给硕士研究生同学讲课，这个单元重点是讲解“技术增强的学习理论”，在备课的过程中，读到了许多非常有价值的研究报告，对于我们理解人工智能时代学习理论的发展和未来走向，非常有帮助。其中，发表在2023年总第54期《英国教育技术杂志》（BJET）上的这篇非常有启发。这篇文章题目是《人工智能促进学习过程的学习理论》（Learning theories for artificial intelligence promoting learning processes），作者共五位，分别是澳大利亚科廷大学（Curtin University）的David Gibson，南澳大利亚大学（University of South Australia）的Vitomir Kovanovic，德国曼海姆大学（University of Mannheim）的Dirk Ifenthaler ，美国弗吉尼亚大学（University of Virginia）的Sara Dexter，以及中国香港大学的Shihui Feng（冯世辉）五位来自全球不同顶尖学术机构的学者共同撰写，他们具有教育技术、学习科学和心理学等多学科背景，他们整合了发展心理学、计算生物学、教学设计、认知科学和跨文化理论，旨在为人工智能在教育领域的应用建立一个统一的理论架构。在文章中，五位作者提出了一种三层学习模型，旨在通过整合心理学、生物学和社会文化理论，统一解释人工智能（AI）在教育中的作用。研究将学习划分为微观（个体）、中观（团队）和宏观（文化）三个维度，并详细阐述了信息在这些层面间如何聚合与演化。
文章中所提出的三层级学习模型共提出了14 个具体的 AI 角色，分别对应个体、团队和文化三个层面。这些角色旨在通过自动化认知和代理决策来促进学习过程。其中，1. 微观层面 (Micro Level)：个体学习 (4 个角色)该模型巧妙地将皮亚杰（Piaget）的平衡理论与考夫曼（Kauffman）的自主代理理论结合，并由宋-凯勒（Song-Keller）的 ARCS 动力学（注意、相关性、信心、满足感）驱动。AI 在这个“能量引擎”中承担着精准调节的角色，这些角色与个体的认知平衡循环及动机模型（ARCS）相对应：个性化推荐 (Personalized Recommendations)：在“失衡”阶段通过分析用户数据提供建议，挑战学习者的边界并引起注意,。学习分析 (Learning Analytics)：在“同化”阶段通过识别行为模式（如深度 vs 浅层学习策略），增强学习内容的相关性。教学干预 (Pedagogical Interventions)：在“顺应”阶段充当共情式导师或代理，在关键时刻提供支持，建立学习者的自信心。形成性和总结性反馈 (Formative and Summative Feedback)：在“平衡”阶段提供可解释的反馈和知识水平推断，使学习者获得满意度。2. 中观层面 (Meso Level)：团队与知识社区 (4 个角色)当中观（Meso）层面的镜头拉开，我们看到的不仅是个体的博弈，更是 Bransford 在《人是如何学习的》中所描述的“探究社区”。在这里，AI 的使命是编织集体的智慧，推动新手向专家的跨越，专注于组织角色和团队协作的优化：维护学习者模型 (Maintaining Learner Models)：分析成员能力，协助将人聚集在一起解决问题或填补团队的胜任力差距。塑造知识领域 (Shaping the Field of Knowledge)：在知识领域内寻找新的链接和连接，定义合法的任务模型。管理证据模型 (Managing Evidence Models)：负责领域评估和反馈过程中的证据管理，确保团队表现符合领域标准。推荐新的研发方向 (Recommending New Lines of R&D)：参与分布式知识网络，为团队建议新的研究和开发路径,。3. 宏观层面 (Macro Level)：文化历史活动 (6 个角色)宏观（Macro）层面涉及的是跨学科、全球性乃至文化历史演变的宏大叙事。这里，五位作者引入了一个令技术专家着迷的学术概念——“同源功能”（Homologous Functions）。