GenAI驅動的教育數字人架構設計與實證研究

摘要：目前，大量教育數字人已在教學場景中應用，新一代生成式人工智能（Genetic Artificial Intelligence，GenAI）驅動的教育數字人彌補了傳統教育數字人在智能化、仿真人程度方面的不足，可為學生提供更聰明、更個性化的教學服務，給師生教學體驗和效能帶來了質的飛躍。在此背景下，文章采用分層架構方法，設計了GenAI驅動的教育數字人架構，包含網絡基礎層、網關層、服務層、邏輯層、監控層和界面交互層六層。之后，文章開展了針對122名小學生參與的教育數字人教學應用實證研究，探索GenAI驅動的不同形象教育數字人（無教師、AI女孩、AI大熊貓和AI男孩）對學生學習效果的影響，結果表明：AI男孩組在知識保持、知識遷移、學習興趣上表現更佳，而四組在社會交互上表現相當；教育數字人在學習興趣、社會交互兩個方面影響知識保持、知識遷移的中介效應均不顯著。文章的研究可為GenAI驅動教育數字人的設計和開發提供系統化的理論框架，有助于探索教育數字人影響學習者學習過程與結果的規律，并為教師、研究者和開發者提供可借鑒的案例。

關鍵詞：GenAI；教育數字人；知識保持；知識遷移；學習興趣；社會交互

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）09—0026—11 【DOI】10.3969/j.issn.1009-8097.2024.09.003

引言

當人工智能遇到教育數字人，將驅動教育數字人從底層發生根本性變革，為教育數字人提供更強大的智力保障^[1][2]。2023年8月，我國印發《元宇宙產業創新發展三年行動計劃（2023-2025年）》，明確提出要“創新數字人、虛擬空間開發工具組件，推動數字人制作便捷化、精細化、智能化，推廣虛擬會議室、展廳、營業廳、社交空間等產品”^[3]。同年11月，首席執行官Altman在OpenAI開發者大會上宣布了GPT-4的重磅更新，這是ChatGPT語言模型的下一代產品。以ChatGPT為代表的生成式人工智能，推動著各行業走向人工智能2.0時代。目前，國內外已有一批知名數字人標桿產品和品牌，如華智冰、柳夜熙等。然而，這些數字人在仿真人程度、智慧問答等方面仍然表現不佳，經常出現模仿真人動作呆板、問而不答或答非所問等現象。也就是說，數字人在仿真人程度、深度學習等方面還需改變計算模型并進行不斷訓練與迭代^[4]。

GenAI技術驅動的新一代教育數字人為師生教育場景創設、智慧問答、智能反饋等帶來了質的飛躍，可以讓每位教師和學習者打造個人的數字分身、生成自己的個性化教育數字人。教育數字人可為教育教學提供多樣化、多元化的發展新場景和新樣態，如課堂教學走向“教師-學習者-人工智能”新形態，交互方式走向師生交互、生生交互、人機交互三重交互，師生雙向反饋走向教師、學習者、數字人三重反饋。其中，師生雙向反饋走向教師、學習者、數字人三重反饋，確保了教學反饋的即時性、全面性和個性化。基于此，本研究嘗試設計GenAI驅動的教育數字人架構，并通過實證研究驗證GenAI驅動的教育數字人應用效果，以期為教育工作者、研究者和技術開發者在開展數字人課堂教學場景應用方面提供深入的見解與實踐指導，推動數字人在教育領域的創新應用。

一 文獻綜述與問題提出

1 文獻綜述

（1）教育數字人前沿探索

教育數字人也稱“人造人”或“虛擬人”，是利用虛擬現實、數字孿生等技術生成的虛擬教師或虛擬學伴，通過模擬真實教師或學伴的表情和動作，能夠在課堂中開展知識傳遞、社會交互、情感傳遞等教學活動，以提升學習者的學習效果。教育數字人的發展已經歷三個階段：①仿真人階段。由于技術受限，在模仿真人的模樣、表情、動作等方面仿真人的逼真度與自然性較低。②擬真人階段。擬真人是通過先進的計算機技術和人工智能合成的虛擬形象，在外觀、行為、交互上模仿真人，具有較高的逼真度和自然性。③類真人階段。此階段的教育數字人與真人的動作、表情、聲音越來越相似，與真人的智力水平也相當，能夠滿足一定的教學需求，符合圖靈測試要求。

