對話式人機協同學習：本質內涵與未來圖景

摘要：生成式人工智能技術的發展使得機器的文本生成、人機對話和邏輯推理能力得到極大提升，也催生了對話式人機協同學習這一新型學習方式。對話式人機協同學習旨在通過人機之間的多輪對話和雙向反饋，激發學生與機器的思維碰撞，引發學習者的認知沖突和自主建構，逐步達成對所學內容的共同認識，探索對復雜問題的最優解，實現學生智慧和機器智能的共同增長。在此基礎上，該文系統闡述了對話式人機協同學習的一般過程，圍繞學習目標的生成性、學習內容的適應性、學習主體的互惠性、人機角色的互換性討論了對話式人機協同學習的核心特征，并從認知輔助式學習、思維啟發式學習、自由探索式學習、人機論辯式學習四個方面探討了對話式人機協同學習的典型模式。未來對話式人機協同學習的開展需要進一步推動大模型技術研發、加強提示語工程建設、健全自適應反饋機制、驗證對話式學習成效、提高學生智慧學習力。

關鍵詞：人機協同學習；對話式學習；生成式人工智能；論辯式學習

中圖分類號：G434 文獻標識碼：A

* 本文系國家重點研發計劃“文化科技與現代服務業”重點專項“面向終身學習的個性化‘數字教師’智能體技術研究與應用”課題三“面向終身學習的自適應教育關鍵技術”（課題編號：2021YFF0901003）研究成果。

① 鄭永和為本文通訊作者。

一、引言

隨著教育數字化轉型的逐步推進和智能教育產品的快速普及，學習的發生越發依賴學生和機器之間的協同，通過人機之間的共同感知、共同分析、共同決策，實現人機協同支持的個性化、自適應學習，促進學生智慧和機器智能的共同提升。從這個意義上來講，人機協同學習將成為未來學習的新常態，引領未來學習變革的趨勢。而隨著生成式人工智能技術的快速發展，機器的自主意識逐漸顯現，文本生成和人機對話能力得到極大提升，能夠為學生提供更加定制化的學習支持服務，也推動人機協同學習逐漸朝著基于人機多輪對話的“對話-協商”式學習發展[1]。從對話式人機協同學習的本質來看，其旨在通過人機之間的語音、文本或多模態交互，實現遞進式的問答對話、迭代式的內容生成和進階式的知識建構[2]，以促進學生的自主提問、自主建構、自主反思、自主創造。在此背景下，對話式人機協同學習將成為人機協同學習的重要表征形態，引領未來學習的創新變革。然而，當前關于人機協同學習的理論和實踐研究仍然較少，也尚未有研究去關注對話式的人機協同學習。鑒于此，本文主要聚焦生成式人工智能背景下對話式人機協同學習的本質內涵、表征樣態與未來圖景，以期為未來學習的創新變革提供理論指引。

二、對話式人機協同學習的本質內涵

（一）對話式人機協同學習的理論基礎

對話式人機協同學習的思想內核能夠追溯到孔子的“啟發式教學法”和蘇格拉底的“產婆術”。孔子認為，“不憤不啟，不悱不發”，強調在學習中應注重激發學生的主動性與積極性，讓學生先有求知的渴望，當學生深入思考卻不得其解或已有所得卻不能清晰表達的時候，表明學生已經通過自己的努力達到了認知瓶頸，此時再由教師去進行引導和啟發，才能取得最佳的學習效果，幫助學生加強對所學知識的深刻理解，實現認知的進階。蘇格拉底的“產婆術”是一種問答式的教學方法，包含譏諷、助產、歸納、定義四個步驟，強調在問答過程中不斷揭示學生觀點中的自相矛盾之處，找到邏輯漏洞，引發學生對自身知識體系和思維方式的質疑和反思；在此基礎上，通過更多的提問引導他們自行探索更合理的問題解決方案；之后引導學生從特殊實例中抽象出共性問題，建立更為廣泛的理解，最后逐步從個別的感性認識，上升到普遍的理性認識、定義和知識。產婆術的核心在于通過提問引導學生進行自我發現和自我教育，促進深層次的學習和理解，幫助學生發現存在于內心的真理，喚醒學生的潛能，發展學生內心的智慧。兩種教育思想均重視學生的主體性建構，通過對話的方式引導和啟發學生，幫助其建構知識、提升思維。

