基于智能體 + 元宇宙的數(shù)字化泛在學習對高階思維能力的影響研究

[中圖分類號]G434 [文獻標志碼]A

[作者簡介]翟雪松（1981—），男，安徽涇縣人。特聘研究員，博士，主要從事人工智能教育應用、教育大數(shù)據(jù)、教育元宇宙研究。E-mail;xszhai@zju.edu.cn。為通信作者，E-mail：yanli@zju.edu.cn。

一、引 言

2025年1月，中共中央、國務院印發(fā)《教育強國建設規(guī)劃綱要（2024—2035年）》，將全面構(gòu)建泛在可及的終身教育體系作為一項重要目標。然而，受時空與技術條件限制，泛在學習難以大規(guī)模、個性化、體系化實現(xiàn)。當前，以教育數(shù)字化推動泛在可及的學習模式是一項重大的教育改革創(chuàng)新課題，必須解決環(huán)境渲染和內(nèi)容生成兩大難題。環(huán)境渲染方面，《教育部部署加強中小學人工智能教育》中明確指出，將建設泛在教學環(huán)境作為主要任務，打造泛在多元、智能化、體驗式的學習場景；內(nèi)容生成方面，人工智能正全面重塑知識的生產(chǎn)與傳播，知識的呈現(xiàn)載體除了傳統(tǒng)的書本和電子教材以外，還包括物理空間的各類現(xiàn)實素材，教學模式從講授式轉(zhuǎn)向體驗式，學習者能力培養(yǎng)方向從傳統(tǒng)知識應用走向知識生產(chǎn)和創(chuàng)新。在此過程中，學習者的高階能力培養(yǎng)迫切需要創(chuàng)新泛在學習模式。

隨著不同時期人工智能技術的驅(qū)動，泛在學習的發(fā)展經(jīng)歷了主動探究、感知推送兩個階段。近年來，預訓練生成模型推動人工智能迅速發(fā)展，空間計算與具身智能引領元宇宙技術迭代升級。OpenAI于2025年1月23日推出首款AI智能體Operator，并預言2025年將是智能體元年。以Operator為代表的智能體具有特定知識和能力，聚焦多模態(tài)理解能力的提升，優(yōu)化情境感知和跨平臺交互，為泛在學習多變的場景需求提供了適應性內(nèi)容。在元宇宙產(chǎn)業(yè)中，以VisionPro和Orion為代表的空間計算技術構(gòu)建了“真實一虛擬\"融合的泛在環(huán)境，推動了實時渲染、虛實融合的數(shù)字泛在學習環(huán)境建設。由此可見，“智能體 + 元宇宙\"正邁入基于實時生成與渲染的新階段，為泛在學習提供更豐富的數(shù)字化應用場景和資源。相較之下，國內(nèi)對“智能體 + 元宇宙\"疊加環(huán)境的軟硬件研發(fā)尚處于起步階段，教育領域的實證性探索尚顯不足。

本研究以“地理媒介\"（Geomedia）和人工智能生成元宇宙（AI-GeneratedMetaverse，AIGM）框架為理論基礎，旨在構(gòu)建基于智能體 + 元宇宙的數(shù)字化泛在學習模式，探索其對學習者高階思維能力培養(yǎng)的有效性及作用機制。

二、研究背景與理論

（一）技術驅(qū)動下的泛在學習模式演變

泛在學習指通過移動設備、無線通信和傳感技術等，實時感知學習者所處的環(huán)境，動態(tài)記錄并分析其學習狀態(tài)。理想的泛在學習環(huán)境遵循自發(fā)性、真實性、建構(gòu)性、協(xié)作性和個性化等原則。隨著技術演變，泛在學習經(jīng)歷了三個主要發(fā)展階段。

1.第一階段：自主探究的泛在學習模式

該階段集中在2000年至2010年左右。隨著移動互聯(lián)網(wǎng)和終端設備的發(fā)展，泛在學習以學習者圍繞特定主題、利用移動工具自主探究為核心。該階段強調(diào)學習者通過體驗式學習強化對知識的理解與應用例如，Chen等構(gòu)建了支持跨平臺訪問的泛在學習網(wǎng)站，學習者可以隨時隨地使用多種設備訪問網(wǎng)站，獲取學習資料。該網(wǎng)站能夠記錄學習者在不同終端的學習行為、生成學習檔案并進行行為診斷，從而構(gòu)建學習者的適應性模型。然而，由于技術局限，此階段的泛在學習形態(tài)更接近移動學習，主要依賴移動設備呈現(xiàn)數(shù)字化學習材料，難以捕捉學習者所處的情境信息，無法將學習環(huán)境與學習過程深度融合。隨著物聯(lián)網(wǎng)技術的日益成熟，學習過程中的多元數(shù)據(jù)融合分析成為泛在學習新的實踐方向。

