“教學(xué)法轉(zhuǎn)型”：人機共生時代的教學(xué)原則構(gòu)建

摘要：當(dāng)前，隨著以ChatGPT為代表的生成式人工智能技術(shù)的興起，教學(xué)活動正從傳統(tǒng)的“師-生”二元主體結(jié)構(gòu)轉(zhuǎn)變?yōu)椤皫?生-機”三元結(jié)構(gòu)。在此背景下，作為新主體的AI代理應(yīng)該秉持怎樣的設(shè)計原則，才能夠?qū)崿F(xiàn)不輸于傳統(tǒng)“師-生”互動的有效教學(xué)？“人-人”教學(xué)中的有效教學(xué)策略又能否遷移到“人-機”教學(xué)的場景中？為回答上述問題，文章回顧了教學(xué)代理的相關(guān)研究，圍繞兩個方面展開研究：一是保證情感互動。在媒介層面，提升機器的社會臨場感，使其能夠通過擬人化的聲音、表情和行為與學(xué)習(xí)者進行情感化互動；在社交層面，重視社交規(guī)范的作用，重新構(gòu)建機器和學(xué)習(xí)者之間的互動規(guī)則，促進有效的教學(xué)交互。二是保證信息有效性。針對大模型的“幻覺”問題，提出結(jié)合領(lǐng)域知識庫和技術(shù)護欄機制來提升信息的準(zhǔn)確性；關(guān)注人機信任的平衡，避免過度信任和算法厭惡，培養(yǎng)學(xué)習(xí)者的批判性思維和數(shù)字素養(yǎng)。文章通過這一系列討論，旨在提出構(gòu)建適用于“人-機”教學(xué)場景的設(shè)計原則，為人工智能教育應(yīng)用的開發(fā)設(shè)計和教學(xué)實踐創(chuàng)新提供參考。

關(guān)鍵詞：生成式人工智能；教學(xué)理論；臨場感；算法信任；社交規(guī)范

【中圖分類號】G40-057 【文獻標(biāo)識碼】A 【論文編號】1009—8097（2025）02—0006—10 【DOI】10.3969/j.issn.1009-8097.2025.02.001

一研究背景

當(dāng)前，生成式人工智能催生了人們對新的人工智能教育應(yīng)用的期待，尤其是在大模型展現(xiàn)出近似人類的對話交流能力、思考分析能力和任務(wù)處理能力后，“人機協(xié)同”這一概念逐漸走進現(xiàn)實[1][2]。有學(xué)者斷言在不遠(yuǎn)的將來，人工智能將以教學(xué)活動協(xié)作者的角色進入教學(xué)實踐，課堂活動的主體結(jié)構(gòu)也會從傳統(tǒng)的“師-生”二元結(jié)構(gòu)向“師-生-機”三元結(jié)構(gòu)轉(zhuǎn)變[3]。這樣的轉(zhuǎn)變是否會重構(gòu)我們對教育活動的理解，是否會導(dǎo)致新的教學(xué)理論出現(xiàn)，還需要進一步分析研究?；卮疬@一問題涉及大量系統(tǒng)性的工作，包括對人工智能能力的深度理解，以及對新教學(xué)場景中應(yīng)用模式、應(yīng)用效果的深度考察。同時，技術(shù)發(fā)展日新月異，新的教學(xué)理論和模式的構(gòu)建也需要隨技術(shù)的發(fā)展進行動態(tài)更新。

以往教育技術(shù)教學(xué)應(yīng)用的理論與實踐主要研究如何利用計算機、平板電腦等工具提升教學(xué)效果[4]。在這些技術(shù)輔助教學(xué)的場景中，教學(xué)活動的基本樣態(tài)由“師-生”二元的教育活動者組成，而技術(shù)僅作為工具出現(xiàn)在教學(xué)活動中，被動地執(zhí)行師生的意圖與決策，是師生教與學(xué)活動的組成部分。例如，個人電腦、電子大屏與黑板、課桌等物質(zhì)技術(shù)并不具有本質(zhì)的區(qū)別，它們都是教學(xué)活動者所處環(huán)境中的要素，能幫助教學(xué)活動者完成其意圖[5]。然而，新近出現(xiàn)的生成式人工智能在一定程度上表現(xiàn)出自主性，有望超越工具之藩籬，擁有教學(xué)活動者的特點。這種自主性即根據(jù)環(huán)境自動執(zhí)行恰當(dāng)?shù)男袆右酝瓿赡繕?biāo)的能力[6]，具體表現(xiàn)為AI能夠依據(jù)環(huán)境進行判斷和決策，并根據(jù)反饋進一步優(yōu)化決策和調(diào)整行為。具有自主性的人工智能出現(xiàn)在教學(xué)環(huán)境中，可能是課堂中的第二位老師，也可能是學(xué)習(xí)者的伴讀，“師-生-機”三元結(jié)構(gòu)論由此而來。但僅由此就斷言現(xiàn)有的教學(xué)理論與“師-生-機”新型課堂主體關(guān)系不匹配尚為時過早，因為各種形式的雙師教學(xué)實踐早已有之，同伴教學(xué)也已經(jīng)形成了多種模式。換句話說，不同的教學(xué)環(huán)境決定了某類教學(xué)模式會占主流，當(dāng)機器在一定程度上超越了工具的角色，開始成為具備自主參與教學(xué)活動能力的主體時，當(dāng)教師有意識地希望AI在教學(xué)活動中與學(xué)習(xí)者有更多的互動交流并提供學(xué)習(xí)支持時，一對一教學(xué)法就開始回歸了[7]。

