關(guān)鍵詞：人機(jī)協(xié)同教學(xué);教學(xué)決策;決策機(jī)制;數(shù)據(jù)驅(qū)動(dòng);數(shù)據(jù)啟發(fā);生成式人工智能

作者：彭紅超;韓小利

作者單位：華東師范大學(xué)

　　[摘 要]人機(jī)協(xié)同教學(xué)是數(shù)智時(shí)代的典型教學(xué)范式，但因協(xié)同決策機(jī)制的缺失，其創(chuàng)新發(fā)展不盡如人意。 針對(duì)這一問 題，在解析各階段人機(jī)協(xié)同教學(xué)理念及其決策樣態(tài)的基礎(chǔ)上，結(jié)合人機(jī)優(yōu)勢(shì)互補(bǔ)原則，構(gòu)建了能夠處理不同復(fù)雜度 教學(xué)事務(wù)、兼容教師不同程度參與的人機(jī)協(xié)同教學(xué)決策機(jī)制，包括業(yè)務(wù)邏輯連貫的教學(xué)事務(wù)的復(fù)雜度判定機(jī)制、人 機(jī)協(xié)同決策的分流機(jī)制以及三條人機(jī)協(xié)同的教學(xué)決策路徑。 三條路徑分別為：教師輔助人工智能（AI）進(jìn)行決策的數(shù) 據(jù)驅(qū)動(dòng)協(xié)同路徑、教師與 AI 在決策過程中相互配合以生成決策的數(shù)據(jù)啟發(fā)協(xié)同路徑以及教師統(tǒng)籌安排部分任務(wù)給 AI 決策的設(shè)計(jì)驅(qū)動(dòng)協(xié)同路徑。 研究成果有助于業(yè)界同仁理解人機(jī)協(xié)同教學(xué)的底層機(jī)理，并能夠?yàn)槿藱C(jī)協(xié)同教學(xué)的本 地化實(shí)踐與優(yōu)化提供有價(jià)值的參考。 

　　一、引言

　　伴隨著大數(shù)據(jù)、云計(jì)算，尤其是生成式人工智能 （generative artificial intelligence，GenAI）等的迅猛發(fā) 展和應(yīng)用， 我們迎來了以數(shù)據(jù)和智能技術(shù)為核心驅(qū) 動(dòng)力的數(shù)智融合新時(shí)代。 黨的二十大報(bào)告指出要推 進(jìn)教育數(shù)字化， 而這一轉(zhuǎn)型的重要目標(biāo)即實(shí)現(xiàn)業(yè)務(wù) 模式重構(gòu)，讓大規(guī)模個(gè)性化教育成為可能（懷進(jìn)鵬， 2023）。 聚焦到課堂教學(xué)，此目標(biāo)表現(xiàn)為通過形成人 機(jī)協(xié)同模式， 為每一位學(xué)生提供適合其學(xué)習(xí)需求的 “定制化”服務(wù)（吳砥，等，2022），教師與智能機(jī)器的 協(xié)同是教育數(shù)字化轉(zhuǎn)型成敗的決定性因素（劉三女牙， 等，2023）， 他們之間的協(xié)同決策機(jī)制則是亟待攻克 的重要課題。

　　原因在于以下幾方面：首先，在班級(jí)授課制下， 教師無法持續(xù)了解所有學(xué)生的實(shí)時(shí)情況， 并及時(shí)作 出個(gè)性化決策，人工智能在這方面可以幫到教師。 然 而，即使是 ChatGPT、DeepSeek 這類先進(jìn)的生成式人 工智能， 因經(jīng)常出現(xiàn)幻覺、 知識(shí)立場(chǎng)不堅(jiān)定等問題 （Feuerriegel，et al.，2024），人工智能依然需要教師優(yōu) 化其創(chuàng)造性、申辯性的教學(xué)決策。 第二，在真實(shí)的課 堂中，教學(xué)決策事務(wù)復(fù)雜多樣，且大多數(shù)事務(wù)并非呈 現(xiàn)人機(jī)優(yōu)勢(shì)兩極分化，所以，教師與人工智能無法簡(jiǎn) 單分工 （Holstein，et al. ，2022） 。第三，智能教育產(chǎn)品 的應(yīng)用已開始由智能評(píng)測(cè)、 管理等外圍場(chǎng)景深入到 課堂的教與學(xué)等核心場(chǎng)景（劉邦奇，等，2021），并且 相應(yīng)的人機(jī)協(xié)同教學(xué)模式、 路徑等創(chuàng)新已屢見不鮮 （高瓊，等，2021；武法提，等，2024），但協(xié)同決策機(jī)制 的缺失，導(dǎo)致中小學(xué)課堂教學(xué)并未發(fā)生根本性變化， 教學(xué)活動(dòng)仍然以傳統(tǒng)的方式組織（袁振國(guó)，2023）。

　　可見，推進(jìn)數(shù)智時(shí)代教育數(shù)字化，需破解人機(jī)協(xié) 同教學(xué)的決策機(jī)制這一核心問題。 本研究基于對(duì)人 機(jī)協(xié)同教學(xué)發(fā)展的認(rèn)識(shí)， 構(gòu)建了人機(jī)協(xié)同教學(xué)決策 機(jī)制框架，并圍繞這一決策機(jī)制，著力解決以下三個(gè) 核心問題： 一是教學(xué)事務(wù)的復(fù)雜度該如何判定? 二 是如何為不同復(fù)雜度的教學(xué)事務(wù)選擇合適的協(xié)同決 策路徑（即如何分流）? 三是不同決策路徑下的運(yùn)行 機(jī)制是怎樣的（即人機(jī)如何協(xié)同）?

　　二、人機(jī)協(xié)同教學(xué)的發(fā)展

　　隨著技術(shù)的發(fā)展與進(jìn)步， 人機(jī)協(xié)同的理念從工 程計(jì)算機(jī)領(lǐng)域滲入到了教育領(lǐng)域。 在該領(lǐng)域，人機(jī)協(xié) 同教學(xué)是教師與機(jī)器遵循優(yōu)勢(shì)互補(bǔ)原則， 相互配合 開展教學(xué)的一種形式。 教學(xué)本質(zhì)上是連續(xù)做出教學(xué) 決策的過程（Verma，et al.，2020），因此，人機(jī)協(xié)同教 學(xué)是一種決策分配活動(dòng)（吳茵荷，等，2021），涉及如 何一同探索、判斷、選擇教學(xué)活動(dòng)或策略（管玨琪， 等，2019）。 當(dāng)前，與教師協(xié)同的機(jī)器已不再局限于計(jì) 算機(jī)，也不再僅是從屬關(guān)系的工具，總體來講，大致 經(jīng)歷了以下四個(gè)發(fā)展階段（見表 1）。

