人機協同視域下基于認知智能大模型的個性化學習設計研究

[摘" "要] 探索規模化教育與個性化培養有機結合是新時代教育改革發展的一個重要學術命題。以大語言模型為代表的生成式人工智能改變了知識獲取和人機交互方式，為提供定制化學習體驗和創新個性化學習設計帶來了新的驅動力。人機協同視域下的個性化學習設計在轉變理路上呈現出由片段式向全程化、由推送式向定制化、由單模態向多模態的本體流變，在發展理路上表現為人機共教、人機共學、人機共評、人機共管的多重向度，在邏輯理路上體現為導引目標、激活進程、定制方法、創新范式的適配賦能。個性化學習設計的結構體系是以學習者差異認知基礎為邏輯起點，以支持學習者個性發展為目標導向，以人機協同對話提示語模式為基礎，通過學習模塊設計與協同路徑規劃構建個性化學習流程框架，形成三元主體協同、適性服務閉環的個性化學習設計范型。人機協同對話提示語模式依托內容生成機制與提示工程技術，通過需求描述、角色設定、示例指定引導對話輪轉以促進個體思維鏈形成，為個性化學習過程提供協同支持。研究探討以類人化智慧賦能個性化學習交互場景形成新的人機協同學習樣態，為垂類模型的教育應用提供有益參考。

[關鍵詞] 人機協同； 認知智能大模型； 個性化學習； 學習設計； 實踐模式

[中圖分類號] G434" " " " " " [文獻標志碼] A

一、數智化時代個性化學習設計的本體流變

個性化學習作為一種以學為中心的教育模式，側重于根據學習者的優勢、偏好、需求和目標為其提供學習內容、方式、時間和地點等方面的靈活選擇[1]。以往個性化學習主要針對學習過程的某個環節提供適應性服務，體現為特定領域專用化的片段式支持思路，總體呈現出學習環節割裂、學習服務單一、學習內容窄化等特點，在學習流程的全局性和連續性支持方面存在一定的局限性。在服務供給模式上，當前個性化學習以數據分析結果為主要供給憑據，體現出以診斷式數據分析為主的主體推送方式。盡管這種方式能夠在一定程度上推送差異化學習資源，但在滿足學習者自主發展與個性需求方面存在一定的局限性。在個性化學習分析方面，早期主要獲取和挖掘單個模態的學習數據，數據之間存在結構特征、時間節點、含義表達等差異，難以進行關聯規整與融合分析。

教育5.0時代的個性化學習關注學習者個性化認知需求[2]，生成式人工智能、泛在物聯、人機融合智能等數智技術的發展與應用，使得模態信息的自動生成成為可能，能夠為學習者提供自然交互、靈活學習、即時互動等支持。通過拓展人機對話深度與限度[3]，以數智化技術為支撐對學習要素與流程進行統整規劃，實現學習流程的系統化設計與重構、以學習者為中心的客體需求定制、學習規劃的深度分析與定制，進而推動學習朝著更加個性化、精準化和易于規模化的方向發展。

二、人機協同視域下個性化學習設計的發展向度

（一）人機共教：智適應路徑規劃構筑雙重教學

人機協同需要改變過去將智能機器作為教學輔助工具的淺表化應用，轉為人類教師與智能機器共同進行知識生產、課堂組織與制定教學方案[4]的深層次融合。人機共教是以差異化教學為共同價值追求，以提高教學效益為目標，通過教師教學與智能指導雙管齊下，形成融合互補、契合高效、協同平衡的雙重教學模式。該模式以教師和機器雙教學主體為執教核心，在教學過程中融合教師策略指引與智適應學習路徑規劃開展個性化教學。

（二）人機共學：全過程個性輔導塑造智慧伴學

人機共學著眼于平衡學習過程中人與機器的主客體差異，尋求人與機器之間相互促進、共同發展的協同學習關聯，形成雙向賦能的學習共同體。該模式通過生成式人工智能與學習者進行多輪交互，并對學習者的輸入信息進行深度分析以連續定制輔導指令，為其提供伴隨式智能輔導。在學習全過程中，人機協同學習基于主體間的對話交互實現學習者知識建構和機器精準反饋生成[5]，構成人與機器之間無障礙互動、相互啟發的雙向交互式學習模式。

