基于生成式人工智能的個(gè)性化學(xué)習(xí)新形態(tài)

[摘 要] 生成式人工智能（Artificial Intelligence Generated Content，AIGC）正在重塑千行百業(yè)，也為個(gè)性化學(xué)習(xí)提供了新的可能性。為進(jìn)一步探討基于AIGC的個(gè)性化學(xué)習(xí)新形態(tài)，采用文獻(xiàn)研究法，首先梳理了從經(jīng)典的個(gè)性化學(xué)習(xí)，到基于大數(shù)據(jù)技術(shù)的個(gè)性化學(xué)習(xí)，再到基于AIGC的個(gè)性化學(xué)習(xí)等三個(gè)階段的演變過程，闡釋了基于AIGC的個(gè)性化學(xué)習(xí)內(nèi)涵。其次，分析了基于A"，"Introduction":""，"Columns":"課程與教學(xué)"，"Volume":""，"Content":"

[摘 " 要] 生成式人工智能（Artificial Intelligence Generated Content，AIGC）正在重塑千行百業(yè)，也為個(gè)性化學(xué)習(xí)提供了新的可能性。為進(jìn)一步探討基于AIGC的個(gè)性化學(xué)習(xí)新形態(tài)，采用文獻(xiàn)研究法，首先梳理了從經(jīng)典的個(gè)性化學(xué)習(xí)，到基于大數(shù)據(jù)技術(shù)的個(gè)性化學(xué)習(xí)，再到基于AIGC的個(gè)性化學(xué)習(xí)等三個(gè)階段的演變過程，闡釋了基于AIGC的個(gè)性化學(xué)習(xí)內(nèi)涵。其次，分析了基于AIGC的個(gè)性化學(xué)習(xí)新形態(tài)的兩大核心要素及其特征：師生智能體及其強(qiáng)自主性和環(huán)境智能體及其強(qiáng)生成性。要素之間的關(guān)系也呈現(xiàn)出自我引導(dǎo)、內(nèi)容生成、路徑優(yōu)化和群體智慧結(jié)構(gòu)等新特征。最后，討論了基于AIGC的個(gè)性化學(xué)習(xí)新形態(tài)的結(jié)構(gòu)特征：凸顯了學(xué)習(xí)者自我導(dǎo)向?qū)W習(xí)、基于認(rèn)知水平的生成式學(xué)習(xí)內(nèi)容、適應(yīng)內(nèi)隱需求特征的千人千面的學(xué)習(xí)路徑供給，以及基于群體智慧的學(xué)習(xí)機(jī)會(huì)選擇均等。

[關(guān)鍵詞] 生成式人工智能； 個(gè)性化學(xué)習(xí)； 主體強(qiáng)自主性； 環(huán)境強(qiáng)生成性； 生成式學(xué)習(xí)； 自我引導(dǎo)； 群體智慧結(jié)構(gòu)

[中圖分類號(hào)] G434 " " " " " "[文獻(xiàn)標(biāo)志碼] A

[作者簡介] 朱永海（1980—），男，安徽六安人。教授，博士，主要從事在線教育與混合教學(xué)、人工智能教育研究。E-mail：zhuyonghai@qq.com。韓錫斌為通信作者，E-mail：hanxb@mail.tsinghua.edu.cn。

一、引 " 言

因材施教是兩千多年來的教育理想，受限于教師的時(shí)間和精力，傳統(tǒng)面授教學(xué)模式難以做到持續(xù)的個(gè)性化學(xué)習(xí)支持[1]。以ChatGPT為代表的AIGC，采用大語言模型、基于人類反饋的強(qiáng)化學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)模型等技術(shù)，將會(huì)重構(gòu)個(gè)性化學(xué)習(xí)系統(tǒng)，可望形成個(gè)性化學(xué)習(xí)新形態(tài)[2]，為大規(guī)模個(gè)性化學(xué)習(xí)支持提供新的可能性[3]。有研究指出，AIGC能支持個(gè)性化學(xué)習(xí)準(zhǔn)確分析學(xué)生偏好、推薦多樣化學(xué)習(xí)材料和全面實(shí)現(xiàn)教學(xué)目標(biāo)，可以更好地實(shí)施因材施教和降低學(xué)生負(fù)擔(dān)[4]；還有研究探討了ChatGPT引發(fā)的學(xué)習(xí)范式和學(xué)習(xí)評(píng)價(jià)的轉(zhuǎn)變，認(rèn)為對(duì)話式學(xué)習(xí)正朝著“智慧問學(xué)”的高階形態(tài)發(fā)展[5]。目前從個(gè)性化學(xué)習(xí)形態(tài)的視角進(jìn)行分析的研究不多，本文試圖探討基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)的內(nèi)涵、核心要素和結(jié)構(gòu)特征，為研究數(shù)字時(shí)代學(xué)習(xí)新形態(tài)提供參考。

二、基于AIGC的個(gè)性化學(xué)習(xí)的內(nèi)涵演進(jìn)

個(gè)性化學(xué)習(xí)的研究受到教育界的持續(xù)關(guān)注，其內(nèi)涵也在持續(xù)演進(jìn)：從經(jīng)典的個(gè)性化學(xué)習(xí)，到基于大數(shù)據(jù)技術(shù)的個(gè)性化學(xué)習(xí)，再到基于AIGC的個(gè)性化學(xué)習(xí)。

（一）經(jīng)典的個(gè)性化學(xué)習(xí)