　　（一）工具式協(xié)同階段

　　在這一階段， 人機(jī)協(xié)同起始于斯金納的程序教學(xué)。

其中，機(jī)器的個(gè)性化反應(yīng)完全依據(jù)預(yù)設(shè)好的簡(jiǎn)單 規(guī)則或標(biāo)準(zhǔn)做出， 高度依賴人的操作， 并且靈活性 低。 此時(shí)機(jī)器在人機(jī)協(xié)同教學(xué)中充當(dāng)教學(xué)工具，替代 教師完成一些簡(jiǎn)單、重復(fù)、有跡可循的教學(xué)工作。 如 著名的 CAT（computerized adaptive testing）系統(tǒng)，可 幫 助 教 師 將 學(xué) 生 調(diào) 整 至 預(yù) 設(shè) 學(xué) 習(xí) 路 線 的 某 處 （Weiss，et al.，1984）； 米基奇等開發(fā)的 CHARLIE 系 統(tǒng)，可替代教師完成知識(shí)點(diǎn)的澄清與解釋、統(tǒng)計(jì)和分 析學(xué)生表現(xiàn)等基礎(chǔ)常規(guī)的教學(xué)任務(wù) （Mikic，et al.， 2009）。 在此階段的人機(jī)協(xié)同教學(xué)中，教師是決策主 體，具有絕對(duì)“話語權(quán)”。 而機(jī)器僅參與一些規(guī)則性決 策（甚至只為教師提供輔助性信息），其決策規(guī)則也 是教師依據(jù)自身教學(xué)經(jīng)驗(yàn)和智慧事前預(yù)設(shè)好的。 因 此， 這一階段的人機(jī)協(xié)同教學(xué)決策仍屬于經(jīng)驗(yàn)驅(qū)動(dòng) 范疇。 智能機(jī)器僅作為執(zhí)行工具，按照固定程序輔助 教學(xué)，缺乏主動(dòng)適應(yīng)學(xué)習(xí)者需求的能力，以及在復(fù)雜 教學(xué)場(chǎng)景下的應(yīng)變和創(chuàng)新能力。

　　（二）助手式協(xié)同階段

　　助手式協(xié)同階段的人機(jī)協(xié)同教學(xué)， 始于大數(shù)據(jù) 及其智能分析技術(shù)的興起。 在這一階段，機(jī)器能夠根 據(jù)人的指令或行為做出更加智能化的響應(yīng)，借此，機(jī) 器躍升為教師助手， 不僅協(xié)助教師完成基礎(chǔ)的教學(xué) 任務(wù)， 也根據(jù)學(xué)生的學(xué)習(xí)數(shù)據(jù)提供個(gè)性化的學(xué)習(xí)建 議和支持。 此時(shí)的機(jī)器，不再簡(jiǎn)單通過一一嘗試預(yù)設(shè) 好的規(guī)則或路徑得到最優(yōu)解， 而是根據(jù)已有的經(jīng)驗(yàn) 發(fā)現(xiàn)“行之有效”的決策思路或途徑，做出啟發(fā)式?jīng)Q 策。 不過，這種決策方法僅能對(duì)某一特定問題具有良 好效果， 如在教學(xué)評(píng)價(jià)方面表現(xiàn)優(yōu)秀的智能系統(tǒng)在 教學(xué)互動(dòng)中的表現(xiàn)卻不盡如人意。 所以，這一協(xié)同階 段的機(jī)器僅是一個(gè)領(lǐng)域人工智能加持的 “專才”，并 且有智能而沒有智慧、有智商而沒有情商（戴茂堂， 等，2023）。 另外，啟發(fā)式?jīng)Q策通過減少嘗試的數(shù)量， 快速得到?jīng)Q策方法， 但無法保證得到的方法是最優(yōu) 的，甚至有失敗的可能，因此，教師需要結(jié)合機(jī)器的 反饋數(shù)據(jù)調(diào)整、優(yōu)化甚至主導(dǎo)決策。 不難發(fā)現(xiàn)，這一 階段的協(xié)同， 其教學(xué)決策已經(jīng)轉(zhuǎn)向數(shù)據(jù)賦能決策的 范疇。

　　（三）雙主式協(xié)同階段

　　雙主式協(xié)同階段的人機(jī)協(xié)同教學(xué)， 起始于深度 學(xué)習(xí)、人工智能生成內(nèi)容（artificial intelligence generated content，AIGC）等人工智能技術(shù)的廣泛普及應(yīng) 用。 與之前符號(hào)主義基于邏輯和規(guī)則階段所不同的 是，此階段的人工智能是生成式的，能夠生成新的內(nèi) 容、規(guī)則或模式，具有廣泛的適用性和通用性（即由 “專才”走向“全才”），如 ChatGPT 可以應(yīng)用于教學(xué)設(shè) 計(jì)、課堂輔導(dǎo)、教學(xué)監(jiān)管與測(cè)評(píng)等各個(gè)環(huán)節(jié)（尚智叢， 等，2023）。 生成式人工智能持續(xù)的學(xué)習(xí)和進(jìn)化能力， 使其不僅可以作為教師助手， 也可以作為教學(xué)主體 之一，它能夠與教師進(jìn)行深度“協(xié)商”，共同制定和執(zhí) 行教學(xué)計(jì)劃。 然而，人工智能的持續(xù)學(xué)習(xí)和進(jìn)化能力 可能導(dǎo)致其產(chǎn)生意想不到的行為，因此，需要建立監(jiān) 督機(jī)制和責(zé)任制度來管控人工智能系統(tǒng)的行為，尤其 需要對(duì)人工智能所生成的內(nèi)容進(jìn)行嚴(yán)格的倫理審查， 以確保其符合教育道德和價(jià)值觀。這一階段的決策過 程呈現(xiàn)為會(huì)話優(yōu)化決策，教師以自然語言與機(jī)器會(huì)話 引導(dǎo)和激勵(lì)機(jī)器，同時(shí)機(jī)器也能根據(jù)教學(xué)場(chǎng)景和學(xué)生 反饋?zhàn)晕艺{(diào)整決策規(guī)則。 這種雙向的、動(dòng)態(tài)的決策機(jī) 制使得教學(xué)過程更加靈活和個(gè)性化， 更加精準(zhǔn)地適 應(yīng)學(xué)生的多樣化需求和不斷變化的教學(xué)環(huán)境。

　　（四）融合式協(xié)同階段

　　融合式協(xié)同階段的人機(jī)協(xié)同教學(xué)， 依托最前沿 的人工智能與腦科學(xué)研究成果， 尤其是腦機(jī)接口與 腦腦接口技術(shù)取得的重大突破。 此階段，機(jī)器可以直 接與教師和學(xué)生的大腦交互， 實(shí)現(xiàn)思維和知識(shí)的直 接傳輸。 例如，利用腦機(jī)接口技術(shù)，直接捕捉學(xué)生的 認(rèn)知狀態(tài)和學(xué)習(xí)需求（Miah，et al.，2024），實(shí)時(shí)調(diào)整 教學(xué)內(nèi)容和方式， 以最符合學(xué)生大腦活動(dòng)模式的方 式進(jìn)行教學(xué)（Gnedykh，2021）。 從教學(xué)決策的角度來 看，這一階段的智能機(jī)器成為認(rèn)知的一部分，教師可 以通過意念、 情感等大腦活動(dòng)驅(qū)使機(jī)器與學(xué)生互動(dòng) （即意識(shí)增強(qiáng)決策）。 教師、學(xué)生和機(jī)器這種無縫協(xié)同 的決策生態(tài)，不僅能實(shí)現(xiàn)知識(shí)的無損傳輸，還能最大限度地突破生理、表達(dá)、行為等各種限制或障礙（翟 雪松，等，2022）。 因此，有學(xué)者預(yù)言，這類人機(jī)融合智 能極有可能是人工智能的高級(jí)階段， 甚至可能是最 終階段（李平，等，2018），然而，此階段的人類在人工 智能面前更加透明，“教學(xué)主體的大腦隱私” 這一極 為重要的生物特征，需要得到高度重視和保障（Ienca，et al.，2017）。

