shù)對學(xué)習(xí)環(huán)境的升級與改變，本研究立足于武法提等人[6]的研究成果，構(gòu)建了融合GAI的智慧學(xué)習(xí)環(huán)境理論框架，如圖 1所示。在該框架中，數(shù)據(jù)模型層為資源工具層提供源動力，并為服務(wù)場景層提供底層支持，資源工具層以交互支持的形式為特定教育場景的需求提供服務(wù)，三個層級持續(xù)優(yōu)化，形成閉環(huán)。相較原模型，本模型一方面融合了動力引擎GAI，另一方面認為“服務(wù)”要素由“資源工具強綁定”轉(zhuǎn)向“場景強綁定”，體現(xiàn)出“場景驅(qū)動服務(wù)”的頂層設(shè)計思想。結(jié)合在一線的實踐考察，本研究將重點闡釋GAI改進并升級智慧學(xué)習(xí)環(huán)境六要素的具體方式，并給出智慧學(xué)習(xí)環(huán)境建設(shè)與應(yīng)用的實踐路徑。

（一）數(shù)據(jù)模型層

1. 數(shù)據(jù)要素由低質(zhì)化轉(zhuǎn)向高效化

數(shù)據(jù)是智慧學(xué)習(xí)環(huán)境的基石，是發(fā)現(xiàn)問題、解決問題的主要推動力。然而在智慧學(xué)習(xí)環(huán)境的建設(shè)中，建設(shè)時期、使用設(shè)備、技術(shù)發(fā)展階段和開發(fā)部門的差異[8]導(dǎo)致“數(shù)據(jù)煙囪”“數(shù)據(jù)孤島”等現(xiàn)象突出，影響了數(shù)據(jù)的全面性，也增加了學(xué)校教學(xué)教研的負擔(dān)。同時，中小學(xué)數(shù)字化教育平臺重結(jié)果性數(shù)據(jù)、輕過程性數(shù)據(jù)，例如，課堂中很多過程性評價數(shù)據(jù)無法實時獲得，只能在課后給予總結(jié)性評價，忽略了評價的細節(jié)性和完整性，無法洞察真實教育過程。此外，數(shù)據(jù)準(zhǔn)備工作耗時較長，造成工作量的激增和工作流程的拉長[9]，阻礙了數(shù)據(jù)的高效利用。

而生成式大模型賦予數(shù)據(jù)以新的生命力，大大提高了數(shù)據(jù)的收集、處理和加工能力[10]，充分激活了數(shù)據(jù)要素價值。在數(shù)據(jù)采集上，GAI已具備成熟的數(shù)據(jù)接口識別和調(diào)用能力，能全面地獲取網(wǎng)絡(luò)數(shù)據(jù)及信息系統(tǒng)內(nèi)部數(shù)據(jù)，從而形成全息數(shù)據(jù)，有望解決“數(shù)據(jù)孤島”問題。GAI能以自然語言交互的形式支持教學(xué)過程性的多元數(shù)據(jù)采集，例如，ChatExcel等智能工具可通過對話實現(xiàn)表格數(shù)據(jù)記錄，極大降低了過程性數(shù)據(jù)的采集門檻。在數(shù)據(jù)加工與處理上，GAI采用人類反饋的強化學(xué)習(xí)（Reinforcement Learning from Human Feedback， RLHF）強化數(shù)據(jù)判別能力，通過過濾清洗、校驗、仿真、交叉印證等方式進行數(shù)據(jù)清洗和真?zhèn)巫R別。更重要的是，GAI可以實現(xiàn)不同結(jié)構(gòu)和模態(tài)數(shù)據(jù)的關(guān)聯(lián)、映射與融合，進而挖掘多模態(tài)數(shù)據(jù)間的深層關(guān)系，發(fā)現(xiàn)更加全面而準(zhǔn)確的知識，提高數(shù)據(jù)加工效率與質(zhì)量[11]。例如，在基于面部圖像的學(xué)業(yè)情緒識別模型中，圖像標(biāo)注工作耗時耗力且質(zhì)量無法保證，視覺大模型Segment Anything [12]能夠自動識別和分割圖像中的目標(biāo)對象，在圖像數(shù)據(jù)加工方面體現(xiàn)出超強的零樣本泛化能力，大大提高了標(biāo)注的速度與準(zhǔn)確性，“All in One（一體化）”的思想極大提升了數(shù)據(jù)添附價值。GAI時代數(shù)據(jù)的原生固有價值與添附價值被放大，支持著智慧學(xué)習(xí)環(huán)境向著更加精準(zhǔn)智慧的方向迭代升級。

在實踐層面中，數(shù)據(jù)要素需經(jīng)過數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、模態(tài)對齊與融合三步：即利用GAI全方位收集平臺數(shù)據(jù)或深層次記錄過程性數(shù)據(jù)；利用其強大的數(shù)據(jù)處理能力對各種臟數(shù)據(jù)進行清洗、集成、變換；利用其跨模態(tài)能力實現(xiàn)多模態(tài)數(shù)據(jù)的表征、對齊與融合。GAI助力全過程以形成高質(zhì)量數(shù)據(jù)集合，便于后續(xù)模型的理解、推理及決策。

2. 模型要素由判別式轉(zhuǎn)向生成式

判別式人工智能大多是通過學(xué)習(xí)數(shù)據(jù)的條件概率分布實現(xiàn)判斷與預(yù)測，參數(shù)有限、人工標(biāo)注的判別式模型主要用于具象化的任務(wù)場景及特定任務(wù)，具有預(yù)定義的規(guī)則和程序[13]，其性能嚴(yán)格依賴于數(shù)據(jù)規(guī)模與質(zhì)量。在一線教育實踐應(yīng)用中，判別式模型的泛化能力較差，如部分智能問答模型的訓(xùn)練樣本來自于小學(xué)階段，其應(yīng)用于小學(xué)階段時表現(xiàn)優(yōu)異，但在中學(xué)階段則經(jīng)常出現(xiàn)答非所問或回答錯誤的現(xiàn)象。另外，教育模型在模態(tài)耦合和特征融合層面能力十分受限，面對教育數(shù)據(jù)異源異構(gòu)的高復(fù)雜性，難以滿足模型決策的科學(xué)性和有效性。

GAI主要通過學(xué)習(xí)數(shù)據(jù)中的聯(lián)合概率分布并歸納總結(jié)，從而生成新的內(nèi)容[14]。區(qū)別于判別式模型只能在限定場景內(nèi)、充分條件下解決特定問題，生成式人工智能模型則能夠在非限定場景、非充分條件下解決非特定問題[15]。在模型任務(wù)上，結(jié)構(gòu)復(fù)雜、參數(shù)眾多的生成式模型對于數(shù)據(jù)的容納與壓縮能力更強，其基礎(chǔ)結(jié)構(gòu)Transformer具備高效的計算能力與可擴展性的結(jié)構(gòu)。因此生成式模型的理解、表達與學(xué)習(xí)能力有顯著提高，對于復(fù)雜任務(wù)的處理更加具有通用性與泛化性[16]。在模型訓(xùn)練上，RLHF機制利用人類反饋來訓(xùn)練“獎勵模型”并通過強化學(xué)習(xí)使得模型能更好地捕獲復(fù)雜的人類偏好和理解，引導(dǎo)模型生成符合上下文語境的內(nèi)容。因此生成式模型在生成結(jié)果的同時兼具生成過程與解釋，相較于判別式模型更加接近智能化水平[17]。在模型模態(tài)上，“量變引起質(zhì)變”造就了大模型的“涌現(xiàn)能力”，其能夠從原始訓(xùn)練數(shù)據(jù)中自動學(xué)習(xí)并發(fā)現(xiàn)新的、更高層次的特征和模式。因此，大模型的跨模態(tài)能力在整合多源異構(gòu)數(shù)據(jù)、深刻理解和挖掘語義教育信息與價值有著獨特優(yōu)勢，實現(xiàn)教育過程更加準(zhǔn)確的分析、評估和個性化的支持[18]。例如，AI心理伙伴“小星”[19]學(xué)習(xí)了近10億條心理類數(shù)據(jù)，40萬余篇期刊文獻、550萬余個心理評估數(shù)據(jù)，能夠綜合視頻、語音語調(diào)、文字等多種模態(tài)信息診斷情緒狀態(tài)，分析成因并給予心理建議?？梢?，模型之變作為智慧學(xué)習(xí)環(huán)境中的根本之變，為智慧學(xué)習(xí)環(huán)境的升級帶來了突破性機遇。