個(gè)性化學(xué)習(xí)（Personalized Learning）是指根據(jù)每個(gè)學(xué)習(xí)者需求，優(yōu)化學(xué)習(xí)進(jìn)度和學(xué)習(xí)方法的學(xué)習(xí)方式[6]；針對(duì)學(xué)生個(gè)性特點(diǎn)和發(fā)展?jié)撃芏扇∏‘?dāng)?shù)姆椒ā⑹侄巍?nèi)容、起點(diǎn)、進(jìn)程、評(píng)價(jià)方式，促使學(xué)生在各方面獲得充分、自由、和諧的發(fā)展[7]；根據(jù)學(xué)習(xí)者獨(dú)特需求定制教學(xué)策略的方法[8]；強(qiáng)調(diào)以學(xué)習(xí)者的興趣為中心，設(shè)定靈活的學(xué)習(xí)目標(biāo)[9]。有研究提出了課堂教學(xué)情境下個(gè)性化學(xué)習(xí)設(shè)計(jì)的三維模型：認(rèn)知起點(diǎn)、學(xué)習(xí)興趣和學(xué)習(xí)能力[10]。個(gè)性化學(xué)習(xí)是根據(jù)學(xué)生的不同特點(diǎn)、學(xué)習(xí)風(fēng)格和興趣等因素來調(diào)整教學(xué)方法和內(nèi)容，在實(shí)際情況下教師并非時(shí)刻伴隨學(xué)生個(gè)性化學(xué)習(xí)全過程，而是需要對(duì)學(xué)生學(xué)習(xí)情況深入了解后，再制定針對(duì)性的學(xué)習(xí)計(jì)劃和教學(xué)策略，提供定制化的學(xué)習(xí)資源和輔助工具，從而滿足學(xué)生的學(xué)習(xí)需求。個(gè)性化學(xué)習(xí)的實(shí)現(xiàn)依賴于教師對(duì)學(xué)習(xí)者個(gè)體差異的深入理解和對(duì)教學(xué)策略的靈活調(diào)整。概言之，個(gè)性化學(xué)習(xí)是“為達(dá)成每個(gè)學(xué)生的個(gè)人學(xué)習(xí)需求和發(fā)展而定制學(xué)習(xí)內(nèi)容、策略和路徑的學(xué)習(xí)方式”[11]，也稱之為經(jīng)典的個(gè)性化學(xué)習(xí)，通常是在傳統(tǒng)課堂教學(xué)情境下作為補(bǔ)充方式來推進(jìn)。

（二）基于大數(shù)據(jù)的個(gè)性化學(xué)習(xí)

作為經(jīng)典的個(gè)性化學(xué)習(xí)的升級(jí)，大數(shù)據(jù)支持的個(gè)性化學(xué)習(xí)表現(xiàn)為自適應(yīng)學(xué)習(xí)（Adaptive Learning），即根據(jù)學(xué)習(xí)者個(gè)人能力或技能水平，動(dòng)態(tài)調(diào)整課程內(nèi)容的水平或類型，包括自動(dòng)干預(yù)和教師干預(yù)兩種類型[12]。根據(jù)學(xué)生已有信息，建立用戶適應(yīng)模型，實(shí)現(xiàn)個(gè)性化內(nèi)容呈現(xiàn)、路徑推薦和學(xué)習(xí)支持[13]；根據(jù)學(xué)生學(xué)習(xí)內(nèi)容嵌入式評(píng)價(jià)的結(jié)果，及學(xué)生理解的程度，動(dòng)態(tài)地調(diào)整教學(xué)內(nèi)容呈現(xiàn)方式[14]；以個(gè)性化學(xué)習(xí)為核心，借助學(xué)習(xí)分析緊密相連的技術(shù)監(jiān)控學(xué)生的學(xué)習(xí)進(jìn)度，通過分析數(shù)據(jù)來改進(jìn)教學(xué)[15]；旨在生成“自動(dòng)化、動(dòng)態(tài)和交互式”內(nèi)容[16]；利用技術(shù)監(jiān)測(cè)學(xué)生學(xué)習(xí)進(jìn)度，利用數(shù)據(jù)修改教學(xué)內(nèi)容和進(jìn)行功能調(diào)整[17]。自適應(yīng)學(xué)習(xí)的個(gè)體差異主要與學(xué)生的個(gè)體特征和學(xué)習(xí)行為有關(guān)，通過分析學(xué)生學(xué)習(xí)數(shù)據(jù)和行為模式進(jìn)行教學(xué)決策，包括實(shí)時(shí)學(xué)情分析、智能作業(yè)批改和個(gè)性化學(xué)習(xí)推薦，以提高學(xué)生的學(xué)習(xí)效果和成績，但沒有強(qiáng)調(diào)學(xué)生的個(gè)人發(fā)展。概言之，自適應(yīng)學(xué)習(xí)是根據(jù)學(xué)生進(jìn)程表現(xiàn)和反饋信息，實(shí)時(shí)調(diào)整教與學(xué)策略。主要聚焦在依托個(gè)性化學(xué)習(xí)興趣和需求等，并通過預(yù)設(shè)方式供給個(gè)性化學(xué)習(xí)資源、學(xué)習(xí)路徑等。

（三）基于AIGC的個(gè)性化學(xué)習(xí)

AIGC正在不斷地改變著學(xué)習(xí)方式，展現(xiàn)出更加符合學(xué)生個(gè)性化需求的新形態(tài)。AIGC技術(shù)具有“1+N”功能，不是相加關(guān)系，而是疊加關(guān)系。“1”是AIGC的基本功能——“生成性”功能，與之前基于大數(shù)據(jù)技術(shù)的判別式人工智能主要聚焦于“分類與預(yù)測(cè)任務(wù)”有所不同，AIGC作為生成式人工智能，其主要功能是“生成新內(nèi)容”[18]；是在海量數(shù)據(jù)加持下，突破人類認(rèn)知邊界[19]。“N”是AIGC的多種功能，是建立在生成性功能基礎(chǔ)之上，如自動(dòng)化、學(xué)習(xí)復(fù)雜分布、探索性和自我增強(qiáng)等功能，進(jìn)一步強(qiáng)化了學(xué)習(xí)過程及其學(xué)習(xí)內(nèi)容，是學(xué)生與AIGC互動(dòng)過程中動(dòng)態(tài)生成的現(xiàn)象，促使學(xué)習(xí)方式從低認(rèn)知接受式學(xué)習(xí)轉(zhuǎn)向高意識(shí)生成式學(xué)習(xí)[20]。生成性是基于AIGC的個(gè)性化學(xué)習(xí)的最大特征。基于AIGC的生成式學(xué)習(xí)的“生成”有兩層含義[21]：非預(yù)設(shè)性和發(fā)展性。因此，基于AIGC的個(gè)性化學(xué)習(xí)可從一個(gè)角度理解為生成式學(xué)習(xí)，強(qiáng)調(diào)的是在作為個(gè)體學(xué)習(xí)者的“高自主性”和AIGC作為內(nèi)容資源環(huán)境一體化的“高生成性”之間，通過提問與追問等高互動(dòng)，形成不同的學(xué)習(xí)路徑，滿足個(gè)性化需求；具有創(chuàng)造性、復(fù)雜問題解決的路徑多樣性、自我監(jiān)控和自我調(diào)節(jié)等特點(diǎn)。這與心理學(xué)中的生成性學(xué)習(xí)（Generative Learning）相似，后者強(qiáng)調(diào)學(xué)習(xí)者通過主動(dòng)生成意義而非被動(dòng)接收信息來促進(jìn)學(xué)習(xí)，通過個(gè)性化、創(chuàng)造性等行為實(shí)現(xiàn)深度理解[22]，是屬于ICAP（Interactive-Constructive-Active-Passive） 框架中的建構(gòu)和互動(dòng)模式，要求學(xué)習(xí)者通過創(chuàng)造性活動(dòng)（如解決問題、設(shè)計(jì)方案）主動(dòng)構(gòu)建知識(shí)[23]。三種個(gè)性化學(xué)習(xí)形態(tài)的結(jié)構(gòu)特征比較見表1。