（三）人機共評：多鏈條動態追蹤繪制學習畫像

教育的高質量發展促使學習評價不僅需要關注學習成效，還需要給予學習者個性化的學習診斷與反饋，幫助其優化后續學習預設。學習評價如何實現個性化診斷反饋，關鍵在于突破人與機器的單向度聯系，探索形成人與機器的雙向度互動評價[6]。人機共評融入多鏈條協同技術，通過端點檢測、日志抽取、智能傳感以動態獲取學習數據，將主體經驗與客觀數據相結合以解讀過程數據產生的內隱性原因，協同繪制、動態調整進而匹配準確的學習畫像。

（四）人機共管：差異化監測督學調控學習管理

學習管理貫穿于課中和課后的全部過程，側重于通過計劃、指導、督促等方式將學習過程程式化和規范化。因此，需要探索人與機器的協同管理機制，統整主觀管理決策與客觀智能監測以精準判斷學習者學習進程，達成差異化督學管理。人機共管是以高效學習為旨要，以搭建人機協同管理的有機聯系為指向，融合人本管理理念和多元感知技術，全方位深度把握學習者進展差異并進行個性化調控與督學的協同管理機制。

三、認知智能大模型賦能個性化學習設計的理據形態

認知智能大模型通過輸入大體量、高質量的數據進行預訓練、指令微調和干預強化，擁有巨量參數及深度網絡結構，目前已初步具備文本生成、邏輯推理、多模態交互等多種能力[7]。以認知智能大模型為代表的大語言模型作為新質推動力，其通用性、泛化性、涌現性特征顯著，為個性化學習增添了新的人工智能引擎。研究通過歸納法進行理論推演，在探討認知智能大模型核心能力的基礎上，明晰其賦能個性化學習設計的底層邏輯，為進一步融合應用尋求理論依循。

（一）認知智能大模型驅動個性化學習的技術邏輯

1. 高質量數據解析支撐個性化需求識別

在數據分析層面，認知智能大模型經過語義信息學習，涌現出語言理解、數據解析與上下文記憶等能力，能夠處理學習者數據，精準理解自然語言，為識別學習者差異性方式需求、內容需求、資源需求等提供支撐。在學習方式需求方面，通過分析交互數據以捕捉學習者隱藏的語義信息、學習偏好與行為模式等，確定其在交互方式、學習進度、學習場景等方面的特定需求；在學習內容需求方面，通過提取已有學情數據中的理解偏差、薄弱點等特征以輔助診斷學習者認知起點，從而定位其對內容難度、廣度的差異需要[8]。在學習資源需求方面，通過對學習者上下文輸入數據中的個性化主觀傾向進行判斷和理解，以明確學習者對于資源類型、數量、粒度等方面的不同要求。

2. 多模態語義理解拓展個性化內容服務

在內容生成層面，認知智能大模型能夠對文字、聲音、圖片、視頻等多種形式的數據進行深層次分析解讀，并按照提示自動生成對應的多模態內容。依托多模態語義理解能夠對互動信息中包含的學習情境和任務要求進行挖掘，并通過對數字學習資源進行智能匯聚和協調重組以生成多樣適切的學習內容[9]，包括文本、圖像、視頻等。其中，文本內容是通過自然語言處理將文本信息轉化為單元序列并輸入編碼器后，生成不同結構、風格、主題的響應文本；圖像內容是基于自回歸模型預測圖像序列并解碼得到契合學習者描述的圖像資源[10]；視頻內容則是通過轉換視頻集合為若干時空區塊后，與文本序列進行匹配組合以生成蘊含不同知識與情境的視頻資源。

3. 可解釋邏輯推理助推個性化學習評價

在計算推理層面，認知智能大模型能夠模仿人類思維方式進行推理和分析，并給出清晰的邏輯推斷鏈路，包括情境式思維鏈、常識推理、科學推理等。該能力在學習評價中能夠給出詳盡的評價邏輯與解釋文本，促使評價內容、評價方式及評價結果轉向可解釋和個性化。在評價內容上，通過個性化的命題與評分邏輯評估學習者知識水平，同時依照學習者特點及學習進度調整評價內容的難度與深度[11]；在評價方式上，通過情境式思維鏈推理設置問題解決、邏輯推演、情境活動等交互式評測任務，由學習者單獨作答轉變為多方互動的伴隨式動態評價；在評價結果上，依托科學推理與可視化輸出能力，對學習者差異化表現進行深度挖掘以反映其個性思維能力與發展規律。

