從支持工具到學習主體：“GenAI-學習者”協作學習系統的模型構建與促進策略

摘要：GenAI正重塑技術與學習者的關系，從支持工具進化為學習主體，與學習者共同建構知識，并賦能各自發展。基于此，文章首先依托協作學習理論，構建了“學習者-GenAI-集體知識”三元協作學習系統模型，分析了要素特點。之后，文章剖析了“學習者-GenAI-集體知識”三元協作學習系統模型的運行機制，包括協作知識建構中學習者的發展機制、協作知識建構中GenAI的發展機制、學習者與GenAI協作建構集體知識的機制，以實現學習者的認知躍遷、GenAI的能力增強和集體知識的進化。最后，文章依托“學習者-GenAI-集體知識”三元協作學習系統模型及其運行機制，從GenAI個性化育人能力提升、學習者GenAI素養與批判意識培養、基于協作學習活動的人機共生關系形成三個方面，提出了促進學習者與GenAI有效協作學習的策略。文章的研究成果，可為我國GenAI賦能學習者發展提供理論指導與實踐參考，對于推動智能時代我國教育創新發展也具有重要意義。

關鍵詞：生成式人工智能；集體知識；協作學習；知識建構

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2025）04—0053—09【DOI】10.3969/j.issn.1009-8097.2025.04.006

引言

生成式人工智能（Generative Artificial Intelligence，GenAI）正在重塑人類的認知與實踐方式，為學習者提供了個性化學習體驗、為教育的創新發展帶來了新機遇，但也出現了學習者過度依賴、無法甄別“偏見”和“幻覺”的現象，導致出現了知識謬誤、淺層學習、思維受限等問題[1]。對此，有研究者提出要考慮“人”與“機器”的協同問題[2]。在教育領域，“機”作為學伴與學習者協同成長，而“人”是教師、家長、學習者[3]。人機協同能促進人的“智慧”與機器的“智能”高度融合，成為高效、準確完成任務的主要方式[4]。在人機協同中，GenAI充當智能助手，可以幫助學習者獲取和整理信息，提供解決問題的知識，以提升學習效率[5]，并更好地實現“蘇格拉底教學法”和同伴學習[6]；作為虛擬學習環境，GenAI還可以提升學習者互動體驗并擴展其感知能力[7]。人機協同理論誕生于工業時代，關注人與機器在勞動層面的協同，強調人類智能和機器智能發揮各自優勢[8]。依托此理論分析GenAI賦能學習者學習，可能會過于側重學習任務的完成，而相對忽視學習者自身的發展。因此，我們不能僅以任務完成為導向，而應更加關注學習者在使用GenAI過程中的自身發展。

以往研究將技術作為支持學習者互動、促成協作溝通的媒介工具[9]，而GenAI可以產生具有獨創性的知識，故應被賦予獨立人格[10]，成為與學習者進行智慧碰撞的“學習主體”。協作學習理論強調個體學習與集體知識建構的共同進化，關注協作對個體學習的影響和學習共同體創造的集體知識，重視將集體知識內化為個人知識，并提出了“協作者-協作者-集體知識”的三元協作學習機制[11][12]。本研究認為，GenAI賦能學習者學習的過程，是雙方共同建構知識并促進個體發展的過程；構建“學習者-GenAI-集體知識”三元協作學習系統模型，分析學習者與GenAI雙方協作建構集體知識并在協作中促進各自發展的機制，探討教育實踐中促進人機有效協作學習的策略，是實現GenAI賦能學習者學習發生、達成育人目標、解決其對GenAI依賴和教育主體性被貶抑等困局、釋放GenAI教育潛力的有效路徑。

一“學習者-GenAI-集體知識”三元協作學習系統模型的構成要素

在GenAI賦能學習的過程中，學習者、GenAI作為學習主體，與集體知識構成了三元協作學習系統，其系統模型如圖1所示。具體來說，協作學習始于學習者提問和GenAI據此生成內容；學習者學習生成內容后提出質疑或觀點，GenAI依據學習者反饋迭代生成，推動雙方協商對話；雙方形成學習共同體，整合各類觀點，共同建構集體知識，并在此過程中促進各自發展。其中，學習者認知系統、元認知系統和動機系統的介入水平，以及GenAI語料庫的規模質量、預訓練模型的參數性能、獎勵模型的準確穩定，均會影響集體知識建構的質量與雙方學習發展的程度。

