基于生成式人工智能的個性化學習新形態(tài)

[摘 要] 生成式人工智能（Artificial Intelligence Generated Content，AIGC）正在重塑千行百業(yè)，也為個性化學習提供了新的可能性。為進一步探討基于AIGC的個性化學習新形態(tài)，采用文獻研究法，首先梳理了從經典的個性化學習，到基于大數(shù)據(jù)技術的個性化學習，再到基于AIGC的個性化學習等三個階段的演變過程，闡釋了基于AIGC的個性化學習內涵。其次，分析了基于A"，"Introduction":""，"Columns":"課程與教學"，"Volume":""，"Content":"

[摘 " 要] 生成式人工智能（Artificial Intelligence Generated Content，AIGC）正在重塑千行百業(yè)，也為個性化學習提供了新的可能性。為進一步探討基于AIGC的個性化學習新形態(tài)，采用文獻研究法，首先梳理了從經典的個性化學習，到基于大數(shù)據(jù)技術的個性化學習，再到基于AIGC的個性化學習等三個階段的演變過程，闡釋了基于AIGC的個性化學習內涵。其次，分析了基于AIGC的個性化學習新形態(tài)的兩大核心要素及其特征：師生智能體及其強自主性和環(huán)境智能體及其強生成性。要素之間的關系也呈現(xiàn)出自我引導、內容生成、路徑優(yōu)化和群體智慧結構等新特征。最后，討論了基于AIGC的個性化學習新形態(tài)的結構特征：凸顯了學習者自我導向學習、基于認知水平的生成式學習內容、適應內隱需求特征的千人千面的學習路徑供給，以及基于群體智慧的學習機會選擇均等。

[關鍵詞] 生成式人工智能； 個性化學習； 主體強自主性； 環(huán)境強生成性； 生成式學習； 自我引導； 群體智慧結構

[中圖分類號] G434 " " " " " "[文獻標志碼] A

[作者簡介] 朱永海（1980—），男，安徽六安人。教授，博士，主要從事在線教育與混合教學、人工智能教育研究。E-mail：zhuyonghai@qq.com。韓錫斌為通信作者，E-mail：hanxb@mail.tsinghua.edu.cn。

一、引 " 言

因材施教是兩千多年來的教育理想，受限于教師的時間和精力，傳統(tǒng)面授教學模式難以做到持續(xù)的個性化學習支持[1]。以ChatGPT為代表的AIGC，采用大語言模型、基于人類反饋的強化學習、深度神經網絡模型等技術，將會重構個性化學習系統(tǒng)，可望形成個性化學習新形態(tài)[2]，為大規(guī)模個性化學習支持提供新的可能性[3]。有研究指出，AIGC能支持個性化學習準確分析學生偏好、推薦多樣化學習材料和全面實現(xiàn)教學目標，可以更好地實施因材施教和降低學生負擔[4]；還有研究探討了ChatGPT引發(fā)的學習范式和學習評價的轉變，認為對話式學習正朝著“智慧問學”的高階形態(tài)發(fā)展[5]。目前從個性化學習形態(tài)的視角進行分析的研究不多，本文試圖探討基于AIGC的個性化學習形態(tài)的內涵、核心要素和結構特征，為研究數(shù)字時代學習新形態(tài)提供參考。

二、基于AIGC的個性化學習的內涵演進

個性化學習的研究受到教育界的持續(xù)關注，其內涵也在持續(xù)演進：從經典的個性化學習，到基于大數(shù)據(jù)技術的個性化學習，再到基于AIGC的個性化學習。

（一）經典的個性化學習

個性化學習（Personalized Learning）是指根據(jù)每個學習者需求，優(yōu)化學習進度和學習方法的學習方式[6]；針對學生個性特點和發(fā)展?jié)撃芏扇∏‘數(shù)姆椒ā⑹侄巍热荨⑵瘘c、進程、評價方式，促使學生在各方面獲得充分、自由、和諧的發(fā)展[7]；根據(jù)學習者獨特需求定制教學策略的方法[8]；強調以學習者的興趣為中心，設定靈活的學習目標[9]。有研究提出了課堂教學情境下個性化學習設計的三維模型：認知起點、學習興趣和學習能力[10]。個性化學習是根據(jù)學生的不同特點、學習風格和興趣等因素來調整教學方法和內容，在實際情況下教師并非時刻伴隨學生個性化學習全過程，而是需要對學生學習情況深入了解后，再制定針對性的學習計劃和教學策略，提供定制化的學習資源和輔助工具，從而滿足學生的學習需求。個性化學習的實現(xiàn)依賴于教師對學習者個體差異的深入理解和對教學策略的靈活調整。概言之，個性化學習是“為達成每個學生的個人學習需求和發(fā)展而定制學習內容、策略和路徑的學習方式”[11]，也稱之為經典的個性化學習，通常是在傳統(tǒng)課堂教學情境下作為補充方式來推進。

