基于經驗之塔的生成式多智能體導學系統研究

[中圖分類號]G434 [文獻標志碼]A

[作者簡介]魏艷濤（1983—），男，山東菏澤人。教授，博士，主要從事智能教育研究。E-mail：yantaowei@mail.ccnu.edu.cn。

一、引 言

近年來，人工智能技術的飛速發展為教育變革提供了新的契機?！缎乱淮斯ぶ悄馨l展規劃》等重要文件指出，要充分利用人工智能等技術構建智能學習與交互式學習的新型教育體系，以推動教育模式的創新與升級。與此同時，智能體作為人工智能的重要分支，在教育領域的應用取得了顯著進展，為智能導學奠定了技術基石。生成式人工智能（GenerativeArtificialIntelligence，簡稱GAI）技術的突破，為智能導學系統的升級提供了強大動力，使得更加高級和擬人化的智能導學場景成為可能。在此背景下，基于GAI的多智能體導學系統逐漸成為研究熱點，已有研究利用生成式的多智能體構建了學生協作的靈活開放式空間，這為GAI、教育智能體與智能導學系統的有機結合提供了借鑒。

雖然基于GAI的導學系統可以達到乃至超越人類導師的教學效果，但是現有基于GAI的導學系統強調高臨場感、強交互性，重在支撐更高階的思維活動，會給學生帶來高強度的認知負荷，也忽視了學習由簡到繁的完備過程。因此，立足技術本質協同多個生成式智能體，設計兼顧強交互與低負荷的智能導學系統架構以打造教育應用新場景，仍面臨著理論和實踐的雙重挑戰。一是重直接經驗，輕間接經驗。現有系統始于知識問答，聚焦生成式人機對話，指向復雜問題解決，缺乏體現交互主體性的應用機制，可能難以達到簡單與復雜知識兼容學習和意義建構的目的[3。二是重教學輔導，輕學習支持?，F有系統仍強調教師角色，缺乏多元師生角色支持，學生的主觀能動性難以發揮，這可能會限制其在更多場景應用4。因此，為應對上述挑戰，本研究將構建基于經驗之塔的生成式多智能體導學系統，設計兼顧直接經驗與間接經驗的學習模式，構建“教一學一導”三元智能體，并采用人機雙評的方式來驗證系統的性能，通過教學應用來檢驗系統持續使用的價值，以及對學習的促進作用，從而推動GAI時代的智能導學系統創新發展。

二、理論基礎與相關研究

盡管GAI在文本生成、理解和推理等通用場景取得了顯著成就，但在教學應用方面仍存在局限，尤其體現在基于GAI的導學系統仍缺乏完整的經驗學習架構支撐。為解決現有系統重直接經驗、輕間接經驗，重教學輔導、輕學習支持的問題，本研究將系統梳理經驗之塔理論、基于GAI的導學系統等相關研究，從理論和實踐的角度厘清二者之間的關系，為生成式智能導學系統研究提供參考。

（一）經驗之塔理論

在GAI的支持下，智能導學系統期望用高仿真的人類行為模擬來幫助學生獲得學習經驗，這使得現有研究更關注通過沉浸式的對話互動獲取直接經驗，而忽視了經驗學習的完整性。經驗之塔理論指出，學習的經驗是從具象到抽象的連續體，僅通過互動主導的直接經驗可能難以獲得有效的抽象經驗。該理論還指出，有效的學習方法是讓學生既要接觸直接經驗，也要將觀察經驗作為橋梁，幫助學生順利上升到抽象的經驗。這些觀點強調了直接經驗與觀察經驗相結合的重要性。例如，對于簡單的陳述性知識學習，觀察他人學習的間接經驗就已足夠，而復雜的問題解決則需要更多直接經驗才能完成。

基于經驗之塔理論，生成式智能導學系統需要兼顧直接經驗和間接經驗學習，并能支撐由簡到難的學習任務。因此，該理論可為GAI時代的導學系統設計提供底層邏輯支撐。然而，該理論并未指出不同經驗所需的教學元素，這為生成式智能導學系統中的多智能體角色設計提供了留白空間，由此可以構建更具個性化的智能導學新模式。