三、基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)的

核心要素及其關(guān)系

基于AIGC的個(gè)性化學(xué)習(xí)作為一種新型的學(xué)習(xí)形態(tài)，是一個(gè)復(fù)雜的系統(tǒng)，可從系統(tǒng)視角探討其核心要素及其關(guān)系變化[24]。

（一）基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)的核心要素

AIGC植入教學(xué)系統(tǒng)，引發(fā)系統(tǒng)主體等各要素及其關(guān)系的變化，多個(gè)核心要素融合為學(xué)習(xí)主體和學(xué)習(xí)環(huán)境兩大要素，使得原有教學(xué)形態(tài)轉(zhuǎn)變?yōu)榛贏IGC的個(gè)性化學(xué)習(xí)形態(tài)。

1. 學(xué)習(xí)主體：師生及其“智能體”，體現(xiàn)“強(qiáng)自主性”

原有教學(xué)系統(tǒng)中作為主體的教師和學(xué)生依然是獨(dú)立存在，人腦作為“內(nèi)腦”負(fù)責(zé)創(chuàng)造性思維和靈活應(yīng)變等任務(wù)，并負(fù)責(zé)構(gòu)建能力體系和形成情感等，把握目標(biāo)方向和道德邊界。AIGC能為“人腦”提供不同程度的替代作用，如開發(fā)不同形式的智能體[25]，并可以作為“外腦”。一是助學(xué)智能體，與學(xué)習(xí)者互動(dòng)，在陪伴、情感、交流等方面為學(xué)習(xí)者提供學(xué)習(xí)伙伴作用；此類智能體也需要像學(xué)生一樣接受教育，保障智能體的情感、倫理和價(jià)值觀的正確導(dǎo)向性。二是助教智能體，需要不斷地被投喂數(shù)據(jù)，不斷地優(yōu)化算法和數(shù)據(jù)來源，并堅(jiān)持以學(xué)習(xí)者為中心[26]；協(xié)同教師一起成為人機(jī)協(xié)同雙師，承擔(dān)生成備課資料和學(xué)習(xí)任務(wù)，并實(shí)時(shí)分析學(xué)習(xí)狀況等重復(fù)性或數(shù)據(jù)分析密集型的任務(wù)[19]。“外腦“與”內(nèi)腦“各有功能定位并相互協(xié)作。人類以智能體為中介對(duì)作為實(shí)踐客體的世界進(jìn)行改造，體現(xiàn)出了“強(qiáng)自主性”特征：一是人類的存在樣態(tài)發(fā)生了改變，從“媒介是人體的延伸”已經(jīng)轉(zhuǎn)化為“媒介就是人體的一部分”，如生理增強(qiáng)人、智能輔助人等，人類直接將智能體轉(zhuǎn)化為自身力量的一部分，使智能體成為完成特定任務(wù)的人類助理，與人形成協(xié)同共生的共同體，自主能力被強(qiáng)化。二是人類的生存方式發(fā)生了改變，AI環(huán)境的“強(qiáng)生成性”是依賴于主體的需求而生成的，以智能體為實(shí)踐中介的人類，以生理身體、數(shù)字真身、數(shù)字化身、數(shù)字分身等方式穿行于現(xiàn)實(shí)世界與虛擬世界中[27]，更加需要主體明確需求和厘定目標(biāo)；學(xué)生在教師、助學(xué)和助教智能體陪伴下協(xié)同共生，凸顯學(xué)生“強(qiáng)自主性”的功能。

2. 學(xué)習(xí)環(huán)境：多要素融合的“環(huán)境智能體”，體現(xiàn)“強(qiáng)生成性”

傳統(tǒng)教學(xué)中的內(nèi)容、媒體、環(huán)境、組織和評(píng)價(jià)等要素融合成為“環(huán)境智能體”，為學(xué)生提供內(nèi)容供給，也提供學(xué)習(xí)支持。一是構(gòu)建通用智能底座，依據(jù)學(xué)習(xí)需求，動(dòng)態(tài)生成相對(duì)精準(zhǔn)、豐富、定制化的學(xué)習(xí)內(nèi)容，跨越學(xué)科壁壘，滿足寬口徑、跨學(xué)科、全學(xué)段的多樣性學(xué)習(xí)需求[28]。二是提供多空間感知、全維度分析、跨場域融通和自適應(yīng)服務(wù)[29]，實(shí)時(shí)呈現(xiàn)虛擬實(shí)驗(yàn)和模擬實(shí)踐。三是促進(jìn)學(xué)習(xí)過程由知識(shí)呈現(xiàn)轉(zhuǎn)向思維推理等面向高階思維的生成性學(xué)習(xí)。當(dāng)前推理模型諸如DeepSeek-R1（如鏈?zhǔn)剿季S推理、自然邏輯推理），通過微調(diào)或引入結(jié)構(gòu)化方法（如規(guī)則、驗(yàn)證模塊）增強(qiáng)邏輯能力[30]，可望提升思維品質(zhì)。四是推進(jìn)教師引導(dǎo)的教學(xué)組織形態(tài)轉(zhuǎn)型為基于“按需生成”智慧環(huán)境的學(xué)習(xí)自組織形態(tài)。依托AI技術(shù)和聚類算法、智能助教，傳統(tǒng)教學(xué)和在線教學(xué)等各種資源中以“教師講授為主”等接受式學(xué)習(xí)形態(tài)，演化為多種真正的個(gè)性化學(xué)習(xí)形態(tài)——自我導(dǎo)向?qū)W習(xí)、按需學(xué)習(xí)和泛在學(xué)習(xí)，這些都離不開“按需生成”的智慧學(xué)習(xí)環(huán)境。隨著大模型技術(shù)的演進(jìn)，其作為“環(huán)境智能體”將呈現(xiàn)出更強(qiáng)的支撐學(xué)習(xí)的“強(qiáng)生成性”特征。