（二）基于大數(shù)據(jù)的個性化學習

作為經典的個性化學習的升級，大數(shù)據(jù)支持的個性化學習表現(xiàn)為自適應學習（Adaptive Learning），即根據(jù)學習者個人能力或技能水平，動態(tài)調整課程內容的水平或類型，包括自動干預和教師干預兩種類型[12]。根據(jù)學生已有信息，建立用戶適應模型，實現(xiàn)個性化內容呈現(xiàn)、路徑推薦和學習支持[13]；根據(jù)學生學習內容嵌入式評價的結果，及學生理解的程度，動態(tài)地調整教學內容呈現(xiàn)方式[14]；以個性化學習為核心，借助學習分析緊密相連的技術監(jiān)控學生的學習進度，通過分析數(shù)據(jù)來改進教學[15]；旨在生成“自動化、動態(tài)和交互式”內容[16]；利用技術監(jiān)測學生學習進度，利用數(shù)據(jù)修改教學內容和進行功能調整[17]。自適應學習的個體差異主要與學生的個體特征和學習行為有關，通過分析學生學習數(shù)據(jù)和行為模式進行教學決策，包括實時學情分析、智能作業(yè)批改和個性化學習推薦，以提高學生的學習效果和成績，但沒有強調學生的個人發(fā)展。概言之，自適應學習是根據(jù)學生進程表現(xiàn)和反饋信息，實時調整教與學策略。主要聚焦在依托個性化學習興趣和需求等，并通過預設方式供給個性化學習資源、學習路徑等。

（三）基于AIGC的個性化學習

AIGC正在不斷地改變著學習方式，展現(xiàn)出更加符合學生個性化需求的新形態(tài)。AIGC技術具有“1+N”功能，不是相加關系，而是疊加關系。“1”是AIGC的基本功能——“生成性”功能，與之前基于大數(shù)據(jù)技術的判別式人工智能主要聚焦于“分類與預測任務”有所不同，AIGC作為生成式人工智能，其主要功能是“生成新內容”[18]；是在海量數(shù)據(jù)加持下，突破人類認知邊界[19]。“N”是AIGC的多種功能，是建立在生成性功能基礎之上，如自動化、學習復雜分布、探索性和自我增強等功能，進一步強化了學習過程及其學習內容，是學生與AIGC互動過程中動態(tài)生成的現(xiàn)象，促使學習方式從低認知接受式學習轉向高意識生成式學習[20]。生成性是基于AIGC的個性化學習的最大特征。基于AIGC的生成式學習的“生成”有兩層含義[21]：非預設性和發(fā)展性。因此，基于AIGC的個性化學習可從一個角度理解為生成式學習，強調的是在作為個體學習者的“高自主性”和AIGC作為內容資源環(huán)境一體化的“高生成性”之間，通過提問與追問等高互動，形成不同的學習路徑，滿足個性化需求；具有創(chuàng)造性、復雜問題解決的路徑多樣性、自我監(jiān)控和自我調節(jié)等特點。這與心理學中的生成性學習（Generative Learning）相似，后者強調學習者通過主動生成意義而非被動接收信息來促進學習，通過個性化、創(chuàng)造性等行為實現(xiàn)深度理解[22]，是屬于ICAP（Interactive-Constructive-Active-Passive） 框架中的建構和互動模式，要求學習者通過創(chuàng)造性活動（如解決問題、設計方案）主動構建知識[23]。三種個性化學習形態(tài)的結構特征比較見表1。

三、基于AIGC的個性化學習形態(tài)的

核心要素及其關系

基于AIGC的個性化學習作為一種新型的學習形態(tài)，是一個復雜的系統(tǒng)，可從系統(tǒng)視角探討其核心要素及其關系變化[24]。

（一）基于AIGC的個性化學習形態(tài)的核心要素

AIGC植入教學系統(tǒng)，引發(fā)系統(tǒng)主體等各要素及其關系的變化，多個核心要素融合為學習主體和學習環(huán)境兩大要素，使得原有教學形態(tài)轉變?yōu)榛贏IGC的個性化學習形態(tài)。

1. 學習主體：師生及其“智能體”，體現(xiàn)“強自主性”

