以生成式人工智能重塑智慧學習環境：從要素改進到生態重構

[摘" "要] 智慧學習環境作為教育數字化轉型的重要支撐，在建設過程中涌現出數據孤島、模型局限、資源定型、工具繁雜、服務僵硬、場景割裂等問題。生成式人工智能作為人工智能技術發展的新形態，給智慧學習環境的升級與變革帶了新的機遇。研究以生成式人工智能為動力引擎升級了三層六要素的智慧學習環境理論模型，認為智慧學習環境中的數據要素由低質化轉向高效化、模型要素由判別式轉向生成式、資源要素由表象化轉向語義化、工具要素由分布式轉向集成化、服務要素由預定義轉向自適應、場景要素由邊緣化轉向中心化。在此基礎上，研究進一步明晰了生成式人工智能可通過重構人才培養理念、知識與課程觀、教學模式與學習方式、教育評價體系及教育治理模式變革智慧學習環境生態。研究深入剖析了智慧學習環境的內部要素改進與外部生態重構，為塑造智慧學習環境新形態提供理論研究支撐與實踐探索方向。

[關鍵詞] 智慧學習環境； 生成式人工智能； 要素改進； 生態重構； 理論模型

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 武法提（1971—），男，山東鄆城人。教授，博士，主要從事智能學習系統與智慧學習環境設計研究。E-mail：wft@bnu.edu.cn。

一、引" "言

黨的二十大對推進教育數字化作出專門戰略部署，明確提出：“推進教育數字化，建設全民終身學習的學習型社會、學習型大國。”[1]智慧學習環境是夯實數字化轉型的重要保障，也是推動智慧教育高質量發展的重要引擎[2]，探索泛在、靈活、智能的智慧學習環境建設方案與應用模式已成為我國當前教育新發展和改革的重要舉措[3]。但是，當前智慧學習環境在建設過程中涌現出數據孤島、模型局限、資源定型、工具繁雜、服務僵硬、場景割裂等問題，阻礙了其生態化建設與整體效用發揮。作為人工智能發展的新階段，以大語言模型為代表的生成式人工智能（Generative Artificial Intelligence ， GAI）為教育領域的創新發展和變革升級帶來了新的視角，在大數據、高算力和強算法的加持下，具有強大的生成能力、遷移能力與交互能力的GAI有望成為技術驅動的智慧學習環境智能化升級的關鍵動力。因此，本研究著重探討生成式人工智能如何重塑智慧學習環境，提出了融合GAI的智慧學習環境理論模型，深入探究GAI如何實現模型中各要素的改進與升級以及如何實現智慧學習環境生態的系統性變革，以期破解當前環境的建設與應用難題，推動智慧學習環境邁向高質量發展的新階段。

二、生成式人工智能改進智慧學習環境要素

學習環境的建設是實現學與教方式變革的基礎[4]，以數據驅動、個性化、情境化為主要特征的智慧教育[5]需要生態化智慧學習環境作為支撐。智慧學習環境是指融合物理、信息、社會和心理四空間，基于場景、數據、模型、資源、工具、服務六要素，自適應提供個性化學習支持的體系環境[6]，即能夠感知學習情境、識別學習者特征、提供適切資源和工具以促進有效學習的發生[7]。為了深入探究新一代智能技術對學習環境的升級與改變，本研究立足于武法提等人[6]的研究成果，構建了融合GAI的智慧學習環境理論框架，如圖 1所示。在該框架中，數據模型層為資源工具層提供源動力，并為服務場景層提供底層支持，資源工具層以交互支持的形式為特定教育場景的需求提供服務，三個層級持續優化，形成閉環。相較原模型，本模型一方面融合了動力引擎GAI，另一方面認為“服務”要素由“資源工具強綁定”轉向“場景強綁定”，體現出“場景驅動服務”的頂層設計思想。結合在一線的實踐考察，本研究將重點闡釋GAI改進并升級智慧學習環境六要素的具體方式，并給出智慧學習環境建設與應用的實踐路徑。

（一）數據模型層

1. 數據要素由低質化轉向高效化

數據是智慧學習環境的基石，是發現問題、解決問題的主要推動力。然而在智慧學習環境的建設中，建設時期、使用設備、技術發展階段和開發部門的差異[8]導致“數據煙囪”“數據孤島”等現象突出，影響了數據的全面性，也增加了學校教學教研的負擔。同時，中小學數字化教育平臺重結果性數據、輕過程性數據，例如，課堂中很多過程性評價數據無法實時獲得，只能在課后給予總結性評價，忽略了評價的細節性和完整性，無法洞察真實教育過程。此外，數據準備工作耗時較長，造成工作量的激增和工作流程的拉長[9]，阻礙了數據的高效利用。

而生成式大模型賦予數據以新的生命力，大大提高了數據的收集、處理和加工能力[10]，充分激活了數據要素價值。在數據采集上，GAI已具備成熟的數據接口識別和調用能力，能全面地獲取網絡數據及信息系統內部數據，從而形成全息數據，有望解決“數據孤島”問題。GAI能以自然語言交互的形式支持教學過程性的多元數據采集，例如，ChatExcel等智能工具可通過對話實現表格數據記錄，極大降低了過程性數據的采集門檻。在數據加工與處理上，GAI采用人類反饋的強化學習（Reinforcement Learning from Human Feedback， RLHF）強化數據判別能力，通過過濾清洗、校驗、仿真、交叉印證等方式進行數據清洗和真偽識別。更重要的是，GAI可以實現不同結構和模態數據的關聯、映射與融合，進而挖掘多模態數據間的深層關系，發現更加全面而準確的知識，提高數據加工效率與質量[11]。例如，在基于面部圖像的學業情緒識別模型中，圖像標注工作耗時耗力且質量無法保證，視覺大模型Segment Anything [12]能夠自動識別和分割圖像中的目標對象，在圖像數據加工方面體現出超強的零樣本泛化能力，大大提高了標注的速度與準確性，“All in One（一體化）”的思想極大提升了數據添附價值。GAI時代數據的原生固有價值與添附價值被放大，支持著智慧學習環境向著更加精準智慧的方向迭代升級。