當前，教育數字人正處于類真人階段。在GenAI的驅動下，教育數字人具有了較強的類人屬性和多方向交互能力，能給學習者帶來更具吸引力和沉浸感的學習體驗^[5]。根據技術驅動方式的不同，可將數字人技術生成分為兩條路徑^[6]：①真人驅動型路徑，是根據現實世界具有真實身份的教師或學伴，通過數字孿生技術創造與現實世界真人相對應的數字人（即虛擬與現實一一對應的數字人）；②技術驅動型路徑，是創造現實世界中不存在而元宇宙世界存在的教育數字人（即從無到有創造數字人），如華智冰。這兩條路徑在數字人的創造方式上有相似之處，其中最為核心也最具挑戰的是建模、驅動、渲染三個環節：建模環節是根據真實人物或設計的虛擬人物來建立3D模型，這是構建虛擬人形象的基礎，重點在于實現細節的精確還原；驅動環節是通過捕捉真人動作（真人驅動型）、訓練驅動模型（算法驅動型）等確定數字人的基本動作，然后從真人身上捕捉動作并將其轉移到數字人身上；渲染環節則是根據數字人的形象和動作創建逼真的教學場景。

而針對教育數字人技術架構的研究，有研究者將其分為三個層次：基礎層、平臺層和應用層^[7]。其中，基礎層涉及軟硬件技術的支撐，硬件主要包括顯示設備、光學器件、傳感器、芯片等，軟件技術主要包括建模技術、渲染技術、數據庫、模型算法等；平臺層主要是指集成上游的軟硬件為數字人設計與開發提供技術標準和服務；應用層是將數字人應用于教育教學的各個領域，如創設學習新場景、開展人機智能協同學習、進行人機角色扮演、實施智慧問答教學等。

（2）GenAI驅動的教育數字人教學應用及其效果

GenAI驅動的教育數字人能夠模擬真人教師，與學習者進行互動，提供個性化的學習資源，有效提高學習者的學習體驗、學習興趣、社會存在感和學習成績^[8][9]。與傳統教育數字人相比，GenAI驅動的教育數字人的優勢主要在于：①社會交互方面，GenAI技術可以調整教育數字人的態度、聲音、肢體動作等并建立與文本的映射關系，使教育數字人從“形似”走向“神似”，學習過程也更加生動、有趣；同時，增強了學習者與教育數字人之間的互動，有助于提升學習者的學習效果^[10]。②內容生成方面，基于Transformer算法的GenAI在處理復雜問題、長距離依賴、語義理解等方面具有明顯優勢^[11]。GenAI通過已存儲于數據庫中的語料庫或用戶添加額外的訓練數據，結合自然語言處理技術，不斷提升自身的語義理解和生成能力，從而能夠根據學習者的反饋情況智能調整學習的內容和進度，進而為每位學習者量身定制學習計劃和學習內容。

GenAI驅動的教育數字人作為一種創新的教學交互對象，近年來受到了廣泛關注和應用^[12]。依據社會代理理論和社會存在感理論，GenAI驅動的教育數字人能夠通過語音、手勢、姿勢、目光引導、面部表情等多種社會線索，增強學習者的社會交互和學習興趣，從而提高他們的學習效果^[13]。而特征相似性理論進一步說明，教學視頻中教師的形象與學習者的個人特質越相似，就越能激發學習者的自我認同感，從而將自我與學習材料進行參照和對比^[14]。這種積極的互動過程，不僅能增強學習者的自我認知，更能顯著提升他們的學習興趣^[15][16]。Veletsianos^[17]的研究進一步驗證了這一觀點，并發現學習者對教育數字人的外在形象持有刻板印象。例如，當藝術學習者面對與他們自身特質相符的藝術家教育數字人形象時，會表現出更為積極的社會交互行為，進而取得更好的學習效果。然而，并非所有GenAI驅動的教育數字人都能通過設計帶來預期的積極效果。有研究表明，當教育數字人的形象與學習者的喜好不相符時，不僅未能促進學習，反而可能對學習者的學習效果產生負面影響^[18][19][20]。因此，在學習過程中，設計GenAI驅動的教育數字人的形象與動作，仍然需要綜合考察學習者特征、知識類型、學習材料等多種因素，以找到“最優解”，使教育數字人真正發揮最大效應^[21]。綜述上述研究，可以看出教育數字人對學習者的學習興趣、社會交互和學習成績具有重要影響。

