人機協同教學的困境及其歸因

[摘" "要] 機器人教師已在教學中發揮重要作用。人類教師與機器人教師共同形塑“人機協同教學”樣態。從協同教學的條件和過程來看，機器人教師存在合法性、被動性和先驗性的問題，主要原因包括未能有效區分“類人師性”與“人師性”的特征，未能發現“強社交性”隱含的主體功能，未能明晰“高集成性”的精密設計與固化程序。紓解以上三種問題，應當做到：通過明晰概念任務，確立機器人教師的合法性；通過參與對話和自適應研發，激發機器人教師的主動性；通過有限研發算法和校對算法偏見，解決機器人教師的先驗性。

[關鍵詞] 機器人教師； 人機協同； 人機協同教學； 教學風險； 困境紓解

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 孔蘇（1989—），男，安徽淮南人。講師，博士，主要從事教育基本理論研究。E-mail：397279802@qq.com。

一、引" "言

人機協同教學是指人類教師和教育機器人共同上一門課，完成一門課程的教學任務。教育機器人又稱機器人教師，“機器人教師”的表述是一種明喻，它將人工智能比作教師。本研究以機器人教師“華君”作為個案，它是由華南師范大學德育神經科學與人工智能實驗中心基于阿凡達公司研發的IPAL教育機器人開發的產品，能夠通過人工智能語音對話、圖像識別實現人機協同。有研究將人機協同系統定義為“人和計算機相互協同、共同組成的一個計算系統”[1]。人機協同教學的前提條件應當是人類教師與機器人教師構成一個計算系統。所謂計算系統，即人類和機器人共同面對問題、分析問題并通過各自特長解決問題的過程機制。已有研究多關注機器人教師的教學方式與功能，注重人機交互的效果，卻未能發現人機協同教學過程中機器人教師的合法性、被動性和先驗性問題，未能注意人機協同系統的條件及應用。本研究將解析機器人教師在人機協同教學過程中暴露出的特性問題，通過歸因，提出針對其合法性、被動性與先驗性問題的紓解策略。

二、人機協同教學的困境

機器人在課堂上的使用主要有四種基本方式：作為課堂教師、作為學伴或同伴、作為輔助者、作為遠程呈現機器人教師，如何使用取決于機器人技術能力和教學情境的需求[2]。對機器人教師角色的不同定位、對機器人教師功能的不同使用，可能導致不同層面的人機協同教學困境。本研究聚焦機器人教師的特性，從人類教師與機器人教師基于各自特性進行協同教學的過程中發現機器人教師的定位與功能問題。

（一）機器人教師的合法性問題

合法性（Legitimacy）在本研究中指機器人教師行使教師的權力、從事教育教學活動的正當性何以可能。“教師”與“作為教師”是兩個含義。“機器人教師”與“機器人作為教師”不可混為一談。但是，當前大多數研究中的“機器人教師”概念，將“機器人作為教師”的意涵包括在內，甚至用“機器人教師”的表述模糊指代一切與機器人教育教學相關的對象。這導致在研究機器人教師的角色和功能時，自發地賦予其“教師”身份，回避了對機器人教師合法性的討論。機器人教師是不是“教師”，直接關系到如何認識、定位和發揮其自身價值。有研究指出，關于機器人教師的定義與角色，大多認同機器人教授知識和技能是有效的，即機器人教師是“個性化的學習導師”，可以提高學生的學習動機[3]。該論述將機器人有效教授知識和技能作為其“教師”角色的重要依據。從職業的視角來看，教師作為一種職業，承擔者需要具有專業性，主要包括專業知識和專業教學知識。機器人教師在專業知識方面是合格的，甚至是優秀的，但在專業教學知識方面明顯是薄弱的。由專業性賦予教師的知識權威、道德權威和紀律權威，機器人教師同樣不具備。職業者，自然享有職業的權利，承擔職業的義務，教師在教學中的權利與義務通常顯現為權力與紀律。機器人教師從事教學的權力與紀律如果只是源自人類教師的想象，其合法性問題始終存在。