早在20世紀(jì)70年代，教育技術(shù)的研究者就已經(jīng)對機器如何扮演人這一問題進行了探討，其中具有代表性的探討來自20世紀(jì)90年代對教學(xué)代理的研究[8]。教學(xué)代理（Pedagogical Agent）是多媒體學(xué)習(xí)環(huán)境中的一類擬人動畫形象，能扮演不同的教學(xué)角色，與學(xué)習(xí)者進行交互，為學(xué)習(xí)者提供學(xué)習(xí)支持，如微軟Windows的卡通書簽形態(tài)助手。在人工智能技術(shù)仍未充分發(fā)展的那個時代，研究者基于媒介理論和教育心理學(xué)理論，發(fā)展出了一套系統(tǒng)的關(guān)于“機器如何扮演教學(xué)活動者”的理論。其中，Baylor等[9][10][11]和Ryu等[12]在2000年～2005年期間開展了一系列研究，發(fā)現(xiàn)一個能夠有效扮演教學(xué)活動者角色的教學(xué)代理需要滿足以下兩個條件：①保證情感互動，即教學(xué)代理需要提供情感化、類似人類的互動，也就是教學(xué)代理應(yīng)當(dāng)在媒介層面表現(xiàn)得“像人一樣”。②保證信息有效性，即教學(xué)代理應(yīng)該具有淵博的知識，能夠提供可靠的學(xué)習(xí)信息。在當(dāng)前階段，機器的教學(xué)身份從教學(xué)工具轉(zhuǎn)向教學(xué)助手的過程并沒有完全完成，但是這種發(fā)展趨勢已經(jīng)非常明顯，有必要基于過去的研究發(fā)現(xiàn)，為一對一AI教學(xué)助手的實現(xiàn)提供設(shè)計原則。

二保證情感互動：機器類人

相較于人工智能，人類教師具有難以替代的情感能力，這被認(rèn)為是教師不會被人工智能替代的原因之一。但現(xiàn)有研究和生活經(jīng)驗也證實，人類會將自己的情感投射于其他生物并對其行為進行擬人化解釋，從而讓非人類的生物“通人性”，那么已經(jīng)可以用自然語言對話并展示思維過程的AI助理還需要怎么做，才能夠獲得師生類人化的對待呢？本節(jié)將從社會臨場感和社交規(guī)范兩個維度綜述現(xiàn)有研究帶來的啟發(fā)。選擇這兩個維度展開討論，是基于它們在人機情感互動中的核心作用和互補性。其中，社會臨場感關(guān)注AI如何通過增強存在感和互動真實感來促進情感連接，為擬人化提供基礎(chǔ)條件；社交規(guī)范則著眼于如何通過建立合理的互動規(guī)則和角色定位來引導(dǎo)交互行為，為擬人化提供行為框架。這兩個維度分別解決了“如何在場”和“如何互動”的問題，共同構(gòu)建起促進人工智能獲得類人化對待的完整互動體系。

1 媒介層面的機器類人——社會臨場感的作用

建立類人的教學(xué)代理，首先需要關(guān)注教學(xué)活動者與教學(xué)代理之間的情感互動。情感互動的核心在于機器在多大程度上能夠“像人一樣”，做到媒介交互意義上的“機器類人”[13]。“機器類人”不僅依賴于人類的心理傾向，更涉及復(fù)雜的社會、技術(shù)與文化互動，而“擬人化”或“人格化”對象的心理動因源于人類深層次的認(rèn)知與社交需求，即通過賦予無生命物體或非人類主體以人類的特征、動機、意圖和情感狀態(tài)，來增強互動體驗與社會聯(lián)結(jié)感[14]。當(dāng)媒介通過模仿人類的溝通行為展示出足夠的社會臨場感時，人們自然會對其產(chǎn)生類人化的社交反應(yīng)，仿佛是在與另一個人進行互動[15]。對此，有研究表明當(dāng)計算機在特定情境中觸發(fā)了人際交往的社會腳本時，人類會無意識地將其視為具有社會屬性的主體，并根據(jù)人際交往規(guī)則進行回應(yīng)[16][17][18]。在教育心理學(xué)研究中，社會臨場感（Social Presence）理論為如何實現(xiàn)“機器類人”提供了重要的理論支撐，其含義是個體在通過媒介進行交流時，能感知到另一方作為“真實的人”存在的程度[19][20]。教育心理學(xué)的研究已證實，學(xué)習(xí)者在學(xué)習(xí)環(huán)境中感知到類似教師或同伴的存在時，往往表現(xiàn)出更高的學(xué)習(xí)動機或?qū)W習(xí)成就[21]。

因此，為了讓機器能夠勝任教學(xué)活動者的角色，首先需要保證其在媒介交互層面上能夠讓人類產(chǎn)生“像人”的感受，而實現(xiàn)這一點的關(guān)鍵在于提升其所表現(xiàn)出的臨場感。那么，如何提升機器所傳遞的社會臨場感呢？研究證明，傳遞有效的社會線索（Social Cues）是實現(xiàn)這一目標(biāo)的關(guān)鍵，多媒體學(xué)習(xí)環(huán)境中的教學(xué)代理所傳達(dá)出的社會線索（如聲音、情緒、表情等）能激發(fā)學(xué)習(xí)者社會交往的圖式[22]。也就是說，當(dāng)學(xué)習(xí)者通過社會線索感知到社會交流發(fā)生時，他就會將系統(tǒng)中的教學(xué)代理當(dāng)作一個真人來進行交流。這種通過社會線索激活主體社交圖式的根據(jù)在于：為了降低信息處理的負(fù)荷，人們更喜歡用一些啟發(fā)式的規(guī)則（Heuristics）對信息來源進行歸類，并采用最相似的模式來處理它[23]。因此，當(dāng)學(xué)習(xí)者在多媒體學(xué)習(xí)環(huán)境中發(fā)現(xiàn)類人交互的線索時，會將這一類信息歸為正常的人類社交信息加以處理，社會性的反應(yīng)取向會變得特別明顯[24]。

Schilbach等[25]基于磁共振成像的研究也支持這一觀點，其研究表明，給被試觀看具有面部表情的虛擬人物會激活與“人-人”交互相同的腦區(qū)。在社交圖示被激活之后，學(xué)習(xí)者就會對計算機傳達(dá)出的信息進行更深層次的加工，這也就為有意義的學(xué)習(xí)的發(fā)生提供了條件[26][27]。Naas等[28]認(rèn)為，計算機與人呈現(xiàn)出越多的相似特征，就越有可能激發(fā)人類的社會性反應(yīng)。然而后續(xù)研究指出，社會線索的數(shù)量增加并不一定意味著能夠更大程度地激活學(xué)習(xí)者的社交圖示，盡管學(xué)習(xí)者可能會受到環(huán)境中絕大多數(shù)社會線索的影響[29]，但部分線索的缺失并不會對其產(chǎn)生顯著影響。因此，如何選擇合適的社會線索加以呈現(xiàn)成為一個重要問題，這也表明在某些情景中，為了提升媒介的社會臨場感，社會線索的“質(zhì)量”可能比“數(shù)量”更為關(guān)鍵。