2 問題提出

以ChatGPT為代表的GenAI以對話方式為學習者提供個性化的智能問答，那么，當GenAI與教育數字人融合形成新型教育數字人時，能否碰撞出教育創新的“火花”？鑒于當前針對GenAI驅動的教育數字人架構及其學習效果的研究處于起步階段，本研究試圖探索以下三個研究問題：①如何設計GenAI驅動的教育數字人架構？②GenAI驅動的不同形象的教育數字人對學生的學習興趣、社會交互和學習成績有何不同影響？③GenAI驅動的不同形象的教育數字人通過社會交互和學習興趣對學生學習成績的中介效應如何？

二 GenAI驅動的教育數字人架構設計

分層架構方法將教育數字人架構劃分為多個功能層，每一層專注于特定的任務，以確保系統的模塊化、靈活性和可擴展性^[22][23]。采用此方法，本研究設計了GenAI驅動的教育數字人架構，包含網絡基礎層、網關層、服務層、邏輯層、監控層、界面交互層六層，具體如圖1所示。

①網絡基礎層：通過數據庫、服務器、網絡設施和負載均衡，確保計算資源的高效利用和數據的安全、可靠傳輸。其中，數據庫負責存儲用戶數據、對話記錄、學習進度等信息；服務器負責提供計算資源和后端服務；網絡設施、負載均衡負責服務器與數據庫之間的身份認證、安全防控和負載分配，為教育數字人的高效運行提供了有力保障。

②網關層：引入API網關，通過API限流、流量控制、安全策略等進行管理和路由API請求，確保API調用的穩定性。其中，API限流控制調用頻率，防止系統過載和濫用；流量控制可實時監控API流量，以識別并應對異常情況；安全策略涉及身份驗證和授權檢查，確保API的安全使用。

③服務層：通過接入API使用GPT 3.5-Turbo模型，整合大語言模型的自然語言處理、決策推理等功能，確保教育數字人的自然語言精準處理。結合大語言模型的上下文理解、推理決策功能，教育數字人能夠維持對話的連續性，根據用戶提供的數據和歷史交互進行推理，從而實現高效的語言理解和內容生成^[24]。此外，Fine-Tuning包括模型微調和參數調整——模型微調是對GPT 3.5-Turbo模型進行具體教學任務的專項訓練，以提升模型的準確性和實用性；參數調整則通過優化模型的超參數，以獲得最佳的性能表現。

④邏輯層：通過會話管理、API調用、數據分析來管理教育數字人的響應和交互效果。其中，會話管理負責管理用戶與AI的會話狀態和上下文；API調用將與后端進行通信，發送用戶輸入并接收AI的響應，處理從后端接收到的數據，并在前端展示，確保信息傳遞的準確性和及時性；數據分析主要包括用戶行為分析和性能指標分析，并對分析結果進行可視化呈現。API通信包括多個步驟，如請求生成、請求發送、響應接受、響應解析、數據轉換等。當用戶通過文本或語音的方式在前端界面輸入信息時，前端將輸入轉換為API請求，通過HTTP或HTTPS協議發送請求并由API網關接收請求，進行驗證并路由到服務層。

⑤監控層：通過系統監控、日志記錄和異常監測，實時跟蹤系統性能和用戶活動，確保系統的穩定運行。其中，系統監控將實時監控系統的各方面性能指標，如CPU、內存、網絡流量等；日志記錄用于記錄系統操作日志和用戶活動日志；異常監測主要通過異常檢測算法，監測系統中的非正常行為和潛在的安全威脅，包括檢測系統入侵、數據泄露等風險事件。另外，系統還會定期對用戶記錄進行收集，根據用戶行為分析、性能指標分析，調整和優化平臺的功能，滿足實際的教育教學需求。

⑥界面交互層：根據人機交互原理，通過建模渲染、React框架、TTS語音、跨平臺兼容、UX/UI設計等，優化用戶與教育數字人的互動。其中，技術實現采用3ds Max、Blender進行教育數字人形象的建模與渲染。為了適應不同學科的教學需求和學習者的個性化學習風格，本研究設計了不同形象風格和語音特性的教育數字人，如在大熊貓主題的課程中設計大熊貓形象的AI教育數字人，使其在視覺上呈現出接近自然的形象，且具有生動的肢體動作和情感豐富的語音輸出。本研究采用的React框架是一個用于構建UI的JavaScript庫，通過組件化設計，提升了界面的響應速度和動態效果^[25]。在語音交互方面，本研究采用微軟的“從文本到語音”（Text To Speech，TTS）服務將文本轉化為語音輸出，能夠生成更加逼真、自然的語音，且語調和語速變化更加細膩；同時，在學習國寶大熊貓主題的知識時，學習者可以通過耳機和麥克風與教育數字人進行互動式學習。而跨平臺兼容的功能，可以確保用戶在移動端或PC端能夠使用教育數字人開展智慧問答、個性化互動學習等學習活動。在UX/UI設計上，為了讓學習者能直接與教育數字人對話，本研究采用圖形語言傳輸格式（Graphics Language Transmission Format，GLTF）來優化3D模型在Web端的展示和交互，使得學習者即使是在網絡條件受限的情況下也能享受流暢的互動體驗^[26]。