（二）基于GAI的導學系統

基于GAI的導學系統通過對話模擬和知識推薦等功能實現智能導學，典型應用包括協作型、分析型和促進型三種，且以促進型為主。這類系統沿用現有智能導學系統設計框架，支持大部分基礎性學科（如語文、數學和英語等）的個性化知識對話生成。其人機交互活動始終圍繞師生角色展開，雖有助于獲得直接經驗，但學習路徑單一，也降低了學習效率，導致系統難以適配不同難度的學習任務。如何組合多個生成式智能體以實現更高級別的學習協同，并適應更靈活的學習活動，這成為現有研究的關切內容。目前，研究聚焦研發生成式多智能體系統（如軟件開發協作類8科學實驗操作類和科學辯論互動類等），這些系統通過文本交互來實現子智能體之間的協作、辯論和競爭通信。雖然這些系統被證明有助于學生的復雜問題解決，但系統普遍存在可靠性驗證缺失與內容幻覺問題，導致經驗完整性不足、互動模式單一及多元教學場景支撐薄弱。

因此，目前還需要探索與智能導學相適應的設計模式，使其產生更高質量的互動內容。為此，要結合設計、理論和實踐來重構系統，為學生提供高質量的學習體驗。其中，設計指真正能夠促進學生學習的生成式多智能體導學系統設計；理論指系統必須符合經驗學習規律；實踐指將教學應用完整地加以實施，并通過多方證據來驗證設計與理論結合的有效性。

三、基于經驗之塔的生成式多智能體導學系統構建

針對現有系統存在經驗學習不完整、模式單一和多元場景支持性不足的問題，研究提出基于經驗之塔的生成式多智能體導學系統（Cone-of-Experience-based Generative Multi-agent Tutoring System， 簡 稱CE-GMTS），根據經驗之塔理論來設計“直接與間接”的經驗學習雙模式，基于交互一建構一主動—被動（Interactive-Constructive-Active-Passive，簡稱ICAP）理論、社會認知理論和蘇格拉底式教學法來構建“教—學一導\"三元智能體，以完善雙模式的內部功能。該系統通過教學智能體的知識具現、同伴智能體的學習陪伴和指導智能體的啟發引導，實現了基于GAI技術的教學對話生成、基于經驗之塔理論的漸進式學習模式，以及三元智能體適配的個性化學習支持。

（一）CE-GMTS整體框架

CE-GMTS整體框架如圖1所示，學習之前，學生需要選擇學習內容，如\"C語言程序設計的指針”，該內容由課程教師和ChatGLM生成的知識庫共同組建?；谶@一選擇，CE-GMTS會根據該領域必須掌握的知識點啟動經驗之塔學習模式，激活間接經驗和直接經驗學習模式，以及“教一學—導”三元智能體，以支持任務的適應性、經驗的完整性和過程的持續性。

（二）經驗之塔學習模式

經驗之塔學習模式包括間接和直接兩種類型，其界面如圖2所示。其中，間接經驗學習模式由教師智能體和學生智能體構成，學生通過觀摩、參觀和感受生成式師生的教學互動來習得間接經驗，從而建構自己的知識結構。教師智能體包括主動型、建構型和交互型三類生成式教師，學生能觀察不同教師的講解來理解知識。學生智能體提供新手和高手兩類生成式學生，學生通過觀察生成式學生的學習過程來獲得學伴的間接經驗。針對相同知識點，這些角色會在知識呈現方式上有所差異。直接經驗學習模式包括對話發起與反饋的指導智能體，學生通過操作、對話和總結指導智能體的對話來習得直接經驗。該模式將承擔蘇格拉底導師角色，對話發起的目的是診斷知識障礙和解析學習需求，對話反饋的自的是引導知識應用和探索解決方案，互動過程不提供直接答案，而是通過蘇格拉底式問答法促使學生深入思考，從而達到學習目的。

圖2CE-GMTS移動端的經驗之塔學習模式界面（以“指針\"為例）

經驗之塔學習模式中所有對話均由ChatGLM按Propmpt規則調控：（1）所有模式必須協同工作，圍繞學生的歷史選擇、歷史對話和課程知識生成內容，當學生重復選擇固定元素時，應為學生提供符合真實場景的差異化對話內容。（2）在間接經驗學習模式中，需按照學生信息加工的階段和順序展開對話，對話的最小話輪為10，以滿足知識點的完整呈現。（3）在直接經驗學習模式中，必須二次檢查學生的對話和生成的內容，不要響應與學習無關的對話，不要捏造錯誤、有害的回答，并盡可能提供參考資料，以保證對話的科學性。

