基于大模型的導(dǎo)學(xué)智能體能促進(jìn)生成式意義建構(gòu)嗎？

[中圖分類號(hào)]G434 [文獻(xiàn)標(biāo)志碼]A

[作者簡(jiǎn)介]（1974—），男，土家族，湖南張家界人。教授，博士，主要從事國(guó)際中文教育與學(xué)習(xí)科學(xué)研究。E-mail ： duxiuping@tju.edu.cn。

一、問題的提出

生成式學(xué)習(xí)（GenerativeLearning）是指學(xué)習(xí)者使用恰當(dāng)?shù)慕虒W(xué)策略，積極組織學(xué)習(xí)材料，整合自身已有知識(shí)，深度理解新知并構(gòu)建連貫的心理表征，最終將其應(yīng)用于新情境中的有意義學(xué)習(xí)方式[。LoganFiorella等人據(jù)此提出八種生成式學(xué)習(xí)策略：總結(jié)、制圖、繪畫、想象、自我測(cè)試、自我解釋、教學(xué)和扮演2，這些策略適用于多種年齡與學(xué)段多種教學(xué)環(huán)境4及諸多學(xué)科領(lǐng)域，對(duì)于促進(jìn)學(xué)習(xí)體驗(yàn)與學(xué)習(xí)效果具有顯著成效。生成式學(xué)習(xí)是一種以學(xué)習(xí)者為中心的認(rèn)知建構(gòu)理論，在實(shí)際應(yīng)用中面臨諸多挑戰(zhàn)：學(xué)習(xí)者可能由于缺乏必要的先前知識(shí)、即時(shí)的教師指導(dǎo)及充分的學(xué)習(xí)動(dòng)機(jī)，導(dǎo)致難以自主地、高質(zhì)量地參與生成式學(xué)習(xí)的意義建構(gòu)過程；另外，傳統(tǒng)教學(xué)環(huán)境中由于學(xué)習(xí)者的認(rèn)知能力參差不齊，生成式學(xué)習(xí)參與程度存在差異，導(dǎo)致個(gè)性化的生成式學(xué)習(xí)難以有效實(shí)施。上述問題都可能直接影響生成式學(xué)習(xí)產(chǎn)物（如總結(jié)、自我解釋的文本內(nèi)容，制圖、繪畫的圖示等）的質(zhì)量，導(dǎo)致生成式學(xué)習(xí)效果不佳，使學(xué)習(xí)者陷入淺層學(xué)習(xí)的泥沼。

隨著生成式人工智能技術(shù)與教育的深度融合，教育大模型正逐步超越傳統(tǒng)教育技術(shù)作為“知識(shí)傳遞媒介”的工具性定位，逐漸向?qū)W習(xí)者的“智能認(rèn)知伙伴”轉(zhuǎn)型，通過自然語(yǔ)言理解、深度邏輯推理等重塑學(xué)習(xí)者認(rèn)知過程與學(xué)習(xí)方式。基于大模型的導(dǎo)學(xué)智能體是在這一變革趨勢(shì)下催生出的智能導(dǎo)學(xué)系統(tǒng)，其核心是由大語(yǔ)言模型和特定功能模塊（知識(shí)庫(kù)等）驅(qū)動(dòng)7-8]，能夠在數(shù)智空間中扮演教師、助教和學(xué)伴等角色并執(zhí)行各類育人功能。其憑借高階認(rèn)知能力、強(qiáng)動(dòng)態(tài)適應(yīng)性及個(gè)性化互動(dòng)能力，正在成為教育數(shù)智化轉(zhuǎn)型的重要參與者，同時(shí)有望作為學(xué)習(xí)者參與生成式學(xué)習(xí)的智能助手，彌補(bǔ)傳統(tǒng)生成式學(xué)習(xí)的局限，有效提高學(xué)習(xí)者參與度[]、學(xué)習(xí)效果及高階思維能力[]，推動(dòng)深度學(xué)習(xí)的發(fā)生。

然而，現(xiàn)有研究尚未明確基于大模型的導(dǎo)學(xué)智能體對(duì)生成式學(xué)習(xí)過程與結(jié)果的影響及其內(nèi)在機(jī)制，且缺乏系統(tǒng)性的理論框架及實(shí)證支撐。基于此，研究將基于生成式學(xué)習(xí)相關(guān)理論構(gòu)建導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)的理論模型，并以此為基礎(chǔ)開展實(shí)驗(yàn)，結(jié)合眼動(dòng)追蹤與EEG技術(shù)深人探究導(dǎo)學(xué)智能體對(duì)生成式意義建構(gòu)過程與結(jié)果的影響及其內(nèi)在機(jī)制，旨在解決學(xué)習(xí)者在生成式學(xué)習(xí)中難以主動(dòng)生成高質(zhì)量學(xué)習(xí)產(chǎn)物、信息加工深度不足及知識(shí)整合能力受限等問題，為數(shù)智時(shí)代生成式學(xué)習(xí)的全面轉(zhuǎn)型提供理論參考及實(shí)證依據(jù)。研究提出并解決以下三個(gè)問題：

問題一：生成式學(xué)習(xí)活動(dòng)對(duì)學(xué)習(xí)行為與效果有何影響？

問題二：（1）導(dǎo)學(xué)智能體對(duì)學(xué)習(xí)者在生成式意義建構(gòu)過程中的認(rèn)知行為和生成式學(xué)習(xí)產(chǎn)物質(zhì)量有何影響？（2）能否促進(jìn)生成式意義建構(gòu)的學(xué)習(xí)效果及學(xué)習(xí)者高階思維能力？

