張志禎 張玲玲 米天伊 丘詩萍

摘要：自2022年底以來，大型語言模型ChatGPT以爆炸式用戶增長與網(wǎng)絡(luò)傳播的方式向公眾宣告其誕生，并因其流暢的多輪次對話、對需求的準(zhǔn)確理解、實(shí)用性高的文本（含程序代碼）生成，受到教育領(lǐng)域的廣泛關(guān)注。對于以ChatGPT為代表的大型語言模型及其衍生應(yīng)用的教育技術(shù)學(xué)思考，不能停留在為教師和學(xué)生提供使用建議的層面，還需更深入。其中的一個方向是探討源自教學(xué)機(jī)器的適應(yīng)性教學(xué)系統(tǒng)及其所支持的個性化學(xué)習(xí)對學(xué)校教學(xué)系統(tǒng)結(jié)構(gòu)的可能影響。對ChatGPT教學(xué)行為的分析表明：在教學(xué)行為（活動、任務(wù)）層面，它能夠進(jìn)行對話輔導(dǎo)、技能訓(xùn)練、講授演示、協(xié)同創(chuàng)作、交互評價等活動，但是缺少課時、單元、課程等上層結(jié)構(gòu)，而作為其行為基礎(chǔ)的“動作”，也面臨可信性與準(zhǔn)確性不高的挑戰(zhàn)。盡管如此，ChatGPT表現(xiàn)出來的跨領(lǐng)域自然語言理解與生成能力仍為智能教學(xué)系統(tǒng)提供了新型“能力基座”，有望大范圍改變智能教學(xué)系統(tǒng)的開發(fā)模式，提升其教學(xué)表現(xiàn)，為個性化學(xué)習(xí)提供更全面、更有效的支撐。學(xué)校的教學(xué)系統(tǒng)是否會因此產(chǎn)生結(jié)構(gòu)性變革？本文將“會不會”問題，分為“能不能”與“應(yīng)該不應(yīng)該”兩個問題，分別從事實(shí)邏輯層面、實(shí)踐價值層面進(jìn)行探討。分析表明，學(xué)?，F(xiàn)有的分科課程、班級授課、教師主導(dǎo)等系統(tǒng)結(jié)構(gòu)仍保持穩(wěn)定，并未受已有的智能教學(xué)系統(tǒng)與慕課等資源太大的沖擊；基于大型語言模型的教學(xué)自動化還需要補(bǔ)足“上層結(jié)構(gòu)”，夯實(shí)“基礎(chǔ)動作”；對于基礎(chǔ)教育，學(xué)校教學(xué)系統(tǒng)的要素（如教師）可能會發(fā)生很大變化，但系統(tǒng)結(jié)構(gòu)很可能會保持穩(wěn)定。

關(guān)鍵詞：ChatGPT；大型語言模型；智能教學(xué)系統(tǒng)；個性化學(xué)習(xí)；學(xué)校教育；系統(tǒng)變革；教學(xué)自動化

中圖分類號：G434? ? ? ? 文獻(xiàn)標(biāo)識碼：A? ? ? ? ?文章編號：1009-458ｘ（2023）4-0032-10

利用技術(shù)裝置教學(xué)生的思想與實(shí)踐源頭可以追溯到近100年前心理測量學(xué)者普萊西（S. Pressey）設(shè)計的機(jī)械式“教學(xué)機(jī)器”。該機(jī)器能夠?qū)崿F(xiàn)標(biāo)準(zhǔn)化考試答題、自動計分與反饋。普萊西將其用于大學(xué)課程。1931年，在美國俄亥俄州立大學(xué)的學(xué)生刊物上，有學(xué)生以調(diào)侃的口氣寫道：“如果能夠發(fā)明另外一臺機(jī)器，能夠自動回答普萊西教學(xué)機(jī)器的題目，那么，在學(xué)生眼中，這就是一臺完美的機(jī)器了?！保╓atters， 2021， p.54）91年后，學(xué)生們所期待的完美機(jī)器終于誕生了：2022年11月，美國OpenAI公司推出了能自動答題、寫作、編程的ChatGPT，但它不是純物理機(jī)械的，而是依賴數(shù)字計算機(jī)技術(shù)，是現(xiàn)代人工智能的大型語言模型（Large Language Model， LLM）的產(chǎn)物。ChatGPT一經(jīng)推出就受到廣泛關(guān)注：用戶過億只用了區(qū)區(qū)兩個月的時間（Hu， 2023）。大學(xué)生們用它做作業(yè)，引起了教師們的擔(dān)憂，進(jìn)而受到社會的廣泛關(guān)注。人們也開始關(guān)注它對于教育系統(tǒng)的沖擊，有論者提出ChatGPT會把傳統(tǒng)教育“逼入墻角”（倪閩景， 2023）。

的確，人類的語言與知識、思維、智能、教育教學(xué)都密切相關(guān)?？鬃拥膯l(fā)式教學(xué)、蘇格拉底的“產(chǎn)婆術(shù)”、人工智能領(lǐng)域的“圖靈測試”，都離不開對語言的使用。自然語言處理（NLP）被譽(yù)為人工智能皇冠上的明珠。一個能夠自然地與人交談、幾乎能完美地回答任何問題、流暢地寫作與編程的軟件，在令人驚嘆的同時，也難免會讓人思考人類社會、人類個體、教育系統(tǒng)的未來圖景。

在教育技術(shù)領(lǐng)域，利用技術(shù)輔助或代替教師去教學(xué)生是一個經(jīng)久不息的話題。普萊西利用教學(xué)機(jī)器的商業(yè)與教學(xué)冒險失敗20多年后，斯金納（B. F. Skinner）用其行為主義學(xué)習(xí)理論將其“合理化”，并掀起了更大的產(chǎn)業(yè)力量投入，這一嘗試很快也以失敗告終（Watters， 2021， p.212）。但在20世紀(jì)中葉控制論、信息論等新興學(xué)科的影響下，教學(xué)機(jī)器運(yùn)動的勃興速亡并未妨礙芬恩（J. Finn）以教學(xué)機(jī)器、程序教學(xué)、電視、收音機(jī)、廣播等為主要媒體，設(shè)想大范圍的“教育自動化”（Finn， 1960）。計算機(jī)、多媒體、互聯(lián)網(wǎng)、移動設(shè)備、人工智能等技術(shù)的出現(xiàn)，無不引起人們對于“計算機(jī)教學(xué)生學(xué)習(xí)”的熱情探索。以提出顛覆性創(chuàng)新（disruptive innovation）理論聞名的經(jīng)濟(jì)學(xué)家克里斯坦森（C. M. Christensen）認(rèn)為，以學(xué)生為中心的學(xué)習(xí)軟件和在線課程將是顛覆學(xué)校教育的主要因素（克萊頓·克里斯坦森 等， 2015， p.94）。2015年，在人工智能熱潮的帶動下，宣稱能夠顛覆教育的適應(yīng)性學(xué)習(xí)系統(tǒng)Knewton受到風(fēng)險投資的追捧（Reich， 2020， pp.58-61）。盡管Knewton的預(yù)言和當(dāng)初愛迪生的預(yù)言一樣很快破滅，但在如此強(qiáng)大的ChatGPT問世之際，僅僅討論如何防止學(xué)生作弊、如何幫助教師生成教學(xué)材料，顯然是缺乏“教育技術(shù)想象力”的。因此，本文擬從行為學(xué)的層面，以ChatGPT為例分析大型語言模型對學(xué)校教育的可能影響。