（三）“教一學一導\"三元智能體

在經驗之塔學習模式中，間接經驗學習模式主要負責知識傳遞與行為示范，學生既會獲取教師在講授和演示等過程中的信息，也會觀察和模仿同伴的思維與行為來獲得新的認知，這就需要教師和同伴兩類智能體來支撐間接經驗學習模式。直接經驗學習模式主要負責知識內化與遷移應用，學生通過對話指導來獲取教師的專家知識，并達成抽象概念的理解與應用，這一過程強調了教師的指導作用，因此，需要設計指導智能體。三類智能體在經驗之塔理論下形成縱向協同：教師智能體提供任務參與情境，ICAP理論中提出的交互（I）、建構（C）和主動（A）三類教師能刺激學生不同程度的任務參與，這成為教師智能體設計的重要參考。學生智能體生成同伴學習路徑，社會認知理論指出，學習發生在觀察行為示范原型被強化的過程中，這對應了學生智能體的設計。指導智能體則強化自主交互與認知習得，結合蘇格拉底式教學法，引導學生通過任務探究、情境體驗等實現知識的深度遷移與反思，促進高階能力的培養。“教一學一導”三元智能體共同構成“知識具現、學習陪伴、啟發引導\"的螺旋上升結構，這種分層分類設計既保持各智能體的功能明確性，又通過經驗層次的動態映射實現系統級的學習效能。下面將具體闡述基于ICAP理論的教師智能體、基于社會認知理論的學生智能體和基于蘇格拉底教學法的指導智能體。

1.基于ICAP理論的教師智能體

現有智能導學系統中教師角色單一，僅以專家教師身份呈現知識內容，難以激發學生的學習積極性。ICAP理論提倡學生進行主動型、建構型或交互型學習，這三種模式比被動型學習有更好的學習效果，且交互型學習的效果最佳[2。對此，研究設計主動型、建構型和交互型生成式教師，使其分別與隨機生成式學生產生互動，為學習者提供多元講解形式，緩解教學的單調性。主動型教師以呈現刺激和提供學習機會為主，該類型教師將鼓勵學生積極地對呈現材料做出適當反應。建構型教師強調學習的螺旋上升組織形式，他們會將新知識與學生原有知識結構聯系起來，促進學生學習。交互型教師倡導的策略是幫助學生探究復雜的主題，通過由淺入深的交互活動幫助學生掌握知識。上述三類教師的關鍵提示詞分別為直述、類比或隱喻、探究或案例。

2.基于社會認知理論的學生智能體

現有智能導學系統中的對話均以學習者為中心，學生難以獲取同伴經驗，這與真實課堂中的共同學習情境大相徑庭，學生容易出現疲勞和脫離等問題。社會認知理論認為，個體能通過模仿他人獲取經驗和知識，從而逐漸形成自己的行為模式，這說明觀察他人的學習經驗有助于學生建構新的知識[13]。因此，研究設計高手型和新手型生成式學生，將學生置身于同伴經驗學習情境，讓學生和生成式學生一起學習新知識，以第三視角觀察生成式學生的學習互動，緩解學習的孤獨感和割裂感。高手型學生會準確地參與知識互動，包括應用、分析、評價和創造等高階思維活動，學習積極性也較高。新手型學生的特點是知識基礎薄弱，回答準確率低，缺乏學習自信。由此來看，新手型學生會放大易錯和重難知識點學習，使得這類知識的生成式解釋會更符合基礎知識薄弱的學生學習需求。根據上述分析，高手型和新手型生成式學生的關鍵提示詞分別為積極主動與高準確率、消極被動與低準確率。

3.基于蘇格拉底教學法的指導智能體

現有智能導學系統存在師生互動模式固定、被動性強、反饋方式單一等局限性。蘇格拉底認為，只有通過有意識地引導和啟發學生互動，才能達到認知的目的[14]。對此，研究采用蘇格拉底式提問法來設計“是什么、為什么和怎么做\"的生成式對話發起學習活動，通過由淺人深、由表及里的連續性引導讓學生沉浸式地參與直接經驗互動。學生也可以主動發起對話，指導智能體將根據深度反饋原則來生成事實性反饋、情感反饋、知識提示與細節解釋，支撐更高階、更復雜的抽象經驗學習任務。其中，指導智能體的關鍵提示詞參考蘇格拉底反思式提示法1進行設計，對話發起的關鍵提示詞是知識點是什么、怎么解決問題、解決方案的邏輯理由等，對話反饋的關鍵提示詞包括判斷回答正確性、給出鼓勵或贊美等情感激勵，提供詳細的解釋和提示說明。

