生成式人工智能賦能沉浸式學習：機理、模式與應用

[摘" "要] 沉浸式學習環境為新質人才的培養打造了優質學習空間，但受限于技術成本高、教育理論缺位、學習適用性低等因素，在教育領域的應用仍較為有限。生成式人工智能在創造性生成、邏輯性表達、復雜交互理解等方面展現出了顯著的賦能潛力。文章首先在梳理沉浸式學習環境內涵與構成要素的基礎上，構建了生成式人工智能在沉浸式學習環境中的垂直應用機理模型，通過情境分解、模型提煉和內容創生，實現學習路徑規劃、多模態資源生成、學習情境創設、個性化互動、學習者畫像構建等功能。其次，從實踐角度提出依托沉浸式學習環境的有效學習模式，包括錨定目標、了解現狀、課程學習、情境練習、動態監測五個環節。最后，結合“知心慧語”智能陪練系統論證垂直應用機理和學習模式的可操作性，旨在為生成式人工智能在教育領域的垂直應用提供借鑒。

[關鍵詞] 生成式人工智能； 沉浸式學習； 垂直機理； 學習模式； 應用案例

[中圖分類號] G434" " " " " " [文獻標志碼] A

一、引" "言

數智時代，為響應“加快形成新質生產力”的現實呼喚，教育領域應積極創新學習模式，培養兼具創新能力與實踐智慧的拔尖創新人才[1]。學習環境是學習發生的主要場所，沉浸式學習環境以其具身化、可交互、情境化等特點被作為提升學習動機[2]、支持知識主動建構、促進實踐技能遷移[3]、培養問題解決能力[4]、發展創新思維[5]的有效技術創新途徑。然而，沉浸式學習環境在教育領域的應用仍然存在多方面的局限。例如：在技術實現上，當前沉浸式學習環境的開發多借助XR、數字孿生、情感計算等技術，開發成本高昂，硬件、系統和內容之間的兼容性差，阻礙了大范圍普及；在內容適配上，當前情境和交互設計多依賴于預設腳本，敘事和即時反饋的深度明顯不足，為學習者帶來的能力成長有限[6]；此外，沉浸技術的教育應用開發通常缺乏學習理論的指引，忽視了技術賦能學習的內在作用機制[5]。面對拓展應用規模、提升學習體驗、促進深度學習等方面的升級需求，亟須創新沉浸式學習環境的開發路徑，降低技術成本，增強內容適配，促進學習成效。

近年來，生成式人工智能產品以其強大的對話情境理解能力和啟發性內容生成能力，正在全球范圍內掀起一場智能化教育的創新浪潮。基于生成式人工智能的個性化學習資源生成與推薦、高頻互動與即時反饋，以及隨之產生的創新學習模式，為創設具有豐富學習體驗、支持高質量交互和自適應調節的沉浸式學習環境提供了可為空間。因此，本研究旨在理解沉浸式學習環境的內涵和構成要素的基礎上，探討生成式人工智能在沉浸式學習環境中的垂直應用機理與實踐模式，以回應“生成式人工智能賦能沉浸式學習”的理論與實踐問題。

二、文獻綜述

（一）沉浸式學習環境的內涵與構成要素

1. 沉浸式學習環境的內涵

已有研究多從技術應用、心理變化和知識習得三個視角界定沉浸式學習環境。在技術應用視角，沉浸式學習環境強調利用虛擬現實、增強現實、3D建模等技術手段[4]，將圖像、聲音或其他刺激物環繞在學習者周圍，創設接近現實世界的虛擬環境[7]。在心理變化視角，立德威爾等人將“沉浸式”解釋為“心流”[8]，即個體全身心投注到某種活動中，忘卻周圍環境與時間存在，以達到忘我的心理狀態[9]。在此基礎上，沉浸式學習環境不僅是基于技術融合的物理意義上的沉浸，還意味著融合生理與心理的、帶來具身體驗的深層沉浸[10]。在知識習得視角，國際組織沉浸式學習研究網絡（Immersive Learning Research Network， iLRN）指出，豐富的知識和以學習者為中心的模式是沉浸式學習體驗的關鍵要素[11]。綜合上述觀點，可以將沉浸式學習環境定義為一種利用先進技術手段整合文字、圖像、聲音等數字化學習資源，通過創設擬真的學習環境，為學習者提供深層次的、身臨其境的學習體驗，進而增強學習投入、促進知識建構的學習環境。

