布鲁姆教育目标分类学，堪称20 世纪里程碑式的经典教育理论。它首次系统地将教育目标划分为认知、情感与动作技能三大领域，把模糊的教学目标变成可分层、可落地、可评价的科学体系，让“可测量的教学目标”成为全球教育实践的标准语言，深刻影响了全球课程设计、课堂教学、命题评价和课标制定，至今仍是教育学、教学设计、学业测评的核心底层理论。经典永流传啊！历经半个多世纪，布鲁姆的教育目标分类学理论依然是全球各级各类学校教育中教学设计、课标编写、命题评价的底层逻辑。
20世纪中叶，二战后的美国教育界亟需一套科学、系统且通用的语言来描述和组织教育目标，以促进教育工作者之间的有效沟通，并为课程开发与评估提供统一的标准。在这样的背景下，芝加哥大学的教育心理学家本杰明·布鲁姆（Benjamin Bloom）及其合作者，包括M. D. Engelhart、E. J. Furst、W. H. Hill以及David Krathwohl，于1956年出版了里程碑式的著作——《教育目标分类学，第一分册：认知领域》（Taxonomy of Educational Objectives: The Classification of Educational Goals. Handbook 1: Cognitive Domain）。在这本书中，布鲁姆等人提出了一种教育目标分类框架，旨在对学生的思维能力和学习成果进行分层描述，帮助教师设计教学、评估学习效果。这就是著名的布鲁姆教育目标分类学理论。这部著作标志着布鲁姆教育目标分类学的正式诞生，并迅速成为教育理论与实践的基石。布鲁姆将教育目标分为三大领域，其中认知领域影响最广，从低级到高级分为六个层次，知识、理解、应用、分析、综合和评价。1956年之后，布鲁姆的教育目标分类学确实经历了一系列重要的修改和发展。其中，最核心、影响最深远的变化，当属2001年由洛林·安德森（Anderson, L.W.）和戴维·克拉斯沃尔（Krathwohl, D.R.）等人主导的修订版。这是一次从结构到理念的系统性重构，其主要变化可以总结为以下三个维度：1、结构维度：从“一维”到“二维”。原版理论仅关注认知过程的层级，而修订版创造性地引入了知识维度，形成了一个“知识-认知过程”的二维矩阵。2、术语与层次：从“名词”到“动词”，从“结果”到“过程”。所有认知过程层次的名称由名词改为了动词（如“知识”→“记忆”），强调学习是一个动态的、行为化的过程。与此同时，将最高认知层级从“评价”提升为“创造”（Create），突出了教育在新时代背景下对创新能力的最高追求。3、修订版的出发点不再仅仅是评价学习结果，而是旨在融合课程、教学与评价，帮助教师进行逆向教学设计和追求与课程标准的一致性。由Anderson & Krathwohl在2001年修订的布鲁姆教育目标分类学理论已成为全球范围内课程设计、教学实施和教育评估领域影响最为深远的理论框架之一。
从1956年布鲁姆教育目标分类学理论的提出，到2001年修订的布鲁姆教育目标分类学理论，这半个世纪的研究进程，本质是从行为主义到认知主义的范式迁移、从单维到二维的结构升级、从静态名词到动态动词的实践转向，同时伴随情感与动作技能领域的补充完善、以及全球范围的应用与本土化调适。
2001年之后，学术界没有停留在对修订版的简单接受，而是展开了横向比较与理论反思。尤其是在二十一世纪开局以来，随着信息技术的迅猛发展，布鲁姆的教育目标分类学理论如何在信息技术的加持下，更好地服务于教育教学，便成为了重要的研究课题之一。其中，最引人注目的，就是林林种种的数字“数字布鲁姆”行动。“数字布鲁姆”（Digital Bloom）是在2001年修订版布鲁姆教育目标分类学基础上发展起来的重要概念，它由教育研究者安德鲁·丘奇斯（Andrew Churches）在2008年前后系统提出。“数字布鲁姆”并非要取代或修改原有的分类学理论，而是一个应用框架。其核心思想是：为布鲁姆分类学的每个认知层级（记忆、理解、应用、分析、评价、创造）具体地、可操作地匹配上适合的数字工具、软件和应用行为。简单来说，它的核心问题是：“在数字化学习环境中，学生如何利用技术工具来展示和达到某个层级的认知目标？”熟悉教育技术学自留地的朋友都知道，Allan Carrington所提出，被我们引入国内的教学法之轮（Pedagogy Wheel），本质上就是一种“数字布鲁姆”。“数字布鲁姆”不是一套新理论，而是一座连接经典教育学与当代数字化学习实践的桥梁。 它系统地回答了“如何用技术让学生不仅知道，更能做到、分析和创造”这一核心问题，是教师进行信息技术与课程深度融合设计时非常实用、经典的思考框架。
2022年生成式人工智能（如ChatGPT）兴起后，学界在AI驱动学习环境中对Bloom分类学的重新构想——从利用AI辅助学习成果分类，到人机协同翻转课堂模式的设计。面对AI带来的挑战，全球教育研究者正积极探索如何对布鲁姆分类学进行调整、扩展甚至重构。这些探索不再局限于微调，而是试图提出能够反映“智能增强”（Intelligence Augmentation, IA）或人机协同学习范式的全新模型。
目前已出现了一些具有代表性的前沿理论探索：1、温和改良派（体系守成型，学界主流）