四、CE-GMTS的應用與分析

CE-GMTS已應用于某大學科學教育專業的“C程序設計”課程，共有30名學生參與了48課時的學習。教師通過設置新知學習和小組協作引導學生使用CE-GMTS系統進行直接經驗學習和間接經驗學習。系統后臺記錄的瀏覽、點擊和互動文本數據將作為CE-GMTS的評價依據。學習后，學生需進行知識后測，內容覆蓋“C程序設計\"中的算法、數據類型、流程控制、數組、函數、指針、結構體和文件8個單元，并完成CE-GMTS接受度調查，問卷改編自技術接受和使用統一模型（Unified Theory of Acceptance and Use ofTechnology，UTAUT）[，采用5級標尺測量包括績效期望、努力期望、社群影響、促進因素和使用意愿等基礎變量，同時新增自我效能、互動深度和焦慮變量來測量學生使用CE-GMTS成功完成學習的信心、感知與CE-GMTS的互動質量，以及CE-GMTS給學習帶來的潛在焦慮。

（一）評價方法

研究采用自動評價與人工評價相結合的方法來檢驗CE-GMTS的性能。在自動評價方面，一方面采用大語言模型自評法來檢驗CE-GMTS的可讀性、語法性、信息量和流暢性，另一方面采用大語言模型專用評價法CritiqueLLM來檢驗CE-GMTS的事實正確性、滿足用戶需求、安全無害和清晰度等[8，上述方法均被證實具有良好的評價質量。人工評價采用專家打分法，評價子維度源于GAI增強的智能導學系統ASSP框架4中的前三項指標，分別是遵循先進的學習理論（A）、使用最新技術（S）和正確應用策略（S），第四項指標證實學習有效性（P）將通過實踐數據來驗證，評價內容采用5級標尺的符合程度和熟悉程度兩方面，最終分數由符合程度和熟悉程度的乘積均值決定。

（二）應用分析

1.CE-GMTS的性能分析

研究共回收了26份有效的專家評價，并對271條教師、學生以及指導智能體的文本進行評價。CE-GMTS自評和CritiqueLLM評價由模型獨立輸出的三次得分均值決定，最終分數范圍均為1至5分，評價結果見表1。CE-GMTS的自評結果反映出指導智能體具有更好的對話質量，而教師和學生智能體在信息量和流暢性方面稍遜色一些。CritiqueLLM評價比CE-GMTS自評得分偏低，指導智能體在創造性、邏輯連貫性和豐富度方面表現更優，教師和學生智能體在完備性和創造性方面稍有欠缺。進一步地，人工評價表明，指導智能體在理論適用性、技術契合性和策略適應性上的綜合得分最佳，其中，學生智能體、教師智能體分別在策略適用性和技術契合性上表現最好?？傮w來看，CE-GMTS的綜合評分為3.94，自動評價較人工評價的分數稍高，但兩者結果的趨勢較接近，即基于直接經驗學習模式的指導智能體綜合性能更好，基于間接經驗學習模式的教師智能體效果次之，學生智能體的對話效果還有一定的提升空間。

2.學生對CE-GMTS的接受度分析

考慮到學生對CE-GMTS的接受度符合混合高斯分布，研究采用混合高斯模型1對接受度數據進行建模。根據聚類參數調節，當聚類數為3時，輪廓系數為0.48，Calinski-Harabasz指數為112.55，聚類效果最好。因此，研究保存每個樣本的類別信息，生成三個類群的三維可視化圖，根據數據特征，將得分為4附近的群體命名為沉思觀望者（ 36.5% ）、得分為5附近的群體命名為強烈接受者 （17.3% ）、得分小于4的群體命名為持續關注者 （46.1%） ，如圖3所示。結果發現，大多數學生對CE-GMTS仍持有謹慎態度，沉思觀望者的績效期望（ M=3.92， 努力期望（ M=3.97? 和技術態度（ M=3.95） 較高，但焦慮（ M=2.56 顯著高于其他兩類學習者，這種反差說明他們對CE-GMTS的學習效能較認可，但是仍會擔心因操作不當而耽誤學習任務。強烈接受者的行為意圖（ M=3.884 ）和自我效能（ M=3.78 得分最高，說明他們具有強烈的CE-GMTS使用意愿，并對CE-GMTS使用充滿了信心。持續關注者在績效期望（ M=3.88 和焦慮（ M=2.48? 上的得分均為最低，他們較少質疑CE-GMTS對學習產生的負面影響，但也對CE-GMTS提升學習效果方面持有謹慎的態度。