在實踐層面中，數據要素需經過數據采集、數據預處理、模態對齊與融合三步：即利用GAI全方位收集平臺數據或深層次記錄過程性數據；利用其強大的數據處理能力對各種臟數據進行清洗、集成、變換；利用其跨模態能力實現多模態數據的表征、對齊與融合。GAI助力全過程以形成高質量數據集合，便于后續模型的理解、推理及決策。

2. 模型要素由判別式轉向生成式

判別式人工智能大多是通過學習數據的條件概率分布實現判斷與預測，參數有限、人工標注的判別式模型主要用于具象化的任務場景及特定任務，具有預定義的規則和程序[13]，其性能嚴格依賴于數據規模與質量。在一線教育實踐應用中，判別式模型的泛化能力較差，如部分智能問答模型的訓練樣本來自于小學階段，其應用于小學階段時表現優異，但在中學階段則經常出現答非所問或回答錯誤的現象。另外，教育模型在模態耦合和特征融合層面能力十分受限，面對教育數據異源異構的高復雜性，難以滿足模型決策的科學性和有效性。

GAI主要通過學習數據中的聯合概率分布并歸納總結，從而生成新的內容[14]。區別于判別式模型只能在限定場景內、充分條件下解決特定問題，生成式人工智能模型則能夠在非限定場景、非充分條件下解決非特定問題[15]。在模型任務上，結構復雜、參數眾多的生成式模型對于數據的容納與壓縮能力更強，其基礎結構Transformer具備高效的計算能力與可擴展性的結構。因此生成式模型的理解、表達與學習能力有顯著提高，對于復雜任務的處理更加具有通用性與泛化性[16]。在模型訓練上，RLHF機制利用人類反饋來訓練“獎勵模型”并通過強化學習使得模型能更好地捕獲復雜的人類偏好和理解，引導模型生成符合上下文語境的內容。因此生成式模型在生成結果的同時兼具生成過程與解釋，相較于判別式模型更加接近智能化水平[17]。在模型模態上，“量變引起質變”造就了大模型的“涌現能力”，其能夠從原始訓練數據中自動學習并發現新的、更高層次的特征和模式。因此，大模型的跨模態能力在整合多源異構數據、深刻理解和挖掘語義教育信息與價值有著獨特優勢，實現教育過程更加準確的分析、評估和個性化的支持[18]。例如，AI心理伙伴“小星”[19]學習了近10億條心理類數據，40萬余篇期刊文獻、550萬余個心理評估數據，能夠綜合視頻、語音語調、文字等多種模態信息診斷情緒狀態，分析成因并給予心理建議。可見，模型之變作為智慧學習環境中的根本之變，為智慧學習環境的升級帶來了突破性機遇。

在實踐層面，由于通用大模型存在“幻覺”現象[20]，生成的內容可能會出現邏輯謬誤、捏造事實等問題，因此在通用大模型基礎上構建教育專有大模型是GAI賦能教育應用的必然趨勢。參數微調策略已成為優化模型垂直領域、特定任務適配性的重要手段[21]。遵循大模型中“預訓練+微調”的訓練策略，在通用預訓練大模型的基礎上注入教育領域的專家知識庫和教育素材數據以構建教育領域專有大模型，數據層中學習者的學習數據以及資源層的教育數字資源等都可以作為大模型微調階段的數據來源。另外，當前大模型存在成本高、計算量大等問題，成本低廉、參數量小、更加靈活的“小模型”為大模型在教育應用中“打通最后一公里”具有不可估量的潛在價值與意義。因此，大小模型緊密耦合協同工作的“組合式AI模型”才是GAI時代的模型樣態，即采取應用驅動、共建共享的方式，通過開放數據接口源源不斷地獲得常態化教育應用中的數據，實現“大模型”和“小模型”“大數據”和“小數據”的有機結合[22]。具有代表性的大、小模型協同模型ModelScope GPT可以通過“中樞大模型”通義千問調用其他AI小模型以完成復雜任務，各種小模型執行命令并返回任務結果，大模型控制整個任務規劃過程并綜合小模型結果以生成最終解決方案。

（二）資源工具層

1. 資源要素由表象化轉向語義化

傳統的資源具有“表象化”的特征，即資源建設通常是提前設計、固定形態的，以標簽化形式進行組織，以資源池和資源平臺的形式呈現給主體，主體通過檢索匹配的機制獲取資源。當前我國數字教育資源發展的突出問題是資源供求失衡以及整體應用水平不高[23]，在建設與應用中強調資源覆蓋的廣度與數量，但甚少關注資源如何貼近教育過程、如何更好地發揮資源在應用端的作用[24]。在學校中，大多平臺提供的資源不支持再編輯，也不提供二次開發接口，導致教師在使用資源時只能依照提供者的邏輯設計，難以落實個人教學設計思想，降低了資源應用的適切性。

GAI中向量嵌入表示讓資源超越經典的指稱論語義學走向深度學習的自然語言處理遵循的分布式語義學[25]。語義化是指深入分析資源語義內容，實現細粒度知識對象的組織和揭示，使得資源在生成、組織、整合、挖掘和分析上的效率和質量都得以提升，是實現教育資源“好用”“易用”和“有用”的基礎，也是即想即得、按需生成的重要保障。在資源生成中，GAI基于高級語義理解能力以“人機共創”[26]的形式實現教育資源的動態生成與適應性重構，以優于人類的信息生成能力和知識水平突破資源生成類型與效率限制，以低邊際成本使得資源開發走向自動化和智能化。在資源組織中，GAI能夠自動識別資源內容，標識資源的標簽、摘要、綜述等，從而實現基于內容屬性的分類分級組織與存儲，節省人力投入，加速資源組織朝著更加專業化、垂直化的方向發展。在資源集成上，GAI已具備同時理解多種模態資源內容的能力，能夠根據其內部特征將其聯系起來，以實現內容集成和資源整合，滿足學習者更高質量、強個性化的資源需求。以藝術教育為例，GAI將數字藝術、音樂、影像等多種媒體元素有機結合，打破傳統媒體之間的壁壘限制，為藝術學習者提供了開放獨特的創作靈感及快速實驗迭代的機會[27]。具有生成性、自適應性、可進化性與開發性的資源才能更好滿足學習者的資源選擇需求[28]。

