拓展學(xué)科的疆域：大模型的涌現(xiàn)能力對學(xué)習(xí)科學(xué)的影響*

陳向東 趙麗娟 劉澤民

拓展學(xué)科的疆域：大模型的涌現(xiàn)能力對學(xué)習(xí)科學(xué)的影響*

陳向東 趙麗娟 劉澤民

（華東師范大學(xué) 教育學(xué)部，上海 200062）

作為跨學(xué)科關(guān)注的熱點，大模型的涌現(xiàn)能力已經(jīng)在系統(tǒng)科學(xué)、心理學(xué)、語言學(xué)等多個領(lǐng)域產(chǎn)生了深遠的影響，其對于學(xué)習(xí)科學(xué)研究和實踐的價值也初露端倪。基于此，文章首先闡釋了學(xué)習(xí)科學(xué)視角下的大模型涌現(xiàn)能力，指出大模型的涌現(xiàn)能力不僅本身可以作為學(xué)習(xí)科學(xué)研究的對象，還可以為學(xué)習(xí)科學(xué)的研究與實踐提供新的手段和方法、創(chuàng)新的思路，也由此引入了新的倫理問題。之后，文章介紹了大模型的涌現(xiàn)能力拓展學(xué)習(xí)科學(xué)研究與實踐的手段和表現(xiàn)，即借助大模型的涌現(xiàn)能力，通過提示工程、探針技術(shù)、仿真、內(nèi)容生成等手段，可以拓展學(xué)習(xí)科學(xué)的多個研究與實踐領(lǐng)域。最后，文章分析了目前研究的局限，提出未來學(xué)習(xí)科學(xué)研究需從認知模型構(gòu)建、內(nèi)在機制剖析、學(xué)習(xí)效果評估三個方面，持續(xù)、深入地研究大模型的涌現(xiàn)能力及其影響。文章從多個角度闡述了大模型涌現(xiàn)能力與學(xué)習(xí)科學(xué)研究的互動關(guān)系，剖析了大模型涌現(xiàn)能力對學(xué)習(xí)科學(xué)的推動作用，為探究和理解人類復(fù)雜的學(xué)習(xí)過程提供了一個新視角。而深入地分析大模型的涌現(xiàn)能力，有助于我們更好地理解學(xué)習(xí)過程中的認知機制，發(fā)現(xiàn)新的學(xué)習(xí)模式和教學(xué)策略，從而推動學(xué)習(xí)科學(xué)的理論和實踐創(chuàng)新。

大模型；涌現(xiàn)能力；學(xué)習(xí)科學(xué)；跨學(xué)科

引言

ChatGPT、Claude、LLaMA等AI工具在生成文本、回答問題、進行對話等任務(wù)中展現(xiàn)出的創(chuàng)造性、邏輯推理和理解上下文等方面的強大能力，使大模型（Large Language Models，又稱“大型語言模型”或“大語言模型”）的涌現(xiàn)能力（Emergent Ability）成為跨學(xué)科關(guān)注的熱點[1][2][3]。“涌現(xiàn)”本身是一個古老的哲學(xué)概念，用于描述如何從基礎(chǔ)的實體中產(chǎn)生更為復(fù)雜的屬性或現(xiàn)象，通常涉及心靈與物質(zhì)、個體與集體之間的相互作用。研究涌現(xiàn)的學(xué)者主要來自復(fù)雜系統(tǒng)科學(xué)領(lǐng)域，研究的對象涉及多個學(xué)科和領(lǐng)域[4][5][6]——不同學(xué)科和領(lǐng)域中的涌現(xiàn)雖各有特點，但都遵循從局部到全局、從簡單到復(fù)雜的普遍規(guī)律。

大模型是基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，被訓(xùn)練用來理解和生成人類語言。而大模型的涌現(xiàn)是指在模型訓(xùn)練和應(yīng)用的過程中，出現(xiàn)了一些意想不到、高度復(fù)雜、綜合性的能力和現(xiàn)象，這些能力和現(xiàn)象并未被直接編碼，也無法簡單地通過訓(xùn)練數(shù)據(jù)或參數(shù)進行預(yù)測，而是隨著對各種數(shù)據(jù)集的深入訓(xùn)練而顯現(xiàn)。目前，大模型的涌現(xiàn)能力通常包括自然語言理解和生成、跨領(lǐng)域知識整合、情感和風(fēng)格理解、復(fù)雜問題解決、創(chuàng)造性表達等[7]。此外，大模型表現(xiàn)出了復(fù)雜的泛化能力，能夠合理地推斷其訓(xùn)練數(shù)據(jù)以外的信息[8]；同時，大模型也表現(xiàn)出了元學(xué)習(xí)的能力[9]，即學(xué)會了如何學(xué)習(xí)，能夠以類似于人類的學(xué)習(xí)方式掌握知識與技能。

當(dāng)前，大模型的涌現(xiàn)能力已經(jīng)引起了多個學(xué)科領(lǐng)域的關(guān)注[10][11]，主要表現(xiàn)為：①在復(fù)雜系統(tǒng)科學(xué)領(lǐng)域，大模型的涌現(xiàn)能力不僅為復(fù)雜科學(xué)研究提供了新的實例，而且有助于研究者深入理解復(fù)雜網(wǎng)絡(luò)中出現(xiàn)的新性質(zhì)和行為，進一步推動復(fù)雜科學(xué)理論的發(fā)展。②在認知領(lǐng)域，大模型可以啟發(fā)認知科學(xué)家從新的角度探索人類思維的機制和模式，如通過研究大模型怎樣在預(yù)訓(xùn)練和微調(diào)階段獲取知識，并從不同角度了解人類學(xué)習(xí)的認知模式，深化對知識獲取、遷移和認知演化深層機制的理解。③在語言學(xué)領(lǐng)域，語言學(xué)家可以關(guān)注大模型如何理解和生成自然語言，包括如何捕捉語義、語法和語境，以及大模型的生成內(nèi)容與人類語言之間有何異同。④在創(chuàng)意相關(guān)的領(lǐng)域，涌現(xiàn)能力同樣引發(fā)了文學(xué)、音樂、繪畫等的革新和實驗。例如，音樂家和畫家關(guān)注大模型生成內(nèi)容的創(chuàng)意性和多樣性，以及如何利用大模型作為創(chuàng)作靈感的源泉。⑤在教育領(lǐng)域，研究者則關(guān)注大模型的自主學(xué)習(xí)和適應(yīng)性特征，探索如何利用大模型促進學(xué)生的主動學(xué)習(xí)和個性化學(xué)習(xí)。總的來說，大模型能否真正模擬人類學(xué)習(xí)過程的核心機制、能否從其涌現(xiàn)能力得到關(guān)于人類學(xué)習(xí)的新洞見，這些問題目前尚無定論，但為未來的跨學(xué)科研究提供了新的視角。