因此，為了對已有的“人-人”教學(xué)理論進行優(yōu)化，使其中的機器能夠更好地扮演真實的人類教學(xué)活動者，提升其表現(xiàn)出的社會臨場感，一個可行的策略是讓機器傳遞更多有效且高質(zhì)量的社會線索。例如，可以更多地使用擬人的聲音而非電子合成音[30]，以及采用具有手勢、面部表情的教學(xué)代理形象[31][32]。而在缺乏擬人形象的場景中（如純文本交互），可以考慮在文本中加入表情符號等策略來彌補[33]。

2 社交層面的機器類人——社交規(guī)范的作用

前文討論了如何在媒介層面保證“機器類人”，但設(shè)想這樣一種未來情境：通過人工智能技術(shù)，構(gòu)建了一個在媒介層面與人類教師極為相似的教學(xué)代理——這個代理基于虛擬現(xiàn)實與多模態(tài)人工智能技術(shù)，能夠呈現(xiàn)與真人教師幾乎一樣的形象、聲音、表情、手勢——學(xué)習(xí)者是否會像面對真人教師一樣，與其進行教學(xué)互動？也許會，也許不會。目前已經(jīng)發(fā)現(xiàn)一些中小學(xué)生在與大模型的對話過程中會對其辱罵叱責(zé)。也就是說，當(dāng)學(xué)習(xí)者知道自己是在與機器對話的時候，可能不會遵循尊師重道這類傳統(tǒng)原則，而對機器教師的教學(xué)指令表現(xiàn)出拒不服從等越軌行為。

人類社會能夠有序組織和發(fā)展，離不開“社會規(guī)范”（Social Norms），即人類作為高度社會化的物種，在交互行為中逐漸發(fā)展出的一套復(fù)雜的潛在行為準(zhǔn)則。在傳統(tǒng)人際教學(xué)中，隱含的社會規(guī)范無形中引導(dǎo)著教師與學(xué)習(xí)者之間、學(xué)習(xí)者與學(xué)習(xí)者之間的教學(xué)互動。從功能主義的視角來看，社會規(guī)范在很大程度上促進了群體效益的最大化，并通過抑制個體利己行為來實現(xiàn)更高效的協(xié)同互動[34]，這保證了一般意義上的教學(xué)互動的有效進行。例如，在傳統(tǒng)的課堂講授中，教師天然處于話語權(quán)的主導(dǎo)地位，學(xué)習(xí)者則大多遵從教師的指導(dǎo)并信任其權(quán)威觀點[35]。相比之下，在學(xué)習(xí)者之間的合作學(xué)習(xí)中，話語權(quán)通常在參與對話的學(xué)習(xí)者之間流動，從而使每位學(xué)習(xí)者得到積極參與和表達(dá)的機會。盡管社會規(guī)范在以對話和交互為核心的教學(xué)模式中發(fā)揮著至關(guān)重要的作用，但這一概念在傳統(tǒng)的“人-人”教學(xué)法研究中往往被忽視，更多以隱性前提的形式存在。隨著人機教學(xué)模式的興起，社會規(guī)范這一隱性前提逐漸成為一個亟待深入探討的核心議題。

在“人-機”互動場景中，人工智能并不具備固定的社交身份，其定位在某種程度上處于“人類”與“工具”之間的模糊邊界，因此不能認(rèn)為學(xué)習(xí)者會遵從與教師的社會互動模式，如同樣地遵從人工智能的教學(xué)指令，或者認(rèn)真評估人工智能給出的反饋。在人機互動的背景下，如何在教學(xué)過程中重塑教學(xué)活動者與機器之間互動的社交規(guī)范，成為保證情感互動，加速“人-人”教學(xué)法向“人-機”教學(xué)法轉(zhuǎn)型的又一關(guān)鍵。