温和改良派主要试图用AI对布鲁姆认知层级的重新定义。他们大多完整保留布鲁姆原始六层金字塔层级、递进逻辑与框架架构，不颠覆经典理论范式；仅通过补充 AI 行为动词、划分人机分工、嵌入 AI 辅助策略完成局部优化，以适配生成式 AI 教学场景，兼顾理论延续性与一线落地性。典型性的研究和探索包括：2024年，西班牙加泰罗尼亚开放大学（UOC）的专家团队提出了一项新的修订。他们认为，在生成式AI普及的背景下，人类的思维技能需要重新定义，例如：记忆/理解不再仅仅是背诵，而是要学会评估AI生成信息的准确性。应用/分析不再仅仅是手动操作，而是学会有效地向AI提问（提示词工程），并能分析其输出结果的逻辑与偏见。评价/创造的层级被提升，人机协作下的创新将成为关键能力。这一修订旨在将理论核心从“执行任务”转向 “批判性地驾驭和整合由AI驱动的结果” 。Mas, X., García, G., Martínez-Aceituno, T., & Gómez, D. (2024). Evolución de la taxonomía de Bloom en la era de la inteligencia artificial [Working paper]. eLearning Innovation Center (eLinC), Universitat Oberta de Catalunya.https://doi.org/10.5281/zenodo.10892547Mohammad Hmoud及其同事在2024年提出的《AIED布鲁姆分类学：一个旨在提升人工智能时代教育效率与效果的模型》（AIED Bloom’s Taxonomy: A Proposed Model for Enhancing Educational Efficiency and Effectiveness in the Artificial Intelligence Era）则提供了另一个视角。尽管Hmoud等人保留了传统布鲁姆教育目标分类学理论中认知层面的六层金字塔结构，但是，他们将层级名称与任务完全 AI 工具化、流程化，强调 “AI 增强人类认知效率”，而非颠覆或重构人机关系。该模型旨在重新定义原始分类法，使其更适应AI驱动的教育环境。他们提出了一个包含六个新类别的框架：收集（Collecting）： 利用AI高效搜集和获取信息。适应（Adapting）： 在AI辅助下调整和个性化学习内容。模拟（Simulating）： 使用AI创建复杂的模拟环境进行实践和探索。处理（Processing）： 与AI协同分析和处理数据。评估（Evaluating）： 与AI共同对信息和产出进行评价。创新（Innovating）： 在AI的支持下进行更高层次的创造和革新。该模型强调了AI在教育各个环节中提升效率和增强效果的潜力，为设计AI驱动的教学活动和评估任务提供了一个具体的、操作性强的框架。在自留地君看来，Hmoud等人的这个模型属于温和改良路线，不打破传统层级逻辑，教师易理解、易转化为教学目标与课堂活动；每个层级都明确对应 AI 工具与教学场景，实操性优于激进重构方案。不仅如此，这个模型清晰地继承 Andrew Churches（2008）数字布鲁姆的演进路径，从 “数字化工具” 升级到 “生成式 AI 全流程融合”，填补了大语言模型时代 “AI 如何分层赋能认知” 的理论空白。学术界的批评主要集中在这个模型偏工具清单化，理论创新不足；也有不少学者认为，该模型层级边界模糊，部分能力重叠；实证支撑薄弱，有效性待验证；高阶思维定义保守，未充分释放 AI 潜能等等。Hmoud, M., Al-Mutairi, S., & Alharbi, A. (2024). AIED Bloom’s Taxonomy: A proposed model for enhancing educational efficiency and effectiveness in the artificial intelligence era. Computers & Education: Artificial Intelligence, 5, Article 100287.https://doi.org/10.1016/j.caeai.2024.100287Gonsalves, A., & Ngai, C. (2024)等人保留传统六层，但每层嵌入 AI 素养子维度（校验、伦理、提示、反思）；提出12 个命题，强调 AI 是 “认知放大器” 而非替代者，批判性思维必须贯穿全层级。这个探索被伦敦国王学院、多伦多大学 OISE 称其为西方教育界最均衡的保守改良方案，理论扎实、易被教师接受，被多所欧美高校纳入教师培训教材。但是，哥伦比亚大学 TC 认为其创新不足，只是 “传统 + AI 贴纸”，未触及 AI 对认知本质的深层改变。Gonsalves, A., & Ngai, C. (2024). Generative AI’s impact on critical thinking: Revisiting Bloom’s taxonomy. Journal of Marketing Education, 46(3), 287-302.https://doi.org/10.1177/02734753241305980归纳起来，温和改良派认同 “人为主导、AI 工具化辅助” 的底层逻辑；将记忆、理解、基础应用等低阶认知任务外包给 AI，强化人类在分析、评价、创造中的核心地位；理论改动最小、教师接受度最高、适配各国常规课堂，是当前基础教育与高等教育改革的过渡性主流方案。2、维度拓展派（外延增补型，素养导向）
