人工智能技術反噬教育公平現象及其矯正

基金項目：北京市教育科學“十四五”規劃2023年度優先關注課題“基礎教育階段北京市國際學校的需求與發展質量研究”（課題編號：ACEA23006）

中圖分類號：G434 文獻標識碼：A 文章編號：1009-458x（2025）7-0098-17

一、引言

信息技術是拓展教育形式的重要途徑。近年來人工智能技術的迅猛發展為教育領域帶來了更多可能性（Kayaetal.，2024）。2022年，科技部等六部門印發《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》指出，要在教育領域持續挖掘人工智能的應用機會，積極探索在線課堂、虛擬課堂、虛擬仿真實訓、虛擬教研室、新型教材、教學資源建設、智慧校園等場景（科技部等六部門，2022）。人們寄希望于人工智能技術在教育中的應用賦能教育高質量發展，解決教育領域中的疑難問題。

教育公平是社會公平的基石（薛二勇等，2021），也是教育領域中的重點和難點問題之一。盡管我國已經采取了多種措施提升教育公平指數，但是教育的不公平性仍然是社會各界熱議的話題。人工智能技術具備與以往信息技術完全不同的特征，能否借助新技術促進教育公平取得突破性進展，已經引起了學界的廣泛討論。有學者認為，人工智能技術具備精準擬真和多元個性的智慧學習特征，并可通過自適應系統支持個性化學習（胡小勇等，2022），因此有望同時解決教育的規模化和個性化問題（石倩amp;萬秀蘭，2024），深度推進教育公平。但也有學者指出，人工智能技術在教育中的應用，可能無法成為解決教育難題的“阿拉丁神燈”（王佑鎂等，2023a），甚至會對教育公平產生反噬作用（張新民amp;張稷鋒，2023）。在大力推進人工智能技術在教育中的應用之前，分析人工智能技術影響教育公平的路徑與條件，結合現有技術發展進程系統研判人工智能技術對教育公平的影響，尤其是可能引發的公平風險，引導技術更好地服務于教育教學，是重要又迫切的問題。

二、文獻綜述：理論觀點梳理及研究限度

在分析人工智能技術對教育公平的正向影響時，已有研究認為，由于人工智能技術具備高算力的特性，可通過自適應學習技術（董曉輝等，2017），為學習者精準推送個性化學習內容（鮑日勤，2018），通過優化教育過程彌合教育結果差距，促進教育公平。但是自適應學習模型是否真正促進了學習收益，仍然存在爭議（江波等，2023），有實驗結果顯示在學校場域中使用基于自適應學習系統的學習者比未使用的學習者英語得分優秀率更低（李建偉等，2020）。在分析人工智能技術對教育公平的負向影響時，已有研究主要從兩個角度切入。一是“數字鴻溝”。這一術語最早用以描述社會中那些熱衷于使用信息技術與不太使用信息技術的人群之間的社會分化現象（Gunkel，2003）。許多研究延續“數字鴻溝”的論證，從使用者背景差異的角度，解析人工智能技術對教育公平的負向影響（Blanchard，2015）。有研究指出，數字弱勢群體，如沒有網絡覆蓋的貧困地區學生等，無法同數字相對優勢人群一樣享受新技術資源（孫田琳子，2023）。二是“算法偏見”。相關觀點認為，人工智能技術的算法存在由開發者帶來的先在偏見，包括性別、種族和階層歧視等（Madaioetal.，2022），造成了不公平態度的廣泛傳播。破解人工智能技術對于教育公平的負面影響，學界多從技術向善和人的向善兩個方向展開（王佑鎂 等，2022）。技術向善的破解之道將算法改進作為規避技術反噬公平現象的重要手段（王佑鎂等，2023b;Bakeramp;Hawn，2022），強調從技術供給端優化數字教育資源（Linetal.，2020）。人的向善的應對之策主張技術進步不足以消除所有倫理問題，應從主體性視角展開人工智能技術倫理風險治理（張黎等，2023）。技術改進和人的主觀能動性的完善兩個維度均被視為消解技術反噬教育公平現象的重要手段。

綜合來看，目前的研究在分析人工智能技術提升教育公平的路徑時，多從自適應學習模型能夠支持學生個性化學習，從而有助于提高學生學習效果這一角度人手，但是在探討人工智能技術對教育公平的預期風險以及應對之策時，往往又跳出了這一路徑，從更加宏觀的視角展開研究。有關人工智能技術能否基于自適應學習模型支持個性化學習，實現對教育公平的預期正向影響，以及如何促成預期的實現，并未系統論證。基于此，本文從人工智能技術支持下的“師一生一機”協同作用影響學生學習效果的角度切入，結合這一正向預期的實現條件，分析人工智能技術為什么會對教育公平產生反噬風險，并依據具體的發生機理探討矯正措施，為降低技術對教育公平的反噬風險提供政策參考。

三、先賦與后致：人工智能技術反噬教育公平的現象釋義

人工智能技術的精準擬真和個性化推送等特性為教育公平的推進帶來了新的曙光，人們期望通過自適應學習模型，在學校規模化教育模式下支持學生個性化學習，因材施教，彌合差距，達成每個學生均能得到最佳增值發展的教育結果公平狀態。但是這一美好預期的實現有賴于嚴格的前提條件，當前提條件缺失時，這一預期正向影響會適得其反，人工智能技術對教育公平的彌合力也隨之消失。按照羅爾斯第二正義原則，差別的存在需要而且能夠合理地期望符合所有人的利益，尤其是“最少受惠者”的利益。如果一種新技術的應用不僅沒有合理地期望符合最少受惠者的利益，反而拉開了最少受惠者與處境相對優勢者間的差距，那么這是對教育公平的反噬。