　　以上各階段反映了人機(jī)協(xié)同教學(xué)在特定時(shí)期的 教學(xué)理念和決策樣態(tài)的演進(jìn)脈絡(luò)。 然而各階段并非 呈線性或相互排斥的關(guān)系， 而是基于各自關(guān)鍵技術(shù) 和教育需求，并行發(fā)展、相輔相成，共同推動(dòng)教育數(shù) 字化的變革與創(chuàng)新。

　　三、人機(jī)協(xié)同教學(xué)決策機(jī)制的框架

　　上述各階段的人機(jī)協(xié)同方式看似涇渭分明、互 不干擾，但在實(shí)際教學(xué)中，我們往往無法簡(jiǎn)單按照其 中一種或幾種行事， 而是需要根據(jù)特定的教學(xué)任務(wù) 復(fù)雜程度，靈活、創(chuàng)新性地應(yīng)用不同協(xié)同方式進(jìn)行教 學(xué)決策，其基本原則是“把適合機(jī)器做的事讓機(jī)器來 做，把適合人做的事讓人來做，把適合人機(jī)合作的事 讓人與機(jī)器一起來做（祝智庭，等，2021）”。 以此為基 礎(chǔ)，本研究構(gòu)建的框架如圖 1 所示，具體包括教學(xué)事 務(wù)復(fù)雜度分析、 人機(jī)協(xié)同決策分流和人機(jī)協(xié)同教學(xué) 決策路徑三個(gè)部分。 其中，復(fù)雜度分析為后續(xù)的決策 分流提供依據(jù)， 決策分流關(guān)注如何將不同事務(wù)分流 至合適的路徑中， 決策路徑關(guān)注教師與智能機(jī)器協(xié) 同決策的具體執(zhí)行。

　　（一）教學(xué)事務(wù)復(fù)雜度分析

　　教學(xué)事務(wù)是復(fù)雜多樣的， 包括課程的設(shè)計(jì)與規(guī) 劃、教學(xué)資源的準(zhǔn)備、課堂教學(xué)實(shí)施、學(xué)習(xí)成就的評(píng) 估與反饋等，這種復(fù)雜性源于多方面，如學(xué)生個(gè)體的 多樣性（需關(guān)注個(gè)體差異）、教學(xué)內(nèi)容的廣泛性（涉獵 豐富多樣的知識(shí)領(lǐng)域）、教學(xué)方法的多變性（針對(duì)不 同教學(xué)目標(biāo)和學(xué)生群體靈活運(yùn)用教學(xué)方法） 以及教 學(xué)環(huán)境的動(dòng)態(tài)性 （教師需及時(shí)了解并應(yīng)對(duì)環(huán)境的不 斷變化）。 數(shù)智教育中的教學(xué)事務(wù)不僅包括傳統(tǒng)的教 學(xué)事務(wù)，還涉及與數(shù)智技術(shù)相關(guān)的新興任務(wù)和挑戰(zhàn)， 如 AI 滲透下的新質(zhì)人才培養(yǎng)、DeepSeek 等智能技 術(shù)的融合應(yīng)用。 隨著技術(shù)應(yīng)用的廣泛性和深度的增 加，這些事務(wù)也呈現(xiàn)出新的復(fù)雜性特點(diǎn)。 當(dāng)前，人機(jī) 協(xié)同成為應(yīng)對(duì)這種復(fù)雜性并推動(dòng)教育創(chuàng)新的重要途 徑，因?yàn)槿祟愔y恰是機(jī)器之易，機(jī)器之易恰是人類 之難（Erickson，2002），二者恰好可以優(yōu)勢(shì)互補(bǔ)。 為了 最大化人機(jī)協(xié)同效能， 首要步驟是開展教學(xué)事務(wù)的 復(fù)雜度分析。 這一分析的核心目的是明確區(qū)分哪些 教學(xué)任務(wù)適合由機(jī)器執(zhí)行， 哪些需人類教師負(fù)責(zé)完 成，從而為后續(xù)的人機(jī)分流機(jī)制提供依據(jù)。

　　（二）人機(jī)協(xié)同決策分流

　　人機(jī)協(xié)同教學(xué)的決策分流機(jī)制旨在建立不同復(fù) 雜度的教學(xué)事務(wù)與人機(jī)各自優(yōu)勢(shì)的映射規(guī)則， 明確 教學(xué)事務(wù)合理的“決策負(fù)責(zé)人”（教師或機(jī)器），以充 分發(fā)揮人類智慧和機(jī)器智能。 首先對(duì)于復(fù)雜度低的 事務(wù)，因其規(guī)則性強(qiáng)、重復(fù)性高且易于標(biāo)準(zhǔn)化執(zhí)行， 多是機(jī)器善為事務(wù)。 同時(shí)，一些“灰色地帶”的任務(wù)處 于混沌狀態(tài)，既需要機(jī)器的計(jì)算和數(shù)據(jù)處理能力，也 需要人類的直覺和創(chuàng)造力， 屬于人機(jī)合為事務(wù)（Xiang，et al.，2023）。 而對(duì)于復(fù)雜度高的事務(wù)，需要濃厚 的教育情懷和克服挑戰(zhàn)的意志， 并且相關(guān)決策的實(shí) 施也需要根據(jù)實(shí)際靈活變通， 即使是大模型支持的 機(jī)器也難以勝任， 屬于人類善為事務(wù) （Chan，et al.， 2024）。 在這三類教學(xué)事務(wù)中，教師分別擔(dān)任不同的 角色：對(duì)于機(jī)器善為事務(wù)，智能機(jī)器能夠高效執(zhí)行標(biāo) 準(zhǔn)化任務(wù)，教師則作為輔助者進(jìn)行監(jiān)督和指導(dǎo)；對(duì)于 人機(jī)合為事務(wù)， 機(jī)器和教師需要共同參與決策和執(zhí) 行，通過相互幫助，做出高質(zhì)量的決策，此時(shí)教師是 合作者；而對(duì)于人類善為事務(wù)，教師需要擔(dān)任引領(lǐng)者 角色，發(fā)揮自身的主導(dǎo)作用，僅把決策任務(wù)的一部分 分配給人工智能。 不難發(fā)現(xiàn)，教師在這三類教學(xué)事務(wù) 中的參與程度是逐級(jí)遞增的。 通過對(duì)教學(xué)事務(wù)的合 理分流， 可以確保每項(xiàng)任務(wù)都能由最適合的主體負(fù) 責(zé)，并經(jīng)過合適的協(xié)同決策路徑提高效率和質(zhì)量。