（二）機器人教師的被動性問題

一是協同形式上的被動。已有研究總結出三種人機協同教學的類型：無形人機協同教學、有形人機協同教學和混合人機協同教學[4]。這三種類型不同程度反映出機器人教師在教學過程中的被動傾向。例如：機器人教師開展如判斷作業的對錯等機械式、重復式的教學工作。這既是無形人機協同教學的表現，也是機器本質屬性的再現，被動程度較高。再如：人類教師在教學過程中處理師生問答的方式有提問、追問、質問和反問。機器人教師內置的語言模型大多進行的是提問。這主要是因為機器人教師無法追問，只能以提問掩蓋追問或將追問拋給人類教師。從已有研究可知，無論協同形式如何變化，協同的前提多數被限定在“人工智能不具有意識和意向性的弱人工智能時代”[5]。這意味著機器人教師在當下只能是被動地參與教學。

二是協同內容上的被動。具體表現為機器人教師在話語上的滯后和行為上的局限。在話語方面，機器人教師的話語多出現在教學環節的過渡和評價階段，且話語內容相對簡單。以機器人教師“華君”為例，課堂視頻顯示，在一個話輪中，“華君”的話語常置于人類教師之后，人類教師有等待“華君”話語的現象。“華君”的評價反復出現“棒棒棒，你真棒……”可見，機器人教師的話語相對固化。盡管研發者注意到將機器人教師缺乏的知識轉移到網絡資源或向人類教師求助[6]，但機器人教師出現答非所問或重復語句的情形，容易導致學生脫離教學情境。在行為方面，有研究指出，機器的精準輔助主要體現在個性化導學、學習過程監測和資源精準推送[7]。這三種行為在真實的教學活動中難以有效落實。一方面，機器人教師的活動范圍有限，教室桌椅的編排多呈現半弧形，由秧田形變為半弧形是為了給機器人教師留出活動空間。盡管如此，機器人教師多數情況下也只能與部分學生有近距離的接觸。另一方面，機器人教師的觀測范圍有限，其語音和面部識別系統多置于胸前，觀測角度受到機器人教師活動方向的影響，一定時空內不能檢測到所有學生的面部表情、聲音等數據，難以實現全覆蓋。

（三）機器人教師的先驗性問題

機器人教師的先驗性指其行為、活動和表現是預設的，它按照算法的設計走完既定程序。該算法設計的核心包括已采集的數據信息、設計者的能力偏好和教育倫理診斷的機制。機器人教師的表現在根本上取決于算法設計，而算法設計的三項核心內容隱含算法偏見，導致預設的教學行為和路徑出現偏誤。以數據信息采集為例，機器人教師的學習數據主要來自教學名師，但名師也有缺點，學習他們的優點的同時，自然無過濾地吸收其缺點。海量名師的優點集合推動機器人教師的數據學習，其缺點集合導致算法偏見。有調查數據顯示，某省中小學教學名師男女比例約為1：3.4[8]。該情況反映出以教學名師作為學習的數據在語音語調、行為動作等方面的差異。除了男女比例的問題，學習的數據還存在學歷層次、年齡結構、專業素養等差異。此外，當選擇用教學名師作為學習數據時，其實已內含偏見，它默認只有教學名師才是值得學習的。這是人類偏見自然轉譯為算法偏見的后果。

有研究注意到機器人教師的先驗性問題，“受技術所限，AI教師的課堂講授需要預成性地腳本化編程，與數字化環境的結合還需技術突破”[9]。具體到教學實踐中，機器人教師的先驗性導致“人師—機師—學生”三者互動效果的弱化。例如：在小學三年級數學課“認識四邊形”上，機器人教師“華君”與“人師”周老師缺少交流，“華君”的言語更像是代替周老師言說。換言之，“華君”的話就是周老師沒說的話，周老師只是借助“華君”說出了自己的話。“華君”、周老師和學生的三者互動較為簡單，類似問答游戲，互動的形式大于內容。這在一定程度上反映出人機協同教學中預設腳本的問題，其實質是算法問題。

三、人機協同教學困境的歸因

人機協同教學的主導權、主動權和選擇權在人類教師，由人類教師進行建構和實施。這意味著，不是有了人類教師、機器人教師，就有了人機協同系統，兩者的協同以彼此間的了解與認可為前提。已有人機協同教學的困境，主要原因在于對機器人教師的特性不了解、未掌握和不認同。