在實踐層面中，基于價值鏈理論中提出的數字教育資源供給的六個階段[29]，并結合GAI的升級影響，本研究認為可通過需求收集、分析評估、資源生成、語義對齊、組織優化、資源審核、分發應用和反饋優化等八個階段實現資源的生成和供給。首先確定教育主體所需資源的形式、內容、結構、體量等基本信息，分析確定資源建設的內容邏輯、價值取向以及資源建設中的人機分工；將資源需求轉化為Prompt以人機互動的方式生成跨模態資源，不斷迭代直至滿足主體需求，并將不同模態的資源進行內容對齊；按照資源的內容邏輯性以及價值取向進行組織優化，并進行偽劣內容剔除、質量優化、信息安全等校對審核工作；分發應用階段除了精準匹配學習者資源需求，也涵蓋相關優質內容發掘、內容孵化、內容召回、數據監測等與學習者發生連接的環節[30]，在反饋階段數據回流中形成需求驅動資源建設與應用的閉合回路。

2. 工具要素由分布式轉向集成化

智慧學習環境中的工具是指各種軟硬件的終端設備與系統平臺。目前人與工具的矛盾是日益增長的對教育工具的自然需要同供給方的教育理論水平與教育工具水平低下所導致的技術支持過剩或濫用工具之間的矛盾[31]。簡而言之，工具的智能化水平不高、應用設計差強人意、功能碎片化不互通等問題導致了工具“不好用、不能用”，教師不愛用。學校配備的各類平臺與工具繁雜，未實現智能工具的一體化集成，導致教師需要頻繁調用或切換不同工具，違背了教育工具的簡約性原則，增加了教師負擔[32]。

而智能通用的GAI使其成為一種全新的勞動技能工具，可大幅降低技能的使用門檻與操作難度，在概念上推動了勞動技能從部分對象化向整體對象化的轉變[33]。在工具通用性層面，單入口、多功能的GAI是多種教育技術工具中的“集大成者”，能夠為多場景、多目標的應用需求提供一站式解決方案。其強大的跨模態能力更是打破了工具之間的壁壘，規避了工具功能碎片化的弊病。在工具整合性層面，GAI工具通常采用模塊化設計，能夠輕松靈活嵌入現有應用工具中并與之整合，極大豐富了其業務功能并拓展了應用范圍與邊界，有力彌補了現有工具的“智能缺陷”。GAI創新了現有工具的應用模式與場景，為任務流程自動化和智能決策支持提供重要動力。在工具簡單性層面，個體無需具備深厚的技術背景或專業知識，以自然語言的交互方式便可解決問題，生成結果以簡潔可視化的方式呈現；另外，GAI工具易于配置與部署，跨平臺能力強且兼容性高。工具簡單性增強了工具的可用性與易用性，例如，文心一言可以為教師備課、教研、教學、教管等多方面提供多樣化的內容生成與創作服務，并能夠根據學習者知識掌握情況、學習習慣、學習興趣等個性化特征為其提供更具針對性的智慧學伴服務。可見，GAI工具在破除工具痼疾上有著無可估量的潛力，作為多工具協調和統一的堅實載體，有望真正實現智慧學習環境的嬗變。

在實踐層面中，工具要素的建設有兩條路徑。一方面，技術本身具備工具屬性，有語義理解、嵌入模型、向量索引與提示增強四個過程：在構建教育專用大模型的基礎之上，經檢索、增強與生成以完成人類價值的嵌入，將學習者需求轉化為問題向量，并在向量數據庫檢索相關文本片段，結合對應的提示詞模板與歷史會話，合并輸入大模型以返回相應結果。例如，ChatModeler[34]可以在提示詞工程的設計下扮演需求收集師、建模師和檢測員的角色，以人機協作迭代的形式完成對學習者需求的獲取與建模。另一方面，GAI也可以鏈接或嵌入外部工具以擴充功能邊界，有任務規劃、任務分配、任務響應與任務生成四個階段：經意圖識別與Prompt分解后，根據分解的指令任務尋找對應的外部工具，并調用工具執行生成結果，從而匯總結果并返回。例如：Wolfram插件連接了ChatGPT的自然語言能力和Wolfram強大的計算引擎，彌補了ChatGPT在復雜數學運算與推理、實時數據獲取、數據分析與可視化呈現等缺陷；LangChain[35]中的智能代理Agents能夠根據指令調用合適的工具，補足模型的計算、推理和檢索等能力短板，并可基于該框架開發各種下游應用工具。

（三）服務場景層

1. 服務要素由預定義轉向自適應

智慧學習環境中的服務是指通過業務服務的形式為教育主體呈現出資源和工具的應用功能，并進行有效集成、統一維護和管理。先前智慧學習環境提供的服務與資源和工具深度耦合，服務功能局限于已創設好的內在配置和交互機制，預定義的邏輯規則、模型算法、資源工具等阻礙著環境中教育服務的自主優化，使其失去了生長性和螺旋升級的能力。以個性化作業推送服務為例，目前作業推送往往依循“舉一反三”的邏輯，即當學習者在某一問題答錯之后，系統會推送更多相同類型或知識點的題目，這是因為該服務嚴格依賴預先定義的算法規則與習題資源，并未深入挖掘實際錯因，導致治絲益棼，因此其看似“個性化”，本質依然是傳統“題海戰術”的電子化，只會導致錯題越多的學習者獲得的練習量更大，加劇學習壓力，無法高效彌補薄弱環節。