1 可以作為協作學習主體的GenAI

協作學習主體既要具備出色的語言表達能力，也需具有非語言溝通技巧、批判性思維、共享能力和適應能力[13]。GenAI可以進行意圖識別、多輪對話和類人生成，尤其能分擔人類的認知勞動[14]，能與學習者的智慧相結合，協作處理較為復雜的實際問題[15]，在個性化對話生成、認知推理、行動決策等方面已經擁有與人類相似的能力[16]。綜合來看，GenAI已具備協作學習主體的四大能力：①基于對話而成長的GenAI具備優秀的表達能力。GenAI在語言理解和生成方面表現出色，能夠“理解”對話者的語義[17]，可以因人而異提供高質、穩健的類人對話產出[18]。②較強的邏輯推理能力，使GenAI能在“批判性對話”中實現與學習者的辯論協商。GenAI在對話中能與學習者共同分析、處理和理解信息，并能幫助學習者分析問題、論證觀點、給出評價；能與學習者進行復雜話題的討論，激發學習者的思考，促進學習者對知識的深入理解。③價值對齊機制可以讓GenAI理解學習者的價值訴求。價值對齊是通過監督微調、獎勵建模和人類反饋強化學習等方式，使大模型的能力和行為與人類的價值、真實意圖、倫理原則保持一致，確保人工智能的行為朝著人類預期的方向發展[19]。這就需要GenAI與學習者的對話超越認知，在價值觀上達成共識，形成共同愿景，建立學習共同體。④GenAI可以在協作學習過程中發展自身的“主體能力”。GenAI通過多輪對話式學習進行訓練，構建對話歷史模型，提升內容生成的質量，提高對話的流暢度[20]。如果將GenAI的語料庫類比為人類的“知識體系”、預訓練模型類比為“認知能力”、獎勵模型類比為“元認知能力”，那么與學習者協作學習的過程就是其作為“學習主體”發展知識體系、認知能力、元認知能力的過程。

2 需要更加凸顯主體地位的學習者

在與GenAI協作學習時，學習者的角色與主體地位會發生轉變：①學習者發起與主導協作學習。GenAI僅能被動回答，不能主動發起交流[21]，故學習者的動機與認知水平決定GenAI內容生成的質量。②GenAI高智能挑戰學習者的主體性。GenAI易引發學習者認知卸載與元認知懶惰，降低學習深度與創造力[22]。因此，激活學習者的認知和元認知，是增強其主體性、提升其集體知識貢獻度、促進深度學習發生的關鍵。

3 作為人機協作學習結果的集體知識

集體知識是多主體協作創造的有價值內容[23]，學習者與GenAI協作建構的集體知識有以下特征：①集體知識不是GenAI的單向輸出，而是整合學習者與GenAI雙方觀點和協商對話中所激發的新觀點后形成的集體智慧。②集體知識的創新方向，是在學習者與GenAI雙方共同的未知區域孕育群體新知識。因此，集體知識的創新應聚焦兩類未知域的突破：一是以問題激發GenAI對既有語料庫中潛在知識關系的深度解析與重組；二是超越人機現有的知識儲備，在雙方知識體系的動態融合過程中生成新知識。

二“學習者-GenAI-集體知識”三元協作學習系統模型的運行機制

學習者、GenAI、集體知識經過三重耦合，推動學習共同體的協同進化：學習者以問題驅動激活GenAI深度語義挖掘，其提問質量與互動方式影響GenAI知識關聯的路徑與強度；GenAI通過迭代生成促進學習者發展，生成類型的多樣性與育人能力影響其與學習者的協作深度；人機協作過程中產生的觀點持續注入集體知識，促使知識結構重組與創新。在這一協同演化、雙向賦能的過程中，形成了“學習者認知躍遷、GenAI能力增強、集體知識進化”的協作學習機制。

