人機協同調節：復合腦視角下自我調節學習的新路徑

韓悅 趙曉偉 沈書生

基金項目：2023年度國家社會科學基金重大項目“新一代人工智能對教育的影響研究”（項目編號：VGA230012）

[摘? ?要] 以ChatGPT為代表的生成式人工智能的出現，使人工智能與人類智能之間實現群智聯結，形成人機協同的“復合腦”思維。研究在梳理自我調節學習內涵與過程的基礎上，聚焦復合腦對自我調節學習的賦能作用，闡述了復合腦支撐自我調節學習的三個層次，即數據支持下協同記錄的“數腦”、數據關聯下協同分析的“匯腦”、數據賦能下協同決策的“智腦”；剖析了復合腦賦能自我調節學習的“協同判斷—協同調整—協同決定”三個過程。最后，基于內外腦決策自主度的變化，提出了共同調節、共享調節、復合調節三種典型樣態，支持學習者不斷強化主體責任、構建適應未來的復合腦，形成面向未來的高質量學習力。

[關鍵詞] 自我調節學習； 人機協同； 復合腦； 生成式人工智能； 學習決策

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 韓悅（2000—），女，江蘇揚州人。碩士研究生，主要從事信息化教學設計、自我調節學習研究。E-mail：2390073973@qq.com。趙曉偉為通訊作者，E-mail：smilingzhao@nnu.edu.cn。

一、引? ?言

隨著ChatGPT、文心一言、訊飛星火等大語言模型的快速迭代升級，生成式人工智能（AI-Generated Content，簡稱AIGC）正走在通向通用人工智能的快車道上，開啟了智能技術自主生成內容與自我強化更新的新時代。機器逐步具備人類部分智能，且未來將在認知推理、行動決策等方面不斷逼近人類智能，學習者僅掌握有限的知識與技能已遠遠不夠，發揮主體責任、建立自我意識、持續自我反思與調整、促進自我決策與改進，實現自身智慧的高維發展，是融入數智社會的必然選擇。

然而，僅單純地依賴個體內腦，已無法勝任數智時代的學習需求，將智能技術構成的智能體作為外腦，并與個體內腦協同，形成復合腦思維[1]，借助人類意識調用類人智能，以實現人類智能的發展，是現代學習者適應數智時代發展的應然路徑[2]。作為體現學習者自我意識、喚醒主體責任的元素養，自我調節學習是適應未來世界的應變方式，幫助學習者在與智能體的協同中，主動判斷、決策與調整，持續建構面向未知領域的知能體系與心智結構。

智能時代的自我調節學習主要關注了行為分析、作用機理、融合路徑、效能檢驗等方面[3-5]，AIGC的出現促使學習個體形成復合腦思維，復合腦視角下個體和智能體之間的決策界限是波動的，個體既可以將部分簡單任務交給智能體，也可以在智能體無法操作的情況下將主動權轉移至自身。因此，本研究將探討復合腦賦能下自我調節學習的層次與過程，剖析人機協同調節學習的三種典型樣態，以期引導學習者借助智能技術發展主體責任與內腦調節能力，更好地適應數智時代并向外腦借力。

二、自我調節學習：認知個體的元素養

智能媒介的發展使個體處于富技術環境中，認知個體需要合理調用與發揮智能技術的核心優勢，匯聚人類智能與機器智能，構建與數智時代相適應的人機復合腦，進而賦能自我調節學習，促進自我發展。

（一）自我調節學習的內涵和過程

自我調節學習思想最早在班杜拉（Bandura）的社會認知理論中初具雛形，強調學習者是主動學習的個體，其學習行為不僅是外部因素作用的結果，更取決于學習者的主體因素。齊默曼（Zimmerman）在此基礎上首次提出“自我調節學習”一詞[6]。自我調節學習是認知個體的元素養，既是個體認識外部世界的內在動力基礎，也會隨著個體的認識活動變化持續強化。簡單地說，自我調節學習是學習者在學習目標與個體內需的雙向驅動下，持續形成并主動發揮主體責任，激活并調節認知策略、學習行為、情感態度以實現認知目標的過程。