（1）“師-生”關(guān)系中的社交規(guī)范

在課堂教學(xué)這一具備高度結(jié)構(gòu)化的場域中，社交規(guī)范深刻影響著師生互動及教學(xué)效果，研究表明個體在此類明確的社會關(guān)系中往往會表現(xiàn)出對社交規(guī)范的高度遵從[36]。在經(jīng)典的教學(xué)情境下，教師憑借其權(quán)威性的社會身份，能夠有效掌控教學(xué)進程，然而這種權(quán)威也可能無意間阻礙學(xué)習(xí)的發(fā)生。一項在菲律賓開展的研究指出，學(xué)習(xí)者在與教師互動時往往由于敬畏教師的權(quán)威身份而不愿主動溝通，這種權(quán)威性社交規(guī)范削弱了教學(xué)中的雙向互動，并可能導(dǎo)致學(xué)習(xí)者感到沮喪和挫敗[37]。因此，傳統(tǒng)教學(xué)中的社交規(guī)范不僅影響了教師與學(xué)習(xí)者的互動流暢性，也在一定程度上壓抑了學(xué)習(xí)者的創(chuàng)造性與批判性思維。由于害怕違反與教師互動的規(guī)范，學(xué)習(xí)者往往選擇遵從而非質(zhì)疑或探究，進而放棄自主的學(xué)習(xí)策略或?qū)χR的深度理解[38]。在“人-機”互動教學(xué)場景中，這種傳統(tǒng)的社交規(guī)范是否仍然適用呢？或者，人工智能能否通過類人化交互方式，打破傳統(tǒng)師生關(guān)系中的權(quán)威性障礙，從而激發(fā)學(xué)習(xí)者更主動地學(xué)習(xí)參與？一項研究通過比較學(xué)習(xí)者在寫作任務(wù)中與大模型（如GPT-4）對話和與人類教師對話的差異發(fā)現(xiàn)，學(xué)習(xí)者在與大模型的互動中能夠更直接、無障礙地表達(dá)疑問和學(xué)習(xí)需求[39]。這一結(jié)果表明在“人-機”教學(xué)的場景下，傳統(tǒng)教學(xué)中基于教師身份與權(quán)威的社交規(guī)范可能會被弱化，從而為學(xué)習(xí)者提供更大的表達(dá)自由和自我引導(dǎo)的空間，這為我們重新思考人機教學(xué)中的社交規(guī)范提供了新的視角。將“人-人”教學(xué)模式遷移到“人-機”教學(xué)中，既面臨挑戰(zhàn)也迎來機遇：挑戰(zhàn)在于，傳統(tǒng)教學(xué)中的社交規(guī)范在師生互動中發(fā)揮著重要的隱性作用，是維持課堂秩序、促進知識傳遞的關(guān)鍵機制，如果這些隱性規(guī)范在人工智能主導(dǎo)的教學(xué)中不再具備約束力，教學(xué)過程可能會失去原有的結(jié)構(gòu)性。而當(dāng)人工智能作為教學(xué)主體時，其社交身份介于工具與教育者之間，如何幫助學(xué)習(xí)者建立有效的互動規(guī)則成為一個關(guān)鍵問題，這一問題也引發(fā)了關(guān)于人機互動中的社會角色定位與交互秩序等一系列新的教學(xué)設(shè)計考量——人工智能的設(shè)計應(yīng)通過類人化行為、個性化反饋以及多模態(tài)互動的方式，幫助學(xué)習(xí)者自然適應(yīng)新的交互規(guī)則，并在此過程中找到類似傳統(tǒng)課堂的認(rèn)知安全感。盡管這一過程面臨挑戰(zhàn)，但人工智能引入教育也帶來了諸多機遇，尤其是在打破傳統(tǒng)師生關(guān)系的權(quán)威性方面。正如前述研究所示，學(xué)習(xí)者在與大模型互動時，能夠更直接地表達(dá)疑惑并尋求個性化幫助，這表明傳統(tǒng)教學(xué)中的社交障礙在新型人機互動中可能不再是顯著問題。此外，社交規(guī)范的消解使學(xué)習(xí)者更有可能挑戰(zhàn)既有的知識框架，提出具有創(chuàng)造性和批判性的見解，這種開放的互動環(huán)境有助于深化學(xué)習(xí)者自主學(xué)習(xí)，促使他們主動探索復(fù)雜問題，并構(gòu)建更具個體化的認(rèn)知結(jié)構(gòu)。因此，未來的人機教學(xué)設(shè)計需進一步探索如何在社交規(guī)范的存在與創(chuàng)新自由之間實現(xiàn)平衡，如何在教學(xué)場景中選擇性地消解不必要的權(quán)威性規(guī)范，同時保留教學(xué)結(jié)構(gòu)中的必要秩序，將成為未來人機協(xié)同教學(xué)設(shè)計的重要方向。

（2）“生-生”關(guān)系中的社交規(guī)范

在現(xiàn)代教育理論中，協(xié)作學(xué)習(xí)和探究學(xué)習(xí)等以“生-生”互動為核心的教學(xué)模式被廣泛研究并應(yīng)用于多種教育場景[40]。與傳統(tǒng)的“師-生”互動不同，“生-生”互動通常不存在明確的身份和權(quán)力不對等，相較于教師在師生關(guān)系中的權(quán)威，學(xué)習(xí)者之間的交互更具動態(tài)性和復(fù)雜性。同時，“生-生”關(guān)系中的社交規(guī)范往往隨著具體的教學(xué)任務(wù)和小組成員的個體特質(zhì)而具有生成性與情境性，這些規(guī)范影響了小組內(nèi)的角色分工、信息共享以及知識建構(gòu)的過程。例如，在協(xié)作學(xué)習(xí)中，學(xué)習(xí)者通常根據(jù)群體中的社會身份、任務(wù)貢獻的預(yù)期大小等因素，迅速形成臨時性的社交規(guī)范[41]，其規(guī)定了小組成員的分工，包括確定誰作為意見領(lǐng)袖、誰負(fù)責(zé)整合信息、誰是主要的執(zhí)行者等。在這一過程中，群體中的知識共享、任務(wù)協(xié)商、角色分工等行為都遵循一定的潛在規(guī)范，是協(xié)作學(xué)習(xí)能夠成功的關(guān)鍵。Kynigos等[42]的研究表明，協(xié)作學(xué)習(xí)中的有效溝通、知識貢獻和相互支持等行為，是促成小組產(chǎn)出的必要條件。這些潛在的社交規(guī)范并非單純出于任務(wù)完成的需要，往往還涉及學(xué)習(xí)者之間的信任建立、情感支持與社會認(rèn)同，其動態(tài)解釋了為什么某些協(xié)作學(xué)習(xí)理論強調(diào)社交規(guī)范對于有效知識建構(gòu)的前提性作用[43]。通過“生-生”互動，學(xué)習(xí)者不僅能夠從知識的傳播中受益，還通過解釋、爭論和協(xié)商的過程深化了對知識的理解，這些活動是協(xié)作學(xué)習(xí)成功的基礎(chǔ)，而其得以順利進行的背后，是潛移默化的社交規(guī)范在發(fā)揮作用。

當(dāng)大模型參與到學(xué)習(xí)者的協(xié)作學(xué)習(xí)中時，能否形成類似于人類群體中的社交規(guī)范成為關(guān)鍵問題。傳統(tǒng)的“生-生”互動通過解釋、辯論和協(xié)商來構(gòu)建知識[44]，并依賴清晰表達(dá)和相互尊重的社會規(guī)范。然而，由于大模型不具備明確的人類身份，學(xué)習(xí)者可能將其視為單純的知識提供者而非合作伙伴，這會導(dǎo)致其對模型的過度依賴和“元認(rèn)知懶惰”[45]。此外，大模型在提供答案時，往往缺乏同伴互動中“挑戰(zhàn)性反饋”的特質(zhì)，這可能進一步加劇學(xué)習(xí)者的被動學(xué)習(xí)傾向，導(dǎo)致學(xué)習(xí)成果的淺層化。有研究表明，協(xié)作學(xué)習(xí)的成功不僅依賴于知識的簡單傳遞，還需要成員之間的社會互動過程和關(guān)系建構(gòu)[46]。因此，大模型的設(shè)計與應(yīng)用應(yīng)盡可能模擬這些人類間的互動特質(zhì)，通過類人化的媒介形式和情感交互等設(shè)計來激發(fā)學(xué)習(xí)者的社會性反應(yīng)，從而維持和增強協(xié)作學(xué)習(xí)中的社交規(guī)范。未來教育技術(shù)的設(shè)計需要進一步探索如何在大模型參與的學(xué)習(xí)中維持或重塑協(xié)作學(xué)習(xí)的社交規(guī)范，推動人機協(xié)同學(xué)習(xí)模式的發(fā)展，促進更為動態(tài)的知識建構(gòu)與社會互動。在這種模式下，社交規(guī)范不僅是人類學(xué)習(xí)者之間的隱性準(zhǔn)則，也應(yīng)成為人機交互中的顯性設(shè)計原則。