在實踐層面，由于通用大模型存在“幻覺”現(xiàn)象[20]，生成的內(nèi)容可能會出現(xiàn)邏輯謬誤、捏造事實等問題，因此在通用大模型基礎(chǔ)上構(gòu)建教育專有大模型是GAI賦能教育應(yīng)用的必然趨勢。參數(shù)微調(diào)策略已成為優(yōu)化模型垂直領(lǐng)域、特定任務(wù)適配性的重要手段[21]。遵循大模型中“預(yù)訓(xùn)練+微調(diào)”的訓(xùn)練策略，在通用預(yù)訓(xùn)練大模型的基礎(chǔ)上注入教育領(lǐng)域的專家知識庫和教育素材數(shù)據(jù)以構(gòu)建教育領(lǐng)域?qū)Ｓ写竽Ｐ?，?shù)據(jù)層中學(xué)習(xí)者的學(xué)習(xí)數(shù)據(jù)以及資源層的教育數(shù)字資源等都可以作為大模型微調(diào)階段的數(shù)據(jù)來源。另外，當(dāng)前大模型存在成本高、計算量大等問題，成本低廉、參數(shù)量小、更加靈活的“小模型”為大模型在教育應(yīng)用中“打通最后一公里”具有不可估量的潛在價值與意義。因此，大小模型緊密耦合協(xié)同工作的“組合式AI模型”才是GAI時代的模型樣態(tài)，即采取應(yīng)用驅(qū)動、共建共享的方式，通過開放數(shù)據(jù)接口源源不斷地獲得常態(tài)化教育應(yīng)用中的數(shù)據(jù)，實現(xiàn)“大模型”和“小模型”“大數(shù)據(jù)”和“小數(shù)據(jù)”的有機結(jié)合[22]。具有代表性的大、小模型協(xié)同模型ModelScope GPT可以通過“中樞大模型”通義千問調(diào)用其他AI小模型以完成復(fù)雜任務(wù)，各種小模型執(zhí)行命令并返回任務(wù)結(jié)果，大模型控制整個任務(wù)規(guī)劃過程并綜合小模型結(jié)果以生成最終解決方案。

（二）資源工具層

1. 資源要素由表象化轉(zhuǎn)向語義化

傳統(tǒng)的資源具有“表象化”的特征，即資源建設(shè)通常是提前設(shè)計、固定形態(tài)的，以標(biāo)簽化形式進行組織，以資源池和資源平臺的形式呈現(xiàn)給主體，主體通過檢索匹配的機制獲取資源。當(dāng)前我國數(shù)字教育資源發(fā)展的突出問題是資源供求失衡以及整體應(yīng)用水平不高[23]，在建設(shè)與應(yīng)用中強調(diào)資源覆蓋的廣度與數(shù)量，但甚少關(guān)注資源如何貼近教育過程、如何更好地發(fā)揮資源在應(yīng)用端的作用[24]。在學(xué)校中，大多平臺提供的資源不支持再編輯，也不提供二次開發(fā)接口，導(dǎo)致教師在使用資源時只能依照提供者的邏輯設(shè)計，難以落實個人教學(xué)設(shè)計思想，降低了資源應(yīng)用的適切性。

GAI中向量嵌入表示讓資源超越經(jīng)典的指稱論語義學(xué)走向深度學(xué)習(xí)的自然語言處理遵循的分布式語義學(xué)[25]。語義化是指深入分析資源語義內(nèi)容，實現(xiàn)細粒度知識對象的組織和揭示，使得資源在生成、組織、整合、挖掘和分析上的效率和質(zhì)量都得以提升，是實現(xiàn)教育資源“好用”“易用”和“有用”的基礎(chǔ)，也是即想即得、按需生成的重要保障。在資源生成中，GAI基于高級語義理解能力以“人機共創(chuàng)”[26]的形式實現(xiàn)教育資源的動態(tài)生成與適應(yīng)性重構(gòu)，以優(yōu)于人類的信息生成能力和知識水平突破資源生成類型與效率限制，以低邊際成本使得資源開發(fā)走向自動化和智能化。在資源組織中，GAI能夠自動識別資源內(nèi)容，標(biāo)識資源的標(biāo)簽、摘要、綜述等，從而實現(xiàn)基于內(nèi)容屬性的分類分級組織與存儲，節(jié)省人力投入，加速資源組織朝著更加專業(yè)化、垂直化的方向發(fā)展。在資源集成上，GAI已具備同時理解多種模態(tài)資源內(nèi)容的能力，能夠根據(jù)其內(nèi)部特征將其聯(lián)系起來，以實現(xiàn)內(nèi)容集成和資源整合，滿足學(xué)習(xí)者更高質(zhì)量、強個性化的資源需求。以藝術(shù)教育為例，GAI將數(shù)字藝術(shù)、音樂、影像等多種媒體元素有機結(jié)合，打破傳統(tǒng)媒體之間的壁壘限制，為藝術(shù)學(xué)習(xí)者提供了開放獨特的創(chuàng)作靈感及快速實驗迭代的機會[27]。具有生成性、自適應(yīng)性、可進化性與開發(fā)性的資源才能更好滿足學(xué)習(xí)者的資源選擇需求[28]。

在實踐層面中，基于價值鏈理論中提出的數(shù)字教育資源供給的六個階段[29]，并結(jié)合GAI的升級影響，本研究認為可通過需求收集、分析評估、資源生成、語義對齊、組織優(yōu)化、資源審核、分發(fā)應(yīng)用和反饋優(yōu)化等八個階段實現(xiàn)資源的生成和供給。首先確定教育主體所需資源的形式、內(nèi)容、結(jié)構(gòu)、體量等基本信息，分析確定資源建設(shè)的內(nèi)容邏輯、價值取向以及資源建設(shè)中的人機分工；將資源需求轉(zhuǎn)化為Prompt以人機互動的方式生成跨模態(tài)資源，不斷迭代直至滿足主體需求，并將不同模態(tài)的資源進行內(nèi)容對齊；按照資源的內(nèi)容邏輯性以及價值取向進行組織優(yōu)化，并進行偽劣內(nèi)容剔除、質(zhì)量優(yōu)化、信息安全等校對審核工作；分發(fā)應(yīng)用階段除了精準(zhǔn)匹配學(xué)習(xí)者資源需求，也涵蓋相關(guān)優(yōu)質(zhì)內(nèi)容發(fā)掘、內(nèi)容孵化、內(nèi)容召回、數(shù)據(jù)監(jiān)測等與學(xué)習(xí)者發(fā)生連接的環(huán)節(jié)[30]，在反饋階段數(shù)據(jù)回流中形成需求驅(qū)動資源建設(shè)與應(yīng)用的閉合回路。