原有教學系統(tǒng)中作為主體的教師和學生依然是獨立存在，人腦作為“內腦”負責創(chuàng)造性思維和靈活應變等任務，并負責構建能力體系和形成情感等，把握目標方向和道德邊界。AIGC能為“人腦”提供不同程度的替代作用，如開發(fā)不同形式的智能體[25]，并可以作為“外腦”。一是助學智能體，與學習者互動，在陪伴、情感、交流等方面為學習者提供學習伙伴作用；此類智能體也需要像學生一樣接受教育，保障智能體的情感、倫理和價值觀的正確導向性。二是助教智能體，需要不斷地被投喂數(shù)據(jù)，不斷地優(yōu)化算法和數(shù)據(jù)來源，并堅持以學習者為中心[26]；協(xié)同教師一起成為人機協(xié)同雙師，承擔生成備課資料和學習任務，并實時分析學習狀況等重復性或數(shù)據(jù)分析密集型的任務[19]。“外腦“與”內腦“各有功能定位并相互協(xié)作。人類以智能體為中介對作為實踐客體的世界進行改造，體現(xiàn)出了“強自主性”特征：一是人類的存在樣態(tài)發(fā)生了改變，從“媒介是人體的延伸”已經轉化為“媒介就是人體的一部分”，如生理增強人、智能輔助人等，人類直接將智能體轉化為自身力量的一部分，使智能體成為完成特定任務的人類助理，與人形成協(xié)同共生的共同體，自主能力被強化。二是人類的生存方式發(fā)生了改變，AI環(huán)境的“強生成性”是依賴于主體的需求而生成的，以智能體為實踐中介的人類，以生理身體、數(shù)字真身、數(shù)字化身、數(shù)字分身等方式穿行于現(xiàn)實世界與虛擬世界中[27]，更加需要主體明確需求和厘定目標；學生在教師、助學和助教智能體陪伴下協(xié)同共生，凸顯學生“強自主性”的功能。

2. 學習環(huán)境：多要素融合的“環(huán)境智能體”，體現(xiàn)“強生成性”

傳統(tǒng)教學中的內容、媒體、環(huán)境、組織和評價等要素融合成為“環(huán)境智能體”，為學生提供內容供給，也提供學習支持。一是構建通用智能底座，依據(jù)學習需求，動態(tài)生成相對精準、豐富、定制化的學習內容，跨越學科壁壘，滿足寬口徑、跨學科、全學段的多樣性學習需求[28]。二是提供多空間感知、全維度分析、跨場域融通和自適應服務[29]，實時呈現(xiàn)虛擬實驗和模擬實踐。三是促進學習過程由知識呈現(xiàn)轉向思維推理等面向高階思維的生成性學習。當前推理模型諸如DeepSeek-R1（如鏈式思維推理、自然邏輯推理），通過微調或引入結構化方法（如規(guī)則、驗證模塊）增強邏輯能力[30]，可望提升思維品質。四是推進教師引導的教學組織形態(tài)轉型為基于“按需生成”智慧環(huán)境的學習自組織形態(tài)。依托AI技術和聚類算法、智能助教，傳統(tǒng)教學和在線教學等各種資源中以“教師講授為主”等接受式學習形態(tài)，演化為多種真正的個性化學習形態(tài)——自我導向學習、按需學習和泛在學習，這些都離不開“按需生成”的智慧學習環(huán)境。隨著大模型技術的演進，其作為“環(huán)境智能體”將呈現(xiàn)出更強的支撐學習的“強生成性”特征。

（二）基于AIGC的個性化學習形態(tài)的要素關系

1.“教師—學生”二元主體的互動，演變成“師—智能體—生”三元協(xié)同，體現(xiàn)“自我引導”特征

傳統(tǒng)教學中“教師—學生”二元主體的互動，轉變成互聯(lián)網時代的“師—機—生”三元協(xié)同關系，師生和生生交往關系演變成了人機交互關系，在實現(xiàn)跨越時空互動的同時，也異化成了符號之間的交往，忽視了師生基于內在情緒而產生的情感與非語言交流。AIGC時代，“師—機—生”進一步升級成“師—智能體—生”，智能體重構了師生主體之間的互動關系，師生角色和形態(tài)發(fā)生了變化。教師可由“智能體”助教替代，與作為媒體的“機”整合成為單一智能體，學生由師生互動中的被動地位角色，變成“生—智能體”的主體主動角色：自身內在需求、自主提問、自主加工、自我引導、自我調節(jié)和自我評價。“師—智能體”兩個要素，即兩大智能體一體化，形成“輔助式”導師，而非“主動式”教師，使得個性化學習系統(tǒng)發(fā)生了真正的結構性變化，“師—智能體—生”三元主體關系的“人在回路”作用更加凸顯[31]，體現(xiàn)出人機協(xié)同顯著的自我引導特征。

