如何發(fā)揮AIGC的教育效能？

摘要：數(shù)字素養(yǎng)是教育數(shù)字化轉(zhuǎn)型背景下教師專業(yè)能力的重要組成部分，而數(shù)字技術(shù)賦能教師數(shù)字素養(yǎng)高意識能力培養(yǎng)成為素養(yǎng)發(fā)展的關(guān)鍵一步。基于此，文章將公平性、不確定性、魯棒性作為測試指標(biāo)，將準(zhǔn)確性、高效性作為評價指標(biāo)，將字?jǐn)?shù)、要點數(shù)、追問輪次、正確率、拓展度、意識度作為實驗指標(biāo)，采用響應(yīng)面分析法進(jìn)行了“面向數(shù)字素養(yǎng)高意識能力培養(yǎng)的AIGC問答”實驗，實驗結(jié)果表明：AIGC生成內(nèi)容的測試因素（字?jǐn)?shù)、要點數(shù)、追問輪次）對學(xué)習(xí)者的數(shù)字素養(yǎng)高意識能力具有顯著影響；三個測試因素及其因素組合之間存在響應(yīng)面上的交互作用；在合理控制字?jǐn)?shù)的前提下，保持要點數(shù)適中并不斷追問，是確保AIGC給出優(yōu)質(zhì)答案的最佳路徑。根據(jù)此研究結(jié)論，文章基于擾動臨界點機(jī)制、角色導(dǎo)向機(jī)制、高意識思維鏈機(jī)制提出了AIGC的實踐路向。文章應(yīng)用AIGC對學(xué)習(xí)者的數(shù)字素養(yǎng)高意識能力進(jìn)行研究，揭示了AIGC培養(yǎng)學(xué)習(xí)者數(shù)字素養(yǎng)高意識能力的教育效能，可為應(yīng)用AIGC開展教育實踐的相關(guān)研究提供借鑒。

關(guān)鍵詞：數(shù)字素養(yǎng)；高意識能力；生成式人工智能；響應(yīng)面分析

【中圖分類號】G40-057 【文獻(xiàn)標(biāo)識碼】A 【論文編號】1009—8097（2024）09—0014—12 【DOI】10.3969/j.issn.1009-8097.2024.09.002

引言

數(shù)字化轉(zhuǎn)型是對傳統(tǒng)教育組織形式、教學(xué)模式和學(xué)習(xí)范式的系統(tǒng)化革新^[1]，而培養(yǎng)教師數(shù)字素養(yǎng)是教育數(shù)字化轉(zhuǎn)型的關(guān)鍵一步^[2]。2022年，教育部發(fā)布《教師數(shù)字素養(yǎng)》教育行業(yè)標(biāo)準(zhǔn)^[3]，界定了教師數(shù)字素養(yǎng)的內(nèi)涵，明確了教師數(shù)字素養(yǎng)對教師專業(yè)發(fā)展的重要作用。“素養(yǎng)”既包括知識、能力，也是思維品質(zhì)的體現(xiàn)^[4]，因此提升教師數(shù)字素養(yǎng)，不僅需要關(guān)注知識與技能的提升，更需要關(guān)注由知識、技能向高階思維品質(zhì)提升的轉(zhuǎn)變過程^[5]——其中，培養(yǎng)數(shù)字素養(yǎng)的思維品質(zhì)，是實現(xiàn)素養(yǎng)提升的重點和難點。

針對思維品質(zhì)的提升，人工智能生成內(nèi)容（Artificial Intelligence Generated Content，AIGC）具有其獨特優(yōu)勢。AIGC是一種以文本、圖像等作為生成內(nèi)容的人工智能技術(shù)，可根據(jù)使用者的對話進(jìn)行概念聯(lián)想，自動生成人類可以理解的內(nèi)容^[6]。2023年，以ChatGPT為代表的AIGC獲得了廣泛的關(guān)注，隨后我國推出了“文心一言”“訊飛星火”等AIGC平臺。AIGC特有的對話提示、概念聯(lián)想等功能，使其在提升教師數(shù)字素養(yǎng)的高階思維品質(zhì)方面發(fā)揮了獨特的教育效能。基于此，本研究利用AIGC的技術(shù)優(yōu)勢，探究AIGC對學(xué)習(xí)者數(shù)字素養(yǎng)中高階思維品質(zhì)尤其是數(shù)字素養(yǎng)高意識能力的促進(jìn)作用，并利用響應(yīng)面分析法對人工智能生成內(nèi)容進(jìn)行評價，提出AIGC高意識應(yīng)用的最優(yōu)路徑，以期有效發(fā)揮AIGC的教育效能，培養(yǎng)學(xué)習(xí)者的數(shù)字素養(yǎng)高意識能力。

