共富背景下城鄉教共體學習者GAI準備度研究

摘要：教育促進共同富裕是教育領域戰略性課題，技術賦能是促進城鄉教共體有效協同的重要方式。當前城鄉教育資源分布不均，促進教育公平和建立精準長效的教育幫扶迫在眉睫。自2022年底以來，生成式人工智能（GAI）的出現引發全球高度關注，它為學生學習方式和教師教學形態的變革提供了全新的思路，也對城鄉教共體結對學校學生的協作學習提出新的挑戰。因此，探討城鄉學生利用GAI進行協作學習的預先準備情況對于后續城鄉教共體在智能時代更好地協同發展具有重要意義。本研究以浙江省7對城鄉教共體的10所小學為研究對象，基于比格斯“3P”學習理論，構建了學習者GAI準備度（Readiness）的影響因素模型。研究發現：整體而言，優勢校學生在GAI準備度方面得分均值高于弱勢校學生，女生高于男生，高年級學生高于低年級學生；移情關注和預期確認是影響城鄉教共體學習者GAI準備度最重要的兩個因素；預期確認、雙師教學質量和系統質量通過移情關注、自我呈現或師生互動公平感中介GAI準備度。本研究從多維中介視角切入，探索了學習者GAI準備度及影響因素；在此基礎上，在實踐層面上提出了GAI融入城鄉教共體教學的幾點建議。

關鍵詞：教育共富；城鄉教育共同體；生成式人工智能準備度

中圖分類號：G434 文獻標識碼：A

* 本文系國家社會科學基金教育學重大項目“新發展階段教育促進共同富裕研究”（項目編號：VFA220003）階段性研究成果。 翟雪松為本文通訊作者。

一、研究背景

富民之道，教民為要。中國歷屆政府都十分重視城鄉教育間的均衡發展問題，通過制定各種政策和采用各類技術手段來嘗試促進教育公平目標的達成。2023年，中共中央辦公廳發布了《關于構建優質均衡的基本公共教育服務體系的意見》，其中強調要健全城鄉學校幫扶激勵機制，確保鄉村學校都有城鎮學校對口幫扶[1]，在2024年發布的中央一號文件中指出要進一步推進城鄉學校共同體建設[2]。作為全國促進共同富裕的示范省份，浙江省早在2021年就發布了有關推進城鄉教育共同體建設（下文簡稱為“城鄉教共體”）的省域文件，并在國內率先進行了城鄉教共體的規模化實踐探索，旨在通過同步課堂、混合式教研等形式實現教育資源城鄉共享和城鄉師生高效協作教學，最終促進城鄉教育公平和共富目標的實現[3-5]。此后，全國多個省份也陸續開始城鄉教共體的實踐。目前，浙江省城鄉教共體的協作教學已經取得了一定的成效，城鄉教師資源得到有效整合，城鄉義務教育更趨近優質均衡[6]。本文選取全國最先開展城鄉教共體實踐區域的學習者作為研究對象，考察他們對于教共體教學實踐及新興技術的態度，由此總結一些影響因素和規律，為全國更大范圍內城鄉教共體師生未來更好地開展協作教學實踐提供調研依據。

生成式人工智能（Genetic Artificial Intelligence，下文簡稱“GAI”）的出現及在教育中的深入應用，將深刻改變未來教育的生態系統，城鄉教共體未來的發展也將深受其影響，使得城鄉教共體的輻射面會更廣，應用場景更加豐富。然而，GAI應用到城鄉學校教育中仍有較大的挑戰。其一，城鄉學習者有關GAI的使用意愿及使用行為等可能會是城鄉間數字鴻溝和教育差距拉大或縮小等關鍵影響因素。其二，GAI的技術存在內生性不足，其訓練模式多依靠的是已有的互聯網數據，缺乏真實教育情境及相關數據的支撐，且輸出的內容存在捏造的風險，城鄉教共體的師生需要對此有所認識。其三，雖然GAI具有支持學習者個性化學習的潛在優勢[7]，但在城鄉師生協作教學的進程中，來自城鄉教共體學校的學習者是否已經做好準備接納GAI融入并支持整個教學過程，尚缺乏相關研究。因此，該領域迫切需要研究者去探討城鄉協作教學中學習者有關GAI的準備情況及其影響因素。基于目前GAI融入城鄉教育的困境和研究不足，本研究調研了浙江省某海島縣7對開展“互聯網+”協作教學城鄉教共體的10所學校，通過城鄉教共體一線課堂的深入觀察以及實地師生訪談，基于比格斯“預備（Presage）—過程（Process）—結果（Product）”的3P分析框架，研究首先構建了城鄉教共體協作教學學習者的GAI準備度模型，并根據該模型研制了相關問卷，邀請這10所教共體學校參與過同步課堂學習的450名學生填寫問卷，由此探索該模型的有效性，引導城鄉教共體學習者及時抓住GAI帶來的機遇，并為城鄉教育決策者和教育實踐者提供有益的信息，充分挖掘鄉村智力資源的優勢和潛力，助力智能時代韌性教學生態系統的準備，帶動鄉村全方位振興。