（一）反噬前提：人工智能技術促進教育公平的正向預期

瑞典教育家托爾斯頓·胡森（Husen，T.）指出教育公平包括起點公平、過程公平和結果公平三個階段（Husén，1975，pp.182-186），這一分類也得到了我國學者的廣泛認可（秦樹澤，2023）。在此分析框架中，過程公平特別是結果公平應當作為關注的重點（褚宏啟，2020），結果公平并非指學習結果的同質化，而是盡可能降低學生的先賦因素以及學情特點對于學習結果的影響，增強學校教育這一后致因素對于學習效果的作用。其中，先賦因素包括學生的家庭經濟背景、社會文化資本、性別特征、學生所在的地理位置（如城鄉分布）等學生個人無法決定的特征，學生的學情特點包括已有的學科知識經驗以及數字素養特征等。克服這些因素對于學生學習結果的影響，需要充分發掘處境不利（先賦條件弱勢和當前的學習結果不利）學生的學習潛能，讓每一位學生因最適配的教育過程得到最佳的增值發展。

這需要教育者根據不同學生的先賦因素以及學情特點提供個性化教學，換句話說，因材施教才能真正實現教育公平（潘信林amp;羅妍，2024）。在傳統規模化教育模式下，每一位教師在授課過程中均需要面對多位學生，其數量遠超教師自身的認知負荷，因此教師的授課內容與形式很難與每個學生的個體特點相匹配，而處境不利學生更容易被忽視，這一現實困境制約著因材施教理念的落實，不利于教育公平。

人工智能技術的自適應學習模型可以根據每個學習者個體的認知水平、學習能力等，動態調整與學習者相適應的學習方式，為個體提供交互式和個性化的學習路徑，以促進學習效果的提升（陳恩紅等，2021）。為此，人們積極開發人工智能技術中的自適應學習技術，并期望通過人工智能技術賦能學習者的個性化學習，降低學習者先賦因素對教育結果的影響，彌合學習結果差距，實現教育公平（張海等，2020）。但是，人工智能技術對教育公平的影響仍然是基于技術模型的理想預測，在現實條件下能否順利實現很少被審慎評估。事實上，正是這一樂觀預期使人工智能技術具備了反噬教育公平的前提。

（二）預期路徑：基于自適應學習模型的“師一生一機”協同作用

由以上分析可知，人工智能技術的自適應學習模型，由于可為學生提供個性化學習支持而被認為有望促進教育公平。這一過程看似僅涉及技術和學生兩大主體，并不需要教師參與。這是因為技術可以直接面向個體學習者，并不必然發生在學校場域，亦不必須有教師協同。但是，在討論人工智能對教育公平的影響時，落腳點是在學校教育場域中的學習者群體。此時，教師成為不可或缺的角色。因此，分析人工智能技術的自適應學習模型對教育過程和教育結果的影響時，亦應從“師一生一機”協同的角度展開。其中，“機”既包括專門的人工智能教育應用，如學習任務推送系統、學習行為分析系統等，也包括教師和學生在學校教學和學習時使用的通用人工智能技術，如ChatGPT等。

具體而言，在學校教育場景中，基于自適應學習模型的“師一生一機”協同賦能個性化學習，遵循以下步驟：其一，人工智能技術和教師獲取（或學習者輸入）并分析學習者的學情信息，作為反饋的數據基礎。其二，人工智能技術根據學情信息，依托內置的大數據模型和算法技術，檢索互聯網資源，形成量身定制的學習內容和學習任務，為學生提供個性化的精準推送，并結合實時學情數據動態調整推送的學習內容與任務。其三，教師作為人工智能技術的使用者，一方面，結合學情解析教學內容，并將教學需求反饋給人工智能技術；另一方面，根據教學內容與自身的教學經驗，對人工智能技術提供的反饋進行加工，調整反饋內容與形式，糾偏可能產生的不準確信息。其四，學生接收反饋，根據接收到的反饋做出適應性改變，改進學習效果。其五，學生改進后的學習效果塑造了新的學情信息，再次輸入給教師和人工智能技術，形成“師一生一機”協同反饋賦能個性化學習作用鏈（如圖1所示）。

由上述作用鏈可知，反饋是人工智能技術影響教育公平的重要途徑，人工智能技術對教育公平的預期影響就在于改進傳統教學模式，以自適應學習模型中的個性化精準反饋為目標，通過上述三主體循環反饋賦能個性化學習鏈條，優化學生的學習過程，尤其是滿足“師一生”雙主體的教育模式中最少受惠者的利益，改進學習結果，形成促進教育公平的差距彌合力。

（三）反噬表現：先賦因素的擴大與后致因素的削弱

上述對教育公平的正向影響能否實現，取決于人工智能技術能否通過基于自適應學習模型的“師一生一機”協同作用，克服先賦因素和學情基礎對學習者發展水平的制約。在協同作用中，反饋失調現象的出現，使得人工智能技術無法突破這些制約惠及不利處境的學生，加劇了先賦因素與學情基礎對于教育結果的影響，同時也削弱了后致因素對教育的作用，最終形成反噬教育公平的差距擴張力。

首先是與技術相關的反饋失調導致的先賦因素被放大。一是學生的家庭經濟背景因素，經濟條件較好的學生更容易獲得智能設備、優質網絡以及付費技術的支持，而經濟條件較差的學生可能因缺乏相應資源，難以公平地使用這些技術（黎明等，2024）。二是學生所處地區因素，發達地區的學校更容易部署高效的人工智能教育工具（馬歡，2024），如智能作業系統、在線課堂等，而基礎設施薄弱的地區或學校，即便引人了硬件設備，也會因系統穩定性和資源匹配問題難以充分利用。三是性別或種族等人種學因素，許多研究論證了人工智能算法中存在性別歧視問題（甘amp;馬亮，2024），如在教育領域中，男生更容易被推薦技術或科學類課程，女生則更可能被推薦語言或文科類課程，導致他們的學習方向局限于既有的性別刻板印象，限制了其多樣性發展。現實的技術條件制約，會導致技術賦能的教學模式中，學生的家庭經濟水平、所處地區、性別、種族等先賦因素的差異被進一步放大，擴大教育結果差異，反噬教育公平。