近年來，學習科學研究越發關注辯論/論證學習這一話題，旨在讓學生圍繞一個具有爭議性的話題展開論證，學生需要收集信息、分析不同的觀點和論據、尋求和評價證據、為主張辯護、反駁對方觀點等[3]，在此過程中，學生能夠加深對所學知識的理解和掌握，提高邏輯思維和批判性思維能力。其本質也是學生能夠基于特定立場整合信息、提煉觀點、明確主張，在辯論的過程中強化對研究話題的系統性認識，并提高自身的邏輯思維能力。

（二）對話式人機協同學習的概念內涵

從人機協同學習的核心價值來看，其主要通過人和機器的合理分工，讓學生和機器執行各自最擅長的工作，凝聚人類智慧和機器智能的核心優勢，通過學習者和機器的智能交互、協同工作、對話協商和共同決策，實現人機協同的教育智慧創生，幫助學習者完成超越學生智慧和機器智能的復雜任務[4]。在以往6l0/pL7e6Wf7UVYvii3FHVLB0CcM5wRRK/9Dis+Y5FU=的人機協同學習中，學生與機器之間更多是一種簡單的“使動”關系，由學生提出需求，機器被動應答（如：機器根據學生的學習需求為其推薦適應性的學習資源，或是設計定制化的探究活動），或是通過人機合理分工提升學習效率（如：由機器完成資料整理、素材加工等基礎工作，由學生進行創意設計和作品制作），難以引發學生和機器之間深層次的對話交流和思維碰撞，也無法促進學生智慧和機器智能的有機融合。而生成式人工智能在極大程度上提升了機器的文本生成、人機對話和邏輯推理能力，這一方面能夠拓展人機交互的渠道，通過人機多輪對話的方式，建立起學生和機器之間的溝通橋梁，加強學生與機器的對話協商和思維碰撞，實現人機協同的教育智慧創生；另一方面能夠優化人機交互的方式，使得機器能夠更好地模擬專家教師的教學經驗和思維模式，針對學生的學業問題和學習需求，進行嚴謹的推理和歸因，并給出擬人化的及時應答，逐步啟發學生思考、激發學生動機，助力人機協同學習質量的大幅提升。

具體來講，生成式人工智能能夠依托“思維鏈”技術提升大模型的邏輯推理能力，以此來模仿人類的思維過程，為學生提供逐層深入、循序漸進的智能學習輔助[5]。這不僅能夠幫助學生加強對所學內容的理解和掌握，還能夠教會學生解決問題的方法和策略[6]，幫助學生真正學會學習。在人機協同學習的過程中，學習者與機器可以針對特定問題開展多輪遞階式的對話，由學生根據自身學習需求提出學業問題、拋出探究議題或設置對話情境，機器通過對學生學業狀況和學習需求的精準分析，確定對話生成的策略和邏輯，在此基礎上預設相應的“問題鏈”，同時給予學生回應并給出提示語，學生則根據機器的應答情況和提示語進行追問，通過人機之間的多輪對話和雙向反饋，促進學習活動的有效發生，達成學生和機器的共同認識，實現人機協同的教育智慧創生。與啟發式教學、蘇格拉底的產婆術相似，對話式人機協同學習以激發學習者的高認知沖突為前提，通過產生認知缺口，激勵學生進行自主探索與求證，實現對所學內容的深層次意義建構。從這個意義上來說，相較于以往固化的學習方式，對話式人機協同學習更能夠觸及學習的本質。基于此，本文將對話式人機協同學習的內涵界定為：

對話式人機協同學習旨在通過人機之間的多輪對話和雙向反饋，激發學生與機器的思維碰撞，引發學習者的認知沖突和自主建構，逐步達成對所學內容的共同認識，探索對復雜問題的最優解，實現學生智慧和機器智能的共同增長。在此過程中，學生能夠逐層深入地加強對所學內容的理解和掌握，強化自身的知識建構、認知進階和思維提升，也能夠逐步了解生成式人工智能賦能學習的核心場景和內在機理，以更好地勝任人機協同的學習方式；機器則能夠更加明確學生的學習需求和思維模式，通過問題鏈設計和提示語構建，為學生提供更加適切精準的引導和支持，優化智能輔助策略。