二、研究基礎與研究假設

（一）研究基礎

GAI的開放性賦予了學習者個體性發展的機會，具有推進知識平權、教育公平和教育共富的潛力。城鄉教共體學習者承載著中國促進教育公平、建設高質量教育體系和實現全體人民共同富裕的希冀，此前已有較多研究關注GAI融入一般教學情境中學習者的感知和應用研究，如高中生對GAI認知[8]、大學生GAI應用現狀和使用意愿調查[9][10]、GAI輔助大學生編程學習[11]等，卻很少有研究能關注到這一具有鄉村教育振興先行戰略意義的少數特殊群體。研究城鄉學習者GAI準備度，有利于挖掘學習者應用GAI的有益或阻礙因素，激發GAI賦能城鄉協作教學和推進城鄉教育共富的更大能量。在以往研究中，學習準備度泛指學習者在學習前所表現的就緒狀態，而人工智能學習準備度則是考量學習者應用人工智能整合學習的可能程度，包括學習者的心理傾向、知識能力等等[12]。過往數字化學習準備度也大多從學習者就緒表現出發，評估學習者的知識、經驗與技能等能力狀態和意愿水平，比如探討學習者的人工智能技術信念[13]、智能知識準備和智能能力準備等因素對人工智能學習準備度的量化影響[14][15]。綜合各個層面的觀點，本研究認為學習者GAI準備度是指學習者應用GAI開展學習的就緒程度，并主要從學習者的學習平臺使用意愿與使用GAI輔助學習意愿的這兩個維度來構建和考量學習者GAI準備度。

比格斯（Biggs）在1989年提出的“預備（Presage）—過程（Process）—結果（Product）”（3P）框架已被大量的研究用來分析和解釋學生的學習過程，比如學生在線學習和學生MOOC學習持續意愿等等[16]。如圖1所示，該理論認為對學習活動（例如，學習課程）的理解應該始于活動發生前的因素，例如學習者的特征（例如：能力、動機、先驗知識）和教學環境（例如：教學方法、制度氛圍）。這些先兆因素不僅影響學習者的學習過程（例如，學習策略、學習行為和學習狀態等），還可能直接決定其學習結果（例如：學習成績、滿意度與持續意愿等）。

在過往研究中，許多學者積極探討了學習者預期、教學方法或教學系統等自變量對技術使用意愿的影響。例如，An等人將作為學習者預期作為過程變量，直接探討其對人工智能使用意愿的影響[18]；Wang和An等人探索了設備條件和支持性環境對人工智能使用意愿的影響[19][20]。然而，眾多學者只是聚焦各自變量對技術使用意愿的直接影響，較少有研究對影響過程中的中介機制進行探討，以致我們對認識影響過程中的中介變量所產生的作用還缺乏依據。因此，本研究主要參考比格斯3P分析框架，結合城鄉協作教學場景的獨有特點，并借鑒心理學和社會學領域的研究成果，從多維中介視角分析學習者GAI準備度及其影響因素，在模型中創新性加入了自我呈現、師生互動公平感和移情關注的中介變量考量，以期進一步厘清GAI準備度模型中過程變量所發揮的作用。如圖2所示，基于比格斯教與學的3P理論，本研究對應教學的各個階段，對相關影響因素進行分類，如將預期確認、雙師協作教學和系統質量作為教學預備階段的先兆要素，將自我呈現、師生互動公平感和移情關注作為教學過程的要素，將學習者GAI準備度作為教學結果階段的要素，共同構建城鄉教共體協作教學GAI準備度影響因素關系模型。

（二）研究假設

根據上述研究理論，本研究提出以下理論模型反映預期確認、系統質量、雙師教學質量、自我呈現、師生互動公平感、移情關注和GAI準備度之間的關系。

1.互動公平感的中介效應

師生課堂互動在教學研究中，已被前人多次驗證其在教學過程和教學結果發揮著重要作用。影響課堂互動的因素眾多，學習者的預期、教師教學方法和互動環境支持的等等都能夠影響課堂互動的質量，進而影響教學結果[21][22]。其一，預期確認在形成學習者對學習過程中的課堂互動感知起著重要作用[23]，努力預期和績效預期可以正向預測使用人工智能的行為意愿[24]。其二，在城鄉教共體協作教學中，雙師都需要調整原有的教學方式和教學方法，共同開展教學協作，適應同步課堂的教學和互動。區別于傳統課堂中只有單名教師與一個班學生的互動，城鄉教共體協作教學具有多主體的特點。主講教師需要設計合理的教學策略，協調好與城鄉兩端學生互動，讓學生感受到公平的互動，這是衡量城鄉教共體協作教學是否成功的關鍵因素[25]。其三，城鄉教共體協作教學的技術系統包括了網絡技術、屏幕畫面、播音系統等設備，系統中任何一個環節出現問題都會極大地影響師生參與課堂的互動和教學體驗。有研究已證實學習環境系統的感知質量會影響感知易用性、感知有用性和用戶滿意度[26]，進而影響學生使用人工智能支持學習的行為意圖[27]。基于上述研究理論和成果，本研究提出以下假設：