具有自我調節學習能力的學習者能夠主動關注外部變化，建立適應變化的內在變革動機，合理向外部世界借力，選擇與調用外部工具，自覺參與行動，建立主體自覺，進而不斷評估、調節與改變自身認知。基于社會認知理論，齊默曼構建了自我調節學習的三階段循環模型[7]：在計劃階段，學習者分析任務、設定目標，規劃學習路徑；在表現階段，學習者建構認知、監控活動，記錄認知進展；在反思階段，學習者判斷調節過程、評估行為表現、歸因學習結果，不斷調整并優化后續學習行為。

（二）復合腦賦能的自我調節學習

自我調節學習是學習者認知發生的基礎。但對于部分學習者而言，由于缺乏必要的自我調節能力，難以觸發自我調節學習過程，特別是學習任務要求很高或先驗知識很少時。此時，學習者需要借助外部支持以實現有效的自我調節學習。然而，在大規模標準化的教學背景下，個體持續變化的學習需求難以及時獲得教師一對一的指導，如何為學習者提供適需的自我調節學習支持，成為需要關注的問題。

學習分析、自適應學習等智能技術的迭代升級，能夠“接管”學習者的部分調節活動，并可根據學習者的自我調節水平適需將任務加載至人工智能或轉移至學習者手中。譬如Somasundaram等人開發了基于人工智能的計劃組織者，能夠幫助學生設定目標、提出計劃，通過分析學情數據提供適應性學習策略[8]。現代技術的加持讓每位學習者可以輕松地借助智能技術解決復雜問題，AIGC產品的出現更是突破人機單向交流的技術圍墻，建立起人類大腦與智能產品間的多向關聯。依托智能技術，學習個體的大腦能夠慢慢成長為復合腦，包括自身生理腦所構成的“內腦”，與外部可獲得支持所形成的“外腦”，兩者協同作用讓個體擁有了復合腦[1]。復合腦并非與生俱來，其建構過程依賴于學習者充分發揮主體責任，持續與智能技術交往、建立聯系，是個體在與外部世界的交互中反復更迭、調整后逐步形成與優化的。復合腦由人類大腦決策與主導，內腦作為學習者先天特有的思考器官，奠定了復合腦的格局與層次，進行數據輸入、知識建構、外部輸出等認知活動，能夠開展認知反思、調節決策等高階思維活動；智能技術作為外腦，因其強大的數據存儲與運算能力，承擔記憶、分析等基礎性工作，接收內腦的指令并作出即時性反饋。外腦對于復合腦的支持作用，取決于內腦能否主動與其進行協同，能否形成吐故納新的意識。

具備復合腦的學習者，能夠主動與AIGC等外腦建立關聯，融合人機群智，基于內部認知需求與問題意識確定學習目標，主動選擇與調用合適的外腦支持，并根據外腦反饋結果進行自我審辨與判斷，決定是否納入已有認知結構，實現自我調節學習的發生。內外腦協同，借助于外腦海量的數據集與快速的計算能力，讓個體內腦有更多時間和空間進行思考與建構，從簡單輸入已知的狀態抽離，更專注于向外部輸出心智的行為活動，進而不斷強化主體責任，并形成面向未知世界的問題解決能力[9]。

三、復合腦視角：促進人機協同調節

學習個體的協同匯聚了多元主體的智慧，智能技術的發展使學習者的協同行為由人人協同拓展至人機協同，并在與技術的持續交互中構建復合腦，將智能技術作為自我發展的外部支撐力量，協同決策、協同調節，并最終實現自我超越。

（一）原理闡述：復合腦支撐調節學習的層次

圖1? ?復合腦支撐自我調節學習的三層次

作為獨立于學習個體的存在，智能技術在與學習者內腦持續交互的過程中，成為學習者的外腦，與內腦共同構成復合腦。在復合腦的建構與優化過程中，具備感知記憶的數腦、分析思考的匯腦、決策創造的智腦三種層次的腦形態（如圖1所示）[1]。

1. 感知記憶的數腦：數據支撐下的協同記錄

過去的學習中人們不斷開發與拓展個體內腦，以感知和記憶已知領域的海量知識，承受了“供遠大于求”的認知負擔，使個體忽視或放棄其他關鍵素養的提升。智能技術與教育的融合，實現了多場域、高頻次、全學段數據匯聚，與個體內腦構成了復合腦的初始層次形態——數腦。