3.CE-GMTS對學習成績的影響分析

研究采用結構因果模型（StructuralCausalModel，簡稱SCM）[20]來探究使用CE-GMTS對學習成績的影響，將接受度類型作為組別，8個單元的學習成績作為因變量，學生與面向經驗之塔的多智能體角色互動頻次作為待選自變量，并使用相關性檢驗納入與學習成績顯著相關的自變量（高手型學生、新手型學生、建構型教師和交互型教師）來構建有向圖，估計有效變量之間的因果關系。圖估計方法考慮非線性因果[以直方圖梯度提升樹（Hist Gradient Boosting Regressor，簡稱HGBR）方法為例］和線性因果［以線性回歸（LinearRegression，簡稱LR）方法為例]兩種假設，估計結果見表2，當均方誤差值（MSE）越小時，因果模型擬合效果越好。結果發現，除了強烈接受者屬于線性因果關系以外，其他群體以非線性因果關系為主。進一步繪制基于接受度類型的結構因果路徑，如圖4所示，線條越粗表示因果性越強。結果挖掘出一條關于間接經驗學習模式的共性因果鏈，即教師智能體的因果性較學生智能體更強，交互型教師存在于所有群體的因果鏈中。同時也發現了個性化的因果鏈關系，即各類學習群對交互型教師的預測程度：沉思觀望者 gt; 強烈接受者gt;持續關注者。除了交互型教師以外，影響持續關注者和強烈接受者群體學習成績的主要因素分別是間接經驗學習模式中的高手型學生和建構型教師。

五、討論與分析

（一）CE-GMTS具有高質量的經驗學習對話內容

現有智能導學系統模式單一、對話生硬，系統僅能提供“專家教師\"角色，并且兼顧直接與間接學習經驗，難以保證對學習任務的適應性。翟雪松等人曾提出要塑造新型人機勞動關系，重塑多智能體教育生態2。CE-GMTS采用經驗之塔理論來塑造多元師生角色，融合GAI技術與多智能體系統等，為學生提供間接經驗與直接經驗并驅的學習模式，并通過協同教師智能體、學生智能體和指導智能體三者之間的信息通信，以支持更復雜的學習任務，這正是多智能體教育生態的微觀體現。評價結果驗證了其在專家教師、個性化學伴、定制化內容與反饋等多方面的高質量生成能力。已有研究證實了GAI學習得到的理論知識能遷回并反哺人類教育學，從而讓人類學習者也能享用機器教育之益[22]。本研究提供了GAI與經驗之塔理論有效轉化為實際應用的典型案例，通過高質量的經驗學習模式證實了GAI的強大教育應用價值，這為學習理論與GAI的深度融合提供了良好的借鑒和參考。

（二）CE-GMTS具有知識高效掌握和技術高接受度的優勢

學生知識基礎、學習方式和學習步調具有差異性，導致相同任務往往會帶來不同的認知負荷，使得認知資源不足者面臨挑戰。CE-GMTS依據經驗之塔理論提供多元經驗來滿足學生的認知需求，《論語》中指出“獨學而無友，則孤陋而寡聞”，CE-GMTS中的學生智能體能幫助學生彌補認知差距，緩解緊張情緒，強調易錯點，這正是“群學且有友\"的真實寫照。但這也可能帶來額外的認知負荷，學生需同時處理教師和學生智能體中的教學信息[23]。復雜的角色對話可能是導致沉思觀望者因信息辨識困難而降低使用意愿的原因。總體來看，CE-GMTS憑借經驗之塔學習模式和“教一學一導”三元智能體獲得了多數學生的持續關注和強烈接受，這與它能滿足學生對知識的好奇、理解和探索等認知需求有關[24。但是，仍有學生對CE-GMTS持有謹慎的態度，這說明CE-GMTS需優化設計并積累更多經驗證據。