2. 工具要素由分布式轉(zhuǎn)向集成化

智慧學(xué)習(xí)環(huán)境中的工具是指各種軟硬件的終端設(shè)備與系統(tǒng)平臺。目前人與工具的矛盾是日益增長的對教育工具的自然需要同供給方的教育理論水平與教育工具水平低下所導(dǎo)致的技術(shù)支持過?；驗E用工具之間的矛盾[31]。簡而言之，工具的智能化水平不高、應(yīng)用設(shè)計差強人意、功能碎片化不互通等問題導(dǎo)致了工具“不好用、不能用”，教師不愛用。學(xué)校配備的各類平臺與工具繁雜，未實現(xiàn)智能工具的一體化集成，導(dǎo)致教師需要頻繁調(diào)用或切換不同工具，違背了教育工具的簡約性原則，增加了教師負擔(dān)[32]。

而智能通用的GAI使其成為一種全新的勞動技能工具，可大幅降低技能的使用門檻與操作難度，在概念上推動了勞動技能從部分對象化向整體對象化的轉(zhuǎn)變[33]。在工具通用性層面，單入口、多功能的GAI是多種教育技術(shù)工具中的“集大成者”，能夠為多場景、多目標(biāo)的應(yīng)用需求提供一站式解決方案。其強大的跨模態(tài)能力更是打破了工具之間的壁壘，規(guī)避了工具功能碎片化的弊病。在工具整合性層面，GAI工具通常采用模塊化設(shè)計，能夠輕松靈活嵌入現(xiàn)有應(yīng)用工具中并與之整合，極大豐富了其業(yè)務(wù)功能并拓展了應(yīng)用范圍與邊界，有力彌補了現(xiàn)有工具的“智能缺陷”。GAI創(chuàng)新了現(xiàn)有工具的應(yīng)用模式與場景，為任務(wù)流程自動化和智能決策支持提供重要動力。在工具簡單性層面，個體無需具備深厚的技術(shù)背景或?qū)I(yè)知識，以自然語言的交互方式便可解決問題，生成結(jié)果以簡潔可視化的方式呈現(xiàn)；另外，GAI工具易于配置與部署，跨平臺能力強且兼容性高。工具簡單性增強了工具的可用性與易用性，例如，文心一言可以為教師備課、教研、教學(xué)、教管等多方面提供多樣化的內(nèi)容生成與創(chuàng)作服務(wù)，并能夠根據(jù)學(xué)習(xí)者知識掌握情況、學(xué)習(xí)習(xí)慣、學(xué)習(xí)興趣等個性化特征為其提供更具針對性的智慧學(xué)伴服務(wù)?？梢姡珿AI工具在破除工具痼疾上有著無可估量的潛力，作為多工具協(xié)調(diào)和統(tǒng)一的堅實載體，有望真正實現(xiàn)智慧學(xué)習(xí)環(huán)境的嬗變。

在實踐層面中，工具要素的建設(shè)有兩條路徑。一方面，技術(shù)本身具備工具屬性，有語義理解、嵌入模型、向量索引與提示增強四個過程：在構(gòu)建教育專用大模型的基礎(chǔ)之上，經(jīng)檢索、增強與生成以完成人類價值的嵌入，將學(xué)習(xí)者需求轉(zhuǎn)化為問題向量，并在向量數(shù)據(jù)庫檢索相關(guān)文本片段，結(jié)合對應(yīng)的提示詞模板與歷史會話，合并輸入大模型以返回相應(yīng)結(jié)果。例如，ChatModeler[34]可以在提示詞工程的設(shè)計下扮演需求收集師、建模師和檢測員的角色，以人機協(xié)作迭代的形式完成對學(xué)習(xí)者需求的獲取與建模。另一方面，GAI也可以鏈接或嵌入外部工具以擴充功能邊界，有任務(wù)規(guī)劃、任務(wù)分配、任務(wù)響應(yīng)與任務(wù)生成四個階段：經(jīng)意圖識別與Prompt分解后，根據(jù)分解的指令任務(wù)尋找對應(yīng)的外部工具，并調(diào)用工具執(zhí)行生成結(jié)果，從而匯總結(jié)果并返回。例如：Wolfram插件連接了ChatGPT的自然語言能力和Wolfram強大的計算引擎，彌補了ChatGPT在復(fù)雜數(shù)學(xué)運算與推理、實時數(shù)據(jù)獲取、數(shù)據(jù)分析與可視化呈現(xiàn)等缺陷；LangChain[35]中的智能代理Agents能夠根據(jù)指令調(diào)用合適的工具，補足模型的計算、推理和檢索等能力短板，并可基于該框架開發(fā)各種下游應(yīng)用工具。

（三）服務(wù)場景層

1. 服務(wù)要素由預(yù)定義轉(zhuǎn)向自適應(yīng)

智慧學(xué)習(xí)環(huán)境中的服務(wù)是指通過業(yè)務(wù)服務(wù)的形式為教育主體呈現(xiàn)出資源和工具的應(yīng)用功能，并進行有效集成、統(tǒng)一維護和管理。先前智慧學(xué)習(xí)環(huán)境提供的服務(wù)與資源和工具深度耦合，服務(wù)功能局限于已創(chuàng)設(shè)好的內(nèi)在配置和交互機制，預(yù)定義的邏輯規(guī)則、模型算法、資源工具等阻礙著環(huán)境中教育服務(wù)的自主優(yōu)化，使其失去了生長性和螺旋升級的能力。以個性化作業(yè)推送服務(wù)為例，目前作業(yè)推送往往依循“舉一反三”的邏輯，即當(dāng)學(xué)習(xí)者在某一問題答錯之后，系統(tǒng)會推送更多相同類型或知識點的題目，這是因為該服務(wù)嚴(yán)格依賴預(yù)先定義的算法規(guī)則與習(xí)題資源，并未深入挖掘?qū)嶋H錯因，導(dǎo)致治絲益棼，因此其看似“個性化”，本質(zhì)依然是傳統(tǒng)“題海戰(zhàn)術(shù)”的電子化，只會導(dǎo)致錯題越多的學(xué)習(xí)者獲得的練習(xí)量更大，加劇學(xué)習(xí)壓力，無法高效彌補薄弱環(huán)節(jié)。

GAI時代智慧學(xué)習(xí)環(huán)境的服務(wù)則與場景緊密綁定，通過便捷的自然語言交互動態(tài)感知主體需求，為其實現(xiàn)多維度、多層次、多模態(tài)、多任務(wù)的個性化教育服務(wù)。在服務(wù)的交互具身性上，GAI調(diào)動了人類多感官的沉浸體驗，覆蓋了人類聽說讀寫等核心溝通方式[36]，延伸了人體的感官功能。經(jīng)過多場景的結(jié)合及與人類的密切交互，GAI從“它異關(guān)系”的技術(shù)逐漸轉(zhuǎn)化為“具身關(guān)系”的技術(shù)[37]，具有情感依賴的人機交互將實現(xiàn)人工智能與人類智能的緊密耦合。在服務(wù)的動態(tài)生長性上，GAI時代的服務(wù)不僅涉及指令的傳遞與反饋的獲得，而且涵蓋了共同思考、決策和學(xué)習(xí)的過程[38]。交互是一種包含反饋的循環(huán)過程，GAI的即時性服務(wù)加速了反饋循環(huán)機制，其強大的語義理解和自我學(xué)習(xí)能力使得服務(wù)具有動態(tài)性和生長性。在服務(wù)的定制個性化上，GAI服務(wù)模式由搜索引擎的關(guān)聯(lián)列舉轉(zhuǎn)向“千人千面”的私人定制，針對教育主體的個人特征、興趣愛好提供適應(yīng)性、伴隨式和精準(zhǔn)化的服務(wù)?！白韵露稀钡姆?wù)供給模式賦予教育主體們更多的自主權(quán)與創(chuàng)造力，“雙向去中心化”的內(nèi)容服務(wù)方式可以讓教育主體主動選擇內(nèi)容服務(wù)并參與內(nèi)容創(chuàng)作與甄選，擴大了自由表達的邊界。例如，大語言模型支持的教育平臺可根據(jù)學(xué)習(xí)者的知識點掌握情況、學(xué)習(xí)偏好、答題速度等生成個性化的學(xué)習(xí)內(nèi)容與路徑，并進行適時調(diào)整，時刻提供最精準(zhǔn)的智能輔導(dǎo)及最適切的學(xué)習(xí)資源。適需服務(wù)才是真正智慧學(xué)習(xí)環(huán)境的本質(zhì)特征之一，因此在GAI的“大應(yīng)用時代”，服務(wù)的升級意味著與場景的聯(lián)系更加緊密，這也是智慧學(xué)習(xí)環(huán)境中人機動態(tài)進化，走向真正具身智能的必經(jīng)之路。