一 文獻(xiàn)綜述與研究思路

1 文獻(xiàn)綜述

（1）AIGC賦能教育及其評價研究

隨著AIGC技術(shù)在教育教學(xué)各層面的應(yīng)用，AIGC在賦能教育發(fā)展、深化教育改革方面發(fā)揮了越來越重要的作用，主要表現(xiàn)為：教育環(huán)境方面，AIGC正在催生智能技術(shù)融入新型學(xué)習(xí)樣態(tài)，提高了人才的培養(yǎng)水平，促進(jìn)了生產(chǎn)力水平的提高^[7]；教育資源方面，通過AIGC的多樣化教育應(yīng)用，催生了互動生成、深度加工、質(zhì)量監(jiān)控等新型的資源生成機(jī)制^[8]；學(xué)習(xí)者發(fā)展方面，AIGC與學(xué)習(xí)者深度人機(jī)協(xié)同，進(jìn)一步促進(jìn)學(xué)習(xí)者實現(xiàn)了自我知識建構(gòu)、高階思維能力培養(yǎng)、多維能力提高等^[9]。AIGC賦能教育已毋庸置疑，且高效、穩(wěn)定的AIGC技術(shù)有助于提升教育教學(xué)效率。在此背景下，如何評價AIGC對教育的賦能作用，成為了妥善應(yīng)用AIGC的關(guān)鍵。

綜合相關(guān)文獻(xiàn)，可知AIGC賦能教育的評價指標(biāo)主要包括：①公平性，是指AIGC能向個體提供無顯著差異的生成性內(nèi)容。在實踐中，性能差異測試可以保證內(nèi)容的公平性^[10]。②不確定性，是指AIGC生成內(nèi)容的不確定程度，不確定性越高，生成結(jié)果越模糊。提高數(shù)據(jù)精度，是降低不確定性的一種可行方法^[11]。③魯棒性，是指AIGC在各種情況下運行的穩(wěn)定程度^[12]，一般采用擾動臨界點的方法對AIGC進(jìn)行臨界測試，以發(fā)現(xiàn)其功能極限^[13]。④準(zhǔn)確性，是指AIGC生成內(nèi)容正確預(yù)測任務(wù)目標(biāo)的樣本數(shù)占總生成內(nèi)容的比例。準(zhǔn)確性評價的重點，是對多語言情境下生成內(nèi)容的準(zhǔn)確識別^[14]。⑤高效性，是指AIGC在單位時間內(nèi)的運行效率，既定生成內(nèi)容的花費成本越低、運算時間越短，則運行效率越高。高效性評價可采用熵值評價、投入產(chǎn)出度評價等方法，開展運行效率的實證研究^[15]。在上述五個評價指標(biāo)中，前三個指標(biāo)反映了AIGC的性能特性，后兩個指標(biāo)反映了AIGC的效果或效率特性——此分類符合響應(yīng)面分析法的實驗邏輯，即采用不同的測試指標(biāo)進(jìn)行實驗操作會得到不同的實驗結(jié)果。基于此，本研究將公平性、不確定性、魯棒性歸為測試指標(biāo)，準(zhǔn)確性、高效性歸為評價指標(biāo)。

（2）數(shù)字素養(yǎng)高意識能力相關(guān)研究

AIGC以“思維鏈”形式對人類語言進(jìn)行推理，助力學(xué)習(xí)者進(jìn)行知識生產(chǎn)^[16]。當(dāng)前主流AIGC平臺均已具備思維鏈推理能力，這種高級思維能力正是未來教育的重要培養(yǎng)方向^[17]，可用于拓展學(xué)習(xí)者知識面，并培養(yǎng)學(xué)習(xí)者的直覺、頓悟、創(chuàng)造等思維品質(zhì)。依托AIGC思維鏈對人類思維能力的影響，“數(shù)字素養(yǎng)高意識能力”的概念應(yīng)運而生——這是一種高度的認(rèn)知和理解狀態(tài)，是數(shù)字素養(yǎng)的高級意識表現(xiàn)。AIGC通過“思維鏈”賦能學(xué)習(xí)者培養(yǎng)高意識能力，將數(shù)字素養(yǎng)內(nèi)化為無意識學(xué)習(xí)，繼而通過無意識學(xué)習(xí)實現(xiàn)智慧躍遷^[18]。因此，AIGC思維鏈通過提示、啟發(fā)、引導(dǎo)，喚醒學(xué)習(xí)者對數(shù)字素養(yǎng)的深層次認(rèn)識，這是應(yīng)用AIGC培養(yǎng)數(shù)字素養(yǎng)高意識能力的基本原理。