一 學(xué)習(xí)科學(xué)視角下的大模型涌現(xiàn)能力

作為一個跨學(xué)科的領(lǐng)域，學(xué)習(xí)科學(xué)關(guān)注人類學(xué)習(xí)過程中的各種因素和機制，包括認知、社會互動、技術(shù)支持等[12]。大模型的涌現(xiàn)能力不僅本身可以作為學(xué)習(xí)科學(xué)的研究對象，還可以為學(xué)習(xí)科學(xué)的研究與實踐提供新的手段和方法、創(chuàng)新的思路，也由此引入了新的倫理問題。

①大模型的涌現(xiàn)能力本身就是一個有趣且值得研究的現(xiàn)象。大模型在預(yù)訓(xùn)練和微調(diào)階段，以及執(zhí)行下游任務(wù)時的零樣本學(xué)習(xí)和少樣本學(xué)習(xí)與人類學(xué)習(xí)的過程高度相似[13]，這為學(xué)習(xí)科學(xué)研究提供了一些新的問題視角：大模型如何模擬元認知策略和自主學(xué)習(xí)過程，且在沒有明確指導(dǎo)的情況下如何從數(shù)據(jù)中“學(xué)習(xí)”？大模型的學(xué)習(xí)曲線與人類或其他生物的學(xué)習(xí)曲線有何異同，其背后存在什么樣的學(xué)習(xí)機制、運用了什么樣的學(xué)習(xí)策略？大模型如何識別模式、概念化和泛化知識，以及如何在不同的任務(wù)或領(lǐng)域之間遷移和應(yīng)用知識？大模型如何響應(yīng)并強化學(xué)習(xí)中的獎勵機制，其相應(yīng)的存儲、檢索和遺忘信息的內(nèi)在機制是什么？……這些研究問題不僅有助于了解人類學(xué)習(xí)的階段性特征和知識的獲取、遷移機制，也有助于理解學(xué)習(xí)過程中的自組織、知識傳遞、認知建模等方面的復(fù)雜性，從而推動學(xué)習(xí)科學(xué)領(lǐng)域的理論發(fā)展。

②大模型的涌現(xiàn)能力為學(xué)習(xí)科學(xué)研究提供了新的手段和方法。大模型為學(xué)習(xí)科學(xué)的理論研究提供了一個獨特的“虛擬實驗室”，在這里研究者可以模擬、測試、驗證各種學(xué)習(xí)理論的關(guān)鍵組成部分，這為深入理解人類學(xué)習(xí)機制和策略開辟了新途徑。例如，通過模擬學(xué)習(xí)者在社交互動中的知識共建過程，可以探索語言、工具和文化符號在學(xué)習(xí)過程中所起的作用。雖然大模型不具有真實的情感，但可以研究其如何處理與情感相關(guān)的語言輸入，來洞察情感與學(xué)習(xí)的關(guān)系。學(xué)習(xí)科學(xué)還可以利用人工智能領(lǐng)域的相關(guān)技術(shù)和方法，將大模型作為重要的研究環(huán)境和研究方法，如構(gòu)建虛擬學(xué)習(xí)環(huán)境、模擬虛擬學(xué)習(xí)者、挖掘?qū)W習(xí)模式、提供個性化學(xué)習(xí)路徑等。學(xué)習(xí)科學(xué)和人工智能領(lǐng)域的交叉合作將促進跨學(xué)科研究，而大模型的涌現(xiàn)能力為學(xué)習(xí)科學(xué)研究提供了新的工具和方法，能夠幫助研究者更深入地探索學(xué)習(xí)的本質(zhì)、機制和策略；同時，研究者也可從學(xué)習(xí)科學(xué)中獲取豐富的理論和實踐知識，并用于改進大模型的設(shè)計與應(yīng)用。

③大模型的涌現(xiàn)能力為學(xué)習(xí)科學(xué)實踐提供了創(chuàng)新的思路。涌現(xiàn)是指大模型基于訓(xùn)練的數(shù)據(jù)所展現(xiàn)出的、未被明確編程的能力和響應(yīng)，這意味著大模型可以在各種未見過的情境中生成有意義的回應(yīng)，包括個性化的資源生成、學(xué)習(xí)指導(dǎo)、環(huán)境創(chuàng)設(shè)和學(xué)習(xí)體驗優(yōu)化等[14]。例如，大模型通過微調(diào)適應(yīng)不同任務(wù)，具有類似于個體學(xué)習(xí)者在不同學(xué)習(xí)環(huán)境下的適應(yīng)性。學(xué)習(xí)科學(xué)可以利用這一特點，研究如何利用技術(shù)手段，根據(jù)學(xué)習(xí)者的學(xué)習(xí)需求和學(xué)習(xí)進度為其提供個性化的學(xué)習(xí)材料和反饋，從而優(yōu)化教學(xué)效果。大模型的自主學(xué)習(xí)能力可以反映個體學(xué)習(xí)者的學(xué)習(xí)潛力，學(xué)習(xí)科學(xué)可以利用這種能力，探索如何在教育中鼓勵學(xué)習(xí)者主動參與學(xué)習(xí)，并培養(yǎng)其自主學(xué)習(xí)能力。此外，大模型的多樣性生成也為個性化教學(xué)提供了新思路，有助于教師更好地滿足學(xué)習(xí)者的不同學(xué)習(xí)需求。基于大模型的涌現(xiàn)能力，教育者可以設(shè)計真實世界的模擬場景，讓學(xué)習(xí)者在安全的環(huán)境中進行實踐探索。例如，斯坦福大學(xué)和谷歌的人工智能研究團隊創(chuàng)造的“Smallville”虛擬世界[15]，能以高度逼真的行為模擬來呈現(xiàn)虛擬角色的獨立生活。大模型還可以與虛擬現(xiàn)實、增強現(xiàn)實等技術(shù)無縫融合，為學(xué)習(xí)者提供沉浸式學(xué)習(xí)體驗，并引導(dǎo)學(xué)習(xí)者探索不同學(xué)科之間的聯(lián)系，促進了跨學(xué)科的學(xué)習(xí)和研究。總之，大模型的涌現(xiàn)能力為教育和培訓(xùn)領(lǐng)域提供了一個強大的工具，能夠促進個性化、實時、深度和跨學(xué)科的學(xué)習(xí)。