2.“內容—內容”分段分科的課程，演變成“整體—真實—多元”世界認知，體現(xiàn)“內容生成”特征

傳統(tǒng)教學系統(tǒng)中內容是以分學段和分學科等方式出現(xiàn)，即便是在大單元教學背景下，也只是對學科知識內部結構進行統(tǒng)整；主題式和項目化教學也只是在學科之間進行跨學科學習。基于AIGC的個性化學習內容：一是突破大單元教學和跨學科的“跨度”限制，通用大模型可生成“強邏輯推理”的多學科融合內容，促使學習者重新回歸到對“整體世界”的認知。二是突破書本和課堂等封閉式與抽象化學科內容“廣度”限制，借助AIGC生成多模態(tài)的內容，延伸到社會化大課堂和開放性的“真實世界”認知。三是突破單一知識內容的目標“深度”限制，轉變?yōu)椴町惢菪缘摹岸嘣澜纭闭J知。除了專業(yè)知識外，基于AIGC的個性化學習，借助AIGC能夠關注到自然、人文、歷史、科技等綜合素養(yǎng)培養(yǎng)，更加強調對“整體—真實—多元”世界的認知，且并不是外在強加或者灌輸?shù)模矝]有預設的學習內容，而是學習者在與智能體互動時即時生成的內容。

3.“技術—內容—環(huán)境”客體對象，演變成一體化的大模型環(huán)境智能體，體現(xiàn)“路徑優(yōu)化”特征

AIGC雖然能夠獨立地發(fā)揮作用，但限于其“幻覺”和倫理等問題，在教育系統(tǒng)中仍然需要結合現(xiàn)有的在線課程平臺來協(xié)同提供學習支持服務。基于AIGC的個性化學習形態(tài)中的“技術—內容—環(huán)境”三個要素融為一體，形成領域或專業(yè)大模型，或者稱為環(huán)境智能體。環(huán)境智能體的自然語言處理、多模態(tài)信息處理和推理能力，加之生成性的特征，通過多模態(tài)對話訓練“感知力”[32]，形成模仿人類行為的“擬人”能力。據(jù)此掌握學生的學習需求，調整學習內容的難度、速度和呈現(xiàn)方式，組織課程內容；通過對學生多模態(tài)數(shù)據(jù)的采集，提升“學力”分析能力，進而以被動響應、主動生成、幫助推理、提供引導、形成結構化認知等形式支持個性化學習，滿足“千人千面”的需求，并在推理邏輯和結構化知識支撐下支持學習者繼續(xù)深度對話，實現(xiàn)學習“路徑優(yōu)化”。

4.“學生—環(huán)境”主客體間互動，演變成“學伴智能體—環(huán)境智能體”互動，體現(xiàn)“群體智慧結構”特征

學習者與各種學習資源及智能學伴長期互動，智能學伴借助于學習者模型分析學生知識水平、行為水平和情感特征，逐步具備了比學生自己還了解自己的特點，形成了學力分析能力。通過教師、教材開發(fā)者、資源制作者和平臺設計者開發(fā)或提供高質量數(shù)據(jù)來“喂養(yǎng)”各種形式的智能體，這些智能體將成為一個個人的智慧“化身”，不同人的智慧將借助于不同的智能體，在統(tǒng)一的或不同的大模型中實現(xiàn)底層的技術貫通和智慧連接。智能體與不同用戶的深度互動，一方面可利用人類反饋強化學習（Reinforcement Learning from Human Feedback，RHFL）等多種技術，不斷地獲得優(yōu)化；另一方面又促進了用戶之間“跨時空”的智慧碰撞，并把不同用戶的創(chuàng)新思想和觀點吸收或者沉淀到智能體中，形成“群體智慧”。另外，多智能體之間的互動將成為基于AIGC的個性化學習形態(tài)中系統(tǒng)要素間關系的一種新形式，智能體之間通過通信和協(xié)調，共享信息、資源和策略，實現(xiàn)共同的目標，形成體現(xiàn)學習者需求和智能體不斷優(yōu)化的群體智慧結構[33]。