其次是與教師相關的反饋失調導致的后致因素被削弱。隨著技術的飛速發展，教師對學生的教學權力開始被AI削弱（劉三女牙amp;郝曉晗，2024），從教育的主導者逐漸演變為“人機協同”教學的設計者和學習的輔助者，成為承擔設計人工智能賦能的教學任務，并輔助學習者使用人工智能技術展開學習的角色。在這一過程中，教師的教育教學能力作為影響教育結果的重要后致因素，其效用亦被削弱，取而代之的是教師使用人工智能技術加工反饋的能力。技術教學能力較強的教師，能夠通過人工智能進行精準教學，幫助學生最大化提升學習效果；技術教學能力不足的教師可能濫用或誤用人工智能技術，無法有效利用人工智能為學生提供反饋，甚至對學習結果產生負面影響。而教師的技術教學能力容易被教師自身的先賦因素（如經濟水平、城鄉歸屬等）影響（袁磊amp;劉沃奇，2024），導致其作為學生發展影響因素的后致效應再一次被間接削弱。

最后是與學生相關的反饋失調導致的學情基礎差異加劇。生成式人工智能技術作為通用人工智能，其反饋質量有賴于人類輸入的指令質量，并且可開展基于人類反饋的強化學習（Yuetal.，2024）。學生輸人的信息質量與其學情基礎密切相關，數字素養好、邏輯性強的學生，其輸入的信息質量更高，更易被人工智能技術識別，從而輸出更精準的反饋信息。反之，數字素養相對較差、邏輯性較弱的學生，則難以接收到人工智能技術提供的精準反饋信息，并做出適應性改變，由此造成學習結果的馬太效應。

四、反饋失調：人工智能技術反噬教育公平的原因分析

基于人工智能技術的自適應學習模型促進教育公平，需要“師一生一機”三要素協同反饋，以完成對學生的個性化學習支持。然而，在技術提供反饋、教師加工反饋、學生接收反饋的任一環節中，“師一生一機”三要素均存在現實條件與理想狀態的不匹配性，致使預期的精準反饋演變為反饋失調。

（一）賦能與競技：人工智能技術發展的抱負與局限

人工智能技術是遵照一定算法，基于大數據訓練的教學或學習模型，包括大數據模型、算力以及算法三個部分（肖睿等，2020）。為學生個性化教學提供精準反饋，為教育高質量發展“賦能”，必須建立在完備的反饋輸入與精準的反饋輸出基礎上，這就要求人工智能技術汲取所有教育參與者的相關數據，通過廣泛可訪問的算力和無偏見的算法邏輯，在一個全面的數據模型中，篩選出與學習者個體特征相匹配的教育資源，達成在大規模教育模式中展開個性化教學的理想樣態。但實際上，現有的大數據學習分析技術和學習設計技術，其針對性的資源推送能力，不能完全滿足精準反饋的需求，并且在不同的人工智能技術應用中存在差距（陳明選amp;周亮，2023），即使當前人工智能技術呈現出“競技式”發展態勢，仍未能解決現實問題，反而造成了反饋失調，對教育公平產生了不良影響。

第一，人工智能技術訓練模型的數據基礎，存在部分教育者和受教育者相關信息缺失的問題。從全球視野來看，南半球和北半球人口在數據接入端口上存在差距（Wimpennyetal.，2022）。從國家間角度來看，相較于發達國家，發展中國家在人工智能技術訓練模型中的數據豐富程度顯著不足（Wilfredet al.，2020）。即使在同一國家內部，農村地區相較于城市地區的數據，也更少被納入訓練模型（Khanetal.，2018）。從群體差異來看，處境不利學生或教師的信息更難以被收入，而技術開發人員可能也沒有批判性地評估人工智能數據信息的公平性（Lynch etal.，2022），這導致人工智能技術為學習者提供的反饋中，本身就蘊含了不公平的因素。

第二，人工智能技術的尖端算力被資本壟斷，使得其抓取信息并提供精準反饋，從而在自適應學習模型中提升學生學習收益的能力不再惠及大眾。隨著摩爾定律日益趨近極限，人工智能技術的芯片制程再次受到成本制約（戚聿東amp;徐凱歌，2021），尖端算力被少數具有強大經濟實力的資本集團控制。如谷歌開發的TPUs是專門為機器學習任務設計的硬件加速器，僅供谷歌集團內部使用，外部開發者則只能租用云平臺，限制了低成本技術開發商的可及途徑。算力不足的技術無法為學習者提供相對精準的反饋信息，擴大了教育結果的差距。

第三，不同人工智能技術的算法不同，更完備的算法體系被“科技巨頭”控制，導致為學生提供精準反饋的算法出現差距。比如當前最新的生成式人工智能技術，雖然其技術架構是公開的，但除“科技巨頭”外，很少有企業可以承擔訓練模型的高昂成本（陳永偉，2023）。被核心算法和高水平模型訓練驅動的人工智能技術，在教育應用中會更好地為學生提供反饋信息。反之，未能經過核心算法訓練的人工智能技術則空有其表，使用這些技術不僅增加學習者的時間成本，還可能對學習效果產生負面反饋，如為學習者提供錯誤答案，甚至使學習者產生依賴性，削弱其自主學習能力。

綜上所述，在關注人工智能技術的第一類要素即數據要素時，技術的訓練模型存在數據偏見問題，即發展中國家、落后地區和弱勢群體數據易被忽視。當分析第二類要素即算力要素時，由于摩爾定律趨近極限，算法改進必須考慮成本問題，導致人工智能技術的更新被資本壟斷。而第三類因素即算法要素，則由于“科技巨頭”對公司產品的技術保護，最終形成了技術壟斷。上述三條路徑，從不同角度引發了不同人工智能技術為學生提供精準反饋時信息輸入的不完備性，最終反噬教育公平。

（二）轉譯與中介：教師TPACK水平的愿景與差距

教師是學生基于自適應學習模型展開個性化學習的重要支持者。根據行動者網絡理論，教師被認為是學生使用人工智能技術進行學習的重要轉譯者，其面向學生的“轉譯”功能決定了對技術反饋的加工效果，而這與教師的教學和技術知識息息相關。為了分析和闡釋技術支持學習情境下教師所應具備的能力素質，龐亞·米什拉（Mishra，P.）和馬修·科勒（Koehler，M.）在李·舒爾曼（Shulman，L.S.）提出的教學內容知識框架基礎上開發了整合技術的學科教學知識（technological pedagogical content knowledge，TPACK）模型（Mishra amp; Koe-hler，2006）。據此模型分析，在人工智能技術時代，教師所需知識包括內容知識（CK）、技術知識（TK）和教學知識（PK），由這三類知識兩兩交叉形成的跨學科知識，以及由三類知識統合形成的信息技術教學與內容綜合性知識（Chai etal.，2011）。由此，教師才能有效加工反饋促進學習效果提升。但是，教師在TPACK各個維度的發展并不充分且存在差異（肖立amp;黃嘉莉，2024;崔羽杭等2024），低TPACK水平的教師無法成為行動者網絡中的合格轉譯者，難以高質量完成加工反饋的任務，進而造成人工智能技術反噬教育公平現象的蔓延。