④大模型的強大涌現(xiàn)能力加大了公眾對人工智能倫理和社會影響的關(guān)注。學(xué)習(xí)科學(xué)同樣面臨涌現(xiàn)帶來的倫理問題：涌現(xiàn)的核心特點是不可預(yù)測性，當(dāng)大模型生成出乎意料的、甚至是有害的輸出時，會引發(fā)誰應(yīng)該對此負責(zé)、如何控制此類輸出的問題；如果訓(xùn)練數(shù)據(jù)中存在偏見，大模型可能會復(fù)制或放大這些偏見。這意味著大模型可能會在無意中加劇社會不平等，尤其是涉及少數(shù)群體、性別、種族等問題時，大模型可能基于特定文化或地區(qū)的數(shù)據(jù)進行訓(xùn)練，這會導(dǎo)致對其他文化和價值觀的誤解或忽視。另外，一些來自公共領(lǐng)域的訓(xùn)練數(shù)據(jù)可能含有敏感信息或私人信息，大模型的生成內(nèi)容可能會泄露原始數(shù)據(jù)；鑒于大模型的復(fù)雜性，理解這些大模型如何做出特定的“決策”并非易事——這在需要解釋和驗證決策的場合（如政策制定、教育人才選拔等）尤其如此，決定著用戶是否有權(quán)控制與大模型的互動、了解其工作方式并做出有知情同意的決策；大模型可以生成逼真的內(nèi)容，這會引發(fā)關(guān)于虛假信息、誤導(dǎo)和真實性的倫理問題，用戶可能因為大模型的高性能而對其產(chǎn)生過度信任，導(dǎo)致忽視批判性思維的運用。當(dāng)大模型被廣泛應(yīng)用于教育教學(xué)領(lǐng)域時，倫理審視對于確保教育的公平、有效、有益至關(guān)重要。

二 大模型涌現(xiàn)能力對學(xué)習(xí)科學(xué)研究與實踐領(lǐng)域的拓展

大模型的涌現(xiàn)能力作為人工智能領(lǐng)域的重要成就之一，不僅為學(xué)習(xí)科學(xué)提供了新的研究對象，還為學(xué)習(xí)過程、認知建模、教育方法等帶來了新的視角和挑戰(zhàn)[16]，有助于深化學(xué)習(xí)科學(xué)的理論和實踐研究。下文將著重探討大模型涌現(xiàn)能力拓展學(xué)習(xí)科學(xué)研究與實踐領(lǐng)域的手段和表現(xiàn)。

1 拓展的手段

大模型的涌現(xiàn)能力為學(xué)習(xí)科學(xué)研究提供了認知科學(xué)的新視角。大模型需要基于海量、多樣化的語料進行預(yù)訓(xùn)練，通過預(yù)測詞序列，逐步習(xí)得知識的表達方式。而預(yù)訓(xùn)練過程中也會出現(xiàn)遺忘、干擾等問題，這就需要大模型通過重復(fù)學(xué)習(xí)形成知識的穩(wěn)定表達——這種過程性訓(xùn)練體現(xiàn)了人類學(xué)習(xí)的連續(xù)性、逐步性、穩(wěn)定性等特征。基于這樣的研究視角，借助大模型的涌現(xiàn)能力，通過提示工程、探針技術(shù)、仿真、內(nèi)容生成等手段，可以拓展學(xué)習(xí)科學(xué)的研究與實踐領(lǐng)域。

（1）提示工程

提示工程是在使用自然語言與大模型交互時，精心設(shè)計輸入提示（Prompts），以引導(dǎo)大模型生成特定輸出的過程。對于學(xué)習(xí)科學(xué)而言，通過設(shè)計復(fù)雜的提示，可以測試大模型語言理解和概念處理的能力，生成個性化的教學(xué)材料（如問題、解釋、案例），并評估大模型對不同認知水平的反應(yīng)。在各類提示工程中，最著名的是“思維鏈”（Chain of Thought）提示。“思維鏈”一詞最早由谷歌實驗室提出[17]，旨在讓大模型模仿人的思考過程。通過引導(dǎo)大模型沿著特定的思維路徑，可以更容易地解釋大模型的決策過程和生成的輸出內(nèi)容。

基于思維鏈，研究者進一步提出了許多拓展策略，如零樣本思維鏈、思維鏈自洽性、思維樹、思維圖等[18]。這些提示借鑒人類思維和問題解決的方法，強調(diào)了反思、任務(wù)分解、漸進式解決和靈活性等認知策略的重要性。借助思維鏈、定義角色等提示，可以構(gòu)建起一個連接機器計算過程和人類心理活動的“橋梁”：首先，可以更好地理解機器如何模擬人類的認知過程，從而為構(gòu)建更加復(fù)雜、高效的算法提供指導(dǎo)；其次，可以讓機器通過理解其自身的思維鏈和可能的選擇路徑，做出更加明智的決策；再次，可以幫助用戶更好地與大模型互動，這為設(shè)計更加自然、直觀和人性化的用戶界面提供了支持；最后，可以提供關(guān)于人類認知的新洞見，并且機器的模擬過程可為揭示人類心智中難以覺察的思維方式和學(xué)習(xí)模式提供了新的途徑。

（2）探針技術(shù)

探針（Probes）技術(shù)是一種使用特定任務(wù)或測試來探測大模型內(nèi)部工作機制和知識表示的技術(shù)[19]。從學(xué)習(xí)科學(xué)的視角來看，可以通過探針技術(shù)分析大模型如何處理復(fù)雜的語言結(jié)構(gòu)（如句法、語義等），從而理解大模型模擬人類記憶、注意力和推理的過程；也可以探測大模型如何實現(xiàn)內(nèi)部知識表示和組織，以及這些知識隨時間發(fā)展而變化的過程。

大模型可以通過應(yīng)用特定的探針技術(shù)，實時讀取內(nèi)部狀態(tài)矩陣的變化信息，這為觀察和分析學(xué)習(xí)過程中的認知活動提供了“窗口”。例如，研究者可以使用探針技術(shù)，研究BERT模型表示是否編碼了句法樹結(jié)構(gòu)的信息[20]，或者探測模型表示中的語義信息，如實體識別、語義角色標(biāo)注等[21]。通過構(gòu)建任務(wù)來測試大模型是否理解句子中的詞匯關(guān)系和結(jié)構(gòu)，有助于研究者理解大模型如何處理句法依賴和長距離依賴，或者將探針技術(shù)應(yīng)用于研究多語言模型表示，如測試大模型是否在不同語言之間共享相似的語義或句法結(jié)構(gòu)。目前，研究者已經(jīng)針對大模型開發(fā)了一系列探測工具，來了解和解釋大模型的工作原理。例如，激活圖譜（Activation Atlases）通過激活可視化神經(jīng)網(wǎng)絡(luò)，揭示大模型在識別圖像、文字或其他輸入時關(guān)注的區(qū)域[22]，從而幫助研究者理解大模型在處理不同類型數(shù)據(jù)時的行為；注意力可視化（Attention Visualization）通過展示大模型在處理序列數(shù)據(jù)時各部分之間的關(guān)聯(lián)強度，并揭示神經(jīng)網(wǎng)絡(luò)的“黑箱”內(nèi)部結(jié)構(gòu)[23]，來幫助解釋大模型的決策過程，加深研究者對復(fù)雜模型行為的理解。