2. 沉浸式學習環境的構成要素

認知性、關聯性和情境性是沉浸式學習環境的三個典型特征[12]。首先，促進認知發展是沉浸式學習的終極目標，沉浸式學習環境通過提供模塊化學習內容、富有表現力的多媒體學習資源、復雜性的學習任務、逐步深入的學習活動，以及系統科學的學習方法等，促進學習者的認知加工和知識建構。其次，將學習行為與系統反饋相關聯是沉浸式學習發生的關鍵渠道[13]。通過創設交互體驗收集學習行為數據，并基于分析結果提供即時反饋，如目標調整、資源推薦、任務匹配等，為個性化、自適應沉浸式學習環境的開發奠定基礎。最后，與學習者個性相匹配的情境是影響沉浸體驗的重要因素[14]。通過提供與實踐場景相契合的環境、角色、情節、任務等，在帶來逼真的學習體驗，激發共鳴和情感投入的同時，支持學習者將客觀知識轉化并再創造，提升學習者實踐能力和社會化水平。

為深入理解沉浸式學習環境的運作機理，優化設計與應用，本研究將其分解為認知、關聯和情境三類構成要素。其中，認知類要素關注知識的習得，包含學習內容、資源、活動、方法等；關聯類要素關注支持學習發生的技術手段，包含人機交互、學習行為分析等；情境類要素關注沉浸式體驗的增強，包含環境背景、角色特征、情節設計、任務要求等。

（二）生成式人工智能賦能沉浸式學習環境的創新路徑

生成式人工智能是一種根據提示詞自動生成文本、圖像、視頻、音頻等內容的技術，具備較強的對話情境理解、啟發性內容生成、序列任務執行、程序語言解析等能力[15]。本研究基于沉浸式學習環境的三類構成要素，分解教育領域的技術應用案例，挖掘生成式人工智能賦能沉浸式學習環境的技術作用點。

1. 實現多模態資源的適性生成與推送

通過將生成式人工智能接入數字化學習系統，推動教育資源應用模式從“診斷—定制—分發”轉向“匯聚—加工—生成”，形成個性化的學習資源生產和利用途徑[16]。例如：Wu等開發了智能教程生成系統Self-GT，通過捕捉學習者的動態變化和行為特征生成個性化教程[17]；美國密歇根大學構建了包含授課視頻、演示文稿、電子教材等材料的知識庫Learning Clues，為學習者提供高質量的知識問答和校本資源推薦[18]。

2.支持學習過程全流程優化

生成式人工智能通過在學習的各環節提供支持，促進知識理解和深度學習。例如，可汗學院的聊天機器人Khanmigo可以在課前為學習者制定個性化學習方案；課中以對話形式講解復雜概念、創建任務、鼓勵獨立解決問題；課后創建學習評價量表批改作業并開展綜合評估[19]。未來，基于生成式人工智能的智慧學伴將在信息檢索、知識講解、技能訓練、成長陪伴等方面持續發揮優勢[20]。

3. 描繪動態精準的學習者畫像

生成式人工智能通過人機對話等交互式學習服務，產生海量實時的學習行為數據，為學習者畫像構建提供常態化的數據基礎。結合學習成果、評價、診斷、偏好等多維度數據，可以提升學習者畫像的完整性、準確性和時效性[21]。在此基礎上，還可以根據學習者畫像智能分析學習者的學習進度、興趣、需求等，為其定制個性化的發展路徑[22]。