問題三：導(dǎo)學(xué)智能體影響生成式意義建構(gòu)的機(jī)制為何？

二、理論模型構(gòu)建

“選擇—組織—整合\"（SOI）框架與“交互—建構(gòu)一主動(dòng)—被動(dòng)\"（ICAP）框架是解讀生成式學(xué)習(xí)過程與結(jié)果的兩種經(jīng)典理論框架[13]。SOI框架指出生成式學(xué)習(xí)是學(xué)習(xí)者通過選擇學(xué)習(xí)材料中的關(guān)鍵信息，自主組織形成連貫的心理表征，并整合新舊知識(shí)來建構(gòu)意義，且學(xué)習(xí)者的先前知識(shí)、元認(rèn)知與學(xué)習(xí)動(dòng)機(jī)等對(duì)生成式學(xué)習(xí)至關(guān)重要。ICAP框架則根據(jù)學(xué)習(xí)者的顯性學(xué)習(xí)行為將學(xué)習(xí)劃分成四種參與方式，強(qiáng)調(diào)學(xué)習(xí)者的認(rèn)知加工深度與學(xué)習(xí)效果之間的層級(jí)關(guān)系，主張通過外顯性學(xué)習(xí)行為來判斷學(xué)習(xí)者的實(shí)際認(rèn)知參與水平，進(jìn)而優(yōu)化生成式學(xué)習(xí)設(shè)計(jì)以促進(jìn)深度學(xué)習(xí)發(fā)生[4]。為了明確不同生成式學(xué)習(xí)活動(dòng)（GenerativeLearningActivities，簡(jiǎn)稱GLAs）的具體差異和獨(dú)特性，并進(jìn)一步揭示GLAs與學(xué)習(xí)者特征、學(xué)習(xí)材料表征之間的互動(dòng)關(guān)系，LoganFiorella于2023年提出生成式意義建構(gòu)框架（Generative Sense-making Framework）[5]。該框架將學(xué)習(xí)者的內(nèi)部意義建構(gòu)方式歸納為三類GLAs：言語(yǔ)解釋（Explaining）、圖示表征（Visualizing）、具身表現(xiàn)（Enacting），主要功能分別為模擬、組織和概括知識(shí)，其中蘊(yùn)含一個(gè)重要假設(shè)：學(xué)習(xí)者能夠通過主動(dòng)組織和模擬學(xué)習(xí)材料（具身表現(xiàn)與圖示表征），促進(jìn)對(duì)知識(shí)的高質(zhì)量概括性理解（言語(yǔ)解釋）。框架還指出教學(xué)要素將作為外部支持為學(xué)習(xí)者提供合適的學(xué)習(xí)材料及適當(dāng)?shù)腉LAs指導(dǎo)，學(xué)習(xí)者特征將決定學(xué)習(xí)者在GLAs中的實(shí)際表現(xiàn)，GLAs產(chǎn)品則反映學(xué)習(xí)者的認(rèn)知參與水平，并為教師提供診斷性信息以優(yōu)化學(xué)習(xí)設(shè)計(jì)。

研究以生成式意義建構(gòu)框架為基礎(chǔ)，將基于大模型的導(dǎo)學(xué)智能體引入生成式意義建構(gòu)過程，構(gòu)建了導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)理論模型，如圖1所示。該模型提倡將導(dǎo)學(xué)智能體作為學(xué)生進(jìn)行GLAs的引導(dǎo)者，彌補(bǔ)人類教師在個(gè)性化導(dǎo)學(xué)、實(shí)時(shí)反饋及學(xué)習(xí)質(zhì)量監(jiān)測(cè)等方面的不足，為學(xué)習(xí)者提供動(dòng)態(tài)適應(yīng)、即時(shí)響應(yīng)的學(xué)習(xí)輔導(dǎo)與幫助，以期克服GLAs可能面臨的認(rèn)知負(fù)荷過重、元認(rèn)知調(diào)節(jié)不足、學(xué)習(xí)動(dòng)機(jī)弱及情緒低落等潛在障礙。模型還重視學(xué)習(xí)者在參與GLAs過程中與導(dǎo)學(xué)智能體的深度交互，并認(rèn)為其對(duì)生成式學(xué)習(xí)過程（學(xué)習(xí)行為及GLAs產(chǎn)物質(zhì)量）與結(jié)果（學(xué)習(xí)效果）均存在積極影響。此外，研究表明生成式人工智能對(duì)于促進(jìn)學(xué)習(xí)者高階思維能力具有獨(dú)特作用，為此模型將高階思維能力納入學(xué)習(xí)效果，全面表征學(xué)習(xí)者的知識(shí)能力及綜合素養(yǎng)。該模型不僅為本研究提供創(chuàng)新理論基礎(chǔ)，也為后續(xù)實(shí)證研究設(shè)計(jì)與假設(shè)構(gòu)建提供系統(tǒng)指導(dǎo)，有效推動(dòng)理論探索與實(shí)踐應(yīng)用的深度融合。

三、研究方法

（一）實(shí)驗(yàn)設(shè)計(jì)與被試

研究采用單因素被試間實(shí)驗(yàn)設(shè)計(jì)，共三個(gè)實(shí)驗(yàn)分組：控制組、GLAs組、GLAs + 導(dǎo)學(xué)智能體組。自變量為學(xué)習(xí)者的學(xué)習(xí)方式，因變量包括生成式學(xué)習(xí)產(chǎn)品質(zhì)量、學(xué)習(xí)者認(rèn)知行為、學(xué)習(xí)效果及高階思維能力。采用G*Power預(yù)估被試量，參考相關(guān)研究[選取效應(yīng)值Cohens Π_I 為 0.8，α 為0.05，統(tǒng)計(jì)檢驗(yàn)力為0.8，每組至少需要26名被試。從某大學(xué)招募被試85人，去除數(shù)據(jù)采集異常的被試5人及先前知識(shí)水平較高的被試1人，最終保留79人（男25人，女54人），被試被隨機(jī)分配至三個(gè)實(shí)驗(yàn)組中，三組人數(shù)分別為27人、26人和26人。三組被試性別（卡方檢驗(yàn)： p=0.485gt;0.05 ）、年齡（ANOVA分析： F=0.793 p=0.456gt;0.05 ）及關(guān)于學(xué)習(xí)材料的先前知識(shí)水平（ANOVA分析： F=1.234，p= 0.297gt;0.05 均不存在顯著差異。