數腦支持人機協同下粗細粒度融合的個體數據記錄。無論是學習者還是教學者的內腦，均以觀察、評估等記錄個體的學習狀態、環境資源，整體把握學習者的學習航向。智能技術作為個體內腦的輔助性外腦，能夠高速捕獲學習者全過程、多場景、各學科的多模態學習行為數據，感知與采集學習情境數據并同步上傳，提高個體學習畫像的精確度。譬如，Prieto等人使用可穿戴傳感器自動提取個體在學習情境中的多模態數據，并以編排圖的形式可視化記錄個體的學習活動[10]。

數腦支持人機協同下多級學段貫通的個體數據積累。對于個體內腦而言，很難歷時記錄自身多學科的認知數據，外腦則能夠動態持續、多維異域地將個體的學習活動數據化，并以時間鏈建立數字檔案袋。基于累積的海量數據，外腦可提供學習者在具體學科或內容中學習表現的單點描述，并將結果以學習診斷報告等可視化形式動態反饋至內腦，內腦接收反饋并建立對于當下學習狀態的初步感知，為學習者自我認知、自我判斷等提供評價依據。

數腦支持人機協同下多維境脈融通的個體數據延展。僅憑學習者內腦有限的存儲空間，難以記住現實世界中無限且持續變化的學習數據，高算力、強算法支持下，機器以其近乎無限的存儲空間與高速的數據分析能力，彌補人類大腦存儲空間有限的局限，拓寬了人類存儲數據的體量與類型。AIGC在教育中的應用增強了個體學習活動的內在連續性與可解釋性[11]，為學習者的自我評估、自我定位建立更豐富的數據庫，延伸個體認知，將內腦從耗費大量精力記憶固有知識點中解脫，實現學習內容與個體需求的“供求平衡”，將學習重點偏向于建構與內化知識的過程，進而引導學習者實現認知發生后的創造性輸出。

2. 分析思考的匯腦：數據關聯下的協同分析

智能技術憑借強大算力，依據特定規則篩選機器中存儲的海量數據，深度挖掘并歸納分析數據間隱含的價值關聯[12]，從數據的單點描述向貫通分析轉變，并與學習者的內腦共同發展成為更高層次的復合腦——匯腦。

匯腦發揮人機優勢實現多點關聯分析。縱向而言，匯腦以數據貫通促使學習者從初步感知轉變為自我認知。借助時序分析等技術，外腦能夠可視化呈現學習軌跡，生成個人成長學習檔案，為學習者推薦個性化發展路徑。基于外腦反饋的信息，內腦對自我的認識從面向單一學科或具體任務的初步感知發展到面向已有知能、潛在能力的深度認知。橫向而言，匯腦以數據關聯分析引導學習者從碎片認知轉變為脈絡聯通。外腦借助領域模型、學習分析等技術，提取梳理學科知識點、挖掘多學科知識間的隱含關聯，剖析結構脈絡、建立知識圖譜，并將個體知識掌握情況與知識圖譜關聯疊加，以知識鏈為線索建立個體跨學科表現的多點聯系，進而與內腦協同探究個體知能掌握情況不佳的根源。

匯腦聚合人機群智實現協同分析診斷。其一，以聯通數據精準定位個體已有能力水平。外腦借助開放學習者模型等技術，通過層級結構圖、節點顏色、節點間連接線形態等，直觀展示個體的認知狀態[13]，縱向分析學習能力、橫向展示群體表現，全面呈現個體學習經歷，診斷學習水平，并促使學習者在外界評價與自我評價之間尋求平衡，形成客觀的自我評價。其二，以交互行為數據動態診斷個體實時學習狀態。借助儀表盤、知識圖譜等技術，外腦實時記錄與分析個體的行為表現數據，動態嵌入知識圖譜中對應的“知識元”位置，并以多模態可視化形式反饋給內腦[14]，與內腦共同診斷并協商形成個性化學習路徑。譬如，美國DreamBox Learning實時追蹤個體的學習行為數據，生成形成性、總結性和預測性報告，為學習者推送自適應學習路徑[15]。