4. 開展持續深入的對話式交互

生成式人工智能具備開展多輪對話的卓越能力。學習者與智慧學習系統的交互形式也由傳統的菜單式轉向遞進式問答。例如，蘇格拉底游樂園通過高頻次的對話交互幫助學習者理解數據分析與處理的相關知識[23]。此外，對話式交互簡化了交互形式，減少了復雜操作對學習的不利影響。生成式人工智能正在推動著智慧學習走向智慧問學的新階段[24]。

5. 創設擬真多變的學習情境

生成式人工智能可以打破傳統預設腳本的局限性，創建豐富多樣的學習情境，并且實時調整情境內容，使學習者獲得個性化的學習體驗。例如：Shi等人借助生成式人工智能將法律知識和案例整合在一系列連續情境中，通過對話互動開展法律教育[25]；Breen借助ChatGPT創設中世紀生活情境，帶領學生沉浸式學習歷史知識[26]。

綜上所述，生成式人工智能從多模態學習資源的生成與推送、學習過程優化、學習者畫像構建、對話式問答和多樣化學習情境創設等方面，為當前沉浸式學習環境克服適需服務不足、情境設計單一、學習效果欠佳等局限提供了可行方案，為沉浸學習注入了強大的技術動力。

三、生成式人工智能在沉浸式學習環境中的垂直應用機理

生成式人工智能賦能沉浸式學習環境的五大創新路徑需要借助具體的技術實現機制落地。首先，情境是沉浸式學習環境的核心特征，也是促進學習者有意義知識建構的要素[12]。通過情境分解，將聚焦特定學習目標和微能力的情境作為最小構成單元[27]，增強生成內容的針對性和實用性。其次，為確保生成式人工智能產品能夠理解并處理特定領域相關的任務信息，同時緩解技術本身的潛在問題。例如，幻覺問題[28]，其在垂直領域應用的關鍵在于：在調用通用大語言模型的基礎上，由領域專家將專業知識注入提示語中，深化模型對垂直領域上下文的理解，以生成特定的輸出[29]。沿用該技術實現思路，將模型提煉作為質量保障機制，通過構建專家知識庫保障其生成內容的準確性和可靠性。最后，以內容創生為終極目標，通過多智能體協作實現穩定、高質量的沉浸式學習環境生成[30]。基于上述思路，本研究構建了生成式人工智能在沉浸式學習環境中的垂直應用機理模型，如圖1所示。

（一）情境分解：以結構化的形式組織課程

情境是產生沉浸式體驗的最佳載體。基于專業人才培養要求和學科發展目標，依照一定邏輯將課程系統化地分解為多個專注于特定的主題或技能的學習模塊，且模塊間具有關聯性和遞進性。在此基礎上，將模塊進一步細分為若干學習情境，每個情境都有具體的學習目標、內容、方法、任務和評價，確保學習的細節得以貫徹和落實。

這種結構化的課程組織方式既能夠有效地傳達復雜學習內容，保障課程目標的逐步實現，為學習者提供連貫的學習體驗，又確保了每個情境配套學習資源的適用性。同時，也使得根據學習者的需求和水平定制學習內容、規劃個性化學習路徑變得可行。

（二）模型提煉：基于垂類數據構建專家知識庫

受到數據獲取渠道、法律和倫理、資源和成本等因素限制，主流大語言模型的訓練集多基于網絡公開的數據，垂直領域實時性的、非公開的或離線的數據獲取難度較大，故無從具備相關知識。基于垂類數據，構建專家知識庫是關鍵技術手段，具體包括數據收集和知識構建兩個階段。