首先，教師如果沒有技術應用的經驗及技術知識（TK），那么在與“非人類行動者”即人工智能技術互動時，就無法成為轉譯中的主導者（歐陽忠明amp;李書涵，2020），其教學權力會完全讓位于人工智能技術，教師加工反饋的作用難以體現。教育實踐中，教師的技術經驗的確存在差異，部分技術弱勢教師難以輔助學生開展人工智能技術支持情境下的個性化學習過程。如有調查發現農村教師的技術知識顯著落后于城市教師（張靖amp;郭炯，2023），這意味著農村教師難以為農村地區的學生有效加工反饋信息，擴大了城鄉教育結果差距。

其次，如果教師不具備良好的內容知識（CK）和教學知識（PK），即使能夠成為轉譯者，也很難將學生的學習任務“問題化”，從而無法輔助學生的個性化學習。根據舒爾曼（Shulman，1986）的教學內容知識框架，教師的內容知識是指教師在特定學科或領域中的知識，關注教師對所教學科內容和概念的理解。教學知識是指通用的教育學知識如教學設計知識、學生發展知識、課程知識等（Flores-Lueg，2022）。調查顯示，這兩類知識在教師間一直存在差異（廖絨絨，2023;萬昆amp;饒愛京，2023），掌握程度較低的教師難以通過“問題化”過程加工反饋信息，從而影響學生接受反饋的效果。

最后，由于信息技術教學與內容綜合性知識在不同教師間存在差距，加重了教師轉譯過程的差距，導致教師在技術幫助下加工反饋效果的分化。許多研究論證了上述差距，如相比女教師，男教師的技術教學知識和技術內容知識得分更高（王宇，2023），這些差距不僅與性別有關，也和教師之前的教育背景相關（Liet al.，2022）。

綜合來看，在基于人工智能技術展開教學的行動者網絡中，教師只有在TPACK的各個維度得到充分發展，在面向學生展現學習任務時，才能成為有效加工反饋的轉譯者，提升學生的學習效果，實現人工智能技術促進教育公平的愿景。但是當前教師TPACK水平在各個維度上的發展并不充分，并且存在較大差異，導致教師加工反饋信息的能力存在較大差異，從而難以彌合技術賦能下學生學習效果差異，為教育不公平的蔓延帶來了深層次的風險（如圖2所示）。

（三）適應與拒斥：學生反饋素養的期望與不足

面對人工智能技術的反饋信息，學生接收反饋并由此做出適應性改變的能力顯著影響學習效果。戴維·卡利斯（Carless，D.）和戴維·邦德（Boud，D.）構建了一個技術支持學習情境下的學生反饋素養模型，包含感知反饋、評價判斷、管理情緒以及采取行動四個部分（Carlessamp;Boud，2018;董艷，2020）。這些要素共同影響學生接收反饋的效果，并決定學習效果的改進方向。理想狀態下，學生應具備高水平的反饋素養，能有效接收并適應人工智能技術和教師提供的反饋，并積極做出適應性改變。但調查顯示，學生的反饋素養在性別、年級、區域等方面存在差異（陳小紅等，2023），且這種差異同樣會導致基于人工智能技術的學習效果差異。如有研究發現，相比于普通高校的學生，雙一流高校的學生使用生成式人工智能技術對其批判性思維與自主學習能力的提升更為顯著（戚佳等，2024），由此可見，學生反饋素養的差異造成了人工智能技術反噬教育公平現象的進一步深化。

首先，學生感知反饋信息的準備水平存在差異，處境不利學生感知反饋的能力相對落后。學生的先驗知識和興趣影響其對反饋信息的注意方向，而他們的認知能力決定了信息接收容量。根據認知負荷理論，同一時間內學生能夠處理的信息有限（Sweller，1988），且不同個體的認知負荷存在差異，當接收到的信息超越個體的認知負荷時，就產生了信息過載問題，此時，學生無法有效提取服務于個性化學習的反饋信息。

其次，學生評價反饋能力存在差異，處境不利學生難以批判性地吸收反饋信息。當前，人工智能技術尚處在發展階段，其產生的反饋信息存在真假摻雜的問題。不同學生判斷信息真實性的能力存在差異，一些無法分辨的學生接收到了錯誤的反饋信息，以此為依據調整學習方向，使學習路徑日益偏離，擴大了學生接收反饋信息后學習效果的差距。

再次，學生在收到反饋信息后，在情感態度上對于反饋信息的接受程度，以及應用反饋信息的態度同樣存在差異。雖然有學生以開放的心態和積極的情緒接受人工智能的反饋信息，對技術有用性和易用性做出了較高的評判，并迅速調整自己的學習策略，但亦有信息閉塞、能力有限的學生，抗拒人工智能教育技術中有效信息的輸入，不認可技術的有用性和易用性。有研究發現，處境不利學生對教育情境的感知會比一般學生更加消極（張權力等，2021），這些學生無法依據反饋信息調整自己的學習方向。

最后，學生對反饋信息的能動轉化存在差距。當學生感知、接受并認可來自人工智能教育應用和教師的反饋信息后，仍然需要恰當的動機、把握合適的機會并采用適當的方式做出相應行為改變（Shute，2008）。但是不同學生的相關能力同樣存在差異，PISA數據表明，處境不利學生的動機和效能感得分顯著低于處境良好學生（趙德成等，2020），因此，他們更難根據接收到的反饋信息做出適應性改變。

綜合而言，由于處境不利學生在感知反饋、評價反饋、情緒管理和適應改變等反饋素養上準備不足，人工智能技術基于自適應學習模型提供的精準反饋極易演變為單一信息循環，產生“回音室效應”（姜婷婷amp;許艷閏，2021）。信息繭房中的學生無法了解他人的發展水平，也無法通過繭房之外的信息影響行動水平，固化了學習結果的分異，導致了人工智能技術反噬教育公平現象的深化。