（3）仿真

仿真是使用大模型來重現(xiàn)或模擬現(xiàn)實世界事件、過程或環(huán)境的方法。在學(xué)習(xí)科學(xué)中，仿真通常涉及創(chuàng)建虛擬環(huán)境或情境來模擬教學(xué)和學(xué)習(xí)過程[24][25]，具體包括：①創(chuàng)建虛擬的教學(xué)場景，如模擬學(xué)生的學(xué)習(xí)行為或教師的教學(xué)行為，幫助研究者測試不同教育理論或策略的實際應(yīng)用效果；②模擬人類的學(xué)習(xí)過程，通過觀察不同學(xué)習(xí)階段知識表示的變化（如語義關(guān)聯(lián)結(jié)構(gòu)的演進、概念屬性特征的編碼），來分析記憶編碼、學(xué)習(xí)推理等認知能力的形成過程，嘗試從不同角度建模并理解人類的學(xué)習(xí)過程；③模擬復(fù)雜的問題解決過程，為研究復(fù)雜認知任務(wù)提供示例，揭示解決復(fù)雜問題所需的認知能力和知識結(jié)構(gòu)。基于大模型的仿真豐富了學(xué)習(xí)科學(xué)領(lǐng)域的研究和實踐的工具箱，不僅有助于提升仿真環(huán)境的真實性和互動性，還為個性化學(xué)習(xí)和教學(xué)方法的創(chuàng)新提供了強大的技術(shù)支持。研究者可以利用仿真，探索和測試新的教學(xué)方法和理論，提供更加個性化和更多互動的學(xué)習(xí)體驗，推動跨學(xué)科研究的不斷深入。

（4）內(nèi)容生成

大模型不僅能夠理解和處理語言信息，還能創(chuàng)造性地生成新的內(nèi)容。在學(xué)習(xí)科學(xué)中，內(nèi)容生成作為一種研究手段已經(jīng)得到了廣泛的應(yīng)用[26][27]：大模型能夠生成學(xué)習(xí)科學(xué)研究的文本數(shù)據(jù)集，研究者可將這些數(shù)據(jù)集用于測試不同的學(xué)習(xí)理論和認知模型；通過生成描述性的教學(xué)場景或?qū)W習(xí)情境，研究者可以在控制環(huán)境中研究學(xué)習(xí)行為和過程；基于生成的內(nèi)容，研究者可以開發(fā)和測試新的教學(xué)策略與方法；生成涵蓋多個學(xué)科的內(nèi)容，研究者可以整合這些內(nèi)容，開展跨學(xué)科學(xué)習(xí)和研究；根據(jù)對生成內(nèi)容的分析，研究者可以研究和改善學(xué)習(xí)者的體驗，如模擬不同類型的教學(xué)材料來觀察學(xué)習(xí)者的反應(yīng)。此外，需要說明的是，大模型強大的自然語言表達能力作為生成內(nèi)容的一種重要形式，也為學(xué)習(xí)科學(xué)提供了新的研究范式。以往的學(xué)習(xí)科學(xué)研究常依賴于對人類學(xué)習(xí)者的行為觀察和測試，而大模型可以模擬人類學(xué)習(xí)者，主動進行交流和回答問題。研究者可以通過大模型生成的語言，來觀察其知識狀態(tài)、獲取其學(xué)習(xí)過程中的洞見。這種基于生成語言的研究范式，提供了一種類似于對人類學(xué)習(xí)者進行知識診斷和指導(dǎo)的新方法。

大模型的預(yù)訓(xùn)練雖然與人類的學(xué)習(xí)存在相似性，但兩者的認知處理、信息整合等內(nèi)在機制并不一致。學(xué)術(shù)界的主流觀點并不認為大模型具有真正的“意識”或“理解”能力，其只是基于數(shù)學(xué)和統(tǒng)計原理來預(yù)測詞序列。研究者可以觀察和分析大模型的行為輸出和內(nèi)部激活狀態(tài)，但理解其如何工作仍然是一個開放性問題。盡管大模型與人腦認知之間存在明顯的鴻溝，但大模型的涌現(xiàn)能力無疑為學(xué)習(xí)科學(xué)提供了探索人類學(xué)習(xí)與認知的新手段。

2 拓展的表現(xiàn)

大模型能夠識別、模擬復(fù)雜的語言模式和知識結(jié)構(gòu)，整合來自不同領(lǐng)域的知識，這對于理解學(xué)習(xí)過程中的認知模式、知識構(gòu)建和信息處理機制至關(guān)重要。借助上述拓展手段，大模型可在以下方面對學(xué)習(xí)科學(xué)的研究與實踐領(lǐng)域進行拓展：

（1）推進個性化學(xué)習(xí)

隨著學(xué)習(xí)科學(xué)理論研究日益關(guān)注個體之間的差異性，其相應(yīng)的實踐研究也開始探索如何在教學(xué)中融入學(xué)習(xí)者的個人學(xué)習(xí)特征和學(xué)習(xí)需求，以實現(xiàn)真正的個性化學(xué)習(xí)。而大模型可以模擬多種角色，或為教學(xué)環(huán)境中的不同角色提供合適的學(xué)習(xí)代理，這為個性化學(xué)習(xí)的研究與實踐提供了支持。具體來說，大模型可以通過提示工程或調(diào)整參數(shù)生成適應(yīng)不同學(xué)習(xí)者的個性化學(xué)習(xí)助手，為不同學(xué)習(xí)者構(gòu)建個性化的知識網(wǎng)絡(luò)，以及模擬不同群體的語言風(fēng)格生成不同類型的學(xué)習(xí)代理等，這無疑為個性化學(xué)習(xí)研究打開了新思路。同時，大模型可以通過在大型通用數(shù)據(jù)集上進行預(yù)訓(xùn)練，并使用針對特定個體或特定任務(wù)的數(shù)據(jù)集進行微調(diào)，來快速滿足不同學(xué)習(xí)者的需求。通過生成內(nèi)容，大模型可以創(chuàng)建針對學(xué)習(xí)者需求的內(nèi)容，如個性化的習(xí)題、解答或?qū)W習(xí)建議等，并同時處理多項教學(xué)任務(wù)，如內(nèi)容推薦、評估、反饋等。此外，大模型還可以通過分析學(xué)習(xí)者的互動記錄、答題模式和評價反饋，捕獲隱藏的學(xué)習(xí)模式，從而更準(zhǔn)確地了解學(xué)習(xí)者的需求。當(dāng)然，實現(xiàn)這些功能的關(guān)鍵在于充分利用大模型的涌現(xiàn)能力，通過大量的數(shù)據(jù)分析和適當(dāng)?shù)挠?xùn)練策略，為每個學(xué)習(xí)者提供有效的、個性化的學(xué)習(xí)體驗。