1 協作知識建構中學習者的發展機制

從個體發展的視角來看，與他人協作是一種外部環境，強調社會在自我調節學習中的作用[24]。可見，與GenAI協作是其作為外部環境促進學習者自我調節學習的過程。從學習者的發展角度出發，本研究設計了協作知識建構中學習者發展機制，如圖2所示。概括來說，學習者依托原認知體系在完成任務或解決問題的過程中遭遇認知瓶頸或知識缺口，產生求助GenAI的需求。之后，學習者通過對生成內容的認知加工、與GenAI的辯論協商，促進自身知識的整合與外化。在此過程中，GenAI扮演資源供給者、評價/監控者等多種角色，驅動學習者動機系統、元認知系統、認知系統協同運作，從而促進學習者形成新認知體系。

（1）與GenAI協作知識建構的過程是學習者自我調節學習的過程

學習者在協作學習中成功與否，與其對學習過程的調節有關[25]。協作知識建構的過程，是個體作為自我調節主體通過協作在社會層面調節彼此學習的過程[26]。學習者在與GenAI協作的過程中，對生成的內容進行深度剖析、批判性審視等認知加工，將有效信息整合到原有認知體系，實現認知體系的升級；同時，將整合的知識外化為創新觀點或新問題，推動深層知識發現與協作學習的高階演進。在此過程中，學習者還會不斷調整自己的元認知、行為、動機、自我效能感，通過溝通協作并利用批判性、創新性思維解決問題，促進學業發展[27][28]。學習者動機系統、元認知系統和認知系統的協同程度，不僅影響其對生成內容的認知加工與整合水平，而且影響其與GenAI辯論的深度，最終決定集體知識的質量。而高質量集體知識的建構，能為學習者提供契合其需求的高品質學習內容，更能提升其批判性思維、問題解決和協商對話能力。

（2）GenAI動態轉換角色是賦能學習者自我調節學習發生的關鍵

GenAI可以通過動態轉換角色，適配學習者的學習需求、支持其個性化發展，具體表現為：①作為資源提供者，響應學習者提問；②作為學習伙伴/認知導師，回應學習者質疑；③作為評價/監控者，引導和調節學習者學習；④作為情感激勵者/動機激發者，激發學習者學習動機與對話積極性。需注意的是，GenAI的支持模式高度依賴學習者的主動觸發。如果學習者缺乏主動性，GenAI只能提供內容與基礎問答支持。

2 協作知識建構中GenAI的發展機制

大模型不僅能從大數據中學習，還能利用人類的知識體系進行更深層次的推理和決策[29]。與人類一樣，GenAI在與學習者的協作過程中學習人類的知識體系與價值觀念，實現自我進化。從GenAI的發展角度出發，本研究設計了協作知識建構中GenAI的發展機制，如圖3所示。概括來說，GenAI基于原知識體系（語料庫）、原認知能力（預訓練模型）和原元認知系統（獎勵模型）解析學習者的需求，生成相應內容，并在對互動中學習者所產生新觀點和新問題的持續學習中，豐富語料庫、微調預訓練模型、優化獎勵模型，使GenAI形成新知識體系、新認知能力和新元認知系統。學習者作為知識供給者、價值校準者等角色的介入，是推動GenAI能力躍遷的關鍵。

（1）與學習者協作知識建構的過程是GenAI能力發展的過程

提升GenAI的認知能力與社會理解能力，是人工智能發展的重點。用大規模、高質量的聊天對話數據進行訓練，將外部知識內化、融合到大語言模型參數中，是提升GenAI問答能力的主要方式[30]。與學習者的協作過程，是GenAI通過螺旋式理解問題、生成內容并持續修正生成策略和提升生成質量的過程。而學習者的追問與質疑，是驅動GenAI能力發展的關鍵。此外，價值對齊機制在提升GenAI的社會理解能力方面取得了突破。有研究者提出，人機交互中能表現出更多的道德理解和恰當的道德行為，故人機交互是GenAI實現價值對齊的重要方式[31]。在此基礎上，有研究者提出了人類反饋的強化學習方法[32]，以及將人類和GenAI視為整體的合作逆強化學習法[33]。也就是說，GenAI從人類的批評、修改等反饋中強化學習，從觀察到的人類行為中推斷出任務目標和獎勵信號，以優化預訓練模型、獎勵模型，確保大模型與復雜的人類價值偏好對齊，更好地執行人類的任務[34]。可以說，與學習者協作的過程，就是GenAI合作逆強化學習的過程，是其在與學習者互動中學習人類的知識與價值觀、發展其生成能力的過程。