三保證信息有效性：人機信任

承前所述，要使機器有效扮演教學(xué)活動者角色，完成從“人-人”互動到“人-機”互動的轉(zhuǎn)型，除了保證情感互動，信息有效性也是其中的關(guān)鍵。若“情感互動”是教學(xué)場景中激發(fā)學(xué)習(xí)動機和認(rèn)知投入的關(guān)鍵要素，那么“信息有效性”就是教育活動得以展開的功能性前提，后者不僅涉及信息生成本身的準(zhǔn)確性，還依賴于人機信任機制的合理建構(gòu)與動態(tài)維系。

1 內(nèi)稟缺陷：模型幻覺的優(yōu)化路徑

使機器扮演好一個真實教學(xué)活動者角色的功能性前提是，機器能夠提供有效的教學(xué)信息，執(zhí)行符合邏輯的教學(xué)活動。例如，機器扮演的教師應(yīng)當(dāng)在講授中盡可能給出正確的答案，而機器扮演的學(xué)習(xí)者應(yīng)當(dāng)能夠模仿人類學(xué)習(xí)者當(dāng)下階段的認(rèn)知狀態(tài)，與同伴進行有意義的互動。盡管生成式人工智能技術(shù)在自然語言處理和推理能力方面已趨成熟，但大模型的“幻覺”問題仍然是其作為教育工具的重要隱患。在生成文本的過程中，大模型可能產(chǎn)生不準(zhǔn)確、具有誤導(dǎo)性甚至完全虛構(gòu)的信息，這些信息極易對學(xué)習(xí)者的認(rèn)知發(fā)展和知識建構(gòu)造成負(fù)面影響。這種不可預(yù)測的“幻覺”現(xiàn)象嚴(yán)重削弱了師生對人工智能工具的信任基礎(chǔ)，從而制約了其在教學(xué)場景中的深度應(yīng)用。錯誤信息的傳播還可能導(dǎo)致學(xué)習(xí)者形成扭曲的知識體系，從而影響其后續(xù)學(xué)習(xí)決策及成果，構(gòu)成影響教育質(zhì)量與效果的重大隱患。

為了應(yīng)對大模型幻覺引發(fā)的深層挑戰(zhàn)，除了大模型自身性能水平的提升、微調(diào)等手段的使用，技術(shù)開發(fā)者和教育工作者還應(yīng)著重提升大模型在教育應(yīng)用中的穩(wěn)健性，這可以通過利用領(lǐng)域知識庫整合[47]、教育護欄機制制定[48]、垂直領(lǐng)域大模型構(gòu)建[49]等措施防范錯誤輸出來實現(xiàn)。其中，領(lǐng)域知識庫整合能夠提升模型的語義理解與推理能力，使其在進行多模態(tài)信息處理時具備更高的可靠性和準(zhǔn)確性。領(lǐng)域知識庫不僅能夠作為知識的補充層，為AI提供更為精準(zhǔn)的背景信息；還可以通過對領(lǐng)域特定的事實性知識進行自動驗證，有效防范錯誤信息的輸出，從而更為精準(zhǔn)地應(yīng)對復(fù)雜的教育任務(wù)，減少模型幻覺的發(fā)生概率。同時，領(lǐng)域知識庫的引入應(yīng)與技術(shù)護欄機制協(xié)同運作，以多維度的防護策略保障生成內(nèi)容的準(zhǔn)確性與安全性。當(dāng)前大模型技術(shù)中的護欄機制涵蓋話題限定護欄、對話安全護欄、攻擊防御護欄等多個層次，這些護欄可以通過限定對話的主題范圍、過濾不當(dāng)內(nèi)容、防御惡意操縱等手段，有效防止大模型輸出偏離教育目標(biāo)的無關(guān)信息。除此之外，為了更好地適應(yīng)多樣化與專業(yè)化的教育場景，未來教育技術(shù)的發(fā)展可能朝向垂直領(lǐng)域的大模型設(shè)計。這些定制化的模型將具備更強的學(xué)科特異性，滿足特定領(lǐng)域內(nèi)的精細(xì)化需求。例如，STEM教育中的定制化AI模型可提供更精確的數(shù)理邏輯與科學(xué)推理支持，而在人文學(xué)科與社會科學(xué)中，AI可通過知識的生成與反思性反饋，推動深層次的理論建構(gòu)。

2 人機信任：信任失衡的優(yōu)化路徑

除了從技術(shù)底層保障人工智能輸出的教學(xué)信息的有效性，教學(xué)活動者對這些信息準(zhǔn)確性的主觀判斷也至關(guān)重要。信任作為人際互動的重要基礎(chǔ)，當(dāng)其對象轉(zhuǎn)移到類人化的機器上時常常走向兩極：一方面，過度信任可能導(dǎo)致學(xué)習(xí)者對智能系統(tǒng)產(chǎn)生依賴，削弱其自主批判思維的能力；另一方面，缺乏信任會引發(fā)學(xué)習(xí)者對算法系統(tǒng)的懷疑和抵制，從而妨礙技術(shù)工具在教育中的有效應(yīng)用，最終導(dǎo)致學(xué)習(xí)效果的下降。