在實踐層面中，服務(wù)經(jīng)錨定、編排、校準(zhǔn)、生成后，以被動響應(yīng)、動態(tài)交互和主動問詢?nèi)N形式支持各類場景：服務(wù)錨定是指“組合式AI”根據(jù)學(xué)習(xí)者需求進行感知、分析和決策后確定支持的資源與工具；服務(wù)編排是指基于學(xué)習(xí)者的個性化建模，深入分析資源的語義特征、上下文特征與結(jié)構(gòu)特征進行服務(wù)的動態(tài)編排；服務(wù)校準(zhǔn)是指引入人的智慧進行服務(wù)校準(zhǔn)，構(gòu)建人機協(xié)同的教育服務(wù)自適應(yīng)組織體系；服務(wù)生成是指通過三種不同的交互形態(tài)優(yōu)化智慧學(xué)習(xí)環(huán)境中的學(xué)習(xí)者體驗。同時，教育主體基于自然語言交互能夠?qū)χ腔蹖W(xué)習(xí)環(huán)境中的服務(wù)進行評價、反饋、迭代，以提高服務(wù)的可用性及易用性[39]。智慧學(xué)習(xí)環(huán)境中服務(wù)的價值在于有機整合多元資源和工具，構(gòu)建系統(tǒng)化的學(xué)習(xí)者需求解決方案，以提升智慧學(xué)習(xí)環(huán)境的服務(wù)供給水平。

2. 場景要素由邊緣化轉(zhuǎn)向中心化

場景作為人物、時間、空間、事件、背景等因素構(gòu)成的統(tǒng)一體，是以“人”為中心、以人的需求為導(dǎo)向、以事件為表現(xiàn)形式的行為序列總和[40]。但先前智慧學(xué)習(xí)環(huán)境的設(shè)計與建設(shè)以技術(shù)工具為中心，旨在利用數(shù)字技術(shù)提升信息傳遞和跨組織共享效率，優(yōu)化人的決策方案，采取化約邏輯將各種能夠用技術(shù)工具代替的教育組織、結(jié)構(gòu)、環(huán)節(jié)剝離出來予以替代，而將場景置于邊緣化的地位，帶來了“技術(shù)至上”“技術(shù)主導(dǎo)”的工具應(yīng)用迷思。這是因為化約邏輯忽略了學(xué)習(xí)環(huán)境系統(tǒng)的整體性與復(fù)雜性，各種教育邏輯和情理無法簡單粗暴地通過數(shù)字技術(shù)進行過濾和精簡，無法直接為智慧學(xué)習(xí)環(huán)境提供應(yīng)用參考。例如，口語練習(xí)軟件通過提供學(xué)習(xí)資源、練習(xí)模式與評估功能輔助學(xué)習(xí)者自學(xué)、測試與評估，但其設(shè)計剝離了語言學(xué)習(xí)的完整場景生態(tài)，未體現(xiàn)“場景化服務(wù)”的理念，導(dǎo)致模式設(shè)定死板、互動性不足、實用性不足，嚴(yán)重影響了學(xué)習(xí)體驗的沉浸化與個性化。

在GAI支持的智慧學(xué)習(xí)環(huán)境中，場景的含義不僅僅是技術(shù)工具應(yīng)用的普通場域，而是各要素發(fā)揮聯(lián)動作用的重要載體與中心。具有交互迭代性和拓展靈活性的GAI可實現(xiàn)場景的動態(tài)性、延伸性與無縫切換，而場景也支持著技術(shù)應(yīng)用真正發(fā)揮出以人為本的價值，真正創(chuàng)設(shè)一個充分開放、包容且個性化的學(xué)習(xí)環(huán)境。例如，場景驅(qū)動的教育垂類大模型“子曰”為口語訓(xùn)練、作文批改等六大場景定制模型；虛擬人口語教練Hi Echo針對學(xué)習(xí)者缺乏英語語境、“啞巴英語”等痛點，提供可與真人教師媲美的，具有實時互動性、沉浸體驗感、個性定制化等優(yōu)勢的服務(wù)。可見，“GAI+場景”的數(shù)字化內(nèi)容生產(chǎn)方式提供了智慧學(xué)習(xí)環(huán)境設(shè)計與建設(shè)的新思路。

在實踐層面中，學(xué)習(xí)者需求是基于場景產(chǎn)生的，場景層的核心在于整合各種資源、工具與服務(wù)以解決學(xué)習(xí)者的核心需求，涉及技術(shù)端與需求端適配的過程[41]。智慧學(xué)習(xí)環(huán)境中典型應(yīng)用場景包括精準(zhǔn)教、個性學(xué)、智能管、綜合評、動態(tài)測、高效研和優(yōu)質(zhì)服務(wù)等。例如：面向數(shù)學(xué)領(lǐng)域的垂類大模型MathGPT實現(xiàn)了千人千面的AI教學(xué)和答疑輔導(dǎo)，讓學(xué)習(xí)者“個性學(xué)”成為廣泛的可能；立足于課堂教學(xué)場景的希沃教學(xué)大模型貫穿課前的教學(xué)設(shè)計與教師研課、課中的教學(xué)實施與課后的學(xué)情評價，形成基于場景的大模型應(yīng)用閉環(huán)。

三、生成式人工智能重構(gòu)智慧學(xué)習(xí)環(huán)境生態(tài)

GAI不僅為智慧學(xué)習(xí)環(huán)境中各要素的升級提供新鮮動力，更進一步地對人才培養(yǎng)理念、知識與課程觀、教學(xué)模式與學(xué)習(xí)方式、教學(xué)評價體系和教育治理模式等核心方面進行著系統(tǒng)化轉(zhuǎn)變與重構(gòu)，深刻影響著智慧學(xué)習(xí)環(huán)境中教育生態(tài)的重塑。

（一）人才培養(yǎng)理念的重構(gòu)

