大語言模型支持的泛在學習應用場景及策略研究

[摘 要] 新一代人工智能技術正在成長為新型技術基座，為泛在學習的實現提供了堅實的技術基礎。研究提出了大語言模型應用于泛在學習的三個設計原則：系統性、循環演進和開放性。基于這些原則，構建了大語言模型技術支持下的泛在教育應用模式。該模式以泛在學習的設計、實施和活動評價需求為驅動，通過與大語言模型的持續互動，在多個維度形成閉環，為教師提供全流程支持。研究通過對師范生教學技能訓練的泛在學習場景進行案例分析，驗證了應用模式的有效性。結果表明，該模式顯著提升了學生的數字化意識和教學設計實施能力。基于研究結果，提出了三個泛在學習應用策略：構建服務導向的助學機制，推動學習空間融合化；多通道感知學習環境數據，助力學習智能泛在化；建立“人—機—物”社會性交互，實現人機深度協同。

[關鍵詞] 大語言模型； 泛在學習； 應用場景； 策略； 師范生

[中圖分類號] G434 [文獻標志碼] A

[作者簡介] 付道明（1977—），男，四川綿竹人。教授，博士，主要從事信息化教育、學習科學與技術、教師教育研究。E-mail：jetinchina@21cn.com。

一、研究背景

自 2022 年底 Open AI公司發布 ChatGPT 開始，GPT 語言模型及其生成式預訓練轉化工具不斷發展，逐步達到模仿人類自然語言表達、思維模式以及行為習慣的程度，標志著“類人型”人工智能的持續演進[1]。大語言模型技術以自然語言處理技術為基礎，以大數據分析、機器學習算法以及大規模算力為支撐，助推自然語言的推理、理解和分析能力的有效提升[2]，實現了從“能存會算”的自動化到“能看會聽”的感知化，再到“能理解會創作”的認知化的整體躍升[3]。ChatGPT-4問世后，其在醫學診斷、通信、軟件工程、教育教學等領域的應用潛力逐漸被認可。以ChatGPT為代表的大語言模型技術能夠創設個性化和互動式學習環境，并為學生學習提供了廣泛的工具與資源，如因材施教的虛擬輔導、定制化的教學策略和自適應學習內容與路徑等，重塑了學習空間、學習過程、學習方式，打造出泛在化、個性化、協作化的學習形態[4]，催生了網絡陪伴式學習的泛在化深度融合學習模式[5]、以類腦泛在神經元網絡為基礎的類腦泛在學習系統[6]等過程模式。ChatGPT可以幫助學生隨時隨地開展泛在學習，并能夠根據個性化學習需要匹配適應性學習策略[7]，極大改善了學生的學習體驗和學習效果。

二、 大語言模型技術框架下泛在學習架構的設計

（一）泛在學習的理論研究進展

隨著新興技術的快速發展，泛在學習已成為一種融合物理環境、學習行為和智能技術的新型學習范式[8]。該學習范式強調從多維視角重塑學習，旨在構筑一個資源豐富、互動頻繁、情境真實且無所不在的學習生態，激發學習者的內在動機，培養自主學習能力。泛在學習的基礎在于豐富的學習資源支撐。隨著技術的不斷進步，學習資源呈現出豐富性、適應性等多重特征[9]。為更好地支持泛在學習資源的建設，相關研究提出了兩個關鍵舉措：首先，泛在學習中的信息傳播媒介應滿足不同層次學習者的多元需求，促進群體認同與情感交融[10]；其次，資源組織應以實現跨平臺共享與再用為原則，同時凸顯資源的動態屬性[11]。除了資源支撐，泛在學習的另一個顯著特點是富聯通性。泛在學習環境是一個復雜的生態系統，由多個相互關聯的要素構成，這些要素在學習過程中不斷互動。為了有效支持這種復雜的學習環境，研究者提出需要采用分層次的方法來設計和實現分布式學習活動[12]。研究者認為，泛在學習強調“人—機—物”的交互作用。為支持這種多維交互，需要構建一個開放互聯的智能空間，適應不同學習場景，為學習者提供靈活且個性化的學習體驗[9]。最后，泛在學習過程應是一個持續發展變化的過程，其愿景是不斷支持學習者的終身學習，擴大學習者的受益面。為實現這一目的，研究者認為，泛在學習應呈現出從封閉到開放、從內容到活動、從通用到個性化的發展路向，并與多個領域加速融合，呈現更廣闊的發展前景[11]。