3. 決策創造的智腦：數據賦能下的協同決策

分析學習者數據的意義在于挖掘不同因素間隱含的關聯，提供豐富可信的數據鏈支持個體循證決策。隨著自然語言處理、機器學習等技術的發展，AIGC不僅能夠應答用戶提問，還可以持續交互并不斷生成個性化反饋，使智能技術能夠持續與個體互動，并與學習者的內腦建立關聯、協同發展，成為共創智慧的最高層次復合腦——智腦。

智腦以提供決策證據鏈的形式，促使學習者由基于經驗的主觀決策轉變為基于數據的循證決策，主要包括三種模式：第一，契合內腦需求的外腦決策作為外部支持型決策，指內腦產生學習需求，無法獨自進行決策時主動向外腦尋求幫助，外腦依據特定規則基于個體學習數據作出滿足其需求的決策，為學習者規劃后續學習路徑。第二，外腦分析啟發的內腦決策作為內部決斷型決策，指外腦依據內腦指示分析學習數據，反饋學習結果產生的原因與潛在關聯；內腦借助于外腦的證據與觀點支持，進行推理、歸因等活動并形成內在判斷[16]。第三，內外腦協同的復合決策作為內外協同型決策，是指融合人機優勢，推動內腦與外腦在對話協商中反復優化，直至達成雙方意見相統一的復合決策。譬如，Chou等開發基于協商的自適應學習系統，學習者依次提交對當前內容的評估與下一學習內容的選擇，當偏好與系統建議不一致時，需要與系統對話協商統一意見，以此實現個體決策與系統決策的結合[17]。此外，借助AIGC技術能夠實現動態持續、人機共創的復合決策過程，支持內外腦建立指向某一具體學習需求的持續互動行為，通過反復的對話協商與調整，實現協同決策。

（二）脈絡剖析：復合腦賦能調節學習的過程

隨著AIGC技術的落地應用與智能算法的更迭創新，外腦已然實現模擬人類的思考與決策過程，并進行內容創作與自我強化訓練，以強大的運算能力、自適應能力分擔內腦的認知活動，推動我們共同探索復合腦視角下人機協同調節學習的共生機制（如圖2所示）。

圖 2? ?復合腦視角下人機協同調節學習的共生機制

1. 協同判斷，推動主體建立調節意愿

復合腦視角下的協同判斷是指通過內外腦的協同感知，精準診斷學習者的能力水平，協同確定學習目標、規劃學習路徑、生成學習策略，進而推動學習者建立自我調節意愿，掌握學習方向與節奏，激發高質量的學習發生。

其一，協同感知，設定學習目標。學習目標是學習者在進行一系列學習活動后期望達成的結果。復合腦視角下，內腦將認知對象、學習需求主動告知外腦，外腦以個體健康發展為導向，識別真實學習需求，定位最近發展區，梳理重點知識脈絡，并將分析結果可視化反饋給內腦，支持內腦建立正確感知。復合腦結合對個體自身與認知對象的綜合分析，確定符合學習者期望且“適能”的學習目標，喚醒學習者的自我意識，激活學習的內生動力。

其二，適性規劃，生成學習路徑。內腦主動將協商好的學習目標與學習要求告知外腦，基于已有的行為結果數據，外腦全方位分析學習者的認知需求、學習偏好等，生成個性化學習路徑并提供策略支持。以往對于學習者的路徑規劃服務多數只進行到了這一步，停留在外腦對內腦單向輸出的階段，忽略了內腦對外腦路徑規劃服務的有效反饋，未建立人機協同的雙向交互關系。在復合腦調節的過程中，內腦需要向外腦反饋對規劃路徑的篩選與調整建議，外腦依據反饋再次作出適應性的修正回應并持續優化自身算法，以提供更適切的個性化服務。在內外腦的持續交互中，復合腦逐步優化學習計劃，直至生成適切的學習路徑與資源推送[18]。