三 GenAI驅動的教育數字人應用效果實證研究

為驗證GenAI驅動的教育數字人的應用效果，本研究依托GenAI驅動的教育數字人架構，開展了教育數字人的教學應用實驗。實驗的主要任務，是考察教育數字人（含四種形象，即無教師、AI女孩、AI大熊貓和AI男孩）對學習者知識保持、知識遷移、學習興趣和社會交互的影響。設計四種教育數字人形象的理由如下：①無教師形象作為實驗控制條件，為其他三個實驗條件提供比較的基準；②依據特征相似性理論^[27]，學生看到與自己相似的形象學習成績會更好，因此設計了與學生形象極為相似AI女孩和AI男孩；③使用大熊貓教師形象教學，可能更有利于學生學習大熊貓知識。

1 研究設計

（1）被試

本研究以成都市T小學四年級兩個班的122名學生（M_age=9.38，SD_age=0.55）為研究對象。實驗開始前，研究人員向教師、學生及其家長介紹實驗的目的和流程，并請家長填寫“知情同意書”。在正式實驗中，被試被隨機分為無教師組（30人）、AI女孩組（30人）、AI大熊貓組（32人）和AI男孩組（30人）。其中，無教師組為對照組，其他三組為實驗組。

（2）實驗材料

實驗材料主要是教學視頻和AI教育數字人平臺。其中，教學視頻的主題為國寶大熊貓，具體內容包括大熊貓名字的由來、生活地區、生活習慣和成長階段四個部分^[28]。本研究使用Camtasia、萬彩動畫大師等視頻制作工具，創作了四種教育數字人形象相應的大熊貓知識教學視頻（截圖如圖2所示），視頻時長分別為4分20秒、3分54秒、4分10秒、4分24秒。

“AI教育數字人學習”平臺（網址：https：//ai.metaplus.zone）由本研究團隊與元加數字科技公司合作設計、開發。AI教育數字人學習平臺提供智慧問答的功能，學生可以通過應答記錄按鈕和對話框按鈕實現人機對話。

（3）測量工具

各測量工具的基本信息如表1所示，具體包括：①先驗知識試卷、知識保持試卷和知識遷移試卷，題目由1名生物老師和3名科學老師共同確定，以確保題目難度符合被試的認知水平，并分別用來衡量被試對大熊貓知識的先驗知識水平、直接記憶力、理解和應用水平。②學習興趣問卷，改編自Rotgans等^[29]設計的學習興趣問卷，用于檢驗被試對教育數字人和學習內容感興趣的程度。問卷采用李克特五點量表，從“完全不符合”到“非常符合”記為1～5分。③社會交互問卷，改編自Hartmann等^[30]設計的社會交互問卷，用于評估被試與教育數字人的交互程度。問卷采用李克特七點量表，從“完全不同意”到“非常同意”記為1～7分。

（4）實驗流程

本次實驗用時兩周，第一周被試完成前測和培訓學習，第二周被試進行正式實驗并完成后測，實驗流程具體如下：①前測階段（約40分鐘），被試首先以8～10人為一組進行前測，需要填寫個人基本信息，并進行有關于大熊貓的先驗知識測試；之后，被試被隨機分配到四個組，其中無教師組學習百度搜索引擎的使用方法，而AI女孩組、AI大熊貓組、AI男孩組了解并掌握AI教育數字人學習平臺的基本使用方法。②實驗階段（約20分鐘）分為兩個步驟，第一步是四組被試分別觀看無教師、AI女孩、AI大熊貓、AI男孩相應的大熊貓知識教學視頻；第二步是無教師組使用百度搜索引擎進行問題解答，而其他三組與教學視頻中相應的教育數字人進行智慧問答。③后測階段（約20分鐘），被試需完成知識保持測試和知識遷移測試，并填寫學習興趣問卷和社會交互問卷，之后每組隨機選取2名被試進行訪談。