（二）大語言模型技術框架下泛在學習架構的設計原則

為了深入探索大語言模型技術與泛在學習的深度融合，進一步深化泛在學習理念，為學習者提供更加智能化、個性化、無縫化的學習體驗，本研究立足于大語言模型的技術架構和泛在學習的研究進展，提出了基于大語言模型技術框架的泛在學習架構設計原則，具體如下：

1. 系統性原則

系統性原則要求在學習系統構建時以整體目標的優化為準繩，協調系統中各要素的相互關系，使得系統完整、平衡。基于大語言模型技術框架的泛在學習系統是一個有機的整體，該系統既包括顯性要素（如技術設備、媒體工具、知覺界面等），又包括隱性要素（如學習服務、學習活動、知識等）。單一要素的變化勢必會對其他要素產生影響，從而影響系統的整體運行。例如：在不同的泛在學習場景中選擇不同的媒體工具，勢必會對學習服務內容以及學習活動形式產生影響，從而影響泛在學習質量。因此，需要從系統的角度考慮顯性要素和隱性要素的協調統一，對系統進行整體規劃與設計。

2. 循環演進原則

在經濟學領域，學者提出了循環經濟的“3R”原則，即減少原料（Reduce）、重新利用（Reuse）、物品回收（Recycle），強調在優先減少資源消耗和減少廢物產生的基礎上實現生產循環化和效益最大化[13]。在學習系統構建中，既要關注學習系統的經濟性，實現技術設備、環境、工具在學習各階段的循環利用，實現最大的投入與產出比。同時，也應關注服務、資源、活動的再生與演進，助力產生生成性的資源與服務，并根據教與學需要持續演進。例如：不僅要關注個體的泛在學習，還應探索群體協作式的泛在學習，推動學習場景中虛實資源的相互轉化以及教學模式與方法的循環演進發展。

3. 開放性原則

泛在學習系統是一個開放的生態體系，只有與外界進行互動，才能推動系統的可持續發展。學習系統需要具有一定程度的開放性，以便于接收來自外界的反饋信息，并及時對系統應用模式、場景、資源與服務等作出適應性的調整，從而更好地支持個體和群體的泛在學習。例如，當助教發現學習系統因對學習情境感知靈敏度不夠而導致學習資源與服務不能有效匹配學習情境時，就需要及時調整系統或設備的相關參數，并借助人工力量提升學習服務質量。

三、 大語言模型技術框架下泛在學習應用場景的構建

本研究基于“系統性、循環演進和開放性”的設計原則，構建了一個大語言模型技術支持下的泛在教育應用模式（如圖1所示）。該模式以泛在學習的準備、實施和活動評價需求為主要驅動力，使教師通過與大語言模型的持續互動，在學習資源供給、學習活動設計、學習環境建設、工具應用、活動支持等多個維度形成持續改進的循環過程。在該模式中，教師的目標與需求貫穿泛在學習全過程，確保大語言模型的應用符合各階段需求。在泛在學習準備階段，教師基于教學需要和課程標準需要等形成活動設計需求，通過與大語言模型持續互動生成并調整學習資源與活動方案，并在這一過程中逐步形成泛在學習活動開展所需的基本配置。在泛在學習活動的實施階段，大語言模型則基于已有的基本配置，對當前活動開展條件進行評估，調整活動方案，優化技術工具的應用和泛在學習環境中的任務要素設計，并提供適應性學習路徑的比較和學習效果評估。在泛在學習活動的評價階段，大語言模型能夠在面向學習者的活動過程中，評價學生個性化學習與團隊協作的過程表現，及時診斷并提供個性化學習路徑，促進個體發展到團隊的緊密協同。