　　（三）人機(jī)協(xié)同教學(xué)決策路徑

　　針對(duì)人類善為、 機(jī)器善為、 人機(jī)合為的教學(xué)事 務(wù)，本研究分別以人在旁路、人在回路（Honeycutt，et al.，2020）和人在領(lǐng)路的協(xié)同理念（Guo，et al.，2015） 為基礎(chǔ)，明確具體的人機(jī)協(xié)同教學(xué)決策路徑。 處理機(jī)器善為事務(wù)， 可選擇數(shù)據(jù)驅(qū)動(dòng)的協(xié)同決 策路徑。

　　這一路徑遵循人在旁路的協(xié)同理念，如圖 1 所示，智能機(jī)器作為主要決策者，處于決策的主干路 中，教師作為輔助者，處在并聯(lián)的旁路中。 當(dāng)處理決 策事務(wù)時(shí)，智能機(jī)器首先利用自身計(jì)算優(yōu)勢(shì)，迅速?gòu)?大量教育數(shù)據(jù)中發(fā)現(xiàn)規(guī)律、趨勢(shì)，做出證據(jù)支持的客 觀決策。 規(guī)律、 趨勢(shì)的挖掘與分析依賴于機(jī)器算法 對(duì)教育數(shù)據(jù)的分析和處理能力， 只有當(dāng)機(jī)器能力不足時(shí)，人類教師才介入優(yōu)化機(jī)器的決策。 雖然數(shù)據(jù)驅(qū) 動(dòng)決策強(qiáng)調(diào)機(jī)器的作用，但教師并非處于被動(dòng)狀態(tài)， 因?yàn)榻處熜枰盐諜C(jī)器所作決策的合理性， 讓決策 始終符合教學(xué)實(shí)際情況與需求。

　　處理人機(jī)合為事務(wù)， 可選擇數(shù)據(jù)啟發(fā)的協(xié)同決 策路徑。 這一路徑遵循人在回路的協(xié)同理念，以物理 電路圖做隱喻， 教師以合作者的身份處在串聯(lián)電路 中，與智能機(jī)器在“同一工作流程中”通過交互式對(duì) 話來決策。 每一次對(duì)話，均是教師與智能機(jī)器相互配 合并從中獲得啟發(fā)的過程， 即機(jī)器從大量教育數(shù)據(jù) 中挖掘得到?jīng)Q策線索給教師，教師以此線索提示，結(jié) 合自身經(jīng)驗(yàn)，按圖索驥或推理后做出決策。 這一決策 也將作為機(jī)器后續(xù)分析的依據(jù)， 如此人機(jī)交互直至 得到有效的決策。 在交互過程中，機(jī)器提供的線索主 要是內(nèi)隱于大數(shù)據(jù)中的教學(xué)規(guī)律、特征或趨勢(shì)，如學(xué) 習(xí)者個(gè)體行為與學(xué)業(yè)成就的關(guān)系、 學(xué)習(xí)者能否按期 達(dá)到教學(xué)目標(biāo)要求等， 它們啟發(fā)教師形成調(diào)整教學(xué) 的決策洞見或靈感。

　　處理人類善為事務(wù)， 可選擇設(shè)計(jì)驅(qū)動(dòng)的協(xié)同決 策路徑。 這一路徑遵循人在領(lǐng)路的協(xié)同理念，以物理 電路圖做隱喻， 教師作為引領(lǐng)者處于串聯(lián)電路與并 聯(lián)電路的連接點(diǎn)上，如圖 1 所示。 在這樣的位置，教 師可以發(fā)揮類似多向開關(guān)的作用， 決定智能機(jī)器分 擔(dān)哪些決策任務(wù)。 不難發(fā)現(xiàn)，這一協(xié)同決策路徑是人 本驅(qū)動(dòng)的（Schneiderman，2020），教師需要從人本角 度診斷性地審視教育數(shù)據(jù)和人工智能的價(jià)值以及它 們可能的支持作用，并在教學(xué)設(shè)計(jì)時(shí)做好人為布局或 調(diào)控，以便讓智能機(jī)器有能力參與需要人文情懷和意 志且靈活多變的決策事務(wù)。分流至這一路徑上的教學(xué) 事務(wù)，具有高度復(fù)雜性和不確定性的特性，其決策往 往無章法可循， 在教學(xué)設(shè)計(jì)時(shí)便做好任務(wù)的分配，便 于充分發(fā)揮人類智慧之優(yōu)勢(shì)，提高決策成效。

　　四、教學(xué)事務(wù)的復(fù)雜度判定機(jī)制

　　合理分流決策的前提是精準(zhǔn)判定教學(xué)事務(wù)的復(fù) 雜度。 任務(wù)復(fù)雜度是一個(gè)多維概念，通常指完成某個(gè) 任務(wù)所需認(rèn)知、技能和資源的程度，是影響決策過程 和策略的關(guān)鍵因素（Payne，1976），在人機(jī)交互領(lǐng)域， 更是影響著執(zhí)行者的表現(xiàn)（Jacko，et al.，1995）。 現(xiàn)有 研究通常將任務(wù)復(fù)雜度分為主觀復(fù)雜度和客觀復(fù)雜 度（van Iddekinge，et al.，2017），主觀復(fù)雜度主要考 慮任務(wù)與任務(wù)執(zhí)行者之間的聯(lián)合屬性， 如任務(wù)對(duì)認(rèn) 知負(fù)荷、情感投入、知識(shí)技能的需求等；而客觀復(fù)雜 度則指任務(wù)本身的屬性，如任務(wù)要素的數(shù)量、任務(wù)本 身的不確定性等。

　　創(chuàng)造性和靈活性是典型反映主客觀復(fù)雜度的維 度，前者表征解決任務(wù)所需執(zhí)行者（如人師、機(jī)師和 學(xué)生） 創(chuàng)新思維或能力的程度， 指向數(shù)智教育培養(yǎng) “新質(zhì)人才”的訴求（祝智庭，等，2024）；后者表征設(shè) 計(jì)好的任務(wù)，在實(shí)施過程中根據(jù)實(shí)際情況調(diào)整、變通 的程度，程度越高，靈活度越大，體現(xiàn)數(shù)智教育需滿 足學(xué)生個(gè)性化差異的特征。 鑒于此，本研究從創(chuàng)造性 和靈活性角度創(chuàng)設(shè)教學(xué)事務(wù)復(fù)雜度的判定圖譜，如 圖 2 所示。