假設H1：師生互動公平感是預期確認和GAI準備度的中介變量。

假設H2：師生互動公平感是雙師教學質量和GAI準備度的中介變量。

假設H3：師生互動公平感是系統質量和GAI準備度的中介變量。

假設H4：師生互動公平感對GAI準備度具有顯著正向影響。

2.自我呈現的中介效應

戈夫曼的擬劇論為社會交往中的自我形象塑造提供一種視角。擬劇論認為當一個人認識到自己在“舞臺”上行動時，會積極展示自己美好的一面，也即自我呈現[28]。如果視城鄉教共體協作教學為一個“舞臺”，則師生都是參與表演的主角，他們的行為和表現都會被另一端師生進行觀察。然而還需要更多的證據證明“自我呈現”在課堂中發揮的作用，因此本研究提出以下假設：

假設H5：自我呈現是預期確認和GAI準備度的中介變量。

假設H6：自我呈現是雙師教學質量和GAI準備度的中介變量。

假設H7：自我呈現是系統質量和GAI準備度的中介變量。

假設H8：自我呈現對GAI準備度具有顯著正向影響。

3.移情關注的中介效應

在城鄉教共體協作教學中，城鄉師生需要投入移情、包容與幫助的精神和情感參與課堂。移情關注是一種站在他人的角度，對他人的情緒、想法和認知感同身受，作出認知理解和情感回應等行為[29]。一些實證研究已經證明，移情關注與動機之間存在正相關關系，有利于激發和維持學習者興趣和注意力[30]，這可能是因為個體在共情時具有更高的利他動機，會趨向減輕他人的痛苦，滿足他人的需求。這種心理狀態可能會促使學生對學習過程的投入和參與，增加學生的理解和包容。也有研究指出，移情是積極學生結果的最強預測因素之一，包括學業成績以及情感和行為結果[31]。因此，本研究預測移情關注可能會在城鄉教共體協作教學中發揮強烈的中介效應，對教學結果產生積極影響，并提出以下假設：

假設H9：移情關注是預期確認和GAI準備度的中介變量。

假設H10：移情關注是雙師教學質量和GAI準備度的中介變量。

假設H11：移情關注是系統質量和GAI準備度的中介變量。

假設H12：移情關注對GAI準備度具有顯著正向影響。

三、研究方法

（一）研究對象

研究選取浙江省某海島縣作為研究對象。該海島縣地理位置偏遠，交通不便，教育資源相對落后，青年教師流失嚴重，自2019年開始，該海島縣通過實施城鄉協作教學來解決師資不足、開不齊課和開不好課等教學難題。縣內的10所小學全都參與了城鄉教共體的結對活動。調查問卷使用“問卷星”在線問卷服務平臺，由縣教育局面向這10所城鄉學校的學生發放，其中3所是城鎮優勢學校，7所是鄉村弱勢學校。每所優勢校都會與2-3所弱勢校結對，形成7對共同體，以強帶弱，共同開展城鄉教共體協作教學的備課、實踐與教研。

（二）問卷編制

本研究借鑒混合式學習的研究成果，結合城鄉教共體協作教學現狀和學生特點，編制了“城鄉教共體協作教學環境中的學習者GAI準備度調查問卷”（下文簡稱“問卷”），選項采用李克特五點量表法，根據同意或滿意的程度依次賦值1—5分，題項的分值越高，表示同意或滿意的程度越高。

問卷包含兩部分：第一部分收集學生基本信息，包括性別、學段、班級和同步課堂參與頻次。第二部分是有關城鄉教共體協作教學GAI準備度的調查（如表1所示）。

（三）數據收集

問卷面向浙江省某海島縣參與過城鄉教共體協作教學實踐的小學發放。考慮到低年級學生的認知能力有限，本問卷主要面向3—6年級具備初步或較強的獨立識字能力、能夠進行問卷的閱讀和理解的學生發放[40]。在線問卷在2023年10月20日—11月28日期間投放，經過數據整理后得到450份有效問卷。問卷回收后，使用SPSS 27.0和SmartPLS 4統計軟件對其進行統計分析。樣本特征描述統計如表2所示。初步的描述性統計結果顯示，在GAI準備度的兩個一階因子的得分上，優勢校學生的均值高于弱勢學生，女生高于男生，高年級學生高于低年級學生。

（四）信效度檢驗

首先，本研究采用SPSS 27.0軟件對問卷進行了信度檢驗，整體問卷的Cronbach’s α值=0.964，且各潛在變量的Cronbach’s α值均大于0.8，證明問卷的信度較高，具有良好的內部一致性[41]。

其次，由于本研究中的問卷設計參考已有的成熟問卷設計及專家訪談意見，內容效度已得到保障。接著使用SPSS通過主成分分析法進行探索性因子分析，降維結果顯示KMO統計量為0.948，達到0.9以上的非常合適水平，樣本分布球形Bartlett卡方檢驗顯著性小于0.001，旋轉后累積方差解釋率為75.757%，解釋力較好，適合進行因子分析。

在進行SPSS的先驗性信效度檢測之后，繼續通過SmartPLS 4軟件對各測量維度進行驗證性因子分析，繼續檢驗建模之后的問卷信效度。數據顯示，各一階因子測量模型中標準化因子載荷量均大于0.7，各潛變量的組成信度CR均大于0.7，收斂效度均大于0.7，所有指標均優于建議值，問卷具有較好的收斂效度[42]。兩個一階因子與二階因子的載荷值可以支持兩個一階因子“GAI使用意愿”和“學習平臺使用意愿”收斂于二階構念“GAI準備度”。