（2）學習者角色的多元化是促進GenAI能力發展的關鍵

學習者角色越多元，越有助于GenAI合作逆強化學習的發生，也越能促進GenAI的能力發展：①作為問題提出者，學習者的高質量提問為GenAI參數調優和內容生成策略迭代提供了依據，有助于增強其語義理解與內容生成精度；②作為知識供給者，學習者通過觀點輸出與數據投喂，能拓展GenAI語料庫的多樣性和跨模態知識融合能力；③作為辯論協商者，學習者可以對GenAI的生成內容進行批判與倫理評估；④作為價值校準者，學習者可以修正GenAI預訓練模型的認知偏差、優化其獎勵模型的價值對齊機制。

3 學習者與GenAI協作建構集體知識的機制

學習者與GenAI協作建構集體知識的過程，可從信息共享、觀點比較、合作協商、知識建構、意義達成五個階段進行分析[35]。以此為基礎，本研究從整體角度出發，設計了學習者與GenAI協作建構集體知識的機制，如圖4所示。概括來說，集體知識建構始于學習者提問和GenAI首次內容生成，雙方實現信息共享；學習者學習生成內容、產生新問題或新觀點，促進GenAI強化學習，雙方通過觀點比較深化問題理解；雙方開展多輪辯論對話，迭代優化集體知識，在合作協商的過程中推動觀點的發展與整合；GenAI借助思維導圖、知識圖譜等可視化工具，直觀呈現雙方觀點之間的邏輯關系，并提供結構引導，學習者基于理解進行知識的整合創新，雙方共同推動集體知識建構；學習者從認知與價值兩個方面校準GenAI的生成內容，GenAI在價值對齊中滿足學習者需求，最終雙方形成一致理解和認識，實現意義達成。

（1）學習者的提問質量與問題集合決定集體知識建構的軌跡與結構

學習者通過問題觸發GenAI在語料庫中以新的“關聯線索”激活潛在知識，是人機協作建構集體知識的關鍵路徑。學習者對問題描述的清晰度、完整性、準確性，以及在追問中形成的問題集合，共同決定集體智慧的生長路徑與框架體系。

（2）學習者的學習方式決定其對集體知識的貢獻度

學習者學習方式的差異，會影響其對集體知識的貢獻度：①受外部任務驅動的被動學習者，其提問常機械復述任務，缺乏深度思考，問題表述的模糊性可能導致知識關聯線索匱乏，致使集體知識陷入低水平重復。②受好奇心或認知沖突驅動的主動學習者，通過問題分析創建邏輯自洽的問題集合，并在互動中優化問題表述，為知識生成提供關鍵線索鏈，推動集體知識的層級化建構。③批判性學習者通過質疑與觀點交鋒，可以提升GenAI生成內容的廣度與深度，更能以原創性觀點顯著提升集體知識的創新性。

（3）GenAI與學習者的協作辯論決定集體知識的創新程度

科學的進步并不是事實的堆砌，而是爭論與辯論[36]。辯論學習是通過協作辯論展開對話協商與信息檢索，借助認知沖突暴露推理漏洞并加以修正[37]。在GenAI與學習者協作辯論的過程中，相互的質疑批判和觀點碰撞，能促使雙方對已有觀點進行審視和反思，并激發出新的想法，形成對問題更深刻、更準確的理解，從而推動集體知識的創新。

三促進學習者與GenAI有效協作學習的策略

在教育實踐中，擅長輸出結果而缺乏協商能力的通用大模型，與面對GenAI時喪失主體性的學習者，難以形成有效的“學習者-GenAI-集體知識”三元協作學習關系。而學習者與GenAI的淺層交互，既無法形成有效的協作知識建構機制，也難以實現個體知識與集體知識的共同發展。對此，本研究依托“學習者-GenAI-集體知識”三元協作學習系統模型及其運行機制，提出促進學習者與GenAI有效協作學習的策略，著重從三個方面進行突破：開發支持個性化學習場景、具備多樣化交互生成能力的GenAI系統，提升其育人能力；培養學習者的GenAI素養，提高其在人機協作知識建構中的主體地位；加強協作學習活動設計，促進學習者與GenAI良好協作關系的建立。