（三）基于AIGC的個性化學習形態(tài)的技術基礎：人在回路

基于AIGC的個性化學習本質上是人類與機器學習算法之間的新型互動，可以歸為“人在回路”（Human-In-the-Loop， HIL）。在與人類交互中，智能體可以學習和獲取數(shù)據(jù)，并提高其性能，提高學習的準確性，也有助于提升人類學習的效果和效率。這種結合創(chuàng)建了一個連續(xù)的反饋循環(huán)，使算法每次都能產生更好的結果，形成人機循環(huán)決策。人在回路廣泛與智能體進行互動，體現(xiàn)學習者的主動性與精準化、內隱性和差異化的主體需求與目標；同時，學習者在學習交互過程中不斷提供準確的反饋[34]，借助于主動學習（Active Learning）、數(shù)據(jù)增強（Data Augmentation）和遷移學習（Transfer Learning）等技術，形成基于AIGC的“群體智慧”結構的技術基礎。有學者將人在回路學習定義為“能夠與代理互動并通過這些互動優(yōu)化學習行為的算法，其中代理也可以是人類”[35]。人在回路通過人類的直接參與降低復雜性，尤其在數(shù)據(jù)有限的復雜領域中表現(xiàn)出更好的效果。研究表明，將人類和機器智能結合的混合智能方法能夠建立更緊密的合作關系，從而實現(xiàn)相互學習，從這個角度來說，基于AIGC的個性化學習是學習者與智能體之間不斷交互的過程，是雙方相互學習、不斷優(yōu)化的過程。

四、基于AIGC的個性化學習形態(tài)的結構特征

教學結構中的單要素、多要素及多要素間作用方式變化，都將引起教學系統(tǒng)變化[36]。AIGC的融入促使教學系統(tǒng)內部要素逐漸走向融合，推進經典的個性化學習和基于大數(shù)據(jù)的個性化學習，重構形成基于AIGC的個性化學習新形態(tài)，真正進入智慧學習形態(tài)，見表1。

（一）學生主體地位彰顯：由教師推薦或技術引導學習，轉向強主體性的自我導向學習

經典的個性化學習強調基于已有資源的教師引導學生進行個性化學習；大數(shù)據(jù)技術支持的個性化學習強調基于不同學習狀態(tài)，精準推送個性化資源來優(yōu)化學習；而基于AIGC的個性化學習，則是強主體性的自我引導式學習。AIGC的核心功能是支持學習者自然會話中少量多次顯性表達，這也是隱性知識或內隱需求顯性化表達的有效方式[37]；通過靈活地變換問題，學習者將隱性需求充分陳述，即不斷提問與追問，進而滿足學生深度需求。學習者通過提示詞撰寫能力的提升，不斷地優(yōu)化自身提問和追問的設計，不斷提升自身需求被彰顯外化的能力，不斷提升自我調節(jié)等自主學習策略；聚焦于在結構化知識和高階思維等深度學習方面[38]，向AIGC追問，保持人在回路中學習的主動性。學習者與AIGC互動中調節(jié)學習策略，實現(xiàn)自適應的按需學習，即學習者在自然情境中，根據(jù)多樣化的學習需求，為滿足多層次的學習目標進階要求，用智能體有效連接教學資源、環(huán)境與服務[39]。同時，學習者通過對AIGC反饋文本的深度結構化分析，支持下一步符合強邏輯的對話或活動，促進自我導向深度學習的逐步推進。因而，學習者想要與AIGC開展一場“蘇格拉底”式的高質量對話，就要求學習者具備發(fā)現(xiàn)并提出高質量問題、跨學科學習、批判性思維與自我調節(jié)等復合能力，這些能力將使個體在AI社會中保持獨特的競爭力和創(chuàng)造力。