4. 開放式連續對話延伸個性化智能反饋

在對話交互層面，認知智能大模型具備多任務的通用求解能力與連續對話能力，能夠按照用戶語義信息回答多個領域的問題，并維持話題連貫性和適應話題跳躍性。依托通用求解與連續對話能力產出高質穩健的序貫性多輪對話，以傳遞學習者相應的領域知識，并實時為學習者呈現不同層次的個性化反饋信息，包括給出正確與否的結果性反饋、指出問題所在的提示性反饋、提出系統建議的指導性反饋等[12]。在混合問答技術的支持下，首先，通過基于規則的方法步驟給定反饋層次及模式；其次，基于檢索的方法步驟用于從知識庫中查詢返回最符合輸入意圖的搜索結果；最后，依托基于生成的方法步驟輸出相應層次和內容的智能反饋。

（二）認知智能大模型驅動個性化學習的多重向度

1. 目標邏輯：以多元智能導引個性化學習目標

在目標邏輯層面，個性化學習依托多元智能提供定制化反饋和沉浸式對話支持，目標指向為促進學習者不同層級的能力發展。認知智能大模型在處理復雜任務時所展現出的智慧能力，能夠推進學習者感官延伸與思維強化[13]，引導學習者到達認知維度與知識維度交匯形成的不同目標點。個性化學習以持續完善的多元智能模型為導引活動源，以個體層次的差異化認知過程為錨點，通過智慧能力與學習者進行互動、轉化與生成，促進其達成言語智能、邏輯數學、自然觀察等多向度、多層次能力發展的目標愿景。

2. 主體邏輯：以類人智慧激活個性化學習進程

在主體邏輯層面，人工智能機器展現出處理學習任務、解決復雜問題等類人智慧，逐漸成為個性化學習結構要素中新的重要主體。機器的類人智慧激活原有二元主體關系，通過提供個性資源、開拓學習空間、展開智慧交互構筑起基于“師—生—機”的三元主體結構[14]。教師、學習者與機器的主體間性決定了個性化學習進程中協同發展的互動關系。其中，學習者是知識的創造者，通過與教師、機器持續互動構建個體知識體系；教師是指導者和把控者，通過交流啟迪培養學習者的高階思維及復雜問題解決能力[15]；智能機器是知識的傳遞者和輔導者，通過類人智慧幫助學習者獲取知識、理解知識進而將學科知識轉化為綜合能力。

3. 方法邏輯：以領域知識庫定制個性化學習方法

在方法邏輯層面，個性化學習強調依據學習者偏好、學習目標和學習內容自適應規劃學習方法，提供靈活選擇以增強學習體驗，而專業化領域知識庫則是達成此路徑的有效媒介。領域知識庫是對特定領域知識集合進行結構化組織和表征所構建的系統，有利于機器理解和處理知識[16]。認知智能大模型通過導入領域知識庫和專業數據進行學習，習得豐富而專業的先驗知識，在學習方法上能夠快速識別、查詢、收斂和生成具有針對性的學習策略、學習步驟等，允許學習者通過輸入指令調試和輸出內容優化自主選擇適合的學習方法。

4. 運行邏輯：以專用大模型創新個性化學習范式

在運行邏輯層面，個體教育發展的復雜性與特殊性決定了需要一套系統規范的運行機制，以形成全流程統整一體的個性化學習范式。教育專用大模型通過教育領域專業數據訓練并持續升級，具備豐富的教育專業知識及專業能力[17]，能夠更加靈活地處理復雜多變的教育任務?；诮逃龑Ｓ么竽Ｐ偷膫€性化學習新范式是以個體學習需求為導向，通過教育專業能力賦能創新學習環境、資源、評價等內部要素，形成學習空間互動生成、學習資源按需供給、學習評價動態嵌入的個性化學習運行模式。