2.第二階段：感知推送的泛在學習模式

隨著物聯(lián)網(wǎng)技術的應用，泛在學習擁有了情境感知能力。此階段集中在2010年至2022年左右，以感知推送為特征。感知推送的泛在學習模式通過主動感知學習者的情境，包括位置、環(huán)境特征、行為和情緒等，將相關內(nèi)容自動推送給學習者，提升了學習的精準性與即時性。例如，臺灣科技大學研究者構(gòu)建的情境感知泛在學習環(huán)境，學習者可使用配備射頻識別（RFID）讀寫器的手持設備自主探索校園植物生態(tài)。校園中的植物貼上了RFID標簽，當學習者走到對應位置，讀寫器自動感知RFID信號，并向?qū)W習者推送相關學習資料。研究結(jié)果表明，這種泛在學習模式能夠提高學生的學習動機和學習效果[]。然而，此階段的泛在學習個性化不足、情境延展受限、學習深度不足。主要原因在于：第一，學習資源以預設為主，難以滿足大規(guī)模個性化學習需求；第二，情境延展受限于物理時空，學習者只能基于真實存在的物理空間進行學習，可能受到時間、空間等的限制；第三，這種感知推送的學習方式可能導致學習不夠系統(tǒng)，學習內(nèi)容以碎片化呈現(xiàn)，容易導致內(nèi)容理解的淺顯化和知識構(gòu)建的分散化[]。

3.第三階段：實時生成和渲染的數(shù)字化泛在學習模式

羅伯特·斯考伯曾斷言，未來25年，互聯(lián)網(wǎng)將進入由可穿戴設備、大數(shù)據(jù)、傳感器、社交媒體和定位系統(tǒng)五大技術推動的情境時代。自2022年以來，隨著高性能圖形處理器（Graphics ProcessingUnit，GPU）的量產(chǎn)，千億級參數(shù)的大模型得以預訓練，通過模型參數(shù)優(yōu)化和專門語料訓練，具有特定知識和推理能力的智能體不斷成熟；與此同時，高速并行算力顯著降低了空間計算和三維重建的延遲性，加速了元宇宙技術的應用進程。智能體的“神\"與元宇宙的“形\"相結(jié)合，有望解決以往泛在學習在情境感知與延展方面的限制，推動泛在學習進入“真實一虛擬\"場景疊加的、實時生成與渲染的新階段。在這個新階段，智能體將突破當前以人機對話為主的交互模式，走向基于用戶指令、具備跨平臺自主行動能力的全新模式，擁有更強大的推理能力，并清晰展示其推理過程，從而為泛在學習提供更高水平的智能化支持。國內(nèi)外AI公司已經(jīng)取得了一系列進展。例如，OpenAI推出的Operator智能體實現(xiàn)了跨平臺全自動無人操作。用戶僅需輸入需求，智能體便可自主完成餐廳訂位、購買日用品等任務。智能體的這種跨平臺自主行動能力使其能夠突破人機對話的被動交互模式，在泛在學習環(huán)境中實現(xiàn)自主智能決策。

（二）理論基礎

1.“地理媒介”概念及特征

隨著具身智能、空間計算等技術的迅速發(fā)展，“地理媒介\"作為一種新型媒介形態(tài)應運而生。該概念與羅伯特·斯考伯的觀點均肯定情境的重要作用，認為情境（Context）可以將虛擬公共空間與實體地理空間有機融合，重塑情境體驗、社會互動與個人邊界[13]，是數(shù)字媒介和萬物互聯(lián)的促進者，其核心特征如下：

一是空間無處不在，打破學習邊界。此特征與元宇宙環(huán)境特征高度契合。元宇宙突破了傳統(tǒng)互聯(lián)網(wǎng)在時空、交流及情感等維度的邊界[14，學習者可以借助預制或自主構(gòu)建的元宇宙情境體驗真實的問題解決過程[15]。二是位置實時感知，構(gòu)建個性化學習路徑。實時感知用戶所處的位置，識別情境并提供反饋，是地理媒介為用戶構(gòu)建個性化學習路徑的關鍵觸發(fā)機制。在元宇宙中，借助數(shù)據(jù)埋點，系統(tǒng)能實時捕捉學習者的位置信息，記錄具有時空屬性的四維動態(tài)數(shù)據(jù)。基于時空數(shù)據(jù)，智能體可進一步分析學習者的行為特征，從而根據(jù)學習者當前情境，為其個性化調(diào)整學習內(nèi)容和路徑。三是交互動態(tài)反饋，增強學習的適應性。地理媒介的核心功能在于交互的實時反饋，這一原則也是增強泛在學習動態(tài)適應性的關鍵。智能體通過情境感知與自適應支持強化這一特性。借助多模態(tài)感知能力與自然語言處理技術，智能體能夠自動篩選、更新優(yōu)質(zhì)教育資源[，提供精準支持[17]。四是多元主體融合，構(gòu)建知識共創(chuàng)生態(tài)。地理媒介融合個體、物理環(huán)境、虛擬環(huán)境、其他個體等多元主體，以情境的共創(chuàng)與共享為綜合目標，這與元宇宙的知識共創(chuàng)生態(tài)緊密相關[18]。元宇宙能夠提供可編輯的仿真學習環(huán)境，鼓勵多元主體共同參與知識生產(chǎn)與協(xié)作創(chuàng)新[]。智能體憑借動態(tài)內(nèi)容生成和多樣化知識資源整合能力，為學習者創(chuàng)造更多創(chuàng)新表達與知識建構(gòu)的機會[20。地理媒介的四大特征與智能體 + 元宇宙支持的數(shù)字化泛在學習追求的無縫、個性化、情境化特質(zhì)高度契合，為數(shù)字化泛在學習框架的構(gòu)建提供了理論支撐。

2.人工智能生成元宇宙框架

人工智能生成元宇宙框架指出，生成式人工智能是推動元宇宙發(fā)展的核心驅(qū)動力2。元宇宙為生成式人工智能提供了內(nèi)容呈現(xiàn)的場景，這兩項技術在功能上能夠相互彌補[22，融合二者的學習環(huán)境具備沉浸感、交互性及自發(fā)調(diào)節(jié)能力，能夠增強學習者的探究經(jīng)驗和實踐能力，并支持學習者的深層次知識建構(gòu)[23]