2. 協同調整，賦能主體增強調節效能

復合腦視角下的協同調整是指通過內外腦的協同診斷，評估學習表現、剖析學習境況、明確調節重點，進而協同修正學習行為、強化認知建構，增進調節效能。

其一，境況剖析，明確調節重點。個體內腦在學習過程中持續自我監控學習進度與認知達成度，評估真實與預期間的差距，及時調整學習行為、認知策略等。當內腦無法清晰評估時，可主動向外腦尋求支持。外腦借助多模態學習分析、情境感知等技術，整合多場域、多模態數據，精準測評學習者的外在行為和內在認知，并以知能圖譜等形式及時反饋學習境況與調節策略。內腦借助外腦的分析結果強化對學習狀態的感知，并協同外腦挖掘學習效果不佳的根源所在，明確調節重點。

其二，協同修正，改進調節效能。個體需要發揮主體責任喚醒內腦主動調控，修正認知過程與學習行為。外腦搭建認知支架以促進內腦對知識的感知與理解，遵循兩個原則：一是適性支持、推動內腦高效調節。外腦的引導需具備支持性與及時性，既可以是鼓勵學習者專注當下學習任務并堅持的情感支架，也可以是輔助學習者達成目標的認知支架。復合腦中，外腦需要依據內腦需求提供實時反饋，維持并提高復合腦的調節效能。二是彈性支持、確保內腦主導調節。外腦提供的支架是動態變化的，支持的強度與頻次依據個體學習狀態而動態變化。外腦通過提供工具或學習策略支持內腦自主完成學習任務、克服困難，而非直接給出調節的路徑或代替內腦完成調節。當內腦有能力承擔更多責任時，外腦的引導需要逐漸弱化、及時隱退，以便培養內腦的調節能力。

3. 協同決定，支撐主體形成遷移能力

復合腦視角下的協同決定是指內外腦協同測評認知數據、呈現過程軌跡，分析評價行為表現、思維發展等，增強復合腦賦能的學習過程，在多情境、多場域的遷移應用中形成面向未來的高質量學習力。

其一，協同評價，形成決策鏈索。完成學習任務后，學習者反思學習過程、歸因學習結果以提高后續表現，形成完整的自我調節閉環。實踐中，內腦往往集中于反思評價學習成績等顯性學習結果，對于認知建構、思維狀態等深層能力的變化仍停留在初步感知階段。而外腦能夠實時采集與動態分析過程數據，一是呈現精準全覆蓋、多維可視化的學習軌跡；二是內外腦協同評價，形成循證化的決策鏈，并與內腦持續對話協同循證評價與歸因。

其二，能力遷移，主導調節活動。在內外腦的協同判斷、調整與評價下，個體達成學習目標并完成調節活動。但這僅停留在某一具體學習任務中，學習者還需在不同情境下遷移應用，以形成解決未知復雜問題的能力。內腦可借助AIGC等技術支持的外腦，提問并獲取遷移場景與應用測試（譬如“為我提供三個綜合應用‘循環結構的測驗題目，在末尾提供答案”），通過聯想、遷移等活動將已有知能遷移至新情境中，并協同外腦靈活地在不同情境的學習任務中進行調節[19]。人機協同調節的最終目標是通過技術激發并增強人的調節能力，實現情境遷移的學習者仍需實現內腦全程主導的復合調節學習，確保在脫離外腦支持后，仍能進行高質量的自我調節學習。

四、人機協同調節：三種典型樣態

人機協同學習的根本價值在于促進高質量學習的有效發生，借助智能技術實現學習者的自我發展，形成面向未來的復合腦。然而，在學習者與智能系統構成的學習生態中，個體的主導權與決策權往往被智能技術掌控，易陷入“去技術無能化”、過度依賴技術等誤區[20]，個體的知能與心智并未真正提升。因此，復合腦視角下的人機協同學習不僅要提高協同調節能力，還要關注并賦予與個體能力適配的自主度[21]，變化內外腦的決策權重，逐步實現人機共同調節、共享調節、復合調節三種模式的過渡。隨著學習者調節能力的提升，外腦的監管、干預行為慢慢減弱，內腦的學習掌控權逐漸增強，促使內腦逐步建構并主導調節活動，直至外腦的決策干預可以消失、學習者具備高質量的自我調節學習技能（如圖3所示）。