四、基于認知智能大模型的個性化學習結構體系

打造中國版人工智能教育大模型，探索大規模因材施教、創新性與個性化教學[18]，是國家層面對于智慧教育的新部署，也是深入實施國家教育數字化戰略行動的關鍵舉措。在個性化學習設計中，通過調用專業智慧能力賦能學習場景以滿足多元化需求，能夠促使個性化學習規?；l展。基于認知智能大模型的個性化學習設計需要以提示語對話模式為支柱，以三元主體結構為核心，以多輪反饋調整的協同教學階段為運行架構，共同構成協同俱進、適性發展的個性化學習結構體系。

（一）個性化學習設計的邏輯起點與目標導向

1. 個性化學習設計的邏輯起點

邏輯起點是科學結構的起始范疇和理論體系的始自對象[19]，是一個研究中最簡單、最抽象、最本質的表達。個性化學習設計的邏輯起點是個性化學習應以何種對象和范疇作為開端，據此延伸解決個性化學習的目標、內容與途徑等問題。個性化學習允許學習者基于個人能力與學習時間來開展課程學習[20]，強調遵循學習者的認知發展規律和個性需求。以學習者為主體，將學習者差異化認知起點作為個性化學習最本質的出發點，引發對于學習內容、學習要素、學習進程等的不同需求，從而決定個性化學習設計的組織方式與實施進度等。因此，個性化學習設計以學習者差異化認知基礎為邏輯起點，以契合個性特征和知識能力的學習要素為載體，通過符合認知規律的學習環路實現促進學習者認知發展和增強個體學習體驗的目標。

2. 個性化學習設計的目標導向

個性化學習在設計和實施上需要依據學習者認知結構與主觀狀態等特征以指向不同目標，而達成目標的差異性決定了學習環境、學習活動和知識經驗的選取組織應與所選擇的目標保持一致[21]，具有目標導向性。目標導向性是一定的教育價值取向在教學中的具體化，不同價值取向的目標共同構成了支持學習者個性發展的多維目標框架。基于目標的生活本位、經驗生長、個體際遇三種不同價值取向與表征模式，本研究進一步將其解析為行為性目標、理解性目標、生成性目標與表現性目標等四類目標導向。行為性目標是以具體、可操作的行為形式加以陳述的目標，指明每個學習者需要養成的差異行為[22]；理解性目標是學習者對知識內容的深刻領會與掌握，強調學習者個體能夠將所學知識靈活應用于實際情境并進行解釋分析；生成性目標是在教育情境中隨著教育過程展開而生成的個體知識建構與經驗積累；表現性目標是學習者在教學活動中所產生的個性化表現[23]。四類目標導向決定了差異化知識與技能學習要求，進而決定個性化學習設計的學習內容、學習活動與目標能力培養。

（二）面向三元主體協同的個性化學習設計原理

人機協同下個性化學習設計原理的核心在于教師、學習者與認知智能大模型之間的協同共進關系，關鍵在于三個學習階段與六個學習要素構成的迭代回路，動力源于認知智能大模型的賦能加持，其結構關系如圖1所示。該設計原理包含兩部分，循環中心是以啟發貫通與復合調節的三邊共生為協同理念，形成引導反饋、互動延伸、提示輔助的協同學習結構；主體框架是以個性化學習模塊構成循環遞進的關聯進路，推動整體完成學習者知識、能力與素養的目標轉換。

從圓心的主體協同關系來看，個性化學習設計涵蓋教師、學習者、認知智能大模型三大智慧主體，形成了教師與大模型的教學共同體、學習者與大模型的學習共同體、教師與學習者的導學共同體。其中，教學共同體以教師智慧與智能代理為主體，通過多種智慧能力給予教師教學輔助，共同為學習者提供個性化學習服務，形成協同指導關系；學習共同體以學習者智慧與智能代理為主體，通過雙方的學習互動以促進學習者思維感知能力延伸、認知加工和知能建構[24]，形成協同調節關系；導學共同體以教師智慧與學習者智慧為主體，通過教學智慧對學習者進行個性化指導，獲取學習者反饋進而對學習過程進行個性化調整，形成協同進步關系。