2 研究思路

參考國內(nèi)外已開展的AIGC實驗^[19]，本研究采取通用問答式AIGC測試方法，依托《教師數(shù)字素養(yǎng)》教育行業(yè)標(biāo)準(zhǔn)，由被試向AIGC平臺提問，之后AIGC平臺回答問題，啟發(fā)被試培養(yǎng)其數(shù)字素養(yǎng)高意識能力。按此邏輯，本研究設(shè)計了基于AIGC促進(jìn)數(shù)字素養(yǎng)高意識能力的研究思路（如圖1所示），具體研究流程如下：①依托教師數(shù)字素養(yǎng)內(nèi)容，由被試應(yīng)用AIGC平臺就數(shù)字素養(yǎng)相關(guān)主題進(jìn)行提問；②針對被試的提問，研究者依據(jù)響應(yīng)面分析法給出的待實驗參數(shù)，按照測試指標(biāo)（輸入維度）分析AIGC平臺給出的答案；③結(jié)合分析結(jié)果，以培養(yǎng)數(shù)字素養(yǎng)高意識能力為目標(biāo)，研究者按照評價指標(biāo)（輸出維度）對AIGC答案的數(shù)字素養(yǎng)高意識能力啟發(fā)程度進(jìn)行評價，并根據(jù)評價結(jié)果繪制響應(yīng)曲面；④根據(jù)響應(yīng)面分析結(jié)果，提出應(yīng)用AIGC的實踐路向。

二 研究設(shè)計

1 被試與問題設(shè)計

本研究團(tuán)隊從廣東省G大學(xué)招募了22名教育技術(shù)學(xué)專業(yè)的本科生作為被試，其中男生7人、女生15人。本研究選用百度公司發(fā)布“文心一言”平臺（網(wǎng)址：https：//yiyan.baidu.com/）作為實驗平臺，此平臺在2024年6月發(fā)布的文心大模型4.0 Turbo版本具有知識增強(qiáng)、檢索增強(qiáng)和對話增強(qiáng)的功能，能夠在不同場景下生成有邏輯、有深度的內(nèi)容。本研究還根據(jù)《教師數(shù)字素養(yǎng)》教育行業(yè)標(biāo)準(zhǔn)構(gòu)建了包含5個一級指標(biāo)、13個二級指標(biāo)的數(shù)字素養(yǎng)高意識能力評價指標(biāo)。由于《教師數(shù)字素養(yǎng)》教育行業(yè)標(biāo)準(zhǔn)中的“協(xié)同育人”指向德育和家校社協(xié)同育人，故本研究針對二級指標(biāo)“數(shù)字化協(xié)同育人”設(shè)計了2個問題，其他指標(biāo)各設(shè)1個問題，共14個問題，具體如表1所示。

2 實驗方法與工具

本研究采用響應(yīng)面分析法，進(jìn)行“面向數(shù)字素養(yǎng)高意識能力培養(yǎng)的AIGC問答”實驗。響應(yīng)面分析法（Response Surface Methodology，RSM）是一種工程技術(shù)實驗方法，可用于研究響應(yīng)變量與多影響因素之間的關(guān)系^[20]，適合用來解決非線性數(shù)據(jù)問題。RSM可直觀求出不同因素的響應(yīng)值，并預(yù)測提出方案最優(yōu)解^[21]。本研究采用RSM探究AIGC生成內(nèi)容對學(xué)習(xí)者數(shù)字素養(yǎng)高意識能力培養(yǎng)的有效性，驗證在不同因素或多因素的作用下AIGC生成內(nèi)容對因變量的影響。響應(yīng)面分析法的響應(yīng)系數(shù)計算如公式（1）所示，其中X、Y為因子指標(biāo)，β_{（0， i， ii， ij）}為因子指標(biāo)水平，ε為y的誤差^[22]。利用公式（1）計算得到的響應(yīng)系數(shù)可以精確逼近最優(yōu)條件的響應(yīng)面。

公式（1）

本研究采用Design-Expert 13.0軟件進(jìn)行響應(yīng)面分析實驗，此軟件既能直觀地展現(xiàn)響應(yīng)因素關(guān)系，也能為實驗者提供最佳因素匹配方案^[23]。應(yīng)用Design-Expert中的Box-Behnken程序，本研究得到基于三因素的17個參數(shù)配比方案，據(jù)此開展了17輪實驗。17個實驗點可分為兩類：一類是分析因子點，即三維因素自變量的不同取值構(gòu)成曲面的三維頂點，有12個；另一類是中心因子點，即區(qū)域曲面的中心點，在參數(shù)設(shè)計相同的情況下重復(fù)實驗5次，以減少實驗誤差。

3 實驗指標(biāo)設(shè)計

被試根據(jù)AIGC生成的內(nèi)容進(jìn)行評分，而在評分過程中需要測試指標(biāo)進(jìn)行響應(yīng)面分析，也需要評價指標(biāo)評價生成內(nèi)容。根據(jù)前文的文獻(xiàn)綜述，本研究將公平性、不確定性、魯棒性作為測試指標(biāo)，將準(zhǔn)確性、高效性作為評價指標(biāo)，各指標(biāo)及其來源如表2所示。