这一类的尝试和探索认可原有认知层级的合理性，但明确指出传统布鲁姆体系缺失智能时代必备素养；通过新增独立层级、补充附加维度完成理论扩容，重点嵌入 AI 素养、提示工程、事实核验、算法伦理、元认知等全新能力指标。代表性的研究和探索有：Singh, P., & Yusuf, M. (2024) 提出AI-Bloom – 批判性思维三元模型：在传统六层外，新增第七层 “伦理与反思”；强调每一层都必须包含 AI 输出核验、偏见识别、版权意识，避免工具依赖。联合国教科文组织教育 AI 伦理委员会评价其为首个将伦理置于核心的修订模型，契合全球教育伦理趋势。然而，加州大学伯克利分校学者认为其新增层级冗余，伦理可嵌入各层而非独立成层，易导致体系臃肿。Singh, P., & Yusuf, M. (2024). Cultivating independent thinkers: The triad of artificial intelligence, Bloom’s taxonomy and critical thinking in assessment pedagogy. Education & Educational Research, 54(2), 189-205.https://doi.org/10.1080/03043797.2024.2321456国内赵晓伟，沈书生，祝智庭（2025）提出了螺旋式认知跃迁框架：将传统六层重构为 “认知带宽释放→撑竿跳跨越→高位驱动 — 按需下潜” 三层循环；强调AI 负责低阶（记忆 / 理解），人专注高阶（分析 / 评价 / 创造），并新增 “逆向重构课堂”（从创造倒推基础）。这个研究被认为是国内首个可落地的 AI + 布鲁姆课堂模型，兼顾理论创新与教学实操，但也有学者指出，该模型层级边界仍偏模糊，对 “逆向重构” 的教师能力要求过高，欠发达地区难以推广。Zhao, X. W., Shen, S. S., & Zhu, Z. T. (2025). 生成式人工智能驱动的学习者认知跃迁 —— 基于布卢姆认知目标的融智课堂实践路径. 远程教育杂志, 43(6), 13-21.https://doi.org/10.13948/j.cnki.zyyj.2025.06.002这一类的研究和尝试不再局限于认知行为的简单替换，聚焦数字时代人的完整发展；普遍增设第七层高阶维度（伦理反思、元认知调控、AI 批判素养）；弥补了传统分类学重认知、轻价值与数字素养的短板，回应 AI 生成内容失真、算法偏见、学术诚信等现实教育难题。3、结构重构派（范式突破型，理论激进）
激进重构类的尝试和探索认为，线性递进的金字塔结构完全不适配人机协同认知模式，否定固定层级顺序；彻底打破经典框架，重组认知逻辑，重构高阶思维定义，建立网状化、协同化、非线性的全新认知目标体系。代表性的研究主要有：Jasmine Anak Jain和Moses Samuel在2025年发表的论文《布鲁姆遇见生成式AI：在副驾驶学习时代重构布鲁姆分类学》（Bloom Meets Gen AI: Reconceptualising Bloom’s Taxonomy in the Era of Co-piloted Learning）中，提出了一个激进的重构布鲁姆分类学的方案，核心是彻底打破传统金字塔层级，将认知从 “线性阶梯” 转为人机协同的网状互联模型，并新增核心认知层级，适配 “AI 副驾驶（Co-piloted Learning）” 时代。他们认为，在AI时代，线性的金字塔层级结构已无法描述人类与AI之间复杂的认知互动。他们主张：认知技能网络化，将认知技能视为相互连接的节点，而非固定的层级，以反映学习者在AI辅助下，可以在不同技能之间动态跳转和整合的现实。不仅如此，他们主张引入新的认知水平，他们提出了新的认知概念，如“共同策划”（Co-curating），指学习者与AI合作筛选、组织和呈现信息；以及一个重叠性的核心技能“批判性理解”（Critical Understanding），强调在人机交互的每一步都进行审慎的判断。他们还提及了一个可能存在拼写错误的术语“Ventilroquising”，这可能意指通过AI将内在思想“外部化”或“清晰表达”的过程，即利用AI作为思维的延伸和表达工具。强调过程性评估： 评估的重点应从最终产出转向学习过程，捕捉学生在与AI互动中的认知参与度、决策路径和批判性反思。这个模型的核心思想是，教育的目标是培养能够有效驾驭AI、平衡AI计算能力与人类批判性判断的学习者。该方案精准回应智能教育变革需求，凸显提示操控、批判核验、人机共创等关键素养，革新传统认知培养逻辑。