2 研究分析

實驗采用單因素方差分析，考察教育數字人形象（無教師、AI女孩、AI大熊貓、AI男孩）對學生知識保持、知識遷移、學習興趣和社會交互的影響。所有變量的描述性統計和單因素方差分析結果如表2所示，可以看出：實驗前四組被試的先驗知識水平不存在顯著差異；在知識保持成績方面，AI男孩組顯著高于AI女孩組（MD=1.61，p=0.025）、AI大熊貓組（MD=2.50，p=0.000），無教師組顯著低于AI女孩組（MD=-3.27，p=0.000）、AI男孩組（MD=-1.65，p=0.022），具體如圖3所示；在知識遷移成績方面，無教師組顯著低于AI女孩組（MD=-3.23，p=0.000）、AI大熊貓組（MD=-2.67，p=0.004）、AI男孩組（MD=-2.37，p=0.013），具體如圖4所示；而在學習興趣方面，經Kruskal-Wallis檢驗發現，四組被試存在顯著差異，其中AI男孩組的學習興趣明顯高于無教師組（p=0.000）、AI女孩組（p=0.002）、AI大熊貓組（p=0.002），具體如圖5所示。

本研究使用SPSS中的PROCESS v4.0宏構建中介路徑分析圖，探究教育數字人形象對學習效果的影響：首先，采用Bootstrap方法分析中介效應，重復取樣5000次，并對取樣數據進行標準化處理。之后，比較三對教育數字人形象（無教師組與AI男孩組、無教師組與AI女孩組、無教師組與AI大熊貓組）在學習興趣、社會交互兩個方面影響知識保持的中介作用，具體路徑如圖6所示，可以看出：與無教師組相比，AI男孩組的學習興趣更高，AI男孩組、AI女孩組的知識保持成績更好，但三組AI教師均不能通過學習興趣、社會互動間接影響學生的知識保持成績。最后，比較前述三對教育數字人形象在學習興趣、社會交互兩個方面影響知識遷移的中介作用，具體路徑如圖7所示，可以看出：以無教師形象為參照，AI男孩、AI女孩、AI大熊貓形象感知能顯著預測學生的知識遷移成績，但不能通過學習興趣、社會互動間接影響學生的知識遷移成績。

四 結論與討論

本研究對GenAI驅動的教育數字人進行了研究，不僅創新了GenAI驅動的教育數字人架構，而且通過實證研究探索了四種教育數字人形象對學生學習成績（包括知識保持成績和知識遷移成績）、學習興趣、社會交互的直接效應，并解析了四種教育數字人形象在學習興趣、社會交互兩個方面影響學習成績的中介效應。

1 GenAI驅動的教育數字人架構創新

本研究設計了GenAI技術驅動的教育數字人六層架構，深化了大語言模型在教育應用中的集成與創新，主要表現為：在網絡基礎層，通過數據庫、服務器、網絡設施和負載均衡，確保了計算資源的高效利用與數據的安全傳輸。在網關層、服務層，通過API限流、流量控制和安全策略，集成了GPT 3.5-Turbo模型的自然語言處理、決策推理等能力，可在保障系統穩定性與安全性的同時，通過模型微調、參數調整，使教育數字人精準反饋學生的個性化學習需求，促使未來的教育工作者思考如何利用不同的教育數字人形象實現個性化和動態化的教學，從而為未來教育數字人的應用與開發提供重要參考。在邏輯層，通過會話管理、API調用和數據分析，確保了會話的連續性和前后端數據傳輸的高效性。在監控層，通過系統監控、日志記錄和異常監測，確保了系統的穩定運行；同時，通過對用戶數據的收集與分析，可幫助教育工作者持續優化教學策略和教育內容。而在界面交互層，通過3ds Max、Blender等技術和TTS語音功能，優化了教育數字人的視覺和聽覺呈現效果；結合React框架和跨平臺兼容功能，可實現跨移動端和PC端的UX/UI設計，展示了GenAI技術驅動的教育數字人在未來教育的巨大潛力。