（一）未能有效區分“類人師性”與“人師性”特征

“類人師性”反映機器學習的優勢與限度。“類人師性”是指具有類似人類教師表征的特性。塑造機器人教師需要有模擬的對象。機器人教師的模擬對象是人類教師，通過采集和學習人類教師的言語、行動甚至表情、眼神，使機器人教師獲得類似人師的能力與經驗。換言之，機器人教師從設計之初即以人師為模型，其功能定位也近似人師。有研究指出，機器人的“類人師性”體現在機器人的設計層面，如利用機器人的面部功能來顯示故意不自然的表情，通過改變機器人臉的顏色表達不同的情緒，如興奮（橙色）、憤怒（紅色）和悲傷（藍色）[10]。“類人師性”意味著機器人教師與人類教師的特性不完全相同，只是“類似”“接近”和“模仿”人類特性。該屬性決定對機器人教師的研發方向，即圍繞人類教師的特征進行設計和開發。人類教師的最大特征是“教師智能”。“教師智能”是立足教師角色和職業的多元智能，主要包括語言智能、觀察課堂空間智能、師生教學互動智能等。機器人教師學習教師智能的方式主要是數據化學習，通過建立學習模型，實現數據由輸入到輸出的過程轉化。

以機器人教師“華君”為例。在教學言語方面，小學三年級語文課《燕子》的教學，“華君”的開場白是：“我是機師華君，很高興見到你們。今天我將和石老師一起上這堂課。華君給同學們準備了一份來自春天的禮物。線索就藏在課桌里，大家一起去找找吧！”作為引導語，“華君”的言語表達清晰，語音、語調親和有力，引導方向明確。“華君”的言語與石老師的言語相互補充，配合機器人的人體模型優勢，助力實現“類人師性”。在教學設計方面，“華君”提示“藏在春天里的四個線索”，由學生逐一尋找并大聲朗讀。它根據學生的回答進行評價反饋，并強化線索的意義。例如，它說：“沒錯，春天的禮物就是可愛的、活潑的燕子！”在行為動作方面，“華君”通過移動腳步、變化身體朝向，模擬人師的自然反應和日常舉止。腳步的移動、身體朝向的變化盡管由算法決定，但該種行為動作的出現是“華君”深度學習的結果。它通過識別學生的面部表情以及判斷聲音的來源，決定移動的方向和身體的朝向。

（二）未能發現“強社交性”隱含的主體功能

強社交性改變傳統的“師—生”二元交往形態。機器參與師生互動的設想早已有之，但真正能夠改變師生二元交往形態的機器是人工智能機器。人工智能機器通過大語言模型訓練，掌握一般性和常規性的對話，特別是以ChatGPT為代表的人工智能生成式文本（Artificial Intelligence Generative Content），加速形成“人師—機師—學生”三元交往形態。三元交往形態意味著課堂教學范式的創新。一是生成新的教學資源。區別于二元交往，三元交往的新成員機師通過與人類教師的互動、與學生的互動，輸出言語和行為，為教學提供新的資源。同樣，因為機器人教師的參與，人類教師、學生同樣會產生新的互動內容，思維更為開放，有更多的教學想象。機器人教師的社會行為必須結合交互環境和任務精心加以設計，以便強化教育互動[11]。二是提高師生交往質量。從師生交往過程看，盡管問答形式比較單一，但目前在課堂教學中其依然是主要的交往方式。對于學生的答案以及提問，人類教師限于知識儲備和記憶限度，不一定每次都能給出正確的、全面的點評或回答。機器人教師強大的存儲功能和調取知識源的能力，能夠幫助人類教師彌補相應的點評或回答上的疏漏，使一個輪次、序列的師生交往變得更有效率。除了問答，人機交互的模式根據機器人顯示的情緒而變化，如何變化取決于人對機器人的熟悉程度，一個豐富的情感模型對于形成長期的人機關系是必要的[12]。