一、問題分析與術(shù)語界定

明確界定主要概念是分析的起點(diǎn)。本文對幾個主要概念的界定如下。

1. LLM與ChatGPT

人們關(guān)注ChatGPT，當(dāng)然不是因?yàn)镃hatGPT本身，而是因?yàn)樗蚬娦媪舜笮驼Z言模型的出色性能。信息技術(shù)領(lǐng)域的工程技術(shù)研發(fā)，“從0到1”所需的時間是不確定的，但“從1到N”的速度通常是驚人的。一旦有團(tuán)隊把大型語言模型這條路走通，與ChatGPT性能相當(dāng)?shù)漠a(chǎn)品與服務(wù)可能很快就會出來，會沿著已經(jīng)鋪就的數(shù)字高速公路奔向普羅大眾。對于教育領(lǐng)域而言，未來在大模型基礎(chǔ)能力上衍生出來的產(chǎn)品與服務(wù)可能才是變革教育系統(tǒng)的直接參與者與推動者。本文用LLM指代大型語言模型支持下的原生應(yīng)用與衍生應(yīng)用所組成的軟件體系，它們通常能夠提供某一行業(yè)的有價值的服務(wù)；ChatGPT則特指微調(diào)版的GPT-3.5模型。

2. 學(xué)校結(jié)構(gòu)與學(xué)校結(jié)構(gòu)性變革

教學(xué)是學(xué)校教育的核心，思想政治教育也主要是在教學(xué)中滲透進(jìn)行，其他活動都圍繞教學(xué)需要展開。本文僅關(guān)注學(xué)校的教學(xué)子系統(tǒng)，后續(xù)交替使用學(xué)校教育和學(xué)校教學(xué)兩個術(shù)語。學(xué)校結(jié)構(gòu)指當(dāng)前大多數(shù)學(xué)校教育實(shí)踐表現(xiàn)出來的結(jié)構(gòu)模式或者特征，可概括為年齡進(jìn)階、分科課程、班級授課與教師主導(dǎo)（Reigeluth & Karnopp， 2013， pp.1-5; 黃濟(jì) & 王策三， 2012， p.330）（圖1）。具體來說，年齡進(jìn)階指學(xué)生學(xué)習(xí)的分級、進(jìn)階，主要看年齡、學(xué)期，絕大多數(shù)學(xué)生都是隨學(xué)習(xí)時間的累積，自動進(jìn)入下一階段的學(xué)習(xí)——這與根據(jù)實(shí)際能力和成就進(jìn)階形成了鮮明對比（Reigeluth et al.， 2019， p.15）；分科課程指學(xué)校教育的課程形態(tài)主要為學(xué)科課程，強(qiáng)調(diào)學(xué)科知識的系統(tǒng)性，并以間接知識為主；班級授課指學(xué)校教學(xué)多劃分為20～50人的班級，以班級為單位開展教學(xué)；教師主導(dǎo)指在教學(xué)過程中，教師決定了教學(xué)的內(nèi)容、活動方式、進(jìn)度安排等，是教學(xué)過程的實(shí)際領(lǐng)導(dǎo)者。

學(xué)校教育變革可以在系統(tǒng)目標(biāo)、系統(tǒng)要素、要素間關(guān)系等不同層次上進(jìn)行。學(xué)校作為我國教育系統(tǒng)的一部分，其系統(tǒng)目標(biāo)即人才培養(yǎng)目標(biāo)或教育目標(biāo)是由上級主管部門規(guī)定的，主要體現(xiàn)在國家頒布的課程標(biāo)準(zhǔn)等政策文件中。學(xué)校教育目標(biāo)當(dāng)然會受科技社會發(fā)展的影響，但這種影響是外在的、間接的，這里不做討論。系統(tǒng)中某一要素的變革，例如教師備課方式的變化，可能不會影響與其他要素的作用方式，故系統(tǒng)可能仍保持原先的結(jié)構(gòu)不變。若要素之間相互作用的方式發(fā)生較大范圍、較為持久的制度性變化，則系統(tǒng)的結(jié)構(gòu)也會發(fā)生變化。學(xué)校結(jié)構(gòu)性變革指年齡進(jìn)階、分科課程、班級授課、教師主導(dǎo)等用于組織師生交互的模式發(fā)生了變化，比如：不再以年齡進(jìn)階，而是以能力進(jìn)階（Reigeluth et al.， 2019， p.15）；不再以分科課程、班級授課為師生教學(xué)的組織方式，而是以項目學(xué)習(xí)組織教師、學(xué)生、內(nèi)容和空間等資源（Lenz， 2015， p.124）。

3. “會不會”，即某事在未來某時刻“會不會”發(fā)生

學(xué)校教育是教育系統(tǒng)的子系統(tǒng)，是人為的社會制度安排。Selwyn在《機(jī)器人應(yīng)該代替教師嗎？（Should Robots Replace Teachers？）》一書的標(biāo)題中，特意用“Should”，而不是“Can”“Will”，來突出其討論話題的價值意蘊(yùn)（Selwyn， 2019， p.viii）。本文中的“會”，包含兩個層面的問題：一是“能不能”，即LLM的能力及其在學(xué)校中的實(shí)際表現(xiàn)將如何，這是事實(shí)邏輯分析；二是“應(yīng)該不應(yīng)該”，即對于學(xué)校教學(xué)中是否應(yīng)該利用某種技術(shù)重組，這應(yīng)該是選擇性的而不是必然的，是綜合事實(shí)邏輯、價值倫理、利益關(guān)系后的實(shí)踐決策。

二、ChatGPT的教學(xué)行為分析

相比教學(xué)過程中的教師、學(xué)生、教學(xué)內(nèi)容等要素，人工智能技術(shù)仍屬于教學(xué)手段范疇。教學(xué)手段有物理學(xué)和行為學(xué)上的雙重含義（王策三， 2005， p.253）。本文關(guān)注其行為學(xué)上的含義，即人工智能技術(shù)的教學(xué)行為。LLM與ChatGPT是軟件，是包含了人類開發(fā)意圖的信息人工制品（王曉偉 等， 2018），因此在分析其行為時有必要明確其開發(fā)者的意圖與訴求。

如前文所說，ChatGPT是美國人工智能公司OpenAI利用海量語料訓(xùn)練出來的GPT-3.5神經(jīng)網(wǎng)絡(luò)模型，具有通用的、不限定領(lǐng)域的自然語言理解和文本生成能力，尚處于測試階段的ChatGPT是GPT-3.5模型的微調(diào)版本（Wolfram， 2023）。ChatGPT以對話的方式讓用戶指定任務(wù)，強(qiáng)化了其作為智能體的“主體”感，使其更具人格化色彩。

盡管ChatGPT并不是專門為教育開發(fā)的，但其功能卻極具教學(xué)價值。Anders（2023）將其功能概括為回答問題、總結(jié)/解釋信息、創(chuàng)建新穎的文本內(nèi)容、提供反饋和編寫計算機(jī)代碼。Skrabut（2023）提出了其課堂應(yīng)用的80種方法，分為輔助備課、提供教學(xué)輔助、創(chuàng)建評價材料、開展課堂活動、輔助學(xué)生自主學(xué)習(xí)等類別?？傮w上看，目前的建議主要集中在教師主導(dǎo)、班級授課的框架下，即ChatGPT輔助集體授課中的教師教學(xué)和學(xué)生學(xué)習(xí)。

本文所關(guān)注的卻是ChatGPT直接去“教”學(xué)生的教學(xué)行為。由軟件代替教師去教學(xué)生，由算法控制學(xué)生的學(xué)習(xí)內(nèi)容與進(jìn)度，即教的自動化。其大規(guī)模常態(tài)化應(yīng)用極有可能改變學(xué)校教學(xué)系統(tǒng)的結(jié)構(gòu)。