一方面，傳統(tǒng)泛在學習主要依賴現(xiàn)實物理環(huán)境，情境延展能力受限，而元宇宙通過構(gòu)建虛擬多維情境，能夠增強學習的情境豐富性與空間自由度。學習者可在預設空間中泛在探索，在場景間靈活跳轉(zhuǎn)。結(jié)合觸覺反饋、運動跟蹤等技術，元宇宙為學習者提供可編輯的仿真環(huán)境，促進人機或群體協(xié)作的主動體驗式學習，激發(fā)創(chuàng)新性問題解決能力[24。此外，元宇宙允許學習者在情境體驗中承擔決策后果，深化其對復雜問題的理解2。然而，元宇宙對大規(guī)模個性化學習的支持有限，其預設內(nèi)容難以滿足不同學習者的多樣化需求。

另一方面，傳統(tǒng)泛在學習中，學習者多通過詞向量檢索、模糊檢索或系統(tǒng)推送獲取學習內(nèi)容，所接觸的數(shù)字資源良莠不齊，個性化與適應性支持不足。相比之下，智能體基于參數(shù)優(yōu)化和專門語料訓練，具備自然語言生成和推理能力，能夠結(jié)合學習者歷史交互記錄，精準刻畫其個體特征，實現(xiàn)學習資源的動態(tài)調(diào)整與個性化推薦。此外，智能體通過與學習者的爭論式互動促進知識建構(gòu)。爭論（Argument）是高階思維能力培養(yǎng)的核心環(huán)節(jié)[2，學習者在模擬爭論的過程中可以批判性地審視自已的觀點，從而優(yōu)化認知結(jié)構(gòu)。建構(gòu)主義強調(diào)學習者應處于反饋的核心，認為反饋有助于提升學習者的自我調(diào)節(jié)能力2。智能體通過生成動態(tài)適配的個性化反饋[25]，可以為學習者提供精準支持。然而，目前大多數(shù)智能體多以單一對話工具形式存在28]，缺乏情境理解和人際互動能力[2]。研究者也指出，由于算法的局限性，現(xiàn)有智能體可能將學習者限制在狹窄的信息空間，簡化知識獲取過程，削弱了學習者思維的多樣性[30-31]。

元宇宙與智能體的技術互構(gòu)性為彌補各自局限提供了可能性。智能體通過自然語言生成，顯著降低元宇宙的內(nèi)容成本，并以情境模擬和個性化對話能力賦能元宇宙中的大規(guī)模個性化學習，借助爭論式對話啟發(fā)學習者思考高階問題，激發(fā)深層認知與創(chuàng)新能力]。元宇宙的沉浸式環(huán)境則為智能體提供了數(shù)字化身支持，通過多模態(tài)交互優(yōu)化情感表達，并通過多維感知情境增強智能體的情境理解與具身智能。學習者在具體情境中模擬實踐，不僅實現(xiàn)低成本的知識遷移，還有效避免對話式獲取知識的局限性。二者協(xié)同融合，通過模擬操作與智能體實時指導，顯著提升錯誤概念糾正效率和概念知識長期保留效果，同時優(yōu)化學習成果與學習者參與度[23]。基于地理媒介和AIGM框架，本研究構(gòu)建了基于智能體 ⁺ 元宇宙的數(shù)字化泛在學習理論框架（如圖1所示），以期打破傳統(tǒng)泛在學習的時空限制，實現(xiàn)知識與情境的深度融合，促進學習者探究能力和實踐經(jīng)驗的提升，從而培養(yǎng)學習者的高階思維能力。

圖1基于智能體 元宇宙的數(shù)字化泛在學習理論框架

為驗證基于智能體 + 元宇宙的數(shù)字化泛在學習模式在培養(yǎng)學習者高階思維能力中的實際效果，以及識別不同高階思維能力學習者的行為模式，本研究進一步開展實踐探究。

三、研究設計

本研究設計并開發(fā)了基于智能體 + 元宇宙的數(shù)字化泛在學習平臺，采用教育實驗法和問卷調(diào)查法，探索該平臺對學習者高階思維能力的影響。通過行為序列分析，揭示數(shù)字化泛在學習模式促進高階思維能力發(fā)展的內(nèi)在機制。為深入分析學習者提問智能體的質(zhì)量，本研究對相關文本進行了認知網(wǎng)絡分析。

（一）學習平臺開發(fā)

本研究以培養(yǎng)學習者高階思維能力為核心目標，結(jié)合被試學校社團課內(nèi)容和學生興趣，選定“多民族文化\"為學習主題，開發(fā)了集虛擬元宇宙、智能體教師交互、行為數(shù)據(jù)采集于一體的泛在學習平臺。

1.平臺開發(fā)技術

平臺集成多種技術以滿足學習者的多元、智能化需求。平臺基于Unity構(gòu)建，后端依托PlayFab云服務，支持托管服務、實時分析和LiveOps功能；使用VroidStudio設計該年齡段樂于接受的虛擬化身形象，為學習者和智能體提供高度擬真的交互體驗；接入文心一言大語言模型，實現(xiàn)學習者與智能體的自然語言交互；集成百度AI開放平臺的文本轉(zhuǎn)語音（TTS）和語音轉(zhuǎn)文本（STT）技術，提升學生與智能體的語音交互體驗，并通過OVRLipSync插件實現(xiàn)智能體的實時語音驅(qū)動口型同步；此外，借助NavMesh與NavMeshAgent實現(xiàn)智能體在元宇宙中的路徑動態(tài)規(guī)劃，使其能夠跟隨學習者，并在學習者漫游過程中實時提供交互支持。