圖1導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)理論模型

（二）實(shí)驗(yàn)材料

1.學(xué)習(xí)材料與GLAs

研究使用的學(xué)習(xí)材料為科普視頻“漢字字符的計(jì)算機(jī)編碼”，包含“計(jì)算機(jī)中處理漢字要解決的三個(gè)問題\"和“計(jì)算機(jī)處理漢字的流程\"兩個(gè)部分，時(shí)長(zhǎng)為9分1秒。被試在視頻學(xué)習(xí)過程中需要完成三種GLAs：對(duì)視頻中關(guān)鍵元素進(jìn)行鼠標(biāo)追蹤（具身表現(xiàn)）、制作視頻知識(shí)內(nèi)容的可視化思維導(dǎo)圖（圖示表征）和自我總結(jié)視頻知識(shí)內(nèi)容（言語(yǔ)解釋）。

2.導(dǎo)學(xué)智能體設(shè)計(jì)

研究采用基于檢索增強(qiáng)生成（RAG）技術(shù)的知識(shí)庫(kù)問答系統(tǒng)MaxKB構(gòu)建導(dǎo)學(xué)智能體，接入訊飛星火Spark4.0Ultra大模型，設(shè)定智能體角色為導(dǎo)學(xué)助手，將課程的文本資料導(dǎo)入知識(shí)庫(kù)并關(guān)聯(lián)至智能體中，通過提示詞引導(dǎo)，智能體將根據(jù)學(xué)習(xí)者提出的問題，從知識(shí)庫(kù)中索引相似度較高的內(nèi)容作為參考，生成高質(zhì)量回答，其核心功能是幫助學(xué)習(xí)者理解新知、解答問題、檢查并完善生成式學(xué)習(xí)產(chǎn)物。三個(gè)實(shí)驗(yàn)分組的學(xué)習(xí)界面如圖2所示。

（三）測(cè)量變量與工具

研究采用的實(shí)驗(yàn)測(cè)量工具見表1。

（四）實(shí)驗(yàn)流程

研究實(shí)驗(yàn)流程如圖3所示。在實(shí)驗(yàn)中，三組被試均可自行控制視頻進(jìn)度。C組被試僅需按順序完成視頻知識(shí)點(diǎn)的學(xué)習(xí)；G組在學(xué)習(xí)每一個(gè)知識(shí)點(diǎn)時(shí)需進(jìn)行鼠標(biāo)追蹤同時(shí)構(gòu)建思維導(dǎo)圖，并針對(duì)知識(shí)點(diǎn)進(jìn)行自我總結(jié)，直至完成所有知識(shí)點(diǎn)學(xué)習(xí)；GA組在構(gòu)建思維導(dǎo)圖時(shí)可以向?qū)W(xué)智能體提問、互動(dòng)，以促進(jìn)知識(shí)理解與完善思維導(dǎo)圖，在自我總結(jié)結(jié)束后，導(dǎo)學(xué)智能體將根據(jù)總結(jié)情況對(duì)學(xué)習(xí)者進(jìn)行表?yè)P(yáng)、糾錯(cuò)或激勵(lì)等回復(fù)。

四、數(shù)據(jù)分析與討論

三個(gè)實(shí)驗(yàn)分組的各項(xiàng)實(shí)驗(yàn)數(shù)據(jù)描述性統(tǒng)計(jì)結(jié)果如表2。借助獨(dú)立樣本t檢驗(yàn)進(jìn)行組間差異顯著性分析，回答研究問題一和二，并采用適合小樣本

圖2學(xué)習(xí)界面

表1 實(shí)驗(yàn)測(cè)量工具

和探索性研究的偏最小二乘結(jié)構(gòu)方程模型（PLS-SEM）分析導(dǎo)學(xué)智能體影響生成式意義建構(gòu)的機(jī)制，回答研究問題三。

（一）生成式學(xué)習(xí)活動(dòng)對(duì)學(xué)習(xí)行為與效果的影響

將C組與G組數(shù)據(jù)進(jìn)行獨(dú)立樣本 t 檢驗(yàn)分析，結(jié)果顯示：兩組被試Theta 腦波占比 [t（51）=0.109，p= 0.914gt;0.05 ]、HighAlpha 腦波占比 [t（51）=0.072，p= 0.943gt;0.05] 、平均注視時(shí)間 [t（51）=0.588，p=0.559gt; 0.05]均不存在顯著差異；知識(shí)保持水平存在中等程度的顯著差異 [t（51）=2.031 p=0.047lt;0.05 ， Cohen's d= 0.558]，知識(shí)遷移水平存在較小程度的邊緣顯著差異[t（51）=1.699 p=0.096lt;0.1 ，Cohen's d=0.467. ；高階思維能力中問題解決能力 [t（51）=0.898 p=0.373gt;0.05 ！批判性思維 [t（51）=1.255 p=0.215gt;0.05 及創(chuàng)新思維能力 [t（51）=1.232，p=0.224gt;0.05] 均不存在顯著差異。

綜上分析回答研究問題一：

第一，本研究中GLAs顯著促進(jìn)學(xué)習(xí)者的知識(shí)保持，小幅提高了知識(shí)的遷移應(yīng)用能力。該結(jié)論證明研究使用的GLAs整體上能促進(jìn)學(xué)習(xí)效果，與關(guān)于手勢(shì)[23]、自我解釋24等策略促進(jìn)學(xué)習(xí)的元分析研究結(jié)論一致，學(xué)習(xí)者主動(dòng)參與GLAs進(jìn)行知識(shí)構(gòu)建能夠強(qiáng)化知識(shí)的組織編碼過程，比被動(dòng)接受更容易形成持久的知識(shí)記憶；另外，學(xué)習(xí)者參與GLAs時(shí)有效引發(fā)對(duì)知識(shí)的初步應(yīng)用關(guān)聯(lián)思考，但可能由于任務(wù)復(fù)雜度較低且拓展性不足，僅小幅提升了知識(shí)的遷移應(yīng)用能力。