這正是適應(yīng)性教學(xué)系統(tǒng)或智能教學(xué)軟件所追求的。其思路還是源自斯金納和普萊西的教學(xué)機(jī)器：機(jī)器教學(xué)生，才能突破教師輔導(dǎo)的瓶頸，打破班級教學(xué)的“整齊劃一”，大范圍實(shí)現(xiàn)學(xué)生學(xué)習(xí)的個性化。運(yùn)用教育學(xué)的術(shù)語，從其教學(xué)行為的類型上看，ChatGPT能夠開展的自動化教學(xué)行為有如下五類。

1. 對話輔導(dǎo)

學(xué)生與系統(tǒng)用自然語言對話的方式獲取教學(xué)信息，表達(dá)、更新對知識原理的理解，深化對現(xiàn)象、事件的解釋。學(xué)生主要用自然語言提問、回答。系統(tǒng)對于學(xué)生問題的理解和精準(zhǔn)的反饋是這個過程的核心?！疤釂枴卮稹笨梢钥醋魇菍υ捿o導(dǎo)的特殊情況，通常對話輔導(dǎo)有多輪次的問答，且多輪次之間是有內(nèi)在關(guān)聯(lián)的，而“提問—回答”強(qiáng)調(diào)的是單一輪次的提問、回答行為。

2. 技能訓(xùn)練

寫作本身就是一種技能，從這個意義上看，ChatGPT為寫作訓(xùn)練提供了前所未有的學(xué)習(xí)條件。對于其他技能，ChatGPT提供了有限支持。例如，可以通過給ChatGPT指定一個角色，比如讓其扮演面試官、Linux系統(tǒng)，學(xué)生可以開展模擬面試、Linux命令學(xué)習(xí)。盡管ChatGPT對于寫作之外的技能學(xué)習(xí)支持有限，但其衍生產(chǎn)品的想象空間卻很大。

3. 講授演示

講授演示指軟件生成講解性的文字、視頻、聲音等學(xué)習(xí)材料，為學(xué)生提供知識講解。與對話輔導(dǎo)相比，這種教學(xué)方式強(qiáng)調(diào)系統(tǒng)地呈現(xiàn)大段信息給學(xué)生。盡管這似乎是壓抑了學(xué)生主動性的學(xué)習(xí)方式，但對于某一主題的初學(xué)者，這通常是認(rèn)知負(fù)荷最小的。目前，ChatGPT并未提供這樣的功能，但相信有LLM衍生產(chǎn)品會提供類似的資源集成與呈現(xiàn)服務(wù)。因此，在此一并討論。

4. 協(xié)同創(chuàng)作

這里的創(chuàng)作是廣義的，作文、研究報告撰寫、程序代碼編寫、活動方案設(shè)計等都是創(chuàng)作活動。學(xué)生向系統(tǒng)陳述作文題目、方案設(shè)計、編程需求、媒體制作說明等任務(wù)要求，系統(tǒng)生成初始版本（或者方案），學(xué)生評估，向系統(tǒng)提出修改要求，系統(tǒng)給出新版本……在多輪迭代過程中，生成一個作品或者方案——這正是讓廣大教師頭疼不已、讓一些學(xué)生歡欣鼓舞的功能。

5. 交互評價

交互評價指ChatGPT具有對學(xué)生的回答甚至一些復(fù)雜的表現(xiàn)做出評價的能力。對于學(xué)習(xí)技術(shù)而言，能評什么就能指導(dǎo)什么，因此，評價是制約大規(guī)模學(xué)習(xí)技術(shù)的瓶頸（Reich， 2020， p.171）。對于教育教學(xué)中普遍采用的短文、論文、研究報告等作業(yè)，若借助ChatGPT的語言能力，有望提高評價的信度與效度。在對話輔導(dǎo)、技能訓(xùn)練中實(shí)際也內(nèi)嵌有評價。大型語言模型的基礎(chǔ)能力為探索其他評價形式提供了很好的條件。

從教師教學(xué)任務(wù)層次劃分的角度看，ChatGPT的“教學(xué)能力”主要體現(xiàn)在教學(xué)活動（行為、任務(wù)）層面（圖2），ChatGPT在這個層面與學(xué)生的互動是以特定任務(wù)為情境的。但學(xué)校教師的教學(xué)需要在所有層面開展，即學(xué)段/專業(yè)、課程、單元、課時、活動與動作。ChatGPT衍生應(yīng)用要實(shí)現(xiàn)更大范圍“教”的自動化，主要面臨兩個挑戰(zhàn)：一是需要能夠在更多層面上工作，尤其是課程、單元與課時層面；二是需要提高動作層面的準(zhǔn)確性與正確性。對于GPT-3.5模型而言，后者的挑戰(zhàn)可能更大：它在行為（活動）之下的“動作”層面，表現(xiàn)并不穩(wěn)定，仍會犯一些邏輯、事實(shí)性錯誤，ChatGPT稱其為“hallucinations（幻覺）”（Anders，2023， p.11）。根據(jù)人工智能其他領(lǐng)域的“90%-10%”經(jīng)驗(yàn)原則，即10%的問題（低概率出現(xiàn)的錯誤），可能需要90%甚至更多的力氣去解決（Mitchell， 2019，? p.181），這一問題的解決，也許并不樂觀。

ChatGPT的設(shè)計意圖是提供語言理解與生成的一般能力，因此不會預(yù)置真實(shí)教學(xué)工作所需要的課程、課時等上層結(jié)構(gòu)，也不關(guān)心教學(xué)活動中對語言的精準(zhǔn)要求。即便如此，ChatGPT的基本語言能力及其對對話輔導(dǎo)、技能訓(xùn)練、講授演示等教學(xué)行為的支持，也使其具有了“自動化地教”變革學(xué)校教學(xué)系統(tǒng)結(jié)構(gòu)的基礎(chǔ)能力。下面對其進(jìn)行更深入的分析，先看“能不能”，再看“應(yīng)該不應(yīng)該”。由于協(xié)同創(chuàng)作在學(xué)校教育中的應(yīng)用存在較大爭議與風(fēng)險，而交互評價盡管很重要，但占學(xué)校活動的時間短，且通常正式評價是由校外機(jī)構(gòu)開展，更為專業(yè)，因此，對這兩種教學(xué)行為，本文不再探討。

三、從歷史經(jīng)驗(yàn)看“能不能”問題

ChatGPT問世的時間很短，除了一些大學(xué)生用其完成作業(yè)、進(jìn)行全球教育者測試之外，有何教育教學(xué)歷史經(jīng)驗(yàn)可言？在這個問題上，我們認(rèn)同Reich的觀點(diǎn)：教育領(lǐng)域很少有全新的解決方案，在工程技術(shù)、教學(xué)模式、教學(xué)理念等各層面，新方案中總能看到“舊”技術(shù)、模式、理念的影子；這時對于新方案中不同成分的已有應(yīng)用的考察，對于預(yù)測其應(yīng)用效果和有效條件會有幫助（Reich， 2020， p.233）。因此，ChatGPT雖然是個全新的應(yīng)用，但是其對話輔導(dǎo)、技能訓(xùn)練、講解演示等教學(xué)行為，已有智能教學(xué)系統(tǒng)或資源采用，故分析這些已有的應(yīng)用情況有助于預(yù)測ChatGPT的應(yīng)用方式與效果。