五、協同提升：人工智能技術反噬教育公平現象的矯正對策

人工智能技術在教育中的應用加劇了教育公平風險，如何防范技術對公平的負面影響，是需要面對且深入解析的難題。通過歸因分析可以發現，防止“師一生一機”協同作用中的反饋失調有助于破解人工智能技術在教育應用過程中對公平的反噬現象。鑒于此，應糾偏技術發展理念與發展路線，提升教師TPACK水平，加強學生反饋素養的培育，并通過完善技術供給的配套保障和監管體系建設，提高反饋精度，優化基于人工智能技術自適應學習支持的“師一生一機”互動過程，以實現改進學習效果、促進教育公平的正向預期。

（一）技術發展理念從競技式轉向普惠式，讓技術服務惠及大眾

人工智能“競技式”的技術更新，雖從長遠看有望增加為學習者提供反饋的精準性，但在現實條件的約束下，容易導致技術供給只求新不求穩，只求算法與算力的尖端，不考慮使用成本與面向對象，造成資源浪費等問題。因此，技術供給理念不應一味追求“高精尖”，而應綜合考慮技術的面向范圍，提升技術供給的普惠性與實用性，打破技術壁壘，讓學習者公平可及地享受人工智能技術帶來的教育效果增益。

首先，人工智能技術構建教育大數據模型時，應當充分考慮處境不利學生的信息收集。“數字鴻溝”的存在不僅讓數字弱勢群體難以接觸人工智能教育應用，也使得技術大數據模型難以納入處境不利學生的相關信息，造成人工智能技術信息反饋的數據偏見。應當通過數據增強和科學的數據管理計劃消解少數群體代表性不足的情況，加強對已有文本數據中的各類隱性偏見的對抗性學習，提升訓練數據中樣本的多樣性，為精準反饋構建完備的數據基礎。

其次，扭轉算力至上的高精尖技術供給理念，重視技術供給的普惠性。創造新“鰭片結構”，以期再度拯救摩爾定律，讓人工智能技術在教育領域的開發與更新盡可能與高投人、高資本解綁，提升人工智能技術的普惠性，增強頂級算力的可及性，讓人工智能技術普遍擁有足以提供精準反饋的高性能算力。

最后，弱化技術供給的競爭性，打破算法孤島，進行技術整合。在競爭形勢下，人工智能技術的算法更新被封閉，阻斷了與其他技術或平臺的整合，導致技術的孤立和碎片化，不利于教育過程和教育結果的公平性。因此，應當轉變技術供給理念，打破技術壁壘，創設更多更優質的開源數據開發平臺，使基于尖端算法提供的精準反饋能夠惠及全體學生。

（二）提高教師TPACK水平，優化教師反饋加工能力

作為加工反饋改進學習效果的重要角色，教師TPACK的差異成為技術反噬教育公平的放大器。要避免這種放大效應，就應提升教師的TPACK水平，在向學生推廣人工智能技術支持下的“師一生一機”互動學習模式之前，豐富教師的技術知識，提高教師基于人工智能技術的教學能力，以即時修正人工智能技術的反饋偏差，促進學習增效。

其一，開展技術應用培訓，為教師提供人工智能技術相關知識（TK）培訓。通過開展專項講座，編寫和提供關于人工智能技術教育應用的教材、手冊或操作指南等措施，為教師全方位提供人工智能技術賦能教育教學的知識，防止教師的教學權力完全讓位于人工智能技術，提升教師的轉譯能力，提升教師對人工智能技術提供的反饋信息的加工效能。

其二，為教師提供豐富的人工智能技術在教育中的應用場景，拓展教師的技術實踐經驗。人工智能技術如若在教育場景中直接面向學生，極易導致學生包括認知惰性在內的各類偏差性學習行為，教師如果缺乏使用人工智能技術的相應經驗，則無法識別并矯正偏差行為。因此，學校和教育行政部門應當為教師購買相關的人工智能技術應用軟件以及相應的體驗課程，為教師提供智能教學方式的自主選擇空間（宋凡amp;龔向和，2024），讓教師在實踐中感知人工智能技術在教育中應用的優缺點，從而有能力修正技術對學生產生的負性反饋。

其三，培養教師使用人工智能技術開展教學的能力，提升加工反饋的精準性。即使教師的技術知識達到基本均衡水平，結合人工智能技術進行教育教學的能力仍可能存在差異。因此，不僅要讓教師掌握相關技術，還應幫助其將這些技術有效融入日常教學，提升其跨學科教學能力，從而更好地利用最新的人工智能技術改進教學效果，優化反饋質量，增強技術對教育公平的促進作用。

（三）加強學生反饋素養培育，提升反饋接收效用

學生擁有著復雜的行為模式與情緒系統，影響著他們對學習任務的完成情況，在技術供給時應當予以充分考慮。因此，人工智能技術在為學生提供反饋時，不應只提供知識性學習內容，還應綜合考慮學生的認知能力、思維水平、動機意愿與情緒情感狀態等反饋素養，以提升學生接收反饋改進學習結果的效用。

一是人工智能技術在提供反饋內容以及教師在加工反饋內容時，應從學生先驗經驗和認知負荷的角度，考慮學生接受反饋的興趣與能力。現有的人工智能技術根據學生前期知識掌握情況，給出下一步的學習內容，設計學習進度，但缺少對學生認知負荷的考量，削弱了技術對學習效果的影響，甚至造成相同知識基礎學生的不同學習結果。因此，應當統籌考慮不同學生的認知能力，重點加工契合處境不利學生認知能力的反饋信息，減小教育結果差距。

二是注重培養學生的批判性思維能力，避免人工智能技術的不良反饋對學生產生負面影響。人工智能技術發展的初期階段，存在大量的“AI幻覺”現象。如果學生沒有一定的批判性思維能力，對人工智能技術提供的反饋內容照單全收，將在錯誤的學習道路上越走越偏。因此，應設置專門課程，培養學生的批判性思維能力，防止學生接收人工智能技術提供的不實反饋信息，加劇教育不公平。