人才是創(chuàng)新的根基，是生產(chǎn)力中最積極、最活躍的要素。當(dāng)前我國人才呈現(xiàn)出“均值高，方差低”的特點，拔尖創(chuàng)新型人才較少，難以滿足我國未來高水平社會發(fā)展中新質(zhì)生產(chǎn)力的需要。新質(zhì)生產(chǎn)力需要新質(zhì)人才作為重要支撐與動力源泉，新質(zhì)人才是指具備適應(yīng)科技發(fā)展的技術(shù)思維、跨界融合知識與技能的復(fù)合思維、突破認知邊界的創(chuàng)想和實踐思維的新型高素質(zhì)人才[42]。新質(zhì)人才重點在“新”，核心在“質(zhì)”，綜合來看，新質(zhì)人才應(yīng)具備高意識的學(xué)習(xí)成長能力、高敏銳的創(chuàng)新實踐能力以及高適應(yīng)的人機協(xié)同能力。高意識的學(xué)習(xí)成長能力是指對知識的獲取、篩選、整合、評估等能力，新質(zhì)人才能夠通過與GAI等智能技術(shù)的交互快速獲取豐富的信息與知識，在分析、比較和評估后將有價值的內(nèi)容納入、整合到自身發(fā)展體系。高敏銳的創(chuàng)新實踐能力是指創(chuàng)新性、批判性、問題解決等高階思維與能力，新質(zhì)人才能夠熟練利用AI技術(shù)精準(zhǔn)分析問題，有機整合GAI提供的新素材、新視角、新創(chuàng)意，尋找有效的問題解決方案，并能在GAI提供的快速迭代反饋機制以及低風(fēng)險的創(chuàng)新環(huán)境中積極探索與大膽嘗試。高適應(yīng)的人機協(xié)同能力是指人機價值定位、職能分工和流程協(xié)同能力，新質(zhì)人才能夠以人機協(xié)同為基線思維充分發(fā)揮人類智慧和機器智能的優(yōu)勢，正確定位人類和機器的角色和職責(zé)，合理分配人機任務(wù)，并不斷改進與優(yōu)化人機協(xié)同的策略與流程。

（二）知識與課程觀的重構(gòu)

信息爆炸和知識過載的今天，智能技術(shù)，尤其是GAI，徹底改變了知識生產(chǎn)周期以及知識生產(chǎn)方式，對知識生產(chǎn)及知識獲取都帶來了深刻影響[43]，推動著知識生態(tài)的遽變。首先，知識生產(chǎn)主體由單一人類主體轉(zhuǎn)變?yōu)槿藱C共同體。知識的產(chǎn)生通常需要人類的感知、思考、推理、創(chuàng)新以及對現(xiàn)實世界的深入理解和體驗，然而GAI的強大數(shù)據(jù)處理能力、信息整合組織能力和內(nèi)容生成能力加速了人類認知和決策的“外包”過程，使得人類大腦對于知識生產(chǎn)的主體性部分讓渡于機器，形成人機共同體高效進行知識生產(chǎn)的局面。其次，知識本質(zhì)特征由權(quán)威真理轉(zhuǎn)變?yōu)閭€體經(jīng)驗。GAI以人機交互的形式推動著人們個體經(jīng)驗構(gòu)建和知識內(nèi)化，知識不再是普遍客觀的絕對權(quán)威事實與真理本身，而是以個體化、情境化、實用性為特點的個體經(jīng)驗，其根植于社會情境之中，有著其適用的特定時空場域或條件[44]?！爸R概念從最初‘確證的真信念’‘人類認識的成果結(jié)晶’轉(zhuǎn)變?yōu)椤M織化了的系統(tǒng)經(jīng)驗’‘行動的工具’?！盵45]第三，知識形態(tài)結(jié)構(gòu)由靜態(tài)分割轉(zhuǎn)變?yōu)閯討B(tài)整合。傳統(tǒng)知識往往被分割在界限分明的不同學(xué)科領(lǐng)域中，知識呈現(xiàn)出相對獨立靜態(tài)的狀態(tài)，一定程度上為問題的解決與創(chuàng)新帶來阻礙與桎梏。GAI能夠打破知識形態(tài)的學(xué)科界限，融合并關(guān)聯(lián)不同類型、來源、領(lǐng)域的知識以滿足問題解決的需要。最后，知識價值評價由知識認知轉(zhuǎn)變?yōu)橹R運用[46]。人是衡量知識價值的尺度[47]，知識發(fā)展的無限性、知識生產(chǎn)主體的去中心化意味著“知識怎么用”才是核心價值所在。GAI提供了海量的知識儲量與多樣化的知識形態(tài)，知識經(jīng)過學(xué)習(xí)主體分辨、反思、加工和重組，在滿足其學(xué)習(xí)需求和問題解決后才可凸顯其真正價值。知識運用的實踐價值指向既是實現(xiàn)學(xué)習(xí)者“適應(yīng)性能力”發(fā)展[48]的重要保障，也呼應(yīng)了智能時代對于創(chuàng)新人才培養(yǎng)的現(xiàn)實需求。

GAI同樣推動著智慧學(xué)習(xí)環(huán)境中課程生態(tài)的變革。一方面，課程形態(tài)由數(shù)字化課程轉(zhuǎn)向智慧課程。數(shù)字化課程在發(fā)展的過程中“技術(shù)愈發(fā)清晰，理念越發(fā)模糊”，根本原因是“人”的主體性因素被忽略[49]以及技術(shù)缺陷[50]，導(dǎo)致數(shù)字化的是技術(shù)而不是完整意義上的課程[51]。GAI等先進技術(shù)的深度融入能夠有效支撐課程由數(shù)字化邁向智慧化，實現(xiàn)課程資源的自動化生產(chǎn)和改造，通過可互動、可探究、可生成的課程內(nèi)容引導(dǎo)師生共同建構(gòu)課程意義；智慧課程中的沉浸體驗式學(xué)習(xí)促進學(xué)習(xí)者更深入地達成學(xué)習(xí)目標(biāo)，個性化課程方案也可支持學(xué)習(xí)者自我驅(qū)動和自我探究完成主動學(xué)習(xí)。另一方面，課程內(nèi)容由學(xué)科分立轉(zhuǎn)變?yōu)閷W(xué)科融通?？鐚W(xué)科課程是發(fā)展學(xué)生實踐創(chuàng)新能力的重要載體，但在實踐層面卻面臨著教師跨學(xué)科知識儲備不足、教學(xué)設(shè)計不當(dāng)、數(shù)字資源匱乏、教學(xué)過程僵硬以及課程評價空心化等諸多困境[52]。GAI能夠關(guān)聯(lián)整合多學(xué)科知識、生成豐富的案例素材支持跨學(xué)科課程教學(xué)設(shè)計，以角色模擬輔助教學(xué)、人機互動協(xié)作學(xué)習(xí)等方式支持跨學(xué)科課程教學(xué)實踐，制定評價指標(biāo)、自動化分析評價作品、提供教學(xué)反饋與意見以支持跨學(xué)科課程評估。GAI對解決跨學(xué)科課程與教師時間、精力和能力不匹配等現(xiàn)實矛盾有著巨大潛力，為多學(xué)科融通課程體系的建立提供了新的視角和方法。

（三）教學(xué)模式與學(xué)習(xí)方式的重構(gòu)

智慧學(xué)習(xí)環(huán)境下的教學(xué)模式由教師主導(dǎo)轉(zhuǎn)向師機協(xié)同。教師和機器各有優(yōu)勢和不足，人的“缺陷存在”與機的“代具補償”構(gòu)建起人機協(xié)同關(guān)系，教師與人工智能“共教共學(xué)”是深化教育變革、提升教育質(zhì)量效率的必然途徑?；赗LHF機制的GAI強化了“機器”面對復(fù)雜教育情境的判斷與決策能力，能夠大大提升人工智能在課程準(zhǔn)備、課堂助教、教學(xué)評估等教學(xué)場景中的應(yīng)用適應(yīng)性，并降低教師的技術(shù)勝任難度，從而積極影響在教學(xué)中整合技術(shù)的持續(xù)行為[53]。教師可以充分利用GAI為教學(xué)中機械性、重復(fù)性或程序化的工作減負增效，從而將時間與精力放在學(xué)習(xí)者價值觀引導(dǎo)、思維提升、情感交流與意志品質(zhì)培養(yǎng)等技術(shù)無法替代的工作上。因此，人機協(xié)同教學(xué)實踐的核心是需要明確人和機可以完成或執(zhí)行哪些角色和任務(wù)[54]，從而實現(xiàn)人機能力的相互補位。但無論在何種場景中，人工智能都應(yīng)只是促進人發(fā)展的增值手段，人類自身才是自主自決的核心主體?？紤]到GAI所生成的內(nèi)容易出現(xiàn)錯誤或不合理，教師在設(shè)計教學(xué)活動時應(yīng)有意識地加入促進學(xué)生辨別反思和深度探索的活動，而不是全盤接受或忽視[55]。