（一）大語言模型在泛在學習準備階段的應用

泛在學習的發生受多種因素的影響，如環境、內容、任務和策略等，在泛在學習準備階段，這些因素圍繞既定的學習主題共同構成泛在學習方案的關鍵要素。此外，教師也存在資源創設的需求，使資源能在相匹配的技術工具支持下形成泛在學習情境。根據泛在學習架構設計原則中的系統性原則，本研究提出了雙循環的大語言模型應用于泛在學習準備階段的模式圖（如圖2所示），憑借大語言模型多模態數據理解力、自適應學習能力以及遷移學習能力，以持續的需求優化為導向，在人機互動中不斷生成并更新滿足教學、教研和學習等具體需求的泛在學習方案以及多模態學習資源，最終形成泛在學習活動開展的基本配置。

1. 需求驅動的多視角協同優化

大語言模型所應提供的支持并非簡單、機械的需求響應，而是能夠引導用戶深化需求認知、激發多元思考的“智能助手”。在教學設計、管理、評價等基礎工作中，大語言模型已初步展現出良好的勝任能力。例如，它可以動態調整教學內容、整合跨學科知識、評估學習成果、優化資源應用，以及生成個性化學習材料[14-15]。然而，面對泛在學習的復雜情境，仍需在教研、教學、學習等不同維度與大語言模型深度協同，進一步探索優化方案的可能性與可行性。具體而言，首先要針對不同視角和場景，明確角色分工、問題類型、約束條件和輸出要求，形成清晰的提示模板。然后，將構建的模板輸入大語言模型，根據其反饋不斷調整和優化問題，在交互中逐步完善方案設計[16]。值得注意的是，這一過程中產生的新需求、新思路又可作為下一輪人機對話的輸入，從而形成方案優化的閉環。

2. 資源生成，持續評估迭代更新

有別于傳統的“人本位”或“物本位”的資源設計，大語言模型聚焦于對需求的精準把握和動態適配。依托其多模態學習和自然語言生成優勢，大語言模型可在人機互動中持續產出多樣化的學習資源，確保資源與學習進度、學習需求的同步更新。例如，大語言模型能夠根據活動方案及具體指令，快速生成相關的音頻講解、視頻演示，或將抽象概念轉化為生動直觀的可視化呈現，有效支撐學習內容的多元表征和結構化組織[17]。此外，大語言模型支持的泛在學習資源具備跨模態轉換的特性，這也使資源的調用更加靈活。接著，用戶輸入的需求可以直接來源于成型的活動方案，從而能在更加明確的需求框架下準確定位與生成學習資源。最后，大語言模型的適應性學習和自動化評估能力可以有效評價這些資源的實際效用和適應性，使其更好地融入泛在學習活動[14]。

（二）大語言模型支持泛在學習活動的構建與實現

在泛在學習場景和技術工具的構建與應用中， 大語言模型技術可以面向學習者，有效支持“人—機—物”的深度協同。如圖3所示，一方面，大語言模型可以根據泛在學習活動開展所需的環境條件，分析與評估準備階段生成的基本配置與當前技術工具條件與現實條件下的泛在學習實施環境的匹配程度。另一方面，大語言模型可以根據泛在學習者當前所處的時空分布、群體規模等特點和個性化的學習需求，及時優化與調整學習活動設計、學習路徑和方法運用。

1. 實現多情境要素的動態協調與優化配置

在泛在學習活動的實施階段，大語言模型可以基于準備階段形成的已有基本配置，對當前活動開展條件進行全面評估，包括學習者特征、環境資源、技術設備等，以判斷其與預期設計的契合程度。在此基礎上，大語言模型可根據評估結果動態調整活動方案，優化技術工具的應用組合和任務要素設計，更好地適應實際情境。此外，大語言模型還能充分利用技術工具采集的過程性數據，多維度評估學習效果，并據此持續改進情境設計和技術應用策略。同時，借助多模態數據處理能力，大語言模型能將動畫、虛擬仿真等生成性互動內容應用在移動設備、VR/AR等新興技術工具中，營造沉浸式、多感官體驗的學習環境。