從中層的學習序列循環來看，個性化學習設計是根據個性化學習需求與目標，選擇學習內容和學習資源，規劃學習活動和組織結構，實施學習流程和評估計劃的過程。在個性化學習設計中，通過課前個性分析與問題診斷、課中個性對話與深度學習、課后個性反饋與學習遷移三個階段，構成協調一體的教學循環。其中，課前階段針對個性化學習目標設定，解決學什么的問題，該階段主要任務是根據學習者個性特征與需求確定個性化學習目標與學習資源；課中階段針對個性化學習內容組織，解決如何學的問題，該階段主要任務是根據個性化學習目標規劃學習內容與活動，并在實施過程中動態調整；課后階段針對差異化學習結果分析與反饋，解決怎么評的問題，該階段主要任務是通過學習數據分析進行全方位評價，并以反饋結果為依據給予學習者個性化學習支持與拓展。

從外層的支撐要素能力來看，以認知智能大模型核心技術能力與個性化學習要素特征的支撐關系為聯動依據，通過模型核心能力驅動個性化學習設計的三個階段與六個要素，形成模型多元智能加持的外環框架。其中，以數據解析、語言理解、內容生成能力輔助識別個性需求，用以確定個性化學習目標和生成個性化學習資源；以多模態交互、知識問答、情境思維鏈能力組織規劃個性化學習內容和學習活動；以邏輯推理、連續對話、指令跟隨能力解析生成個性化學習評價反饋和拓展任務。

（三）基于提示工程的人機協同對話提示語模式

人機交互的特殊性決定了我們需要運用智能代理容易理解的語言進行對話和交流，在掌握模型的內容生成機制基礎上，基于提示工程進行人機協同對話。提示工程是指針對大語言模型應執行的任務，對自然語言文本進行設計、實施和改進以創造合適的提示指令，進而引導大語言模型生成預期響應的過程[25-26]。依托于提示工程技術與個性化學習需求特征的邏輯關聯，以學習者中心的人機協同對話為核心理念，以推進深入對話輪轉為路向指引，提出個性化學習提示語設計模式，如圖2所示。

該模式包含個性需求描述、特定角色設定、指定示例提示、個體思維鏈調整四個部分。其中，個性需求描述是對學習者差異化起始能力與目標進行細化，包括先驗知識與個性特征；特定角色設定是對智能代理需扮演的領域專家進行說明，包括任務情境與扮演角色；指定示例提示是對具體的目標任務樣式進行示范，包括輸出規范與指令要求；個體思維鏈調整是對智能代理的思考與推理方式進行引導，包括推理的引導話語和正誤提示。該模式的基本邏輯在于將明晰學習者意圖作為起點，通過固定模型隨機參數與添加角色行為約束，促使模型更好地收斂和產出高質量響應內容。該模式的最終目標在于通過思維鏈提示與遞進對話推進個性化學習問答，引導智能代理模仿人類推理的結構化思維過程完成多步驟推理任務，使學習者能夠逐步建立個體思維推理鏈[27]。

（四）基于人機協同對話的個性化學習設計框架

基于認知智能大模型的個性化學習設計依托人機協同理論，融合多元智能模型對學習者進行個性化分析診斷，并對教與學進行設計、優化與實施，目標是促進學習者的能力形成與素養發展。該設計理念體現了教學共同體與學習共同體的統一、個性診斷與學習設計的統一、知識建構與素養發展的統一，是學習設計的一種新形態。

據此，我們以教與學共同體為框架內核，以課堂教學階段為要素載體，構建了人機協同視域下個性化學習設計的流程框架，如圖3所示。該框架包括個性化學習目標導向、個性化學習環節組織、個性化學習模塊設計以及人機協同個性化學習路徑四個部分。其中，目標導向部分以促進學習者素養發展為核心，圍繞知識、思維、素養開展學習設計；環節組織部分以診斷、學習、反饋等為構成要素，圍繞學習者學習能力與思維品質進行深入分析以開展個性化學習；模塊設計部分圍繞學習環節對個性化學習要素與流程進行細化設計，形成需求識別、資源重組、活動實施、評價反饋的序列循環；學習路徑部分以學習者、認知智能大模型、教師為主體，通過學習共同體與教學共同體兩條主線展開多重交互與意義建構，推進課程三個階段完成由問題解決向能力形成的遞階轉換。

在個性化學習模塊設計中，第一個是課前個性分析與問題診斷階段，包括個性化學習需求與個性化學習資源，主要任務是通過分析學習者特征及其個性需求以確立個性化的學習目標，進而對適配的學習資源進行選擇與組織。第二個是課中個性對話與深度學習階段，包括個性化學習活動與個性化學習指導，主要任務是基于個性化學習目標對學習活動進行個性化組織與規劃，并在實施過程中進行個別引導和適時調整以形成深度學習對話。第三個是課后個性反饋與學習遷移階段，包括個性化學習評價與個性化學習拓展，主要任務是通過抓取全過程學習數據進行深層分析，以便采用多元化評價方式生成個性化反饋，并據此進一步給予學習者個性化學習支持與拓展。