三是應在“師一生一機”協同作用過程中關注學生情緒情感狀態和動機水平。根據人本主義學習理論，知識學習只是學習過程的一部分，更有意義的學習是讓學習者情緒情感和價值觀都產生變化的學習，這種情緒情感還會影響學習者反饋適應的能動性和適應效果。因此，收集不同年齡段學生的情緒情感狀態數據，建立情緒情感認知數據庫，將有助于超越“莫拉維克悖論”，進一步幫助學生更好地接收反饋信息，改進學習效果。

（四）完善技術供給配套保障和監管體系建設，提高反饋精度

達成人工智能技術基于自適應學習模型促進教育公平的正向預期，不僅要從“師一生一機”協同作用的角度出發提高反饋精度，還需完善技術供給的配套機制建設，避免人工智能技術在教育領域的冒進式推廣，加快技術水平和技術應用的配套評價體系和監管體系建設，消解反饋失調，提升促進教育公平的差距彌合力。

第一，穩步調節人工智能技術在教育實踐中的推進步伐，減少負性反饋，削弱反噬教育公平的擴張力。在人工智能技術飛速發展過程中，人工智能教育應用層出不窮，但是質量良莠不齊。因此，要改進技術供給質量，研究多樣化混合推薦策略，真正滿足教育場域中學生的使用需求。而在技術水平未盡如人意時，應適當調節甚至放慢技術供給速度，優先設置技術供給標準，保障人工智能技術影響教育公平的底線。

第二，謹慎將人工智能技術供給水平作為學校的考核評估指標，提高技術的精準反饋，提升技術對教育公平的彌合力。技術供給程度具有量化易評估的特性，因此成為不少學校項目評估中的考核指標。許多技術開發商以此為契機，以營利為目的，不遺余力向學校等教育機構推銷帶有人工智能技術名號的相關產品，學校則僅根據經費情況和考核需求進行采買，未能考慮產品質量和給學生帶來的效果增益，錯失了借助人工智能技術促進教育公平的良機。因此，應慎重考慮在各類考核中添加“技術供給程度”相關指標，不將采購設備作為評價要素，保證學校根據實際使用效果采買相關技術設施設備。在使用端保障技術對教育的正向影響，從開發端倒逼精準反饋技術的研發，提高人工智能技術對教育公平的正向影響。

第三，構建人工智能技術在教育應用過程中的配套開發與推廣監管體系，加強政策約束，形成促進教育公平的合力。當前，我國雖然已經頒布了有關人工智能技術的發展規劃，但配套的政策保障尚不完善，更缺乏細致完備的監管體制（王建梁amp;劉天雨，2023），未形成對學生權益的基本保障。因此，應完善并細化基于人工智能技術的教育應用政策標準，構建多層次技術供給配套法律和政策規范，保障學習者在學習過程中使用人工智能技術的基本權益。

六、結語

人工智能技術對于教育公平的影響同時存在正負屬性，其正面屬性是人們不斷發展并且拓展人工智能技術應用的動力，而面對其負面屬性，則應當深入分析、盡早布局。數字鴻溝和算法偏見等學界討論較多的“天然”負面屬性值得重視，同時預期中的正面屬性能否實現，是否會發生反噬現象而潰變為實際上的負面屬性，亦需警惕。自適應學習模型是人工智能技術對于教育公平影響的預期正向路徑，但當前人工智能技術中的大數據模型、算力與算法的差距，使用人工智能技術進行輔助教學的教師TPACK差異，以及應用人工智能技術開展學習的學生在反饋素養方面的差異，均會導致此鏈條中的反饋有所偏差，出現反饋失調，使得預期中的教育結果的差距彌合無法實現，從而反噬教育公平。為了有效減少人工智能技術帶來的負面效應，亟須開展技術供給的內容創新與機制優化。應擺脫“競技式”“技術至上”等追求高精尖技術供給理念的束縛，在教師中優先進行技術使用的推廣和技術應用能力培訓，提升學生接收和應用技術反饋信息的綜合能力，加強人工智能技術在教育應用中的配套考核與約束政策體制供給。這些舉措能為技術供給帶來轉變與調適的方向，有助于矯正人工智能教育技術引發的反噬公平問題，同時也在一定程度上規避技術帶來的其他倫理風險。

從預期正向影響路徑切入分析人工智能技術對教育公平的反噬現象，有助于打破對技術應用的盲目樂觀想象，提升技術更新和推廣的審慎態度。但是，這一相對微觀的切人點顯然無法對人工智能技術與教育公平的關系進行全面探討，仍有下述問題有待進一步討論：第一，教育公平是否應成為人工智能技術追求的最重要的教育價值？如何凸顯這一價值導向？第二，除自適應學習模型外，人工智能技術還能通過哪些機制彌合學習結果差距，促進教育公平？第三，不同國家或地區，人工智能技術對教育公平是否有不同影響？未來的研究可通過價值分析、實證研究、國際比較等方法，更加全面和深入地探索人工智能技術與教育公平的關系，推動人工智能技術全面惠及教育公平。

參考文獻

鮑日勤.（2018）.人工智能時代的教與學變遷與開放大學2.0新探.遠程教育雜志（3），25-33.

陳恩紅，劉淇，王士進，黃振亞，蘇喻，丁鵬，馬建輝，amp;竺博.（2021）.面向智能教育的自適應學習關鍵技術與應用.智能系統學報（5），886-898.

陳明選，amp;周亮.（2023）.數智化時代的深度學習：從淺層記憶走向深度理解.華東師范大學學報（教育科學版）（8），53-62.

陳小紅，王琳，amp;李燕玲.（2023）.中學生批判性思維的培養——基于S市學生的調查.心理月刊（1），167-170.

陳永偉.（2023）.超越ChatGPT：生成式AI的機遇、風險與挑戰.山東大學學報（哲學社會科學版）（3），127-143.

褚宏啟.（2020）.新時代需要什么樣的教育公平：研究問題域與政策工具箱.教育研究（2），4-16

崔羽杭，陳嘉儀，amp;時利利.（2024）.高校英語教師TPACK能力現狀調查研究.現代英語（10），70-72.