（二）基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)的要素關(guān)系

1.“教師—學(xué)生”二元主體的互動(dòng)，演變成“師—智能體—生”三元協(xié)同，體現(xiàn)“自我引導(dǎo)”特征

傳統(tǒng)教學(xué)中“教師—學(xué)生”二元主體的互動(dòng)，轉(zhuǎn)變成互聯(lián)網(wǎng)時(shí)代的“師—機(jī)—生”三元協(xié)同關(guān)系，師生和生生交往關(guān)系演變成了人機(jī)交互關(guān)系，在實(shí)現(xiàn)跨越時(shí)空互動(dòng)的同時(shí)，也異化成了符號(hào)之間的交往，忽視了師生基于內(nèi)在情緒而產(chǎn)生的情感與非語言交流。AIGC時(shí)代，“師—機(jī)—生”進(jìn)一步升級(jí)成“師—智能體—生”，智能體重構(gòu)了師生主體之間的互動(dòng)關(guān)系，師生角色和形態(tài)發(fā)生了變化。教師可由“智能體”助教替代，與作為媒體的“機(jī)”整合成為單一智能體，學(xué)生由師生互動(dòng)中的被動(dòng)地位角色，變成“生—智能體”的主體主動(dòng)角色：自身內(nèi)在需求、自主提問、自主加工、自我引導(dǎo)、自我調(diào)節(jié)和自我評(píng)價(jià)。“師—智能體”兩個(gè)要素，即兩大智能體一體化，形成“輔助式”導(dǎo)師，而非“主動(dòng)式”教師，使得個(gè)性化學(xué)習(xí)系統(tǒng)發(fā)生了真正的結(jié)構(gòu)性變化，“師—智能體—生”三元主體關(guān)系的“人在回路”作用更加凸顯[31]，體現(xiàn)出人機(jī)協(xié)同顯著的自我引導(dǎo)特征。

2.“內(nèi)容—內(nèi)容”分段分科的課程，演變成“整體—真實(shí)—多元”世界認(rèn)知，體現(xiàn)“內(nèi)容生成”特征

傳統(tǒng)教學(xué)系統(tǒng)中內(nèi)容是以分學(xué)段和分學(xué)科等方式出現(xiàn)，即便是在大單元教學(xué)背景下，也只是對(duì)學(xué)科知識(shí)內(nèi)部結(jié)構(gòu)進(jìn)行統(tǒng)整；主題式和項(xiàng)目化教學(xué)也只是在學(xué)科之間進(jìn)行跨學(xué)科學(xué)習(xí)。基于AIGC的個(gè)性化學(xué)習(xí)內(nèi)容：一是突破大單元教學(xué)和跨學(xué)科的“跨度”限制，通用大模型可生成“強(qiáng)邏輯推理”的多學(xué)科融合內(nèi)容，促使學(xué)習(xí)者重新回歸到對(duì)“整體世界”的認(rèn)知。二是突破書本和課堂等封閉式與抽象化學(xué)科內(nèi)容“廣度”限制，借助AIGC生成多模態(tài)的內(nèi)容，延伸到社會(huì)化大課堂和開放性的“真實(shí)世界”認(rèn)知。三是突破單一知識(shí)內(nèi)容的目標(biāo)“深度”限制，轉(zhuǎn)變?yōu)椴町惢菪缘摹岸嘣澜纭闭J(rèn)知。除了專業(yè)知識(shí)外，基于AIGC的個(gè)性化學(xué)習(xí)，借助AIGC能夠關(guān)注到自然、人文、歷史、科技等綜合素養(yǎng)培養(yǎng)，更加強(qiáng)調(diào)對(duì)“整體—真實(shí)—多元”世界的認(rèn)知，且并不是外在強(qiáng)加或者灌輸?shù)模矝]有預(yù)設(shè)的學(xué)習(xí)內(nèi)容，而是學(xué)習(xí)者在與智能體互動(dòng)時(shí)即時(shí)生成的內(nèi)容。

3.“技術(shù)—內(nèi)容—環(huán)境”客體對(duì)象，演變成一體化的大模型環(huán)境智能體，體現(xiàn)“路徑優(yōu)化”特征

AIGC雖然能夠獨(dú)立地發(fā)揮作用，但限于其“幻覺”和倫理等問題，在教育系統(tǒng)中仍然需要結(jié)合現(xiàn)有的在線課程平臺(tái)來協(xié)同提供學(xué)習(xí)支持服務(wù)。基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)中的“技術(shù)—內(nèi)容—環(huán)境”三個(gè)要素融為一體，形成領(lǐng)域或?qū)I(yè)大模型，或者稱為環(huán)境智能體。環(huán)境智能體的自然語言處理、多模態(tài)信息處理和推理能力，加之生成性的特征，通過多模態(tài)對(duì)話訓(xùn)練“感知力”[32]，形成模仿人類行為的“擬人”能力。據(jù)此掌握學(xué)生的學(xué)習(xí)需求，調(diào)整學(xué)習(xí)內(nèi)容的難度、速度和呈現(xiàn)方式，組織課程內(nèi)容；通過對(duì)學(xué)生多模態(tài)數(shù)據(jù)的采集，提升“學(xué)力”分析能力，進(jìn)而以被動(dòng)響應(yīng)、主動(dòng)生成、幫助推理、提供引導(dǎo)、形成結(jié)構(gòu)化認(rèn)知等形式支持個(gè)性化學(xué)習(xí)，滿足“千人千面”的需求，并在推理邏輯和結(jié)構(gòu)化知識(shí)支撐下支持學(xué)習(xí)者繼續(xù)深度對(duì)話，實(shí)現(xiàn)學(xué)習(xí)“路徑優(yōu)化”。

4.“學(xué)生—環(huán)境”主客體間互動(dòng)，演變成“學(xué)伴智能體—環(huán)境智能體”互動(dòng)，體現(xiàn)“群體智慧結(jié)構(gòu)”特征

學(xué)習(xí)者與各種學(xué)習(xí)資源及智能學(xué)伴長期互動(dòng)，智能學(xué)伴借助于學(xué)習(xí)者模型分析學(xué)生知識(shí)水平、行為水平和情感特征，逐步具備了比學(xué)生自己還了解自己的特點(diǎn)，形成了學(xué)力分析能力。通過教師、教材開發(fā)者、資源制作者和平臺(tái)設(shè)計(jì)者開發(fā)或提供高質(zhì)量數(shù)據(jù)來“喂養(yǎng)”各種形式的智能體，這些智能體將成為一個(gè)個(gè)人的智慧“化身”，不同人的智慧將借助于不同的智能體，在統(tǒng)一的或不同的大模型中實(shí)現(xiàn)底層的技術(shù)貫通和智慧連接。智能體與不同用戶的深度互動(dòng)，一方面可利用人類反饋強(qiáng)化學(xué)習(xí)（Reinforcement Learning from Human Feedback，RHFL）等多種技術(shù)，不斷地獲得優(yōu)化；另一方面又促進(jìn)了用戶之間“跨時(shí)空”的智慧碰撞，并把不同用戶的創(chuàng)新思想和觀點(diǎn)吸收或者沉淀到智能體中，形成“群體智慧”。另外，多智能體之間的互動(dòng)將成為基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)中系統(tǒng)要素間關(guān)系的一種新形式，智能體之間通過通信和協(xié)調(diào)，共享信息、資源和策略，實(shí)現(xiàn)共同的目標(biāo)，形成體現(xiàn)學(xué)習(xí)者需求和智能體不斷優(yōu)化的群體智慧結(jié)構(gòu)[33]。