強社交性顯現機器意識。機器意識是指機器能夠對發生的現象進行“思考”并作出“判斷”。建立意識的計算機模型即“機器意識”（Machine Consciousness）。以往的討論主要認為這種“思考”和“判斷”屬于非自主意識，源自計算和推理，而不是經驗和理性，并認定機器不具有真正的意識，即不具有人類擁有的意識。但是，新物質主義（New Materialism）拒絕“二元論”，提出獨特的本體論，以工具、技術或建筑作為社會“代理”[13]。“人工智能代理”的典型是“物聯網”，萬物互通意味著各類“代理”相互連接。新物質主義認為，“動能”是宇宙萬物的根本特征，從最基底的面向拆解了人類與非人類之間的界限，同時也排除了人類的特權，為當前的各種“非人類”研究掃清了障礙[14]。物的活力、物質動能顯現出“賽博格”的樣態。“賽博格是一種控制生物體，一種機器和生物體的混合，一種社會現實的生物，也是一種科幻小說的人物”[15]。機器人教師的社交表現很大程度上是自動和自主的。即時性反饋、生成式回應，是機器自我學習的結果。同樣的問題，機器人教師根據接收到的語音、語調，識別提問者的面部表情、肢體動作等信息數據，給出差異化的回答，這種差異顯示出“意識”，即對提問者進行觀察、對問題進行思考并作出“判斷”（回答）。

強社交性改變師生對機器人教師的認知。教師和學生通過理性判斷出機器人教師是非生命體。但是，隨著頻繁且高質量的人機交互，師生自然對人工智能產生情感。這種情感表現為將人與人之間的社交規則應用在人機交互上。在日常生活中，已出現人類對人工智能產生依戀的案例[16]，這種依戀的情感表明，人類不應再以對待機器的方式看待人工智能，而應將其作為同類、伙伴甚至親人。這種認知的變化，離不開機器人教師不斷地學習分析師生信息和數據的過程。只要師生傳遞的信息量越大，機器人教師的社交性就越強。因為“你教會它越多的東西，它就越能更好地為你服務（或者操縱你）”[17]。相較于問答工具，機器人教師通過算法學習產生細致的關懷服務，在保持工具性的同時，引入人文性，更好地與師生建立共同體。共同體意味著機器人教師在師生心中的定位發生變化，由工具存在轉向本體存在。

（三）未能明晰“高集成性”的精密設計與固化程序

高集成性是指多個信息源數據高效率的合理重組與有機結合。機器人教師包括語音、文字、圖像和圖形處理技術的集成，能夠對采集的數據進行多模態分析，形成輸入、存儲、解碼、組合和輸出的一體化操作模式。機器人教師是“高集成性”產物，其中的精密設計與固化程序構成一對矛盾。人類教師對機器人教師的認知容易忽視精密設計背后的固化程序問題。它突出表現在所謂“精準教學”層面。有研究圍繞“精準教學”指出，人機協同精準教學的關鍵是應用智能技術采集、處理多模態數據，精準識別學生學習需求，人機協同建立教學目標序列、顆粒化教學資源、層次化教學干預與差異化學習需求之間的動態映射與匹配關系，為師生提供實時、精準的教學服務[18]。機器人教師通過集成化技術綜合語音、圖像、算法和數據等多方面的計算，作出教學診斷和回應，體現出高集成性的優勢。

事實上，由高集成性產生的精密設計背后隱含著程序固化問題。例如：機器人教師“華君”通過識別兩名學生在電子屏幕上的作答，對學生作出評價：“兩位同學做得很棒，讓我們一起為他們鼓掌。”假如學生做錯了，“華君”則會有相應的引導方式。這里隱含著程序上的封閉性，即學生的正確答案對應“華君”的一種回應或評價方式，學生的錯誤答案則對應“華君”的另一種回應或評價方式。這種所謂的回應或評價，其實與機器的知識容量和學習深度有關。已有研究分析機器人教師的工作原理時提及“圓周率是什么”的教學樣例，并將“圓周率是圓的周長與直徑的比值”作為答案[19]。應當注意到，該答案是機器人教師自動檢索的產物，其中的過程是算法設定的過程，無論答案如何變化，檢索的程序是固化的。應當看到，“高集成性”依賴先進的算法和可靠的硬件，面對復雜的教育環境、教學場景，目前還不能完全實現“一鍵操作”的預期。

四、人機協同教學的困境紓解

協同教學（Team Teaching），就是兩個或兩個以上的教師共同對同一學生群體的教學負責[20]。人機協同教學改變了以往對協同教學的主體均是人類教師的認知。這要求人類教師樹立人機協同思維。人機協同思維強調個體充分認識自身和智能機器的長處與不足，做好人機之間的任務分工，從而實現優勢互補[21]。