在本次區別效度檢驗中，首先參照Fornell-Larcker標準，潛變量間的相關系數均小于各潛在變量AVE值的平方根。其次，參照Henseler等人的HTMT法，各變量的HTMT率未超過0.90的閾值上限，表明本問卷各量表具有良好的區分效度[43]。同時從中可以發現，因變量與自變量間存在多重相關，有必要采用結構方程模型來進一步探討變量間的結構關系。此外，自變量間存在顯著相關但并沒有達到高相關度，表示并不存在明顯的共線性影響。

為檢驗變量間的同源誤差程度，對問卷數據進行共同方法偏差，通過Harman單因子檢驗法進行分析，數據顯示首個公因子解釋的方差解釋量是12.137%，小于40%的臨界標準，表明本研究數據不存在顯著的共同方法偏差[44]。結構模型的多重共線性通過潛變量的方差膨脹系數（Variance Inflation Factor，VIF）評估，結果顯示，潛變量間的VIF值在1.000—2.572之間，均小于5的臨界值，即不存在多重共線性問題[45]。

四、研究發現與討論

本研究利用SmartPLS 4.0建立偏最小二乘結構方程模型，分析學生對城鄉教共體協作教學融入GAI的準備度，并結合課堂觀察和實地師生訪談數據對模型結果進行解釋和分析，分析結果如圖3所示，其中，實線表示顯著路徑，虛線表示不顯著路徑。據表3數據可知，除假設H6不成立，其余研究假設均得到驗證。

（一）模型解釋力分析

數據顯示，“GAI準備度”的R2為0.514，說明分析模型的預測效果良好[46]。接著，使用PLSpredict算法得到“GAI準備度”的Q2值分別為0.528，表明這一模型具有較好的預測性能[47]。

（二）路徑系數分析

1.前因變量影響路徑分析

從學習預備階段來看（如表4所示），預期確認、雙師教學質量和系統質量三個自變量都對因變量GAI準備度產生顯著的正向影響。效應值由大到小以此為：預期確認、系統質量和雙師教學質量，意味著三個前因變量具有多維正向影響，是保障協作教學的關鍵因素。

其一，在城鄉教共體協作教學情境中，學習者預期確認的總效應最大，能夠通過自我呈現和師生互動公平感對GAI準備度產生顯著正向影響。說明學習者自身的期望和先前經驗很關鍵，對城鄉協作學習的技術支持、教學方法和師生互動的效果預期都是影響學習者學習過程和結果的重要因素。當學習者有較高的預期時，他們認為城鄉教共體協作教學可以幫助他們更好地學習，能夠間接提高他們的學習效果和質量。這表明，如果教育部門或學校想要促進GAI與城鄉協作教學的整合，需要讓學習者認識和了解GAI和城鄉協作教學的有用性，進而提高學習者使用GAI的行為意愿，發揮學習者預期確認對提升GAI準備度的基礎性作用。

其二，雙師教學質量和系統質量都會對GAI準備度起到一定的正向影響。這一發現在很大程度契合了已有的教學研究結果，教學方法是決定教學過程和教學結果的重要因素，技術支持的學習環境在促進學習者使用人工智能的意愿方面發揮了關鍵作用[48]。但與其他兩個自變量不同的是，系統質量與學習者自我呈現沒有直接的影響關系。可能是因為隨著學習者對數字化學習環境的熟悉度提升，技術因素對學習者的影響就俞發減少[49]。可見，教共體區域組織應為師生配置GAI支持學習的技術環境，并建立合理的數據收集、管理和安全機制。教師也應創新融入智能技術支持教學，收集和合理使用城鄉學生的學情數據，包括學習行為、學習進度和學習成果等，分析和了解城鄉學生各自的學習需求和困難，從而提供精準的教學支持和個性化的學習指導。

2.中介變量影響路徑分析

從學習過程階段來看（如表3所示），移情關注和師生互動公平感在因變量預期確認、雙師教學質量和系統質量與結果變量GAI準備度的影響路徑中都發揮了中介作用，而自我呈現僅僅在因變量預期確認和雙師教學質量與結果變量GAI準備度的影響路徑中發揮了中介作用。三個中介變量的直接效應值由大到小依次為：移情關注、自我呈現和師生互動公平感，都能對結果變量GAI準備度產生顯著的正向影響，是預測教學效果的重要因素。

其一，師生互動公平感影響GAI準備度產生的總效應值最大，說明師生互動公平感是影響學習結果最重要的預測因素。師生互動公平感主要考察了學生對教師采取的師生互動方式是否感到平衡。有研究指出，學生對師生問答互動的公平性較為敏感[50]。如果學生在課堂中體驗到不公平的感覺，將對學生的課堂積極性和投入度產生較大打擊。而在目前的課堂觀察中，優勢校教師更傾向于與優勢校的學生進行互動，還未能平衡好與弱勢校學生的互動。因此，教師需要積極改變教學模式，促進課堂互動公平性、有效性、智能化。具體而言，在城鄉協作教學情境中，為了更好照顧兩端學生的學業水平差距，城鄉教師可以采取一定的教學策略，比如調整城鄉兩端學生互動順序、作業分層設計和為學生提供智能教學個性化服務等等，讓城鄉兩端學生都能及時得到指導，積極融入課堂互動和展示自我，感受公平的師生互動。而GAI賦能的城鄉教共體協作教學更有潛力支持城鄉學習者都有更多機會開展多主體互動，如數字教師、虛擬同伴等多智能體，增強學習者的具身認知和雙向交流，關注學習者認Hhpy7xFIdboNoxRvkK5e2E42+gENKs3w+5vwC9iNpBM=知、情感的個性化發展，彌補傳統線下課堂的師生互動不足，減少互動不平衡的發生，促進城鄉學習者參與平等的協作學習[51]。