第二，GLAs未能優(yōu)化學(xué)習(xí)者腦與視覺認(rèn)知行為及高階思維能力培養(yǎng)。可能由于兩組在任務(wù)難度、認(rèn)知資源分配需求等方面較為相似，導(dǎo)致Theta波、HighAlpha波及平均注視時(shí)間沒有顯著差異。由于高階思維的培養(yǎng)需要學(xué)習(xí)者積極提出問題，并參與多步驟推理及多角度分析，GLAs僅為學(xué)習(xí)者提供了單向交互，未涉及問題反饋或批判性反思環(huán)節(jié)（如元認(rèn)知策略指導(dǎo)、情緒支持等），導(dǎo)致深度思維難以激發(fā)。該問題有待通過在GLAs中融人導(dǎo)學(xué)智能體的交互式問答來解決，為此研究將在GLAs能夠有效促進(jìn)學(xué)習(xí)效果這一結(jié)論的基礎(chǔ)上，進(jìn)一步分析導(dǎo)學(xué)智能體對(duì)生成式意義建構(gòu)的深層影響。

（二）導(dǎo)學(xué)智能體對(duì)生成式意義建構(gòu)過程的影響

將G組與GA組學(xué)習(xí)過程數(shù)據(jù)進(jìn)行獨(dú)立樣本 Ψ_t 檢驗(yàn)分析，結(jié)果顯示：兩組大腦theta腦波占比存在中等程度的邊緣顯著差異 [t（50）=1.895 p=0.064lt;0.1 Cohen's d=0.525 ，HighAlpha腦波占比存在中等程度的顯著差異 [t（50）=2.281 ， p=0.027lt;0.05 ，Cohen'sd=0.633] ；平均注視時(shí)間存在中等程度的邊緣顯著差異 [t（50）AA=1.847 p=0.071lt;0.1 ，Cohen's d=0.512] ;兩組眼跳次數(shù)（具身表現(xiàn)質(zhì)量）存在較大程度的極其顯著差異 [t（50）=6.633，plt;0.01 ，Cohen's d=1.840] ，導(dǎo)圖字?jǐn)?shù)與節(jié)點(diǎn)數(shù)（圖示表征GLA質(zhì)量）均存在較大程度的極其顯著差異 [t（50）=3.061 p=0.004lt;0.05 ，Cohen's d= 0.849 ; t（50）=3.017 ， p=0.004lt;0.05 ，Cohen's d=0.870^? ，總結(jié)字?jǐn)?shù)（言語(yǔ)解釋質(zhì)量）存在較大程度的極其顯著差異 [t（50）=4.307 plt;0.01 ，Cohen's d=1.194 ）

綜上分析回答研究問題二（1）：

第一，在GLAs中加入導(dǎo)學(xué)智能體輔助學(xué)習(xí)者完成生成式意義建構(gòu)能夠顯著促進(jìn)學(xué)習(xí)者的認(rèn)知行為，具體表現(xiàn)為更適宜進(jìn)行認(rèn)知加工的“低放松、高投入”大腦認(rèn)知狀態(tài)及更深層的視覺認(rèn)知加工過程。GLAs往往需要學(xué)習(xí)者整合新舊知識(shí)、組織信息并進(jìn)行深度加工，這一過程要求學(xué)習(xí)者能夠高效分配認(rèn)知資源。在腦認(rèn)知層面，大腦Theta波占比的降低除了與放松狀態(tài)相關(guān)外，還與認(rèn)知負(fù)荷水平呈現(xiàn)正相關(guān)，GLAs中導(dǎo)學(xué)智能體的介入降低了學(xué)習(xí)者Theta腦波占比，同時(shí)提高HighAlpha腦波占比，幫助學(xué)習(xí)者優(yōu)化了認(rèn)知資源分配，減少了無效的認(rèn)知負(fù)荷，同時(shí)增強(qiáng)了專注度和信息整合能力，使學(xué)習(xí)者在更輕松的腦認(rèn)知狀態(tài)下開展高質(zhì)量生成式學(xué)習(xí)；視覺認(rèn)知行為層面，導(dǎo)學(xué)智能體的引人可能促使學(xué)習(xí)者在關(guān)鍵知識(shí)點(diǎn)或智能體的反饋信息等核心區(qū)域停留更長(zhǎng)時(shí)間，以便充分地理解和整合信息，表現(xiàn)為平均注視時(shí)間的顯著增多，進(jìn)一步證明了學(xué)習(xí)者在導(dǎo)學(xué)智能體的協(xié)助下，能夠在信息處理和意義建構(gòu)上投入更多精力，從而提升學(xué)習(xí)質(zhì)量。另外，研究通過分析被試與導(dǎo)學(xué)智能體的交互過程發(fā)現(xiàn)，學(xué)習(xí)者在參與GLAs時(shí)常面臨的主要挑戰(zhàn)是缺乏掌握新知識(shí)所必須的先前知識(shí)，因此會(huì)較頻繁地向?qū)W(xué)智能體提問相關(guān)內(nèi)容，導(dǎo)學(xué)智能體通過實(shí)時(shí)調(diào)用知識(shí)庫(kù)，為學(xué)習(xí)者提供即時(shí)、個(gè)性化的知識(shí)支持，有效彌補(bǔ)學(xué)習(xí)者的認(rèn)知空缺，確保學(xué)習(xí)活動(dòng)順利開展。

第二，導(dǎo)學(xué)智能體使學(xué)習(xí)者自主參與的生成式學(xué)習(xí)產(chǎn)品質(zhì)量得到了全面提升，意味著學(xué)習(xí)者在知識(shí)整合、信息組織與輸出方面表現(xiàn)更優(yōu)。在知識(shí)整合階段，學(xué)習(xí)者眼跳次數(shù)顯著增加，表明其在知識(shí)建構(gòu)過程中能夠更加主動(dòng)地探索和調(diào)整學(xué)習(xí)內(nèi)容，展現(xiàn)出更高質(zhì)量的具身表現(xiàn)參與；在信息組織階段，學(xué)習(xí)者自主生成思維導(dǎo)圖時(shí)可能會(huì)遇到內(nèi)容組織困難或關(guān)鍵知識(shí)點(diǎn)遺漏的問題，而導(dǎo)學(xué)智能體可以基于學(xué)習(xí)者當(dāng)前的問題需求提供適當(dāng)?shù)膶W(xué)習(xí)建議，使學(xué)習(xí)者能夠更流暢地完成知識(shí)構(gòu)建，提高圖示表征產(chǎn)物質(zhì)量；在信息輸出階段，G組學(xué)習(xí)者在完成總結(jié)任務(wù)時(shí)往往表現(xiàn)出明顯的焦慮、低任務(wù)價(jià)值感與低自我效能感[2，可能影響后續(xù)知識(shí)的學(xué)習(xí)，而GA組學(xué)習(xí)者可以使用導(dǎo)學(xué)智能體輔助檢查總結(jié)內(nèi)容，獲得即時(shí)的正誤反饋并接受適當(dāng)?shù)脑J(rèn)知指導(dǎo)和情緒支持，提高言語(yǔ)概括的質(zhì)量。