但其颠覆性设计弱化认知发展递进规律，概念界定模糊，易诱发学生独立思维弱化与工具依赖问题。整体而言，该成果突破传统理论局限，为人机融合视域下教育目标革新提供全新范式，亦为后续布鲁姆理论的辩证优化留下探讨空间。Jain, J. A., & Samuel, M. (2025). Bloom meets Gen AI: Reconceptualising Bloom’s Taxonomy in the era of co-piloted learning. British Journal of Educational Technology, 56(2), 456–472.https://doi.org/10.1111/bjet.13452Anthology (2025) 将教育目标激进重构为七层：策展与探究（Curate & Question）→理解与解释→应用与模拟→分析与关联→评价与判断→创造与共创→转化与实践（Transform）；核心是AI 可外包低四层，人必须主导高三层。美国教育技术协会（ISTE）、英国教育与技能部（DfE）称其为企业界 + 教育界共识模型，语言通俗、教师接受度高。哈佛大学教育研究生院指出其理论基础薄弱，七层划分缺乏认知心理学支撑，更像 “实用清单” 而非学术模型。Anthology. (2025). Reframing Bloom’s for the age of AI: A whitepaper for future-ready educators. Anthology Education.https://www.anthology.com/whitepapers/reframing-blooms-for-the-age-of-aiJain, J. A., & Samuel, 以及Anthology. (2025)的探索，可以归属于颠覆性创新路径；他们提出 “无固定认知顺序”、“人机协同共创”、“AI 为认知副驾驶” 等核心概念；重新定义高阶思维，将 AI 对话、成果审辨、协同迭代列为核心高阶能力；理论突破性强，但脱离基础认知发展规律，落地门槛高、争议也最大。4、场景细分与实证校验派（应用落地型，实践导向）在众多理论追求之外，有不少学者聚焦于应用落地，他们试图跳出纯理论思辨，聚焦特定学科、特定场景、数据实证；要么结合专业教育改造布鲁姆目标体系，要么通过元分析、量化实验验证 AI 对不同认知层级的实际育人效果。代表性的尝试有，Gül, S., & Yıldız, M. (2024) 将布鲁姆与设计思维（Design Thinking）融合，每层对应AI 辅助设计活动：记忆（AI 素材库）→理解（AI 风格解析）→应用（AI 草图生成）→分析（AI 方案对比）→评价（AI 审美反馈）→创造（人主导原创设计）。Gül, S., & Yıldız, M. (2024). Reimagining design education: Integrating generative AI through the Bloom’s taxonomy for cognitive growth in fashion and interior design. IAFOR Journal of Education, 12(2), 45-62.https://doi.org/10.22492/ije.12.2.04类似的探索还有，Maity, S., et al. (2025) 提出ACE 框架（AI-Enhanced Cognition）：六层命名不变，但重新定义人机分工——AI 负责 “检索、模拟、建模”，人负责 “问题界定、批判、原创构想”；强调AI 是脚手架，不是答案机器。Maity, S., Das, P., & Mishra, S. (2025). A proposed framework for achieving higher levels of outcome-based learning using generative AI in education. Journal of Cognitive and Natural Sciences, 8(1), 788.https://acnsci.org/journal/index.php/etq/article/view/788
这些努力摒弃通用化理论建构，强调学科适配性与数据支撑；覆盖艺术设计、通识教育、线上教学等多元场景；以实证数据、课堂实践、成果导向为抓手，弥补纯理论研究缺乏实践验证的缺陷，为不同学科差异化教学设计提供依据。当前布鲁姆分类学的 AI 时代改造，呈现 “保守改良为主、激进突破为辅、素养补充并行、实证落地补位”的多元格局。四条研究路径并非对立割裂，而是互补共生：温和改良保障教育平稳转型，维度拓展补齐数字素养短板，结构重构指明长期理论方向，场景实证锚定课堂实践落地。未来研究的核心趋势，将走向“框架保留 + 维度扩容 + 人机分层 + 伦理内嵌 + 实证支撑”的融合式发展，最终形成一套兼顾认知发展规律、人机协同特征、学科差异化需求的新一代标准化教育目标分类体系。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