其二，移情關注影響GAI準備度產生的總效應值次之。一直以來，城鄉教共體同步課堂被賦予教育共富的使命，通過以城帶鄉、以優扶弱的教學舉措，促進鄉村教育的振興和教育現代化發展。移情關注在一定程度上可以增加學生對這種特殊課堂教學模式的理解和包容，照顧遠端學生的能力和學習需求。因此，移情關注可以在城鄉協作教學中影響學習者情感狀態和學習投入，為連接學習預備階段的因素和學習結果提供積極的“橋梁”連接作用，這與移情正向影響學習者注意力和創造力的先前研究成果相似[52]。在在線學習社區中，已有研究嘗試為數字人接入GAI的端口，實現發送問候和構建問答對話等功能，開展基于人機交互的翻轉課堂創新教學模式，促進學習者的知識外化和知識遷移[53]。有研究證實使用情感功能的數字人化身對教育任務有積極影響，例如，有效地傳達所需的情感并引起用戶的同理心，這有可能與弱勢群體的學習者建立情感聯系[54]。Zhai等人認為虛擬情感化身有潛力給予有生理或心理障礙留守兒童更多的學業和情感支持[55]，滿足鄉村學習者的個性化學習需求。

其三，自我呈現也對GAI準備度產生一定的正向影響。社會心理學家認為自我呈現會對人們的身份認同、情感、社會互動產生重要的影響。在教學領域中，已有研究者揭示了自我呈現在學習者與教師、同伴和內容建立有意義的聯系中起到重要作用，為學習者提供了表達自我觀點、經驗和想法的機會[56]。自我呈現是一種很重要的自我調節機制，學習者的自我呈現對知識共享行為和反饋行為有顯著的積極影響[57]，也可能會影響學習者在課堂的表現欲望和課堂參與動機，以展現學習者積極的人際互動關系和正面形象。在城鄉協作教學中，有學習者在訪談中表示，由于要與遠端師生共同上課，為了獲得教師的表揚與認可，他們會更加努力地表現自己和積極回答問題。因此，教學實踐者可以有意培養學習者的自我呈現意識和自我表達能力，為學生提供展現自我的“舞臺”。如今傳統的城鄉協作教學，多以教師講授的教學形式為主，學習者的主體地位有待提升。有必要在城鄉教共體協作教學中整合GAI應用，適當削弱教學者知識傳授的主導性和權威性，發揮學習者的主觀能動性，賦予學習者去中心化的知識探索和新知識創造等機會，搭建民主的生態教學系統，讓每一位學習者能夠表達自己的意見，傳播個人生成性內容和觀點。

（三）模型不變性檢驗

為了檢驗概念性模型是否具有泛化性，本研究對學生樣本的基本屬性（如：性別、年級和學校類型）進行分組和多群組分析。檢驗結果如下頁表5所示，本研究所有路徑不會因群組不同而產生顯著性差異（p>0.05），因此模型具有可泛化性和可復制性[58]。

五、研究結論與啟示

本研究基于比格斯教與學的3P模型理論，從城鄉教共體協作教學場景出發，探究前因變量預期確認、雙師教學質量、系統質量，以及中介變量自我呈現、師生互動公平感和移情關注對城鄉教共體學習者GAI準備度的影響。在理論層面上，從多維中介視角切入，著重探討影響機理中教學過程因素所產生的影響，創新地探索了城鄉教共體學習者GAI準備度的影響因素模型，彌補了過往研究對GAI準備度中介機制的討論不足，為研究GAI整合教學提供重要的理論價值。接下來，本研究將在實踐層面上，提出GAI融入城鄉教共體教學的對策和建議，以期為GAI促進城鄉教育共富和實現優質教育資源的高效利用提供參考。

（一）GAI可充當多種教學角色，賦能城鄉教共體協作教學

隨著人機協同的實現，傳統教學中“師生”二元主體關系被打破，建構起“師—生—機”的三元主體結構，衍生出“三師課堂”和“基于人機交互的翻轉課堂”等教學實踐場景[59][60]。GAI在城鄉協作教學中可以扮演教師助手、智能教師、智能學伴、心理輔導助手等角色。

一方面，GAI能夠成為城鄉教師的教學助手，在教學設計、課堂教學、課后輔導、作業設計與批改等教學環節均能提供支持。例如在課程備課階段，協助教師快速檢索多模態教學資源，提煉概括教學主題，優化課程結構，一鍵生成教案、試題和課件。在課程實施階段，教師可以組織學生通過思維導圖、智能畫板、語義注釋等技術工具與遠端學生開展協作學習，引導城鄉學生應用GAI解決問題和生成文本、視頻和圖像作品，并上傳作品到平臺，開展過程性評價，共享、吸收和展示各自的創新成果。在課后反饋階段，教師可以應用GAI構建的數字教師，進行學生問題答疑、提煉和批改學生作文要點、開展課后反思和下一節課的課堂翻轉等，提高教師工作效率，減輕日常工作負擔。