（三）導(dǎo)學(xué)智能體對(duì)生成式意義建構(gòu)結(jié)果的影響

將G組與GA組學(xué)習(xí)結(jié)果數(shù)據(jù)進(jìn)行獨(dú)立樣本 Ψ_t 檢驗(yàn)分析，結(jié)果顯示：兩組知識(shí)保持與知識(shí)遷移水平均存在較大程度的顯著差異 [t（50）=3.149，p=0.003lt; 0.05，Cohen's d=0.875;t （50） =3.149 p=0.003lt;0.05 ，Cohen's d=0.871. ；高階思維能力中，學(xué)習(xí)者問題解決能力存在較大程度的顯著差異「 0.004lt;0.05 ，Cohen's ，導(dǎo)學(xué)智能體加人GLAs顯著降低了學(xué)習(xí)者的問題解決能力，批判性思維 [t （50） 1=1.374 p=0.176gt;0.05] 與創(chuàng)新思維能力 [t（50）= 1.097， p=0.278gt;0.05] 不存在顯著差異。

綜上分析回答研究問題二（2）：

第一，導(dǎo)學(xué)智能體介入GLAs顯著提高了學(xué)習(xí)者的知識(shí)保持與遷移應(yīng)用能力。有研究表明，高質(zhì)量的生成式學(xué)習(xí)產(chǎn)品質(zhì)量能夠預(yù)測(cè)更好的學(xué)習(xí)效果2，本研究結(jié)論同樣驗(yàn)證了這一假設(shè)，導(dǎo)學(xué)智能體在優(yōu)化學(xué)習(xí)產(chǎn)品質(zhì)量的同時(shí)，也進(jìn)一步促進(jìn)了學(xué)習(xí)者對(duì)知識(shí)的長(zhǎng)期保持與遷移應(yīng)用，說明導(dǎo)學(xué)智能體對(duì)于促進(jìn)生成式意義建構(gòu)效果良好。

第二，在GLAs中使用導(dǎo)學(xué)智能體對(duì)高階思維能力的提升作用相對(duì)有限，甚至可能對(duì)學(xué)習(xí)者問題解決能力產(chǎn)生一定的抑制效應(yīng)。這與本研究的預(yù)期假設(shè)存在偏差，深入剖析其原因可能有以下幾個(gè)方面：首先，學(xué)習(xí)者可能對(duì)導(dǎo)學(xué)智能體形成過度依賴，在遇到問題時(shí)傾向于直接獲取智能體提供的解答，而非自主思考和探索不同的解決路徑，從而削弱了自主學(xué)習(xí)能力和問題解決高階能力的培養(yǎng)[2；其次，導(dǎo)學(xué)智能體可能提供了過度支持，即在學(xué)習(xí)過程中給予了過多的即時(shí)反饋和精準(zhǔn)指導(dǎo)，減少了學(xué)習(xí)者經(jīng)歷適度挑戰(zhàn)和試錯(cuò)過程的機(jī)會(huì)，而適度的認(rèn)知沖突和挑戰(zhàn)被認(rèn)為是促進(jìn)高階思維能力發(fā)展的關(guān)鍵因素[28]。

第三，干預(yù)時(shí)長(zhǎng)的限制可能影響了研究結(jié)論的準(zhǔn)確性，部分高階思維能力的培養(yǎng)需要較長(zhǎng)的時(shí)間周期，而本研究中的干預(yù)時(shí)間可能尚不足以充分展現(xiàn)導(dǎo)學(xué)智能體對(duì)學(xué)習(xí)者問題解決能力的深遠(yuǎn)影響。合理的導(dǎo)學(xué)智能體設(shè)計(jì)應(yīng)注重控制智能體的介入程度，逐步降低外部支持的強(qiáng)度，引導(dǎo)學(xué)習(xí)者主動(dòng)構(gòu)建知識(shí)、獨(dú)立解決問題，以確保高階思維能力的有效發(fā)展。

（四）導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)的機(jī)制分析

研究根據(jù)前文提出的導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)理論模型構(gòu)建假設(shè)模型，并結(jié)合G組與GA組實(shí)驗(yàn)數(shù)據(jù)在SmartPLS軟件中進(jìn)行PLS-SEM分析，挖掘?qū)W(xué)智能體促進(jìn)生成式意義建構(gòu)的內(nèi)在機(jī)制。

1.假設(shè)模型構(gòu)建

假設(shè)模型如圖4所示。根據(jù)研究問題二的相關(guān)結(jié)論，導(dǎo)學(xué)智能體未能促進(jìn)學(xué)習(xí)者高階思維能力，為此模型暫未納入該指標(biāo)。其中Theta腦波占比指標(biāo)由于共線性檢驗(yàn)未通過 VIF=5.608gt;5 ，因此在模型后續(xù)分析中被刪除。

2.假設(shè)檢驗(yàn)分析

（1）信度與效度檢驗(yàn)

信效度檢驗(yàn)分析結(jié)果見表3。所有潛變量Cronbach's ∝ 與CR值均大于0.7，表明各觀測(cè)變量的測(cè)量具有較好的信度與可靠性，其內(nèi)部一致性較好；各潛變量的AVE值均大于0.5，其觀測(cè)變量的因子載荷均大于0.7，證明該模型具有較好的聚合效度；各變量的AVE平方根均大于潛變量之間的相關(guān)系數(shù)，表明模型的區(qū)分效度較好[29]。所有觀測(cè)變量（除Theta指標(biāo)）的VIF值均小于5，表明模型不存在共線性問題。

（2）結(jié)構(gòu)模型與路徑系數(shù)