2.平臺內(nèi)容及功能

學習平臺的功能設計發(fā)揮泛在學習的優(yōu)勢，并融入元宇宙和智能體的數(shù)字化能力，實現(xiàn)以下三大功能（如圖2所示）。（1）學習環(huán)境方面，傳統(tǒng)泛在學習受限于現(xiàn)實的時空條件，資源調(diào)動與場景切換靈活性較差。本研究設計的平臺，場景資源可預制，支持學習者靈活跳轉(zhuǎn)。平臺構(gòu)建了三個主要展館，包括民族政策館、民族節(jié)日與慶典館、民族服飾館，整合多元資料與三維模型，支持學習者自由探索與互動。各展館內(nèi)均設置引導性問題，在學習者進入展館后自動彈出，引導其圍繞問題開展探究性學習，激發(fā)學習興趣，促進認知的深入。（2）智能體交互方面，傳統(tǒng)泛在學習依賴移動設備（如手機、平板）與詞向量或模糊檢索技術，存在內(nèi)容精準度低、交互性弱等問題，難以滿足個性化學習需求。本平臺智能體支持語音與文字等多模態(tài)輸入，結(jié)合提示詞策略，引導學習者提出高質(zhì)量的探索性問題。在交互形式方面，智能體具備實時跟隨與陪伴式交互功能，通過語音、手勢、眼神等多種方式，增強學習者的情感投入與沉浸感。在智能體角色方面，平臺通過內(nèi)嵌知識庫，設定具備不同能力的智能體，如學習陪伴型智能體和提供民族文化知識自測的測試型智能體，以滿足不同學習需求。（3）行為數(shù)據(jù)采集方面。本研究在平臺中設置多維度數(shù)據(jù)埋點，能夠?qū)崟r采集學習者的交互行為與學習軌跡，為后續(xù)的行為序列分析和教學策略優(yōu)化提供數(shù)據(jù)支撐，從而提升學習體驗與教學效果。

（二）研究對象與實驗流程

本研究以X小學五、六年級和Y中學初一年級各一個班，總共118名學生為研究對象。學生均提前接受培訓，具備開展實驗所需的基本計算機和互聯(lián)網(wǎng)技能。課程共持續(xù)六周，研究者在課程開始前對學生的高階思維能力進行了前測。教學設計依據(jù)Stahl的協(xié)作知識建構(gòu)模型[34，具體流程包括情境引導、知識構(gòu)建、協(xié)作分享、學習評價四大環(huán)節(jié)。第一，在情境引導環(huán)節(jié)，研究者向被試詳細說明實驗平臺的操作方法、課程目標和學習任務，并明確提出在協(xié)作分享環(huán)節(jié)，學生將以小組為單位，圍繞小組共同提出的問題開展探究，最終在組間展示成果。該環(huán)節(jié)有助于學生整體把握課程架構(gòu)和實施流程，進而制定初步的學習計劃。第二，在知識構(gòu)建環(huán)節(jié)，學生根據(jù)個人傾向的學習序列，在興趣的驅(qū)動下進入數(shù)字化泛在學習平臺中的不同主題展館，在自由探索中發(fā)現(xiàn)問題，并通過與伴隨式智能體的互動逐步完成個人的知識建構(gòu)。第三，在協(xié)作分享環(huán)節(jié)。研究者對學生進行分組，引導其圍繞“多民族文化”主題開展問題驅(qū)動的協(xié)作學習。學生小組根據(jù)興趣確定共同的探究問題，此外，鼓勵其結(jié)合現(xiàn)實情境選擇具體的問題方向。在平臺支持下，學生在小組內(nèi)部拆解問題、分工探究，通過多輪人機交互與內(nèi)容整合，提煉觀點，最終形成小組共識。在此基礎上，學生開展組際交流，獲取反饋，進一步促進知識的深化、內(nèi)化與外顯。第四，在學習評價環(huán)節(jié)，為評估實驗效果，研究者對被試的高階思維能力進行了后測。

（三）測量工具

本研究測量工具參考Hwang等的高階思維能力量表3，并結(jié)合研究背景加以適當改編。信度分析結(jié)果顯示，前后測的總體內(nèi)部一致性信度Cronbach'salpha為0.907。本研究共發(fā)放118份問卷，其中有13份問卷因部分題目未回答或所有選項選擇一致而被判定無效。最終獲得有效問卷105份，有效率89.0% 。樣本特征分析（表1）表明，性別分布相對均衡，不同年齡組樣本數(shù)量差異較小。學生每日使用電子產(chǎn)品的平均時長較短，大多數(shù)學生接觸過三維軟件，并且每天花費一定時間使用三維軟件，但73.33% 的學生對生成式人工智能缺乏了解。

四、數(shù)據(jù)分析

（一）高階思維能力

首先，分析學生高階思維能力前后測的整體變化。由表2可知，前后測的均值偏差為0.42，顯著性概率檢驗值 p=0.000 ，表明基于智能體 + 元宇宙的數(shù)字化泛在學習在整體層面提升了學生的高階思維能力。進一步計算各維度平均值作為該維度得分，使用配對樣本 Ψ_t 檢驗分析前后測有效數(shù)據(jù)。結(jié)果顯示，問題解決能力和批判性思維在教學實驗前后顯著提升；創(chuàng)造性思維的前測分數(shù)最高，前后測對比雖然有所提升，但提升幅度較小，并不顯著。