　　第Ⅰ象限是高創(chuàng)造性高靈活性事務(wù)。 這類復(fù)雜 度的教學(xué)事務(wù)， 要求教師突破現(xiàn)有知識(shí)和思維模式 的束縛，優(yōu)化、重構(gòu)甚至創(chuàng)造出新的解決方案，并且 方案在實(shí)施的過程中， 會(huì)根據(jù)實(shí)際教學(xué)情況做出靈 活調(diào)整。 教育數(shù)字化追求教學(xué)范式由供給驅(qū)動(dòng)向需 求驅(qū)動(dòng)轉(zhuǎn)變（祝智庭，等，2023），需求的個(gè)性化與變 化發(fā)展，造就教學(xué)事務(wù)的處理往往不能循規(guī)蹈矩，也 無法完全按照預(yù)設(shè)的解決方案執(zhí)行。 因此，在數(shù)智時(shí) 代，這類復(fù)雜度的教學(xué)事務(wù)具有相當(dāng)比重。 第Ⅱ象限 是高創(chuàng)造性低靈活性事務(wù)。 這類復(fù)雜度的教學(xué)事務(wù)， 同樣需要教師制定富有新穎性的解決方案， 但方案 的執(zhí)行不會(huì)與預(yù)先的設(shè)計(jì)有較大出入。 如流暢度是 表征技能表現(xiàn)流利程度的新型指標(biāo)， 可使用流暢度 替代成績(jī)指標(biāo)衡量學(xué)生的新質(zhì)素養(yǎng)水平， 其統(tǒng)計(jì)量 “流暢度正確＝正確反應(yīng)÷測(cè)量時(shí)間”和“流暢度錯(cuò) 誤=錯(cuò) 誤反應(yīng)÷測(cè)量時(shí)間”（彭紅超， 等，2017） 具有脫敏特 性，執(zhí)行時(shí)無須根據(jù)應(yīng)用場(chǎng)景作調(diào)整。 第Ⅲ象限是低 創(chuàng)造性低靈活性事務(wù)，這類復(fù)雜度的教學(xué)事務(wù)，不要 求教師打破已有的知識(shí)體系或思維模式， 甚至有現(xiàn) 成的解決方案可利用，并且方案可按部就班執(zhí)行，無 需大幅度調(diào)整。 數(shù)智時(shí)代的教學(xué)過程具有靈活性、動(dòng) 態(tài)生成性，但其靈活性與穩(wěn)定性、生成性與預(yù)設(shè)性是 并存的（彭紅超，等，2023），這種穩(wěn)定性與預(yù)設(shè)性造 就諸多教學(xué)事務(wù)依然可以按照原有方案處理， 如按 照既定的個(gè)性化學(xué)習(xí)適配處方判定何時(shí)在人機(jī)雙師 課堂中組織差異化教學(xué)、 小組合作學(xué)習(xí)或個(gè)體適性 學(xué)習(xí)。第Ⅳ象限是低創(chuàng)造性高靈活性教學(xué)事務(wù)。這類教學(xué)事務(wù)表現(xiàn)出一種穩(wěn)中求變的特質(zhì)， 需要教師能 夠敏銳地捕捉教學(xué)場(chǎng)景中的變化，據(jù)此，在實(shí)施過程 中 靈 活 調(diào) 整 已 有 處 理 方 案 ， 如 教 師 根 據(jù) 學(xué) 生 與 GenAI 合作探究的結(jié)果， 決定實(shí)施針對(duì)性輔導(dǎo)還是 講授新知。

　　教學(xué)事務(wù)復(fù)雜度的判定， 按照先判定創(chuàng)造性再 判定靈活性的順序進(jìn)行。 在創(chuàng)造性上，按照其核心屬 性（Brookhart，2013），依次審視教學(xué)事務(wù)在以下四個(gè) 方面的要求：第一，教師想法的深度，從想法不是重 要概念到是來自不同學(xué)科的系列重要概念；第二，原 材料（即未經(jīng)過教師初步加工和處理的原始資料、材 料）的多樣性，從只利用一個(gè)或不可信的原材料到利 用了各式各樣的原材料，如文本、媒體、經(jīng)驗(yàn)等；第 三，想法整合的新穎性，從直接復(fù)刻他人想法到以驚 奇的方式整合；第四，處理方案的預(yù)期價(jià)值，從基本 解決預(yù)期問題到進(jìn)一步識(shí)別出未知的新問題。 在靈 活性上， 基于學(xué)習(xí)環(huán)境中易于感知的靈活性三要素 （Bergamin，et al.，2012）進(jìn)行判定，第一，實(shí)施時(shí)間的 彈性， 開始與持續(xù)的時(shí)間從不可更改到師生可自主 調(diào)控；第二，學(xué)生需求的迎合度，從側(cè)重學(xué)生的共同 需求到適應(yīng)學(xué)生個(gè)體的需求變化；第三，學(xué)生活動(dòng)的 能動(dòng)性，從被動(dòng)接受教師指引到可自主選擇。 另外， 在人機(jī)協(xié)同教學(xué)中，應(yīng)對(duì)突發(fā)技術(shù)故障十分關(guān)鍵，從 無備用方案到能快速啟動(dòng)緊急預(yù)案， 是教學(xué)事務(wù)的 靈活性在柔韌度上的體現(xiàn)。

　　在判定時(shí)， 以創(chuàng)造性和靈活性的各維度作為評(píng) 估框架，將各維度的連續(xù)譜系作四等級(jí)劃分，便可形 成教學(xué)事務(wù)復(fù)雜度的判定量規(guī)（Newell，et al.，2002）， 如果創(chuàng)造性或靈活性的總值達(dá)到中等水平以上，便 說明教學(xué)事務(wù)在這方面的復(fù)雜度處于較高水平。

　　五、人機(jī)協(xié)同決策的分流機(jī)制

　　厘清教學(xué)事務(wù)的復(fù)雜度之后， 便可以考慮如何 將其分流到合適的路徑， 這涉及人機(jī)協(xié)同決策的分 流機(jī)制，如圖 3 所示。

　　（一）第Ⅰ象限事務(wù)的分流

　　第Ⅰ象限事物兼具高創(chuàng)造性和高靈活性。 依據(jù) 自我決定理論（Deci，et al.，2013），個(gè)體在高創(chuàng)造性 任務(wù)中的意志力是突破常規(guī)思維的關(guān)鍵因素， 而靈 活性讓這種意志力更加重要。 因此，第Ⅰ象限事務(wù)的 分流應(yīng)考慮此要素。 鑒于包括 DeepSeek 在內(nèi)的人工 智能均缺乏這種意志力，若事務(wù)對(duì)意志力要求較高， 教師需憑借自身主觀能動(dòng)性更好地應(yīng)對(duì)創(chuàng)新與靈活 性帶來的挑戰(zhàn)，此時(shí)，第Ⅰ象限事務(wù)應(yīng)引導(dǎo)至設(shè)計(jì)驅(qū) 動(dòng)的協(xié)同決策路徑。 而當(dāng)事務(wù)對(duì)意志力沒有太多要 求時(shí)，則需要進(jìn)一步判斷事務(wù)的結(jié)構(gòu)化程度。 依據(jù)認(rèn) 知靈活性理論， 結(jié)構(gòu)化程度低的非良構(gòu)問題 （illstructured problems）需要采用多維表征，并通過設(shè)計(jì) 思維重構(gòu)問題空間（Jonassen，1997）。 因此，這類問題 應(yīng)分流至設(shè)計(jì)驅(qū)動(dòng)的決策路徑， 讓教師在設(shè)計(jì)階段 即可著手此事，將事務(wù)合理解構(gòu)并與人工智能“協(xié)同 處理”。 而結(jié)構(gòu)化程度高的良構(gòu)問題（well-structured problems），計(jì)算機(jī)算法容易與之匹配，因此更適合轉(zhuǎn) 向數(shù)據(jù)啟發(fā)的決策路徑， 讓人工智能先為教師處理 事務(wù)提供富有啟發(fā)的線索。 這樣，決策的效率可以大 幅提高。