（三）基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)的技術(shù)基礎(chǔ)：人在回路

基于AIGC的個(gè)性化學(xué)習(xí)本質(zhì)上是人類與機(jī)器學(xué)習(xí)算法之間的新型互動(dòng)，可以歸為“人在回路”（Human-In-the-Loop， HIL）。在與人類交互中，智能體可以學(xué)習(xí)和獲取數(shù)據(jù)，并提高其性能，提高學(xué)習(xí)的準(zhǔn)確性，也有助于提升人類學(xué)習(xí)的效果和效率。這種結(jié)合創(chuàng)建了一個(gè)連續(xù)的反饋循環(huán)，使算法每次都能產(chǎn)生更好的結(jié)果，形成人機(jī)循環(huán)決策。人在回路廣泛與智能體進(jìn)行互動(dòng)，體現(xiàn)學(xué)習(xí)者的主動(dòng)性與精準(zhǔn)化、內(nèi)隱性和差異化的主體需求與目標(biāo)；同時(shí)，學(xué)習(xí)者在學(xué)習(xí)交互過程中不斷提供準(zhǔn)確的反饋[34]，借助于主動(dòng)學(xué)習(xí)（Active Learning）、數(shù)據(jù)增強(qiáng)（Data Augmentation）和遷移學(xué)習(xí)（Transfer Learning）等技術(shù)，形成基于AIGC的“群體智慧”結(jié)構(gòu)的技術(shù)基礎(chǔ)。有學(xué)者將人在回路學(xué)習(xí)定義為“能夠與代理互動(dòng)并通過這些互動(dòng)優(yōu)化學(xué)習(xí)行為的算法，其中代理也可以是人類”[35]。人在回路通過人類的直接參與降低復(fù)雜性，尤其在數(shù)據(jù)有限的復(fù)雜領(lǐng)域中表現(xiàn)出更好的效果。研究表明，將人類和機(jī)器智能結(jié)合的混合智能方法能夠建立更緊密的合作關(guān)系，從而實(shí)現(xiàn)相互學(xué)習(xí)，從這個(gè)角度來說，基于AIGC的個(gè)性化學(xué)習(xí)是學(xué)習(xí)者與智能體之間不斷交互的過程，是雙方相互學(xué)習(xí)、不斷優(yōu)化的過程。

四、基于AIGC的個(gè)性化學(xué)習(xí)形態(tài)的結(jié)構(gòu)特征

教學(xué)結(jié)構(gòu)中的單要素、多要素及多要素間作用方式變化，都將引起教學(xué)系統(tǒng)變化[36]。AIGC的融入促使教學(xué)系統(tǒng)內(nèi)部要素逐漸走向融合，推進(jìn)經(jīng)典的個(gè)性化學(xué)習(xí)和基于大數(shù)據(jù)的個(gè)性化學(xué)習(xí)，重構(gòu)形成基于AIGC的個(gè)性化學(xué)習(xí)新形態(tài)，真正進(jìn)入智慧學(xué)習(xí)形態(tài)，見表1。

（一）學(xué)生主體地位彰顯：由教師推薦或技術(shù)引導(dǎo)學(xué)習(xí)，轉(zhuǎn)向強(qiáng)主體性的自我導(dǎo)向?qū)W習(xí)

經(jīng)典的個(gè)性化學(xué)習(xí)強(qiáng)調(diào)基于已有資源的教師引導(dǎo)學(xué)生進(jìn)行個(gè)性化學(xué)習(xí)；大數(shù)據(jù)技術(shù)支持的個(gè)性化學(xué)習(xí)強(qiáng)調(diào)基于不同學(xué)習(xí)狀態(tài)，精準(zhǔn)推送個(gè)性化資源來優(yōu)化學(xué)習(xí)；而基于AIGC的個(gè)性化學(xué)習(xí)，則是強(qiáng)主體性的自我引導(dǎo)式學(xué)習(xí)。AIGC的核心功能是支持學(xué)習(xí)者自然會(huì)話中少量多次顯性表達(dá)，這也是隱性知識(shí)或內(nèi)隱需求顯性化表達(dá)的有效方式[37]；通過靈活地變換問題，學(xué)習(xí)者將隱性需求充分陳述，即不斷提問與追問，進(jìn)而滿足學(xué)生深度需求。學(xué)習(xí)者通過提示詞撰寫能力的提升，不斷地優(yōu)化自身提問和追問的設(shè)計(jì)，不斷提升自身需求被彰顯外化的能力，不斷提升自我調(diào)節(jié)等自主學(xué)習(xí)策略；聚焦于在結(jié)構(gòu)化知識(shí)和高階思維等深度學(xué)習(xí)方面[38]，向AIGC追問，保持人在回路中學(xué)習(xí)的主動(dòng)性。學(xué)習(xí)者與AIGC互動(dòng)中調(diào)節(jié)學(xué)習(xí)策略，實(shí)現(xiàn)自適應(yīng)的按需學(xué)習(xí)，即學(xué)習(xí)者在自然情境中，根據(jù)多樣化的學(xué)習(xí)需求，為滿足多層次的學(xué)習(xí)目標(biāo)進(jìn)階要求，用智能體有效連接教學(xué)資源、環(huán)境與服務(wù)[39]。同時(shí)，學(xué)習(xí)者通過對(duì)AIGC反饋文本的深度結(jié)構(gòu)化分析，支持下一步符合強(qiáng)邏輯的對(duì)話或活動(dòng)，促進(jìn)自我導(dǎo)向深度學(xué)習(xí)的逐步推進(jìn)。因而，學(xué)習(xí)者想要與AIGC開展一場“蘇格拉底”式的高質(zhì)量對(duì)話，就要求學(xué)習(xí)者具備發(fā)現(xiàn)并提出高質(zhì)量問題、跨學(xué)科學(xué)習(xí)、批判性思維與自我調(diào)節(jié)等復(fù)合能力，這些能力將使個(gè)體在AI社會(huì)中保持獨(dú)特的競爭力和創(chuàng)造力。

（二）學(xué)習(xí)內(nèi)容動(dòng)態(tài)生成：由選擇性和接受式學(xué)習(xí)內(nèi)容，轉(zhuǎn)向立足認(rèn)知水平的生成式學(xué)習(xí)內(nèi)容