另一方面，GAI可以成為城鄉教共體學習者的智能學伴和心理輔導助手。其一，GAI在語言學習、藝術創作和編程或算術領域展現出巨大潛力。通過深入的個性化互動，GAI能夠為學習者及時解惑、實時反饋和指正錯誤，并模擬特定技能，根據學生對知識點的掌握情況和興趣偏好，為其推薦合適的個性化學習資源和學習路徑，提供自適應的教學支持，以幫助學生更好地掌握知識和技能。其二，借助大模型在智能生成和語言理解方面的能力，GAI可以通過類人式的自由對話對學生開展心理輔導，并對心理風險進行預警。尤其面向鄉村留守兒童或特殊學生等弱勢群體，GAI可以通過自然語言處理技術，準確地診斷學習障礙和心理阻礙，為有情緒情感障礙的學習者提供一對一的專屬建議，并對其存在的心理風險向教師和家長進行預警，提醒教師和家長及時干預，避免學生的心理狀態進一步惡化[61]。

（二）GAI鼓勵去中心化的知識創新，促進城鄉文化資源雙向交流與共生

在當前城鄉教共體的協作教學模式中，往往是優質的教學資源和文化從城市向農村進行單向傳播和輻射，城市被默認成為教育的中心和權威，農村逐漸被邊緣化或同質化[62]。在“城強鄉弱”的教育語境中，單向輸出不僅會導致城鄉教師的數字鴻溝逐漸拉大，還會在無形中削弱鄉村師生的主體性和教學話語權，更會對鄉村本土文化的可持續發展、鄉土文化多樣性和鄉村學習者的文化自信造成不利影響[63]。這種城鄉失衡的局勢需要被改變。在整合GAI的學習社區中，生成技術可以支持城鄉學習者創建本土文化特色的學習資源，為城鄉雙方提供了情感、價值觀的傳輸通道和去中心化的知識文化共創空間，讓鄉村師生也能發揮主體性和能動性，主動展現鄉土文化的風采，深挖鄉村的自然景觀和人文資源等特色。通過GAI去中心化的城鄉知識文化共創，促進城鄉文化融合與互補，有利于實現農村優秀傳統文化在城市反向傳播，讓教育共富的實現渠道從城市單向“輸血式”傳輸轉變為城鄉雙向“造血式”共生共創，可以有效避免鄉村對城市學校的過度依賴，為更可持續的教育公平和教育共富做出積極貢獻。

（三）確保城鄉師生正確使用GAI，構筑GAI教育的責任倫理

GAI應用于城鄉協作教學還面臨著許多挑戰，需要慎重評估師生數據隱私泄露、GAI技術主體的知識生成存偽、生成知識承載具有侵犯性的意識形態、模型算法偏見、算法優化形成“馬太效應”、生成技術濫用引發信任危機和成果異化，以及知識產權劃分等復雜的安全風險與倫理問題[64]。為了確保GAI的有效合理運用，一方面需要教育研究機構制定全面服務策略，健全技術倫理規范，指導城鄉教育者和學習者負責任地利用GAI，幫助用戶遵循數據隱私及知識產權的相關規定。另一方面也要求城鄉學習者提升數字素養，具備獨立思考和自我探究能力，審慎批判和鑒別生成信息的真偽性，不對工具透露個人隱私信息，避免過度依賴技術，喪失個人判斷能力。

最后本研究存在以下局限性：一方面，在GAI準備度要素的選取上不夠全面和豐富，未來研究還可進一步從學習者的智能知識和技能、GAI平臺質量等因素考察GAI準備度，使得GAI準備度影響因素模型更加全面；另一方面，在研究樣本方面，主要來自浙江某海島縣小學階段參與城鄉教共體協作教學的學習者，未來研究還需調研更大規模和不同特征（如：不同學段、不同區域等）的城鄉師生群體，提供優化GAI融入教學的更多視角策略。

參考文獻：

[1] 教育部.中共中央辦公廳 國務院辦公廳印發《關于構建優質均衡的基本公共教育服務體系的意見》[EB/OL].http：//www.moe.gov.cn/jyb_xxgk/ moe_1777/moe_1778/202306/t20230613_1064175.html，2023-06-13.

[2] 中國政府網.中共中央 國務院關于學習運用“千村示范、萬村整治”工程經驗有力有效推進鄉村全面振興的意見[EB/OL].https：//www.gov.cn/ gongbao/2024/issue_11186/202402/content_6934551.html，2024-02-03.

[3] 教育部.浙江省溫州市：續寫改革創新史，走好教育共富路——溫州深化隨遷子女入學便利化改革案例[EB/OL].http：//www.moe.gov.cn/fbh/ live/2023/55484/dfdxal/202309/t20230920_1081681.html，2023-09-20.

[4] 教科技[2020]3號，教育部關于加強“三個課堂”應用的指導意見[Z].

[5] 童兆平，來釔汝等.互聯網支持下城鄉教育共同體的構建與運行模式——浙江省“互聯網+義務教育”的實踐探索[J].中國電化教育，2021，（8）：78-84.

[6] 教育部.浙江省：以城鄉義務教育共同體建設為抓手 不斷提升基本公共教育服務均等化水平[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/ moe_2082/2023/2023_zl07/202306/t20230616_1064666.html，2023-06-16.