三 研究分析

響應(yīng)面分析法的基本分析步驟包括：①響應(yīng)面分析軟件根據(jù)因素數(shù)的不同設(shè)計了17輪實驗，實驗者根據(jù)軟件對因素的不同參數(shù)設(shè)計進(jìn)行實驗操作，獲得不同參數(shù)組合下的實驗結(jié)果；②構(gòu)建因素響應(yīng)面回歸方程，驗證因子、多因子交互作用及其因子曲面作用對因變量的影響，獲得顯著性影響因子及其因子組合；③開展多元因素響應(yīng)面分析，根據(jù)因素的殘差正態(tài)概率分布圖與預(yù)測值-實際值分布圖驗證因素擬合效果，并根據(jù)交互作用項（AB、BC或AC）響應(yīng)曲面圖和等值線圖，分析因素或因素組合對因變量的作用，提出因素組合的最優(yōu)解；④通過對因素的均值分析，獲得因素在分?jǐn)?shù)維度上的表現(xiàn)水平。

表2 "實驗指標(biāo)及其來源

1 實驗結(jié)果分析

根據(jù)Design-Expert對實驗指標(biāo)“字?jǐn)?shù)”“要點數(shù)”“追問輪次”三個因素的設(shè)計，每位被試按響應(yīng)面分析法規(guī)定的實驗數(shù)開展17輪問答、被試每輪向AIGC提問14道題，實施周期為一個月，平均每位被試提問476次，共產(chǎn)生10472條回答。為了保證被試評價結(jié)果的科學(xué)性，參考王麗等^[34]對ChatGPT回答抽樣、論證、討論的研究思路，本研究由5位專業(yè)教師隨機(jī)抽取5份樣本進(jìn)行一致性評價，盲評結(jié)果一致性達(dá)到0.9以上，表明人工評價的結(jié)果較為科學(xué)、準(zhǔn)確。

基于Design-Expert響應(yīng)面分析的實驗結(jié)果如表3所示，可以看出：17輪實驗的正確率基本保持在80%左右，字?jǐn)?shù)參數(shù)為50的實驗正確率稍低，其他指標(biāo)參數(shù)無顯著差異，表明足夠量的字?jǐn)?shù)是保證正確率的重要條件；追問輪次為1輪時，拓展度的得分高于意識度，但當(dāng)追問輪次達(dá)到2輪以上時，意識度的得分會高于拓展度，表明追問輪次越多、意識度越高，這驗證了思維鏈對人意識提高的作用；綜合評分的最值區(qū)間為3.72～5.93，在字?jǐn)?shù)、要點數(shù)、追問輪次三個指標(biāo)中，字?jǐn)?shù)越少或追問輪次越少，得分越低，但這三個指標(biāo)的參數(shù)也并非越大越好——綜合評價得分較高的，三個指標(biāo)的參數(shù)一般處于中位水平（A=275，B=5，C=2）。

2 因素估計值與方差分析

利用Design-Expert對上述17輪實驗結(jié)果進(jìn)行ANOVA方差分析，得到實驗的回歸方程為：R＝5.73＋0.423A＋0.185B＋0.3C＋0.06AB－0.04AC＋0.345BC－1.04A²－0.811B²－0.656C²，方差分析結(jié)果如表4所示。回歸方程的復(fù)相關(guān)系數(shù)平方R²=0.9540，說明方程擬合度好、回歸顯著。字?jǐn)?shù)、要點數(shù)、追問輪次三個因素的p值均小于0.05，說明存在顯著差異。驗證方程的常數(shù)項（A）、二次項（AB）、平方項（A²）的顯著性水平，發(fā)現(xiàn)回歸方程中BC對Y值的影響顯著，AB、AC對Y值的影響不顯著；其中，因素BC交互作用因子、三因素的曲面作用因子均顯著，說明因素之間存在交互作用。失擬項p=0.1885＞0.05，失擬不顯著，說明因素響應(yīng)值沒有異常失擬點，不需要進(jìn)一步開展超過17輪問答的實驗。響應(yīng)面回歸方程的顯著性差異系數(shù)p=0.0002＜0.01，說明擬合顯著。

利用分析軟件Design-Expert對17輪問答實驗的結(jié)果分布情況進(jìn)行分析，得到實驗的殘差正態(tài)概率分布圖與預(yù)測值-實際值分布圖（如圖2所示），可以發(fā)現(xiàn)：殘差正態(tài)概率分布基本在一條直線上，預(yù)測值與實際值也基本沿直線均勻分布，進(jìn)一步驗證了回歸方程的擬合度較好。

3 多元因素響應(yīng)面分析

本研究利用Design-Expert軟件，繪制了三因素相互作用的多因素響應(yīng)面分析三維圖，如圖3所示。響應(yīng)面的高點和等值線在所選的范圍內(nèi)存在極值，即響應(yīng)面存在最高點，等值線存在最小橢圓的中心點，表明不同因素之間存在交互作用。