經(jīng)典的個(gè)性化學(xué)習(xí)更多的是教師提供外在學(xué)習(xí)支持，由教師做好各種基于學(xué)習(xí)者特征的預(yù)設(shè)，學(xué)習(xí)者進(jìn)行選擇性學(xué)習(xí)；大數(shù)據(jù)支持的個(gè)性化學(xué)習(xí)則體現(xiàn)的是基于精準(zhǔn)性推送資源的接受式學(xué)習(xí)。這兩種方式分別是由教師或平臺(tái)預(yù)設(shè)了有限數(shù)量和難度層次的學(xué)習(xí)內(nèi)容資源，力求滿足學(xué)生“長尾”效應(yīng)的、無限多樣化的需求。基于AIGC的個(gè)性化學(xué)習(xí)有兩個(gè)基礎(chǔ)：一是學(xué)習(xí)者動(dòng)態(tài)認(rèn)知水平，二是AIGC“生長”出滿足學(xué)習(xí)者多樣化需求的學(xué)習(xí)內(nèi)容。AIGC通過記錄和理解學(xué)生認(rèn)知水平現(xiàn)狀與知識(shí)盲區(qū)，為初學(xué)者提供支架，并快速解決未知領(lǐng)域的問題，助力學(xué)生知識(shí)技能的學(xué)習(xí)，引導(dǎo)學(xué)生在各自的最近發(fā)展區(qū)學(xué)習(xí)新知。有學(xué)者開發(fā)的個(gè)性化對(duì)話式學(xué)習(xí)（In-Dialogue Learning）框架，能夠在沒有預(yù)定義用戶畫像情況下，通過從對(duì)話歷史直接學(xué)習(xí)個(gè)性化信息，以生成符合特定學(xué)習(xí)者特征的對(duì)話[40]。這表明真正的個(gè)性化學(xué)習(xí)是在交互活動(dòng)過程中產(chǎn)生的，強(qiáng)調(diào)尊重學(xué)習(xí)者個(gè)體差異特征及其潛在的創(chuàng)造價(jià)值。在面對(duì)一個(gè)問題時(shí)，基于AIGC的個(gè)性化生成式學(xué)習(xí)使學(xué)習(xí)者能夠主動(dòng)探索和嘗試以尋求高質(zhì)量的復(fù)雜問題解決策略；AIGC在學(xué)生缺少靈感時(shí)幫助學(xué)生生成思維框架和結(jié)構(gòu)化內(nèi)容，拓寬思路，促進(jìn)學(xué)習(xí)者思維能力培養(yǎng)；AIGC依據(jù)學(xué)生理解能力生成相應(yīng)難度的題目，并進(jìn)行實(shí)時(shí)的答疑解惑和測(cè)評(píng)反饋；AIGC借助于“退一步”或“跳出去”等多種提示語策略[31]，實(shí)現(xiàn)適合每個(gè)學(xué)習(xí)者知識(shí)與思維水平的啟發(fā)式學(xué)習(xí)。

（三）學(xué)習(xí)路徑優(yōu)化生成：由預(yù)設(shè)的有限路徑與活動(dòng)調(diào)整，轉(zhuǎn)向適應(yīng)個(gè)體千人千面內(nèi)隱特征的學(xué)習(xí)路徑

經(jīng)典的個(gè)性化學(xué)習(xí)的路徑推薦需要對(duì)學(xué)習(xí)者學(xué)習(xí)結(jié)果進(jìn)行評(píng)價(jià)，并提供針對(duì)性學(xué)習(xí)資源和學(xué)習(xí)活動(dòng)；基于大數(shù)據(jù)的個(gè)性化學(xué)習(xí)的路徑推薦主要是以動(dòng)態(tài)測(cè)驗(yàn)數(shù)據(jù)、知識(shí)圖譜和算法等為基礎(chǔ)，為學(xué)習(xí)者提供適合的優(yōu)化學(xué)習(xí)路徑和學(xué)習(xí)活動(dòng)調(diào)整；基于AIGC的個(gè)性化學(xué)習(xí)，更加關(guān)注學(xué)習(xí)者內(nèi)隱的、基于“長尾理論”特征的興趣、需求、能力和情緒等，實(shí)現(xiàn)面向個(gè)體內(nèi)隱特征的資源供給與多樣化路徑。大模型的算法與互動(dòng)質(zhì)量在一定程度上決定了個(gè)性化學(xué)習(xí)路徑的優(yōu)化。一是每個(gè)學(xué)習(xí)者獨(dú)特的學(xué)習(xí)習(xí)慣和動(dòng)機(jī)，借助于AIGC互動(dòng)進(jìn)行個(gè)性化學(xué)習(xí)時(shí)，如基于Mixture-of-Experts（MoE）架構(gòu)的高質(zhì)量DeepSeek-V3，可對(duì)不同學(xué)習(xí)者的學(xué)習(xí)過程給出不同的文本、語音、圖像等多模態(tài)的即時(shí)互動(dòng)；二是借助于推理模型，如擅長復(fù)雜問題解決、邏輯和分步推理任務(wù)的DeepSeek-R1，可給出適應(yīng)不同學(xué)習(xí)者提問思路的問題解決方案，學(xué)習(xí)者可以依據(jù)自己的內(nèi)在需求與理解，依據(jù)方案，繼續(xù)開展多路徑的學(xué)習(xí)和持續(xù)探索；三是AIGC可對(duì)學(xué)習(xí)行為進(jìn)行持續(xù)追蹤分析等，不僅能夠掌握學(xué)生的學(xué)習(xí)基礎(chǔ)、進(jìn)度、軌跡、效果等顯性特點(diǎn)，還可以挖掘?qū)W習(xí)偏好、情感和動(dòng)機(jī)等內(nèi)隱特征，據(jù)此給學(xué)習(xí)者提供及時(shí)的學(xué)習(xí)資源與學(xué)習(xí)干預(yù)支持；四是AIGC可作為學(xué)伴智能體為學(xué)習(xí)者提供學(xué)習(xí)規(guī)劃與時(shí)間管理，實(shí)現(xiàn)對(duì)學(xué)習(xí)路徑、資源和情緒等的針對(duì)性調(diào)整[41]。也有研究基于學(xué)習(xí)支架理論和ChatGPT，開發(fā)了翻轉(zhuǎn)學(xué)習(xí)指導(dǎo)方法（ChatGPT-FLGA），提供即時(shí)反饋、個(gè)性化交流、持續(xù)交談和學(xué)習(xí)干預(yù)，為不同個(gè)體學(xué)習(xí)者提供多樣化學(xué)習(xí)路徑。

