党的二十大对推进教育数字化作出专门战略部署，明确提出：“推进教育数字化，建设全民终身学习的学习型社会、学习型大国。”^[1]智慧学习环境是夯实数字化转型的重要保障，也是推动智慧教育高质量发展的重要引擎^[2]，探索泛在、灵活、智能的智慧学习环境建设方案与应用模式已成为我国当前教育新发展和改革的重要举措^[3]。但是，当前智慧学习环境在建设过程中涌现出数据孤岛、模型局限、资源定型、工具繁杂、服务僵硬、场景割裂等问题，阻碍了其生态化建设与整体效用发挥。作为人工智能发展的新阶段，以大语言模型为代表的生成式人工智能（Generative Artificial Intelligence ， GAI）为教育领域的创新发展和变革升级带来了新的视角，在大数据、高算力和强算法的加持下，具有强大的生成能力、迁移能力与交互能力的GAI有望成为技术驱动的智慧学习环境智能化升级的关键动力。因此，本研究着重探讨生成式人工智能如何重塑智慧学习环境，提出了融合GAI的智慧学习环境理论模型，深入探究GAI如何实现模型中各要素的改进与升级以及如何实现智慧学习环境生态的系统性变革，以期破解当前环境的建设与应用难题，推动智慧学习环境迈向高质量发展的新阶段。

　　学习环境的建设是实现学与教方式变革的基础^[4]，以数据驱动、个性化、情境化为主要特征的智慧教育^[5]需要生态化智慧学习环境作为支撑。智慧学习环境是指融合物理、信息、社会和心理四空间，基于场景、数据、模型、资源、工具、服务六要素，自适应提供个性化学习支持的体系环境^[6]，即能够感知学习情境、识别学习者特征、提供适切资源和工具以促进有效学习的发生^[7]。为了深入探究新一代智能技术对学习环境的升级与改变，本研究立足于武法提等人^[6]的研究成果，构建了融合GAI的智慧学习环境理论框架，如图 1所示。在该框架中，数据模型层为资源工具层提供源动力，并为服务场景层提供底层支持，资源工具层以交互支持的形式为特定教育场景的需求提供服务，三个层级持续优化，形成闭环。相较原模型，本模型一方面融合了动力引擎GAI，另一方面认为“服务”要素由“资源工具强绑定”转向“场景强绑定”，体现出“场景驱动服务”的顶层设计思想。结合在一线的实践考察，本研究将重点阐释GAI改进并升级智慧学习环境六要素的具体方式，并给出智慧学习环境建设与应用的实践路径。

      （一）数据模型层

      1. 数据要素由低质化转向高效化

　　数据是智慧学习环境的基石，是发现问题、解决问题的主要推动力。然而在智慧学习环境的建设中，建设时期、使用设备、技术发展阶段和开发部门的差异^[8]导致“数据烟囱”“数据孤岛”等现象突出，影响了数据的全面性，也增加了学校教学教研的负担。同时，中小学数字化教育平台重结果性数据、轻过程性数据，例如，课堂中很多过程性评价数据无法实时获得，只能在课后给予总结性评价，忽略了评价的细节性和完整性，无法洞察真实教育过程。此外，数据准备工作耗时较长，造成工作量的激增和工作流程的拉长^[9]，阻碍了数据的高效利用。

　　而生成式大模型赋予数据以新的生命力，大大提高了数据的收集、处理和加工能力^[10]，充分激活了数据要素价值。在数据采集上，GAI已具备成熟的数据接口识别和调用能力，能全面地获取网络数据及信息系统内部数据，从而形成全息数据，有望解决“数据孤岛”问题。GAI能以自然语言交互的形式支持教学过程性的多元数据采集，例如，ChatExcel等智能工具可通过对话实现表格数据记录，极大降低了过程性数据的采集门槛。在数据加工与处理上，GAI采用人类反馈的强化学习（Reinforcement Learning from Human Feedback， RLHF）强化数据判别能力，通过过滤清洗、校验、仿真、交叉印证等方式进行数据清洗和真伪识别。更重要的是，GAI可以实现不同结构和模态数据的关联、映射与融合，进而挖掘多模态数据间的深层关系，发现更加全面而准确的知识，提高数据加工效率与质量^[11]。例如，在基于面部图像的学业情绪识别模型中，图像标注工作耗时耗力且质量无法保证，视觉大模型Segment Anything ^[12]能够自动识别和分割图像中的目标对象，在图像数据加工方面体现出超强的零样本泛化能力，大大提高了标注的速度与准确性，“All in One（一体化）”的思想极大提升了数据添附价值。GAI时代数据的原生固有价值与添附价值被放大，支持着智慧学习环境向着更加精准智慧的方向迭代升级。