圖3（a）顯示，當(dāng)因素C（追問輪次）取值中心水平時，因素A與B的響應(yīng)面特點為隨著A的提升、B的水平也得到提升，表明兩者存在較強(qiáng)的交互作用。圖3（b）顯示，當(dāng)因素B（要點數(shù)）取值中心水平時，因素A與C的響應(yīng)面特點為C較密集、A較稀疏，表明C因素對B的交互作用更為明顯。圖3（c）顯示，當(dāng)因素A（字?jǐn)?shù)）取值中心水平時，因素B與C的響應(yīng)面特點為C較密集、B較稀疏，表明因素C對A的交互作用更為明顯。可見，追問輪次C對字?jǐn)?shù)A、要點數(shù)B的交互作用較為明顯，而A、B兩因素的交互作用不明顯，說明應(yīng)用AIGC工具時，A、B、C三因素作為單因素時都較為重要，而進(jìn)行因素協(xié)同時應(yīng)注意追問輪次C的加強(qiáng)，要通過不斷的測試、追問讓生成的內(nèi)容更加貼切。另外，Design-Expert還給出了最佳因素匹配方案，即當(dāng)A=500、B=8、C=2時，得分最高（Y=5.8）；當(dāng)A為500時，調(diào)整因素B在2、4、5和因素C在2、3、1的取值范圍，都能得到較高的Y值（5.66、5.60、5.40），說明在字?jǐn)?shù)一定的情況下，控制要點和追問輪次的量，能使生成內(nèi)容更符合培養(yǎng)學(xué)習(xí)者高意識能力的需求。

4 數(shù)字素養(yǎng)高意識能力指標(biāo)及其子指標(biāo)分析

如前文所述，當(dāng)字?jǐn)?shù)A為500時，控制要點數(shù)B為8、追問輪次數(shù)C為2，可以得到最高分，但這并不是最優(yōu)解——最優(yōu)解是綜合各種因素投入、產(chǎn)出比較之后得到效益、效率最高的方案。經(jīng)過實驗結(jié)果分析，最優(yōu)解是測試序號為5、6、10的方案，其指標(biāo)得分具有分析價值。

AIGC在不同數(shù)字素養(yǎng)高意識能力指標(biāo)上的得分如表5所示，可以看出：在5、6、10三輪實驗中，各指標(biāo)均值在4～5分之間變化，表明數(shù)字素養(yǎng)高意識能力指標(biāo)之間的水平差異不大，但測試參數(shù)產(chǎn)生的結(jié)果差異較大，這從側(cè)面印證了響應(yīng)面分析中不同因素之間存在交互作用的結(jié)論。在能力指標(biāo)中，數(shù)字化意識、數(shù)字技術(shù)知識與技能的評分較低，數(shù)字化應(yīng)用、數(shù)字社會責(zé)任、專業(yè)發(fā)展的評分較高，原因可能是在數(shù)字技術(shù)的應(yīng)用方法、遵守規(guī)則等方面，AIGC能提供更有啟發(fā)性的答案；而在數(shù)字技術(shù)知識、技能等方面，AIGC生成內(nèi)容的啟發(fā)性并不是很強(qiáng)。

綜上可知，限制字?jǐn)?shù)A并不直接影響評分；要點數(shù)B發(fā)揮了關(guān)鍵作用，但要點數(shù)既不能太多也不能太少，而是適中即可（取值范圍為2～8），以保證邏輯的連貫性；而就追問輪次C來說，對于同類問題多追問一次往往就能得到更加精確的答案，因此可以說AIGC生成內(nèi)容的質(zhì)量主要取決于所問問題的質(zhì)量。一般來說，實驗按照“突出主題→遵守規(guī)定→明確角色”的追問順序?qū)嵤S著追問輪次不斷疊加，問題內(nèi)容越來越具有邏輯性和連貫性。總的來說，在合理控制字?jǐn)?shù)的前提下，保持要點數(shù)適中并不斷追問，是確保AIGC給出優(yōu)質(zhì)答案的最佳路徑。

四 研究結(jié)論與實踐路向

1 研究結(jié)論

本研究聚焦發(fā)揮AIGC的教育效能，通過響應(yīng)面分析探討AIGC促進(jìn)學(xué)習(xí)者數(shù)字素養(yǎng)高意識能力的培養(yǎng)問題，所得結(jié)論主要如下：

①AIGC生成內(nèi)容的測試因素對學(xué)習(xí)者數(shù)字素養(yǎng)高意識能力具有顯著影響。本研究采用響應(yīng)面分析法，將公平性、不確定性、魯棒性作為測試指標(biāo)，將準(zhǔn)確性、高效性作為評價指標(biāo)，將字?jǐn)?shù)、要點數(shù)、追問輪次、正確率、拓展度、意識度作為實驗指標(biāo)。通過17輪實驗，本研究發(fā)現(xiàn)測試指標(biāo)在不同參數(shù)上對實驗正確率、拓展度、意識度評分均有影響；而方差分析結(jié)果進(jìn)一步驗證了字?jǐn)?shù)、要點數(shù)、追問輪次三個測試因素對綜合評價具有顯著影響，且其生成的內(nèi)容對學(xué)習(xí)者數(shù)字素養(yǎng)高意識能力具有不同程度的影響。