（一）已有系統(tǒng)應(yīng)用未能變革學(xué)校教學(xué)系統(tǒng)的結(jié)構(gòu)

本文針對ChatGPT的主要教學(xué)行為類型來選擇對應(yīng)的智能教學(xué)系統(tǒng)或資源作為分析案例。對話輔導(dǎo)、技能訓(xùn)練分別選擇AutoTutor、Cognitive Tutor（以及ASSISTments）進(jìn)行對照分析。至于講授演示，則選擇慕課進(jìn)行對照，理由是：假設(shè)未來的大型語言模型或其衍生應(yīng)用可以生成視頻、圖像、聲音等多媒體“文本”，視頻有可能仍是講授演示的首選媒體，其學(xué)習(xí)體驗(yàn)與慕課可能會很接近。另外，盡管人們談到慕課時往往只想到視頻，但是慕課平臺可能內(nèi)置學(xué)習(xí)分析功能、對于學(xué)生作業(yè)可能采用人工智能技術(shù)進(jìn)行評判（Koller， 2012），因此有些慕課的智能水平并不亞于某些智能教學(xué)系統(tǒng)。

1. 對話輔導(dǎo)

AutoTutor是典型的對話輔導(dǎo)系統(tǒng)，其研究始于20世紀(jì)末。AutoTutor開始時模擬人類教師的輔導(dǎo)策略，后期發(fā)展出計算機(jī)能夠?qū)嵤┑母?xì)的對話輔導(dǎo)策略，來幫助學(xué)生逐步生成問題的正確回答，在這個過程中促進(jìn)學(xué)生對概念和原理的深度理解（Graesser， 2016）。

據(jù)我們檢索到的文獻(xiàn)，AutoTutor似乎并沒有大范圍的“直接的”基礎(chǔ)教育學(xué)校常態(tài)化應(yīng)用。這里強(qiáng)調(diào)“直接”，是因?yàn)锳utoTutor的一些功能模塊，為一些大出版社的產(chǎn)品提供后臺服務(wù)；作為研究項目，AutoTutor很成功，在物理、生物、批判性思維、信息技術(shù)等多個領(lǐng)域獲得了與人類教師相當(dāng)?shù)膶W(xué)習(xí)效果，擴(kuò)展出多個項目與產(chǎn)品（Graesser， 2016; Nye et al.， 2014）。AutoTutor的問題是，系統(tǒng)很難恰當(dāng)、正確地回答學(xué)生的新異問題，用一段時間后，通常學(xué)生就不主動提問了（Graesser， 2016），即AutoTutor對話輔導(dǎo)時常陷入“語義泥淖”（張志禎 等， 2019b）。

2. 技能練習(xí)

Cognitive Tutor（以下簡稱“CT”）是典型的技能訓(xùn)練系統(tǒng)。其以認(rèn)知任務(wù)分析為基礎(chǔ)，實(shí)現(xiàn)認(rèn)知技能的教學(xué)。計算機(jī)為學(xué)生創(chuàng)建一個高度結(jié)構(gòu)化的問題解決環(huán)境，逐步跟蹤、判斷學(xué)生的問題解決過程，適時提供反饋、提示與幫助。為支持特定認(rèn)知技能的學(xué)習(xí)（如解一元二次方程），需詳盡分析完成任務(wù)所需的陳述性知識和程序性知識，利用產(chǎn)生式系統(tǒng)表征知識，為學(xué)生提供問題解決的認(rèn)知工具，系統(tǒng)跟蹤問題解決過程，將學(xué)生表現(xiàn)記錄在學(xué)生模型中（張志禎 等，2019b；Anderson et al.， 1995）。CT成功用于中小學(xué)幾何、代數(shù)等學(xué)科學(xué)習(xí)（Koedinger & Aleven， 2016）。ASSISTments與CT淵源頗深，可以算是有意“降低”智能水平的CT版本，降低智能水平是為了讓學(xué)科老師能夠控制（增加、修改）課程內(nèi)容。ASSISTments主要用于學(xué)生完成家庭作業(yè)，即學(xué)生在線完成作業(yè)，從系統(tǒng)（網(wǎng)站）獲得即時反饋與指導(dǎo)，同時系統(tǒng)（網(wǎng)站）為教師生成學(xué)生學(xué)習(xí)情況的數(shù)據(jù)。CT在實(shí)踐中應(yīng)用廣泛，是成功的產(chǎn)品。ASSISTments一直保持開放與免費(fèi)，與教師形成了很活躍的實(shí)踐共同體，截至2020年其學(xué)生用戶達(dá)6萬人，解答了學(xué)生1，200多萬次的問題（Metz， 2020）。

從應(yīng)用模式看，CT和ASSISTments融入了學(xué)校教育的現(xiàn)有結(jié)構(gòu)。美國匹茲堡學(xué)區(qū)的一些學(xué)校常態(tài)化采用CT，但未用其代替課堂教學(xué)，通常是一周內(nèi)3～4天為常規(guī)的課堂教學(xué)，1～2天采用系統(tǒng)的個別化學(xué)習(xí)（Koedinger & Aleven， 2016）。ASSISTments希望幫助教師開展形成性評價，以為學(xué)生作業(yè)提供反饋、指導(dǎo)為切入點(diǎn)（Heffernan et al.， 2014），也許因?yàn)樵O(shè)計者曾是中學(xué)數(shù)學(xué)教師，設(shè)計的意圖是補(bǔ)足學(xué)校系統(tǒng)的“短板”，而不是要顛覆它。這從美國教育技術(shù)市場曾經(jīng)的明星企業(yè)Knewton的發(fā)展軌跡也可以看出：2015年前后，這一備受風(fēng)險投資青睞的“適應(yīng)性學(xué)習(xí)服務(wù)”提供商，逐步從前臺消退，成為大出版社的內(nèi)容提供者（Reich， 2020， p.32）。

3. 講授演示

慕課在教育領(lǐng)域尤其是高等教育領(lǐng)域已有廣泛的應(yīng)用，但它并未如其倡導(dǎo)者在2012年所宣稱的那樣顛覆高等教育，而是被高等教育機(jī)構(gòu)吸收，用于提供更全面的學(xué)習(xí)支持。與此類似，被克里斯坦森寄予厚望的在線課程，也未顛覆基礎(chǔ)教育（Reich， 2020， pp.60-61）。這一點(diǎn)，由疫情期間世界范圍內(nèi)開展的在線學(xué)習(xí)可以得知：教師的課堂講授仍是主流，不過從物理空間轉(zhuǎn)移到了互聯(lián)網(wǎng)視頻會議平臺上（付衛(wèi)東， 2020; 王繼新， 韋怡彤， 宗敏， 2020）。

4. 小結(jié)

從學(xué)校的教學(xué)系統(tǒng)結(jié)構(gòu)來看，“班級授課”“教師主導(dǎo)”并未受到這些系統(tǒng)/資源的太大挑戰(zhàn)。正如王策三（2005， p.266）所分析的，現(xiàn)代教學(xué)手段的采用改變了教師主導(dǎo)的方式，教師在任務(wù)的組織、管理方面需要做更多的工作，教師對學(xué)生學(xué)習(xí)的主導(dǎo)更加間接了。至于“分科課程”，反而在一定程度上被這些智能教學(xué)系統(tǒng)增強(qiáng)了：智能系統(tǒng)都包含復(fù)雜的學(xué)科知識庫，這些知識仍然以體系化的間接知識為核心，而且由于不同教學(xué)系統(tǒng)的知識庫并不相通且難以更新，分科課程變得更加固化了。“年齡進(jìn)階”屬于學(xué)校、學(xué)區(qū)管理制度，需要兼顧學(xué)生需求和管理成本，某一教學(xué)系統(tǒng)很難對其產(chǎn)生影響。