（二）學生在平臺中的行為序列

本研究采用滯后行為序列分析并可視化呈現(xiàn)，檢驗不同行為的序列關系是否顯著，推斷關鍵行為模式。

1.基本情況

平臺參考Sun等[3和Yang等[37的研究設置埋點事件，從A至H依次編碼（見表3）。考慮到研究對象為初次接觸元宇宙平臺的中小學生，其具有強烈的好奇心和探索欲，因此，埋點不僅涵蓋學習行為，還記錄了與學習不直接相關的探索性事件（H），如探索場景邊界（觸發(fā)空氣墻碰撞）進入小公園（場景裝飾）等。這些探索性事件為揭示學生的行為模式和學習路徑提供了更全面的數(shù)據(jù)。去除問卷無效的學生數(shù)據(jù)后，研究者通過后臺獲取了三個年級共5917條學習記錄，各埋點的觸發(fā)次數(shù)詳見表3。

根據(jù)滯后序列分析原理，本研究將一種行為向另一種行為的轉(zhuǎn)換定義為一個行為序列。行為序列由兩種編碼組合表示，編碼的前后順序表示行為的轉(zhuǎn)換方向。例如，序列\(zhòng)"BC\"表示學生先智能求解（B），隨后立即進入學習情境（C）。

2.學生行為序列與高階思維能力的相關分析

本研究對高階思維能力各維度的前、后測分數(shù)進行平均處理，根據(jù)前后測變異率將學生劃分為提升、維持、降低組。隨后，將三組數(shù)據(jù)分別導入GSEQ進行分析。根據(jù)滯后序列分析理論，Z-scoregt;1.96表明該行為序列在統(tǒng)計學上具有顯著意義[38。研究者根據(jù)殘差表繪制行為轉(zhuǎn)換圖（如圖3所示），以揭示學生行為的關鍵趨勢。

總體上可以將行為序列總結(jié)為三大主要特點：（1）提升組在登錄（A）后能夠迅速進入學習情境（C），而維持組與降低組表現(xiàn)出較低的學習主動性和目標導向。（2）關鍵序列的互動關系（B、D、F、G）。提升組在多個關鍵模塊序列之間互動密切。具體表現(xiàn)為積極結(jié)合平臺內(nèi)容，與智能體教師深度互動（DG、GB），強化知識建構(gòu)：學生積極觀看學習視頻（D），查看平臺展館中設置的引導性問題（G），結(jié)合思考與智能體教師交流（B），并且在回顧對話記錄后更傾向于進一步探索相關展館問題（FG）。（3）序列的重復性 （HH，BB） 。提升組在重復與學習不直接相關的探索行為（HH）方面表現(xiàn)尤為突出，表現(xiàn)出較高的探索欲。同時，通過與智能體教師反復對話（BB），提升組學生能夠不斷修正自身理解。然而，從創(chuàng)造性思維角度來看，研究未發(fā)現(xiàn)明顯的獨特行為序列。

（三）學生的認知網(wǎng)絡

為進一步探究學生在平臺中向智能體提問的質(zhì)量，本研究使用認知網(wǎng)絡分析法（EpistemicNetworkAnalysis，ENA），對學生與智能體教師的互動數(shù)據(jù)進行系統(tǒng)性分析。本研究基于SOLO（StructureofObservedLearningOutcome）結(jié)構(gòu)模型對學生的提問文本進行分類編碼（見表4）。SOLO結(jié)構(gòu)模型是比格斯基于皮亞杰的兒童認知發(fā)展階段論提出的描述學生認知發(fā)展情況的框架，將思維結(jié)構(gòu)劃分為前結(jié)構(gòu)、單點結(jié)構(gòu)、多點結(jié)構(gòu)、關聯(lián)結(jié)構(gòu)和抽象拓展結(jié)構(gòu)五個層級，構(gòu)成螺旋式的立體結(jié)構(gòu)，能夠清晰地反映思維結(jié)構(gòu)從淺層到深層的過程。其中，關聯(lián)結(jié)構(gòu)和抽象擴展結(jié)構(gòu)被視為高階思維能力的標志。本研究對SOLO結(jié)構(gòu)模型進行了適當改編，以分析學生的提問文本，進而探究其提問質(zhì)量。

本研究首先對學生的提問數(shù)據(jù)進行了分析單元劃分，后臺共收集380條有效對話，拆分后獲得403條可編碼數(shù)據(jù)。隨后，研究者對文本進行編碼，并將二進制編碼數(shù)據(jù)導入webENA平臺，生成二維認知網(wǎng)絡圖（如圖4所示），以識別分布于各象限的深度學習認知網(wǎng)絡元素。結(jié)果表明，學生的認知鏈接主要集中在淺層結(jié)構(gòu)，即前結(jié)構(gòu)與單點結(jié)構(gòu)，整體提問深度有限。此外，編碼過程中發(fā)現(xiàn)32條提問涉及對智能體本身的疑惑，如“你是誰”“你多大了\"“你是AI嗎\"等。盡管這些問題與學習內(nèi)容無關，但反映出學生對智能體的好奇心以及將智能體擬人化的傾向。