董曉輝，楊曉宏，amp;張學軍.（2017）.自適應學習技術研究現狀與展望.電化教育研究（2），91-97，121.

董艷.（2020）.學生反饋素養論綱：內涵、模型與發展.開放教育研究（5），26-39.

甘活，amp;馬亮.（2024）.算法性別歧視：特征、類型與治理.山東行政學院學報（2），97-105.

胡小勇，孫碩，楊文杰，amp;丁格瑩.（2022）.人工智能賦能教育高質量發展：需求、愿景與路徑.現代教育技術（1），5-15.

江波，章恒遠，amp;魏雨昂.（2023）.如何判定自適應學習系統的有效性——基于因果結構分析框架.現代遠程教育研究（2），95-101.

姜婷婷，amp;許艷閏.（2021）.窄化的信息世界：國外信息繭房、選擇性接觸與回音室研究進展.圖書情報知識（5），134-144.

科技部等六部門.（2022-7-29）.科技部等六部門關于印發《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》的通知.中華人民共和國中央人民政府網站.ttps：//www.gov.cn/zhengce/zhengceku/2022-08/12/content_5705154.htm

李建偉，葛子剛，amp;張愛陽.（2020）.自適應學習系統在成人本科學士學位英語學習中的應用研究.現代教育技術（3），59-65.

黎明，徐政，葛力銘，amp;徐中平.（2024）.“人工智能 + \"賦能高等教育：理論邏輯、現實困境與實踐路徑.科學管理研究（5），57-65.

廖絨絨.（2023）.新文科建設背景下英語專業教師學習共同體的PCK發展研究.海南師范大學學報（社會科學版）（2），73-80，122.

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

馬歡.（2024）.教育數字歧視的規制邏輯：從技術理性、價值理性到制度理性.現代遠程教育研究（3），46-54.

歐陽忠明，amp;李書涵.（2020）.歐洲代際學習項目的跨個案研究.寧波大學學報（教育科學版）（6），8-17.

潘信林，amp;羅妍.（2024）.建立健全更加公平的教材供給機制.全球教育展望（11），43-54.

戚佳，徐艷茹，劉繼安，amp;薛凱.（2024）.生成式人工智能工具使用對高校學生批判性思維與自主學習能力的影響.電化教育研究（12），67-74.

戚聿東，amp;徐凱歌.（2021）.后摩爾時代數字經濟的創新方向.北京大學學報（哲學社會科學版）（6），138-146.

秦樹澤.（2023）.教育公平視域下家庭教育的有效性審視——兼評《家庭教育促進法》.清華大學教育研究（4），73-79.

石倩，amp;萬秀蘭.（2024）.培養“為未來做好準備\"的數字化學習者——新加坡《教育技術規劃》的實施路徑與影響因素探析.浙江師范大學學報（社會科學版）1），97-107.

宋凡，amp;龔向和.（2024）.替代還是賦能：人工智能教學對教師教學權的沖擊及其應對.中國遠程教育（4），15-27.

孫田琳子.（2023）.技術民主化視域下教育元宇宙的治理邏輯——兼論一場教育思想實驗何以可能.電化教育研究（10），63-69.

萬昆，amp;饒愛京.（2023）.促進跨學科學習的發生機制、模型構建與實證研究.中國電化教育（8），59-67.

王建梁，amp;劉天雨.（2023）.三螺旋理論視角下新加坡人工智能教育戰略研究.比較教育學報（3），111-122.

王佑鎂，王旦，amp;柳晨晨.（2022）.從科技向善到人的向善：教育人工智能倫理規范核心原則.開放教育研究（5），68-78.

王佑鎂，王旦，梁煒怡，amp;柳晨晨.（2023a）.“阿拉丁神燈\"還是\"潘多拉魔盒\"：ChatGPT教育應用的潛能與風險.現代遠程教育研究（2），48-56.

王佑鎂，王旦，王海潔，amp;柳晨晨.（2023b）.算法公平：教育人工智能算法偏見的邏輯與治理.開放教育研究（5），37-46.

王宇.（2023）.西安市初中農村數學教師TPACK發展的現狀調查與應對策略研究.西安文理學院學報（自然科學版）（2），99-104.

肖立，amp;黃嘉莉.（2024）.數字化時代欠發達地區鄉村中小學教師TPACK的組態構型與提升策略.教育科學研究（2），20-26.

肖睿，肖海明，amp;尚俊杰.（2020）.人工智能與教育變革：前景、困難和策略.中國電化教育（4），75-86.

薛二勇，傅王倩，amp;李健.（2021）.論在線教育發展的公平問題.中國電化教育（3），1-7，70.

袁磊，amp;劉沃奇.（2024）.民族地區教師數字素養的發展現狀與提升路徑——基于廣西9市教師樣本的實證分析.民族教育研究（1），117-124.

張海，崔宇路，余露瑤，季孟雪，amp;王以寧.（2020）.人工智能視角下深度學習的研究熱點與教育應用趨勢—基于 2006～2019 年WOS數據庫中20708篇文獻的知識圖譜分析.現代教育技術（1），32-38.

張靖，amp;郭炯.（2023）.農村中小學教師數字素養提升：價值意蘊、現實困境及策略探析.電化教育研究（8），122-128.

張黎，周霖，amp;趙磊磊.（2023）.生成式人工智能教育應用風險及其規避——基于教育主體性視角.開放教育研究（5），47-53.

張權力，陳星霖，沈悅，amp;王宏梅.（2021）.積極心理學視角下高校貧困生成長需求的關照研究——基于高校貧困生發展資源模型的建構與分析.福建教育學院學報（1），23-28.

張新民，amp;張稷鋒.（2023）.論教育技術向善：基于技術反噬公平的視角.四川師范大學學報（社會科學版）（3），107-116.

趙德成，周瑤，amp;李睿淼.（2020）.處境不利學生的發展及其影響因素——基于我國四省市PISA2015數據的分析.教育學報（6），85-95.

Baker，R.S.，amp; Hawn，A. （2O22）.Algorithmic bias ineducation. International Journal ofArtificial IntellgenceinEducation，32（4），1052-1092.

Blanchard，E.G.（2O15）.Socio-cultural imbalances in AIED research： Investigations，implications and oppor-tunities. International Journal ofArtificial Intelligence inEducation， 25，204-228.