（二）已有系統(tǒng)應(yīng)用未能催生學(xué)校結(jié)構(gòu)性變革的原因分析

已有的智能教學(xué)系統(tǒng)與慕課未能大范圍催生學(xué)校的結(jié)構(gòu)性變革，這是有多種原因的，這里重點(diǎn)分析其理論與技術(shù)原因。

第一，理論與研究基礎(chǔ)的限制。人們對于個性化學(xué)習(xí)的內(nèi)涵與實(shí)施方法的認(rèn)識存在很大分歧（Zmuda et al.， 2015）。美國蘭德公司對個性化學(xué)習(xí)項目校的調(diào)查表明，即使是項目校的高中教師，其關(guān)于個性化學(xué)習(xí)內(nèi)涵的認(rèn)識、策略與實(shí)踐都存在很大差異（Steiner et al.， 2020）。在教育技術(shù)領(lǐng)域內(nèi)部，對適應(yīng)性學(xué)習(xí)系統(tǒng)應(yīng)該通過調(diào)整什么去“適應(yīng)”什么也存在不同觀點(diǎn)（Pearson， 2016）。Bloom（1985）的研究是智能教學(xué)系統(tǒng)應(yīng)用的重要研究基礎(chǔ)，但近期也有研究者質(zhì)疑其研究設(shè)計：其研究的都是某個領(lǐng)域的入門性學(xué)習(xí)（對教學(xué)和輔導(dǎo)高度敏感），很少包括高階學(xué)習(xí)目標(biāo)。

第二，計算機(jī)技術(shù)的限制。對話輔導(dǎo)系統(tǒng)主要借助自然語言對話開展教學(xué)，這限制了它能夠達(dá)成的學(xué)習(xí)目標(biāo)：不能給學(xué)生提供“做”的機(jī)會，無法發(fā)展學(xué)生的認(rèn)知技能；限于計算機(jī)自然語言理解和表達(dá)能力，系統(tǒng)無法像孔子、蘇格拉底那樣引導(dǎo)學(xué)生討論開放、深奧、結(jié)構(gòu)不良的原則性、理論性問題；只能支持事實(shí)性知識、概念和簡單規(guī)則的學(xué)習(xí)。輔導(dǎo)要求精準(zhǔn)理解、準(zhǔn)確反饋，AutoTutor依靠潛在語義分析（Latent Semantic Analysis， LSA）和正則表達(dá)式技術(shù)，難以達(dá)到自然語言對話的要求（Nye et al.， 2014）。技能訓(xùn)練系統(tǒng)能夠逐步為學(xué)生的問題解決提供反饋，應(yīng)用范圍與效果都更好一些，但是其領(lǐng)域知識庫的建構(gòu)成本很高，更新困難，且適用內(nèi)容類型有限（僅適用于數(shù)學(xué)、物理等結(jié)構(gòu)化程度較高的學(xué)科內(nèi)容），這些是影響其應(yīng)用范圍的重要因素。

第三，技能學(xué)習(xí)自身的特點(diǎn)，即高級學(xué)習(xí)階段對于學(xué)習(xí)環(huán)境社會性支持的要求很高。技能訓(xùn)練系統(tǒng)能夠教授的領(lǐng)域與技能水平有限。技能發(fā)展的早期，小步子、及時反饋很有用，資源也容易設(shè)計開發(fā)；用多個技能綜合解決復(fù)雜問題時，技能學(xué)習(xí)很難被拆成小步子，這時同伴間的討論、展示、啟發(fā)、激勵以及教師的榜樣作用就非常重要，反饋的及時性和重要性反而降低，因?yàn)閷W(xué)生需要時間去消化吸收，而且學(xué)生能夠自反饋了。CT最初的系統(tǒng)是教授LISP編程的，但僅實(shí)現(xiàn)了入門級別的教學(xué)。Anderson等（1995）直言僅停留在入門水平教學(xué)的原因是：入門級學(xué)習(xí)系統(tǒng)容易開發(fā)，且學(xué)習(xí)效應(yīng)明顯。根據(jù)Dreyfus（2009， pp.27-46）從現(xiàn)象學(xué)視角對技能習(xí)得的分析，沒有具身參與的低風(fēng)險①學(xué)習(xí)環(huán)境對于技能發(fā)展的支持不足，只能從新手到勝任階段，無法達(dá)到熟練、專家、大師階段。

第四，學(xué)習(xí)者本身的因素，即學(xué)習(xí)者需要具備一定的條件才能在技術(shù)學(xué)習(xí)系統(tǒng)中受益。作為開放學(xué)習(xí)資源，慕課并未像預(yù)期的那樣有助于縮小“學(xué)習(xí)結(jié)果”的鴻溝。其學(xué)習(xí)結(jié)果存在明顯的馬太效應(yīng)，那些已經(jīng)受過良好專業(yè)教育的學(xué)習(xí)者在慕課學(xué)習(xí)中更受益，即具備自主學(xué)習(xí)能力、已掌握專業(yè)基礎(chǔ)知識的專業(yè)人員更能從慕課中受益（Reich， 2020， p.148）。也就是說互聯(lián)網(wǎng)與開放學(xué)習(xí)資源確實(shí)消弭了地理距離，但并未縮小社會距離。

（三）結(jié)構(gòu)對比分析

接下來以智能教學(xué)系統(tǒng)的一般架構(gòu)為框架（Woolf， 2009， pp.44-55），對比分析ChatGPT和CT智能教學(xué)系統(tǒng)。

1. 領(lǐng)域模型

領(lǐng)域模型即領(lǐng)域知識庫與推理引擎。ChatGPT的知識庫是很龐大的，還會給人以系統(tǒng)已“具備常識”的錯覺，但它的“知識”主要存儲在從語料中學(xué)得的大型神經(jīng)網(wǎng)絡(luò)中，對于要求事實(shí)準(zhǔn)確、可靠的形式化推理而言，它顯得有些力不從心。而CT有專門的產(chǎn)生式學(xué)科知識庫，需要由具備一定教育、心理與數(shù)學(xué)學(xué)科素養(yǎng)的專業(yè)人員構(gòu)建，這正是它開發(fā)成本高的原因。CT的知識庫使其能夠在一個小領(lǐng)域中，利用符號運(yùn)算，精確推理。

2. 學(xué)生模型

ChatGPT會保存用戶輸入的提示內(nèi)容，以會話的形式實(shí)現(xiàn)有情境的多輪次對話。CT有復(fù)雜的學(xué)生模型，能夠很好地表征學(xué)生在特定知識領(lǐng)域的掌握情況（Anderson et al.， 1995）。

3. 教學(xué)模型

ChatGPT當(dāng)然也存儲了大量教育學(xué)、心理學(xué)以及教學(xué)方法策略的信息，但是這些信息恐怕僅以陳述性知識的形式存在，并不存在將其“執(zhí)行”、用其開展教學(xué)的機(jī)制。CT則有專門的教學(xué)模型，ACT*R理論是其基礎(chǔ)（Anderson et al.， 1995）。