1 提升GenAI在協作中促進學習者發展的育人能力

面向通用領域的GenAI追求“完美輸出”，其結果導向的生成邏輯難以為學習者提供認知“腳手架”，且缺乏啟發性、引導式的育人策略。而能夠在協作學習中促進學習者發展的GenAI必須具備育人能力，這也是構建教育領域垂直大模型的原因之所在。具備育人能力的GenAI必須根據教育場景，基于日常教學數據、專家知識庫、學習者數據等進行訓練，以減少幻覺，提升生成內容的針對性與科學性；同時，能夠基于對教學方法和學習心理的深刻理解，動態診斷學習者的學習狀態，設計啟發式對話策略和協作知識建構路徑，以實現從“知識提供者”到“成長陪伴者”的角色轉型。

（1）融合學習者數字畫像數據，提升GenAI主動提供個性化學習支持的能力

當前，大多數GenAI系統提供的個性化學習主要是基于與學習者一對一對話的個性化內容生成，而生成內容與學習者個性需求的契合度在很大程度上取決于學習者對需求的表述和GenAI在對話中對學習者個性特征的分析能力。事實上，大多數GenAI系統并沒有掌握學習者的真實學情和個性特征，因而缺乏個性化內容生成的依據。隨著我國教育數據治理的發展，學習者數字畫像已有了豐富的數據積累。融合學習者數字畫像數據，GenAI系統便能基于學習者的學情數據、認知特征數據、學習行為數據等，分析其個性特征，并跟蹤學習者的學習進展，預測其發展方向，優化內容生成機制。由此，GenAI將從被動觸發的協作工具，進化為具備自主決策能力和社會理解能力的學習伙伴。

（2）提升GenAI的角色適應性生成能力，以多元角色促進有效協作學習

在與學習者的協作學習中，GenAI需要動態調整互動角色、提問難度和生成內容層次，以實現高質量的協作知識建構，促進學習者更好地發展。在互動中扮演不同角色，是GenAI生成能力顯著增強的表現。為實現GenAI在教育場景中角色的多元化，并使其角色與學習者的學習需求相適配，可以通過技術優化、交互創新等來突破。例如，可以應用Meta的自我獎勵語言模型[38]，實時解析學習者在交互中的質疑焦點、學習訴求等，自動生成強化學習數據并同步更新GenAI的獎勵模型，使GenAI能夠動態切換多種角色；可以應用多智能體技術，建立基于學習者反饋的角色激發機制，實現GenAI角色分層定位與多輪對話，使其兼具資源提供者、批判質疑者、協商對話者等多重角色，從單一功能執行者進化為動態混合智能體，并有效解決角色僵化問題，推動人機協作從工具性操作向多智能體社會性協同演進。

2 提高學習者在人機協作中的GenAI素養與主體能力

GenAI缺乏直覺、情感，文化敏感性弱，在同理心、情感反饋等方面還遠不如人類，這對學習者與GenAI建立良好協作伙伴關系的能力提出了更高要求。培養學習者的GenAI素養，提升其理解、應用和批判性評估GenAI的綜合能力，是學習者有效利用GenAI促進自身創造力和批判性思維發展的關鍵[39]。

（1）培養學習者的GenAI素養，深化學習者對“新”協作伙伴的認知

學習者需要理解GenAI的訓練過程、生成機理與思維特性，洞察其局限性和人機交互特殊性，以把握其優勢和劣勢，甄別“幻覺”問題，并批判性學習其生成內容，最大化挖掘其潛力，共促集體知識創新。培養學習者的GenAI素養，是提升其與GenAI協作學習效果的有效方式。GenAI素養的培養，一方面要將大模型原理、提示工程、技術倫理、大模型開發等知識融入現有的人工智能課程體系，讓學習者掌握GenAI的基本原理與技術操作；另一方面要創設與實踐緊密相關的GenAI應用場景，讓學習者在應用GenAI解決實踐問題的過程中發展GenAI素養，并同步提升教師的智能教育素養，搭建GenAI實踐平臺，以更好地為學習者GenAI素養的發展提供支持。