②三個測試因素及其因素組合之間存在響應(yīng)面上的交互作用。采用響應(yīng)面分析法，本研究對回歸方程的常數(shù)項、二次項、平方項的顯著性水平進(jìn)行了驗證，發(fā)現(xiàn)三個測試因素對因變量具有顯著影響，因素BC交互作用因子、三因素的曲面作用因子均顯著。而多因素響應(yīng)面分析結(jié)果表明，不同因素之間存在交互作用。此外，在字?jǐn)?shù)一定的情況下，要點數(shù)和追問輪次兩個因素能夠顯著影響數(shù)字素養(yǎng)高意識能力的提升程度。

③根據(jù)響應(yīng)面分析結(jié)果得到應(yīng)用AIGC發(fā)展數(shù)字素養(yǎng)高意識能力的最佳路徑。Design-Expert給出了最佳因素匹配方案，即當(dāng)A=500、B=8、C=2時，得分最高；當(dāng)A為500時，調(diào)整因素B在2、4、5和因素C在2、3、1的取值范圍，都能得到較高的Y值。本研究發(fā)現(xiàn)最高分并不是最優(yōu)解，在合理控制字?jǐn)?shù)的前提下，保持要點數(shù)適中并不斷追問，是確保AIGC給出優(yōu)質(zhì)答案的最佳路徑。

2 AIGC的實踐路向

為指導(dǎo)學(xué)習(xí)者在實踐中更有效地應(yīng)用AIGC，結(jié)合上述結(jié)論，本研究提出AIGC的實踐路向：

（1）基于擾動臨界點機(jī)制妥善應(yīng)用AIGC

AIGC技術(shù)在生成內(nèi)容的過程中依然存在局限性，特別是生成內(nèi)容的準(zhǔn)確性無法保證，這已成為阻礙用戶廣泛采用AIGC的主要障礙。為解決此問題，本研究采用擾動臨界點機(jī)制，對AIGC生成答案的方式進(jìn)行一定限制，通過對同一問題設(shè)置不同限制條件以產(chǎn)生不同結(jié)果，來找到AIGC平臺的功能極限。同時，本研究將數(shù)字化意識、數(shù)字技術(shù)知識與技能、數(shù)字化應(yīng)用、數(shù)字社會責(zé)任、專業(yè)發(fā)展作為教師數(shù)字素養(yǎng)高意識能力指標(biāo)，評估在限制條件下AIGC生成內(nèi)容對學(xué)習(xí)者的啟發(fā)性。未來，隨著AIGC技術(shù)的進(jìn)步，數(shù)據(jù)爆炸式增長將愈演愈烈。面對這一趨勢，教育研究者可以采取擾動臨界點機(jī)制開展基于AIGC的教育實踐，以發(fā)掘出更能精準(zhǔn)匹配多樣化場景需求的AIGC解決方案，推動技術(shù)在實際教學(xué)應(yīng)用中的妥善、高效與安全應(yīng)用。

（2）基于角色導(dǎo)向機(jī)制創(chuàng)新應(yīng)用AIGC

多因素響應(yīng)面分析結(jié)果表明，追問輪次的增加，尤其是引入多種角色進(jìn)行提問，能夠促使AIGC產(chǎn)出質(zhì)量更高的答案。本研究在多個追問輪次中引入角色導(dǎo)向機(jī)制，使AIGC根據(jù)學(xué)習(xí)者預(yù)設(shè)的不同角色給出不同答案，從而拓展學(xué)習(xí)者的思維，進(jìn)而培養(yǎng)其數(shù)字素養(yǎng)高意識能力。角色導(dǎo)向機(jī)制可以引導(dǎo)學(xué)習(xí)者與AIGC進(jìn)行多角色互動，并顯著提升AIGC生成內(nèi)容的個性化水平。此外，角色導(dǎo)向機(jī)制還可以引導(dǎo)學(xué)習(xí)者在教育教學(xué)實踐中設(shè)定多角色提問，以獲得更加多元、具有啟發(fā)性的內(nèi)容，這不僅為學(xué)習(xí)者提供了多角色的參考視角，而且有助于不同角色科學(xué)制定應(yīng)用策略、更好地開展教育教學(xué)實踐，最終促進(jìn)教育教學(xué)整體效能的提升。