GAI時代智慧學習環境的服務則與場景緊密綁定，通過便捷的自然語言交互動態感知主體需求，為其實現多維度、多層次、多模態、多任務的個性化教育服務。在服務的交互具身性上，GAI調動了人類多感官的沉浸體驗，覆蓋了人類聽說讀寫等核心溝通方式[36]，延伸了人體的感官功能。經過多場景的結合及與人類的密切交互，GAI從“它異關系”的技術逐漸轉化為“具身關系”的技術[37]，具有情感依賴的人機交互將實現人工智能與人類智能的緊密耦合。在服務的動態生長性上，GAI時代的服務不僅涉及指令的傳遞與反饋的獲得，而且涵蓋了共同思考、決策和學習的過程[38]。交互是一種包含反饋的循環過程，GAI的即時性服務加速了反饋循環機制，其強大的語義理解和自我學習能力使得服務具有動態性和生長性。在服務的定制個性化上，GAI服務模式由搜索引擎的關聯列舉轉向“千人千面”的私人定制，針對教育主體的個人特征、興趣愛好提供適應性、伴隨式和精準化的服務。“自下而上”的服務供給模式賦予教育主體們更多的自主權與創造力，“雙向去中心化”的內容服務方式可以讓教育主體主動選擇內容服務并參與內容創作與甄選，擴大了自由表達的邊界。例如，大語言模型支持的教育平臺可根據學習者的知識點掌握情況、學習偏好、答題速度等生成個性化的學習內容與路徑，并進行適時調整，時刻提供最精準的智能輔導及最適切的學習資源。適需服務才是真正智慧學習環境的本質特征之一，因此在GAI的“大應用時代”，服務的升級意味著與場景的聯系更加緊密，這也是智慧學習環境中人機動態進化，走向真正具身智能的必經之路。

在實踐層面中，服務經錨定、編排、校準、生成后，以被動響應、動態交互和主動問詢三種形式支持各類場景：服務錨定是指“組合式AI”根據學習者需求進行感知、分析和決策后確定支持的資源與工具；服務編排是指基于學習者的個性化建模，深入分析資源的語義特征、上下文特征與結構特征進行服務的動態編排；服務校準是指引入人的智慧進行服務校準，構建人機協同的教育服務自適應組織體系；服務生成是指通過三種不同的交互形態優化智慧學習環境中的學習者體驗。同時，教育主體基于自然語言交互能夠對智慧學習環境中的服務進行評價、反饋、迭代，以提高服務的可用性及易用性[39]。智慧學習環境中服務的價值在于有機整合多元資源和工具，構建系統化的學習者需求解決方案，以提升智慧學習環境的服務供給水平。

2. 場景要素由邊緣化轉向中心化

場景作為人物、時間、空間、事件、背景等因素構成的統一體，是以“人”為中心、以人的需求為導向、以事件為表現形式的行為序列總和[40]。但先前智慧學習環境的設計與建設以技術工具為中心，旨在利用數字技術提升信息傳遞和跨組織共享效率，優化人的決策方案，采取化約邏輯將各種能夠用技術工具代替的教育組織、結構、環節剝離出來予以替代，而將場景置于邊緣化的地位，帶來了“技術至上”“技術主導”的工具應用迷思。這是因為化約邏輯忽略了學習環境系統的整體性與復雜性，各種教育邏輯和情理無法簡單粗暴地通過數字技術進行過濾和精簡，無法直接為智慧學習環境提供應用參考。例如，口語練習軟件通過提供學習資源、練習模式與評估功能輔助學習者自學、測試與評估，但其設計剝離了語言學習的完整場景生態，未體現“場景化服務”的理念，導致模式設定死板、互動性不足、實用性不足，嚴重影響了學習體驗的沉浸化與個性化。

在GAI支持的智慧學習環境中，場景的含義不僅僅是技術工具應用的普通場域，而是各要素發揮聯動作用的重要載體與中心。具有交互迭代性和拓展靈活性的GAI可實現場景的動態性、延伸性與無縫切換，而場景也支持著技術應用真正發揮出以人為本的價值，真正創設一個充分開放、包容且個性化的學習環境。例如，場景驅動的教育垂類大模型“子曰”為口語訓練、作文批改等六大場景定制模型；虛擬人口語教練Hi Echo針對學習者缺乏英語語境、“啞巴英語”等痛點，提供可與真人教師媲美的，具有實時互動性、沉浸體驗感、個性定制化等優勢的服務。可見，“GAI+場景”的數字化內容生產方式提供了智慧學習環境設計與建設的新思路。

在實踐層面中，學習者需求是基于場景產生的，場景層的核心在于整合各種資源、工具與服務以解決學習者的核心需求，涉及技術端與需求端適配的過程[41]。智慧學習環境中典型應用場景包括精準教、個性學、智能管、綜合評、動態測、高效研和優質服務等。例如：面向數學領域的垂類大模型MathGPT實現了千人千面的AI教學和答疑輔導，讓學習者“個性學”成為廣泛的可能；立足于課堂教學場景的希沃教學大模型貫穿課前的教學設計與教師研課、課中的教學實施與課后的學情評價，形成基于場景的大模型應用閉環。

三、生成式人工智能重構智慧學習環境生態

GAI不僅為智慧學習環境中各要素的升級提供新鮮動力，更進一步地對人才培養理念、知識與課程觀、教學模式與學習方式、教學評價體系和教育治理模式等核心方面進行著系統化轉變與重構，深刻影響著智慧學習環境中教育生態的重塑。