在人機協同的個性化路徑中，學習共同體基于啟發性提示對話展開交互以形成個性化學習路徑，教學共同體基于引導性提示對話進行互動以形成個性化教學路徑。其中，個性化學習路徑是以個體認知建構與素養發展為學習指向，通過協同感知、協同決策、協同轉化等個別化聯結過程形成從課前自主學習進階到課中探究學習，再轉化為課后遷移學習的接續發展路徑。個性化教學路徑是以適應個性需求、優化知識結構和實施課程內容為教學航向，通過協同設計、協同引導、協同反饋等配合過程形成由課前智能化診斷到課中動態化指引，再到課后個性化反饋的連貫指導路徑。

五、結 束 語

通用大模型通過融入先進教育理念、專業領域知識與核心教育場景形成教育專用大模型，進一步推動個性化學習理念、模式、流程的重塑升級?；谡J知智能大模型的個性化學習設計結構體系體現為三元主體協同、教學管評統一、適性服務閉環，其邏輯起點在于學習者差異化認知基礎，目標導向在于支持學習者個性發展，通過學習模塊設計與協同路徑規劃形成個性化學習設計框架，呈現人機協同下個性化學習的教與學全貌。未來，在個性化學習設計與實踐中，需要通過跨場景學習活動融合與承接、多通道學習資源重組與優化、多模態交互記錄整合與分析探索按需學習范式，形成人機智能協同的數字化教育新常態，為開展規?；虿氖┙烫峁┞窂?。

[參考文獻]

[1] WALKINGTON C， BERNACKI M L. Appraising research on personalized learning： definitions， theoretical alignment， advancements， and future directions[J]. Journal of research on technology in education， 2020，52（3）：235-252.

[2] 董艷，唐天奇，普琳潔，等． 教育5.0時代：內涵、需求和挑戰[J]． 開放教育研究，2024，30（2）：4-12.

[3] 陳向東，趙麗娟，劉澤民． 拓展學科的疆域：大模型的涌現能力對學習科學的影響[J]． 現代教育技術，2024，34（1）：44-54．

[4] 李樹英，馮思圓． 教師的四種角色與五重教育境界——兼論智慧教育時代教育學的挑戰與重塑[J]． 現代遠程教育研究，2024，36（2）：28-35．

[5] CRESS U， KIMMERLE J． Co-constructing knowledge with generative AI tools：reflections from a CSCL perspective[J]． International journal of computer-supported collaborative learning，2023，18（4）：607-614．

[6] 吳砥，郭慶，鄭旭東． 智能技術進步如何促進學生發展[J]． 教育研究，2024，45（1）：121-132．

[7] 人民網. 科大訊飛發布星火認知大模型V3.5 [EB/OL]. （2024-01-31）[2024-08-10]. http：//ah.people.com.cn/n2/2024/0131/c227131-40733330.html.

[8] 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．

[9] JEON J， LEE S． Large language models in education： a focus on the complementary relationship between human teachers and ChatGPT[J]． Education and information technologies，2023，28（12）：15873-15892．

[10] LIU V， CHILTON L B. Design guidelines for prompt engineering text-to-image generative models[C]//Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New York： ACM， 2022， 384：1-23.

[11] 汪張龍． 認知智能大模型加速教育考試數字化轉型[J]． 中國考試，2023（8）：11-18．

[12] CHEN X L， MITROVIC A， MATHEWS M． Investigating the effect of agency on learning from worked examples， erroneous examples and problem solving[J]． International journal of artificial intelligence in education，2019，29（3）：396-424．

[13] 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．

[14] 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．

[15] 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.

[16] 劉清堂，吳林靜，劉嫚，等． 智能導師系統研究現狀與發展趨勢[J]． 中國電化教育，2016（10）：39-44．

[17] 中國教育科學研究院數字教育研究所， 之江實驗室智能教育研究中心. 重構教育圖景：教育專用大模型研究報告[R]. 北京：中國教育科學研究院，2023.