目前，己經(jīng)有許多基于大模型的個性化學(xué)習(xí)案例。例如，CodeGym課程使用大模型生成的編碼練習(xí)[28]，以互動游戲的形式幫助學(xué)習(xí)者從零開始掌握Java編程，并根據(jù)每個學(xué)習(xí)者的學(xué)習(xí)特點，提供個性化的編程學(xué)習(xí)計劃；AI閱讀助手使用大模型作為預(yù)測引擎來響應(yīng)用戶查詢[29]，并根據(jù)學(xué)習(xí)者水平自動校準(zhǔn)生成內(nèi)容的風(fēng)格，以讓每個學(xué)習(xí)者都能獲得最佳的個性化學(xué)習(xí)體驗，極大地提升了語言學(xué)習(xí)的效率。大模型為我們開啟了一個不同以往的實踐視角，并推動著個性化學(xué)習(xí)理論和實踐的進一步深入。

（2）挖掘?qū)W習(xí)過程

學(xué)習(xí)科學(xué)致力于探索人們?nèi)绾瘟?xí)得知識、技能和理解能力。學(xué)習(xí)不僅僅關(guān)乎最終的結(jié)果或成果，而是更多地涉及學(xué)習(xí)者在認知、情感、社交方面的經(jīng)歷。大模型為學(xué)習(xí)過程研究提供了一個獨特的視角：研究者通過觀察模型參數(shù)的變化和輸出結(jié)果，來揭示知識編碼與習(xí)得的方式；同時，借助大模型的可視化和錯誤分析，研究者可以了解學(xué)習(xí)過程中知識結(jié)構(gòu)和概念網(wǎng)絡(luò)的形成，這為學(xué)習(xí)理論提供了新的實證基礎(chǔ)和解釋性視角。

以機器翻譯訓(xùn)練為例，研究者通過收集大模型在不同訓(xùn)練階段輸出的目標(biāo)語言譯文、分析語法錯誤類型的演變，會發(fā)現(xiàn)早期翻譯存在大量的語法錯誤、而后期的語法錯誤逐漸減少，這展現(xiàn)了目標(biāo)語言習(xí)得的過程。與此同時，研究者可以針對大模型特定的語法錯誤輸出進行拓展訓(xùn)練，然后觀察錯誤是否得到改善。值得一提的是，Transformer模型中的自注意力機制呈現(xiàn)了詞語之間的關(guān)聯(lián)，研究者可以選擇特定詞語作為錨點，觀察其在模型訓(xùn)練過程中與其他詞逐步形成的新關(guān)聯(lián)，來模擬概念網(wǎng)絡(luò)的構(gòu)建過程。

需要指出的是，運用大模型進行學(xué)習(xí)過程的仿真和挖掘可能會過于簡化人類學(xué)習(xí)的復(fù)雜性，且不能充分體現(xiàn)個體差異、社會情境等影響因素。此外，理解學(xué)習(xí)過程需要雙向驗證，不能僅依賴大模型內(nèi)部狀態(tài)的觀察，還需借助學(xué)習(xí)結(jié)果進行評估。學(xué)習(xí)的個體經(jīng)驗也超出了語言描述的界限，難以被完整記錄于大模型之中。盡管如此，大模型為學(xué)習(xí)過程研究提供了可視化和解釋性的新途徑，作為一種探索性的方法，可以與行為研究、認知神經(jīng)科學(xué)等方法形成互補，以更全面地推進學(xué)習(xí)過程研究。

（3）基于不同場景復(fù)現(xiàn)經(jīng)典的實驗

利用大模型的強大自然語言處理能力和大規(guī)模訓(xùn)練數(shù)據(jù)，研究者可以開展控制實驗，以在認知水平上驗證經(jīng)典學(xué)習(xí)理論在不同情境的適用性。不同于基于規(guī)則的智能系統(tǒng)，大模型主要采用自監(jiān)督學(xué)習(xí)、在海量的文本數(shù)據(jù)上進行預(yù)訓(xùn)練，以捕獲語言的統(tǒng)計特性，并從中獲取語義、語法、常識等多方面的知識。在預(yù)訓(xùn)練階段，大模型實際上“學(xué)習(xí)”了基礎(chǔ)的語言知識。以此為基礎(chǔ)，通過遷移學(xué)習(xí)，大模型能夠在多種應(yīng)用場景中運用這些知識。研究者可以選擇適當(dāng)?shù)念A(yù)訓(xùn)練任務(wù)、語料庫和遷移學(xué)習(xí)任務(wù)，檢驗不同訓(xùn)練方式下的模型性能，以確保實驗設(shè)計與理論假設(shè)之間有明確的對應(yīng)關(guān)系。

利用大模型復(fù)現(xiàn)經(jīng)典的心理學(xué)和認知科學(xué)實驗需要借助一些工具，如BIG-bench和基于小插圖的認知心理學(xué)工具。BIG-bench（Beyond the Imitation Game benchmark）是研究者常用的測試工具，包括204項任務(wù)，涉及語言學(xué)、兒童發(fā)展、數(shù)學(xué)、常識推理、生物學(xué)、物理學(xué)、社會偏見、軟件開發(fā)等方面的問題，已被用于許多大模型的基準(zhǔn)能力評估[30]。而Binz等[31]使用基于小插圖的認知心理學(xué)工具，研究了大模型的決策推理、信息搜索、思考能力和因果推理能力。這些研究不僅有助于挖掘大模型的功能，還為理解人類的決策和思維方式提供了新視角。當(dāng)然，如何設(shè)計反映人類學(xué)習(xí)本質(zhì)的任務(wù)，以及如何正確解釋大模型的學(xué)習(xí)行為，仍然是艱巨的任務(wù)。但是，大模型無疑為認知科學(xué)研究提供了一個強有力的新工具，通過與傳統(tǒng)理論和心理實驗的結(jié)合，不僅可以推進學(xué)科發(fā)展，還將有助于回答人類學(xué)習(xí)的一些重要問題[32]。

（4）預(yù)測人類學(xué)習(xí)者的知識狀態(tài)和學(xué)習(xí)趨勢

對人類學(xué)習(xí)者的知識狀態(tài)和學(xué)習(xí)趨勢進行預(yù)測，是學(xué)習(xí)科學(xué)研究的重要課題。由于人類學(xué)習(xí)過程涉及多個層次（如感知、注意力、記憶、思維等）和因素（如情感、動機、先驗知識等），故從學(xué)習(xí)過程出發(fā)建立預(yù)測模型具有一定的挑戰(zhàn)性。雖然大模型沒有真正的“學(xué)習(xí)過程”或“意識”，但作為一個基于統(tǒng)計規(guī)律的算法模型，其可為相關(guān)研究提供一個可觀測和對比的平臺。