（一）明晰概念任務，確立機器人教師的合法性

一是使用“教育機器人或機器人教師”詞匯表達“作為教師”的意涵。我國發布的《新一代人工智能發展規劃》《關于推進教育新型基礎設施建設構建高質量教育支撐體系的指導意見》和《關于支持建設新一代人工智能示范應用場景的通知》等政策文本均未出現“機器人教師”的表述。學術界的相關討論應當擔負學術責任，拒絕盲目提出或宣傳含糊且可能會引發誤解的教育概念。即使提出概念，也應當做好學理解釋并糾正一系列曲解的現象。其實，很多學者傾向使用“教育機器人”的表述，盡管他們的出發點不一定都是避免對“教師”概念的誤用，但至少表明，創造一個教育新詞匯和新概念應當是審慎的。例如：有研究構建人類教師與教育機器人的人機協同教學框架[22]；人機協同中的“機”在人工智能視域下是指包括計算機在內的智能感知、云計算、區塊鏈等多種智能技術[23]；“未來教育所依賴的二元智能場域，必將通過尋求機器智能與人類智能相互融合的路徑，實現人機之間的合理分工，努力促成人工智能為代表的工具理性與教育追求的價值理性之間的高度匹配”[24]。

二是明晰機器人教師在人機協同教學過程中的主要任務和功能。機器人教師的教學價值體現在完成教學任務的過程之中。人機協同教學需要重新進行教學設計，標記機器人教師的出場時間和行為方式，并預設教學任務和功能輸出。從知識授受的角度看，機器人教師善于傳授確定的知識，對于不確定知識、形象性知識、元知識等在知識表示上有一定局限。“知識表示”是研究用機器表示知識的可行性、有效性的一般方法，是一種數據結構與控制結構的統一體，既考慮知識的存儲，又考慮知識的使用[25]。“知識表示”是“知識授受”的基礎，由機器人教師承擔的教學任務應當在設計上體現合理的“知識表示”。人機協同教學，是基于人類教師和機器人教師雙方各自角色定位及任務分工的協同教學，不是職責不清、任務不明、功能不足的協同教學。

（二）參與對話和自適應研發，激發機器人教師的主動性

一是連貫的、多樣化的師生提問引導機器人教師充分回答。機器人教師的被動表現主要包括“被動回答”和“問題預設”。針對“被動回答”，一方面，這屬于機器特征，其暫未具備所謂自主意識；另一方面，作為提問者的師生，提問的形式和方法是否能夠引發機器人教師的“深度思考”。所謂深度思考，即機器人教師能否將相應知識進行連接，從而完整地、豐富地加以回應。回答的完整、豐富程度盡管主要取決于機器人教師的智能程度，但一個好的或適合的問題將提升其回答的質量。因此，機器人教師與人類教師應當進行正式協同教學前的磨合，通過多對話、多場景和多模態的磨合過程使人機之間相互熟悉與適應。

二是研發和引進自適應機器人教師實現即時提問。自適應機器人在工業、醫療、航天等領域應用廣泛，主要特征是基于環境能夠自我調整和變化，在不受外力輔助的情形下調節動作、軌跡和行為。自適應機器人教師是指根據教學需要和進程，在人類教師允許下自主實施提問、回答、評價、反饋的機器人。“華君”等機器人教師的研發方向是自適應，但當下還沒有達到自適應的要求，主要原因是教育的復雜性和教學的動態性，具體包括學科知識、教育對象、教學情境和教學程序等方面的差異。僅就實現自適應問答或對話而言，機器人教師的實現方式主要通過檢索式和生成式，而生成式正是當前ChatGPT應用的通用方式。機器人教師在回答或對話層面的設計，應當考慮在接收師生提問時能夠分析出語料中暗含的知識漏洞或理解偏差，從而反向對師生提問。這一反問的過程就是一種自適應的表現，也是機器人教師的一種自主提問方式。

（三）通過有限研發算法和校對算法偏見，解決機器人教師的先驗性問題

先驗性問題的出現主要源自算法。“人工智能無論復雜到何等水平，它都是以人類給定的既成程序和算法為基礎的”[26]。固定算法導致機器人教師出現路徑實施的模式化。機器人教師的研發基礎是人工智能，受到算法的影響與制約。