（二）學習內容動態(tài)生成：由選擇性和接受式學習內容，轉向立足認知水平的生成式學習內容

經典的個性化學習更多的是教師提供外在學習支持，由教師做好各種基于學習者特征的預設，學習者進行選擇性學習；大數(shù)據(jù)支持的個性化學習則體現(xiàn)的是基于精準性推送資源的接受式學習。這兩種方式分別是由教師或平臺預設了有限數(shù)量和難度層次的學習內容資源，力求滿足學生“長尾”效應的、無限多樣化的需求。基于AIGC的個性化學習有兩個基礎：一是學習者動態(tài)認知水平，二是AIGC“生長”出滿足學習者多樣化需求的學習內容。AIGC通過記錄和理解學生認知水平現(xiàn)狀與知識盲區(qū)，為初學者提供支架，并快速解決未知領域的問題，助力學生知識技能的學習，引導學生在各自的最近發(fā)展區(qū)學習新知。有學者開發(fā)的個性化對話式學習（In-Dialogue Learning）框架，能夠在沒有預定義用戶畫像情況下，通過從對話歷史直接學習個性化信息，以生成符合特定學習者特征的對話[40]。這表明真正的個性化學習是在交互活動過程中產生的，強調尊重學習者個體差異特征及其潛在的創(chuàng)造價值。在面對一個問題時，基于AIGC的個性化生成式學習使學習者能夠主動探索和嘗試以尋求高質量的復雜問題解決策略；AIGC在學生缺少靈感時幫助學生生成思維框架和結構化內容，拓寬思路，促進學習者思維能力培養(yǎng)；AIGC依據(jù)學生理解能力生成相應難度的題目，并進行實時的答疑解惑和測評反饋；AIGC借助于“退一步”或“跳出去”等多種提示語策略[31]，實現(xiàn)適合每個學習者知識與思維水平的啟發(fā)式學習。

（三）學習路徑優(yōu)化生成：由預設的有限路徑與活動調整，轉向適應個體千人千面內隱特征的學習路徑

經典的個性化學習的路徑推薦需要對學習者學習結果進行評價，并提供針對性學習資源和學習活動；基于大數(shù)據(jù)的個性化學習的路徑推薦主要是以動態(tài)測驗數(shù)據(jù)、知識圖譜和算法等為基礎，為學習者提供適合的優(yōu)化學習路徑和學習活動調整；基于AIGC的個性化學習，更加關注學習者內隱的、基于“長尾理論”特征的興趣、需求、能力和情緒等，實現(xiàn)面向個體內隱特征的資源供給與多樣化路徑。大模型的算法與互動質量在一定程度上決定了個性化學習路徑的優(yōu)化。一是每個學習者獨特的學習習慣和動機，借助于AIGC互動進行個性化學習時，如基于Mixture-of-Experts（MoE）架構的高質量DeepSeek-V3，可對不同學習者的學習過程給出不同的文本、語音、圖像等多模態(tài)的即時互動；二是借助于推理模型，如擅長復雜問題解決、邏輯和分步推理任務的DeepSeek-R1，可給出適應不同學習者提問思路的問題解決方案，學習者可以依據(jù)自己的內在需求與理解，依據(jù)方案，繼續(xù)開展多路徑的學習和持續(xù)探索；三是AIGC可對學習行為進行持續(xù)追蹤分析等，不僅能夠掌握學生的學習基礎、進度、軌跡、效果等顯性特點，還可以挖掘學習偏好、情感和動機等內隱特征，據(jù)此給學習者提供及時的學習資源與學習干預支持；四是AIGC可作為學伴智能體為學習者提供學習規(guī)劃與時間管理，實現(xiàn)對學習路徑、資源和情緒等的針對性調整[41]。也有研究基于學習支架理論和ChatGPT，開發(fā)了翻轉學習指導方法（ChatGPT-FLGA），提供即時反饋、個性化交流、持續(xù)交談和學習干預，為不同個體學習者提供多樣化學習路徑。

（四）學習機會充分供給：由基于學習資源的優(yōu)質均衡，轉向基于群體智慧的選擇機會均等

經典的個性化學習和基于大數(shù)據(jù)的個性化學習，重在按照教師或大數(shù)據(jù)的需求分析，預設好各種優(yōu)質資源，為學習者提供個性化推薦服務，本質上是個體化學習。簡單說，以往個性化學習注重給學生提供均衡的、有限的、預設的優(yōu)質資源，而不關注這些有限預設學習資源或內容是否滿足學習者真正的興趣或需要。借助于智能體技術，不同專家學者通過提供優(yōu)質知識庫（如名牌高中的教學設計、復習資料、高質量題庫等），以及不同師生在與智能體互動中迸發(fā)出各種思想火花和稀疏性交互數(shù)據(jù)，都可以回饋到智能體中得以不斷的固化與能力泛化。智能體也逐漸形成了集聚各種優(yōu)勢資源的群體智慧結構，促其自我進化，并在群智協(xié)同對話中實現(xiàn)群體智能涌現(xiàn)[42]。同時，在城鄉(xiāng)區(qū)域間隱性的“數(shù)字素養(yǎng)鴻溝”不斷成為個性化學習障礙之際，逐步“平權化”的AIGC技術借助于可被大眾化掌握的互動提問能力，為每位師生提供觸手可及的群體智慧，如生成高質量教案、提供名牌高中教師教學質量級別的7×24小時答疑，不僅可快速推廣落地“優(yōu)質均衡”，而且還能確保每個學習者發(fā)自內心的學習興趣、需要等得到均等化滿足，確保每個學習者都有需求的發(fā)言權，進而實現(xiàn)按照自己興趣選擇提問、生成內容、推薦資源、規(guī)劃路徑，實現(xiàn)按需學習的機會均等，而非簡單的優(yōu)質均衡，從而真正實現(xiàn)大規(guī)模個性化學習。

[參考文獻]

[1] 徐翎衲，李艷. 智能輔導系統(tǒng)助力個性化學習[J]. 上海教育，2023（32）：72-73.