通過Bootstrapping檢驗(yàn)方法確立自變量與因變量之間關(guān)聯(lián)的顯著性，并計(jì)算出標(biāo)準(zhǔn)化路徑系數(shù)，結(jié)果見表4。共三條假設(shè)得到驗(yàn)證：導(dǎo)學(xué)智能體對(duì)于提高生成式學(xué)習(xí)產(chǎn)物質(zhì)量具有顯著影響（H1）；導(dǎo)學(xué)智能體顯著促進(jìn)學(xué)習(xí)者的學(xué)習(xí)行為（H2）;生成式學(xué)習(xí)產(chǎn)物的質(zhì)量能夠顯著正向影響學(xué)習(xí)效果（H4）。學(xué)習(xí)行為對(duì)生成式學(xué)習(xí)產(chǎn)物質(zhì)量（H3）和學(xué)習(xí)效果（H5）兩個(gè)變量不存在顯著影響。模型中自變量對(duì)生成式學(xué)習(xí)產(chǎn)物質(zhì)量（ R²=0.415 及學(xué)習(xí)效果（ R²=0.393 具有中等程度的解釋力，對(duì)學(xué)習(xí)行為（ R²=0.107 具有較小程度的解釋力；模型對(duì)三個(gè)潛變量均具備一定程度的預(yù)測(cè)能力（學(xué)習(xí)行為 Q²=0.014 ，生成式學(xué)習(xí)產(chǎn)品質(zhì)量 Q²=0.007 ，學(xué)習(xí)效果 Q²=0.044? 。最終的假設(shè)驗(yàn)證模型如圖5所示。

3.假設(shè)檢驗(yàn)結(jié)果分析

根據(jù)分析結(jié)果回答研究問題三。研究發(fā)現(xiàn)導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)的核心機(jī)制是：學(xué)習(xí)者在參與GLAs時(shí)使用導(dǎo)學(xué)智能體能夠較大程度地提高生成式學(xué)習(xí)產(chǎn)物的質(zhì)量，進(jìn)而較大程度促進(jìn)學(xué)習(xí)效果的提升。首先，積極的學(xué)習(xí)行為雖然能夠促進(jìn)學(xué)習(xí)者的認(rèn)知活動(dòng)，但可能更多地表現(xiàn)為表層的參與和活躍度，這些行為本身不能夠確保知識(shí)的深度理解和應(yīng)用，也不一定能直接轉(zhuǎn)化為學(xué)習(xí)效果的提升。其次，生成式學(xué)習(xí)產(chǎn)品是學(xué)習(xí)者在學(xué)習(xí)過程中積極參與、整合和加工信息的產(chǎn)物，生成式產(chǎn)品質(zhì)量的提高意味著學(xué)習(xí)者在知識(shí)建構(gòu)過程中進(jìn)行了深度思考和信息整合，從而有效促進(jìn)了理解和記憶，這種深度的學(xué)習(xí)結(jié)果比僅僅通過行為參與的淺層學(xué)習(xí)更能促進(jìn)長(zhǎng)期學(xué)習(xí)效果。第三，生成式學(xué)習(xí)往往需要學(xué)習(xí)者主動(dòng)調(diào)動(dòng)認(rèn)知資源，進(jìn)行知識(shí)的分析、組織和表達(dá)。與使用單一的GLAs相比，學(xué)習(xí)者通過導(dǎo)學(xué)智能體支持完成生成式產(chǎn)物，能夠幫助學(xué)習(xí)者更有效地管理認(rèn)知負(fù)荷[30，避免過度依賴反復(fù)行為，而是通過深度加工和內(nèi)化學(xué)習(xí)內(nèi)容來提高學(xué)習(xí)效果，研究中所發(fā)現(xiàn)的學(xué)習(xí)行為顯著優(yōu)化正是對(duì)這一顯現(xiàn)的有力印證。

表3

信度、效度與共線性分析結(jié)果

表4結(jié)構(gòu)方程模型路徑檢驗(yàn)結(jié)果

圖5假設(shè)驗(yàn)證模型

注：NS及虛線表示該路徑不顯著，*表示路徑顯著水平 lt;0.05_?S

五、結(jié)論與建議

研究分析了導(dǎo)學(xué)智能體對(duì)生成式意義建構(gòu)過程及結(jié)果的影響及機(jī)制，發(fā)現(xiàn)導(dǎo)學(xué)智能體能夠助力學(xué)習(xí)者在參與GLAs時(shí)保持“低放松、高投人\"的大腦認(rèn)知狀態(tài)，并積極調(diào)用視覺認(rèn)知資源對(duì)知識(shí)信息進(jìn)行組織加工，產(chǎn)出更高質(zhì)量的生成式學(xué)習(xí)產(chǎn)物，最終提高知識(shí)保持與知識(shí)遷移成績(jī)。PLS-SEM分析發(fā)現(xiàn)，導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)的核心機(jī)制為：學(xué)習(xí)者使用導(dǎo)學(xué)智能體顯著提高生成式學(xué)習(xí)產(chǎn)物的質(zhì)量，進(jìn)而促進(jìn)學(xué)習(xí)效果。因此，高質(zhì)量的生成式學(xué)習(xí)產(chǎn)品是生成式意義建構(gòu)成功有效的關(guān)鍵。研究為生成式人工智能融入生成式學(xué)習(xí)提供了一定的理論支撐和實(shí)證依據(jù)，基于研究結(jié)論進(jìn)一步提出四條建議，旨在推動(dòng)導(dǎo)學(xué)智能體與生成式意義建構(gòu)的深度融合，促進(jìn)生成式學(xué)習(xí)的數(shù)智化發(fā)展。

（一）挖掘大模型與生成式學(xué)習(xí)的聯(lián)動(dòng)機(jī)制，推動(dòng)創(chuàng)新理論與教學(xué)實(shí)踐的有機(jī)融合