4. 交互模型

ChatGPT的自然語言對話能力，是先前的智能教學(xué)系統(tǒng)所無法匹敵的，在這一點(diǎn)上，若它的對話輔導(dǎo)性能超出AutoTutor很多，將不會令人意外。但是，至少目前的ChatGPT版本的交互方式較為有限，難以模擬出用特定技能解決問題所需要的學(xué)習(xí)環(huán)境，例如類似CT的解方程的界面。因此，除了寫作、編程等借助自然語言即可實(shí)現(xiàn)的技能訓(xùn)練，其他領(lǐng)域的技能訓(xùn)練難以通過它進(jìn)行。鑒于當(dāng)前Web客戶端技術(shù)（HTML、CSS、JavaScript）的成熟，且ChatGPT已經(jīng)表現(xiàn)出很強(qiáng)的編程能力，適應(yīng)性自動交互模型的生成并不是遙不可及的。

根據(jù)前面的分析，ChatGPT要想實(shí)現(xiàn)更為廣泛的領(lǐng)域的教學(xué)，需要修改或補(bǔ)足領(lǐng)域模型、學(xué)生模型、交互模型等，但其大模型為對話、領(lǐng)域知識打下了很好的基礎(chǔ)，是非常有希望的智能教學(xué)系統(tǒng)的“能力基座”。

四、從學(xué)校教育實(shí)踐與理論看“應(yīng)該不應(yīng)該”問題

相比而言，“應(yīng)該不應(yīng)該”問題更為復(fù)雜，與各種深層次的觀念、習(xí)慣與利益糾纏在一起。在學(xué)校教育尤其是基礎(chǔ)教育層次，利用信息技術(shù)直接“教”學(xué)生是一個可選項，而不是不可避免、注定如此的。其他行業(yè)的智能自動化經(jīng)驗(yàn)，在教育領(lǐng)域不一定適用。工商業(yè)追求效率，追求快速完成交易、交付產(chǎn)品和服務(wù)，通常是無損于服務(wù)、商品質(zhì)量的。而僅求快的教學(xué)可能會犧牲學(xué)生的興趣、好奇心，不利于學(xué)生長期發(fā)展。廣告商零售商要從茫茫人海中捕獲客戶，他們的客戶主要是陌生人，因此決策窗口很小，就需要在短時間內(nèi)快速匯集多方信息，做出決策，失去這個時間窗口，就永遠(yuǎn)失去該客戶了；老師和學(xué)生則不同，幾乎天天共處一個房間，一次交互過程中出現(xiàn)的錯誤，后續(xù)還可以彌補(bǔ)，因此巨細(xì)靡遺的全方位大數(shù)據(jù)也許價值有限。

即使ChatGPT這樣強(qiáng)大的工具，也不一定非要扮演機(jī)器教師的角色，但這種嘗試可能也是很難避免的。這里無法提供現(xiàn)成的答案，僅提供幾個需要思考的問題。

（一）教學(xué)的教育性如何保證

教學(xué)是學(xué)校達(dá)成教育目標(biāo)的基本途徑。任何教學(xué)活動都不僅僅只為特定知識、技能的獲取，還有更長遠(yuǎn)的教育目的。受教育者的價值觀、思想信念、一般能力與身心發(fā)展才是教學(xué)的最終目的。有些目的是以更為有效的“隱性課程”方式，即不明言的，僅通過教師自己的榜樣、情感、語氣、案例、活動等方式潛移默化地達(dá)成。ChatGPT這樣的大型語言模型，其訓(xùn)練的語料、過程，是學(xué)校甚至教育系統(tǒng)都沒有辦法控制的；訓(xùn)練出來的模型在特定情境下的表現(xiàn)，即使開發(fā)者可能也無法準(zhǔn)確預(yù)知。用文藝作品的形象來類比，ChatGPT更像“雨人”、周伯通、湯姆·邦巴迪爾①這樣的人物，行為的不可控性、不可預(yù)測性高。這種情況如何應(yīng)對？當(dāng)然不能因噎廢食。同時，學(xué)生遇到不可預(yù)測的信息，也是未來現(xiàn)實(shí)生活的一部分，成功教育的目標(biāo)之一就是要培養(yǎng)學(xué)生在面對新異情境和不可預(yù)料的信息時，仍能保持批判性思維和立場。但是，學(xué)校所提供的教學(xué)資源畢竟和生活中隨機(jī)遇到的不同，容易被過度解讀。若用LLM教，學(xué)校、教師如何能夠預(yù)見這樣的問題可能發(fā)生，在發(fā)生時又當(dāng)如何應(yīng)對？

（二）學(xué)習(xí)會不會異化為與機(jī)器博弈

學(xué)生可能會去和教學(xué)系統(tǒng)博弈，只是為了快速通過測試，快速完成學(xué)習(xí)任務(wù)，而不關(guān)注學(xué)習(xí)內(nèi)容，有時反而可能會損害真實(shí)的技能習(xí)得。比如面對某些智能英語聽說考試系統(tǒng)，為了得高分，學(xué)生需要放慢語速、發(fā)音偏向英音，這對于美音的熟練表達(dá)者反而不利，需要降低表現(xiàn)水平才能得到系統(tǒng)的高評價。同時，ChatGPT是用語言與學(xué)生交互，盡管ChatGPT自然語言理解能力已經(jīng)很強(qiáng)了，但是畢竟還缺乏常識，高度依賴語言的形式。目前已經(jīng)有專門的書籍教授如何編寫ChatGPT的提示語（Hunter， 2023， p.15），這算不算ChatGPT對學(xué)生大腦的“反向編程”？久之，會不會影響其與人類個體的交流？即使這個風(fēng)險很低，對于類似ChatGPT這樣的“人性化”軟件，拋開數(shù)據(jù)和個人隱私不談，未成年學(xué)生與其建立密切關(guān)系應(yīng)到什么程度？企業(yè)萬一停止服務(wù)，歷史數(shù)據(jù)如何處理？

（三）大面積采用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)自動化的行業(yè)是否能夠可持續(xù)發(fā)展

徐英瑾（2021， p.69）認(rèn)為從哲學(xué)角度看，“深度學(xué)習(xí)機(jī)制是海德格爾‘常人的機(jī)械化表達(dá)：它濃縮了一個領(lǐng)域內(nèi)人類智慧的平均意見，并以存在大量個體化的常識判斷為其自身存在的邏輯前提……可以被視為寄生在人文資源上的‘技術(shù)寄生蟲——它會慢慢揮霍人文資源的紅利，而本身卻不產(chǎn)生新的歷史發(fā)展可能性”。學(xué)校采用這樣的系統(tǒng)自動化教學(xué)越多，自己教師的專業(yè)實(shí)踐深度、鍛煉機(jī)會就越少，不管是學(xué)校還是教師個人的專業(yè)知識與實(shí)踐經(jīng)驗(yàn)就很可能不斷萎縮，最終喪失教育智慧。這樣的學(xué)校多了，整個教師行業(yè)就會出現(xiàn)危機(jī)。在這個意義上，人工智能的應(yīng)用確實(shí)是一個存在論級別的問題（趙汀陽， 2018）。

（四）教師個人勞動的匿名性與去專業(yè)化會有什么后果

Selwyn（2021， p.24）認(rèn)為要分析清楚技術(shù)對教師的影響，需要關(guān)注物品與設(shè)備、活動與實(shí)踐、社會背景，其中社會背景指圍繞技術(shù)應(yīng)用的社會安排和組織形式，在不同類型人員和組織中，勞動、決策、資金、數(shù)據(jù)等是如何流動的。學(xué)校采用信息技術(shù)尤其是能夠自動“教”的技術(shù)時，教學(xué)過程最重要的決策者并不是在教學(xué)現(xiàn)場的，而恰恰是不在場的軟件設(shè)計者、開發(fā)者。教師往往會淪為軟件決策的解釋者和執(zhí)行者。教師作為內(nèi)容專家、教學(xué)專家，以匿名的形式呈現(xiàn)給自己或者其他學(xué)校的學(xué)生——這些學(xué)生是不會感知到教師這個人的存在的，因此教師的專業(yè)勞動被匿名化，而課堂中的教師角色則日趨去專業(yè)化。其他行業(yè)自動化的歷史表明，采用人工智能技術(shù)后，帶來的往往不是更少的工作，而是更差的工作（Selwyn， 2021， p.229）。教育行業(yè)會是例外嗎？如果也是類似的情況，長此以往，會不會影響教師的專業(yè)能力、專業(yè)熱情與責(zé)任感？會不會影響教育的整體質(zhì)量？