（2）強化學習者的問題意識與批判意識，確保學習者在人機協作中的主體地位

GenAI生成的準確程度和協作學習開展的順利程度，取決于學習者如何提問[40]，及其與GenAI對話時是否具備主體性和批判性思維。因為面對強大的GenAI，主體意識不強的學習者很容易放棄思考，淪為生成內容的“拷貝者”。對此，學習者必須強化問題意識、提高提問水平，以避免與GenAI協作時出現生成內容偏離主題、存在語義鴻溝等問題。此外，還要強化學習者與GenAI平等對話的意識和自信，堅持獨立思考以拓展學習深度[41]，增強學習者對GenAI生成的內容進行主動批判的意識，確保學習者的主體地位。

3 以協作學習活動設計促進學習者與GenAI的協作共生

在學校教育場景中，學習者使用GenAI進行學習，大多受教師布置的學習任務驅動。因此，基于學習任務設計協作學習活動，有助于激發學習者的積極性，幫助學習者與GenAI建立良好的協作關系，提升協作學習的質量。

（1）以復雜問題解決為協作學習任務，聚焦學習者高階思維的培養

聚焦學習者高階思維（如創造性思維、協作問題解決能力）的培養，是GenAI賦能學習設計的重要原則[42]，而解決復雜問題是培養學習者高階思維能力的有效方式。基于此，教師應以復雜問題解決為協作學習任務，創設與學習者經驗有關的問題情境，激發其內部動機，促進與GenAI的協作互動[43]；同時，應提升任務的復雜度，使GenAI難以一次生成解決方案，從而倒逼學習者與GenAI協作分析學習任務，將其分解為邏輯相關的子任務。協作學習任務的分析過程，能幫助學習者初步形成解決問題的思路[44]，而形成的問題集合也可為學習者與GenAI的多輪對話奠定良好基礎。

（2）以學習支架驅動多角色適配，促進人機良好協作關系的形成

交互是協作學習的核心。角色設定是結合協作活動場景，管理協作主體間交互，激勵個體責任感，建立成員間正向互賴，促進協作學習順利實施的重要方式[45]。而學習支架是為學習者完成復雜學習任務、促進知識建構和能力發展所提供的結構化支持，能助力協作角色分工，提升協作學習效能。在不同的協作階段，教師要明晰學習者與GenAI的角色設定，以不同類型的學習支架引導人機協作，形成良好的協作關系：①在任務啟動階段，教師要以任務型學習支架引導學習者與GenAI協作，共同分解復雜問題，形成系統化的問題集合；②在方案構思階段，教師要以交互性學習支架引導學習者、GenAI分別扮演質疑者與辯論者角色，通過認知沖突深化對學習任務的思考；③在優化迭代階段，教師要以評價性學習支架驅動學習者和GenAI在元認知層面對集體知識、協作建構過程進行反思，促進人機協作學習中的自我調節和社會調節。

四結語

當前，讓GenAI成為優秀的協作學習伙伴還需要克服一些技術難關，學習者過度依賴GenAI、主體性削弱等問題也需要多加關注。然而，GenAI憑借強大的生成能力，在與學習者的協作過程中展現出了類主體的特點。在與學習者建立學習共同體、協作建構知識、促進雙方發展等方面，GenAI也展現了巨大的應用潛力和廣闊的發展前景。因此，推動學習者與GenAI實現有效協作學習，是GenAI賦能教育改革的重要方向。隨著我國人工智能教育的發展和更具育人能力GenAI的出現，GenAI將與人類教師、學習者和其他數字教育系統緊密協作，共同構建多元、開放、互動的學習生態系統，以更好地滿足不同學習者的需求，促進知識的共建共享，推動教育的個性化和智能化發展。

————————

參考文獻

[1]段偉文.生成式人工智能對學習與教育的沖擊及其倫理應對[J].人民教育，2023，（11）：45-47.

[2]彭紅超，祝智庭.人機協同的數據智慧機制：智慧教育的數據價值煉金術[J].開放教育研究，2018，（2）：41-50.

[3]陳凱泉，韓小利，鄭湛飛，等.人機協同視閾下智能教育的場景建構及應用模式分析——國內外近十年人機協同教育研究綜述[J].遠程教育雜志，2022，（2）：3-14.