Carless，D.，amp; Boud，D.（2O18）.The development of student fedback literacy： Enabling uptake of feedback.Assessmentamp; Evaluationin Higher Education， 43（8），1315-1325.

Chai， C.S.， Koh，J.H.L.，Tsai， C.C.，amp; Tan，L.L.W. （2O1）.Modeling primaryschool pre-service teachers’Technological Pedagogical Content Knowledge （TPACK） for meaningful learning with information and com-munication technology （ICT）. Computers amp; Education， 57（1），1184-1193.

Flores-Lueg， C. （2O22）. Reflective processes promoted in the practicum tutoring and pedagogical knowledgeobtainedby teachers in initial training. EducationSciences，I2（9），583.

Gunkel，D.J. （2O03）. Second thoughts： Toward a critique of the digital divide.New Media amp; Society，5（4），499-522.

Husen，T. （1975）. Social influences on educational attainment： Research perspectives on educational equality.OECD Publications Center.

Kaya，F.，Aydin，F.，Schepman，A.，Rodway，P.，Yetisensoy，O.，amp;DemirKaya，M.（2O24）.The roles of person-ality traits，AIanxiety，and demographic factors inatitudes towardartificial inteligence.International Jour-nal of Human-Computer Interaction， 40（2），497-514.

Khan，S.，Hwang， G.J.，Abbas，M.A.，amp; Rehman，A. （2O18）.Mitigating the urban-rural educational gap in de-veloping countries through mobile technology-supported learning.British Journal of Educational Tecahnolo-gy，9，735-749.

Li，S.Q.，Liu，Y.X.，amp;Su，Y.S.（2022）.Differentialanalysisof teachers’technological pedagogicalcontentknowledge （TPACK） abilities according to teaching stages and educational levels. Sustainability，14（12），7176. HTTPS：//DOI.ORG/10.3390/SU14127176

Lin，X.F.，Tang，D.D.，Shen，W.P.，Liang，Z.M.，Tang，Y.E.，amp;Tsai，C.C.（2O2O）.Exploring the relationshipbetween perceived technology-asisted teacher support and technology-embedded scientific inquiry： Themediation effect of hardiness.International Journal of Science Education，42（8），1225-1252.

Lynch，P.， Singal，N.，amp;Francis，G.A. （2O22）.Educational technology for learners with disabilities in primaryschool setings inlow-and middle-income countries：A systematic literature review.Educational Review，76（2），405-431.

Madaio，M.，Egede，L.，Subramonyam，H.，Vaughan，J.W.，amp;Walach，H.（2O22）.Assessing thefairnesofAIsystems： AI practitioners’processes，challenges，and needs for support.Proceedings of the ACM on Hu-man-Computer Interaction，6，1-26.

Mishra，P.，amp; Koehler，M.J. （2Oo6）.Technological pedagogical content knowledge： A framework for teacherknowledge. Teachers College Record， 108（6），1017-1054.

Shulman，L. S. （1986）.Those who understand： Knowledge growth in teaching.Educational researcher，15（2），4-14.

Shute，V.J. （2Oo8）.Focus on formative feedback.Review of educational research，78（1），153-189.

Sweller，J. （1988）.Cognitive load during problem solving：Effcts on learning.Cognitive science，12（2），257-285.

Wilfred，N.，Ian， O.，amp; Kathleen，M.S. （202O）.The use of health-related technology to reduce the gap betweendeveloped and undeveloped regions around the globe.American Society of Clinical Oncology EducationalBook， 40，1-10.

Wimpenny， K.，Finardi，K.R.， Orsini-Jones，M.，amp;Jacobs，L. （2O22）. Knowing，being，relating and expressingthrough third space global south-north COIL： Digital inclusion and equity in international higher education.Journal ofStudies inInternational Education，26（2），279-296.

Yu，T.，Yao，Y.，Zhang，H.，He，T.，Han，Y.，Cui， G.，Hu，J.，Liu，.，Zheng，H.T.，Sun，M.，amp; Chua，T.S.（2024）.Rlhf-v：Towards trustworthymllms via behavior alignment from fine-grained correctional humanfedback. In Proceedings of the IEEE/CVF Conference on Computer Vision and Patern Recognition （pp.13807-13816）. Seattle.

The Phenomenon of Artificial Intelligence Technology Undermining Educational Equity and Its Correction

Ma Siteng， Shi Guangjun and Wang Qi

Abstract： Educational equity is one of the key and challenging issues in education.The traditional “one to many” teacher-student relationship often fails to provide disadvantaged students with optimal value-added development， which can not bridge educational gaps. As a new subject emerging in education，artificial intelligence（AI） technology holds the potential to provide learners with precise feedback through adaptive learning models， therebyempoweringhigh-quality personalized learning processes and overcoming the impact of learners’ascribed factors and foundational differences in learning conditions，enhancing the role of acquired factors，so as to promote educational equity. The realization of this vision depends on the full and balanced development of the three key subjects-teachers， students， and AI.However， in practical terms，issues such as the the big data models，computational power and algorithm differentiation of AI， variations in teachers’TPACK levels and disparities in students’feedback literacy can all lead to feedback imbalances in personalized learning supported by adaptive learning models，which fails to meet the interests of the “least beneficiaries”and triggers a backlash against educational equity. To this end， efforts should focus on four aspects： establishing a concept of inclusive technology supply， providing teachers with technical pedagogical training，emphasizing the improvement of students’ feedback literacy，and constructingsupporting technology policy supervision systems，so as to prevent the risk of artificial intelligence technology backlashing against educational equity.

Keywords： artificial intelligence technology; educational equity；“teacher-student-AI” collaboration;adaptive learning model; feedback

Authors：Ma Siteng，lecturer of the School of Urban Economics and Public Administration， Capital University of Economics and Business （Beijing 10oo70）； Shi Guangjun， lecturer of the School of Educational Science， Yangzhou University （Yangzhou 225oo9）；Wang Qi，associate professor of the Key Laboratory of Artificial Intelligence and Human Language，Beijing Foreign Studies University （Corresponding Author： wangqi.20080906@163.com Beijing 100089）

責任編輯 單玲 韓世梅