數據收集階段，參考沉浸式學習環境的三類構成要素，專家知識庫中應包括但不限于：學科知識數據集、學習活動數據集、方法論數據集、學習情境數據集、學習行為數據集等。以上數據集可以來源于各類學習資源庫、權威專家、典型實踐案例，以及高校、研究機構或國際組織的相關研究成果等。通過多方高質量數據的融合，豐富大模型的專業知識體系。知識構建階段，依托模型將數據進行合理歸類轉化為知識。例如：構建具有層次化和關聯性特征的學科知識圖譜；基于建構主義學習理論視角設計的“教、學、練、測、評”學習活動模型；涵蓋專業方法、教學方法、學習方法、創新方法等在內的方法論模型；基于情境學習理論提煉的包含環境背景、關鍵角色、情節設計、任務要求等要素在內的學習情境模型；以及由此延伸的包含身份背景、性格特征、語言風格、互動模式、行為動機的角色特征模型；包含時間頻率、學習路徑、任務提交、考試表現、互動參與、資源使用等指標的學習行為模型等。接下來，采用向量化的方式將知識整理成結構化的專家知識庫，以便智能系統調用和應用。

（三）內容創生：整合多智能體執行復雜任務

沉浸式學習環境是多重屬性疊加的復雜系統，既有動態的情境交互，也有知識的有效傳遞，還有個性化的學習需求關照。因此，僅依靠單一的大模型和簡短的提示語無法實現真正有效的沉浸式學習。智能體是一種可自主執行特定任務或作出決策的系統或程序，被譽為人類生存和文化形態的里程碑式創造[31]。基于生成式人工智能構建整合多智能體的復雜系統是實現沉浸式學習環境自動化、智能化生成的可行路徑。

在技術實現上，基于大語言模型的檢索增強生成（Retrieval Augmented Generation，RAG）為智能體的構建提供了方案。語義檢索和生成輸出是兩個主要步驟。其中，語義檢索指當學習者提出具體的任務指令時，RAG以此為檢索詞從專家知識庫中檢索相關知識，并將其作為關鍵的背景信息與任務指令一同注入提示語中；生成輸出指RAG應用該提示語與大語言模型交互，生成相應的內容。此外，為優化輸出，在提示語中也可以適當加入其他指令，如與該智能體職能相關的任務描述等。通過封裝語義檢索和生成輸出的指令，智能體能夠強化人機交互效果，使輸出內容更加精準。

智能體的運行主要遵循觀察、思考、行動和記憶四個環節。“觀察”是感知機制，智能體接收來自用戶或其他智能體的文本數據、視覺數據或音頻數據，為后續行動提供基礎。“思考”是分析“觀察”到的結果的過程，此時會調用專家知識庫和大語言模型驅動決策。除專家知識庫外，智能體通常還會儲備一個由實時性的、易獲取的、非結構化的垂類數據集構成的專題知識庫，如散落在互聯網的課程資源、專業書籍、貼吧問答等，必要時與專家知識庫一起調用，以增強“思考”的廣度和深度。“行動”是對“觀察”和“思考”的響應，表現為生成情境、開展教學輔導等。“記憶”是存儲過去的“行動”經驗，這些經驗也是專題知識庫的組成部分，有助于智能體在下次“思考”時參考并調整行動。

基于生成式人工智能創建的沉浸式學習環境由多個不同職能的智能體構成，通過高效的協同機制將沉浸式學習環境的生成過程進行多步拆解、分步執行，并基于學習者反饋自主迭代，為循序漸進的學習路徑、多種模態的學習資源、擬真多變的學習情境、持續深入的個性化互動、動態精準的學習者畫像等功能的實現提供有力支撐，最終穩定生成高質量沉浸式學習環境。

四、生成式人工智能賦能的沉浸式學習模式

研究發現，高沉浸式學習環境可能會分散學習者對核心內容的注意力，影響知識獲取和學習效果[32]。研究者呼吁應在學習理論的指導下設計和開發沉浸式學習環境[5]。布蘭思福特提出了促進學習發生的學習環境設計與實施的四個原則：學習者中心、知識中心、評價中心、共同體中心[33]。其中，學習者中心指新的學習應建立在學習者的先前知識、經驗和信念的基礎上；知識中心指教學應聚焦領域中的核心概念和結構，并發展學習者對領域的整體理解；評價中心指在整個學習進程中給予學習者及時而持續的反饋；共同體中心指應建立相互學習、彼此協作的共同體文化以促進個體和共同體的學習與發展。依據以上原則，本研究從促進學習發生的角度進一步探索生成人工智能支持下的沉浸式學習模式（如圖2所示），為沉浸式學習環境的應用厘清思路。