（3）基于高意識思維鏈機(jī)制協(xié)同應(yīng)用AIGC

本研究圍繞AIGC促進(jìn)學(xué)習(xí)者數(shù)字素養(yǎng)高意識能力提升，進(jìn)一步挖掘了AIGC的高意識思維鏈機(jī)制。此機(jī)制通過組織學(xué)習(xí)者與AIGC進(jìn)行問答，使學(xué)習(xí)者從AIGC的回答中獲得啟發(fā)，并根據(jù)相應(yīng)的關(guān)鍵詞，進(jìn)一步深化其對所提問題的思考。高意識思維鏈機(jī)制可以促使學(xué)習(xí)者結(jié)合既有認(rèn)知，吸收AIGC提供的啟發(fā)性見解，不僅拓寬了學(xué)習(xí)者認(rèn)知的深度與廣度，也提升了其高階思維能力。在教育教學(xué)實踐中，學(xué)習(xí)者能夠依托高意識思維鏈機(jī)制對AIGC的生成內(nèi)容進(jìn)行深度追問，開展知識的“再生循環(huán)”，實現(xiàn)知識“從生成到再生成”的鏈?zhǔn)杰S遷。尤其是主題式、問題式、情境化生成性內(nèi)容，更有可能生成啟發(fā)性答案。因此，高意識思維鏈機(jī)制不僅為學(xué)習(xí)者的意識啟發(fā)提供了新視角，也為知識建構(gòu)、人機(jī)協(xié)同等研究注入了活力。

參考文獻(xiàn)

[1]華子荀，黃慕雄，吳鵬澤，等.數(shù)字化轉(zhuǎn)型背景下教育元宇宙數(shù)字技術(shù)進(jìn)階模型研究[J].現(xiàn)代教育技術(shù)，2023，（1）：29-39.

[2]周劉波，張夢瑤，張成豪.數(shù)字化轉(zhuǎn)型背景下教師數(shù)字素養(yǎng)培育：時代價值、現(xiàn)實困境與突破路徑[J].中國電化教育，2023，（10）：98-105.

[3]中華人民共和國教育部.中華人民共和國教育行業(yè)標(biāo)準(zhǔn)《教師數(shù)字素養(yǎng)》[OL]. lt;http：//big5.www.gov.cn/gate/big5/

www.gov.cn/zhengce/zhengceku/2023-02/21/5742422/files/284e9526cd2c4076ac2479a88e02a555.pdfgt;

[4]李藝，鐘柏昌.談“核心素養(yǎng)”[J].教育研究，2015，（9）：17-23、63.

[5]王巍，閆寒冰.實踐取向的教師數(shù)字素養(yǎng)提升路徑研究——基于國際項目的多案例研究[J].現(xiàn)代遠(yuǎn)距離教育，2023，（10）：1-12.

[6]UNESCO. Guidance for generative AI in education and research[OL].

lt;https：//gcedclearinghouse.org/sites/default/files/resources/230089eng.pdfgt;

[7]袁磊，徐濟(jì)遠(yuǎn)，蘇瑞.AIGC催生學(xué)習(xí)型社會新格局：應(yīng)然樣態(tài)、實然困境與創(chuàng)新范式[J].現(xiàn)代遠(yuǎn)距離教育，2023，（3）：12-19.

[8][27]萬力勇，杜靜，熊若欣.人機(jī)共創(chuàng)：基于AIGC的數(shù)字化教育資源開發(fā)新范式[J].現(xiàn)代遠(yuǎn)程教育研究，2023，（5）：12-21.

[9][32]曹輝，趙梓含.ChatGPT的特質(zhì)研判、教育審思與風(fēng)險應(yīng)對——基于“知識-主體-立場”的視角[J].現(xiàn)代教育管理，2023，（7）：75-84.

[10][24]Tierney R. Fairness in educational assessment[OL].

lt;https：//www.researchgate.net/publication/304999512_Fairness_in_Educational_Assessmentgt;

[11][25]Guo C， Pleiss G， Sun Y， et al. On calibration of modern neural networks[OL]. lt;https：//arxiv.org/pdf/1706.04599gt;

[12]Wang J D， Hu X X， Hou W X， et al. On the robustness of ChatGPT： An adversarial and out-of-distribution perspective[OL]. lt;https：//arxiv.org/pdf/2302.12095.pdfgt;

[13][26]Wang B X， Xu C J， Wang S H， et al. Adversarial GLUE： A multi-task benchmark for robustness evaluation of language model[OL]. lt;https：//arxiv.org/pdf/2111.02840gt;

[14][28]Xie T Y， Li Q， Zhang J， et al. Empirical study of zero-shot NER with ChatGPT[OL].

lt;https：//arxiv.org/pdf/2310.10035.pdfgt;

[15]吳鵬澤，黃嘉歆，華子荀.基于價值共創(chuàng)理論的在線教育價值投入-產(chǎn)出度分析[J].現(xiàn)代教育技術(shù)，2023，（10）：74-85.