2. 支持泛在學習模式的動態調整與優化

泛在學習活動因學習者的個人特點和活動實施的情境差異而呈現出多樣化的形式。鑒于此，學習者的現實條件、能力基礎和學習偏好等特征可以作為模式改進的實際需求，通過與大語言模型的互動形成整體活動實施和資源組織方式的有效舉措。同時，大語言模型還可進一步根據需求，綜合考慮學習者所處的地理位置、可支配時間、可用的設備條件等因素，實時生成因地制宜的學習策略。例如，根據不同學習者實際需求，分別形成正式/非正式、自主/協作的泛在學習路徑，并進行具體指導。

（三）大語言模型賦能泛在學習評價

在個體學習與團隊協作中，大語言模型可以充當專家角色，為學習者提供持續指導和精準支持。如圖4所示，首先，可以借助大語言模型感知學習者和所屬團隊的背景、興趣和學習進度，快速理解和及時回應學習者的疑問，并提供有效的評估和幫助。這種實時的反饋和支持使得大語言模型成為個體學習和團隊協作的強大助手。另一方面，大語言模型可以根據不同階段的活動需求，細化泛在學習任務，持續為團隊活動的組織和開展提供支持。通過深度定制和實時互動，大語言模型優化了個體和群體的泛在學習過程，提升了學習效果，使學習者在多樣化的學習情境中更加高效和更具有創新性。

1. 細化團隊的泛在學習任務，持續推進活動開展

大語言模型需要在泛在學習團隊內部擔當起數字虛擬助手的角色，借助自然語言理解及情感識別的優勢，組織學習者共同參與，監督團隊活動，并通過動態學習進行調整，使學習活動始終圍繞任務目標開展。例如，李海峰等研究發現，在小組協作中，大語言模型作為智能助教，可根據學習者的對話、情感和進度動態調整生成內容，幫助學生進行深度學習[18]。大語言模型可在泛在學習的目標設定階段，針對任務要求和集體學習需要指導學生理解學習目標；在任務分工階段，基于成員知識能力和團隊構成生成合適的任務分工；在答疑評估階段，收集并反饋學習者的提問；在總結評價階段，匯總學習成果并指導學生反思學習過程。

2. 服務學習者個人的能力提升

大語言模型能夠對“人—人”以及“人—機”產生的對話內容進行深入分析，整合多模態信息，幫助學習者在泛在學習過程中定位到適合自我的能力提升路徑。通過捕捉和分析弱信號數據，大語言模型幫助學習者理解自身在學習過程中的行為模式和習慣養成，識別并提出解決潛在學習問題的對策。在個人學習中，大語言模型通過實時答疑、模擬對話及討論，快速理解并反饋學習者的疑問，提供針對性的評估和輔助，促進高階思維的形成。此外，大語言模型還可比較和優選適應性最強的個性化學習路徑，并根據實時反饋動態調整，以提供持續優化的學習支持。例如，Jauhiainen等研究發現，ChatGPT-3.5可根據學生的不同知識水平生成個性化的學習材料，并提供適應性的評估和診斷[19]。

四、大語言模型技術框架下泛在學習案例：師范生教學技能訓練

（一）師范生教學技能訓練案例簡介

以廣東第二師范學院教育技術學專業大二學生開展師范生教學技能訓練的泛在學習場景為例，學生已經在校學習過媒體選擇與利用的ASSURE模式①相關知識，但對于如何運用其開展教學過程設計尚未明晰。訪談發現，學習者平時認真聽講，且按時完成各項作業，掌握ASSURE模式每個階段的具體含義及分析要點，但對于如何利用ASSURE模式開展教學設計尚未形成系統化知識。為此，本研究邀請學習者在大語言模型技術框架下進行泛在學習，開展泛在學習應用場景實踐，學習形式采用“訊飛星火認知大模型+微信+教師輔導”的方式進行。