（一）人才培養理念的重構

人才是創新的根基，是生產力中最積極、最活躍的要素。當前我國人才呈現出“均值高，方差低”的特點，拔尖創新型人才較少，難以滿足我國未來高水平社會發展中新質生產力的需要。新質生產力需要新質人才作為重要支撐與動力源泉，新質人才是指具備適應科技發展的技術思維、跨界融合知識與技能的復合思維、突破認知邊界的創想和實踐思維的新型高素質人才[42]。新質人才重點在“新”，核心在“質”，綜合來看，新質人才應具備高意識的學習成長能力、高敏銳的創新實踐能力以及高適應的人機協同能力。高意識的學習成長能力是指對知識的獲取、篩選、整合、評估等能力，新質人才能夠通過與GAI等智能技術的交互快速獲取豐富的信息與知識，在分析、比較和評估后將有價值的內容納入、整合到自身發展體系。高敏銳的創新實踐能力是指創新性、批判性、問題解決等高階思維與能力，新質人才能夠熟練利用AI技術精準分析問題，有機整合GAI提供的新素材、新視角、新創意，尋找有效的問題解決方案，并能在GAI提供的快速迭代反饋機制以及低風險的創新環境中積極探索與大膽嘗試。高適應的人機協同能力是指人機價值定位、職能分工和流程協同能力，新質人才能夠以人機協同為基線思維充分發揮人類智慧和機器智能的優勢，正確定位人類和機器的角色和職責，合理分配人機任務，并不斷改進與優化人機協同的策略與流程。

（二）知識與課程觀的重構

信息爆炸和知識過載的今天，智能技術，尤其是GAI，徹底改變了知識生產周期以及知識生產方式，對知識生產及知識獲取都帶來了深刻影響[43]，推動著知識生態的遽變。首先，知識生產主體由單一人類主體轉變為人機共同體。知識的產生通常需要人類的感知、思考、推理、創新以及對現實世界的深入理解和體驗，然而GAI的強大數據處理能力、信息整合組織能力和內容生成能力加速了人類認知和決策的“外包”過程，使得人類大腦對于知識生產的主體性部分讓渡于機器，形成人機共同體高效進行知識生產的局面。其次，知識本質特征由權威真理轉變為個體經驗。GAI以人機交互的形式推動著人們個體經驗構建和知識內化，知識不再是普遍客觀的絕對權威事實與真理本身，而是以個體化、情境化、實用性為特點的個體經驗，其根植于社會情境之中，有著其適用的特定時空場域或條件[44]。“知識概念從最初‘確證的真信念’‘人類認識的成果結晶’轉變為‘組織化了的系統經驗’‘行動的工具’。”[45]第三，知識形態結構由靜態分割轉變為動態整合。傳統知識往往被分割在界限分明的不同學科領域中，知識呈現出相對獨立靜態的狀態，一定程度上為問題的解決與創新帶來阻礙與桎梏。GAI能夠打破知識形態的學科界限，融合并關聯不同類型、來源、領域的知識以滿足問題解決的需要。最后，知識價值評價由知識認知轉變為知識運用[46]。人是衡量知識價值的尺度[47]，知識發展的無限性、知識生產主體的去中心化意味著“知識怎么用”才是核心價值所在。GAI提供了海量的知識儲量與多樣化的知識形態，知識經過學習主體分辨、反思、加工和重組，在滿足其學習需求和問題解決后才可凸顯其真正價值。知識運用的實踐價值指向既是實現學習者“適應性能力”發展[48]的重要保障，也呼應了智能時代對于創新人才培養的現實需求。

GAI同樣推動著智慧學習環境中課程生態的變革。一方面，課程形態由數字化課程轉向智慧課程。數字化課程在發展的過程中“技術愈發清晰，理念越發模糊”，根本原因是“人”的主體性因素被忽略[49]以及技術缺陷[50]，導致數字化的是技術而不是完整意義上的課程[51]。GAI等先進技術的深度融入能夠有效支撐課程由數字化邁向智慧化，實現課程資源的自動化生產和改造，通過可互動、可探究、可生成的課程內容引導師生共同建構課程意義；智慧課程中的沉浸體驗式學習促進學習者更深入地達成學習目標，個性化課程方案也可支持學習者自我驅動和自我探究完成主動學習。另一方面，課程內容由學科分立轉變為學科融通。跨學科課程是發展學生實踐創新能力的重要載體，但在實踐層面卻面臨著教師跨學科知識儲備不足、教學設計不當、數字資源匱乏、教學過程僵硬以及課程評價空心化等諸多困境[52]。GAI能夠關聯整合多學科知識、生成豐富的案例素材支持跨學科課程教學設計，以角色模擬輔助教學、人機互動協作學習等方式支持跨學科課程教學實踐，制定評價指標、自動化分析評價作品、提供教學反饋與意見以支持跨學科課程評估。GAI對解決跨學科課程與教師時間、精力和能力不匹配等現實矛盾有著巨大潛力，為多學科融通課程體系的建立提供了新的視角和方法。

（三）教學模式與學習方式的重構

智慧學習環境下的教學模式由教師主導轉向師機協同。教師和機器各有優勢和不足，人的“缺陷存在”與機的“代具補償”構建起人機協同關系，教師與人工智能“共教共學”是深化教育變革、提升教育質量效率的必然途徑。基于RLHF機制的GAI強化了“機器”面對復雜教育情境的判斷與決策能力，能夠大大提升人工智能在課程準備、課堂助教、教學評估等教學場景中的應用適應性，并降低教師的技術勝任難度，從而積極影響在教學中整合技術的持續行為[53]。教師可以充分利用GAI為教學中機械性、重復性或程序化的工作減負增效，從而將時間與精力放在學習者價值觀引導、思維提升、情感交流與意志品質培養等技術無法替代的工作上。因此，人機協同教學實踐的核心是需要明確人和機可以完成或執行哪些角色和任務[54]，從而實現人機能力的相互補位。但無論在何種場景中，人工智能都應只是促進人發展的增值手段，人類自身才是自主自決的核心主體。考慮到GAI所生成的內容易出現錯誤或不合理，教師在設計教學活動時應有意識地加入促進學生辨別反思和深度探索的活動，而不是全盤接受或忽視[55]。