　　（二）第Ⅱ象限事務(wù)的分流

　　第Ⅱ象限事務(wù)雖有高創(chuàng)造性但靈活性較低。 根 據(jù)標(biāo)準(zhǔn)化作業(yè)理論（Taylor，2004），靈活性較低的事 務(wù)更適合通過特定決策模式進(jìn)行處理， 這種特定性 往往體現(xiàn)為有明顯規(guī)則可循。 因此，規(guī)則性可以作為 判定第Ⅱ象限事務(wù)的關(guān)鍵， 它能夠?yàn)閯?chuàng)造性決策方 案制定提供抓手和方向。 具體而言，若事務(wù)的規(guī)則性 較強(qiáng)，則優(yōu)先進(jìn)入數(shù)據(jù)啟發(fā)的協(xié)同決策路徑，以利用 人工智能把這種規(guī)則性挖掘出來， 讓教師后續(xù)的決 策路向更清晰；若規(guī)則性較弱，則需進(jìn)一步判定事務(wù) 對(duì) 專 業(yè) 知 識(shí) 的 精 深 度 需 求 。 按 照 知 識(shí) 創(chuàng) 新 理 論 （Lambooy，2005），當(dāng)精深度觸及知識(shí)本身的邊界時(shí)， 分流至設(shè)計(jì)驅(qū)動(dòng)的協(xié)同決策路徑， 由教師主導(dǎo)知識(shí) 的探索更合適。因?yàn)榧词?GenAI 動(dòng)態(tài)生成的內(nèi)容，其 本質(zhì)上也僅是從大量數(shù)據(jù)源中抽取或重組的信息， 只是對(duì)人類語言與思想的復(fù)制和轉(zhuǎn)譯 （孫屹言， 2023）。 若精深度需求不高，僅是需要知識(shí)應(yīng)用上的 創(chuàng)新，則可以分流至數(shù)據(jù)啟發(fā)的決策路徑，由人工智能生成基礎(chǔ)方案，再由教師進(jìn)行創(chuàng)新性修正或補(bǔ)充。

　　（三）第Ⅲ象限事務(wù)的分流

　　第Ⅲ象限事務(wù)對(duì)創(chuàng)造性要求較低， 且在實(shí)施時(shí) 無須靈活調(diào)整，此情況下，對(duì)數(shù)據(jù)的依賴性成為重要 的分流依據(jù)。 若數(shù)據(jù)依賴性較低，事務(wù)處理更需要教 師的教學(xué)智慧， 所需數(shù)據(jù)多為有情感溫度的小數(shù)據(jù) （祝智庭，等，2017），此時(shí)，可進(jìn)入數(shù)據(jù)啟發(fā)的決策路 徑，讓教師能夠在數(shù)據(jù)線索的輔證下進(jìn)行精準(zhǔn)決策。 若數(shù)據(jù)依賴性較高，則需進(jìn)一步判定。 按照決策行為 理論（March，et al.，1993），決策過程的不確定性也是 影響決策的重要因素，可作為此步的判定點(diǎn)。 具體而 言，若不確定性較高，則需要教師根據(jù)學(xué)生的反饋數(shù) 據(jù)臨場(chǎng)確定決策策略， 這屬于數(shù)據(jù)啟發(fā)決策路徑的 范疇，否則，可分流至數(shù)據(jù)驅(qū)動(dòng)的協(xié)同決策路徑，先 讓人工智能發(fā)揮優(yōu)長(zhǎng)， 而教師僅在必要時(shí)核驗(yàn)人工 智能的決策結(jié)果是否合適。 這樣做的好處是，既能充 分發(fā)揮人工智能的高效率又有人類兜底。

　　（四）第Ⅳ象限事務(wù)的分流

　　第Ⅳ象限事務(wù)創(chuàng)造性較低但靈活性較高， 需要 頻 繁 應(yīng) 對(duì) 多 變 的 外 部 情 境 。 根 據(jù) 情 境 認(rèn) 知 理 論 （Brown，et al.，1989），處理此類事務(wù)的核心挑戰(zhàn)在于 其對(duì)情境變化的高度敏感性。 若其對(duì)情境變化的敏 感性較高，則更適合采用數(shù)據(jù)驅(qū)動(dòng)的協(xié)同決策路徑， 此路徑中的人工智能往往會(huì)全程記錄學(xué)習(xí)過程并敏 捷感知學(xué)習(xí)情境的變化以提供更為精準(zhǔn)的適配服務(wù) （祝智庭，等，2020）；如果敏感性較低，則需進(jìn)一步判 定事務(wù)對(duì)實(shí)時(shí)反饋的依賴程度。 教育反饋理論指出， 實(shí)時(shí)反饋依賴程度對(duì)學(xué)習(xí)效果有顯著影響， 并與決 策路徑密切相關(guān)（Hattie，et al.，2007）。 這一步，如果 依賴程度較高，則應(yīng)分流至數(shù)據(jù)驅(qū)動(dòng)的決策路徑，以 便借助人工智能強(qiáng)大的算力，及時(shí)做出決策；如果依 賴程度較低， 可考慮分流至數(shù)據(jù)啟發(fā)的協(xié)同決策路 徑，以降低高靈活性伴隨的潛在風(fēng)險(xiǎn)。

　　六、人機(jī)協(xié)同的教學(xué)決策路徑

　　教學(xué)事務(wù)的復(fù)雜度分析和分流機(jī)制解決了混濁 狀態(tài)下的教學(xué)事務(wù)如何分流的問題，接下來，需要解 決每條協(xié)同決策路徑的具體協(xié)同方略問題。

　　（一）數(shù)據(jù)驅(qū)動(dòng)的協(xié)同決策路徑

　　數(shù)據(jù)驅(qū)動(dòng)的人機(jī)協(xié)同決策是教師輔助 AI 進(jìn)行決 策，路徑如圖 4 所示。 AI 通過自動(dòng)監(jiān)測(cè)或用戶上傳等 方式獲取學(xué)習(xí)畫像數(shù)據(jù)，然后進(jìn)行數(shù)據(jù)挖掘萃取數(shù)據(jù) 中蘊(yùn)含的價(jià)值，如學(xué)生的行為模式等，以此，AI 利用 學(xué)習(xí)分析技術(shù)對(duì)教學(xué)進(jìn)行診斷、預(yù)測(cè)并開處方，得到 決策草案，如推薦適切的資源（彭紅超，等，2018）。 教 師需要對(duì)這個(gè)決策草案進(jìn)行審查，如果 AI 的決策合 理，則通過審查；如果不適合，則教師認(rèn)真分析數(shù)據(jù)、 探尋原因，重新設(shè)計(jì)決策方案；如果介于兩者之間， 則糾正不當(dāng)之處，填補(bǔ)遺漏部分。 對(duì)于未通過審查的 這兩種情況，教師可以通過優(yōu)化提示語或調(diào)整參數(shù)， 指導(dǎo) AI 生成更合理的決策草案。 將通過審查的草案 或教師的決策預(yù)案作為正式方案實(shí)施并監(jiān)控，所得到 的數(shù)據(jù)再次被收集，如此，形成一個(gè)閉環(huán)。