（1）過度信任

過度信任人工智能系統(tǒng)的風(fēng)險在于，學(xué)習(xí)者會忽視其輸出的潛在局限性與錯誤，這在情感支持領(lǐng)域尤為明顯，教育系統(tǒng)中的情感AI工具常被賦予過高的心理咨詢與決策功能，導(dǎo)致學(xué)習(xí)者形成依賴。這種現(xiàn)象可以視為技術(shù)魅惑效應(yīng)的具體化表現(xiàn)[50]，學(xué)習(xí)者被技術(shù)的外在表現(xiàn)和能力所迷惑，失去了對其內(nèi)部運作機制的質(zhì)疑和警惕。伊麗莎效應(yīng)（Eliza Effect）是這一問題的另一體現(xiàn)[51]，得名于Joseph Weizenbaum于1964年開發(fā)的ELIZA程序。該程序通過簡單的模式匹配規(guī)則模擬人類對話，用戶對這些顯現(xiàn)出智能跡象的程序常常產(chǎn)生過度的人性化投射，認(rèn)為其具有與人類相似的認(rèn)知能力。這一效應(yīng)揭示了用戶對技術(shù)能力的高預(yù)期與技術(shù)實際表現(xiàn)之間的錯位而導(dǎo)致的過度信任，這種錯覺不僅影響用戶的行為決策，還加劇了其對技術(shù)的依賴，在教育領(lǐng)域尤為明顯。

為了應(yīng)對這一挑戰(zhàn)，構(gòu)建信任的優(yōu)化路徑需從系統(tǒng)透明性、用戶教育與情感智能三方面入手：首先，提高系統(tǒng)的透明性和可解釋性，可以幫助學(xué)習(xí)者理解AI的決策過程與局限性，從而降低過度信任的風(fēng)險。其次，教育工作者應(yīng)培養(yǎng)學(xué)習(xí)者的批判性思維能力與數(shù)字素養(yǎng)，鼓勵其對AI生成的內(nèi)容進行批判性的思考。最后，情感智能的培養(yǎng)對于建立健康的信任關(guān)系也至關(guān)重要，學(xué)習(xí)者需要學(xué)會在依賴技術(shù)的同時，保持對人機互動的獨立思考和情感判斷。

（2）算法厭惡

與過度信任相反，算法厭惡（Algorithm Aversion）指個體在面對智能系統(tǒng)時的懷疑與抵觸，即使算法性能優(yōu)于人類，他們?nèi)詢A向于信任人類決策[52]。算法厭惡被認(rèn)為是一種在大量場景中廣泛存在的效應(yīng)[53]，如在醫(yī)療場景中，盡管AI診斷的準(zhǔn)確性在統(tǒng)計結(jié)果上超過了人類醫(yī)生，但病人更傾向于信任人類醫(yī)生的診斷[54]。在教育領(lǐng)域這一現(xiàn)象則可能表現(xiàn)為：盡管智能系統(tǒng)提供了精準(zhǔn)性分析和個性化反饋，學(xué)習(xí)者仍持懷疑態(tài)度。造成算法厭惡的原因頗為復(fù)雜，不僅來自于學(xué)習(xí)者對算法本身的陌生感，更深層次的原因在于智能系統(tǒng)的決策過程往往缺乏足夠的透明度，使用者難以獲得必要的控制感和參與感[55]。

針對算法厭惡這一現(xiàn)象也存在部分交互解決方案，而優(yōu)化算法信任解決方案的重點在于提升透明性、增強控制感和改進交互設(shè)計：首先，可以考慮利用解釋性AI技術(shù)，讓學(xué)習(xí)者理解算法的運行邏輯，以減輕算法厭惡[56]。研究表明，用戶了解算法細(xì)節(jié)后，信任度顯著提升[57]。其次，可以考慮提供部分控制權(quán)，允許學(xué)習(xí)者微調(diào)結(jié)果，增強參與感，形成協(xié)同信任的互動模式[58]。研究表明，當(dāng)個體理解算法決策過程或參與修改時，算法厭惡顯著減少，通過賦予學(xué)習(xí)者微小的算法控制權(quán)，能顯著提升其對算法的信任感[59][60]。最后，在交互層面，可以考慮采用擬人化交互代理增加社會臨場感，提升對AI的情感認(rèn)同。研究顯示，符合人類社交規(guī)范的交互設(shè)計能提高建議接受度[61]。

此外，對教學(xué)大模型的不信任并非全然負(fù)面，它能激發(fā)批判性思維，促進對模型輸出內(nèi)容的深度反思與驗證。從人機協(xié)同角度來看，這種不信任構(gòu)建了動態(tài)反饋機制，推動了智能系統(tǒng)與學(xué)習(xí)者的辯證發(fā)展——學(xué)習(xí)者的反饋為模型優(yōu)化提供數(shù)據(jù)，而智能系統(tǒng)通過持續(xù)修正，可以為學(xué)習(xí)者提供更精準(zhǔn)、個性化的教學(xué)服務(wù)。

四結(jié)語

本研究圍繞一種預(yù)演性的“加速轉(zhuǎn)型”思路展開探討，即如何讓人工智能扮演教學(xué)中人類活動者的角色，使已有的蘇格拉底對話、協(xié)作學(xué)習(xí)等“人-人”教學(xué)理論和模式經(jīng)過合理調(diào)整后，能夠應(yīng)用到“人-機”教學(xué)場景中。本研究從情感互動與信息有效性兩個角度出發(fā)，梳理了機器扮演教學(xué)活動者時需要重點關(guān)注的兩大問題：在情感互動層面，首要是提升機器作為教學(xué)活動者時所傳遞的臨場感，從而實現(xiàn)“機器類人”；其次，由于機器本身并不具備社會身份，需要通過設(shè)計重建其與學(xué)習(xí)者交互過程中的社交規(guī)范，以滿足一般的教學(xué)法背后的隱性假設(shè)。在信息有效性層面，首先要克服大模型的幻覺問題，這是確保教學(xué)信息有效的功能性前提；其次，需要優(yōu)化人機信任機制，使學(xué)習(xí)者既不過度依賴，也不過于厭惡大模型輸出的信息和觀點。