（一）分解學習能力：錨定學習目標

首先，學習者輸入個人基本信息與學習需求，系統利用自然語言處理技術識別所指向的學習目標及課程，調用學習設計智能體將目標分解成若干子目標。其次，與知識圖譜相匹配鏈接知識點，并進行優先級排序，結合學習者偏好自動生成包含學習內容、活動、方式的個性化學習路徑。最后，由專家對學習目標的科學性、準確性和可行性進行研判。

（二）學習者中心：了解學習現狀

學習者依據學習路徑開展學習。系統調用情境創建智能體以初步創設學習情境，角色扮演智能體基于情境和知識圖譜配置對話模塊，向學習者提出一系列引導性問題，學習者以對話形式完成相關問題的回答。隨后由行為分析智能體借助自然語言處理技術、情感識別技術等進行學情診斷，明確當前知識點掌握情況、學習態度、學習困難等信息，動態調整學習路徑。

（三）知識中心：開展課程學習

基于學習目標和基本學情，系統調用資源創建智能體以生成多模態課程學習資源。一方面，資源可以包含多種形式，如講解視頻、在線測驗、模擬實驗等；另一方面，可以根據學習者的偏好和認知風格生成多種模態資源，如視覺型以文本、圖片、視頻為主，聽覺型以音頻為主，動態型以互動模擬類為主。此外，根據學習者的進展和反饋動態更新資源，確保需求匹配。

（四）共同體中心：體驗情境練習

為加深學習者對知識的理解和技能掌握，系統再次調用情境創建智能體以生成擬真實踐情境，并發布情境任務，如完成項目等。學習者與教學輔導智能體組成人—機共同體，通過對話互動共同探討解決方案。在此過程中智能體提供必要的學習支持、建議和反饋，并根據學習者的表現和任務進展動態調整指導策略。

（五）評估中心：實施動態監測

動態監測貫穿沉浸式學習全過程。系統調用行為分析智能體，持續跟蹤學習行為，如活動參與度、任務完成率、與智能體的互動頻率和質量等，并將結果實時傳遞給其他智能體。同時，智能體還會在課程和任務結束后進行綜合評估，為未來學習計劃的改進提供依據。此外，過程中產生的大量數據也將補充到學習者基本信息中，支持沉浸式學習環境的實時優化。

五、生成式人工智能賦能沉浸式學習環境的應用案例

為驗證本研究提出的相關理論模型在實際教育場景中的可行性，以華東師范大學發布的“知心慧語”智能陪練系統（https：//ecnufe.com/）為案例，深入分析論證其設計和實施過程。

（一）案例介紹

“知心慧語”是以支持場景實訓為特色的智能陪練系統，如圖3所示。該系統聚焦家庭教育的關鍵問題與特殊規律，旨在通過打造生成式人工智能支持的沉浸式學習環境，為家長提供高質量、定制化、全周期的家庭教育服務，推進家庭教育科學化和專業化發展[34]。

（二）案例分析

1. 系統設計機理

系統的開發框架主要通過“情境分解—模型提煉—內容創生”三個關鍵步驟實現。

情境分解：構建親子能力圖譜。以家長教育素養提升為目標，挖掘常見的家庭教育問題，提煉核心技能，如設置合理的教育期望、培養孩子的自我認知與自尊等。這些核心技能可以進一步細分為若干微能力點，并與具體情境相匹配。例如，設置合理的教育期望可以分為：正確認識孩子能力、設置合理的目標、動態調整教育期望等，進而構建出親子能力圖譜，為學習路徑的規劃和學習資源的開發提供支持。

模型提煉：構建家庭教育專家知識庫。引入大量理論模型充盈專家知識庫，包括由情緒調節過程模型、多元智能理論、自我決定理論等構成的各種微能力模型，以蘇格拉底式教學法為核心教學方法的提問模型，以五大人格理論為主的角色特征模型等，以便系統按需調用。