研究構(gòu)建的導(dǎo)學(xué)智能體促進(jìn)生成式意義建構(gòu)理論模型一定程度上解釋了導(dǎo)學(xué)智能體如何影響生成式意義建構(gòu)的外顯學(xué)習(xí)行為、生成式學(xué)習(xí)產(chǎn)物質(zhì)量及最終的學(xué)習(xí)效果，但尚未能完全揭示導(dǎo)學(xué)智能體生成內(nèi)容與學(xué)習(xí)者個(gè)體內(nèi)部生成式學(xué)習(xí)之間的內(nèi)在聯(lián)動(dòng)機(jī)制及其融合奇點(diǎn)。未來研究應(yīng)聚焦基于大模型的導(dǎo)學(xué)智能體與生成式學(xué)習(xí)的深度聯(lián)動(dòng)，挖掘其協(xié)同機(jī)制，以理論創(chuàng)新指導(dǎo)GLAs的實(shí)際應(yīng)用，推動(dòng)教學(xué)實(shí)踐中的生成式學(xué)習(xí)有效開展。

（二）探索生成式學(xué)習(xí)產(chǎn)物質(zhì)量評(píng)估融入過程性評(píng)價(jià)的新模式，保障學(xué)習(xí)成效高質(zhì)量轉(zhuǎn)化

研究結(jié)論發(fā)現(xiàn)，生成式學(xué)習(xí)產(chǎn)品的質(zhì)量對(duì)于基于大模型的生成式學(xué)習(xí)效果提升具有重要作用，也有研究提出生成式學(xué)習(xí)產(chǎn)物不僅反映了學(xué)習(xí)者的思維深度和認(rèn)知加工，還能作為預(yù)測(cè)學(xué)習(xí)結(jié)果的重要工具。然而，本研究對(duì)生成式學(xué)習(xí)產(chǎn)物質(zhì)量的評(píng)估不夠全面，僅將眼跳次數(shù)及產(chǎn)品完成的數(shù)量等指標(biāo)作為評(píng)估標(biāo)準(zhǔn)，且并未將其作為學(xué)習(xí)結(jié)果的預(yù)測(cè)要素來考量。未來應(yīng)探索將生成式學(xué)習(xí)產(chǎn)品質(zhì)量評(píng)估融入過程性評(píng)價(jià)的新模式，以全面了解學(xué)習(xí)者的知識(shí)建構(gòu)過程并及時(shí)干預(yù)，進(jìn)而保障學(xué)習(xí)成效的高質(zhì)量轉(zhuǎn)化。

（三）優(yōu)化人機(jī)交互設(shè)計(jì)并注重交互質(zhì)量，防范認(rèn)知外包、教育去人化等重大風(fēng)險(xiǎn)導(dǎo)致的生成式學(xué)習(xí)失敗

研究通過分析學(xué)習(xí)者與導(dǎo)學(xué)智能體的交互行為記錄發(fā)現(xiàn)，學(xué)習(xí)者在生成式學(xué)習(xí)過程中面臨的主要困難包括先前知識(shí)的不足、對(duì)GLAs的不熟悉及對(duì)生成式學(xué)習(xí)產(chǎn)物缺乏自信等，這些導(dǎo)致學(xué)習(xí)者頻繁向?qū)W(xué)智能體求助相關(guān)問題。因此，未來研究應(yīng)結(jié)合交互設(shè)計(jì)的創(chuàng)新方法，精準(zhǔn)把握大模型融入生成式學(xué)習(xí)的環(huán)節(jié)，以更好地對(duì)接學(xué)習(xí)者的需求。同時(shí)，可參考本研究采用的檢索增強(qiáng)生成技術(shù)，通過構(gòu)建知識(shí)庫(kù)訓(xùn)練大模型如何開展生成式學(xué)習(xí)支持，提高大模型的回答輸出質(zhì)量，避免低質(zhì)量和無效交互的發(fā)生。

（四）規(guī)范大模型與生成式學(xué)習(xí)融合邊界，避免技術(shù)濫用與依賴造成的學(xué)習(xí)者高階思維能力消解

本研究發(fā)現(xiàn)，基于大模型的生成式學(xué)習(xí)范式并未有效促進(jìn)學(xué)習(xí)者的高階思維能力發(fā)展，甚至導(dǎo)致了學(xué)習(xí)者問題解決能力受到削弱。該現(xiàn)象表明，大模型與生成式學(xué)習(xí)的融合存在一定的邊界，未來研究應(yīng)關(guān)注如何規(guī)范二者的融合限度，避免技術(shù)的濫用和過度依賴等為學(xué)習(xí)者帶來的負(fù)面影響。例如，通過加強(qiáng)師生人工智能素養(yǎng)培育，創(chuàng)設(shè)專為高階思維能力培養(yǎng)的學(xué)習(xí)環(huán)節(jié)和活動(dòng)等，為學(xué)習(xí)者高階思維能力發(fā)展做好必要準(zhǔn)備。

[參考文獻(xiàn)]

[1] WITTROCK M C. Generative processes of comprehension[J]. Educational psychologist，1989，24（4）：345-376.

[2]FIORELAL，MAERRE.Eight ways topromotegenerativeleaing[J].Educatioalpsychologyreview，2016，28：717741.

[3]BRODG.Generativelearning：which strategies forwhatage？[J].Educational psychologyreview，2021，33（4）：1295-1318.

[4]王雪，楊文亞，盧鑫，等.生成性學(xué)習(xí)策略促進(jìn)VR環(huán)境下學(xué)習(xí)發(fā)生的機(jī)制研究[J].遠(yuǎn)程教育雜志，2021，39（3）：65-74.

[5]CASTRO-ALONSOJC，DEKONIGBB，ORELAL，etal.Fivestrategiesforoptimingistructioalmaterialsisuctoandlearner-managed cognitive load[J]. Educational psychology review，2021，33（4）：1379-1407.

[6]喬雪峰.從工具賦能到智能協(xié)同：生成式人工智能驅(qū)動(dòng)的教育模式轉(zhuǎn)型[J].南京社會(huì)科學(xué)，2025（1）：126-134.

[7]袁磊，徐濟(jì)遠(yuǎn)，梁世松.智能體賦能的人機(jī)協(xié)同跨學(xué)科主題教學(xué)支持模型[J].電化教育研究，2025，46（3）：87-94.

[8]肖君，白慶春，陳沫，等.生成式人工智能賦能在線學(xué)習(xí)場(chǎng)景與實(shí)施路徑[J].電化教育研究，2023，44（9）：57-63，99.