事實上，本研究討論的關(guān)于機器扮演人類活動者的關(guān)鍵問題主要分為兩類：一類是可以通過合理的人機交互設(shè)計加以彌補或優(yōu)化的問題，包括臨場感問題和算法信任問題；另一類問題則受當(dāng)下技術(shù)條件和社會文化環(huán)境的限制，即社交規(guī)范和模型幻覺的問題，它們很難通過交互設(shè)計進行優(yōu)化，并且在一定程度上會影響到那些可以被遷移到“師-生-機”場景中的“人-人”教學(xué)法的實施。例如，大模型幻覺作為一種生成式人工智能技術(shù)底層的缺陷，極難通過交互設(shè)計完全克服，而這些無法由簡單的交互設(shè)計克服的問題，可能正是未來有價值的研究方向。展望未來，“師-生-機”三元結(jié)構(gòu)下的教學(xué)模式正在逐步成型，其核心在于確保學(xué)習(xí)者在與AI教學(xué)代理的互動中保持高水平的認(rèn)知參與和思維在場，通過主動、批判性的對話實現(xiàn)知識建構(gòu)和認(rèn)知深化，從而達(dá)成真正的自我超越與智慧成長。

————————

參考文獻

[1]郝祥軍，顧小清，張?zhí)扃?，?人機協(xié)同學(xué)習(xí)：實踐模式與發(fā)展路向[J].開放教育研究，2022，（4）：31-41.

[2]王一巖，劉淇，鄭永和.人機協(xié)同學(xué)習(xí)：實踐邏輯與典型模式[J].開放教育研究，2024，（1）：65-72.

[3]柯清超，米橋偉，鮑婷婷.生成式人工智能在基礎(chǔ)教育領(lǐng)域的應(yīng)用：機遇、風(fēng)險與對策[J].現(xiàn)代教育技術(shù)，2024，（9）：5-13.

[4]Teixeira P N， Shin J C. The international encyclopedia of higher education systems and institutions[M]. Dordrecht： Springer Netherlands， 2020：233.

[5]Cole M， John-Steiner V， Scribner S， et al. Mind in society： The development of higher psychological processes[M]. Cambridge， MA： Harvard University Press， 1978：141.

[6]Russell S， Norvig P. Artificial intelligence： A modern approach （3rd ed.）[M]. Upper Saddle River， NJ： Pearson， 2010：935-937.

[7]Lo C K. What is the impact of ChatGPT on education？ A rapid review of the literature[J]. Education Sciences， 2023，（4）：410.

[8]Johnson W L， Lester J C. Pedagogical agents： Back to the future[J]. AI Magazine， 2018，（2）：33-44.

[9]Baylor A L. Investigating multiple pedagogical perspectives through MIMIC （Multiple Intelligent Mentors Instructing Collaboratively）[OL]. lt;https：//conferences.inf.ed.ac.uk/aied2001/baylor.pdfgt;

[10]Baylor A L， Kim Y. Simulating instructional roles through pedagogical agents[J]. International Journal of Artificial Intelligence in Education， 2005，（2）：95-115.

[11]Baylor A L， Ryu J. The effects of image and animation in enhancing pedagogical agent persona[J]. Journal of Educational Computing Research， 2003，（4）：373-394.

[12]Ryu J， Baylor A L. The psychometric structure of pedagogical agent persona[J]. Technology Instruction Cognition and Learning， 2005，（4）：291.

[13]Epley N， Waytz A， Cacioppo J T. On seeing human： A three-factor theory of anthropomorphism[J]. Psychological Review， 2007，（4）：864.

[14]Reeves B， Nass C. The media equation： How people treat computers， television， and new media like real people[M]. Cambridge， UK：Cambridge University Press， 1996：28.

[15]Nass C， Moon Y. Machines and mindlessness： Social responses to computers[J]. Journal of Social Issues， 2000，（1）：81-103.

[16]Westerman D， Edwards A P， Edwards C， et al. I-It， I-Thou， I-Robot： The perceived humanness of AI in human-machine communication[J]. Communication Studies， 2020，（3）：393-408.

[17]Xu K， Chen X， Huang L. Deep mind in social responses to technologies： A new approach to explaining the computers are social actors phenomena[J]. Computers in Human Behavior， 2022，134：107321.

[18][19]Gunawardena C N. Social presence theory and implications for interaction and collaborative learning in computer conferences[J]. International Journal of Educational Telecommunications， 1995，（2）：147-166.

[20]Lowenthal P R. The evolution and influence of social presence theory on online learning[A]. Online Education and Adult Learning： New Frontiers for Teaching Practices[C]. Hershey， PA： IGI Global， 2009：124-134.

[21]Richardson J C. Examining social presence in online courses in relation to students’ perceived learning and satisfaction[D]. New York： State University of New York at Albany， 2001：6.

[22]Mayer R E， Sobko K， Mautone P D. Social cues in multimedia learning： Role of speaker’s voice[J]. Journal of Educational Psychology， 2003，（2）：419.

[23]Shah A K， Oppenheimer D M. Heuristics made easy： An effort-reduction framework[J]. Psychological Bulletin， 2008，（2）：207.

[24]Nass C， Steuer J， Tauber E， et al. Anthropomorphism， agency， and ethopoeia[R]. Stanford， CA： Department of Communication， Stanford University， 1993：111-112.

[25]Schilbach L， Wohlschlaeger A M， Kraemer N C， et al. Being with virtual others： Neural correlates of social interaction[J]. Neuropsychologia， 2006，（5）：718-730.

[26][30]Atkinson R K， Mayer R E， Merrill M M. Fostering social agency in multimedia learning： Examining the impact of an animated agent’s voice[J]. Contemporary Educational Psychology， 2005，（1）：117-139.

[27]Mayer R E， DaPra C S. An embodiment effect in computer-based learning with animated pedagogical agents[J]. Journal of Experimental Psychology： Applied， 2012，（3）：239.

[28]Nass C， Moon Y. Machines and mindlessness： Social responses to computers[J]. Journal of Social Issues， 2000，（1）：81-103.

[29]Bangerter A， Louwerse M M. Focusing attention with deictic gestures and linguistic expressions[A]. Proceedings of the Annual Meeting of the Cognitive Science Society[C]. California： California Digital Library， 2005：1331-1336.

[31]Hostetter A B. When do gestures communicate？ A meta-analysis[J]. Psychological Bulletin， 2011，（2）：297-315.

[32]王福興，李文靜，謝和平，等.多媒體學(xué)習(xí)中教學(xué)代理有利于學(xué)習(xí)嗎？——一項元分析研究[J].心理科學(xué)進展，2017，（1）：12-28.