內容創生：支持家庭教育場景實訓。創建多個智能體，并基于工作流實現高效協作，情境創建智能體基于家長畫像創設學習情境；角色扮演智能體扮演孩子并基于情境配置對話模塊；行為分析智能體收集家長對話行為并分析學習行為，將結果傳遞給角色扮演智能體，同時補充更新家長畫像，確保生成的家庭教育學習情境的有效性和適應性。

2. 系統應用模式

系統構建了包含“情境診斷—課程學習—認知評估—智能陪練”四個環節的沉浸式學習模式。

情境診斷：基于家長能力現狀規劃學習路徑。家長自行選擇微能力點，系統結合親子檔案生成擬真情境，并扮演孩子與家長對話。家長提交診斷后對其行為進行提取與分析，呈現其能力表現水平。通過提供精準化、個性化的學情診斷，確保學習內容和訓練情境能夠高度適配每位家長的實際需求。

課程學習：以高質量數字化課程支持理論學習。結合情境診斷結果，基于學校開發的“學校家庭社會協同育人主題的數字化課程群”，為家長推薦與關鍵技能和核心知識相匹配的課程，并輔以具有操作性和借鑒性的學習資源，如行為指南、典型案例等，支持家長對理論知識的理解與內化。

認知評估：為家長提供專業化反饋。參考學習目標和課程內容，選用恰當的量表精準評估課程學習成效，為家長提供個性化、專業化的學習反饋與建議，并動態調整學習路徑。

智能陪練：以人機共同體的形態強化實踐應用。家長與系統形成學習共同體。系統在思考模型的支撐下，模擬不同情境中孩子真實的情感反應和行為模式，給予家長實時的非線性反饋。支持家長能夠在多輪次對話交互中反復練習并積累經驗，有效提升其親子技能水平。

可以發現，“知心慧語”智能陪練系統的設計機理和應用模式與本研究所提出的生成式人工智能在沉浸式學習環境中的垂直應用機理以及沉浸式學習模式基本契合。在提供充分佐證的同時，系統在自適應學習路徑設計、多模態學習資源生成等方面，還有優化迭代的空間。

六、結 束 語

隨著生成式人工智能的發展，沉浸式學習環境以嵌入需求驅動的對話式交互模式、構建擬真多變的學習情境、創建個性化的多模態學習資源、實現穩定靈活的知識輸出等方面的表現，迎來了新的發展機遇，并催生出以精熟學習為指向的未來沉浸式學習新樣態。新技術的應用需要以新的底層架構作支撐。本研究提出的生成式人工智能在沉浸式學習環境中的垂直應用機理與學習模式，正是在實踐呼喚下的思考。通過細分學習情境、構建專家知識庫、創建多智能體等方式，盡量規避“幻覺”帶來的負面影響，提高生成內容的質量，并結合循序漸進的學習環節促進知識的高質量傳授。盡管本研究通過“知心慧語”智能陪練系統展示了機理與模式的可操作性，但其應用效果還有待深入驗證。此外，教育不僅是知識的傳授，更是靈魂的塑造。關注生成式人工智能在提升學習者情感方面的應用潛力和可為空間，是推動沉浸式學習走向更深層次、更高品質的必然路徑，也將是未來持續探索的課題。

[參考文獻]

[1] 祝智庭，戴嶺，趙曉偉，等． 新質人才培養：數智時代教育的新使命[J]． 電化教育研究，2024，45（1）：52-60．

[2] SOLANES J E， MONTAVA-JORD S， GOLF-LAVILLE E， et al． Enhancing STEM education through interactive metaverses：a case study and methodological framework[J]． Applied sciences，2023，13（19）：10785．

[3] VATS S， JOSHI R. The impact of virtual reality in education： a comprehensive research study [C]// Transfer， Diffusion and Adoption of Next-Generation Digital Technologies. TDIT 2023. IFIP Advances in Information and Communication Technology. Cham： Springer， 2023： 126-136.