[7] 朱永新，楊帆.ChatGPT/生成式人工智能與教育創新：機遇、挑戰以及未來[J].華東師范大學學報（教育科學版），2023，41（7）：1-14.

[8] 蘇楊城，崔家源，倪偉皓.中學生對生成式人工智能認知使用的影響與對策——基于深圳市中學生的調查分析[J].發明與創新（高中生），2024，（5）：22-27.

[9] 李艷，許潔等.大學生生成式人工智能應用現狀與思考——基于浙江大學的調查[J].開放教育研究，2024，30（1）：89-98.

[10] 張池.大學生對于生成式人工智能工具的使用意愿研究——基于技術接受模型[J].科技傳播，2023，15（23）：131-135.

[11] 孫丹，朱城聰等.基于生成式人工智能的大學生編程學習行為分析研究[J].電化教育研究，2024，45（3）：113-120.

[12][14] 李世瑾，王成龍，顧小清.預見學習的未來：人工智能學習準備度的框架研制及實踐進路[J].中國電化教育，2022，（10）：79-88+96.

[13] Wang，Y.，Zhang，W.Factors Influencing the Adoption of Generative AI for Art Designing Among Chinese Generation Z：A Structural Equation Modeling Approach [J].IEEE Access，2023，11：143272-143284.

[15] Dai，Y.，Chai，C.-S.，et al.Promoting Students’ Well-Being by Developing Their Readiness for the Artificial Intelligence Age [J].Sustainability，2020， 12（16）：6597.

[16] Yang，H.，Lin，J.Students’ persistence intention in MOOCs in the psychomotor domain： An extended 3P model of the teaching and learning perspective [J].Frontiers in Psychology，2023，14：1094138.

[17] Biggs J.B.Approaches to the Enhancement of Tertiary Teaching [J].Higher Education Research & Development，1989，8（1）：7-25.

[18][19][21][24] An，X.，Chai，C.S.，et al.Modeling English teachers’ behavioral intention to use artificial intelligence in middle schools [J].Education and Information Technologies，2023，28（5）：5187-5208.

[20][38][48] Wang，F.，King，R.B.，et al.University students’ intentions to learn artificial intelligence：the roles of supportive environments and expectancy–value beliefs [J].International Journal of Educational Technology in Higher Education，2023，20（1）：51.

[22][23][32] Tiyar，F.，Khoshsima，H.Understanding students’ satisfaction and continuance intention of e-learning： Application of expectation–confirmation model [J].World Journal on Educational Technology，2015，7：157-166.

[25] 楊俊鋒，崔麗霞等.混合同步網絡課堂有效性的實證研究[J].電化教育研究，2018，39（12）：50-56+77.

[26] Su C.Y，Chao C.M.Investigating Factors Influencing Nurses’ Behavioral Intention to Use Mobile Learning：Using a Modified Unified Theory of Acceptance and Use of Technology Model [J].Frontiers in Psychology，2022，13：673350.

[27] Jain，K.K.，Raghuram，J.N.V.Gen-AI integration in higher education：Predicting intentions using SEM-ANN approach[EB/OL].https：// doi.org/10.1007/s10639-024-12506-4，2024-04-02.

[28] Goffman，E.The Social Theory of Erving Goffman [M].Toronto：University of Toronto Press，1959.

[29] Davis，M.Measuring individual differences in empathy：Evidence for a multidimensional approach [J].Journal of personalilty and social psychology，1983，44：113-126.

[30] Klapwijk，R.，Van Doorn，F.Contextmapping in primary design and technology education： a fruitful method to develop empathy for and insight in user needs [J].International Journal of Technology and Design Education，2015，25（2）：151-167.

[31] Cornelius-White，J.Learner-Centered Teacher-Student Relationships Are Effective：A Meta-Analysis [J].Review of Educational Research，2007，77（1）：113-143.

[33] Spreng*，R.N.，McKinnon*，M.C.，et al.The Toronto Empathy Questionnaire： Scale Development and Initial Validation of a Factor-Analytic Solution to Multiple Empathy Measures [J].Journal of Personality Assessment，2009，91（1）：62-71.

[34] Song，H.，Kim，J.，Luo，W.Teacher–student relationship in online classes：A role of teacher self-disclosure [J].Computers in Human Behavior，2016，54：436-443.

[35] Kuo，Y.-C.，Walker，A.E.，et al.Interaction，Internet self-efficacy，and selfregulated learning as predictors of student satisfaction in online education courses [J].The Internet and Higher Education，2014，20：35-50.

[36][37] Yang，J.，Yu，H.，Chen，N.Using blended synchronous classroom approach to promote learning performance in rural area [J].Computers & Education，2019，141：103619.

[39] Damerji，H.，Salimi，A.Mediating effect of use perceptions on technology readiness and adoption of artificial intelligence in accounting [J]. Accounting Education，2021，30（2）：107-130.

[40] 教育部.義務教育語文課程標準（2022年版）[M].北京：北京師范大學出版社，2022.

[41][42] Hair，J.F.，Babin，B.J.，et al.Multivariate Data Analysis 8th edition [M]. New Delhi：CENGAGE INDIA，2018.

[43] Henseler，J.，Ringle，C.M.，Sarstedt，M.A new criterion for assessing discriminant validity in variance-based structural equation modeling [J]. Journal of the Academy of Marketing Science，2015，43（1）：115-135.