基于 Aktas 等人的观点，这是一种数学与拓扑学上的特性：数据模式在不同尺度上表现出惊人的持续性。这意味着，微观层面的“失衡-平衡”循环在宏观文化层面同样存在。个体的认知飞跃与人类文化的范式转移在拓扑结构上是同构的。“同源功能”被引入学习理论，用于描述不同层级（如个人与团队）之间存在的功能相似性。该理论认为，虽然个体学习（微观）和文化演化（宏观）在规模上差异巨大，但其底层的因果逻辑和拓扑结构是相同且持续存在的。持久同源性就像是一条贯穿不同尺度的逻辑链条，它确保了三层模型不是三个孤立的理论堆砌，而是一个拓扑结构一致的整体。模型认为不同层级间存在功能上的相似性。例如，微观层面的“学习者”在中观层面演化为“学习团队”，在宏观层面演化为“学习共同体”。这种相似性允许建模方法和研究发现在不同层级间进行转移。通过这种方式，人工智能可以在不同层级间共享数据洞察，从而在微观上提供个性化建议，在中观上管理协作证据，在宏观上维护文化规则。在宏观（文化）维度，即社会文化进化层面，AI 的角色基于文化历史活动理论（CHAT）。在此层面，AI 不仅仅是个体的工具，更是文化转变的调解者和发起者。基于文化历史活动理论（CHAT）的六个节点，AI 扮演文化转变的调解者,：人工制品 (Artefact) —— 创新生成者：生成新的叙事、理论构想、可视化工具或其他学习资源。目标 (Object) —— 规划增强者：澄清复杂目标并寻找实现既定目标的最佳路径。主体 (Subject) —— 代理赋能者：支持微观和中观层面的代理力量（个体或团队）在更广泛的文化背景下发挥作用。共同体 (Community) —— 跨领域连接者：促进跨领域共同体的形成，帮助专家群体与其他知识领域整合。角色 (Roles) —— 职责辅助者：帮助社区成员履行专门职责，如支持出版商、同行评审员或新成员服务。规则 (Rules) —— 算法维护者：记忆、维护并镜像全球共同体的规范、算法和实践，作为研究测试床。宏观层面的 AI 致力于将分散的知识共同体编织在一起，解决跨领域问题，并通过其强大的生成能力（如大规模语言模型）引发社会文化的深刻变迁。
文中确定了这14种AI功能角色，例如，在微观层面实现个性化干预，在中观层面促进协作，以及在宏观层面驱动文化转型。这种动态因果网络为开发者和研究者提供了理论框架，助力构建能增强人类潜能的智能协作系统。通过这种跨学科的整合，作者呼吁在AI时代重新审视学习的本质，将技术视为推动个体与社会进步的共同代理人。
Gibson 等人（2023年）的这个研究及其所提出的三层模型，目前只是停留在理论阐述层面，对于 AI 在不同学习阶段（如三层级模型中的 14 个角色）的实际效果，目前仍处于理论推导阶段，尚未经过广泛的实证验证。尽管其所提出的三层级模型尝试进行整合跨学科理论，但不同学科不同理论间的结构冗余、术语重叠以及解释冲突依然存在。
目前，我们尚无法充分解释微观、中观、宏观不同层级之间的“边界穿越”机制，即个体的特征如何精确影响团队生产力，以及社区如何通过算法记忆来维护文化规则。当然，随着时间的推移，相信后续研究会对这些问题予以解释！无容置疑，这个模型为我们揭示了一个宏大的图景：学习不再是发生在大脑内部的孤立事件，而是一个跨越个体（微观）、团队（中观）与文化（宏观）的动态、复杂且连贯的能量转化网络。最后，一个发人深省的问题正悬在人类进化的路口：“当 AI 已经成为我们思维循环中不可或缺的一部分时，我们该如何定义‘真正的原创’？”Gibson, D., Kovanovic, V., Ifenthaler, D., Dexter, S., & Feng, S. (2023). Learning theories for artificial intelligence promoting learning processes. British Journal of Educational Technology., 54, 1125-1146.
2020年4月，在父母房间的窗台上在线给研究生同学上课
© 版权声明
文章版权归作者所有，未经允许请勿转载。