智慧學習環境下的學習方式由固定預設轉向生成探究。傳統學習方式遵循著“行為—認知主義”的學習理念，學習內容、學習步驟等都來自教師的選擇與安排。預設式的學習方式忽視了學習者個體差異，壓抑了其學習動機和思維參與，偏離了育人為本的理念。GAI促進了生成探究式學習的廣泛應用，即引導學習者從個體需求出發，通過生機、生師、生生等主體之間的互動對話與合作交流解決問題并積累經驗，從而更好地發展自主探究能力與創新思維。在此過程中，GAI通過強大的環境理解能力實時生成出色的內容與人性化的反饋，并基于學習者的學習特點提供兼具互動性、情境性、動態化和生成性的學習條件以支持學習者的知識和經驗建構。學習者個體經過“選擇—組織—整合”三階段去主動探索高質量和創新性的問題解決方案，完成自我驅動的生成式學習[56]。以人機對話為特點的生成探究式學習更加強調教育主體的自我導向與自我調節，學習者被賦予更多的主動權和選擇權，充分體現了智能時代中學習的動態性與體驗的個性化，這種主動的、建構的、真實的、協作的、反思的和聯通的學習過程將導向深度學習的發生。

（四）教育評價體系的重構

首先，評價理念由知識本位轉向核心素養。GAI強大的內容整合與生成能力加速了知識的獲取和傳授，提高了內容加工的自動化程度和防偽難度，降低了低階內容作為核心學習結果的必要價值[57]。教師對于學業誠信問題的擔憂恰好反映了當前知識本位的評價體系亟待轉變。思維方式的多元性決定人類智慧的多樣性[58]，核心素養的評價理念指向培養和創造更多樣的思維，以適應終身學習和社會發展需要。

其次，評價主體由教師主導轉向三元協同。教師權威身份使得學生淪為評價的被動接受者，學生自身的評價主體價值得不到發揮，且教師評價的理念、方法、決策等素養亟待提升[59]。人機交互中學生可提升自我反思與自我調節能力，教師也可優化評價方案、豐富評價方法、加強結果解釋，即師、生、機三元主體的協同評價能夠培養主體整合、比較、分析“他人”評價意見的能力，形成更全面的評價信息[60]。

再次，評價方式由學評分離轉向學評融合。學評分離導致學習反饋滯后和缺乏過程性指導，且大多數教師不具備將評價用于學習和作為學習的技能[57]。GAI的即時反饋機制使得“學習即評價、評價即學習”成為現實，實現學習與評價的有機融合，鼓勵學習者隨時審查反思并結合評價結果加以驗證、調整和優化[61]，從而提高自主學習能力與元認知能力[62]。

最后，評價內容由封閉知識轉為開放問題。GAI能夠回答的陳述性知識不應是評價重點，真正有效的評價內容應具備高階性、開放性與情境性，并注重考察學生的高階能力與核心素養[63]。GAI通過動態模擬或構建適切且真實的開放問題場景，在人機交互中分析學習者的思考蹤跡和問題解決過程與結果，實現學習者批判性思維、問題解決等核心素養的評價。GAI使得人工智能應用從過去的封閉性、任務性場景擴展到開放式、互動式、創造性的場景中[64]，評價內容表現為以傳統試卷為主的結果評價變成情境化、問題式的綜合性評價[65]。

（五）教育治理模式的重構

智慧學習環境中的教育治理模式由分散疏離轉向互聯互通。縱向來看，教育管理層級關系逐漸扁平化：GAI強大的信息檢索與收集能力使其具有打破不同教育管理層級間的信息壁壘、突破信息收集的視野局限的可能性，即不再需要復雜的管理層級逐級傳遞指令，管理服務從各自為政走向集成化[66]。橫向來看，教育管理網絡關系延展化：一方面，GAI的語言理解與處理能力能夠促進內部協調溝通，數據聯結能力打破數據共享圍墻，能有效解決部門間的“數據孤島”問題；另一方面，GAI可以將優質資源整合和分類，促進不同學校、不同地區之間的教育資源共享和交流，優化資源配置網絡結構。

四、結 束 語

GAI是助力智慧學習環境要素升級和生態重構的關鍵性力量，擘畫智慧學習環境從理念到實踐的轉型圖景。探賾索隱，鉤深致遠，我們需要超越GAI作為一種新工具的淺層思維，深入思考技術升級與教育變革相互融合時所帶來的全要素、全流程、全生態的更新迭代與升維創新，從而推進數智時代教育的可持續發展。在充分認識GAI重塑智慧學習環境的教育價值與優勢后，也要意識到GAI背后的風險與挑戰，精準把握教育變革中的變與不變，堅守育人本質，構建高質量、有人文關懷的智慧學習環境，共同創設數智時代教育新生態。

[參考文獻]

[1] 新華社. 習近平：高舉中國特色社會主義偉大旗幟 為全面建設社會主義現代化國家而團結奮斗——在中國共產黨第二十次全國代表大會上的報告[EB/OL]. （2022-10-25）[2024-04-09]. https：//www.gov.cn/xinwen/2022-10/25/content_5721685.htm.

[2] 光明日報網. 數字化教材、大數據測評、智能學習空間——未來學習，要構建智慧教育新生態[EB/OL]. （2022-04-05）[2024-04-09]. https：//epaper.gmw.cn/gmrb/html/2022-04/05/nw.D110000gmrb_20220405_1-06.htm.

[3] 中華人民共和國教育部. 教育部關于印發《教育信息化2.0行動計劃》的通知[EB/OL]. （2018-04-18）[2024-04-09]. http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html.

[4] 人民網. “未來教室”如何優化環境促進變革[EB/OL]. （2015-06-30）[2024-04-09]. http：//edu.people.com.cn/n/2015/0630/c1053-27229791.html.