[33]Andel S A， de Vreede T， Spector P E， et al. Do social features help in video-centric online learning platforms？ A social presence perspective[J]. Computers in Human Behavior， 2020，113：106505.

[34]Rusbult C E， Van Lange P A M. Interdependence， interaction， and relationships[J]. Annual Review of Psychology， 2003，（1）：351-375.

[35][37]Aruta J J B R， Barretto I D E， Shin Y， et al. The experience of power in teacher-student relationships in collectivistic context[J]. Psychological Studies， 2019，64：316-331.

[36][38]van Kleef G A， Gelfand M J， Jetten J. The dynamic nature of social norms： New perspectives on norm development， impact， violation， and enforcement[J]. Journal of Experimental Social Psychology， 2019，84：103814.

[39]Shen Y， Tang L， Le H， et al.Aligning and comparing values of ChatGPT and human as learning facilitators： A value-sensitive design approach[OL]. lt;https：//doi.org/10.1111/bjet.13562gt;

[40]Bruffee K A. Collaborative learning and the “conversation of mankind”[J]. College English， 1984，（7）：635-652.

[41]Chen C M， You Z L. Community detection with opinion leaders’ identification for promoting collaborative problem-based learning performance[J]. British Journal of Educational Technology， 2019，（4）：1846-1864.

[42][43]Kynigos C， Theodossopoulou V. Synthesizing personal， interactionist and social norms perspectives to analyze collaborative learning in the classroom in the context of a computer-based innovation program[J]. The Journal of Classroom Interaction， 2001，（36）： 63-73.

[44][45]Yoon J， Brice L. Water project： Computer-supported collaborative e-learning model for integrating science and social studies[J]. Contemporary Educational Technology， 2011，（3）：250-263.

[46]Dillenbourg P. A multidisciplinary viewpoint on European research on collaborative learning - Europaeische forschung zu “collaborative learning” in multidisziplinaerer perspektive[J]. Kognitionswissenschaft， 2000，（1）：50-53.

[47]Marino K， Chen X， Parikh D， et al. KRISP： Integrating implicit and symbolic knowledge for open-domain knowledge-based VQA[J]. arXiv preprint arXiv：2012.11014， 2020.

[48]Biswas A， Talukdar W. Guardrails for trust， safety， and ethical development and deployment of Large Language Models （LLM）[J]. Journal of Science amp; Technology， 2023，4：55-82.

[49]Chen Z， Liu C， Duan H. A three-phases-LORA finetuned hybrid LLM integrated with strong prior module in the education context[A]. International Conference on Artificial Neural Networks[C]. Switzerland： Springer Nature， 2024：235-250.

[50]Alfano M， Carter J， Cheong M. Technological seduction and self-radicalization[J]. Journal of the American Philosophical Association， 2018，4：298-322.

[51]Cristea I A， Sucala M， David D. Can you tell the difference： Comparing face-to-face versus computer-based interventions： The “Eliza” effect in psychotherapy[J]. Journal of Cognitive amp; Behavioral Psychotherapies， 2013，（2）：291-298.

[52][55]Dietvorst B J， Simmons J P， Massey C. Algorithm aversion： People erroneously avoid algorithms after seeing them err[J]. Journal of Experimental Psychology： General， 2015，（1）：114-126.

[53][56]Jussupow E， Benbasat I， Heinzl A. Why are we averse towards algorithms？ A comprehensive literature review on algorithm aversion[A]. Proceedings of the 28th European Conference on Information Systems （ECIS）[C]. Marrakech， 2020：1-16.

[54]Longoni C， Bonezzi A， Morewedge C. Resistance to medical artificial intelligence is an attribute in a compensatory decision process： Response to Pezzo and Beckstead[J]. Journal of Consumer Research， 2020，15：446-448.

[57]Palmeira M， Spassova G. Consumer reactions to professionals who use decision aids[J]. European Journal of Marketing， 2015，（3/4）：302-326.

[58][59]Dietvorst B J， Simmons J P， Massey C. Overcoming algorithm aversion： People will use imperfect algorithms if they can （even slightly） modify them[J]. Management Science， 2018，（3）：1155-1170.

[60]Hasan M， Islam A K M N， Ahmed S I， et al. What influences algorithmic decision-making？ A systematic literature review on algorithm aversion[J]. Technological Forecasting amp; Social Change， 2022，175：121390.

[61]MacGeorge E L， Guntzviller L M， Hanasono L K， et al. Testing advice response theory in interactions with friends[J]. Communication Research， 2016，（2）：211-231.

Pedagogical Transformation： Constructing Teaching Principles in the Era of Human-AI Symbiosis

LE Hui-Xiao1" SONG Xiao-Wei1"" YU Qing-Qing2"" WANG Qiong1[Corresponding Author]

（1. Graduate School of Education， Peking University， Beijing， China 100871;

2. Center for Excellent Teaching and Learning， Peking University， Beijing， China 100871）

Abstract： With the emergence of generative artificial intelligence technologies exemplified by ChatGPT， the fundamental structure of educational activities is transitioning from the traditional binary “teacher-student” framework to a ternary “teacher-student-machine” structure. What design principles should AI agents， as new actors in this structure， follow to establish effective teaching interactions that are comparable to traditional teacher-student dynamics？ What differences between humans and machines pose unprecedented challenges when translating existing human-to-human teaching theories and models to human-machine teaching scenarios？ This paper addresses two critical issues： First， ensuring emotional interaction - at the media level， enhancing the machine’s social presence to enable emotional engagement with learners through humanized voice， expressions， and behaviors; at the social level， emphasizing the role of social norms and reconstructing interaction protocols between machines and learners to promote effective teaching interactions. Second， ensuring information validity - addressing the “hallucination” issue of large language models by proposing the integration of domain knowledge bases and technical guardrail mechanisms to improve information accuracy; focusing on the balance of human-machine trust to avoid both over-reliance and algorithm aversion while fostering learners’ critical thinking and digital literacy. This paper aims to propose design principles for future human-machine teaching scenarios through these discussions.

Keywords： generative artificial intelligence; pedagogy; social presence; algorithm trust; social norms