人類學(xué)習(xí)者具有情感、動機和社會交互等多維度的復(fù)雜性，而很多維度在大模型中是缺失的。盡管如此，在許多模擬的學(xué)習(xí)場景中，利用已有的基線測試，通過對比大模型與人類學(xué)習(xí)者的表現(xiàn)，可以進行知識狀態(tài)和學(xué)習(xí)趨勢的預(yù)測研究：經(jīng)過一定量的學(xué)習(xí)后，可以比較兩者在理解、運用關(guān)鍵概念方面的能力和知識掌握的效果；然后，引入新的學(xué)習(xí)內(nèi)容，追蹤并比較兩者在獲取新知識特征、錯誤類型等方面的異同；最后，改變學(xué)習(xí)內(nèi)容的難度，觀測兩者對學(xué)習(xí)難度變化的適應(yīng)能力。通過實驗，可以對比大模型和人類學(xué)習(xí)者在不同學(xué)習(xí)階段與條件下的表現(xiàn)，觀察和分析兩者的知識掌握效果、新知識獲取特征、錯誤類型以及對學(xué)習(xí)難度變化的適應(yīng)能力，從而建立一個針對特定學(xué)習(xí)場景和人群的仿真預(yù)測模型——此模型以人類學(xué)習(xí)者已有的認知能力、先驗知識、學(xué)習(xí)風(fēng)格和動機等特征作為輸入，預(yù)測其可能的知識狀態(tài)和學(xué)習(xí)趨勢，并提供有關(guān)特定學(xué)習(xí)場景下人類學(xué)習(xí)者可能性表現(xiàn)和進展的洞見。

當(dāng)然，預(yù)測過程需要更多地與人類學(xué)習(xí)過程對齊。盡管大模型在某些任務(wù)中的表現(xiàn)與人類相似，但這并不意味著大模型會經(jīng)過與人類相同的學(xué)習(xí)過程來完成這些任務(wù)，因此任何從大模型預(yù)測中得到的結(jié)論都需要謹慎地應(yīng)用于人類學(xué)習(xí)過程。在實際應(yīng)用中，除了嚴格的實驗設(shè)計和驗證，還需要進行多中心、多樣本的研究，以進一步確認模型和理論的普適性。因此，將大模型的“學(xué)習(xí)能力”與人類學(xué)習(xí)能力進行對照，是實現(xiàn)基于學(xué)習(xí)過程進行學(xué)習(xí)預(yù)測的關(guān)鍵一步，也為學(xué)習(xí)科學(xué)研究提供了新思路。

（5）模擬困難學(xué)習(xí)場景

利用大模型模擬困難學(xué)習(xí)場景，研究者能夠在可控的實驗條件下觀察復(fù)雜的學(xué)習(xí)過程，找出并識別影響學(xué)習(xí)成效的關(guān)鍵因素，從而發(fā)現(xiàn)學(xué)習(xí)瓶頸之所在。在真實的教學(xué)環(huán)境中，很多影響學(xué)習(xí)效果的因素常常難以被單獨區(qū)分，加上對傳統(tǒng)行為研究變量的控制存在困難，這使得精確識別影響學(xué)習(xí)的關(guān)鍵因素變得更加復(fù)雜。相比之下，在可控的模擬環(huán)境中，研究者可以利用大模型逐項控制可能的影響變量，然后直接觀察這些變量對學(xué)習(xí)成效的影響。這種模擬環(huán)境具有高度可控性，可以消除學(xué)科教學(xué)中的實際約束，將理論推至極致，有助于更深刻地理解學(xué)習(xí)的本質(zhì)。例如，在語文教學(xué)中，雖然長難句對理解能力有一定的影響，但真實教學(xué)中很少出現(xiàn)過于復(fù)雜的句子。通過模擬環(huán)境，大模型可以被用來構(gòu)建極其復(fù)雜的句子，以測試并觀察其語言理解能力的極限，從而深入揭示學(xué)習(xí)復(fù)雜句型的困難之所在。

另外，利用大模型可以輕松地獲取海量數(shù)據(jù)，這不僅解決了大規(guī)模實驗數(shù)據(jù)人工獲取困難的問題，還可以不受數(shù)據(jù)量的限制而從多角度評估學(xué)習(xí)效果，從而為復(fù)雜學(xué)習(xí)評估體系的構(gòu)建提供支持。當(dāng)然，用大模型模擬困難學(xué)習(xí)場景時，需要注意模擬環(huán)境的準(zhǔn)確設(shè)置和學(xué)習(xí)評估體系的普適性，并要注意根據(jù)實證反饋不斷優(yōu)化模擬過程。

三 研究局限與未來探索

1 研究局限

本研究從多個角度闡述了大模型涌現(xiàn)能力與學(xué)習(xí)科學(xué)研究的互動關(guān)系，但在實際的推進過程中，考慮到當(dāng)前大模型在可解釋性、透明度方面的缺陷，以及大模型技術(shù)資源供給的不足，需要重點關(guān)注以下研究局限：

①大模型涌現(xiàn)能力對學(xué)習(xí)科學(xué)研究有一定的推動作用，但在實際的推進過程中必須注意兩者的差異。大模型的工作機制與人類學(xué)習(xí)存在顯著差異，當(dāng)前大模型只能模擬某些語言交互的外在表現(xiàn)，而無法全面反映復(fù)雜的內(nèi)在學(xué)習(xí)過程。將大模型應(yīng)用于學(xué)習(xí)科學(xué)研究，可能會存在過于簡化人類學(xué)習(xí)的復(fù)雜性，導(dǎo)致得出的結(jié)論具有片面性的問題。另外，本研究對于大模型拓展學(xué)習(xí)科學(xué)的研究與實踐較多地停留在思想實驗的層面，缺少對實際應(yīng)用環(huán)境及其效果的考量。學(xué)習(xí)是一個復(fù)雜的社會活動，不僅包含認知層面的知識習(xí)得，還受情感交互、文化差異等因素的影響，但目前的大模型還無法納入這些維度，因而可能無法完全捕捉學(xué)習(xí)過程的真實復(fù)雜性，導(dǎo)致其預(yù)測和解釋學(xué)習(xí)成效的能力受限。大模型雖為學(xué)習(xí)科學(xué)提供了新的手段和方法，但仍需與神經(jīng)科學(xué)、教育統(tǒng)計學(xué)等傳統(tǒng)方法相結(jié)合，打造差異化、互補的研究生態(tài)。

②雖然大模型涌現(xiàn)能力成為了公眾關(guān)注的熱點，但圍繞這一能力的解釋和理解一直存在不同的聲音。涌現(xiàn)能力通常被認為是一種在小型模型中不存在而在大型模型中出現(xiàn)的能力，但有研究者提出了一個替代解釋[33]，即認為目前大模型的涌現(xiàn)能力可能并不是由于其規(guī)模的增加而出現(xiàn)的相變，而是由于研究者選擇的度量標(biāo)準(zhǔn)導(dǎo)致的結(jié)果。也就是說，觀察到的涌現(xiàn)能力可能是由特定的度量標(biāo)準(zhǔn)塑造的，當(dāng)使用不同的度量標(biāo)準(zhǔn)或更好的統(tǒng)計方法時，這種涌現(xiàn)能力可能會消失。另外，有研究者提出，由于大模型及其強大的能力引起了公眾的廣泛關(guān)注，并受到了媒體的大肆炒作，可能出現(xiàn)對這些大模型實際能力過高評估的現(xiàn)象[34]。盡管這些質(zhì)疑的聲音并不強烈，但凸顯了一個重要的問題：需要更加嚴謹、客觀地評估大模型的涌現(xiàn)能力。