[5] 黃榮懷，周偉，杜靜，等． 面向智能教育的三個基本計算問題[J]． 開放教育研究，2019，25（5）：11-22．

[6] 武法提，楊重陽，李坦． 智慧學習環境中的人機協同設計[J]． 電化教育研究，2024，45（2）：84-90．

[7] 周偉，杜靜，汪燕，等． 面向智慧教育的學習環境計算框架[J]． 現代遠程教育研究，2022，34（5）：91-100．

[8] 光明網. 教育數據共享價值如何實現？[EB/OL]. （2015-06-30）[2024-04-09]. https：//theory.gmw.cn/2022-06/29/content_35845388.htm.

[9] 程巧，鄭可，郭德強． 高等教育大數據與高校質量保障研究[J]． 網絡安全與數據治理，2023，42（S1）：46-50．

[10] WU J Y， GAN W S， CHEN Z F， et al． AI-generated content （AIGC）： a survey[EB/OL]． （2023-03-26）[2024-09-19]. https：//arxiv．org/abs/2304.06632v1.

[11] 劉逸倫，黃微，張曉君，等． AIGC賦能的科技情報智能服務：特征、場景與框架[J]． 現代情報，2023，43（12）：88-99．

[12] KIRILLOV A， MINTUN E， RAVI N， et al． Segment anything[C]//2023 IEEE/CVF International Conference on Computer Vision （ICCV）． Paris，France： IEEE，2023：3992-4003．

[13] 王竹立，吳彥茹，王云． ChatGPT與教育變革——智能時代教育應如何轉型[J]． 遠程教育雜志，2023，41（4）：27-36．

[14] 丁磊． 生成式人工智能：AIGC的邏輯與應用[M]． 北京：中信出版社，2023.

[15] 俞鼎，李正風． 生成式人工智能社會實驗的倫理問題及治理[J]． 科學學研究，2024，42（1）：3-9．

[16] 盧宇，余京蕾，陳鵬鶴，等． 多模態大模型的教育應用研究與展望[J]． 電化教育研究，2023，44（6）：38-44．

[17] 肖仰華． 生成式語言模型與通用人工智能：內涵、路徑與啟示[J]． 人民論壇·學術前沿，2023（14）：49-57．

[18] 葉新東，劉澤民． 基于多模態大模型的精準教學支持體系構建研究[J]． 遠程教育雜志，2024，42（1）：84-93．

[19] 科大訊飛. AI心理伙伴，青少年的私人心理咨詢師[EB/OL]. （2023-11-03）[2024-04-17]. https：//edu.iflytek.com/about-us/news/company-news/535.

[20] HUANG L， YU W J， MA W T， et al． A survey on hallucination in large language models： principles， taxonomy， challenges， and open questions[EB/OL]． （2023-11-09）[2024-09-20]． https：//arxiv．org/abs/2311.05232v1.

[21] 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，2024，8（6）：16-29．

[22] 曹培杰，謝陽斌，武卉紫，等． 教育大模型的發展現狀、創新架構及應用展望[J]． 現代教育技術，2024，34（2）：5-12．

[23] 人民網. 教育信息化2.0的數字資源觀與發展對策[EB/OL]. （2018-09-01）[2024-04-19]. http：//edu.people.com.cn/n1/2018/0901/c1006-30265766.html.

[24] 中華人民共和國教育部. 推進線上教育教學資源建設與應用打造數字教育公共服務新生態[EB/OL]. （2021-02-08）[2024-04-19]. http：//www.moe.gov.cn/jyb_xwfb/moe_2082/2021/2021_zl10/202102/t20210208_512969.html.

[25] 袁毓林． 如何測試ChatGPT的語義理解與常識推理水平？——兼談大語言模型時代語言學的挑戰與機會[J]． 語言戰略研究，2024，9（1）：49-63．

[26] 萬力勇，杜靜，熊若欣． 人機共創：基于AIGC的數字化教育資源開發新范式[J]． 現代遠程教育研究，2023，35（5）：12-21．

[27] 張牧，顧群業，田金良． AIGC為新媒體藝術教育帶來的機遇與挑戰[J]． 青年記者，2024（3）：109-112．

[28] 何文濤． 智慧學習環境下基于知識建模圖的在線教育資源眾籌及其應用研究[J]． 電化教育研究，2019，40（4）：59-67．

[29] 陳明選，馮雪晴． 我國數字教育資源供給現狀與優化策略[J]． 電化教育研究，2020，41（6）：46-52．

[30] 仲建琴． 人機協同的內容生產模式[J]． 青年記者，2020（36）：44-45．

[31] 李芒，石君齊． 靠不住的諾言：技術之于學習的神話[J]． 開放教育研究，2020，26（1）：14-20．

[32] 李芒，張曉慶． 新時代教師真實的教育技術需要[J]． 現代遠距離教育，2023（1）：3-9．

[33] 齊志遠，高劍平，郝亞楠． 生產工具演變與勞動分工體系變革——從機器、專用人工智能到通用人工智能雛形ChatGPT[J]． 自然辯證法通訊，2024，46（2）：1-10．

[34] 靳東明，金芝，陳小紅，等． ChatModeler：基于大語言模型的人機協作迭代式需求獲取和建模方法[J]． 計算機研究與發展，2024，61（2）：338-350．