[16][29]駱飛，馬雨璇.人工智能生成內(nèi)容對學(xué)術(shù)生態(tài)的影響與應(yīng)對——基于ChatGPT的討論與分析[J].現(xiàn)代教育技術(shù)，2023，（6）：15-25.

[17][31]（美）威廉·派納，屠莉婭，陶陽.意識與課程能力：虛擬的還是具身的經(jīng)驗[J].教育發(fā)展研究，2015，（8）：21-27.

[18][33]祝智庭，戴嶺，胡姣.AIGC技術(shù)賦能高等教育數(shù)字化轉(zhuǎn)型的新思路[J].中國高教研究，2023，（6）：12-19、34.

[19]賀樑，應(yīng)振宇，王英英，等.教育中的ChatGPT：教學(xué)能力診斷研究[J].華東師范大學(xué)學(xué)報（教育科學(xué)版），2023，（7）：162-176.

[20]Mochammad A， Bertha M， Budhi S. Response surface methodology using observational data： A systematic literature review[J]. Applied Sciences， 2022，（20）：1-23.

[21]龐紅霞，崔婧，范桂強(qiáng)，等.黃精皂苷提取條件的Design-Expert優(yōu)化及其降血糖效果初步研究[J].中國藥師，2018，（9）：1531-1534、1546.

[22]田鋮.基于響應(yīng)面法的結(jié)構(gòu)優(yōu)化設(shè)計研究[D].上海：上海海洋大學(xué)，2016：5-6.

[23]Kamarudin N， Sharma S， Gupta A， et al. Statistical investigation of extraction parameters of keratin from chicken feather using design-expert[J]. 3 Biotech， 2017，（2）：1-9.

[30]楊欣.基于生成式人工智能的教育轉(zhuǎn)型圖景——ChatGPT究竟對教育意味著什么[J].中國電化教育，2023，（5）：1-8、14.

[34]王麗，李艷，陳新亞，等.ChatGPT支持的學(xué)生論證內(nèi)容評價與反饋——基于兩種提問設(shè)計的實證比較[J].現(xiàn)代遠(yuǎn)程教育研究，2023，（4）：83-91.

How to Exert the Educational Effectiveness of AIGC？

——The Cultivation of High-awareness Ability of Digital Literacy Based on the Response Surface Methodology

HUA Zi-Xun¹""" WANG Wei^{2，3[Corresponding Author]}""" WU Kai-Hua⁴""" GAO Rui-Xiang⁵""" FU Dao-Ming³

（1. Teachers’ Teaching Development Center， Guangdong University of Education， Guangzhou， Guangdong， China

510303; 2. Research Institute of Educational Digitization， Guangdong University of Education， Guangzhou， Guangdong，

China 510303; 3. Teachers’ Education College， Guangdong University of Education， Guangzhou， Guangdong， China 510303; 4. General Office of Academic Affairs， Guangdong University of Education， Guangzhou， Guangdong， China 510303; 5.School of Psychology， South China Normal University， Guangzhou， Guangdong， China 510631）

Abstract： Digital literacy is an important part of teachers’ professional competence under the context of education digital transformation， and digital technology enables teachers with high-awareness ability of digital literacy competence cultivation as a key step in literacy development. Based on this， the paper took fairness， uncertainty and robustness as testing indicators， and regarded accuracy and efficiency as evaluation indexes， used word count， number of points， questioning rounds， accuracy rate， expansion degree and awareness as experimental indicators， and adopted the response surface methodology （RSM） to conduct the experiment of “AIGC quiz for the cultivation of high-awareness ability of digital literacy”. The experimental results showed that the testing factors of AIGC generated content （word count， number of points， questioning rounds） had a significant effect on learners’ high-awareness ability of digital literacy， and there was a response surface interaction between the three test factors and their combinations. Under the premise of rationally controlling the word count， keeping the number of points in the moderate amount and continuously asking were the best way to ensure that the AIGC gave high-quality answers. According to this research conclusion， the practical approach to AIGC was proposed based on the mechanism of perturbation critical point mechanism， role-oriented mechanism， and high-awareness thinking chain mechanism. This paper used AIGC to study learners’ high-awareness ability of digital literacy， revealed the educational effectiveness of AIGC in cultivating learners’ high-awareness ability of digital literacy， which can be used as reference for research related to the application of AIGC in educational practice.

Keywords： digital literacy; high-awareness ability; artificial intelligence generated content; response surface methodology

*基金項目：本文為廣東省教育科學(xué)規(guī)劃課題“立足應(yīng)用型師范大學(xué)培養(yǎng)‘雙師雙能’型教師的因素、模型與路徑研究”（項目編號：2024GXJK639）的階段性研究成果。

作者簡介：華子荀，副教授，博士，研究方向為教育數(shù)字化、教育元宇宙、跨學(xué)科教育，郵箱為h252408933@live.cn。

收稿日期：2024年2月22日

編輯：小方