智慧學(xué)習(xí)環(huán)境下的學(xué)習(xí)方式由固定預(yù)設(shè)轉(zhuǎn)向生成探究。傳統(tǒng)學(xué)習(xí)方式遵循著“行為—認知主義”的學(xué)習(xí)理念，學(xué)習(xí)內(nèi)容、學(xué)習(xí)步驟等都來自教師的選擇與安排。預(yù)設(shè)式的學(xué)習(xí)方式忽視了學(xué)習(xí)者個體差異，壓抑了其學(xué)習(xí)動機和思維參與，偏離了育人為本的理念。GAI促進了生成探究式學(xué)習(xí)的廣泛應(yīng)用，即引導(dǎo)學(xué)習(xí)者從個體需求出發(fā)，通過生機、生師、生生等主體之間的互動對話與合作交流解決問題并積累經(jīng)驗，從而更好地發(fā)展自主探究能力與創(chuàng)新思維。在此過程中，GAI通過強大的環(huán)境理解能力實時生成出色的內(nèi)容與人性化的反饋，并基于學(xué)習(xí)者的學(xué)習(xí)特點提供兼具互動性、情境性、動態(tài)化和生成性的學(xué)習(xí)條件以支持學(xué)習(xí)者的知識和經(jīng)驗建構(gòu)。學(xué)習(xí)者個體經(jīng)過“選擇—組織—整合”三階段去主動探索高質(zhì)量和創(chuàng)新性的問題解決方案，完成自我驅(qū)動的生成式學(xué)習(xí)[56]。以人機對話為特點的生成探究式學(xué)習(xí)更加強調(diào)教育主體的自我導(dǎo)向與自我調(diào)節(jié)，學(xué)習(xí)者被賦予更多的主動權(quán)和選擇權(quán)，充分體現(xiàn)了智能時代中學(xué)習(xí)的動態(tài)性與體驗的個性化，這種主動的、建構(gòu)的、真實的、協(xié)作的、反思的和聯(lián)通的學(xué)習(xí)過程將導(dǎo)向深度學(xué)習(xí)的發(fā)生。

（四）教育評價體系的重構(gòu)

首先，評價理念由知識本位轉(zhuǎn)向核心素養(yǎng)。GAI強大的內(nèi)容整合與生成能力加速了知識的獲取和傳授，提高了內(nèi)容加工的自動化程度和防偽難度，降低了低階內(nèi)容作為核心學(xué)習(xí)結(jié)果的必要價值[57]。教師對于學(xué)業(yè)誠信問題的擔(dān)憂恰好反映了當(dāng)前知識本位的評價體系亟待轉(zhuǎn)變。思維方式的多元性決定人類智慧的多樣性[58]，核心素養(yǎng)的評價理念指向培養(yǎng)和創(chuàng)造更多樣的思維，以適應(yīng)終身學(xué)習(xí)和社會發(fā)展需要。

其次，評價主體由教師主導(dǎo)轉(zhuǎn)向三元協(xié)同。教師權(quán)威身份使得學(xué)生淪為評價的被動接受者，學(xué)生自身的評價主體價值得不到發(fā)揮，且教師評價的理念、方法、決策等素養(yǎng)亟待提升[59]。人機交互中學(xué)生可提升自我反思與自我調(diào)節(jié)能力，教師也可優(yōu)化評價方案、豐富評價方法、加強結(jié)果解釋，即師、生、機三元主體的協(xié)同評價能夠培養(yǎng)主體整合、比較、分析“他人”評價意見的能力，形成更全面的評價信息[60]。

再次，評價方式由學(xué)評分離轉(zhuǎn)向?qū)W評融合。學(xué)評分離導(dǎo)致學(xué)習(xí)反饋滯后和缺乏過程性指導(dǎo)，且大多數(shù)教師不具備將評價用于學(xué)習(xí)和作為學(xué)習(xí)的技能[57]。GAI的即時反饋機制使得“學(xué)習(xí)即評價、評價即學(xué)習(xí)”成為現(xiàn)實，實現(xiàn)學(xué)習(xí)與評價的有機融合，鼓勵學(xué)習(xí)者隨時審查反思并結(jié)合評價結(jié)果加以驗證、調(diào)整和優(yōu)化[61]，從而提高自主學(xué)習(xí)能力與元認知能力[62]。

最后，評價內(nèi)容由封閉知識轉(zhuǎn)為開放問題。GAI能夠回答的陳述性知識不應(yīng)是評價重點，真正有效的評價內(nèi)容應(yīng)具備高階性、開放性與情境性，并注重考察學(xué)生的高階能力與核心素養(yǎng)[63]。GAI通過動態(tài)模擬或構(gòu)建適切且真實的開放問題場景，在人機交互中分析學(xué)習(xí)者的思考蹤跡和問題解決過程與結(jié)果，實現(xiàn)學(xué)習(xí)者批判性思維、問題解決等核心素養(yǎng)的評價。GAI使得人工智能應(yīng)用從過去的封閉性、任務(wù)性場景擴展到開放式、互動式、創(chuàng)造性的場景中[64]，評價內(nèi)容表現(xiàn)為以傳統(tǒng)試卷為主的結(jié)果評價變成情境化、問題式的綜合性評價[65]。

（五）教育治理模式的重構(gòu)

智慧學(xué)習(xí)環(huán)境中的教育治理模式由分散疏離轉(zhuǎn)向互聯(lián)互通?？v向來看，教育管理層級關(guān)系逐漸扁平化：GAI強大的信息檢索與收集能力使其具有打破不同教育管理層級間的信息壁壘、突破信息收集的視野局限的可能性，即不再需要復(fù)雜的管理層級逐級傳遞指令，管理服務(wù)從各自為政走向集成化[66]。橫向來看，教育管理網(wǎng)絡(luò)關(guān)系延展化：一方面，GAI的語言理解與處理能力能夠促進內(nèi)部協(xié)調(diào)溝通，數(shù)據(jù)聯(lián)結(jié)能力打破數(shù)據(jù)共享圍墻，能有效解決部門間的“數(shù)據(jù)孤島”問題；另一方面，GAI可以將優(yōu)質(zhì)資源整合和分類，促進不同學(xué)校、不同地區(qū)之間的教育資源共享和交流，優(yōu)化資源配置網(wǎng)絡(luò)結(jié)構(gòu)。

四、結(jié) 束 語

GAI是助力智慧學(xué)習(xí)環(huán)境要素升級和生態(tài)重構(gòu)的關(guān)鍵性力量，擘畫智慧學(xué)習(xí)環(huán)境從理念到實踐的轉(zhuǎn)型圖景。探賾索隱，鉤深致遠，我們需要超越GAI作為一種新工具的淺層思維，深入思考技術(shù)升級與教育變革相互融合時所帶來的全要素、全流程、全生態(tài)的更新迭代與升維創(chuàng)新，從而推進數(shù)智時代教育的可持續(xù)發(fā)展。在充分認識GAI重塑智慧學(xué)習(xí)環(huán)境的教育價值與優(yōu)勢后，也要意識到GAI背后的風(fēng)險與挑戰(zhàn)，精準(zhǔn)把握教育變革中的變與不變，堅守育人本質(zhì)，構(gòu)建高質(zhì)量、有人文關(guān)懷的智慧學(xué)習(xí)環(huán)境，共同創(chuàng)設(shè)數(shù)智時代教育新生態(tài)。

[參考文獻]

[1] 新華社. 習(xí)近平：高舉中國特色社會主義偉大旗幟 為全面建設(shè)社會主義現(xiàn)代化國家而團結(jié)奮斗——在中國共產(chǎn)黨第二十次全國代表大會上的報告[EB/OL]. （2022-10-25）[2024-04-09]. https：//www.gov.cn/xinwen/2022-10/25/content_5721685.htm.