五、研究討論

本研究梳理了泛在學習的發(fā)展脈絡，構(gòu)建了基于智能體 ⁺ 元宇宙的數(shù)字化泛在學習模式，并探討其在高階思維能力培養(yǎng)中的效能。實踐表明，學習者的問題解決能力和批判性思維顯著提升，然而創(chuàng)造性思維提升有限。行為序列分析表明，高階思維能力提升組學習者在智能求解、視頻學習、對話記錄查看和尋求學習導引等模塊之間互動密切。以上發(fā)現(xiàn)為數(shù)字化泛在學習提供了有力的實踐支撐。

首先，在設計數(shù)字化泛在空間時，可構(gòu)建路線建議 + 自主選擇機制，即學習者在參考推薦學習路徑的同時，具有一定的自由選擇權。學習空間中的學習片段應有明確目標、教學單元小且相互關聯(lián)，并具備可擴展的深度。注意設置埋點采集行為數(shù)據(jù)，包括學習路徑、停留時間、互動記錄等。此外，泛在學習環(huán)境的設計應遵循認知規(guī)律，如引入自然場景等，在學習者長時間自主性注意任務后注意力得以恢復。本研究中，探索性事件（H）雖與知識本體無直接關聯(lián)，卻受到了學習者，尤其是高階思維能力提升組的高度關注。學習本質(zhì)上依賴自主性注意，模塊H通過提供足夠且連貫的虛擬自然空間，激發(fā)非自主性注意，使學習者從學習任務中暫時抽離，契合注意力恢復理論（AttentionRestorationTheory）[40]。值得注意的是，在搭建環(huán)境時，可設計隱藏知識點的學習彩蛋。元宇宙的高度自由度有助于激發(fā)學習者探索未知與測試功能的行為，類似“學習彩蛋”的意外驚喜與即時反饋可引導學習者將探索行為轉(zhuǎn)化為學習收益。彩蛋應結(jié)合課程目標和學習任務靈活設計，幫助學習者加深對知識點的理解，也可依托行為數(shù)據(jù)動態(tài)生成個性化彩蛋。

其次，在智能體設計時，智能體應能夠根據(jù)學習者的輸入（如選擇、提問、停留等）動態(tài)推薦或生成新的交互學習元素，基于其行為模式智能調(diào)節(jié)學習節(jié)奏。其一，可設置反饋評價界面，鼓勵學習者評價智能體表現(xiàn)，進而優(yōu)化其后續(xù)反饋策略，實現(xiàn)人機協(xié)同的適應性提升。這是因為學習者并非預設學習路徑的被動參與者，而是在與智能體和元宇宙的持續(xù)互動中的個性化學習路徑的自主構(gòu)建者。其二，合理嵌入問題支架。學習者的提問質(zhì)量在學習深化過程中起到關鍵作用，提問不僅反映其思維水平，也影響智能體反饋的深度和廣度。研究者應立足教學自標與內(nèi)容特性，在智能體交互界面中預設方向性與結(jié)構(gòu)性問題，并提供啟發(fā)性學習材料，引導學習者進入高階思維能力發(fā)展的良性循環(huán)[4]。其三，設計主動式智能體。研究者可借助埋點無感知采集學習者行為數(shù)據(jù)，使智能體根據(jù)數(shù)據(jù)判斷學習者學習狀態(tài)或意圖，并據(jù)此主動生成正反饋、總結(jié)提示或進階任務推送等，以提升參與度低的學習者學習動機。

再次，在數(shù)字化泛在學習實踐中，教學設計應關注學習者的日常經(jīng)驗與最近發(fā)展區(qū)，構(gòu)建貼近生活的導人情境，幫助其快速進人學習狀態(tài)。此外，應配備教師端數(shù)據(jù)后臺，可視化呈現(xiàn)學習者的任務完成度、交互頻率與內(nèi)容等埋點數(shù)據(jù)，支持教師精準掌握學習者的學習進度、交互主題與學習路徑，為教學策略調(diào)整與個性化指導提供數(shù)據(jù)支撐。

最后，針對本實驗中創(chuàng)造性思維提升不顯著的問題，未來平臺可融合博弈論視角，設計與學習者能力互補、具備不同身份的多智能體。這些智能體可從多元視角審視問題，有助于引導學生從多角度審視問題，打破單一思維模式。還可以進一步設計多智能體的信息溝通機制，增強其在合作與競爭等真實情境中的自主決策與行動能力，進而激發(fā)學習者參與多人一多智能體互動的積極性。此外，本研究搭建的平臺場景仍然是預設的，未來結(jié)合3D模型生成智能體的能力以及空間計算對物理環(huán)境數(shù)字化建模與分析的能力，實時生成數(shù)字化虛擬對象并嵌入物理環(huán)境中。學習者可以借助眼鏡等可穿戴設備，沉浸式體驗這種虛實疊加、實時渲染的數(shù)字化泛在學習平臺。

六、結(jié)束語

本研究將跟隨式智能體嵌入元宇宙環(huán)境，開展數(shù)字空間中泛在學習模式的實證研究，重點分析了該模式對學習者高階思維能力的影響。在理論層面，研究探索了智能體的個性化交互能力與元宇宙的環(huán)境渲染優(yōu)勢，提出二者融合能夠有效破解泛在學習在情境感知和環(huán)境延展方面的限制，進而構(gòu)建了基于智能體 ?+ 元宇宙的數(shù)字化泛在學習框架。基于該框架，研究通過實證分析揭示了智能體支持下，學習者高階思維能力發(fā)展的機制及其與數(shù)字化學習行為之間的內(nèi)在關聯(lián)。在實踐層面，本研究的技術方案為泛在學習提供了更加豐富的數(shù)字化應用場景與個性化資源支持，推動在實時生成與渲染的環(huán)境下，實現(xiàn)人人皆學、處處能學、時時可學的泛在學習。未來，研究團隊將進一步完善實驗硬件條件，實施長周期、基于設計的研究，探索該模式在多學科的泛化效果，如實施多學科融合的縱向研究，以期系統(tǒng)考查學習者的高階思維能力發(fā)展情況，驗證結(jié)論的普適性。

[參考文獻]

[1]中共中央，國務院.教育強國建設規(guī)劃綱要（2024—2035年）[EB/OL].（2025-01-19）[2025-02-19].htps：/ww.gov.cn/gongbao/2025/issue_11846/202502/content_7002799.html.