（三）對話式人機協同學習的價值意蘊

1.以學生個體的自主發展為核心

對話式人機協同學習的發生需要先由學生提出問題或拋出討論議題，機器通過對學生學習需求的診斷和判別，為其提供自適應、定制化的學習支持服務。需要明確的是，其核心目標是促進學生的自主發展，幫助學生獲得知識、技能、思維、觀念等方面的提升。在人機協同學習的過程中，機器的智能診斷和干預都需要以學生的學習興趣和學習需求為出發點，尊重學生在學習中的主體地位，增強學生的主體性建構，避免生成式人工智能對學生主體地位的“僭越”[7]。因此，對話式人機協同學習的開展，需要注重激發學生的自主自覺意識，尊重學生對知識的理解、建構與表達，避免單向的知識傳授與服務供給，應通過學生與機器之間的多輪對話，實現自適應的學業診斷、定制化的學習干預、形成性的學習評價，以助力學生的成長與發展。

2.基于人機互饋的深層次意義建構

在以往的人機協同學習中，機器的智能診斷和干預只限于利用對學生知識狀態和認知水平的測評分析，實現單向度的資源推薦和服務供給，忽視了學生對機器智能服務的接受度，機器也難以根據學生的反饋進行自適應的動態調整。這使得人機協同學習容易淪為單向度的智能診斷和干預，難以觸及學習的本質，也無法體現“人機協同”的特色。而對話式人機協同學習則在以往人機協同學習的基礎上更加強化了人機之間的雙向互動機制。機器不僅能夠依據學生提出的問題，對其學業狀況和學習需求進行精準診斷，并提供及時化、精準化、層次化的學習干預措施，還能夠根據學生的反饋來調整干預策略，以此來為學生提供更加彈性化的學習干預措施[8]，幫助學生逐層深入地加強對所學內容的理解和掌握，實現深度學習。從這個意義上來說，對話式人機協同學習更能夠激發學生和機器之間的多元交互和對話協商，也符合人機協同學習的本質特征。

3.基于人機對話的知識引導與思維啟發

生成式人工智能區別于傳統AI技術的關鍵在于，其不僅能夠對學生的學業狀況和學習需求進行實時精準的測評分析，并為學習者提供資源推薦和路徑規劃等學習支持服務，還能夠模擬專家教師的經驗和方法“循循善誘”地去引導和啟發學生[9]，讓學生在人機協同學習的過程當中逐步調動自身的主觀能動性，和機器一起去探索、思考和求證。在此過程中，學生不僅能夠抽絲剝繭般地逐步掌握所學內容，還能夠通過機器的啟發和引導，學會解決問題的方法和策略，以獲得自身思維能力的提升。從這個意義上來說，對話式人機協同學習能夠發揮機器在知識引導、思維引領與智慧啟迪方面的核心價值，逐層深入地引發學生的自主思考與深入探索，助力學生個體智慧的提升。

4.基于高認知沖突的自主知識建構

如果說以往的個性化學習強調的是通過機器的診斷“告知”學生其在知識、能力等方面的關鍵問題，對話式人機協同學習則更加偏重于在人機對話的過程中，通過提示、追問等方式讓學生“意識”到自身在知識基礎、關鍵技能、思維策略等方面的不足之處，以激發學生內在的學習需求。也就是說，對話式人機協同學習的核心是激發學生的“認知沖突”和“認知需求”[10]，只有讓學生在學習的過程中意識到自身在知識、技能、方法、策略等方面存在的關鍵問題，產生認知缺口，才能夠激發學生深層次的認知需求，引導學生加強對所學內容的理解和建構。