[18] 光明網. 教育部部長懷進鵬：讓群眾認可的“好學?！痹絹碓蕉郲EB/OL]. （2024-07-19）[2024-08-10]. https：//baijiahao.baidu.com/s？id=1804997477936368640amp;wfr=spideramp;for=pc.

[19] 瞿葆奎，喻立森． 教育學邏輯起點的歷史考察[J]． 教育研究，1986（11）：37-43.

[20] KELLER F S. Good-bye， teacher[J]. Journal of applied behavior analysis，1968，1（1）：79-80.

[21] 洛林·W·安德森． 布魯姆教育目標分類學：分類學視野下的學與教及其測評（完整版）[M]． 蔣小平，張琴美，羅晶晶，譯． 北京：外語教學與研究出版社，2009：3-4．

[22] 施良方． 課程理論：課程的基礎、原理與問題[M]． 北京：教育科學出版社，1996：84-85．

[23] SCHUBERT W H． Curriculum：perspective，paradigm，and possibility[M]． New York：Macmillan Pub．Co．1986：190-195．

[24] 方海光，王顯闖，洪心，等． 面向AIGC的教育提示工程學習提示單設計及應用[J]． 現代遠距離教育，2024（2）：62-70．

[25] WHITE J， FU Q， HAYS S， et al. A prompt pattern catalog to enhance prompt engineering with chatGPT[EB/OL]. （2023-02-21）[2024-08-10]. https：//doi.org/10.48550/arXiv.2302.11382.

[26] GIRAY L. Prompt engineering with ChatGPT： a guide for academic writers[J]. Annals of biomedical engineering，2023，51（12）：2629-2633.

[27] WEI J， WANG X， SCHUURMANS D， et al." Chain-of-thought prompting elicits reasoning in large language models[EB/OL]. [2024-08-10]. https：//arxiv.org/abs/2201.11903.

Research on Personalized Learning Design Based on Cognitive Intelligence Large Model from the Perspective of Human-Computer Collaboration

MOU Zhijia1，" YUE Ting1，" ZHU Tao2

（1.Research Center of \"Internet Plus Education\"， Jiangnan University， Wuxi Jiangsu 214122;

2.iFLYTEK Co.， Ltd， Hefei Anhui 230001）

[Abstract] Exploring the organic combination of large-scale education and personalized cultivation is an important academic proposition for educational reform and development in the new era. The generative artificial intelligence represented by large language models has changed the way of knowledge acquisition and human-computer interaction， and brought a new drive to provide customized learning experience and innovative personalized learning design. The personalized learning design in the context of human-computer collaboration presents an ontological change from the fragmented to the holistic， from the push-based to the customized， and from the unimodal to the multimodal in the process of transformation. In the process of development， it is embodied in the multiple dimensions of human-computer co-teaching， human-computer co-learning， human-computer co-evaluation， and human- computer co-management. In the process of logic， it is manifested in the adaptive empowerment of guiding goals， activating processes， customizing methods， and innovating paradigms. The structural system of personalized learning design takes the different cognitive foundation of learners as the logical starting point， and aims to support the development of learners' personality. Based on the human-computer collaborative dialogue prompt pattern， a framework of personalized learning process is constructed through the design of learning modules and the planning of collaborative paths， forming a personalized learning design paradigm with three-dimensional collaboration of the main body and a closed-loop of adaptive services. The human-computer collaborative dialogue prompt pattern relies on the content generation mechanism and prompt engineering technology， and guides dialogue turns through demand description， role setting， and example specification to promote the formation of individual thought chains， providing collaborative support for personalized learning processes. The study explores the formation of a new human-machine collaborative learning pattern empowered by humanoid intelligence for personalized learning interaction scenarios， and provides a useful reference for the educational application of the vertical model.

[Keywords] Human-Computer Collaboration; Cognitive Intelligence Large Model; Personalized Learning; Learning Design; Practice Mode

基金項目：2024年度國家社會科學基金教育學一般項目“數智環境下基于大語言模型的個性化學習設計與評價研究”（項目編號：BCA240055）

[作者簡介] 牟智佳（1987—），男，山東棲霞人。副教授，博士，主要從事個性化學習與服務、學習分析與評價研究。E-mail：ambitionyt@163.com。