（五）學(xué)校的自主性、靈活性與健壯性如何保證

目前ChatGPT只能運(yùn)行在OpenAI的服務(wù)器上，未來類似的產(chǎn)品及其衍生產(chǎn)品大概率也是集中部署的。學(xué)校依賴云服務(wù)開展教學(xué)的風(fēng)險在新冠病毒感染疫情期間的在線教學(xué)中人們都已深有體會。對網(wǎng)絡(luò)和服務(wù)器的依賴讓學(xué)校變得脆弱：遙遠(yuǎn)地區(qū)的地震、隔壁單位的挖掘機(jī)，都有可能讓學(xué)校的教學(xué)和管理停頓。

五、初步的結(jié)論

信息技術(shù)的應(yīng)用、學(xué)校的結(jié)構(gòu)性變革本身都不是目的，而是手段。其目的是為了學(xué)生的成長、學(xué)生和教師的幸福、社會的可持續(xù)發(fā)展。因此，不能抽象地談學(xué)校教育，要尊重學(xué)校中人類個體的主觀感受、知識與權(quán)力。

從前面的分析來看，對于“能不能”問題，即使ChatGPT已經(jīng)表現(xiàn)出“接近”人類的自然語言理解與生成能力，它依然難以勝任對話輔導(dǎo)對精確、正確表達(dá)的需求；其衍生應(yīng)用仍需要補(bǔ)充大量知識，才能從教學(xué)行為層面拓展到課時、單元、課程層面。由于神經(jīng)網(wǎng)絡(luò)模型的“黑箱”性質(zhì)，ChatGPT要整合人類某個領(lǐng)域知識并非易事（Wolfram， 2023）。當(dāng)然其強(qiáng)大的語言、推理能力，仍為計算機(jī)“教”學(xué)生提供了極大的想象空間，這是普萊西、斯金納所難以想象的教學(xué)機(jī)器的基礎(chǔ)設(shè)施。

對于“應(yīng)該不應(yīng)該”的問題，很難有確定的回答，很多問題都涉及倫理、制度、技術(shù)等多個層面，現(xiàn)實(shí)實(shí)踐中還有不可回避的權(quán)力、經(jīng)濟(jì)和效率問題。這些問題糾纏在一起，很難從理論上分析清楚。要允許敢于吃螃蟹的學(xué)校、區(qū)縣做探索嘗試。但總體上，對于不同層次的學(xué)校，變化可能不同。

對于基礎(chǔ)教育，學(xué)校的教育目標(biāo)是外在規(guī)定的，且多年以來就在明確強(qiáng)調(diào)能力、素養(yǎng)，各種力量已經(jīng)在持續(xù)推進(jìn)學(xué)校變革。教師、學(xué)生、內(nèi)容、條件等要素保持不變是不太可能的，也與現(xiàn)實(shí)經(jīng)驗(yàn)不符。但對于絕大部分學(xué)校而言，分科課程、班級授課、教師主導(dǎo)等結(jié)構(gòu)特點(diǎn)依然會保持不變；教師的備課、評價等專業(yè)活動會有很大變化；學(xué)生在學(xué)校的課堂學(xué)習(xí)很可能會保持不變：課堂還是以教師主導(dǎo)的面對面講授、討論、項目式學(xué)習(xí)為主。

對于高等教育、職業(yè)教育，要看專業(yè)、課程的類型。年齡進(jìn)階、分科課程、班級授課在不同專業(yè)、不同發(fā)展階段的實(shí)施方式、程度存在很大的不同。大型語言模型、人工智能內(nèi)容生成技術(shù)對于很多工作崗位（包括科研方式）的影響太大，協(xié)同創(chuàng)作很可能會進(jìn)入專業(yè)后半段的學(xué)習(xí)，但由于寫作能力本身的重要性，如同數(shù)學(xué)中的計算一樣，很可能在專業(yè)早期的課程中會禁用協(xié)同創(chuàng)作。人工智能內(nèi)容生成技術(shù)的進(jìn)一步發(fā)展，可能會與虛擬工作環(huán)境、數(shù)字孿生等領(lǐng)域相結(jié)合，如果這樣，它對于與崗位密切相關(guān)的課程就會有很大影響，會極大改變其課程形態(tài)與教學(xué)模式。

六、結(jié)語

百年前，教育研究者和教師將教學(xué)機(jī)器引入教育系統(tǒng)，教學(xué)機(jī)器教學(xué)、測驗(yàn)的機(jī)械與枯燥引起了學(xué)生的不滿；今天，學(xué)生自發(fā)使用ChatGPT，學(xué)術(shù)不誠實(shí)的嫌疑、錯失寫作能力訓(xùn)練機(jī)會引起教師的不安。這個變化耐人尋味。不管各學(xué)校的具體措施如何，互聯(lián)網(wǎng)、智能技術(shù)都已經(jīng)擠進(jìn)了“象牙塔”的大門。信息時代、智能時代的教育機(jī)構(gòu)必須具有開放的意識與能力，也要有應(yīng)對開放的意識與能力。

大型語言模型采用從人類已生成的海量語言中“暴力”挖掘言語的模式，以人類難以把握和理解的方式獲取、存儲、應(yīng)用語料庫中蘊(yùn)含的“知識”。人類個體則擅長利用已有知識體驗(yàn)，不斷在新情境下挖掘意義，獲得啟迪。比如，“陪太子讀書”這句中國的老話，在人工智能教育應(yīng)用領(lǐng)域或可用其強(qiáng)調(diào)學(xué)習(xí)的社會性，即太子讀書也需要同伴，形象地說明了學(xué)習(xí)同伴（Learning Companion）這類智能教學(xué)系統(tǒng)的價值與定位（Chan， 1990）。在搜索引擎、大型語言模型使信息知識唾手可得、每名學(xué)生都可以有一個私人的LLM助理時，這句話還可以做這樣的解讀：連太子都要“親自讀書”。帝國的太子雖然沒有移動互聯(lián)網(wǎng)，但周圍的“師傅”必定很多，太子并未利用這一便利條件將認(rèn)知外包，而是積極從環(huán)境吸收信息到自己的大腦中。為何會這樣？估計空空的腦袋在聽取信息做決策時，很難評估信息的質(zhì)量、做出合理的決策吧。再有，這句話還有一種講法：在太子頑劣或者不愿學(xué)習(xí)時，不方便直接懲罰，就懲罰“陪讀”，這一安排拋開其合理合法性不談，表明古人已經(jīng)很清楚：即使對于太子，學(xué)習(xí)也是一項需要意志投入和控制的活動，不能僅憑自覺自愿和自我調(diào)節(jié)，還需要有一種“勉強(qiáng)”的機(jī)制。這種“勉強(qiáng)”可以替換成由沒有共情能力的機(jī)器來做嗎？

［參考文獻(xiàn)］

付衛(wèi)東. （2020）. 疫情期間我國中小學(xué)教師在線教學(xué)：現(xiàn)狀、問題及策略——基于全國7111位中小學(xué)教師在線問卷調(diào)查的數(shù)據(jù). 現(xiàn)代教育管理（8），100-107.