[4] 龔鑫，許潔，喬愛玲． 基于沉浸式學習環境的隱形性評估：機理、框架與應用[J]． 電化教育研究，2023，44（12）：64-72．

[5] RADIANTI J， MAJCHRZAK T A， FROMM J， et al. A systematic review of immersive virtual reality applications for higher education： design elements， lessons learned， and research agenda[J]. Computers amp; education， 2020，147：103778.

[6] MEYER O A， OMDAHL M K， MAKRANSKY G． Investigating the effect of pre-training when learning through immersive virtual reality and video： a media and methods experiment[J]． Computers amp; education，2019，140：103603．

[7] 柳瑞雪，萬昆，王美. 面向空間推理技能發展的沉浸式學習環境設計及實證研究[J]. 中國電化教育，2021（12）：40-47.

[8] 立德威爾，霍頓，巴特勒. 設計的法則[M]. 李嬋，譯. 沈陽：遼寧科學技術出版社，2010.

[9] 徐銣憶，陳衛東，鄭思思，等． 境身合一：沉浸式體驗的內涵建構、實現機制與教育應用——兼論AI+沉浸式學習的新場域[J]． 遠程教育雜志，2021，39（1）：28-40．

[10] 覃芹，邵筆柳． 融合傳播中的沉浸式閱讀：概念、價值和路徑[J]． 南昌大學學報（人文社會科學版），2021，52（1）：92-98．

[11] 陳凱泉，吳志超，劉宏，等． 擴展現實（XR）支撐沉浸式學習的技術路徑與應用模式——沉浸式學習研究網絡國際會議（iLRN 2020）探析[J]． 遠程教育雜志，2020，38（5）：3-13．

[12] DE FREITAS S， NEUMANN T． The use of 'exploratory learning' for supporting immersive learning in virtual environments[J]．Computers amp; education，2009，52（2）：343-352．

[13] 王子，楊冬，周筠，等． 桌面式VR教育應用中基于數據挖掘技術的學習者交互行為分析——以初中物理課程“電與磁” 的教學為例[J]． 現代教育技術，2020，30（12）：98-104．

[14] SORRENTINO R M， WALKER A M， HODSON G， et al. Trends and prospects in motivation research [M]. Hingham， MA： Kluwer Academic Publishers， 2001.

[15] 盧宇，余京蕾，陳鵬鶴，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（4）：24-31，51．

[16] 吳砥，李環，陳旭． 人工智能通用大模型教育應用影響探析[J]． 開放教育研究，2023，29（2）：19-25，45．

[17] WU X， WANG H H， ZHANG Y T， et al． A tutorial-generating method for autonomous online learning[J]． IEEE transactions on learning technologies，2024，17：1558-1567．

[18] Learning Clues. Create AI-powered virtual teaching assistants[EB/OL]. [2023-04-22]. https：//learningclues.com/.

[19] KHAN S. Hamnessing GPT-4 so that all students benefit. A nonprofit approach for equal access [EB/OL]. （2023-03-13） [2024-05-15]. https：/blog.khanacademy.org/harnessing-ai-so-that-all-students-benefit-a-nonprofit-approach-for-equal-access/.

[20] 楊宗凱，王俊，吳砥，等． ChatGPT/生成式人工智能對教育的影響探析及應對策略[J]． 華東師范大學學報（教育科學版），2023，41（7）：26-35．

[21] 齊元沂，王臘梅． 生成式人工智能應用于開放教育：機遇、挑戰和應用場景[J]． 成人教育，2024，44（6）：56-61．

[22] 孫立會，周亮． 生成式人工智能融入國家中小學智慧教育平臺的實踐邏輯[J]． 中國電化教育，2024（8）：71-79．

[23] Socratic PlayGround For Learning. Socratic playground for learning[EB/OL]. [2024-05-15]. https：//chat2023.skoonline.org/wizard/index.html.