[2]劉璇璇.以教育數(shù)字化賦能學習型社會建設全面構(gòu)建泛在可及的終身教育體系[N].人民日報，2025-02-12（9）.

[3]中華人民共和國教育部.教育部部署加強中小學人工智能教育 [EB/OL].（2024-12-02）[2025-02-19].htp：//w.moe.gov.cn/jyb_xwfb/gzdt_gzdt/s5987/202412/t20241202_1165500.html.

[4]TAHIR ZM，HRONH，SINGHJKG.Evolutionof learning environent：areviewofubiqutous learning paradigmcharacteristics[J]. Indonesian journal of electrical engineering and computer science，2018，11（1） ：175-181.

[5]HUANGYM，CHUPS，LUTC，etal.Thedesignandimplementationofameaningfullearning-basedevaluationmethodforubiquitous learning[J]. Computers amp; education，2011，57（4）：2291-2302.

[6]魏雪峰.互聯(lián)網(wǎng)教育服務：分析、評價與實踐[M].北京：中國社會科學出版社，2023：2-6.

[7] CHENGD，CHANGCK，WANGCY.Ubiquitous learning website：scafold learners bymobile devices withinformation-awaretechniques[J]. Computers amp; education，2008，50（1）：77-90.

[8]潘基鑫，雷要曾，程璐璐，等.泛在學習理論研究綜述[J].遠程教育雜志，2010，28（2）：93-98.

[9] HWANGGJ，TSAICC，YANGSJH.Criteria，strategiesandresearchisuesofcontext-awareubiquitousleaming[J].Jualofeducational technology amp; society，2008，11（2）：81-91.

[10]SHIHJL，CHUHC，HWANGGJ，etal.Aninvestigationofatitudesof studentsadteachrsaboutparticipatinginacontextaware ubiquitous learning activity[J]. British jourmal of educational technology，2011，42（3）：373-394.

[11]原昉，也勇.泛在學習下的碎片化閱讀及其優(yōu)化策略[J].數(shù)字教育，2021，7（4）：20-25.

[12]SCOBLER，ISRAEL S，BENIOFF M.Ageofcontext：mobile，sensors，dataandthe futureof privacy[M].Lexington：PatrickBrewster Press， 2014：1-18.

[13] MCQUIRE S. Geomedia： networked cities and the future of public space[M]. Cambridge：Polity Press，2016：1-7.

[14]翟雪松，楚肖燕，王敏娟，等.教育元宇宙：新一代互聯(lián)網(wǎng)教育形態(tài)的創(chuàng)新與挑戰(zhàn)[J].開放教育研究，2022，28（1）：34-42.

[15]顧小清，宛平，王龔.教育元宇宙：讓每一個學習者成為主角[J].華東師范大學學報（教育科學版），2023，41（11）：13-26.

[16]CHAMOLAV，BANSALG，DASTK，etal.Beyondreality： thepivotalroleof generativeIinthe metaverse[J].IEEEinteetofthings magazine，2024，7（4）：126-135.

[17]SAIFN，KHAN SU，SHAHEENI，etal.Chat-GPT;validating technologyaeptance model（TAM）ineducationsectorviaubiquitous learning mechanism[J]. Computers in human behavior， 2O24，154：108097.

[18] KARAARSLAN E，YAZICI YILMAZ S. Metaverse and decentralization [MV/ESENF S，TINMAZ H，SINGH M. Metaverse：technologies，opportunities and threats. Singapore：Springer Nature Singapore，2O23：31-44.

[19]翟雪松，楚肖燕，顧建民，等.從知識共享到知識共創(chuàng)：教育元宇宙的去中心化知識觀[J].華東師范大學學報（教育科學版），2023，41（11）：27-37.

[20] SHARMA C，AGARWALB，WUTSITKUKIL，etalInteractive learning throughthe metaverseand itsimpactonprimaryeducation[C/2O2421stInternationalConferenceonElectricalEnginering/Electronics，Computer，TelecommunicationsandInformation Technology （ECTI-CON）. Khon Kaen：IEEE，2024：1-8.

[21]LEELH，ZHOUP，ZHANGC，etal. What if we havemeta GPT？Fromcontent singularityto human-melaverse interactioninAIGC era[EB/OL]. （2024-04-15）[2025-02-19]. htps：//arxiv.org/abs/2304.07521.

[22]翟雪松，楚肖燕，焦麗珍，等.基于\"生成式人工智能 + 元宇宙\"的人機協(xié)同學習模式研究[J].開放教育研究，2023，29（5）：26-36.

[23]YUD.AI-empoweredmetaverselearningsimulationtechnologyaplication[C/2O23IntemationalConferenceonInteligentMetaverse Technologies amp; Applications （iMETA）. Tartu： IEEE，2O23：1-6.