2 未來探索

為了充分發(fā)揮大模型的優(yōu)勢，未來學(xué)習(xí)科學(xué)研究需確保大模型的學(xué)習(xí)過程與人類的學(xué)習(xí)過程存在可比性，同時建立可解釋、可量化的語言交互分析框架。在此基礎(chǔ)上，未來學(xué)習(xí)科學(xué)研究需從認知模型構(gòu)建、內(nèi)在機制剖析、學(xué)習(xí)效果評估三個方面，持續(xù)、深入地研究大模型的涌現(xiàn)能力及其影響，既充分利用大模型的計算能力，也規(guī)避其潛在的風(fēng)險。

①認知模型建構(gòu)。未來的一個重要研究方向，是構(gòu)建涌現(xiàn)能力的認知模型。這就需要設(shè)計概念形成、邏輯推理、知識遷移等任務(wù)，通過多輪交互訓(xùn)練，觀察大模型能否像人類學(xué)習(xí)者一樣在任務(wù)完成的過程中逐步形成新概念和認知模式。同時，需要調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，加入外部記憶、具身組件等認知組件，使大模型涌現(xiàn)過程更符合人類認知的機制[35]。這種對涌現(xiàn)過程的認知建模和模擬，有助于揭示學(xué)習(xí)過程中新知識產(chǎn)生的內(nèi)在規(guī)律。進行具體的研究時，可以開發(fā)新的認知任務(wù)和評估指標(biāo)，以測試認知模型在概念形成、邏輯推理等方面的性能，并將大模型的認知過程與人類的學(xué)習(xí)過程進行比較，以更深入地了解兩者的相似性和差異性。

②內(nèi)在機制剖析。理解大模型涌現(xiàn)能力的內(nèi)在機制，對于更好地發(fā)揮大模型的優(yōu)勢并規(guī)避其潛在的風(fēng)險至關(guān)重要。這就需要通過梯度分析、注意力可視化等技術(shù)，深入剖析大模型在不同認知任務(wù)中產(chǎn)生新輸出的內(nèi)在機制。例如，利用探針技術(shù)分析不同層級的激活模式，以識別哪些層對輸出的新穎性更為關(guān)鍵，以及注意力的分布是否關(guān)注到了更廣域的上下文等。同時，設(shè)計對抗樣本，觀察不同的輸入如何導(dǎo)致大模型產(chǎn)生錯誤的涌現(xiàn)，并對大模型在不同任務(wù)和條件下的表現(xiàn)進行比較，找出各類模型涌現(xiàn)脆弱性背后的真正原因。這些對涌現(xiàn)機制的理解，有助于實現(xiàn)大模型的定向優(yōu)化。例如，通過對抗樣本揭示的問題，可以進一步分析大模型內(nèi)部機制，探索大模型能否準(zhǔn)確地將先驗知識應(yīng)用于新情境，從而有針對性地應(yīng)對遷移學(xué)習(xí)中的挑戰(zhàn)。因此，借助內(nèi)在機制剖析，可以開發(fā)更有效的教學(xué)策略，并有效解決學(xué)習(xí)者的遷移困難問題，從而促進知識的遷移與應(yīng)用。

③學(xué)習(xí)效果評估。對大模型的涌現(xiàn)能力進行認知模型構(gòu)建和內(nèi)在機制剖析十分重要，但最終仍需回到怎樣對學(xué)習(xí)效果進行評估的問題。未來研究需要構(gòu)建系統(tǒng)的學(xué)習(xí)效果評估模型，重點評價大模型涌現(xiàn)內(nèi)容的邏輯性、準(zhǔn)確性等，以及能否真正促進不同學(xué)習(xí)者對知識的深化理解與遷移應(yīng)用。這就需要結(jié)合知識測驗、課堂調(diào)查、錯題分析等手段，綜合評估涌現(xiàn)內(nèi)容的真正學(xué)習(xí)價值。只有持續(xù)開展這種對涌現(xiàn)內(nèi)容學(xué)習(xí)效果的評估和優(yōu)化，才能在學(xué)習(xí)科學(xué)中更安全、可控地使用大模型。例如，在大規(guī)模的教育實驗中，可以采用隨機對照實驗或準(zhǔn)實驗的方式，對大模型生成的學(xué)習(xí)材料與傳統(tǒng)教材的使用效果進行對比；也可以開發(fā)自動化評估工具，對大模型涌現(xiàn)內(nèi)容的質(zhì)量和學(xué)習(xí)效果進行評估，從而不斷優(yōu)化生成內(nèi)容和相應(yīng)的教學(xué)策略。

四 結(jié)語

隨著大模型的風(fēng)起云涌，其在教育領(lǐng)域的落地成為了人們關(guān)注的焦點。本研究從學(xué)習(xí)科學(xué)的視角深入探討了大模型的涌現(xiàn)能力，分析了涌現(xiàn)能力作為學(xué)習(xí)科學(xué)研究的對象、手段和方法的原因，在此基礎(chǔ)上通過引入提示工程、探針技術(shù)、仿真、內(nèi)容生成等手段，拓展學(xué)習(xí)科學(xué)的研究與實踐領(lǐng)域，并從認知模型構(gòu)建、內(nèi)在機制剖析、學(xué)習(xí)效果評估三個方面對未來學(xué)習(xí)科學(xué)研究進行了探索。本研究發(fā)現(xiàn)，大模型不僅提供了一個探索和解析學(xué)習(xí)復(fù)雜性的獨特工具，更重要的是，其涌現(xiàn)能力將深刻影響學(xué)習(xí)科學(xué)研究與實踐的方向，這將為學(xué)習(xí)科學(xué)的新范式探索、新學(xué)習(xí)模式發(fā)現(xiàn)和教學(xué)策略創(chuàng)新提供寶貴的機會，并將進一步推動學(xué)習(xí)科學(xué)的理論和實踐創(chuàng)新。

[1]Wei J, Tay Y, Bommasani R, et al. Emergent abilities of large language models[J]. Transactions on Machine Learning Research, 2022:1-30.

[2]Sorin V, Klang E. Large language models and the emergence phenomena[J]. European Journal of Radiology Open, 2023,10:100494.

[3][34]Webb T, Holyoak K J, Lu H. Emergent analogical reasoning in large language models[J]. Nature Human Behaviour, 2023,(9):1526-1541.

[4](美)約翰·霍蘭德著.陳禹,方美琪譯.涌現(xiàn)[M].浙江:浙江教育出版社,2022:3-19.