圖3? ?人機協同調節的三種模式

（一）共同調節：推動知能建構

對于尚不具備自我調節能力的學習者，外腦的共同調節能推動內腦認知發展并開展調節活動，促使內腦從對自我調節規則的簡單意識過渡到初步理解。共同調節中，外腦規劃監控、分析決策學習目標與路徑，并以指令的形式向內腦發送，內腦依據指令開展認知活動，理解外腦組織調節活動的規劃邏輯與決策依據，建構自我調節學習的過程與技巧。

其一，人機協作學習，引導內腦理解調節規則。共同調節模式下，外腦具有較高的決策權并主導調節活動。在學習開始前，外腦基于學情數據進行學習者畫像，借助群體數據、知識圖譜設定目標、規劃路徑，實時采集與記錄多模態學習數據，動態判斷學習者對內容的可接受度，適時調整學習路徑、推送學習資源。在此過程中，內腦接收指令，依照機器設定的路徑與學習資源建構知識以實現預設目標。

其二，人機相互依賴，推動知識建構活動開展。共同調節模式中，學習者內腦的發展集中于推進知能學習、強化知能建構。內腦依賴外腦發布的指令與資源推進認知加工，習得知識與技能。同時，外腦依托于個體的學習需求與行為表現反饋效能、確定更新路向。一方面，外腦的調節效能依賴于內腦的接受與執行程度，并依據內腦的學習需求反向循證，以促進功能創新與算法迭代；另一方面，外腦的學習決策循證于學習者的表現數據，決策的準確度依賴于個體是否選擇在數據采集場域中表現出真實的學習行為。

在共同調節模式下，外腦引導學習進程，內腦接受學習指令、完成知識建構。盡管此時個體能夠完成學習目標、實現自我調節學習意識的強化，但由于外部系統以實時發送指令的方式替代了學習個體自我規劃與決策的機會，個體自主度較低，其自我組織與自我調節的能力并未得到實質性提升[22]。

（二）共享調節：喚醒主體責任

對于已經具備一定自我調節學習能力的學習者，共同調節中智能技術過多的干預可能削弱個體的調節能力。共享調節中內外腦雙向協商決策共同主導學習過程。外腦診斷分析學習數據，形成決策建議并向內腦反饋，內外腦多輪對話以協同決策。當內腦主動建構知能并主導調節學習活動時，學習者的主體責任得到喚醒與強化，激發內腦從初步理解調節規則向主動開展調節活動轉變，并在不同情境的運用中持續強化。

其一，人機智能融合，支持內腦主動調節學習。共享調節中，內腦主動推進調節活動，外腦則以協作者的身份與內腦共同主導調節活動。一是對話協商，循證決策。外腦綜合分析數據、規劃學習活動形成初步決策建議；內腦綜合考量真實學習狀態，選擇與優化外腦的決策建議，并向外腦反饋結果。經過內外腦多輪對話修正，協同生成最優決策。二是自主調節，支架引導。相比于共同調節中外腦直接規劃與調節，共享調節模式下外腦借助提問、示例、建議等支架引導內腦深層次思考。譬如，Chou等在自適應學習系統引入求助協商機制，通過提供外部反饋為學習者的求助活動搭建腳手架，以協商的方式規范與優化求助行為[23]。

其二，明確內外腦職責，促使內腦外腦深度融合。共享調節下，學習者須辨別人類與機器的核心優勢，明確內外腦的功能角色：內腦在靈感、直覺、頓悟等不規則認知活動上具有算法無法比擬的優勢；外腦憑借智能技術的強大算力，依據特定規則追蹤分類、處理分析海量數據，進行預測、診斷等。當學習者明確復合腦中內外腦的職能，便能督促內外腦各司其職、各執所長，并促使內外腦針對性地訓練與發展，即強化內腦調節能力，推動學習發生；優化外腦服務質量，助力算法升級，以期增強復合腦的性能。

（三）復合調節：激發心智輸出

成熟的自我調節學習者往往對認知過程具有強烈的主體責任，自我認知與規劃清晰，懂得高效調用智能技術支持自我發展。復合調節模式中內腦主導學習過程、推進調節活動；外腦的作用取決于內腦的調度，以及內腦如何選擇性地接收與優化反饋。