三、對話式人機協同學習的表征樣態

（一）對話式人機協同學習的一般過程

如圖1所示，從對話式人機協同學習的一般過程來看：（1）由學生根據當前的知識基礎和所面臨的實際問題，明確自身的學習需求，以及期待機器能夠幫助自身達成的學習目標，并主動向機器發起提問，用機器能夠理解的語言闡述清楚實際的學習需求。（2）機器通過對學生話語的智能解析，明確學生的學業問題、學習需求以及期待達成的學習目標，以此為學習干預的實施提供方向指引。（3）機器通過對學生學習需求的細粒度、層次化拆解，生成能夠滿足學生多樣化學習風格的問題鏈，依據學生所面臨的實際問題和學生的學習意向為其提供定制化的學業問題解決方案。（4）機器依據學生當前面臨的實際問題給予智能化的學習應答，包括為學生提供智能化的資源推薦、路徑規劃、動機激勵、思維引導等；與此同時，機器能夠結合真實情境以及預設的對話策略為學生推送提示語，幫助學生對機器提出更加精準有效的學習問題和需求以便于機器理解和應答。（5）學生在接收機器提供的學習干預之后，需要對相關信息進行理解和消化，以強化自身的知識建構，并依據自身的真實狀況對機器進行追問，由此開啟下一輪對話。（6）在學生與機器針對所探討的問題達成共識，且學生的學習需求被充分滿足之后，則可結束對話，之后學生可以根據對話式學習的體驗對機器的服務質量進行評價和反饋，幫助機器修正對話策略，提高人機協同學習的質量。

（二）對話式人機協同學習的核心特征

1.學習目標的生成性

對話式人機協同學習依賴學生與機器之間的對話交流，學習活動的發生更多以學生的認知發展和興趣保持為依托，如果學生在人機對話的過程中保持較為旺盛的求知欲，那么就可以為學生制定更高層級的學習目標，提供進階式的提示語，推進學習活動的持續發生；而如果學生的認知能力低下或學習興趣低沉，則可以適當降低學習目標，采取一定的措施幫助學生鞏固基礎知識。因此，對話式人機協同學習在目標的設定層面具有一定的“生成性”的特征，要對學生當前的認知狀態和學習意愿進行綜合評判，以確定下一步的學習目標。

2.學習內容的適應性

在對話式人機協同學習中，學習目標的生成性導致學習方案的設計需要根據學習目標進行動態性的轉換，針對特定的學習目標設計全新的學習內容。在此背景下，學習內容的供給也呈現出適應性的特征，需要根據真實教育情境中的學習目標和學生的學習狀態，進行個性化的定制，以滿足學生特定的學習需求。從以往數字教育資源供給的典型模式來看，主要通過對現有學習資源的智能聚合和精準供給，幫助學生獲取所需的學習內容，但隨著以Sora為代表的多模態大模型的出現，未來學習內容的適應性供給有賴于依托多模態教育大模型實現智能化生成和適應性調整[11]，以滿足對話式人機協同學習過程中學生動態變化的學習需求。

3.學習主體的互惠性

對話式人機協同學習的發生依賴學生與機器之間的雙向互動和平等交流，以推動人機多輪對話的順利開展。在此過程中，學生一是能夠在機器的引導和啟發下逐步加深對所學內容本質特征的理解，并養成良好的思維習慣；二是能夠更加了解機器分析和解決問題的邏輯和策略，加深對機器提問方法的掌握，提高人機協同學習能力。機器則能夠在多輪對話的過程中，更加了解學生的知識基礎、學習需求、學習風格、思維模式，從而為學生提供更加精準高效的學習干預策略。由此可見，在對話式人機協同學習的過程中，學習者與機器之間是一種互惠共生的關系，通過二者之間的深度協同，實現學生智慧和機器智能的共同增長。

4.人機角色的互換性

根據人機協同學習過程中人和機器自主度的不同，本研究團隊將人機協同學習劃分為“干預-自主”式學習、“協作-探究”式學習、“對話-協商”式學習三種類型[12]。在對話式人機協同學習的過程中，也不存在完全由機器主導或學生主導的情況，若學生學習目標明確、學習意念堅定，機器在很大程度上充當的是一種被動應答的角色，而若學生的知識基礎薄弱、學習目標模糊，機器則需要充當引導者的角色，為學生提供適切性的對話提示語，幫助學生逐步加深對所學內容的理解和掌握。因此，需要重視在對話式人機協同學習過程中人機主客體角色的動態轉換性，根據學生學習需求、認知水平、思維方式的轉變，及時調整機器智能干預的邏輯和策略，避免過度干預影響學生學習自主性的養成。