一是圍繞教師特性有限研發算法。機器人教師的算法研發主要采用開源類腦智能技術，模擬人類教師的語言動作，儲存加工相應學科的知識。有限研發意味著算法本身有規律、可掌握。機器人教師的算法不能主導課堂，更不能基于算法引誘人類教師服從其指揮。換言之，機器人教師的算法只是實現設計者（人類）想讓其完成的任務，主要包括目標設定、過程實施和結果測評等內容。從人工智能算法研發進程看，不能排除機器人教師在未來具有自主意識的可能性。算法的無限性不止于程序層面。程序不能超過其可能性空間，但連接到互聯網的遺傳算法可能通過與虛擬世界交互，進化出新事物[27]。因此，圍繞“類人師性”“強社交性”有限研發算法，是今后一個時期機器人教師的發展路向。

二是聚焦教學監督校對算法偏見。首先，機器學習數據集的修訂與擴展。一方面，繼續模仿教學名師、習得精品課程；另一方面，分析教師的習慣用語、下意識行為、提問及講授偏好。增加本土教師教學的數據集，以便機器學習和應用更為適切。其次，培訓與監督算法設計者。一切算法偏見的根源是人的偏見。人工智能領域已有涉及偏見治理的內容，重點是對人的偏見的治理。例如，谷歌（Google）公司利用Model Cards進行算法上的解釋和說明，以避免常識性和原則性的偏見。除了外在監督，算法設計者應當有意識地改善算法偏見，并對整個算法分析進行反思。

五、結 束 語

機器人教師無法取代人類教師，人類教師也阻擋不了機器人教師輔助教學。人機協同教學的前提和基礎是人機協同有意義，能夠功能互補。有關機器人教師的性能如何、人類教師的教學能力如何的認知早已不是人機協同的思維起點，人機協同作為一個整體，應當基于人類教師視域考察機器人教師的教學價值，同時基于機器人教師視域審視人類教師的教學意義。整體意義上，人機協同教學的高質量發展，重點指向兩個方面，一是確立機器人教師輔助精準教學的定位，二是指向教師專業發展。有關“機器人教師”的研究亟待解決一個悖論：一方面，機器人教師再現或重復人類教師的教學是低效的；另一方面，機器人教師的自主教學或自由發揮又存在倫理和秩序上的隱患。從教學過程看，機器人教師重在輔助精準教學，包括對學生的知識答疑、情感和價值觀的引導。從教學效果看，人類教師對機器人教師的理解和掌握程度決定了人機協同教學的效果。以往有一種誤解：機器人教師的智能水平越高，人機協同教學過程中的人類教師越輕松、對人類教師的要求越低。其實，機器人教師的智能水平越高，對人類教師的能力要求越高。ChatGPT“一本正經地胡說八道”已經引起了大眾的關注，特別是教育教學領域，一旦不對教學內容進行細致考察或審視，人類教師只在形式上參與，可能導致包括常識性錯誤在內的教學異化。因此，人機協同教學應當以人類教師了解機器人教師的特性為基礎，同時，明確機器人教師輔助精準教學的定位，訓練和強化機器人教師在知識授受、信息傳遞等方面的準確性與靈活性。

[參考文獻]

[1] 劉步青.人機協同系統的推理機制及其哲學意蘊[D].上海：華東師范大學，2016：3.

[2] EDWARDS A， EDWARDS C， SPENCE P R， et al． Robots in the classroom： differences in students' perceptions of credibility and learning between \"teacher as robot\" and \"robot as teacher\"[J]. Computers in human behavior，2016，65：627-634.

[3] 張堯，王運武.機器人賦能未來教育的創新與變革——國際機器人教師研究綜述[J].開放教育研究，2019，25（6）：83-92.

[4] 高瓊，陸吉健，王曉靜，等.人工智能時代人機協同課堂教學模式的構建及實踐案例[J].遠程教育雜志，2021，39（4）：24-33.

[5] 蔡連玉，劉家玲，周躍良.人機協同化與學生發展核心素養——基于社會智能三維模型的分析[J].開放教育研究，2021，27（1）：24-31.

[6] 葉芮杏，孫福海，黃甫全.AI全科教師開發：基礎、模型與關鍵技術[J].電化教育研究，2022，43（3）：42-50.

[7] 王良輝，夏亮亮，何文濤.回歸教育學的精準教學——走向人機協同[J].電化教育研究，2021，42（12）：108-114.