[35] 李特麗，康軼文． LangChain入門指南：構建高可復用、可擴展的LLM應用程序[M]． 北京：電子工業出版社，2024．

[36] 張輝，劉鵬，姜鈞譯，等． ChatGPT：從技術創新到范式革命[J]． 科學學研究，2023，41（12）：2113-2121．

[37] 張愛軍，楊程曦． 智能交往與微粒社會：人與ChatGPT交互的政治情感連接以及政治情感風險與調試[J]． 行政論壇，2023，29（6）：32-42．

[38] 米加寧，董昌其． 大模型時代：知識的生成式“涌現”[J]． 學海，2024（1）：81-96，214-215．

[39] 羅仕鑒，郭和睿，沈誠儀，等． 智能產品用戶體驗設計評價研究現狀與進展[J]． 計算機集成制造系統，2024，30（6）：1919-1935．

[40] 武法提，黃石華，殷寶媛． 場景化：學習服務設計的新思路[J]． 電化教育研究，2018，39（12）：63-69．

[41] 許暉，周琪． 場景式解決方案開發路徑研究——基于場景驅動視角的多案例分析[J]． 科技進步與對策，2023，40（23）：1-10．

[42] 祝智庭，趙曉偉，沈書生． 融創教育：數智技術賦能新質人才培養的實踐路徑[J]． 中國遠程教育，2024（5）：3-14．

[43] 顧小清． ChatGPT對教育生態的影響[J]． 探索與爭鳴，2023（3）：30-32．

[44] 杜華，孫艷超． 生成式人工智能浪潮下知識觀的再審視——兼論兩個經典知識之問的當代回應[J]． 現代教育技術，2024，34（1）：96-106．

[45] 魯子簫． 智能時代知識變遷中的教學知識變革[J]． 教育研究，2024，45（2）：55-66．

[46] 張良，易伶俐. 試論未來學校背景下教學范式的轉型——基于知識觀重建的視角[J]. 中國電化教育，2020（4）：87-92，117.

[47] 黃忠敬． 誰的知識最有價值？——論衡量課程知識價值的“人的尺度”[J]． 課程·教材·教法，2019，39（1）：4-10．

[48] 楊剛，徐曉東，劉秋艷，等． 學習本質研究的歷史脈絡、多元進展與未來展望[J]． 現代遠程教育研究，2019，31（3）：28-39．

[49] 周序，黃路遙． 數字化課程40年發展評析[J]． 課程·教材·教法，2018，38（10）：51-58．

[50] 周序． 如何認識數字化課程[J]． 課程·教材·教法，2018，38（5）：44-48，110．

[51] 王卉． 爭議頗多的數字化課程：現狀與未來[J]． 四川師范大學學報（社會科學版），2020，47（1）：102-107．

[52] 袁磊，王陽． 數字教育背景下中小學跨學科教學的困境與應對[J]． 電化教育研究，2023，44（12）：87-94．

[53] 楊曉娟. 網絡教學中教師整合技術的學科教學知識建構之作用機理研究[J]. 山東師范大學學報（社會科學版），2023，68（4）：90-99.

[54] 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.

[55] 宋萑，林敏． ChatGPT/生成式人工智能時代下教師的工作變革：機遇、挑戰與應對[J]． 華東師范大學學報（教育科學版），2023，41（7）：78-90．

[56] 祝智庭，戴嶺，胡姣． 高意識生成式學習：AIGC技術賦能的學習范式創新[J]． 電化教育研究，2023，44（6）：5-14．

[57] 苗逢春． 生成式人工智能及其教育應用的基本爭議和對策[J]． 開放教育研究，2024，30（1）：4-15．

[58] 張治． ChatGPT/生成式人工智能重塑教育的底層邏輯和可能路徑[J]． 華東師范大學學報（教育科學版），2023，41（7）：131-142．

[59] 張進良，楊苗，談桂芬． 智能技術賦能基礎教育評價改革的實然困境與路徑選擇[J]． 中國遠程教育，2023（2）：18-27．

[60] 李毅，鄭鵬宇，張婷． ChatGPT賦能教育評價變革的現實前提、作用機理及實踐路徑[J]． 現代遠距離教育，2024（3）：9-17．

[61] 白雪梅，郭日發． 生成式人工智能何以賦能學習、能力與評價？[J]． 現代教育技術，2024，34（1）：55-63．

[62] 吳砥，郭慶，吳龍凱，等． 智能技術賦能教育評價改革[J]． 開放教育研究，2023，29（4）：4-10．

[63] 鄭燕林，任維武． 實踐觀視域下ChatGPT教學應用的路徑選擇[J]． 現代遠距離教育，2023（2）：3-10．

[64] 張絨． 生成式人工智能技術對教育領域的影響——關于ChatGPT的專訪[J]． 電化教育研究，2023，44（2）：5-14．

[65] 劉邦奇，聶小林，王士進，等． 生成式人工智能與未來教育形態重塑：技術框架、能力特征及應用趨勢[J]． 電化教育研究，2024，45（1）：13-20．

[66] 劉邦奇，朱廣袤． 智能時代的教育信息化治理：理論框架與典型應用實踐[J]． 電化教育研究，2024，45（9）：5-13．

Reshaping Smart Learning Environments with Generative Artificial Intelligence：

From Element Improvement to Ecosystem Reconstruction

WU Fati，" XIA Zhiwen，" GAO Shurui

（School of Educational Technology， Beijing Normal University， Beijing 100875）

[Abstract] As a crucial pillar of educational digital transformation， smart learning environments have encountered issues such as data silos， model limitations， resource rigidity， tool complexity， inflexible services， and fragmented scenarios during their development. Generative artificial intelligence （GAI）， as an emerging form in AI technology， presents new opportunities for the upgrading and transformation of smart learning environments. The study upgrades the three-layer and six-factor theoretical model of smart learning environment with generative AI as the power engine." It is argued that within this framework， the data element has shifted from low quality to high efficiency， the model element from the discriminative to the generative， the resource element from the superficial to the semantic， the tool element" from the distributed to the integrated， the service element from the predefined to the adaptive， and the scenario element has moved from the marginalized to the centralized. On this basis， the study further clarifies that GAI can restructure the ecosystem of smart learning environments by transforming the ideas of talent cultivation， the concepts of knowledge and curricula， teaching modes and learning styles， educational evaluation systems， and educational governance models. The study analyzes the improvement of internal elements and the reconstruction of the external ecosystem" of smart learning environments， providing theoretical research support and practical exploration direction for shaping new forms of smart learning environments.

[Keywords] Smart Learning Environments; Generative Artificial Intelligence; Element Improvement; Ecosystem Reconstruction; Theoretical Model