（二）師范生教學技能訓練基本過程

本研究案例實施的基本過程如圖5所示，共分為三個階段。

1. 泛在學習準備階段

首先，要求學習者詳細描述個人相關信息，包括身份信息、個性特征以及學習情況等；其次，訊飛星火認知大模型根據學習者的泛在學習需求生成圖、文、聲、像等多模態的學習資源，提供有關ASSURE模式的基礎知識、相關教學實踐應用案例，以可視化的方式形成對概念的深度理解和應用；最后，學習者與訊飛星火認知大模型進一步交互，迭代優化需求，如進一步聚焦學習者參與環節，設計凸顯跨學科特征的活動等，從而生成更加適配的資源類型和學習路徑方案，以達到問題導向和需求統一之間的有效平衡。

2. 泛在學習活動構建與實現階段

根據訊飛星火認知大模型指向薄弱知識點的智能推送，學習者掌握了如何運用ASSURE模式開展教學過程設計，優化了學習者的學習體驗，提高了學習者的學習效率。隨后，學習者選取中小學任意學科運用ASSURE模式開展課堂教學過程設計。

3. 個性化學習與團隊協作階段

根據學習者自主設計的教學過程發現，方案存在著教學目標不清晰、教學活動不聚焦、教學評價不具體等問題，學習者可進一步借助訊飛星火認知大模型的智能識別和診斷功能進行方案完善，如按照學科核心素養的幾大方面重寫教學目標、以學生素養提升為導向對學生參與活動環節進行具體設計等，以此來不斷完善教學設計。

（三）師范生教學技能訓練實施效果

1. 提升學生數字化意識

本研究在學生運用大語言模型開展泛在場景實踐之后對其進行訪談，了解其對大語言模型賦能師范生教學設計與實施能力的感受與看法。學生普遍認可大語言模型在生成、優化教學設計方案方面的功能與作用，能夠為自身開展師范生技能訓練提供創新思路，具體表現在：豐富教學內容、增強師生互動、個性化學習指導、精準化學情分析、數據導向的教學決策等。因此，本研究認為，大語言模型在師范生技能訓練中的應用能夠幫助師范生掌握并內化知識，同時提升其數字化意識，有效發展教育教學技能。

2. 提高學生數字化教學設計與實施能力

數字化教學設計與實施能力是教師數字素養的重要組成部分。本研究根據教育部《教師數字素養》能力標準各個維度的具體描述，對學生數字化教學設計與實施能力進行測量，經SPSS計算該量表的α信度系數為0.918，表明該量表信度高。本研究在泛在學習實施前和實施后分別進行前測和后測，檢驗結果見表1。由此可知，在泛在學習實踐后，實驗組和對照組的數字化教學設計與實施能力前測后測得分差值的均數為2.34476，Sig.=0.035<0.05，兩組數據存在顯著性差異，即大語言模型在師范生技能訓練中的有效運用能夠顯著提升其數字化教學設計與實施的能力。

此外，本研究對學生數字化教學設計與實施能力六個維度的數據進行進一步分析，即獲取、管理與制作數字教育資源、設計數字化教學活動、創設混合學習環境、利用數字技術支持教學活動、利用數字技術資源優化教學流程、利用數字技術資源開展個別化指導（如圖6所示）。由此可知，實驗組和對照組學生在六個方面均存在一定的差異，表明師范生認為大語言模型在開展學情分析、數字教育資源的獲取與管理等方面有著較好的優勢和潛力。