（四）學(xué)習(xí)機(jī)會(huì)充分供給：由基于學(xué)習(xí)資源的優(yōu)質(zhì)均衡，轉(zhuǎn)向基于群體智慧的選擇機(jī)會(huì)均等

經(jīng)典的個(gè)性化學(xué)習(xí)和基于大數(shù)據(jù)的個(gè)性化學(xué)習(xí)，重在按照教師或大數(shù)據(jù)的需求分析，預(yù)設(shè)好各種優(yōu)質(zhì)資源，為學(xué)習(xí)者提供個(gè)性化推薦服務(wù)，本質(zhì)上是個(gè)體化學(xué)習(xí)。簡單說，以往個(gè)性化學(xué)習(xí)注重給學(xué)生提供均衡的、有限的、預(yù)設(shè)的優(yōu)質(zhì)資源，而不關(guān)注這些有限預(yù)設(shè)學(xué)習(xí)資源或內(nèi)容是否滿足學(xué)習(xí)者真正的興趣或需要。借助于智能體技術(shù)，不同專家學(xué)者通過提供優(yōu)質(zhì)知識(shí)庫（如名牌高中的教學(xué)設(shè)計(jì)、復(fù)習(xí)資料、高質(zhì)量題庫等），以及不同師生在與智能體互動(dòng)中迸發(fā)出各種思想火花和稀疏性交互數(shù)據(jù)，都可以回饋到智能體中得以不斷的固化與能力泛化。智能體也逐漸形成了集聚各種優(yōu)勢(shì)資源的群體智慧結(jié)構(gòu)，促其自我進(jìn)化，并在群智協(xié)同對(duì)話中實(shí)現(xiàn)群體智能涌現(xiàn)[42]。同時(shí)，在城鄉(xiāng)區(qū)域間隱性的“數(shù)字素養(yǎng)鴻溝”不斷成為個(gè)性化學(xué)習(xí)障礙之際，逐步“平權(quán)化”的AIGC技術(shù)借助于可被大眾化掌握的互動(dòng)提問能力，為每位師生提供觸手可及的群體智慧，如生成高質(zhì)量教案、提供名牌高中教師教學(xué)質(zhì)量級(jí)別的7×24小時(shí)答疑，不僅可快速推廣落地“優(yōu)質(zhì)均衡”，而且還能確保每個(gè)學(xué)習(xí)者發(fā)自內(nèi)心的學(xué)習(xí)興趣、需要等得到均等化滿足，確保每個(gè)學(xué)習(xí)者都有需求的發(fā)言權(quán)，進(jìn)而實(shí)現(xiàn)按照自己興趣選擇提問、生成內(nèi)容、推薦資源、規(guī)劃路徑，實(shí)現(xiàn)按需學(xué)習(xí)的機(jī)會(huì)均等，而非簡單的優(yōu)質(zhì)均衡，從而真正實(shí)現(xiàn)大規(guī)模個(gè)性化學(xué)習(xí)。

[參考文獻(xiàn)]

[1] 徐翎衲，李艷. 智能輔導(dǎo)系統(tǒng)助力個(gè)性化學(xué)習(xí)[J]. 上海教育，2023（32）：72-73.

[2] 本刊編輯部，張彩云，李紅恩，等. 2023中國教育研究前沿與熱點(diǎn)問題年度報(bào)告[J]. 教育研究，2024，45（2）：79-94.

[3] 劉玉萍，徐學(xué)福. 服務(wù)大規(guī)模個(gè)性化教學(xué)的制度建構(gòu)邏輯[J]. 電化教育研究，2022， 43（5）：40-46，69.

[4] 高琳琦. 生成式人工智能在個(gè)性化學(xué)習(xí)中的應(yīng)用模式[J]. 天津師范大學(xué)學(xué)報(bào)（基礎(chǔ)教育版），2023，24（4）：36-40.

[5] 戴嶺，趙曉偉，祝智庭. 智慧問學(xué)：基于ChatGPT的對(duì)話式學(xué)習(xí)新模式[J]. 開放教育研究，2023，29（6）：42-51，111.

[6] 韓雪童. 大數(shù)據(jù)時(shí)代個(gè)性化學(xué)習(xí)的技術(shù)曲解、本源廓清與突圍路徑[J]. 電化教育研究，2022，43（6）：25-31，60.

[7] 李廣，姜英杰.個(gè)性化學(xué)習(xí)的理論建構(gòu)與特征分析[J]. 東北師大學(xué)報(bào)，2005，（3）：152-156.

[8] 武濱，左明章. 回溯與展望技術(shù)在教育教學(xué)中的角色——NETP2016對(duì)我國教育信息化建設(shè)的啟示[J]. 現(xiàn)代遠(yuǎn)距離教育，2016（4）：64-70.

[9] 徐升，佟佳睿，胡祥恩. 下一代個(gè)性化學(xué)習(xí)：生成式人工智能增強(qiáng)智能輔導(dǎo)系統(tǒng)[J]. 開放教育研究，2024，30（2）：13-22.

[10] 劉美鳳，劉文輝，梁越，等. 差異化教學(xué)何以施行：班內(nèi)多層次教學(xué)方案的設(shè)計(jì)與實(shí)施[J]. 中國電化教育，2022（1）：124-133.

[11]百家號(hào). AI與教育：未來教育的個(gè)性化和自適應(yīng)學(xué)習(xí)[EB/OL]. （2023-10-10）[2024-07-30]. https：//baijiahao.baidu.com/s？id=1779332897258771795amp;wfr=spideramp;for=pc.

[12] PUGLIESE "L. Adaptive learning systems：Surviving the storm[EB/OL].（2016-10-17）[2024-07-30].https：//er.educause.edu/articles/2016/10/adaptive-learning-systems-surviving-the-storm.

[13] 吳南中.自適應(yīng)學(xué)習(xí)模型的構(gòu)建及其實(shí)現(xiàn)策略[J].現(xiàn)代教育技術(shù)，2017，27（9）：12-18.

[14] LOWENDAHL J M， THAYER T L B， MORGAN G， et al. Top 10 strategic technologies impacting higher education in 2016[EB/OL].（2016-01-15）[2024-08-10].https：//www.academia.edu/29441505/Top_10_Strategic_Technologies_Impacting_Higher_Education_in.

[15] 蘭國帥，郭倩，呂彩杰，等. “智能+”時(shí)代智能技術(shù)構(gòu)筑智能教育——《地平線報(bào)告（2019高等教育版）》要點(diǎn)與思考[J]. 開放教育研究，2019，25（3）：22-35.

[16] KERR P. Adaptive learning[J]. ELT Journal， 2016，70（1）： 88-93.