（三）CE-GMTS的多元互動角色有助于學生獲得學術成功

因果檢驗顯示，CE-GMTS的多元互動角色能有效促進學習，教師智能體中的角色預測結果與ICAP理論假設一致，即交互型教師作用最佳，其次是建構型教師。生成式的教師比學伴的預測作用更強，這與Yu 等人的發現相悖，他們認為同伴互動會提高學生投入，從而獲得比教師互動更好的結果[25]。但是，該結論僅適用于優質同伴互動情境。CE-GMTS所提供的同伴對話需要學生篩選、整合以獲得有效信息，而學生更擅長從教師端接收直接的信息，從而降低了學生智能體的預測作用。此外，接受度類型也會影響學習結果，高接受度和謹慎使用群體會在更頻繁的交互型教師作用下表現更佳，這可能與他們更積極獲取信息并謹慎加工、存儲和應用知識有關。因此，為提升GAI導學效果，要遵循認知發展的基本規律，優化智能體角色設計，采用更多智能體協同來適應任務難度，強化互動支架以提升生成式角色效能2。同時，也鼓勵學生主動尋求角色互動，通過融合直接經驗和間接經驗來提升學習投人，從而強化對知識的理解以最大化生成式智能導學系統帶來的學習效益。

六、結束語

隨著GAI的發展，傳統智能導學系統的專業導學、智能反饋與個性化生成等功能得以增強，但其教學應用仍然受限，其挑戰之一在于系統設計仍缺乏面向完整的經驗學習架構支撐。因此，研究融合GAI技術與經驗之塔理論，設計開發了CE-GMTS，創建了經驗之塔學習模式和“教一學—導\"三元智能體，為學生提供了一個經驗整合和定制化的學習新場景。CE-GMTS獲得了人類與機器的一致好評，且基于直接經驗學習模式的指導智能體綜合能力最好。同時，CE-GMTS具有知識高效掌握和技術高接受度的優勢，以交互型教師為主的角色最有助于學生獲得學術成功。但是，由于技術限制，CE-GMTS導學系統功能仍有待完善。未來，研究將進一步探索更積極的互動支架和策略來確保生成式角色發揮積極作用，從而促進GAI時代的智能導學系統創新發展。

[參考文獻]

[1]國務院：國務院關于印發新一代人工智能發展規劃的通知[EB/OL].（2017-07-20）[2025-04-25].htps：/ww.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]翟雪松，季爽，焦麗珍，等.基于多智能體的人機協同解決復雜學習問題實證研究[J].開放教育研究，2024，30（3）：63-73.

[3]吳河江，涂艷國.超越工具理性：生成式人工智能的教育價值[J].教育研究，2024，45（11）：149-159.

[4]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[J].開放教育研究，2024，30（2）：13-22.

[5]蔣貴友，殷文軒.變革抑或危機：大語言模型賦能大學教學及其限度——基于斯坦福大學的案例考察[J].電化教育研究，2025，46（1）：122-128.

[6] 陳維維.審視與反思：戴爾\"經驗之塔\"的發展演變[J].電化教育研究，2015，36（4）：9-14，27.

[7]PRATSCHKE B M.Generativism：the newhybrid[EB/OL].（2023-09-21）[2025-04-25]. htps：/arxiv.org/pdf/2309.12468.

[8] QIANC，LIUW，LIUH，etal.ChatDev：communicative agentsforsoftwaredevelopment[EB/OL].（2023-07-6）[2025-04-25].https：//arxiv.org/pdf/2307.07924.

[9] ZHENG Z，ZHANGO，NGUYENHL，et al. ChatGPTresearch group foroptimizing thecrystalinityof MOFsand COFs[J]. ACScentral science，2023，9（11）：2161-2170.

[10]DUY，LIS，TORRALBAA，etal.Improvingfactualityandreasoninginlanguagemodelstroughmultiagentdebate[EB/OL].（2023-05-23）[2025-04-25]. https：//arxiv.org/pdf/2305.14325.

[11]沈苑，汪瓊.生成式人工智能支持教學決策的實踐困境與關鍵進路[J].電化教育研究，2024，45（11）：92-99.