（三）對話式人機協同學習的典型模式

從人機對話的典型模式來看，在僅有的研究中，戴嶺等人參考人際對話的劃分方式將人機之間的對話劃分為指導型對話、探究型對話、批判型對話、辯論型對話、談話型對話五種類別[13]，并針對每種類別的對話論述了其核心特征。本研究依據“干預-自主”“協作-探究”“對話-協商”三種人機協同學習方式，按照認知沖突發生可能性的高低，將對話式人機協同學習的問題類型劃分為事實問答型、協作探究型、開放討論型、立場判別型四類，并將對話式人機協同學習的模式劃分為圖2所示的認知輔助式學習、思維啟發式學習、自由探索式學習和人機論辯式學習四種類型。

1.認知輔助式學習：認知輔助與增強

認知輔助式學習的基本假設是學生的知識基礎不牢固或者學習方法不科學，面臨的更多是知識掌握和認知發展層面的學習需求。在此背景下，機器需要精準分析學生的知識基礎、診斷學生的學習能力、預測學生的最近發展區[14]，并構建科學的學習支架，采用循序漸進的干預策略，幫助學生加強對所學知識的理解和應用。認知輔助式學習的核心是機器針對學生的學習需求，模擬專家教師的教學經驗和策略，對復雜的教學內容進行合理分解，厘清知識講授的步驟和策略，在人機對話的過程中，根據學生的應答情況評判學生在特定節點的知識掌握程度，并有針對性地調整機器應答模式、優化提示語推送方案，幫助學生強化知識掌握、提高認知水平。

2.思維啟發式學習：思維啟發與引領

思維啟發式學習旨在發揮機器在邏輯推理、思維啟發方面的優勢，逐層深入地為學生提供學習引導，幫助學生由淺入深、由表及里地掌握學習內容的本質。在以往的機器輔助學習中，機器大多偏向于直接向學生提供解決問題的標準答案，這非但不能夠幫助學生學習，還容易造成學生的“投機”心理，造成思維的懶惰化[15]。而思維啟發式學習則要求機器能夠依據學習內容的特點和學生的認知能力，搭建學習支架，構建序列化的對話問題鏈，循循善誘、逐層深入地幫助學生理解學習內容的本質，引導學生加強對所學知識的分析、評價和創造，助力自身高階思維能力的提升[16]。從這個意義上來說，思維啟發式學習更符合人類的認知規律，也更能夠激發學生的邏輯推理和想象力，對學生認知能力的提升和創新意識的養成具有重要意義。

3.自由探索式學習：知識整合與創生

自由探索式學習沒有特定的學習主題或學習目標，旨在讓學生與機器圍繞開放性的問題進行自由討論和探索，在此過程中，學生和機器能夠互相分享觀點、交流想法，促進人機之間的思維碰撞和知識創生。學生一方面能夠借助機器對相關的知識、事實、證據進行聚合和重組，強化自身的知識整合和重構，另一方面能夠依據機器提供的解決方案進行定制化開發，設計更加符合現實情況或個人需求的問題解決方案。機器一方面能夠通過對學生話語的深層次挖掘分析，為學生提供個性化的學習支持服務，另一方面通過對學生觀點的評判，為其提供新的事實、證據，并引入新的分析視角，幫助學生更加了解事物的本質，對自身的觀點和見解進行完善和豐富。通過自由探索式學習，學生和機器能夠交換思想、互相啟發，逐步實現機器智能和人類智慧的深度整合，實現人機協作效率的最大化。

4.人機論辯式學習：認知沖突與重構

人機論辯式學習是對話式人機協同學習的高階形態，其基本假設是機器具有較強的自主意識，具備理性認知、價值判斷、復雜決策的意識和能力，能夠基于預設的立場進行信息搜索、知識整合、觀點提煉，并且能夠有理有據地對學生的觀點進行辯駁[17]。在人機論辯式學習中，學生和機器能夠針對某一特定話題進行證據搜集、各抒己見、辯駁問難，在此過程中，學生能夠進行主動的知識獲取、整合與建構，提高認知的深刻性，通過與機器的觀點碰撞和信息交流，強化認知沖突與重構，在此過程中提高反向思維、發散性思維和批判性思維能力；機器則需要有層次、有計劃地陳述觀點，并對學生的觀點進行辯駁，讓學生逐步意識到自身的邏輯漏洞和思維誤區，引導學生主動思考與自主求證，提升知識的整合與應用能力。在論辯式學習的過程中，通過學生與機器的觀點碰撞和立場辯駁，學生的認知能動性得到極大提升，能夠更加主動地進行思考和求證，以提高認知的深刻性，實現深度學習。