[44] Podsakoff，P.M.，MacKenzie，S.B.，et al.Common method biases in behavioral research： A critical review of the literature and recommended remedies [J].Journal of Applied Psychology，2003，88（5）：879-903.

[45][46] Hair，J.F.，Risher，J.J.，et al.When to use and how to report the results of PLS-SEM [J].European Business Review，2019，31（1）：2-24.

[47] Shmueli，G.，Sarstedt，M.，et al.Predictive model assessment inPLS-SEM： guidelines for using PLSpredict [J].European Journal of Marketing，2019， 53（11）：2322-2347.

[49] 王寧，琚向紅，葛正鵬.開放教育網絡課程學習滿意度影響因素[J].開放教育研究，2014，20（6）：111-118.

[50] 張苗苗.同步互動課堂中教師提問對學生認知參與水平的影響研究[D].武漢：華中師范大學，2020.

[51][55] Zhai，X.-S.，Chu，X.-Y.，et al.Can Edu-Metaverse Reshape Virtual Teaching Community （VTC） to Promote Educational Equity An Exploratory Study [J].IEEE Transactions on Learning Technologies，2023， 16（6）：1130-1140.

[52] Li，X.，Chen，J.，Fu，H.The roles of empathy and motivation in creativity in design thinking [EB/OL].https：//doi.org/10.1007/s10798-023-09869-z，2024-04-02.

[53][59] 翟雪松，楚肖燕等.基于“生成式人工智能+元宇宙”的人機協同學習模式研究[J].開放教育研究，2023，29（5）：26-36.

[54] Johnson，E.，Hervás，R.，et al.Assessing empathy and managing emotions through interactions with an affective avatar [J].Health Informatics Journal，2018，24（2）：182-193.

[56] Phirangee，K.，Bakir，N.Students’ Perceptions of ‘The Presentation of Self’in an Online Learning Environment [EB/OL].https：//www. researchgate.net/publication/348019434，2020-04-17.

[57] Qazi，W.，Raza，S.A.，Khan，K.A.The contradiction between self-protection and self-presentation on knowledge sharing behaviour：evidence from higher education students in Pakistan [J].International Journal of Knowledge and Learning，2020，13（3）：246-271.

[58] 陳寬裕.結構方程模型分析實務——SPSS與SmartPLS的運用[M].臺北：五南圖書出版有限公司， 2018.

[60][61] 劉邦奇，聶小林等.生成式人工智能與未來教育形態重塑：技術框架、能力特征及應用趨勢[J].電化教育研究，2024，45（1）：13-20.

[62][63] 翟雪松，楚肖燕等.從知識共享到知識共創：教育元宇宙的去中心化知識觀[J].華東師范大學學報（教育科學版），2023，41（11）：27-37.

[64] 荊洲，楊啟光.生成式人工智能賦能教育研究范式變革：機理、風險與對策[J].中國電化教育，2024（3）：68-75.

作者簡介：

李艷：教授，博士，博士生導師，研究方向為信息科技教育、數字化學習。

李翠欣：在讀碩士，研究方向為信息科技教育、學習分析。

翟雪松：特聘研究員，博士，研究方向為人工智能教育。

Research on GAI Readiness of Learners in Urban and Rural Education Under the Background of Co-enrichment

Li Yan， Li Cuixin， Zhai Xuesong

College of Education， Zhejiang University， Hangzhou 310058， Zhejiang

Abstract： How education promotes common prosperity is an important strategic issue in the field of education， the core of which is how to promote the effective coordination of urban and rural education communities through educational technology. At present， the distribution of urban and rural education resources is uneven， and it is urgent to promote educationWJHcnycLgE6HH3ZCqh+j/g== equity and establish accurate and long-term education assistance. Since the end of 2022， the emergence of generative artificial intelligence （GAI） has attracted significant global attention， providing new opportunities for transforming students’ learning styles and teachers’ teaching patterns， but also posing new challenges to theiIPdNIuxtF4/HqgI3AgOow== collaborative learning of students in urban-rural education communities. Therefore， it is of great importance to discuss the preparatory measures for utilizing GAI to facilitate the collaborative learning of urban-rural students， in order to promote the future development of the urban-rural education community in the era of intelligence. This study focuses on 10 primary schools in 7 pairs of urban-rural education communities in Zhejiang Province. Based on Biggs’ “3P” learning theory， a factor model of urban-rural learners’ GAI readiness is constructed. The results showed that the average score of GAI readiness was higher among students in advantaged schools than those in disadvantaged schools， and higher among girls than boys， as well as higher among senior students compared to younger ones. Empathy and expectation-confirmation were identified as the two most important factors affecting the GAI readiness of learners in urban-rural education communities. Additionally， expectation confirmation， dual-teacher co-teaching quality， and system quality mediated GAI readiness through empathy， self-presentation， or the perceived fairness of teacher-student interactions. This study explored urban-rural learners’ GAI readiness and its influencing factors from the perspective of multidimensional mediation. Based on the findings， some suggestions on integrating GAI into the urban-rural education community were put forward from the perspective of practice.

Keywords： education co-rich； urban and rural education community； generative AI readiness

收稿日期：2024年4月22日

責任編輯：李雅瑄