2 AI男孩組在知識保持、知識遷移、學習興趣上表現更佳，而四組在社會交互上表現相當

本研究發現，AI男孩組在知識保持、知識遷移、學習興趣上的表現均優于其他三組，具體表現為：①AI男孩組、AI女孩組、AI大熊貓組的知識保持成績和知識遷移成績均顯著高于無教師組，這驗證了GenAI驅動的教育數字人在視頻學習與智慧問答中的重要性。根據認知負荷理論^[31]，無教師組使用百度搜索引擎進行問題解答，缺乏系統化的指導和結構化的知識框架，因此會承受較大的認知負荷，面臨信息過載、篩選效率低下等困境。②AI男孩組的學習興趣高于其他三組。原因可能主要是學生對男孩的刻板印象，即男孩更有活力、更外向。有研究指出，當教師形象是學生所偏好的形象時，其學習動機更高、社會交互和學習效果更好^[32][33]。本研究中的AI男孩形象有充滿活力的姿態和親切的面部表情，這可能符合學生心中對積極、外向性格的偏好，與其心目中理想的教師形象相匹配，從而激發了學生的學習興趣^[34]。這種通過性格特征或社會刻板印象建立的相似性連接，密切了學生與教育數字人之間的情感聯系，增強了學生對教育數字人的認同感，對于提升學生的學習成績和學習興趣效果顯著。

本研究還發現，四組在社會交互上的表現大致相當，平均得分都在30分左右（總分為42分，占總分的70%以上），即大多數學生認為與百度搜索引擎、GenAI驅動的教育數字人的社會互動效果較好。根據社會存在感理論，教育數字人形象可以通過基礎的互動觸發兒童的社會反饋^[35]。但值得注意的是，在視頻學習這一特定模式下，學生與教育數字人之間的交互時間與機會相對受限，這或許可以解釋為何各組在社會交互上未產生顯著差異的原因。此結論提示未來的教育數字人設計需進一步優化互動機制，以能為學生帶來更加豐富、雙向的交流體驗。

3 教育數字人在學習興趣、社會交互兩個方面對知識保持、知識遷移的中介效應均不顯著

通過中介路徑分析，本研究發現教育數字人在學習興趣、社會交互兩個方面對知識保持、知識遷移的中介效應均不顯著。這一發現意味著在特定的學習環境或學習條件下，學習興趣和社會交互雖然會對學習過程產生積極影響，但并不總是會轉化為顯著的學習效果。原因主要是學習效果受多種因素（如學習材料的難度、學生的先驗知識、不同教育數字人形象的互動能力和親和力等）的共同影響，而學習興趣和社會交互在其中并不一定起決定性作用。對此，本研究通過學生訪談來進一步驗證此觀點。

本研究從每組被試中隨機選取2名學生進行訪談，多數被試對GenAI驅動的教育數字人表達了認可，其中“聰明”“有趣”“開心”“喜歡”這四個詞在訪談過程中頻頻出現。例如，曹同學表示：“教育數字人很聰明，可以快速回答我的很多問題，而且給出的答案我認為是正確的”；顧同學對AI女孩表示滿意，認為與她的交互十分有趣；劉同學則表達了對教育數字人形象多樣性的期待。在四種教育數字人形象中，AI男孩形象最受學生喜歡：一方面，是由于AI男孩有科技感裝束，對學生來說此形象新穎，易引發其好奇心；另一方面，是因為AI男孩有鮮明的藍色發型，而當社會線索的形式（如教育數字人的頭部）發生變化時，學生的社會存在感將加強^[36]?；诖?，未來的教育數字人研究可以繼續探索如何優化其形象設計和互動功能，并長期追蹤GenAI驅動的教育數字人對學習效果的影響機制。

五 結語

本研究設計了GenAI驅動的教育數字人架構，并深入探討了其在教育領域的應用效果，具有一定的創新之處。一方面，GenAI驅動的教育數字人架構將ChatGPT-3.5 Turbo與教育數字人深度融合，通過微調大語言模型，可較好地滿足學生的個性化學習需求，并為今后GenAI驅動教育數字人的設計和開發提供系統化的理論框架。另一方面，本研究通過引入具有鮮明特征和文化背景的數字人形象（如擁有藍色發型和科技感裝束的AI男孩）開展實驗研究，探討了不同AI教育數字人形象對知識保持、知識遷移、學習興趣和社會交互的影響，結果發現：相較于無教師、AI女孩、AI大熊貓，AI男孩因與學生的性格特征和社會刻板印象相契合，而在知識保持、知識遷移、學習興趣上表現更佳。此結論為在未來教育中引入多樣化、個性化的教育數字人形象提供了實證支持和設計思路，也為一線教師進行AI教育數字人的教學應用提供了實證依據。后續研究可進一步探索教育數字人影響學習者個性化學習的認知神經機制與邊界條件，包括結合認知神經科學，探索教育數字人影響學習者個性化學習的大腦認知神經機制；同時，結合學習科學和發展心理學，探索教育數字影響兒童與成年人個性化學習的差異及其邊界條件，以揭示教育數字人影響學習者學習過程與結果的規律。

參考文獻

[1]夏琪，程妙婷，薛翔鐘，等.從國際視野透視如何將ChatGPT有效納入教育——基于對72篇文獻的系統綜述[J].現代教育技術，2023，（6）：26-33.