四、對話式人機協同學習的未來圖景

從長遠來看，對話式人機協同學習能夠有效支撐知識學習、思維訓練、素養培育、情感涵養、道德教化，對于教育質量的提升和創新人才培養具有重要作用。未來對話式人機協同學習的開展需要進一步加強大模型的技術研發、加強提示語工程建設、健全自適應反饋機制、驗證對話式學習成效、提高學生智慧學習力，以助力對話式人機協同學習的有效開展。

（一）推動大模型技術研發，支持人機靈活互動

從目前來看，大模型具有一定的對話能力，能夠基于特定的學習指令生成特異性的解決方案，但大模型在處理復雜的多輪人機對話中還存在諸多不足，難以支撐對話式人機協同學習的有效開展。因此，未來需要進一步加強大模型的技術研發，支持人機之間的靈活互動。一是重視基于人機對話的學習狀態識別和學習需求預測。對于學生學習狀態的識別和學習需求的預測是對話式學習發生的前提條件，大模型需要通過對學生話語信息的深層次挖掘分析，識別學生的學習狀態（如：知識水平、認知能力、情感態度等），診斷學生的學習需求，以此為學生提供更加精準的反饋和指導。二是加強上下文理解與多輪對話管理能力。對話式人機協同學習的發生依賴人機之間的多輪對話，而在人機對話持續推進的過程中，大模型容易遺忘前序生成的信息，出現上下文不一致的問題。因此為保證對話式人機協同學習的順利開展，需要加強大模型的上下文理解和多輪對話管理能力，確保每一輪對話都與之前的歷史相關聯，并能夠生成連貫的回復，以此為學生提供更加自然的對話體驗。三是加強思維鏈技術研發，提高人機對話邏輯。思維鏈技術是人機對話的核心，旨在通過顯式輸出模型的推理步驟，提高大語言模型處理復雜推理任務的性能，幫助學生實現深層次的知識理解和邏輯推理[18]，因此思維鏈技術在極大程度上決定了對話式人機協同學習的成敗。未來需要進一步加強思維鏈技術的研發，以提高機器的邏輯推理能力，為學生提供更加科學有效的學習引導和思維啟發。

（二）加強提示語工程建設，引導學生智慧問學

對話式人機協同學習的基本假設是機器能夠準確理解學生的話語，并能夠及時響應，在此背景下，如何提高大模型對學生話語的理解能力，讓大模型能夠準確理解并有效響應學生的學習需求，是對話式人機協同學習需要解決的關鍵問題。這就引出了一個新話題：教育提示語工程。提示語的本質是以獲得大模型的理想輸出或精準控制大模型執行特定任務而設計的特定自然語言序列，教育提示語需要包含明確的指令告知大模型自身的學習需求、學習意圖和期待達成的學習結果[19]，以幫助大模型設定學習目標、設計學習任務、明確對話策略，在此基礎上生成特定的問題鏈，引導學生循序漸進地實現“智慧問學”。從人機協同學習的發生機制來看，如果機器不能夠準確理解學生所提出的學習問題，很有可能為學生推送錯誤的學習內容、提供與學生認知水平不相符的學習方案，這將為人機協同學習的開展帶來較大的負面影響。因此，在對話式人機協同學習的過程中，需要著力加強人機對話的提示語工程建設，借助簡單的提示框架，幫助學生輸入既符合人類表達習慣又遵循機器對話規則的特定學習指令[20]，讓機器能夠更好地理解學生的學習需求，提供更加精準高效的學習應答。