[2] 光明日報網(wǎng). 數(shù)字化教材、大數(shù)據(jù)測評、智能學(xué)習(xí)空間——未來學(xué)習(xí)，要構(gòu)建智慧教育新生態(tài)[EB/OL]. （2022-04-05）[2024-04-09]. https：//epaper.gmw.cn/gmrb/html/2022-04/05/nw.D110000gmrb_20220405_1-06.htm.

[3] 中華人民共和國教育部. 教育部關(guān)于印發(fā)《教育信息化2.0行動計劃》的通知[EB/OL]. （2018-04-18）[2024-04-09]. http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[4] 人民網(wǎng). “未來教室”如何優(yōu)化環(huán)境促進變革[EB/OL]. （2015-06-30）[2024-04-09]. http：//edu.people.com.cn/n/2015/0630/c1053-27229791.html.

[5] 黃榮懷，周偉，杜靜，等． 面向智能教育的三個基本計算問題[J]． 開放教育研究，2019，25（5）：11-22．

[6] 武法提，楊重陽，李坦． 智慧學(xué)習(xí)環(huán)境中的人機協(xié)同設(shè)計[J]． 電化教育研究，2024，45（2）：84-90．

[7] 周偉，杜靜，汪燕，等． 面向智慧教育的學(xué)習(xí)環(huán)境計算框架[J]． 現(xiàn)代遠程教育研究，2022，34（5）：91-100．

[8] 光明網(wǎng). 教育數(shù)據(jù)共享價值如何實現(xiàn)？[EB/OL]. （2015-06-30）[2024-04-09]. https：//theory.gmw.cn/2022-06/29/content_35845388.htm.

[9] 程巧，鄭可，郭德強． 高等教育大數(shù)據(jù)與高校質(zhì)量保障研究[J]． 網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2023，42（S1）：46-50．

[10] WU J Y， GAN W S， CHEN Z F， et al． AI-generated content （AIGC）： a survey[EB/OL]． （2023-03-26）[2024-09-19]. https：//arxiv．org/abs/2304.06632v1.

[11] 劉逸倫，黃微，張曉君，等． AIGC賦能的科技情報智能服務(wù)：特征、場景與框架[J]． 現(xiàn)代情報，2023，43（12）：88-99．

[12] KIRILLOV A， MINTUN E， RAVI N， et al． Segment anything[C]//2023 IEEE/CVF International Conference on Computer Vision （ICCV）． Paris，F(xiàn)rance： IEEE，2023：3992-4003．

[13] 王竹立，吳彥茹，王云． ChatGPT與教育變革——智能時代教育應(yīng)如何轉(zhuǎn)型[J]． 遠程教育雜志，2023，41（4）：27-36．

[14] 丁磊． 生成式人工智能：AIGC的邏輯與應(yīng)用[M]． 北京：中信出版社，2023.

[15] 俞鼎，李正風(fēng)． 生成式人工智能社會實驗的倫理問題及治理[J]． 科學(xué)學(xué)研究，2024，42（1）：3-9．

[16] 盧宇，余京蕾，陳鵬鶴，等． 多模態(tài)大模型的教育應(yīng)用研究與展望[J]． 電化教育研究，2023，44（6）：38-44．

[17] 肖仰華． 生成式語言模型與通用人工智能：內(nèi)涵、路徑與啟示[J]． 人民論壇·學(xué)術(shù)前沿，2023（14）：49-57．

[18] 葉新東，劉澤民． 基于多模態(tài)大模型的精準(zhǔn)教學(xué)支持體系構(gòu)建研究[J]． 遠程教育雜志，2024，42（1）：84-93．

[19] 科大訊飛. AI心理伙伴，青少年的私人心理咨詢師[EB/OL]. （2023-11-03）[2024-04-17]. https：//edu.iflytek.com/about-us/news/company-news/535.

[20] HUANG L， YU W J， MA W T， et al． A survey on hallucination in large language models： principles， taxonomy， challenges， and open questions[EB/OL]． （2023-11-09）[2024-09-20]． https：//arxiv．org/abs/2311.05232v1.

[21] 文森，錢力，胡懋地，等． 基于大語言模型的問答技術(shù)研究進展綜述[J]． 數(shù)據(jù)分析與知識發(fā)現(xiàn)，2024，8（6）：16-29．

[22] 曹培杰，謝陽斌，武卉紫，等． 教育大模型的發(fā)展現(xiàn)狀、創(chuàng)新架構(gòu)及應(yīng)用展望[J]． 現(xiàn)代教育技術(shù)，2024，34（2）：5-12．

[23] 人民網(wǎng). 教育信息化2.0的數(shù)字資源觀與發(fā)展對策[EB/OL]. （2018-09-01）[2024-04-19]. http：//edu.people.com.cn/n1/2018/0901/c1006-30265766.html.

[24] 中華人民共和國教育部. 推進線上教育教學(xué)資源建設(shè)與應(yīng)用打造數(shù)字教育公共服務(wù)新生態(tài)[EB/OL]. （2021-02-08）[2024-04-19]. http：//www.moe.gov.cn/jyb_xwfb/moe_2082/2021/2021_zl10/202102/t20210208_512969.html.

[25] 袁毓林． 如何測試ChatGPT的語義理解與常識推理水平？——兼談大語言模型時代語言學(xué)的挑戰(zhàn)與機會[J]． 語言戰(zhàn)略研究，2024，9（1）：49-63．

[26] 萬力勇，杜靜，熊若欣． 人機共創(chuàng)：基于AIGC的數(shù)字化教育資源開發(fā)新范式[J]． 現(xiàn)代遠程教育研究，2023，35（5）：12-21．

[27] 張牧，顧群業(yè)，田金良． AIGC為新媒體藝術(shù)教育帶來的機遇與挑戰(zhàn)[J]． 青年記者，2024（3）：109-112．

[28] 何文濤． 智慧學(xué)習(xí)環(huán)境下基于知識建模圖的在線教育資源眾籌及其應(yīng)用研究[J]． 電化教育研究，2019，40（4）：59-67．

[29] 陳明選，馮雪晴． 我國數(shù)字教育資源供給現(xiàn)狀與優(yōu)化策略[J]． 電化教育研究，2020，41（6）：46-52．

[30] 仲建琴． 人機協(xié)同的內(nèi)容生產(chǎn)模式[J]． 青年記者，2020（36）：44-45．

[31] 李芒，石君齊． 靠不住的諾言：技術(shù)之于學(xué)習(xí)的神話[J]． 開放教育研究，2020，26（1）：14-20．

[32] 李芒，張曉慶． 新時代教師真實的教育技術(shù)需要[J]． 現(xiàn)代遠距離教育，2023（1）：3-9．

[33] 齊志遠，高劍平，郝亞楠． 生產(chǎn)工具演變與勞動分工體系變革——從機器、專用人工智能到通用人工智能雛形ChatGPT[J]． 自然辯證法通訊，2024，46（2）：1-10．

[34] 靳東明，金芝，陳小紅，等． ChatModeler：基于大語言模型的人機協(xié)作迭代式需求獲取和建模方法[J]． 計算機研究與發(fā)展，2024，61（2）：338-350．

[35] 李特麗，康軼文． LangChain入門指南：構(gòu)建高可復(fù)用、可擴展的LLM應(yīng)用程序[M]． 北京：電子工業(yè)出版社，2024．