[2]焦建利.ChatGPT：學校教育的朋友還是敵人？[J].現代教育技術，2023，（4）：5-15.

[3]工業和信息化部.工業和信息化部辦公廳 教育部辦公廳 文化和旅游部辦公廳 國務院國資委辦公廳 廣電總局辦公廳關于印發《元宇宙產業創新發展三年行動計劃（2023-2025年）》的通知[OL].

lt;https：//www.gov.cn/zhengce/zhengceku/202309/content_6903023.htmgt;

[4]張麗錦.中國虛擬數字人影響力指數報告[R].北京：中國傳媒大學媒體融合與傳播國家重點實驗室，2024：6-9.

[5]翟雪松，吳庭輝，李翠欣，等.數字人教育應用的演進、趨勢與挑戰[J].現代遠程教育研究，2023，（6）：41-50.

[6]徐琦.主流視聽媒體虛擬數字人應用創新與優化策略[J].中國電視，2023，（1）：102-107.

[7]未來智庫.虛擬數字人行業專題分析：AI賦能數字人變數智人[OL].

lt;https：//baijiahao.baidu.com/s？id=1764382827748600842amp;wfr=spideramp;for=pcgt;

[8]李小娟，付斯理，張翼恒，等.網絡學習空間中虛擬教師的社會形象研究[J].現代教育技術，2023，（5）：99-108.

[9]Chen Z H. We care about you： Incorporating pet characteristics with educational agents through reciprocal caring approach[J]. Computers amp; Education， 2012，（4）：1081-1088.

[10]徐英健.AIGC驅動下虛擬數字人的社會安全風險及其治理策略研究[J].智能計算機與應用，2024，（1）：224-227.

[11]Chen X， Hu Z， Wang C. Empowering education development through AIGC： A systematic literature review[J]. Education and Information Technologies， 2024，（29）：1-53.

[12][14]劉清堂，曹天生，吳林靜，等.ChatGPT類耦合教學代理：需求分析與教學應用[J].現代遠距離教育，2023，（6）：3-11.

[13][18]王福興，李文靜，謝和平，等.多媒體學習中教學代理有利于學習嗎？——一項元分析研究[J].心理科學進展，2017，（1）：12-28.

[15]Bandura A. Self-efficacy： The exercise of control[M]. New York： W.H. Freeman amp; Co Ltd， 1997：158-166.

[16]衡書鵬，趙換方，范翠英，等.視頻游戲虛擬化身對自我概念的影響[J].心理科學進展，2020，（5）：810-823.

[17][27]Veletsianos G. Contextually relevant pedagogical agents： Visual appearance， stereotypes， and first impressions and their impact on learning[J]. Computers amp; Education， 2010，（2）：576-585.

[19]Moreno R， Flowerday T. Students’ choice of animated pedagogical agents in science learning： A test of the similarity-attraction hypothesis on gender and ethnicity[J]. Contemporary Educational Psychology， 2006，（2）：186-207.

[20]周曉燕，楊孟娜.教學代理真的能促進學生學習嗎？——基于對國內外31項實驗與準實驗的元分析[J].電化教育研究，2023，（6）：81-89.

[21]劉清堂，巴深，余舒凡，等.視頻課程中教育智能體的社會線索設計研究[J].電化教育研究，2020，（9）：55-60.

[22]Lorenzo G， Lledó A， Arráez-Vera G， et al. The application of immersive virtual reality for students with ASD： A review between 1990-2017[J]. Education and Information Technologies， 2019，（24）：127-151.

[23]Mungazi A A， Gwenzi W. Cross-layer leaching of coal fly ash and mine tailings to control acid generation from mine wastes[J]. Mine Water and the Environment， 2019，（3）：602-616.

[24]OpenAI. Embeddings[OL]. lt;https：//platform.openai.com/docs/guides/embeddingsgt;

[25]Boersma S， Lungu M. React-bratus： Visualising react component hierarchies[A]. 2021 Working Conference on Software Visualization （VISSOFT）[C]. Luxembourg： IEEE， 2021：130-134.