（三）健全自適應反饋機制，完善智能導學策略

相較于以往的機器輔助學習，對話式人機協同學習更加強調學生的自主提問、思考、理解、整合，在人機對話和雙向反饋的過程中強化思維碰撞與交流、加強認知沖突與平衡，在此過程中學生的知識技能、認知能力、思維方式也將得到極大提升。從這個意義上來說，對話式人機協同學習更能夠觸及學習的本質，對于學習質量的提升具有重要意義。在此背景下，如何為學生提供科學、精準、自適應的反饋應答，對于對話式人機協同學習的發展具有重要意義。生成式人工智能大模型在對話式學習中應用的核心問題在于，一是大模型的“幻覺”問題容易給出與事實相悖或超越學生認知范疇的回答[21]，這非但不能夠啟發學生思維、引導學生成長，反而會引發學生的“思維誤區”，為學生的學習帶來負面影響；二是對話式學習引發的高認知沖突容易增加學生的認知負荷，如果處理不當容易增加學生的緊張和焦慮情緒，反而讓學生產生畏難情緒，降低學習動機。因此，未來生成式人工智能大模型的研發需要進一步健全自適應反饋機制，完善智能導學策略，為學生提供更加精準適切的對話引導與支持。其一，完善基于話語分析的學習需求預測和認知能力診斷方法，通過對人機對話數據的精準分析，對學生潛在的學習需求和認知水平進行智能診斷，以此為大模型的自適應反饋提供科學參照；其二，完善基于認知能力測評的自適應對話反饋機制，根據學生的認知需求制定適應性的導學策略，幫助機器強化問題鏈的設計與更新，為學生提供更加精準有效的學習引導和干預。

（四）驗證對話式學習成效，優化人機協作模式

從理論視角來看，相較于以往教師布置任務、學生自主練習的學習模式，對話式人機協同學習在強化知識掌握、啟發思維發展方面具有天然的優勢，但目前并未有系統化的研究證明對話式學習能夠促進學習，以及在哪些方面促進學習。因此，未來相關研究的開展需要進一步加強對話式人機協同學習的成效驗證和規律挖掘，以此為對話策略的改進和人機協作模式的優化提供可靠的證據支持。而對話式人機協同學習成效的驗證，一是要通過準實驗的方式探究對話式人機協同學習和傳統學習方式在學習效果方面的差異，以及不同的對話式學習模式對學生學業表現、學科素養、思維能力等的影響機制，以深入挖掘對話式人機協同學習的潛在效用；二是要加強對話式人機協同學習的過程挖掘，明確在對話式學習過程中，學生行為、認知、情感、元認知的動態變化情況，對學生的學習狀態進行全方位表征，探究在不同的對話序列中，學生外顯表征和內隱狀態的變化情況，以深入挖掘對話式人機協同學習的潛在規律，并為對話策略的改進提供科學依據。

（五）提高學生智慧學習力，適應智能學習變革

由上文可知，對話式人機協同學習是智能時代學習變革的前沿趨勢，對于學習方式的創新和學習質量的提升具有重要意義。但與此同時，這種新型的學習方式也對學生提出了更高要求，要求學生不僅要具備數字化學習意識和人機協同學習能力，能夠適應人機對話的學習方式，善于利用人機對話輔助和優化自身學習；還要具備一定的數字化學習創新能力，能夠在教育大模型的支持下進行針對性的提問，以探索未知的學習領域、嘗試全新的問題解決方案，實現基于人機對話的探索性和創新性學習。未來，對話式人機協同學習的開展需要進一步重視學生智慧學習力的提升[22]，讓學生能夠理解生成式人工智能大模型在對話式學習中的潛力，合理利用生成式人工智能大模型調控自身學習策略、探索自身學習邊界，通過人機對話的方式鞏固知識學習、提高認知水平、鍛煉思維能力，以幫助學生逐步適應對話式的人機協同學習。

參考文獻：

[1][12] 王一巖，劉淇等.人機協同學習：實踐邏輯與典型模式[J].開放教育研究，2024，30（1）：65-72.

[2][6][13] 戴嶺，趙曉偉等.智慧問學：基于ChatGPT的對話式學習新模式[J].開放教育研究，2023，29（6）：42-51+111.

[3] 彭正梅，伍紹楊等.如何提升課堂的思維品質：邁向論證式教學[J].開放教育研究，2020，26（4）：45-58.