[2] 本刊編輯部，張彩云，李紅恩，等. 2023中國教育研究前沿與熱點問題年度報告[J]. 教育研究，2024，45（2）：79-94.

[3] 劉玉萍，徐學福. 服務大規(guī)模個性化教學的制度建構邏輯[J]. 電化教育研究，2022， 43（5）：40-46，69.

[4] 高琳琦. 生成式人工智能在個性化學習中的應用模式[J]. 天津師范大學學報（基礎教育版），2023，24（4）：36-40.

[5] 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.

[6] 韓雪童. 大數(shù)據(jù)時代個性化學習的技術曲解、本源廓清與突圍路徑[J]. 電化教育研究，2022，43（6）：25-31，60.

[7] 李廣，姜英杰.個性化學習的理論建構與特征分析[J]. 東北師大學報，2005，（3）：152-156.

[8] 武濱，左明章. 回溯與展望技術在教育教學中的角色——NETP2016對我國教育信息化建設的啟示[J]. 現(xiàn)代遠距離教育，2016（4）：64-70.

[9] 徐升，佟佳睿，胡祥恩. 下一代個性化學習：生成式人工智能增強智能輔導系統(tǒng)[J]. 開放教育研究，2024，30（2）：13-22.

[10] 劉美鳳，劉文輝，梁越，等. 差異化教學何以施行：班內多層次教學方案的設計與實施[J]. 中國電化教育，2022（1）：124-133.

[11]百家號. AI與教育：未來教育的個性化和自適應學習[EB/OL]. （2023-10-10）[2024-07-30]. https：//baijiahao.baidu.com/s？id=1779332897258771795amp;wfr=spideramp;for=pc.

[12] PUGLIESE "L. Adaptive learning systems：Surviving the storm[EB/OL].（2016-10-17）[2024-07-30].https：//er.educause.edu/articles/2016/10/adaptive-learning-systems-surviving-the-storm.

[13] 吳南中.自適應學習模型的構建及其實現(xiàn)策略[J].現(xiàn)代教育技術，2017，27（9）：12-18.

[14] LOWENDAHL J M， THAYER T L B， MORGAN G， et al. Top 10 strategic technologies impacting higher education in 2016[EB/OL].（2016-01-15）[2024-08-10].https：//www.academia.edu/29441505/Top_10_Strategic_Technologies_Impacting_Higher_Education_in.

[15] 蘭國帥，郭倩，呂彩杰，等. “智能+”時代智能技術構筑智能教育——《地平線報告（2019高等教育版）》要點與思考[J]. 開放教育研究，2019，25（3）：22-35.

[16] KERR P. Adaptive learning[J]. ELT Journal， 2016，70（1）： 88-93.

[17] ADAMS BECKER S， CUMMINS M， DAVIS A， et al. NMC horizon report：2017 higher education edition[R]. Austin：TX.New Media Consortium，2017.

[18] SHAH C， BENDER E M. Envisioning information access systems： what makes for good tools and a healthy Web？[J]. ACM Transactions on the Web， 2024，18（3）：1-24.

[19] 艾瑞咨詢. 2024年AIGC+教育行業(yè)報告[EB/OL].（2024-04-09）[2024-06-21].https：//mp.weixin.qq.com/s/FIUh_dVJHI1lZ8rmZT11ug.

[20] 趙曉偉，戴嶺，沈書生，等. 促進高意識學習的教育提示語設計[J]. 開放教育研究，2024，30（1）：44-54.

[21] 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(chuàng)新[J]. 電化教育研究，2023，44（6）：5-14.

[22] FIORELLA L. Making sense of generative learning[J]. Educational psychology review， 2023，35（2）：50.

[23] CHI M T H， WYLIE R. The ICAP framework： linking cognitive engagement to active learning outcomes[J]. Educational psychologist， 2014，49（4）：219-243.

[24] 韓錫斌，陳香妤，刁均峰，等. 高等教育教學數(shù)字化轉型核心要素分析——基于學生和教師的視角[J]. 中國電化教育，2022（7）：37-42.