五、結論與討論

通過梳理大語言模型對泛在學習的影響，本研究發現，新一代人工智能技術在支持泛在學習資源生成、學習環境、學習評價及活動方式等多個方面突破了時時、處處、人人學習的諸多技術瓶頸。大語言模型對泛在學習環境起到多重關鍵作用：在泛在學習準備階段，大語言模型持續生成并調整活動方案與學習資源。在泛在學習活動的實施階段，大語言模型提供適應性學習路徑并進行學習效果評估。在面向學習者的活動過程時，能夠賦能個性化學習與團隊協作，使個體發展到團隊緊密協同。通過總結大語言模型支持的師范生教學技能訓練的泛在學習案例，本研究提出以下泛在學習應用策略：

（一）構建服務導向的助學機制，推動學習空間融合化

在本案例中，學生通過“訊飛星火認知大模型+微信+教師輔導”的方式開展了泛在學習。該模式展示了服務在實現隨時隨地學習中的重要作用。而為推動信息空間與物理空間的有效融合，還需要進一步設計智能空間中的知覺界面與移動網絡的“使用服務”和“提供服務”。首先，通過采集聲音、圖像和傳感信息，形成文本、語音、圖像多維數據集成的智能虛擬體，為學習者提供智能空間形態下的學習支持。此外，借助5G移動網絡的優勢，解決海量移動數據傳輸的問題，提升信息傳輸效率，使學習者能夠在海量移動數據和智能設備間進行交互，實現隨時隨地的學習[20]。

（二）多通道感知學習環境數據，助力學習智能泛在化

在案例中，大語言模型能與ASSURE模式的需求對齊，為學習者生成與優化學習資源并提供精準指導，從而提高了學習效果。為了進一步助力學習智能的泛在化，需要借助上下文感知計算技術（Context-Aware Computing），強化對學習環境的自動適應，減少注意干擾。上下文感知計算技術是構建智能空間泛在學習系統的關鍵技術之一，它能夠在用戶不發出服務請求或在非精確交互的情況下智能地提供計算服務，形成泛在神經元網絡，支持隨時隨地學習交互的開展[21]。具體策略包括：第一，智能空間自動覺察物理空間中的狀態變化，改變相應對象的狀態或觸發某些事件，確保學習者在不同環境中都能獲得適應性的學習資源。第二，通過分析位置、時間、速度等環境因素，以及操作習慣、個人喜好和個性化需求等用戶上下文，提供個性化的學習支持。

（三）建立“人—機—物”社會性交互，實現人機深度協同

在本研究中，學習者借助大語言模型和教師輔導，進行了個性化學習和團隊協作。然而，為了實現更深入的人機協同，還需要進一步提升大語言模型與人類學習者互動、溝通的及時性，并讓大語言模型具備人類情感識別的能力。在未來可以利用人工神經網絡技術和5G移動網絡，實現“人—機—物”互聯的隨時隨地的泛在學習。進一步，通過傳感器獲取表情、語音語調及外在肢體動作等信息，智能分析學習者的情感變化，提供更人性化的學習支持。這種人機深度協同將能夠綜合提升學習者的體驗和效果。

[參考文獻]

[1] 簡圣宇. GPT語言模型：作為“類人型”人工智能的技術準備[J]. 廣州大學學報（社會科學版），2023（4）：19-24.

[2] 高亞楠. 大模型技術的網絡安全治理和應對研究[J]. 信息安全研究，2023，9（6）：551-556.

[3] 吳砥， 李環， 陳旭. 人工智能通用大模型教育應用影響探析[J]. 開放教育研究， 2023，29（2）：19-25，45.

[4] 楊宗凱，王俊，吳砥，等. ChatGPT/生成式人工智能對教育的影響探析及應對策略[J]. 華東師范大學學報（教育科學版），2023，41（7）：26-35.

[5] 李海峰，王煒. 網絡陪伴式學習——一種泛在學習場域下的群體自律協同學習模式[J]. 電化教育研究，2023，44（5）：67-73，81.

[6] 付道明，華子荀. 互聯網大腦進化形態下的類腦泛在學習系統：教育神經科學的視角[J]. 遠程教育雜志，2021，39（6）：9-19.