[4] 王一巖，鄭永和.智能時代的人機協同學習：價值內涵、表征形態與實踐進路[J].中國電化教育，2022，（9）：90-97.

[5] 潘香霖，褚樂陽等.窺探機器之竅：機器心理學視角下的大模型教育應用[J].遠程教育雜志，2023，41（6）：52-61.

[7] 周洪宇，李宇陽.ChatGPT對教育生態的沖擊及應對策略[J].新疆師范大學學報（哲學社會科學版），2023，44（4）：102-112.

[8] 王一巖，鄭永和.智能學習干預：現實困境、實施原則與實踐進路[J].開放教育研究，2023，29（2）：103-111.

[9] 李海峰，王煒等.智能助產術教學法——以“智能蘇格拉底會話機器人”教學實踐為例[J].開放教育研究，2024，30（2）：89-99.

[10] 王振華，于澤元.人工智能助力素養生成：內在邏輯與實現路徑[J].電化教育研究，2023，44（7）：37-43.

[11] 陳聰聰，李晨等.文生視頻模型Sora之于教育教學：機遇與挑戰[J].現代教育技術，2024，34（5）：27-34.

[14] 劉寧，余勝泉.基于最近發展區的精準教學研究[J].電化教育研究，2020， 41（7）：77-85.

[15] 余勝泉，汪凡淙.人工智能教育應用的認知外包陷阱及其跨越[J].電化教育研究，2023，44（12）：5-13.

[16] 李海峰，王煒.人機爭論探究法：一種爭論式智能會話機器人支持的學生高階思維能力培養模式探索[J].電化教育研究，2024，45（3）：106-112+128.

[17] 馮軍旗，陳弱霄.辯論式教學的實踐與規則研究[J].教育科學研究，2022， （8）：53-57.

[18] 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.

[19] 趙曉偉，祝智庭等.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.

[20] 趙曉偉，戴嶺等.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.

[21] 盧宇，余京蕾等.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，2023，43（4）：24-31+51.

[22] 王一巖，鄭寧等.智慧學習力：概念內涵與結構模型[J].電化教育研究，2022，43（7）：19-26.

作者簡介：

王一巖：博士，研究方向為智能教育、人機協同教育、教育信息科學與技術。

劉淇：教授，博士，博士生導師，研究方向為大數據、人工智能、智能教育。

鄭永和：教授，碩士，博士生導師，院長，研究方向為教育信息科學與技術、科技與教育政策、科學教育。

Dialogue Based Human-Machine Collaborative Learning： Essential Connotations and Future Prospects

Wang Yiyan1， Liu Qi2， Zheng Yonghe1

1.Research Institute of Science Education， Beijing Normal University， Beijing 100875 2.School of Computer Science and Technology， University of Science and Technology of China， Hefei 230027， Anhui

Abstract： The development of generative artificial intelligence technology has greatly improved the text generation， human-machine dialogue， and logical reasoning abilities of machines， and has also given rise to a new type of learning method called conversational human-machine collaborative learning. Dialogue based human-machine collaborative learning aims to stimulate the collision of thinking between students and machines through multiple rounds of dialogue and bidirectional feedback， trigger cognitive conflicts and autonomous construction among learners， gradually achieve a common understanding of the learned content， explore the optimal solutions to complex problems， and achieve the joint growth of student intelligence and machine intelligence. On this basis， the article systematically elaborates on the general process of conversational human-machine collaborative learning， discusses the core characteristics of conversational human-machine collaborative learning around the generation of learning objectives， adaptability of learning content， reciprocity of learning subjects， and interchangeability of human-machine roles， and explores typical models of conversational human-machine collaborative learning from four aspects： cognitive assisted learning， thinking heuristic learning， free exploration learning， and human-machine argumentative learning. The development of future dialogue based human-machine collaborative learning needs to further promote the development of large model technology， strengthen the construction of prompt language engineering， improve adaptive feedback mechanisms， verify the effectiveness of dialogue based learning， and improve students’ intelligent learning ability.

Keywords： human-machine collaborative learning； dialogue based learning； Generative Artificial Intelligence； argumentative learning

收稿日期：2024年8月8日

責任編輯：李雅瑄