[24]VALLASCIANI G，STACCHOL，CASCARANOP，etal. CreAIXR： fostering creativity with generative AI in XRenvironts[C/2024 IEEE International Conferenceon Metaverse Computing，Networking，and Aplications（（MetaCom）.Kyoto：IEE，2024：1-8.

[25]HWANGGJ，CHESY.Dfitin，oles，andpotentialesearchisuesof temetaverseineducatio：anartificalieligeceperspective[J]. Computers and education： artificial intellgence， 2022，3：100082.

[26]李海峰，王煒.人機爭論探究法：一種爭論式智能會話機器人支持的學生高階思維能力培養(yǎng)模式探索[J].電化教育研究，2024，45（3）：106-112，128.

[27]何克抗.對反饋內(nèi)涵的深層認知和有效反饋的規(guī)劃設計——美國《教育傳播與技術研究手冊（第四版）》讓我們深受啟發(fā)的亮點之二[J].中國電化教育，2017（5）：1-7，14.

[28]王雪，孫明琳，楊潔，等.教育智能體如何提供更有效的支持？——基于EEG信號的腦機制與優(yōu)化策略探究[J]. 電化教育研究，2025，46（2）：49-56.

[29]CHEREM，WAY-MGWEBN.Integrationof generativearticialinteligenceinhighereducationpedagogyfactorsandbestpractices[M/DUBE K.Redefiing educationand development：innovativeapproaches intheeraof thesustainable developmentgoals. Cham： Springer Nature Switzerland， 2024： 93-112.

[30]余勝泉，汪凡淙.人工智能教育應用的認知外包陷阱及其跨越[J].電化教育研究，2023，44（12）：5-13.

[31]TUYF.RolesandfunctionalitiesofChatGPTforstudentswithdiferentgrowthmindsets[J].Educationaltechnologyamp;society，2024，27（1）：198-214.

[32]LV Z. Generative artificial intelligence in the metaverse era[J]. Cognitive robotics，2O23，3：208-217.

[33]JAUHJeeaveseoatiosdgeneatieAJ].Iteatialjoualfioatisies，47.

[34]STAHLG.Buildingcollborativeknowing：elementsofasocial teoryofCSCLM/WhatweknowaboutCSCL：andimplementingitin higher education. Dordrecht：Springer Netherlands，2OO4： 53-85.

[35]HWANGGJ，LAICL，LIANGJC，tal.Along-termexperimenttoinvestgatetherelationshipsbtweenhighschoolstudentsperceptinsofmobilelearingandperinteractionandhigher-orderthinking tendencies[J].Educationaltechnologyresearchanddevelopment，2018，66：75-93.

[36]SUNZ，LICH，LVK，tal.Knowledgeconstructionbehaviorsinmobilelaingenvioent：algsequentialalyisfgroup differences[J]. Educational technology research and development，2021，69： 533-551.

[37]YANG TC，CHEN SY，HWANG GJ.Theinfluencesofatwo-tiertest strategyonstudent leaming：alagsequential analysisapproach[J]. Computersamp; education，2015，82：366-377.

[38]BAKEMANR，GOTTMANJM.Observing interaction：anintroductiontosquentialanalysis[M].Cambridge：CambridgeUniversityPress，1997.

[39]朱彩蘭，陳彤，李藝，等.關聯(lián)思維的內(nèi)涵與形成路徑研究[J].電化教育研究，2023，44（5）：29-35，43.

[40]YOUJ，WEX，Uetal.oilicclasrooeioentsosadcoitivepfoanceadomedosersudyin virtual reality（VR）[J]. Plos one，2023，18（11） ：e0291355.

[41]趙曉偉，王師曉，李情，等.蘇格拉底式問題支架：促進學生向AI大模型提出高質(zhì)量問題[J.現(xiàn)代遠程教育研究，2025，37（1）：102-112.

A Study on the Influence of Higher-Order Thinking Skills through Agent- and Metaverse-based Digital Ubiquitous Learning

ZHAI Xuesong， JI Shuang， LI Yan （College of Education， Zhejiang University， Hangzhou Zhejiang ）

[Abstract] Building a comprehensive and accessble lifelong education system is a key objective in building a leading educational nation，and digital empowerment for ubiquitous learning has become a critical focus of educational reform and innovation.Traditional ubiquitous learning faces significant challenges in intelligentization，contextual awareness and scalability，limiting its effectiveness in fostering learners'higher-order thinking skills.The maturation of intellgent agents and metaverse technologies in recent years have provided technical reserves for personalized content generation and contextual rendering and perception，making it possble to promote the implementation of large -scale digital ubiquitous learning. This study developed a digital ubiquitous learning platform integrating intelligent agents and metaverse technologies.A total of 118 primary and secondary school students were recruited to participate inadigital ubiquitous course on \"multi -ethnic cultures\"，and learner interaction data were analyzed through behavioral sequences and cognitive networks. The results show that the digital ubiquitous learning model significantly enhances students'problem-solving and critical thinking skills，while creative thinking is improved but not to a significant level.Behavioral sequence analysis indicates that the higher-order thinking enhancement group demonstrate intensive interactionsamong modules such as intelligent problem-solving， video-based learning， dialogue log review，and seeking learning guidance. To further cultivate creative thinking，future studies could introduce game-theoretic mechanisms to design multiagent systems，enhancing their autonomous capabilities in simulated scenarios and enabling learners to construct multi-perspective human-multi-agent interaction frameworks.

[Keywords] Ubiquitous Learning; Agent; Metaverse; Higher -Order Thinking Skills; Human -AI ollaborative Learning