[24] 戴嶺，趙曉偉，祝智庭． 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．

[25] SHI S J， LI J W， ZHANG R． A study on the impact of generative artificial intelligence supported situational interactive teaching on students' 'flow' experience and learning effectiveness—a case study of legal education in China[J]． Asia Pacific journal of education，2024，44（1）：112-138．

[26] BREEN B. Simulating Ancient Ur with ChatGPT[EB/OL]. （2023-10-18）[2024-04-22]. https：//resobscura.substack.com/p/simulating-ur-with-chatgpt.

[27] 魏非，祝智庭． 面向教育數字化轉型的教師信息化能力建設方略[J]． 中國教育學刊，2022（9）：13-20．

[28] 劉三女牙，郝曉晗． 生成式人工智能助力教育創新的挑戰與進路[J]． 清華大學教育研究，2024，45（3）：1-12．

[29] NORI H， LEE Y T， ZHANG S， et al. Can generalist foundation models outcompete special-purpose tuning？ Case study in medicine [EB/OL]. （2023-11-28）[2024-09-19]. https：//arxiv.org/abs/2311.16452.

[30] 吳永和，姜元昊，陳圓圓，等． 大語言模型支持的多智能體：技術路徑、教育應用與未來展望[J]． 開放教育研究，2024，30（5）：63-75．

[31] 陳昌鳳． 智能平臺興起與智能體涌現：大模型將變革社會與文明[J]． 新聞界，2024（2）：15-24，48．

[32] RICHARDS D， TAYLOR M． A comparison of learning gains when using a 2D simulation tool versus a 3D virtual world： an experiment to find the right representation involving the marginal value theorem[J]． Computers amp; education，2015，86：157-171．

[33] 約翰·布蘭思福特， 安·L.布朗，羅德尼·R.科金，等. 人是如何學習的： 大腦、心理、經驗及學校[M]. 程可拉，等譯. 上海：華東師范大學出版社， 2013.

[34] 華東師范大學. 華東師范大學成立家庭教育研究院， 智能陪練系統發布[EB/OL]. （2024-05-16）[2024-09-19]. https：//www.ecnu.edu.cn/info/1426/66381.htm.

Generative Artificial Intelligence Empowering Immersive Learning："Mechanism， Model and Application

YAN Hanbing1，" YANG Shuting2，" YU Shuzhen2，" CHEN Yi2

（1.School of Open learning and Education， East China Normal University， Shanghai 200062;

2.Department of Education Information Technology， East China Normal University， Shanghai 200062）

[Abstract] Immersive learning environments have created a high-quality learning space for cultivating new quality talents， but their applications in the education field remains limited due to the factors such as high technological costs， lack of educational theories， and low" applicability of learning. Generative artificial intelligence demonstrates significant potential in creative generation， logical expression， and complex interaction understanding.This paper， based on the review of the connotation and components of immersive learning environments， constructs a vertical application mechanism model of generative artificial intelligence in immersive learning environments.Through scenario decomposition， model refinement and content creation， this model achieves the functions such as learning path planning， multimodal resource generation， learning context creation， personalized interaction， and learner profiling. Subsequently， from the practical perspective， this paper proposes an effective learning model based on immersive learning environment， which includes five stages： anchoring objectives， understanding the current situation， course learning， scenario practice， and dynamic monitoring. Finally， the operability of the vertical application mechanism and learning model is demonstrated by the \"Zhi Xin Hui Yu\" intelligent coaching system， aiming to provide a reference for" the vertical application of generative artificial intelligence in the field of education.

[Keywords] Generative Artificial Intelligence; Immersive Learning; Vertical Mechanism; Learning Model; Application Case

基金項目：2023年度國家社會科學基金教育學重點項目“數字教育背景下教學范式創新與實踐探索研究”（項目編號：ACA230019）

[作者簡介] 閆寒冰（1971—），女，黑龍江阿城人。教授，博士，主要從事數智環境下的教學設計、教師培訓設計與管理、教育數字化治理研究。E-mail：hbyan@dec.ecnu.edu.cn。