[26]Izawa R， Koga M. An extension of gltf for robot description[A]. 2019 19th International Conference on Control， Automation and Systems （ICCAS）[C]. Jeju， Korea （South）： IEEE， 2019：1010-1014.

[28]Wu C， Jing B， Gong X， et al. The zoomorphic effect： A contribution to the study of images of pedagogical agents for children’s learning in instructional videos[J]. Journal of Computer Assisted Learning， 2023，（5）：1620-1635.

[29]Rotgans J I， Schmidt H G. The role of teachers in facilitating situational interest in an active-learning classroom[J]. Teaching and Teacher Education， 2011，（1）：37-42.

[30][33]Hartmann T， Goldhoorn C. Horton and Wohl revisited： Exploring viewers’ experience of parasocial interaction[J]. Journal of Communication， 2011，（6）：1104-1121.

[31]Sweller J. Cognitive load theory： Recent theoretical advances[M]. Cambridge： Cambridge University Press， 2010：29-47.

[32]Rotgans J I， Schmidt H G. The role of teachers in facilitating situational interest in an active-learning classroom[J]. Teaching and Teacher Education， 2011，（1）：37-42.

[34]衡書鵬，趙換方，范翠英，等.視頻游戲虛擬化身對自我概念的影響[J].心理科學進展，2020，（5）：810-823.

[35]衡書鵬，周宗奎，牛更楓，等.虛擬化身對攻擊性的啟動效應：游戲暴力性、玩家性別的影響[J].心理學報，2017，（11）：1460-1472.

[36]Schneider S， Beege M， Nebel S， et al. The cognitive-affective-social theory of learning in digital environments （CASTLE）[J]. Educational Psychology Review， 2022，（1）：1-38.

Design and Empirical Study of GenAI-Driven Educational Digital Humans Architecture

WU Chang-Cheng^1，2"" "HU Shuang-Wu¹""" JIANG Yu-Jiang¹"" "MOU Ya³"" "PI Zhong-Ling^{4[Corresponding Author]}

（1. School of Computer Science， Sichuan Normal University， Chengdu， Sichuan， China 610101;

2. Sichuan 2011 Synergy Innovation Center of Educational Big Data， Chengdu， Sichuan， China 610101;

3. Shuang Liu Middle School， Chengdu， Sichuan， China 610200; 4. Key Laboratory of Modern

Teaching Technology， Ministry of Education， Shaanxi Normal University， Xi’an， Shaanxi， China 710062）

Abstract： At present， a large number of educational digital humans have been applied in educational scenarios， and the new generation of genetic artificial intelligence （GenAI）-driven educational digital humans have made up for the shortcomings of traditional educational digital humans in the degree of intelligence and simulator， which could provide students with smarter and more personalized educational services， and bring a qualitative leap in the teaching experience and effectiveness for teachers and students. Under this context， this paper adopted hierarchical architecture method to design GENAI-driven educational digital humans architecture， which included six layers of network foundation layer， gateway layer， service layer， logic layer， monitoring layer， and interface interaction layer. After that， an empirical study on the teaching application of educational digital humans with the participation of 122 elementary school students was conducted to investigate the impact of different GenAI-driven educational digital humans （no teacher， AI girl， AI panda， and AI boy） on students’ learning outcomes. The results indicated that the AI boy group performed better in knowledge retention， knowledge transfer， and learning interest， while the four groups showed comparable performance in social interaction. The mediating effects of learning interest and social interaction on knowledge retention and knowledge transfer were not significant for educational digital humans. The research of this paper could provide a systematic theoretical framework for the design and development of GenAI-driven educational digital humans， help to explore the rules of educational digital humans affecting students’ learning process and results， and provide reference cases for teachers， researchers and developers.

Keywords： GenAI; educational digital humans; knowledge retention; knowledge transfer; learning interest; social interaction

*基金項目：本文為2023年度教育部人文社會科學研究項目“教學代理對學習者學習影響的認知神經機制及智能干預研究”（項目編號：23YJAZH159）、2022年度四川省教育科研項目“教育智能體形象、言語設計及其對學習影響的認知神經機制”（項目編號：SCJG22A225）的階段性研究成果。

作者簡介：吳長城，副教授，博士，研究方向為教學視頻的設計與應用、人工智能教育應用等，郵箱為wucc@sicnu.edu.cn。

收稿日期：2024年4月13日