　　這一協(xié)同決策過程，需要注重以下兩點(diǎn)。 第一， 教師的審查。 它處于樞紐位置， 決定教師是否介入 AI 決策。 之所以如此關(guān)鍵，是因?yàn)闊o論 AI 是否承擔(dān) 了全部決策工作， 教師都需要承擔(dān)全部責(zé)任。 評(píng)估 AI 決策合理性可從以下幾方面著手：①?zèng)Q策的實(shí)施 條件是否具備（即實(shí)施可行性）；②決策是否能夠滿 足當(dāng)前學(xué)生的需求或解決遇到的問題 （即即時(shí)有效 性）；③決策是否與教學(xué)目標(biāo)吻合（即目標(biāo)一致性）， 即使?jié)M足②， 也可能導(dǎo)致教學(xué)向背離目標(biāo)的方向發(fā) 展（Sermsuksan，2019）；④決策的數(shù)據(jù)證據(jù)及其來源 是否真實(shí)可靠（即數(shù)據(jù)真實(shí)性）；⑤對(duì)于生成式人工 智能的決策，還需要額外審核是否存在歧視、偏見或 其他倫理道德問題（即決策倫理性）。 第二，教師介入 的時(shí)機(jī)和方式。介入是人機(jī)協(xié)同決策的核心問題。協(xié) 同效果的好壞，除決策依據(jù)是否靠譜外，還取決于人 類介入的時(shí)機(jī)和方式是否得當(dāng)（陳凱泉，等，2019）。 時(shí)機(jī)方面，當(dāng) AI 決策不滿足上述任何一條合理性標(biāo) 準(zhǔn)時(shí)，教師應(yīng)當(dāng)迅速介入，此外，如若 AI 決策實(shí)施 后，學(xué)生的表現(xiàn)或反饋與預(yù)期存在明顯差異，教師也需要介入干預(yù)。

 

方式方面，可按照便捷性考慮以下幾 種方式： ①通過提示語或調(diào)整參數(shù)優(yōu)化 AI 的決策， 針對(duì)生成式人工智能，可結(jié)合拆分子任務(wù)、投喂專業(yè) 語料、讓機(jī)器自我審查與修改等策略，這樣往往能事 倍功半； ②教師自我修補(bǔ)或重設(shè)決策方案， 具體而 言，教師可通過“專家端倪法”從數(shù)據(jù)中獲得見解（如 發(fā)現(xiàn)其中原因），借助“價(jià)值判斷指標(biāo)”將見解升華為 洞見（即透徹的見解），進(jìn)而形成基于洞見的決策（彭 紅超，等，2018）；③還可以發(fā)揮學(xué)生智慧，彌補(bǔ) AI 決 策的缺陷，如引導(dǎo)學(xué)生標(biāo)注“可疑”的決策結(jié)果、設(shè)置 AI 決策偏好，以及組織 AI 答案辯論會(huì)等。

　　（二）數(shù)據(jù)啟發(fā)的協(xié)同決策路徑

　　數(shù)據(jù)啟發(fā)的人機(jī)協(xié)同決策是指教師與 AI 在協(xié) 同過程中相互配合生成決策， 路徑如圖 5 所示。 AI 利用大數(shù)據(jù)分析技術(shù)從收集到的數(shù)據(jù)中提煉出有關(guān) 學(xué)習(xí)狀態(tài)與進(jìn)度的線索，并以即席報(bào)表、學(xué)習(xí)儀表盤 或統(tǒng)計(jì)報(bào)告的形式呈現(xiàn)給教師， 教師根據(jù)干預(yù)需求 判定準(zhǔn)則的要求， 進(jìn)行擴(kuò)獵分析得到額外的必要線 索， 并結(jié)合自己的專業(yè)知識(shí)與經(jīng)驗(yàn)探析線索間的相 關(guān)、因果等邏輯關(guān)系，形成學(xué)生是否需要干預(yù)的真知 灼見，之后按照干預(yù)強(qiáng)度的消減機(jī)制制定干預(yù)決策。 和數(shù)據(jù)驅(qū)動(dòng)的協(xié)同路徑一樣， 形成的決策方案通過 實(shí)施監(jiān)控，形成反饋閉環(huán)。

　　其中， 需求干預(yù)的判定以上述流暢度指標(biāo)作為 測(cè)評(píng)學(xué)生素養(yǎng)水平的指標(biāo)， 因?yàn)樗闲沦|(zhì)素養(yǎng) 的本質(zhì)要求：學(xué)生的技能表現(xiàn)越流利，就越有可能在 未來將這項(xiàng)技能應(yīng)用于解決新問題，必要時(shí)，越有可 能和其他技能整合成為更復(fù)雜的新技能。 另外，以學(xué) 生素養(yǎng)提升的速度作為判定學(xué)生是否需要干預(yù)的依 據(jù)。 學(xué)生素養(yǎng)水平越高，習(xí)得相同知識(shí)或經(jīng)驗(yàn)獲得的 成長(zhǎng)就越來越少， 體現(xiàn)在圖表中是一條越來越平緩 的曲線。 而在教學(xué)實(shí)踐中，人們更習(xí)慣使用直線來預(yù) 測(cè)學(xué)生的發(fā)展趨勢(shì)，使用半對(duì)數(shù)圖表（Aninao，et al.， 2015）來可視化學(xué)生的成長(zhǎng)速度（它可以將曲線形狀 “掰成”直線）。 在這種圖表中，判定學(xué)生是否需要干 預(yù)有“斜率法”和“下方點(diǎn)數(shù)法”兩種。

　　斜率法通過對(duì)比學(xué)生成長(zhǎng)速度與目標(biāo)成長(zhǎng)速度， 預(yù)測(cè)學(xué)生能否在規(guī)定時(shí)間內(nèi)完成學(xué)習(xí)目標(biāo)。使用這種 方法，首先需將目標(biāo)流暢度值以及每次測(cè)驗(yàn)收集的流 暢度得分按順序繪制在圖表中。然后，繪制一條直線， 讓流暢度得分均勻地分布在它的兩側(cè)，如此，如果直 線橫穿目標(biāo)值或者在目標(biāo)值的下方， 便可以斷定學(xué) 生能夠在規(guī)定時(shí)間內(nèi)完成學(xué)習(xí)目標(biāo)。 下方點(diǎn)數(shù)法通 過查看最近兩個(gè)測(cè)驗(yàn)得分與目標(biāo)線的相對(duì)位置，來 預(yù)測(cè)學(xué)生能否按期達(dá)標(biāo)。 使用這種方法，首先，將目 標(biāo)流暢度值和第一次測(cè)驗(yàn)得分， 繪制在圖表中，然 后，連結(jié)這兩個(gè)數(shù)值形成一條直線，如果后面的測(cè)驗(yàn) 得分連續(xù)兩次在這條直線下方，那么就可以斷定以當(dāng) 前的狀況，學(xué)生無法按期達(dá)標(biāo)，因而有干預(yù)需求。