其一，人機協同共創，支持個體塑造心智體系。復合調節過程中，內腦統籌學習過程、主導調節活動，主動調用適當的外部工具。當內腦需要決策證據時，指示外腦提供學習數據，基于外腦反饋篩選與推理，形成支撐自我決定的有效證據鏈。外腦作為伴學者，重在回應內腦需求、增強內腦智能。一是搭建學習場域，加強內腦認知建構。外腦借助擴展現實技術，創設擬真學習場景，支持沉浸學習與具身參與，激發內腦深層認知建構。二是創設應用情境，激發內腦知能輸出。將所學知識轉化為解決真實問題的能力還需要經過運用與遷移。對于知能豐富的學習者，外腦需要創設真實復雜的問題情境，激發內腦綜合運用知能解決外部問題，塑造心智體系[24]。

其二，人機優勢增強，構建適應未來的復合腦。復合調節中，當學習者具備成熟的主體責任與自我意識，機器能穩定適切地與人類交互、響應需求時，內外腦實現協同成長、共生發展，最終融合為匯聚人機智能、面向未來的復合腦。一方面，內腦強化高階思維，激發心智輸出。內腦作為主體腦，其格局與思維能力決定了復合腦的智域，提問技能、審辨技能與創造思維成為內腦發揮主體責任、實現自我超越的核心技能。內腦確立自我發展目標并規劃實現路徑，選擇性地調用外腦，設計巧妙的提問方式以確保外腦針對所求問題提供反饋[25]，并對外腦提供的證據鏈進行批判、優化與科學決策，進而融合外腦智慧，創造性地解決真實問題并以更加開放包容的態度深刻理解世界。另一方面，外腦形成自我強化，創造優質內容。AIGC類外腦的發展，能夠處理更加復雜的任務，并在與內腦的持續協同中，反復迭代算法，更精準地解讀人類語言、定位真實需求、模擬人類思考，協同生成高質量的問題解決方案。

在上述三種不同程度的混合調節中，學習者與機器之間建立的協同機制讓復合腦高效調節學習。認知個體的內腦也會在調節過程中不斷優化調控能力，增強自我調節意識，通過自我調節的持續優化提升個體的認知品質。借助于三種調節模式的相互促進，外腦對學習活動的監管、調節等干預逐漸弱化，內腦的統籌與調節持續增強，個體的自我調節能力與主體責任會不斷強化，學習的掌控和主導意識也將持續發展。

五、結? ?語

智能技術的飛速發展讓人類面向未知的復雜變化世界，人機協同是數智時代發展的必然路向。數智時代下的學習者需要發揮主體責任，主導自身學習過程，主動與智能技術建立關聯，以復合腦思維開展認知行為，借助人機協同的自我調節，優化認知過程，實現認識發生，持續構建面向未來世界的學習力。

[參考文獻]

[1] 沈書生，祝智庭.ChatGPT類產品：內在機制及其對學習評價的影響[J].中國遠程教育，2023，43（4）：8-15.

[2] 趙曉偉，戴嶺，沈書生，祝智庭.促進高意識學習的教育提示語設計[J].開放教育研究，2024，30（1）：44-54.

[3] SHIH K P， CHEN H C， CHANG C Y， et al. The development and implementation of scaffolding-based self-regulated learning system for e/m-learning[J]. Journal of educational technology & society， 2010，13（1）：80-93.

[4] 劉哲雨，劉暢，許博宇.計劃調節學習支架對在線深度學習的影響機制研究[J].電化教育研究，2022，43（8）：77-84，100.

[5] GRANBERG C， PALM T， PALMBERG B. A case study of a formative assessment practice and the effects on students' self-regulated learning[J]. Studies in educational evaluation， 2021，68：100955.

[6] ZIMMERMAN B J. A social cognitive view of self-regulated academic learning[J]. Journal of educational psychology， 1989，81（3）：329-339.

[7] ZIMMERMAN B J. Becoming a self-regulated learner： an overview[J]. Theory into practice， 2002，41（2）：64-70.

[8] SOMASUNDARAM M， JUNAID K A M， MANGADU S. Artificial intelligence（AI） enabled intelligent quality management system （IQMS） for personalized learning path[J]. Procedia computer science， 2020，172：438-442.