[5]Sawyer R K. Social emergence: Societies as complex systems[M]. Cambridge: Cambridge University Press, 2005:1-9.

[6]Jacobson M J. Complexity conceptual perspectives for research about educational complex systems[J]. The Journal of Experimental Education, 2020,(3):375-381.

[7]Lu S, Bigoulaeva I, Sachdeva R, et al. Are emergent abilities in large language models just in-context learning?[OL].

[8]Wang C, Zheng B, Niu Y, et al. Exploring generalization ability of pretrained language models on arithmetic and logical reasoning[A]. NLPCC 2021: Natural Language Processing and Chinese Computing[C]. Cham: Springer International Publishing, 2021:758-769.

[9]Hou Z, Salazar J, Polovets G. Meta-learning the difference: Preparing large language models for efficient adaptation[J]. Transactions of the Association for Computational Linguistics, 2022,10:1249-1265.

[10][33]Schaeffer R, Miranda B, Koyejo S. Are emergent abilities of large language models a mirage?[OL].

[11]Ichien N, Stamenkovic D, Holyoak K J. Large language model displays emergent ability to interpret novel literary metaphors[OL].

[12]Sawyer R K. The cambridge handbook of the learning sciences[M]. Cambridge: Cambridge University Press, 2014:1-43.

[13]Orrù G, Piarulli A, Conversano C, et al. Human-like problem-solving abilities in large language models using ChatGPT[J]. Frontiers in Artificial Intelligence, 2023,6:1199350.

[14]焦建利.ChatGPT:學(xué)校教育的朋友還是敵人?[J].現(xiàn)代教育技術(shù),2023,(4):5-15.

[15]Park J S, O’Brien J C, Cai C J, et al. Generative agents: Interactive simulacra of human behavior[A]. Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology[C].New York: Association for Computing Machinery, 2023:1-22.

[16]苗逢春.生成式人工智能技術(shù)原理及其教育適用性考證[J].現(xiàn)代教育技術(shù),2023,(11):5-18.

[17]Wei J, Wang X, Schuurmans D, et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in Neural Information Processing Systems, 2022,35:24824-24837.

[18]Chu Z, Chen J, Chen Q, et al. A survey of chain of thought reasoning: Advances, frontiers and future[OL].

[19]Wang J, Cao M, Shi S, et al. Attention probe: Vision transformer distillation in the wild[A]. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)[C]. Singapore: IEEE, 2022:2220-2224.

[20]Hewitt J, Manning C D. A structural probe for finding syntax in word representations[A]. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies[C]. Minnesota: Association for Computational Linguistics, 2019:4129-4138.

[21]Reif E, Yuan A, Wattenberg M, et al. Visualizing and measuring the geometry of BERT[J]. Advances in Neural Information Processing Systems, 2019, 32:1-10.

[22]Carter S, Armstrong Z, Schubert L, et al. Activation atlas[J]. Distill, 2019,(3):1-15.

[23]Vig J. A Multiscale Visualization of attention in the transformer model[OL].

[24]Ratican J, Hutson J, Plate D. Synthesizing sentience: Integrating large language models and autonomous agents for emulating human cognitive complexity[J]. Journal of Artificial Intelligence, Machine Learning and Data Science, 2023,(4):1-7.

[25]Wu Z, Peng R, Han X, et al. Smart agent-based modeling: On the use of large language models in computer simulations[OL].

[26]Kasneci E, Se?ler K, Kuchemann S, et al. ChatGPT for good? On opportunities and challenges of large language models for education[J]. Learning and Individual Differences, 2023,103:102274.

[27]Moore S, Tong R, Singh A, et al. Empowering education with LLMs: The next-gen interface and content generation[A]. International Conference on Artificial Intelligence in Education[C]. Cham: Springer Nature Switzerland, 2023:32-37.

[28]CodeGym. Learn Java online in a fun way [OL].

[29]Hsiao S, Collins E. Try bard and share your feedback[OL].

[30]Srivastava A, Rastogi A, Rao A, et al. Beyond the imitation game: Quantifying and extrapolating the capabilities of language models[OL].

[31]Binz M, Schulz E. Using cognitive psychology to understand GPT-3[J]. Proceedings of the National Academy of Sciences, 2023,(6):e2218523120.

[32]陳向東.大型語言模型的教育應(yīng)用研究報告(中國人工智能學(xué)會系列白皮書)[M].上海:華東師范大學(xué)出版社,2023:89-104.

[35]鄭旭東,王美倩,周子荷.人工智能推動教育具身何以可能——論具身的人工智能與具身的教育實踐[J].現(xiàn)代教育技術(shù),2023,(6):5-14.

Expanding the Boundaries of Discipline: The Influence of the Emergent Ability of Large Language Models on the Learning Science

CHEN Xiang-Dong ZHAO Li-Juan LIU Ze-Min

s: As the focus of interdisciplinary attention, the emergent ability of large language models (LLMs) have demonstrated their profound influence on system science, psychology, and linguistics and other fields, and its value for learning science research and practice is also beginning to emerge. Based on this, the paper firstly explained the emergent ability of LLMs from the perspective of learning science, pointed out that LLMs’ emergence ability can not only serve as the subject of learning science, but also provide new means, methods and innovative ideas for the research and practice of learning science, along with new ethical issues. After that, this paper introduced the means and performances of LLMs’ emergent ability to expand the research and practice of learning science, that is, with the help of LLMs’ emergent ability, the expansion of multiple research and practice fields of learning science through prompt engineering, probe, simulation, and content generation and other means. Finally, this paper discussed the research limitations of the current research, and proposed that the future research of learning science needed to continuously and deeply study LLMs’ emergence ability and its influence from three aspects of cognitive model construction, internal mechanism analysis and learning effect evaluation. This paper discussed the interaction relationship between the LLMs’ emergence ability and the research of learning science from multiple angles, and analyzed the promoting effect of the LLMs’ emergence ability on the research of learning science, which provided a new perspective for exploring and understanding the complex process of human learning. In addition, the in-depth analysis of the LLMs’ emergence ability will help us better understand the cognitive mechanism in the learning process, discover new learning models and teaching strategies, and further promote the theoretical and practical innovation of learning science.

large language models; emergent ability; learning science; interdisciplinary

G40-057

A

1009—8097（2024）01—0044—11

10.3969/j.issn.1009-8097.2024.01.005

本文為2023年全國教育科學(xué)規(guī)劃一般課題“基于大語言模型的青少年人工智能教育研究”（項目編號：BCA230276）的階段性研究成果。

陳向東，教授，博士，研究方向為共享調(diào)節(jié)學(xué)習(xí)理論、教育領(lǐng)域的循證實踐、新媒體閱讀和人工智能教育，郵箱為xdchen@deit.ecnu.edu.cn。

2023年9月9日

編輯：小米