　　干預(yù)強(qiáng)度的消減機(jī)制以學(xué)生素養(yǎng)水平與目標(biāo)水 平的差值為動(dòng)力，差值越大，干預(yù)強(qiáng)度越大，且隨差值 的縮小逐漸消退，直至差值達(dá)到可接受的范圍，此時(shí)， 即使學(xué)生有干預(yù)需求， 教師也無須制定干預(yù)決策方 案。這一干預(yù)強(qiáng)度的消減機(jī)制與學(xué)習(xí)支架的消退效應(yīng) 吻合（彭紅超，等，2021）。 具體的干預(yù)強(qiáng)度可按照?qǐng)D 5 所示的消減函數(shù)確定，其中，a 表示干預(yù)系數(shù)，其值越 大，曲線曲度越小、干預(yù)動(dòng)力越強(qiáng)，學(xué)生主體性或自由 度越弱。 此消減函數(shù)基于學(xué)生的能力水平，相比基于 時(shí)間的消減函數(shù)（童名文，等，2020），可避免“學(xué)生隨 時(shí)間的推進(jìn)必定不斷進(jìn)步”這一不合理情況。

　　（三）設(shè)計(jì)驅(qū)動(dòng)的協(xié)同決策路徑

　　設(shè)計(jì)驅(qū)動(dòng)的人機(jī)協(xié)同決策是教師統(tǒng)籌安排任務(wù) 給 AI 決策的方式，路徑如圖 6 所示。 在教學(xué)設(shè)計(jì)過 程中， 教師根據(jù)自身實(shí)施教學(xué)活動(dòng)的需求確定關(guān)鍵 的決策任務(wù)， 并將任務(wù)拆分為系列子任務(wù)進(jìn)行統(tǒng)一 分配，其中，分配給 AI 的決策任務(wù)，通過提示語、參 數(shù)調(diào)整或平臺(tái)配置，引導(dǎo)其理解和執(zhí)行；之后，將AI 形成的系列決策結(jié)果與教師決策進(jìn)行整合， 形成完 整的決策預(yù)案加以實(shí)施、監(jiān)控，并反饋給新一輪的教 學(xué)設(shè)計(jì)。

　　教師在此條協(xié)同決策路徑中與 AI 分擔(dān)的是決 策子任務(wù)而非決策過程， 這與數(shù)據(jù)啟發(fā)的人機(jī)協(xié)同 決策不同。 決策任務(wù)的拆分遵循“縱向切分優(yōu)先、AI 最大分擔(dān)、職責(zé)明確為準(zhǔn)”三個(gè)原則，即先將決策任 務(wù)沿時(shí)間線拆分， 讓形成的子任務(wù)能夠盡可能多地 并行處理， 然后再考慮將子任務(wù)橫向切斷為粒度更 小的任務(wù)（即縱向切分優(yōu)先）；任務(wù)拆分的切入點(diǎn)優(yōu) 先考慮 AI 能夠明確勝任的決策邊界， 以保障 AI 最 大限度分擔(dān)教師工作（即 AI 最大分擔(dān)）；拆分的粒度 并非越小越好，只要 AI 或教師作為獨(dú)立的決策負(fù)責(zé) 人，其處理子任務(wù)的職責(zé)清晰明了，便無須繼續(xù)拆分 （即職責(zé)明確為準(zhǔn)）。

　　拆分好的子任務(wù)由教師按人機(jī)優(yōu)勢(shì)互補(bǔ)的原則分配， 此處關(guān)鍵是借機(jī)梳理好各子任務(wù)的邏輯關(guān)系 （主要為并列關(guān)系和序列關(guān)系）。 邏輯關(guān)系可用決策 樹表示，即用矩形表示起始點(diǎn)，用圓形表示各子任務(wù) 節(jié)點(diǎn)，用有向?qū)嵕€表示任務(wù)的先后序列關(guān)系（箭頭指 向后續(xù)節(jié)點(diǎn)），并在實(shí)線旁標(biāo)注前序任務(wù)可提供給后 續(xù)任務(wù)的輸入信息，如果無此信息，則用有向虛線表 示這種序列關(guān)系，如此，同一層級(jí)的任務(wù)節(jié)點(diǎn)屬于并 列關(guān)系，無須額外符號(hào)表示。

　　AI 決策結(jié)果與教師決策方案的合成，無法直接 依據(jù)子任務(wù)的拆分順序和邏輯關(guān)系完成，因?yàn)?AI 的 決策結(jié)果不一定合理，且很多時(shí)候并非單個(gè)結(jié)果。 鑒 于此，教師可將第一條協(xié)同決策路徑中的“AI 決策 合理性評(píng)估標(biāo)準(zhǔn)”作為篩選規(guī)則，并制定 AI 系列決 策結(jié)果的實(shí)施優(yōu)先級(jí)， 以便指導(dǎo)完整決策預(yù)案的形 成。 在制定優(yōu)先級(jí)時(shí)， 教師需要注意避免沉錨效應(yīng) （anchoring effect）（Tversky，et al.，1974）的干擾，即避 免因決策實(shí)效未知，過度對(duì)標(biāo)子任務(wù)的邏輯關(guān)系（即 錨點(diǎn)），從而忽視了教學(xué)目標(biāo)與學(xué)生需求。

　　七、結(jié)語

　　人機(jī)協(xié)同教學(xué)是數(shù)智時(shí)代的必然教學(xué)范式，其 中協(xié)同決策是實(shí)現(xiàn)教師智慧與人工智能的優(yōu)勢(shì)互 補(bǔ)，達(dá)成 1＋1＞2 的關(guān)鍵，也是實(shí)現(xiàn)教育數(shù)字化轉(zhuǎn)型的 核心問題。 聚焦于協(xié)同決策機(jī)制，本研究建構(gòu)了整體 框架， 并進(jìn)一步研制了框架內(nèi)的教學(xué)事務(wù)復(fù)雜度判 定機(jī)制、 人機(jī)協(xié)同決策分流機(jī)制以及三條人機(jī)協(xié)同 教學(xué)決策路徑。 其中，復(fù)雜度判定為后續(xù)的決策分流 提供依據(jù)， 決策分流關(guān)注如何將不同事務(wù)分流至合 適的路徑中， 決策路徑關(guān)注教師與人工智能如何相 互配合進(jìn)行決策。

　　此人機(jī)協(xié)同決策機(jī)制既考慮了數(shù)智教育中不同 教學(xué)事務(wù)的復(fù)雜度 （基于創(chuàng)造性和靈活性視角歸為 四類），也顧及了教師在協(xié)同決策中應(yīng)有的不同參與 度，即作為輔助者審核和完善 AI 的決策、作為合作 者一同參與 AI 的決策，以及作為引領(lǐng)者部署和分配 決策任務(wù)給 AI。 第一種，教師其實(shí)只是 AI 決策結(jié)果 的接收者；第二種，教師深入到了 AI 的決策過程；而 第三種， 教師還可以拆分決策任務(wù)。 但需要注意的 是，無論參與度如何，教師都擁有絕對(duì)話語權(quán)，因?yàn)?人工智能的參與本質(zhì)上是教學(xué)設(shè)計(jì)者在參與， 它只 不過是教師的一種“替代”（陳贊安，等，2021）。 秉承 此觀念與智能機(jī)器協(xié)同進(jìn)行教學(xué)決策， 會(huì)更有利于 人機(jī)協(xié)同教學(xué)的創(chuàng)新發(fā)展， 進(jìn)而助力國(guó)家教育數(shù)字 化戰(zhàn)略目標(biāo)的達(dá)成。