[9] 沈書生.適應與變革：AIGC產品如何改變教育過程——人工智能帶來的機遇[J].教育研究與評論，2023，538（3）：15-21.

[10] PRIETO L P， SHARMA K， DILLENBOURG P， et al. Teaching analytics： towards automatic extraction of orchestration graphs using wearable sensors[C]//6th International Conference on Learning Analytics and Knowledge. New York： Association for Computing Machinery， 2016.

[11] 詹澤慧，季瑜，牛世婧，呂思源，鐘煊妍.ChatGPT嵌入教育生態的內在機理、表征形態及風險化解[J].現代遠距離教育， 2023（4）：3-13.

[12] 劉桐，沈書生.從表征到決策：教育大數據的價值透視[J].電化教育研究，2018，39（6）：54-60.

[13] 萬海鵬，余勝泉，王琦，馮上兵，陳敏.基于學習認知地圖的開放學習者模型研究[J].現代教育技術，2021，31（4）：97-104.

[14] 劉鳳娟，趙蔚，姜強，王磊.基于知識圖譜的個性化學習模型與支持機制研究[J].中國電化教育，2022（5）：75-81，90.

[15] Dreambox. Every student is unique. Learning paths should be too. [EB/OL]. （2022-07-08） [2023-07-06]. https：//www.dreambox.com/.

[16] 沈書生.聚焦學習決策：指向認知發生的數據及其應用[J].電化教育研究，2021，42（11）：13-19.

[17] CHOU C Y， LAI K R， CHAO P Y， et al. Negotiation based adaptive learning sequences： combining adaptivity and adaptability[J]. Computers & education， 2015，88：215-226.

[18] 宋嶺.人工智能時代下未來教學的系統性變革[J].高等理科教育，2018（3）：8-14.

[19] 徐曉青，趙蔚，姜強.學習分析支持自我調節學習的效能分析框架研究[J].電化教育研究，2023，44（2）：114-120，128.

[20] 申靈靈，盧鋒，張金帥.超越莫拉維克悖論：人工智能教育的身心發展隱憂與應對[J].現代遠程教育研究，2022，34（5）：56-62.

[21] 郝祥軍，顧小清，張天琦，王欣璐.人機協同學習：實踐模式與發展路向[J].開放教育研究，2022，28（4）：31-41.

[22] ROLL I， WIESE E S， LONG Y， et al. Tutoring self and co-regulation with intelligent tutoring systems to help students acquire better learning skills[J]. Design recommendations for intelligent tutoring systems， 2014（2）：169-182.

[23] CHOU C Y， LAI K R， CHAO P Y， et al. A negotiation-based adaptive learning system for regulating help-seeking behaviors[J]. Computers & education， 2018，126：115-128.

[24] 沈書生.設計學習事件：指向學習的層次[J].電化教育研究，2019，40（10）：5-11.

[25] 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，2023，43（11）：22-31.

Human-Machine Collaborative Regulation： A New Approach to Self-regulated Learning from the Perspective of Compound Brain

HAN Yue，? ZHAO Xiaowei，? SHEN Shusheng

（College of Educational Science， Nanjing Normal University， Nanjing Jiangsu 210097）

[Abstract] Owing to the emergence of generative artificial intelligence represented by ChatGPT， a group intelligence connection between artificial intelligence and human intelligence is realized， and the "compound brain" thinking of human-machine collaboration is formed. On the basis of the connotation and process of self-regulated learning， this study focuses on the empowering effect of the compound brain on self-regulated learning and elaborates the three levels of the compound brain supporting self-regulated learning， namely， the "data brain" for collaborative recording with data support， the "convergent brain" for collaborative analysis with data correlation， and the "intelligent brain" for collaborative decision-making with data empowerment. Meanwhile， this study analyzes the three processes of "collaborative judgment， collaborative adjustment， collaborative decision" of self-regulated learning empowered by the compound brain. Finally， based on changes of decision-making autonomy of internal and external brains， three typical patterns of co-regulation， shared regulation， and compound regulation are proposed to support learners to continuously strengthen the main responsibility， build a compound brain adapted to the future and form a high-quality learning ability for the future.

[Keywords] Self-regulated Learning; Human-Machine Collaboration; Compound Brain; AIGC; Learning Decision-making