[9]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(hào)的腦機(jī)制與優(yōu)化策略探究[J].電化教育研究，2025，46（2）：49-56.

[10]HAO Z，JIANGJ，YUJ，etal.Studentengagement incolaborative learningwithAIagentsinanLLM-empoweredleamingenvironment： a cluster analysis[EB/OL]. [2025-03-03]. https：//rxiv.org/abs/2503.01694.

[11]付道明，仇星月，張梅，等.大語(yǔ)言模型支持的泛在學(xué)習(xí)應(yīng)用場(chǎng)景及策略研究[J].電化教育研究，2024，45（10）：65-71，109.

[12]李海峰，王煒.人機(jī)爭(zhēng)論探究法：一種爭(zhēng)論式智能會(huì)話機(jī)器人支持的學(xué)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.

[13]洛根·費(fèi)奧雷拉，盛群力，張恩銘.理解生成式學(xué)習(xí)[J].遠(yuǎn)程教育雜志，2023，41（6）：20-33.

[14]CHIMTH，WYLIER.TeICAPframework：linkingcognitiveengagementtoactivelearnigoutcomes[J].Educationalpscholgist，2014，49（4） ：219-243.

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

[16]FIORELLAL，MAYERRE.Therelativebenefitsoflearingbyteachingandteaching expectancy[J].Contemporaryeducationalpsychology，2013，38（4）：281-288.

[17]杜修平，王鑒羽.檢索增強(qiáng)生成賦能智能導(dǎo)學(xué)系統(tǒng)構(gòu)建研究——基于本地大模型與私有知識(shí)庫(kù)[I].中國(guó)電化教育，2025（5）：117-127.

[18]BACEVICUTES，MOTELSONA，TERKILDSENT，etal.Investigatigrepresentationof textandudioineducatioal VRusinglearning outcomes and EEG[Cy/Proceedingsof the2020 CHI Conferenceon Human Factors in Computing Systems.2020：1-13.

[19]翟雪松，許家奇，陳鑫源，等.文本呈現(xiàn)方式對(duì)視覺舒適度的影響——基于人工智能與腦電協(xié)同的分析[J].開放教育研究，2023，29（1）：70-80.

[20]HWANG GJ，CHENCH.Influences ofaninquiry-basedubiquitousgaming designonstudents‘learning achievements，motivation，behavioralpaterns，andtendencytowardscriticalthinkingandproblemsolving[J].Britishjournalofeducationaltechnology，2017，48（4）：950-971.

[21]LAICL，HWAGJ.Efctsofobileleaingtieonstudentscoceptionofcolboationomunicationcomplexoblesolving，meogieawarsadreaivityJ].IteatioaljoualofobilelaingandoanatiO4，8（-4）691.

[22]CHAICSaiguodtsosoftuc]Asia pacific education review，2015，16：389-398.

[23]DARGUE N，SWELLERN，JONESMP. Whenourhands helpusunderstand：a meta-analysis into theefects of gestureoncomprehension[J]. Psychological bulletin，2019，145（8）：765.

[24]BISRAK，UQ，NBJC，etal.Iducingself-xplanation：ameta-analyss[J].Eucaialpshogreview18：70725.

[25]KARABENICKSA，BERGERJL，RUZEKE，etal.Strategymotivationandstrategyuse：roleofstudentapraisalsof utltyndcost[J].Metacognition and learning，2021，16（2）：345-366.

[26] SCHWAMBORNA，MAYER RE，THLLMANN H，etal.Drawingasa generative activityand drawing asa prognosticactity].Journal of educational psychology，2010，102（4）：872.

[27]翟雪松，季爽，焦麗珍，等.基于多智能體的人機(jī)協(xié)同解決復(fù)雜學(xué)習(xí)問題實(shí)證研究[J].開放教育研究，2024，30（3）：63-73.

[28]孫丹，朱城聰，許作棟，等.基于生成式人工智能的大學(xué)生編程學(xué)習(xí)行為分析研究[J].電化教育研究，2024，45（3）：113-120.

[29]FORNELLC，ARCKERDFEvauatingstructuralquationodelsituobseablevarablesndmeasurementeoJ]Joualfmarketing research，1981，18（1）：39-50.

[30]WUY.Integratinggenerativelinducation;howChatGPringschallngesforfuturelaingandteachingJ] Joualofadvancedresearch in education，2023，2（4）：6-10.

Can Large Model-based Tutoring Agents Facilitate Generative Sense-making？ -Theoretical Model and Empirical Research

DU Xiuping'，WANG Yinyu2， SONG Yaxin1， GAO Lingze1 （1.School of International Education， Tianjin University， Tianjin 300072; 2.School of Education， Tianjin University， Tianjin ）

[Abstract] Generative learning in practice has several challenges， including low learner engagement， lack of real-time guidance， difficulties in implementing personalized learning processes，and poor quality of generative learning products.Large model-driven tutoring agents，with their multimodal interaction and dynamic cognitive diagnosis，are expected to deeply integrate with generative learning and overcome these limitations.Therefore，based on the generative sense-making framework， this study constructs a theoretical model of tutoring agents facilitating generative sense -making，and combines eye -tracking， EEG and questionnaires to deeply explore the impact and mechanism of tutoring agents on the process and outcomes of generative sense-making. The study has found that when learners use tutoring agents in the process of generative sense -making， their brains can maintain a state of \"low relaxation and high engagement\"，optimize visual cognitive behaviors，and improve the quality of generative learning outcomes. In terms of learning outcomes， learners demostrate significant improvements in knowledge retention and knowledge transfer.However， tutoring agents fail to effectively promote learners'higher-order thinking skills and even weaken their problem-solving abilities.PLS-SEM analysis further shows that improving the quality of GLA products with the assistance of tutoring agents is the key to successful generative sensemaking.Finally，based on these findings，targeted suggestionsare put forward to address the potential educational risks in the integration of generative learning and AI，providing theoretical support and practical guidance for the digital intelligence development of generative learning.

[Keywords] Tutoring Agent; Large Language Model; Generative Sense-making; Higher-order Thinking Skill; PLS-SEM