[7] TU Y F， HWANG G J. University students' conceptions of ChatGPT-supported learning： a drawing and epistemic network analysis[J]. Interactive learning environments， 2023（11）：1-25.

[8] 劉革平. 從“泛智”論到泛在學習進階智慧學習：論“泛”教育思想的內在關聯和價值意蘊[J]. 現代遠程教育研究，2022（2）：33-43.

[9] 徐劉杰. 泛在學習資源進化的動力模型構建[J]. 中國電化教育，2018（2）：36-42.

[10] 李海峰.網絡陪伴式學習——一種泛在計算技術支持環境域下的群體自律協同學習模式[J].現代教育技術，2019，29（12）：60-67.

[11] 盧宇，安雪，馬秀麟，等. 多模態大模型的教育應用研究與展望[J]. 中國電化教育，2023（3）：1-13.

[12] 付道明. Ubiquitous CSCL的概念模型與關鍵技術要素[J]. 中國電化教育，2006（12）：21-25.

[13] MOHAMMED M， SHAFIQ N， ELMANSOURY A， et al. Modeling of 3R （reduce， reuse and recycle） for sustainable construction waste reduction： a partial least squares structural equation modeling （PLS-SEM）[J]. Sustainability， 2021，13（19）：10660.

[14] CHIU T K F. The impact of Generative AI （GenAI） on practices， policies and research direction in education： a case of ChatGPT and midjourney[J]. Interactive learning environments， 2023（1）：1-17.

[15] 秦渝超，劉革平，許穎. 生成式人工智能如何重塑教學活動——基于活動理論的模型構建與應用[J]. 中國遠程教育，2023，43（12）：34-45.

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

[17] 羅江華，張玉柳. 多模態大模型驅動的學科知識圖譜進化及教育應用[J]. 現代教育技術，2023，33（12）：76-88.

[18] 李海峰，王煒. 人機協同深度探究性教學模式——以基于ChatGPT和QQ開發的人機協同探究性學習系統為例[J]. 開放教育研究，2023，29（6）：69-81.

[19] JAUHIAINEN J S， GUERRA A G. Generative AI and ChatGPT in school children's education： evidence from a school lesson[J]. Sustainability， 2023，15（18）：14025.

[20] ANDREWS J G， BUZZI S， CHOI W， et al. What will 5G be？[J]. IEEE journal on selected areas in communications， 2014，32（6）： 1065-1082.

[21] CHEN G， KOTZ D. A survey of context-aware mobile computing research [R]. Hanover，New Hampshire：Department of Computer Science，Dartmouth College，2000：1-16.

Research on Application Scenarios and Strategies of Ubiquitous Learning

Supported by Large Language Models

FU Daoming， QIU Xingyue， ZHANG Mei， LIU Yachun

（College of Teacher's Education， Guangdong University of Education， Guangzhou Guangdong 510303）

[Abstract] The emerging generation of artificial intelligence is growing into a new type of technology base， providing a solid technological foundation for the realization of ubiquitous learning. This study introduced three design principles for the application of large language models （LLMs） to ubiquitous learning： systematicity， iterative evolution， and openness. Drawing on these principles， a ubiquitous education application model supported by LLM technology was constructed. This model was driven by the needs of design， implementation and activity evaluation of ubiquitous learning， and formed various closed loops through continuous interaction with LLMs to provide teachers with the whole-process support. Through the case analysis of the ubiquitous learning scenario of teacher training in teaching skills， the validity of the application model was verified. Results indicate that this model significantly enhances students' digital awareness and their instructional design and implementation skills. In light of the research results， three application strategies for ubiquitous learning are proposed： establishing a service-oriented tutoring mechanism to promote the integration of learning spaces; leveraging multi-channel learning environment data perception to facilitate the pervasive learning intelligence; and establishing "human-computer-object" social interactions to achieve deep human-machine collaboration.

[Keywords] Large Language Model; Ubiquitous Learning; Application Scenario; Strategy; Normal University Student