[17] ADAMS BECKER S， CUMMINS M， DAVIS A， et al. NMC horizon report：2017 higher education edition[R]. Austin：TX.New Media Consortium，2017.

[18] SHAH C， BENDER E M. Envisioning information access systems： what makes for good tools and a healthy Web？[J]. ACM Transactions on the Web， 2024，18（3）：1-24.

[19] 艾瑞咨詢. 2024年AIGC+教育行業(yè)報(bào)告[EB/OL].（2024-04-09）[2024-06-21].https：//mp.weixin.qq.com/s/FIUh_dVJHI1lZ8rmZT11ug.

[20] 趙曉偉，戴嶺，沈書生，等. 促進(jìn)高意識(shí)學(xué)習(xí)的教育提示語設(shè)計(jì)[J]. 開放教育研究，2024，30（1）：44-54.

[21] 祝智庭，戴嶺，胡姣. 高意識(shí)生成式學(xué)習(xí)：AIGC技術(shù)賦能的學(xué)習(xí)范式創(chuàng)新[J]. 電化教育研究，2023，44（6）：5-14.

[22] FIORELLA L. Making sense of generative learning[J]. Educational psychology review， 2023，35（2）：50.

[23] CHI M T H， WYLIE R. The ICAP framework： linking cognitive engagement to active learning outcomes[J]. Educational psychologist， 2014，49（4）：219-243.

[24] 韓錫斌，陳香妤，刁均峰，等. 高等教育教學(xué)數(shù)字化轉(zhuǎn)型核心要素分析——基于學(xué)生和教師的視角[J]. 中國電化教育，2022（7）：37-42.

[25] ADAMS J A. Multiagent systems： a modern approach to distributed artificial intelligence[J]. AI magazine，2001，22（2）：105-108.

[26] 孫立會(huì)，沈萬里.論生成式人工智能之于教育的命運(yùn)共同體[J].電化教育研究，2024，45（2）：20-26.

[27] 楊保軍，孫新. 智能體：主體與客體相統(tǒng)一的“中介體”——兼論智能體在新聞生產(chǎn)中的地位和作用[J]. 全球傳媒學(xué)刊，2024，11（3）：3-23.

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

[29] 李艷燕. 科技賦能教育創(chuàng)新：學(xué)習(xí)環(huán)境的變革與升級(jí)[J]. 人民論壇·學(xué)術(shù)前沿，2023（20）：73-79.

[30] SAPAROV A， HE H. Language models are greedy reasoners： a systematic formal analysis of chain-of-thought[EB/OL]. （2023-05-05）[2025-02-10].http：//arxiv.org/pdf/2210.01240v1.

[31] 易凱諭. 基于AIGC的人智協(xié)同教學(xué)模式研究[D]. 北京：清華大學(xué)，2024.

[32] 陶煒，沈陽. 從ChatGPT到Sora：面向AIGC的四能教育和范式革新[J]. 現(xiàn)代教育技術(shù)，2024，34（4）：16-27.

[33] 吳永和，姜元昊，陳圓圓，等. 大語言模型支持的多智能體：技術(shù)路徑、教育應(yīng)用與未來展望[J]. 開放教育研究，2024，30（5）：63-75.

[34] RETZLAFF C O， DAS S， WAYLLACE C， et al. Human-in-the-loop reinforcement learning： a survey and position on requirements， challenges， and opportunities[J]. Journal of artificial Intelligence research， 2024，79： 359-415.

[35] HOLZINGER A. Interactive machine learning for health informatics： when do we need the human-in-the-loop？[J]. Brain informatics， 2016，3（2）：119-131.

[36] 朱永海，劉慧，李云文，等. 智能教育時(shí)代下人機(jī)協(xié)同智能層級(jí)結(jié)構(gòu)及教師職業(yè)形態(tài)新圖景[J]. 電化教育研究，2019，40（1）：104-112，120.

[37] 朱永海. 基于知識(shí)分類的視覺表征研究[D]. 南京：南京師范大學(xué)，2013.

[38] 朱永海. 深度學(xué)習(xí)視角下混合教學(xué)系統(tǒng)化設(shè)計(jì)與體系化模式構(gòu)建[J]. 中國電化教育，2021（11）：77-87.

[39] 劉德建，費(fèi)程，劉嘉豪，等. 智能技術(shù)賦能按需學(xué)習(xí)：理論進(jìn)路與要素表征[J]. 電化教育研究，2023，44（4）：17-25.

[40] JIMENEZ C E， YANG J， WETTIG A， et al. Swe-bench： can language models resolve real-world github issues？[EB/OL].（2024-05-11）[2025-02-10].http：//arxiv.org/pdf/2310.06770v3.

[41] BHUTORIA A. Personalized education and artificial intelligence in the United States， China， and India： a systematic review using a human-in-the-loop model[J]. Computers and education： artificial intelligence， 2022，3：1-18.

[42] 趙曉偉，沈書生，祝智庭. 數(shù)智蘇格拉底：以對(duì)話塑造學(xué)習(xí)者的主體性[J]. 中國遠(yuǎn)程教育，2024，44（6）：13-24.

A New Form of Personalized Learning Based on

Artificial Intelligence Generated Content

ZHU Yonghai1， "ZHANG Jiaxin2， "HAN Xibin3

（1.Artificial Intelligence Research Institute， Captial Normal University， Beijing 100048;

2.College of Elementary Education， Captial Normal University， Beijing 100048;

3.Institute of Education，Tsinghua University，Beijing 100084）

[Abstract] Artificial Intelligence Generated Content （AIGC） is reshaping various industries and providing new possibilities for personalized learning. In order to further explore the new form of personalized learning based on AIGC， this paper firstly adopts the literature research method to comb the evolution process from classical personalized learning， to personalized learning based on big data technology， and then to the personalized learning based on AIGC， and explains the connotation of personalized learning based on AIGC. Secondly， the two core elements and their characteristics of the new form of personalized learning based on AIGC are analyzed： teacher-student intelligent agents and their strong autonomy， and environmental intelligent agents and their strong generativity. The relationship between the elements also presents new features， reflecting the characteristics of self-guidance， content generation， path optimization and group intelligence structure. Finally， the structural features of the new form of personalized learning based on AIGC are discussed， including highlighting learners' self-directed learning， the generative learning content based on cognitive level， the supply of diverse learning paths adapted to the characteristics of implicit needs， and the equal selection of learning opportunities "based on group intelligence.

[Keywords] AIGC; Personalized Learning; Subject Strong Autonomy; Environment Strong Generativity; Generative Learning; Self-guidance; Group Intelligence Structure