[4]黃榮懷，劉德建，阿罕默德·提利利，等.人機協同教學：基于虛擬化身、數字孿生和教育機器人場景的路徑設計[J].開放教育研究，2023，（6）：4-14.

[5]劉天麗，楊現民，李康康，等.社會公眾如何看待“ChatGPT+教育”？——基于國內主流開放社區的文本分析[J].現代教育技術，2023，（10）：14-23.

[6]張鵬，汪旸，尚俊杰.生成式人工智能與教育變革：價值、困難與策略[J].現代教育技術，2024，（6）：14-24.

[7]戴嶺，胡姣，祝智庭.ChatGPT賦能教育數字化轉型的新方略[J].開放教育研究，2023，（4）：41-48.

[8]毛剛，王良輝.人機協同：理解并建構未來教育世界的方式[J].教育發展研究，2021，（1）：16-24.

[9][12]（美）R.基思·索耶著.徐曉東，等譯.劍橋學習科學手冊[M].北京：教育科學出版社，2010：472、474-476.

[10]付姝菊.生成式人工智能視域下的人權：張力、威脅與中國因應——以ChatGPT為例[J].湖南科技大學學報（社會科學版），2023，（3）：126-134.

[11][31][43]（德）弗蘭克·費舍爾，（美）辛迪·赫梅洛·西爾弗，（美）蘇珊·戈德曼，等著.趙建華，尚俊杰，蔣銀健，等譯.國際學習科學手冊[M].上海：華東師范大學出版社，2022：154、198-199、234-235.

[13]Laal M， Ghodsi S M. Benefits of collaborative learning[J]. Procedia-Social and Behavioral Sciences， 2012，31：486-490.

[14]郝祥軍，顧小清，張天琦，等.人機協同學習：實踐模式與發展路向[J].開放教育研究，2022，（4）：31-41.

[15]何文濤，路璐，周躍良，等.智能時代人機協同學習的本質特征與一般過程[J].中國遠程教育，2023，（3）：12-20.

[16]趙曉偉，沈書生，祝智庭.數智蘇格拉底：以對話塑造學習者的主體性[J].中國遠程教育，2024，（6）：13-24.

[17]盧宇，余京蕾，陳鵬鶴，等.生成式人工智能的教育應用與展望——以ChatGPT系統為例[J].中國遠程教育，2023，（4）：24-31、51.

[18]趙曉偉，祝智庭，沈書生.教育提示語工程：構建數智時代的認識論新話語[J].中國遠程教育，2023，（11）：22-31.

[19]吳冠軍.大語言模型的信任問題與資本邏輯[J].當代世界與社會主義，2023，（5）：4-14.

[20]Wu T， He S， Liu J， et al. A brief overview of ChatGPT： The history， status quo and potential future development[J]. IEEE/CAA Journal of Automatica Sinica， 2023，（5）：1122-1136.

[21][40][41]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，（6）：69-81.

[22]騰訊研究院.AI時代的教育之問III：人機協同[OL]. lt;https：//mp.weixin.qq.com/s/_24ur0YAX5UObUiwHVju8Qgt;

[23]趙建華.知識建構的原理與方法[J].電化教育研究，2007，（5）：9-15、29.

[24]Hacker D J， Dunlosky J， Graesser A C. Metacognition in educational theory and practice[M]. Mahwah： Lawrence Erlbaum Associates Publishers， 1998：277-304.

[25]J?rvenoja H. Socially shared regulation of learning in CSCL： Understanding and prompting individual and group-level shared regulatory activities[J]. International Journal of Computer-Supported Collaborative Learning， 2016，（11）：263-280.

[26]Volet S， Summers M， Thurman J. High-level co-regulation in collaborative learning： How does it emerge and how is it sustained？[J]. Learning and Instruction， 2009，（2）：128-143.

[27]Cress U， Rosé C， Wise A F， et al. International handbook of computer-supported collaborative learning[M]. Switzerland： Springer Nature Switzerland AG， 2021：85-102.

[28]李月，姜強，趙蔚.協同調節對知識建構影響機制的實證研究——面向深度學習的課堂教學結構化變革研究之七[J].現代遠距離教育，2021，（4）：3-13.