[12]CHIMTH，WYLIER.TheICAPframework：linkingcogniveengagementtoactivelearningoutcomes[J].Educationalpsychologist，2014，49（4）：219-243.

[13]BANDURASocialfdatiosoftoughndctioaialgitivetory.EnlewoodClifs：PreiceHall986.

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

[15]HSUFH，LIIH，YEHHC，etal.Efectofsocraticreflectionpromptsviavideobasedlearningsystemonelementaryhoolstudents' critical thinking skills[J]. Computers amp; education， 2022，183：104497.

[16] VEKATESHV，MORRISMG，DAVISGB，etal.Useracceptanceof informationtechnology：towardaunifiedview[J].MISquarterly，2003，27（3）：425-478.

[17]KEP，WEB，FENG A，etal.CritiqueLLM：towardsaninformativecritiquegenerationmodelforevaluationoflargelangagemodel generation[Cy/Procedingsof the62ndAnnualMetingof theAsociationfor Computational Linguistics（Volume1：LongPapers）. Bangkok：Association for Computational Linguistics，2024：13034-13054.

[18] NOVIKOVA J，DUSEK O，CURRY A C，etal. Whywe need new evaluation metrics forNLG[CY/Proedingsof the 2017Conferenceon Empirical MethodsinNaturalLanguageProcessing.Copenhagen，Denmark：Asociation for ComputationalLinguistics，2017：2241-2252.

[19]朱映秋，黃丹陽，張波.基于高斯混合模型的分布因子聚類方法[J].統計研究，2024，41（6）：147-160.

[20]SHARMAA，KICIMANE.DoWhyanend-toendlibraryforcausal inferene[EB/OL].（2O2-0-09）2025-04-25].tps：/arxiv.org/pdf/2011.04216.

[21]翟雪松，張麗潔，夏亮亮，等.基于GAI的逆向工程教學思維在人機協作中的應用研究——以編程教育為例[J].電化教育研究，2024，45（9）：61-68.

[22]劉凱，賈敏，孫常新，等.像教育人一樣教育機器——人類教學經驗能否提升通用人工智能系統的學習效果[J].電化教育研究，2023，44（9）：26-33，41.

[23]SWELLERJ.Cognitiveloadtheory[MOSBH.Psychologyofearingandmotivation.Cambrige，MA：AcademicPres21：37-76.

[24] MASLOW A H. A theory of human motivation[J].Psychological review，1943，50（4）：370-396.

[25]YUX，WANGX，ZHENGH，etal.Academicachievementismorecloselyasociatedwith student-perrelationshipsthanwithstudent-parent relationships or student-teacher relationships[J]. Frontiers in psychology，2O23，14：1012701.

[26]孫立會，周亮.生成式人工智能賦能教育變革的邏輯——基于新質生產力的視角[J].教育研究，2024，45（10）：38-49.

Research on Cone-of-Experience-based Generative Multi-agent Tutoring System

WEI Yantao’， XU Qi2， SHI Yafei3， LIU Qingtang1 （1.Hubei Key Laboratory of Digital Education，Central China Normal University，Wuhan Hubei 430079;

2.Artificial Intelligence Education Department，Central China Normal University，Wuhan Hubei 430079;

3.Faculty of Education， Henan Normal University， Xinxiang Henan 453007）

[Abstract] Generative Artificial Intelligence （GAI）-based Tutoring Systems can enhance learning outcomes by simulating professional mentors. However， existing systems often prioritize direct experience over indirect experience， focus more on instructional guidance than learning support， and inadequately support students' cognitive development. To address these challenges，this study develops a Generative Multi-agent Tutoring System by integrating GAI with Cone of Experience theory. This system facilitates students'learning by creating a learning model that unifies direct experience and indirect experience，and a \"teaching-learning-guiding\" tri-agent.The findings indicate that the system has the ability to generate high-quality instructional dialogues and has the dual advantages of eficient knowledge acquisition and high technology acceptance.The guiding agent for direct experience learning presents optimal overall performance，and the interactive teacher for indirect experience learning contributes to students' academic success most. The study confirms that systematic integration of direct and indirect experiences optimizes students' knowledge acquisition， and the tri-agent architecture successully accommodates diverse learning needs.These results provide effctive references for the development and application of intellgent tutoring system.

[Keywords] Cone of Experience; Multi-agent; Generative Artificial Intelligence; Intellgent Tutoring System; System Construction