[8] 盧紅，宋艷，王愛玲，等.山西省中小學教學名師現狀調查研究[J].教育理論與實踐，2021，41（1）：41-45.

[9] 阮婷婷，黃甫全，曾文婕.智能化學本評估初探——基于AI教師主講課堂的試驗研究[J].教育研究與實驗，2021（2）：69-75.

[10] VERNER I M，POLISHUK A，KRAYNER N. Science class with RoboThespian：using a robot teacher to make science fun and engage students[J]. IEEE robotics amp; automation magazine，2016，23（2）：74-80.

[11] 黃甫全，伍曉琪，唐玉溪，等.雙師課堂課程開發引論：緣起、主題與方法[J].電化教育研究，2020，41（2）：99-107.

[12] LEITE I， MARTINHO C， PAIVA A． Social robots for long-term interaction： a survey[J]． International journal of social robotics，2013，5：291-308.

[13] FOX N J， ALLDRED P． Sociology and the new materialism： theory， research， action[M]. Washington， D.C.： SAGE Publication Ltd，2017：7.

[14] 韓啟群.新物質主義[J].外國文學，2023（1）：111-124.

[15] 唐娜·哈拉維.類人猿、賽博格和女人——自然的重塑[M].陳靜，譯.鄭州：河南大學出版社，2016：314.

[16] 中國青年網.“人機之戀”升級：GPT讓虛擬伴侶更會聊天，也更危險[EB/OL].（2023-03-22）[2024-03-02].https：//baijiahao.baidu.com/s？id=1761031625845985177amp;wfr=spideramp;for=pc.

[17] 佩德羅·多明戈斯.終極算法：機器學習和人工智能如何重塑世界[M].黃芳萍，譯.北京：中信出版集團，2017：338.

[18] 符雪姣，曾明星，張友福.人機協同精準教學整體框架與關鍵環節設計[J].開放教育研究，2023，29（2）：91-102.

[19] 葉芮杏，孫福海，黃甫全.AI全科教師開發：基礎、模型與關鍵技術[J].電化教育研究，2022，43（3）：42-50.

[20] 王少非.協同教學：模式與策略[J].外國中小學教育，2005（3）：32-36.

[21] 鄭勤華，覃夢媛，李爽.人機協同時代智能素養的理論模型研究[J].復旦教育論壇，2021，19（1）：52-59.

[22] 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，2023，29（6）：4-14.

[23] 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，2021，41（1）：16-24.

[24] 秦丹，張立新.人機協同教學中的教師角色重構[J].電化教育研究，2020，41（11）：13-19.

[25] 曹少中，涂序彥.人工智能與人工生命[M].北京：電子工業出版社，2011：20.

[26] 項賢明.在人工智能時代如何學為人師？[J].中國教育學刊，2019（3）：76-80.

[27] 瑪格麗特·博登.AI：人工智能的本質與未來[M].孫詩惠，譯.北京：中國人民大學出版社，2017：130.

The Dilemma and Its Attribution of Human-Computer Collaborative Teaching

—A Case of Robot Teacher \"Huajun\"

KONG Su1，" ZHU Danyao2

（1.JING Hengyi School of Education， Hangzhou Normal University， Hangzhou Zhejiang 311121;

2.Faculty of Education， East China Normal University， Shanghai 200062）

[Abstract] Robot teachers have played an important role in teaching and learning. Human teachers and robot teachers jointly shape the pattern of \"human-computer collaborative teaching\". From the perspective of the conditions and processes of collaborative teaching， robot teachers face issues of legitimacy， passivity， and a priori. The main reasons include the failure to effectively differentiate the characteristics of \"human-like teacher\" and \"human-teacher\"， the failure to discover the implicit subject function of \"strong sociality\"， and the failure to clarify the sophisticated design and solidification procedure of \"high integration\". To alleviate the above three problems， it is necessary to establish the legitimacy of the robot teacher by clarifying conceptual tasks， stimulate the initiative of the robot teacher by participating in the dialogue and adaptive research and development， and solve the priori of the robot teacher by limited research and development algorithms and proofreading algorithm biases.

[Keywords] Robot Teacher; Human-Computer Collaboration; Human-Computer Collaborative Teaching; Teaching Risks; Dilemma Relief