[29]任福繼，張彥如.通用大模型演進路線[J].科技導報，2024，（12）：44-50.

[30]文森，錢力，胡懋地，等.基于大語言模型的問答技術研究進展綜述[J].數據分析與知識發現，2024，（6）：16-29.

[31][34]李思雯.人工智能價值對齊的路徑探析[J].倫理學研究，2024，（5）：99-108.

[32]Knox W B， Stone P. Interactively shaping agents via human reinforcement： The TAMER framework[A]. Proceedings of the Fifth International Conference on Knowledge Capture[C]. Redondo Beach， California， USA： ACM， 2009：9-16.

[33]Hadfield-Menell D， Russell S J， Abbeel P， et al. Cooperative inverse reinforcement learning[A]. Proceedings of the 30th International Conference on Neural Information Processing Systems （NIPS’16）[C]. NY，United States： Curran Associates Inc.， 2016：3916-3924.

[35]Gunawardena C N， Lowe C A， Anderson T. Analysis of a global online debate and the development of an Interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of Educational Computing Research， 1997，（4）：397-431.

[36]Osborne J. Arguing to learn in science： The role of collaborative， critical discourse[J]. Science， 2010，（5977）：463-466.

[37]Slavin R E. Developmental and motivational perspectives on cooperative learning： A reconciliation[J]. Child Development， 1987，（5）：1161-1167.

[38]Yuan W， Pang R Y， Cho K， et al. Self-rewarding language models[OL]. lt;https：//arxiv.org/abs/2401.10020gt;

[39]Bozkurt A. Why generative AI literacy， why now and why it matters in the educational landscape？ Kings， queens and GenAI dragons[J]. Open Praxis， 2024，（3）：283-290.

[42]單俊豪，劉永貴.生成式人工智能賦能學習設計研究[J].電化教育研究，2024，（7）：73-80.

[44]張麗霞，商蕾杰.虛擬課堂學習支架的類型及功能[J].中國電化教育，2011，（4）：27-31.

[45]余亮，黃榮懷.協作學習活動結構設計研究[J].遠程教育雜志，2012，（5）：74-81.

From Supporting Tools to Learning Agent： Model Construction and

Promotion Strategies for the “GenAI-Learner” Collaborative Learning System

LIU Yong-Gui""" SUI Yu-Ting

（College of Educational Science and Technology， Nanjing University of Posts and Telecommunications， Nanjing， Jiangsu， China 210023）

Abstract： GenAI istransforming the relationship between technology and learners， evolving from a supportive tool to a learning agent， co-building knowledge with learners and empowering their mutual development. Based on this， this paper firstly relied on the collaborative learning theory， constructed the “learner-GenAI-collective knowledge” ternary collaborative learning system model， and analyzedthe characteristics of the elements. After that， the paper analyzedthe operating mechanism of the “learner-GenAI-collective knowledge” ternary collaborative learning system model， including the development mechanism of learners in collaborative knowledge construction， the development mechanism of GenAI in collaborative knowledge construction， and the mechanism of learners and GenAI in collaborative knowledge construction， to realize the cognitive transition of learners， the enhancement of GenAI ability and the evolution of collective knowledge. Finally，relying on the“learner-GenAI-collective knowledge” ternary collaborative learning system modeland its operation mechanism， the paper proposed strategies to enhance effective collaborative learning between learners and GenAI from three aspects of improving GenAI’s individualized education ability， cultivating learners’ AI literacy and critical thinking， and fostering a human-AI symbiotic relationship based on collaborative learning activities. The research results of this paper can provide theoretical guidance and practical reference for the development of GenAI enabled learners in China， and also had great significance for promoting the innovative development of education in the intelligent era.

Keywords： GenAI; collective knowledge; collaborative learning; knowledge building

————————

*基金項目：本文為全國教育科學規劃一般項目“后疫情時代區域基礎教育信息化2.0推進中IT治理體系研究”（項目編號：BCA200089）的階段性研究成果。

作者簡介：劉永貴，副教授，博士，研究方向為教育信息化、學習科學，郵箱為liuyg@njupt.edu.cn。

收稿日期：2024年9月10日編輯：小米