[36] 張輝，劉鵬，姜鈞譯，等． ChatGPT：從技術(shù)創(chuàng)新到范式革命[J]． 科學(xué)學(xué)研究，2023，41（12）：2113-2121．

[37] 張愛軍，楊程曦． 智能交往與微粒社會：人與ChatGPT交互的政治情感連接以及政治情感風(fēng)險與調(diào)試[J]． 行政論壇，2023，29（6）：32-42．

[38] 米加寧，董昌其． 大模型時代：知識的生成式“涌現(xiàn)”[J]． 學(xué)海，2024（1）：81-96，214-215．

[39] 羅仕鑒，郭和睿，沈誠儀，等． 智能產(chǎn)品用戶體驗設(shè)計評價研究現(xiàn)狀與進展[J]． 計算機集成制造系統(tǒng)，2024，30（6）：1919-1935．

[40] 武法提，黃石華，殷寶媛． 場景化：學(xué)習(xí)服務(wù)設(shè)計的新思路[J]． 電化教育研究，2018，39（12）：63-69．

[41] 許暉，周琪． 場景式解決方案開發(fā)路徑研究——基于場景驅(qū)動視角的多案例分析[J]． 科技進步與對策，2023，40（23）：1-10．

[42] 祝智庭，趙曉偉，沈書生． 融創(chuàng)教育：數(shù)智技術(shù)賦能新質(zhì)人才培養(yǎng)的實踐路徑[J]． 中國遠程教育，2024（5）：3-14．

[43] 顧小清． ChatGPT對教育生態(tài)的影響[J]． 探索與爭鳴，2023（3）：30-32．

[44] 杜華，孫艷超． 生成式人工智能浪潮下知識觀的再審視——兼論兩個經(jīng)典知識之問的當(dāng)代回應(yīng)[J]． 現(xiàn)代教育技術(shù)，2024，34（1）：96-106．

[45] 魯子簫． 智能時代知識變遷中的教學(xué)知識變革[J]． 教育研究，2024，45（2）：55-66．

[46] 張良，易伶俐. 試論未來學(xué)校背景下教學(xué)范式的轉(zhuǎn)型——基于知識觀重建的視角[J]. 中國電化教育，2020（4）：87-92，117.

[47] 黃忠敬． 誰的知識最有價值？——論衡量課程知識價值的“人的尺度”[J]． 課程·教材·教法，2019，39（1）：4-10．

[48] 楊剛，徐曉東，劉秋艷，等． 學(xué)習(xí)本質(zhì)研究的歷史脈絡(luò)、多元進展與未來展望[J]． 現(xiàn)代遠程教育研究，2019，31（3）：28-39．

[49] 周序，黃路遙． 數(shù)字化課程40年發(fā)展評析[J]． 課程·教材·教法，2018，38（10）：51-58．

[50] 周序． 如何認識數(shù)字化課程[J]． 課程·教材·教法，2018，38（5）：44-48，110．

[51] 王卉． 爭議頗多的數(shù)字化課程：現(xiàn)狀與未來[J]． 四川師范大學(xué)學(xué)報（社會科學(xué)版），2020，47（1）：102-107．

[52] 袁磊，王陽． 數(shù)字教育背景下中小學(xué)跨學(xué)科教學(xué)的困境與應(yīng)對[J]． 電化教育研究，2023，44（12）：87-94．

[53] 楊曉娟. 網(wǎng)絡(luò)教學(xué)中教師整合技術(shù)的學(xué)科教學(xué)知識建構(gòu)之作用機理研究[J]. 山東師范大學(xué)學(xué)報（社會科學(xué)版），2023，68（4）：90-99.

[54] 黃榮懷，劉德建，阿罕默德·提利利，等． 人機協(xié)同教學(xué)：基于虛擬化身、數(shù)字孿生和教育機器人場景的路徑設(shè)計[J]． 開放教育研究，2023，29（6）：4-14.

[55] 宋萑，林敏． ChatGPT/生成式人工智能時代下教師的工作變革：機遇、挑戰(zhàn)與應(yīng)對[J]． 華東師范大學(xué)學(xué)報（教育科學(xué)版），2023，41（7）：78-90．

[56] 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．

[57] 苗逢春． 生成式人工智能及其教育應(yīng)用的基本爭議和對策[J]． 開放教育研究，2024，30（1）：4-15．

[58] 張治． ChatGPT/生成式人工智能重塑教育的底層邏輯和可能路徑[J]． 華東師范大學(xué)學(xué)報（教育科學(xué)版），2023，41（7）：131-142．

[59] 張進良，楊苗，談桂芬． 智能技術(shù)賦能基礎(chǔ)教育評價改革的實然困境與路徑選擇[J]． 中國遠程教育，2023（2）：18-27．

[60] 李毅，鄭鵬宇，張婷． ChatGPT賦能教育評價變革的現(xiàn)實前提、作用機理及實踐路徑[J]． 現(xiàn)代遠距離教育，2024（3）：9-17．

[61] 白雪梅，郭日發(fā)． 生成式人工智能何以賦能學(xué)習(xí)、能力與評價？[J]． 現(xiàn)代教育技術(shù)，2024，34（1）：55-63．

[62] 吳砥，郭慶，吳龍凱，等． 智能技術(shù)賦能教育評價改革[J]． 開放教育研究，2023，29（4）：4-10．

[63] 鄭燕林，任維武． 實踐觀視域下ChatGPT教學(xué)應(yīng)用的路徑選擇[J]． 現(xiàn)代遠距離教育，2023（2）：3-10．

[64] 張絨． 生成式人工智能技術(shù)對教育領(lǐng)域的影響——關(guān)于ChatGPT的專訪[J]． 電化教育研究，2023，44（2）：5-14．

[65] 劉邦奇，聶小林，王士進，等． 生成式人工智能與未來教育形態(tài)重塑：技術(shù)框架、能力特征及應(yīng)用趨勢[J]． 電化教育研究，2024，45（1）：13-20．

[66] 劉邦奇，朱廣袤． 智能時代的教育信息化治理：理論框架與典型應(yīng)用實踐[J]． 電化教育研究，2024，45（9）：5-13．

Reshaping Smart Learning Environments with Generative Artificial Intelligence：

From Element Improvement to Ecosystem Reconstruction

WU Fati，" XIA Zhiwen，" GAO Shurui

（School of Educational Technology， Beijing Normal University， Beijing 100875）

[Abstract] As a crucial pillar of educational digital transformation， smart learning environments have encountered issues such as data silos， model limitations， resource rigidity， tool complexity， inflexible services， and fragmented scenarios during their development. Generative artificial intelligence （GAI）， as an emerging form in AI technology， presents new opportunities for the upgrading and transformation of smart learning environments. The study upgrades the three-layer and six-factor theoretical model of smart learning environment with generative AI as the power engine." It is argued that within this framework， the data element has shifted from low quality to high efficiency， the model element from the discriminative to the generative， the resource element from the superficial to the semantic， the tool element" from the distributed to the integrated， the service element from the predefined to the adaptive， and the scenario element has moved from the marginalized to the centralized. On this basis， the study further clarifies that GAI can restructure the ecosystem of smart learning environments by transforming the ideas of talent cultivation， the concepts of knowledge and curricula， teaching modes and learning styles， educational evaluation systems， and educational governance models. The study analyzes the improvement of internal elements and the reconstruction of the external ecosystem" of smart learning environments， providing theoretical research support and practical exploration direction for shaping new forms of smart learning environments.

[Keywords] Smart Learning Environments; Generative Artificial Intelligence; Element Improvement; Ecosystem Reconstruction; Theoretical Model