黃濟(jì)，& 王策三. （2012）. 現(xiàn)代教育論（第3版）. 人民教育出版社.

克萊頓·克里斯坦森，邁克爾·霍恩，& 柯蒂斯·約翰遜. （2015）. 創(chuàng)新者的課堂：顛覆式創(chuàng)新如何改變教育（李慧中 譯）. 中國人民大學(xué)出版社.

倪閩景. （2023-02-13）. 面對ChatGPT，傳統(tǒng)教育已被逼入墻角？. 中國教育在線. https：//news.eol.cn/xueshu/hui/202302/t20230213_2299068.shtml

孫立會，葛興蕾，& 陳張兼. （2017）. 技術(shù)在未來高等教育中的應(yīng)用圖景——基于《地平線報告2017（高等教育版）》的分析. 電化教育研究（12），121-128.

王策三. （2005）. 教學(xué)論稿. 人民教育出版社.

王繼新，韋怡彤，& 宗敏. （2020）. 疫情下中小學(xué)教師在線教學(xué)現(xiàn)狀、問題與反思——基于湖北省“停課不停學(xué)”的調(diào)查與分析. 中國電化教育（5），15-21.

王曉偉，倪靜，& 邱瑩. （2018）. 軟件作為信息人工制品的概念及分類理論研究. 自然辯證法研究（09），55-62.

徐英瑾. （2021）. 人工智能哲學(xué)十五講. 北京大學(xué)出版社.

張志禎，張玲玲，& 李芒. （2019a）. 人工智能教育應(yīng)用的應(yīng)然分析：教學(xué)自動化的必然與可能. 中國遠(yuǎn)程教育（1），25-35，92.

張志禎，張玲玲，徐雪迎，& 劉佳林. （2019b）. 人工智能的教學(xué)角色隱喻分析——以人工智能教育應(yīng)用領(lǐng)域高影響力項目為例. 中國遠(yuǎn)程教育（11），24-37，57，93.

趙汀陽. （2018）. 人工智能“革命”的“近憂”和“遠(yuǎn)慮”——一種倫理學(xué)和存在論的分析. 哲學(xué)動態(tài)（04），5-12.

Anders， B. A. （2023）. ChatGPT AI in Education： What it is and How to Use it in the Classroom. Sovorel Publishing.

Anderson， J. R.， Corbett， A. T.， Koedinger， K. R.， & Pelletier， R. （1995）. Cognitive Tutors： Lessons Learned. The Journal of The Learning Sciences， 4（2）， 167-207.

Bloom， B. S. （1984）. The 2 Sigma Problem： The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher， 13（6）， 4-16.

Chan， T. W.， & Baskin， A. （1990）. Learning Companion Systems. In C. Frasser & G. Gauthier（Eds.）， Intelligent Tutoring Systems： At the Crossroads of Artificial Intelligence and Education（Chapter 1， pp. 3-23）. Ablex Publishing Corporation.

Christensen， C. M. （2008）. Disrupting Class. McGraw-Hill Professional.

Dreyfus， H. L. （2009）. On the Internet（Thinking in Action）. Taylor and Francis. Kindle version.

Finn， J. （1960）. Automation and Education： 3. Technology and the Instructional Process. AV Communication Review， 8（1）， 5-26

Graesser， A. C. （2016）. Conversations with AutoTutor help students learn. International Journal of Artificial Intelligence in Education， 26（1）， 124-132.

Heffernan， N. T.， & Heffernan， C. L. （2014）. The ASSISTments ecosystem： Building a platform that brings scientists and teachers together for minimally invasive research on human learning and teaching. International Journal of Artificial Intelligence in Education， 24（4）， 470-497.

Hu， K. （2023-02-01）. ChatGPT sets record for fastest-growing user base-analyst note. Reuters. https：//www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/

Hunter， N. （2023）. The Art of Prompt Engineering with ChatGPT： A Hands-On Guide. Kindle version.

Koedinger， K. R. & Aleven， V. （2016）. An Interview Reflection on "Intelligent Tutoring Goes to School in the Big City". International Journal of Artificial Intelligence in Education， 26， 13-24.

Koller， D. （2012-08-01）. What we're learning from online education TED. https：//www.ted.com/talks/daphne_koller_what_we_re_learning_from_online_education

Lenz， B.， Wells， J.， & Kingston， S. （2015）. Transforming Schools Using Project-Based Learning， Performance Assessment， and Common Core Standards. Jossey-Bass.

Metz， E. （2020-04-14）. ASSISTments： From Research to Practice at Scale in Education. Inside IES Research. https：//ies.ed.gov/blogs/research/post/assistments-from-research-to-practice-at-scale-in-education/

Mitchell， M. （2019）. Artificial Intelligence. Farrar， Straus and Giroux.

Nye， B. D.， Graesser， A. C.， & Hu， X. （2014）. AutoTutor and family： A review of 17 years of natural language tutoring. International Journal of Artificial Intelligence in Education， 24（4）， 427-469.

Pearson. （2016-05-14）. Decoding Adaptive. https：//www.pearson.com/content/dam/corporate/global/pearson-dot-com/files/innovation/Pearson-Decoding-Adaptive-v5-Web.pdf

Reigeluth， C. M.， Karnopp， J. R.， Sommer， B.， Namba， N.， Jaeger， P.， & Sherwood， L. （2019）. Vision and Action： Reinventing Schools Through Personalized Competency-Based Education. Marzano Resources.

Selwyn， N. （2019）. Should Robots Replace Teachers. Polity Press.

Selwyn， N. （2021）. Education and Technology. Bloomsbury Publishing.

Skrabut， S. （2023）. 80 Ways to Use ChatGPT in the Classroom： Using AI to Enhance Teaching and Learning. Stan Skrabut.

Steiner， E. D.， Doss， C. J.， & Hamilton， L. S. （2020）. High School Teachers' Perceptions and Use of Personalized Learning： Findings from the American Teacher Panel. RAND Corporation. https：//www.rand.org/pubs/research_reports/RRA322-1.html.

Watters， A. （2021）. Teaching Machines： The History of Personalized Learning. The MIT Press.

Wolfram， S. （2023-02-14）. What Is ChatGPT Doing… and Why Does It Work？ Stephen Wolfram Writings. https：//writings.stephenwolfram.com/2023/02/what-is-chatgpt-doing-and-why-does-it-work/.

Woolf， B. P. （2009）. Building Intelligent Interactive Tutors. Burlington： Morgan Kaufmann Publishers.

Zmuda， A.， Curtis， G.， & Ullman， D. （2015）. Learning Personalized. Wiley.

基金項目：本文系2018年度教育部哲學(xué)社會科學(xué)研究重大課題攻關(guān)項目“世界主要國家教材建設(shè)研究”（項目編號：18JZD017）的研究成果。

作者簡介：張志禎，北京師范大學(xué)教育學(xué)部教育技術(shù)基本理論研究中心副教授（通訊作者：zhangzz@bnu.edu.cn）。

張玲玲，北京開放大學(xué)國開業(yè)務(wù)部研究實(shí)習(xí)員。

米天伊，北京師范大學(xué)教育學(xué)部教育技術(shù)學(xué)院碩士研究生。

丘詩萍，北京師范大學(xué)教育學(xué)部教育技術(shù)學(xué)院碩士研究生。