[25] ADAMS J A. Multiagent systems： a modern approach to distributed artificial intelligence[J]. AI magazine，2001，22（2）：105-108.

[26] 孫立會，沈萬里.論生成式人工智能之于教育的命運共同體[J].電化教育研究，2024，45（2）：20-26.

[27] 楊保軍，孫新. 智能體：主體與客體相統(tǒng)一的“中介體”——兼論智能體在新聞生產中的地位和作用[J]. 全球傳媒學刊，2024，11（3）：3-23.

[28] 吳砥，李環(huán)，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.

[29] 李艷燕. 科技賦能教育創(chuàng)新：學習環(huán)境的變革與升級[J]. 人民論壇·學術前沿，2023（20）：73-79.

[30] SAPAROV A， HE H. Language models are greedy reasoners： a systematic formal analysis of chain-of-thought[EB/OL]. （2023-05-05）[2025-02-10].http：//arxiv.org/pdf/2210.01240v1.

[31] 易凱諭. 基于AIGC的人智協(xié)同教學模式研究[D]. 北京：清華大學，2024.

[32] 陶煒，沈陽. 從ChatGPT到Sora：面向AIGC的四能教育和范式革新[J]. 現(xiàn)代教育技術，2024，34（4）：16-27.

[33] 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.

[34] RETZLAFF C O， DAS S， WAYLLACE C， et al. Human-in-the-loop reinforcement learning： a survey and position on requirements， challenges， and opportunities[J]. Journal of artificial Intelligence research， 2024，79： 359-415.

[35] HOLZINGER A. Interactive machine learning for health informatics： when do we need the human-in-the-loop？[J]. Brain informatics， 2016，3（2）：119-131.

[36] 朱永海，劉慧，李云文，等. 智能教育時代下人機協(xié)同智能層級結構及教師職業(yè)形態(tài)新圖景[J]. 電化教育研究，2019，40（1）：104-112，120.

[37] 朱永海. 基于知識分類的視覺表征研究[D]. 南京：南京師范大學，2013.

[38] 朱永海. 深度學習視角下混合教學系統(tǒng)化設計與體系化模式構建[J]. 中國電化教育，2021（11）：77-87.

[39] 劉德建，費程，劉嘉豪，等. 智能技術賦能按需學習：理論進路與要素表征[J]. 電化教育研究，2023，44（4）：17-25.

[40] JIMENEZ C E， YANG J， WETTIG A， et al. Swe-bench： can language models resolve real-world github issues？[EB/OL].（2024-05-11）[2025-02-10].http：//arxiv.org/pdf/2310.06770v3.

[41] BHUTORIA A. Personalized education and artificial intelligence in the United States， China， and India： a systematic review using a human-in-the-loop model[J]. Computers and education： artificial intelligence， 2022，3：1-18.

[42] 趙曉偉，沈書生，祝智庭. 數(shù)智蘇格拉底：以對話塑造學習者的主體性[J]. 中國遠程教育，2024，44（6）：13-24.

A New Form of Personalized Learning Based on

Artificial Intelligence Generated Content

ZHU Yonghai1， "ZHANG Jiaxin2， "HAN Xibin3

（1.Artificial Intelligence Research Institute， Captial Normal University， Beijing 100048;

2.College of Elementary Education， Captial Normal University， Beijing 100048;

3.Institute of Education，Tsinghua University，Beijing 100084）

[Abstract] Artificial Intelligence Generated Content （AIGC） is reshaping various industries and providing new possibilities for personalized learning. In order to further explore the new form of personalized learning based on AIGC， this paper firstly adopts the literature research method to comb the evolution process from classical personalized learning， to personalized learning based on big data technology， and then to the personalized learning based on AIGC， and explains the connotation of personalized learning based on AIGC. Secondly， the two core elements and their characteristics of the new form of personalized learning based on AIGC are analyzed： teacher-student intelligent agents and their strong autonomy， and environmental intelligent agents and their strong generativity. The relationship between the elements also presents new features， reflecting the characteristics of self-guidance， content generation， path optimization and group intelligence structure. Finally， the structural features of the new form of personalized learning based on AIGC are discussed， including highlighting learners' self-directed learning， the generative learning content based on cognitive level， the supply of diverse learning paths adapted to the characteristics of implicit needs， and the equal selection of learning opportunities "based on group intelligence.

[Keywords] AIGC; Personalized Learning; Subject Strong Autonomy; Environment Strong Generativity; Generative Learning; Self-guidance; Group Intelligence Structure