　　在实践层面中，数据要素需经过数据采集、数据预处理、模态对齐与融合三步：即利用GAI全方位收集平台数据或深层次记录过程性数据；利用其强大的数据处理能力对各种脏数据进行清洗、集成、变换；利用其跨模态能力实现多模态数据的表征、对齐与融合。GAI助力全过程以形成高质量数据集合，便于后续模型的理解、推理及决策。

      2. 模型要素由判别式转向生成式

　　判别式人工智能大多是通过学习数据的条件概率分布实现判断与预测，参数有限、人工标注的判别式模型主要用于具象化的任务场景及特定任务，具有预定义的规则和程序^[13]，其性能严格依赖于数据规模与质量。在一线教育实践应用中，判别式模型的泛化能力较差，如部分智能问答模型的训练样本来自于小学阶段，其应用于小学阶段时表现优异，但在中学阶段则经常出现答非所问或回答错误的现象。另外，教育模型在模态耦合和特征融合层面能力十分受限，面对教育数据异源异构的高复杂性，难以满足模型决策的科学性和有效性。

　　GAI主要通过学习数据中的联合概率分布并归纳总结，从而生成新的内容^[14]。区别于判别式模型只能在限定场景内、充分条件下解决特定问题，生成式人工智能模型则能够在非限定场景、非充分条件下解决非特定问题^[15]。在模型任务上，结构复杂、参数众多的生成式模型对于数据的容纳与压缩能力更强，其基础结构Transformer具备高效的计算能力与可扩展性的结构。因此生成式模型的理解、表达与学习能力有显著提高，对于复杂任务的处理更加具有通用性与泛化性^[16]。在模型训练上，RLHF机制利用人类反馈来训练“奖励模型”并通过强化学习使得模型能更好地捕获复杂的人类偏好和理解，引导模型生成符合上下文语境的内容。因此生成式模型在生成结果的同时兼具生成过程与解释，相较于判别式模型更加接近智能化水平^[17]。在模型模态上，“量变引起质变”造就了大模型的“涌现能力”，其能够从原始训练数据中自动学习并发现新的、更高层次的特征和模式。因此，大模型的跨模态能力在整合多源异构数据、深刻理解和挖掘语义教育信息与价值有着独特优势，实现教育过程更加准确的分析、评估和个性化的支持^[18]。例如，AI心理伙伴“小星”^[19]学习了近10亿条心理类数据，40万余篇期刊文献、550万余个心理评估数据，能够综合视频、语音语调、文字等多种模态信息诊断情绪状态，分析成因并给予心理建议。可见，模型之变作为智慧学习环境中的根本之变，为智慧学习环境的升级带来了突破性机遇。 

　　在实践层面，由于通用大模型存在“幻觉”现象^[20]，生成的内容可能会出现逻辑谬误、捏造事实等问题，因此在通用大模型基础上构建教育专有大模型是GAI赋能教育应用的必然趋势。参数微调策略已成为优化模型垂直领域、特定任务适配性的重要手段^[21]。遵循大模型中“预训练+微调”的训练策略，在通用预训练大模型的基础上注入教育领域的专家知识库和教育素材数据以构建教育领域专有大模型，数据层中学习者的学习数据以及资源层的教育数字资源等都可以作为大模型微调阶段的数据来源。另外，当前大模型存在成本高、计算量大等问题，成本低廉、参数量小、更加灵活的“小模型”为大模型在教育应用中“打通最后一公里”具有不可估量的潜在价值与意义。因此，大小模型紧密耦合协同工作的“组合式AI模型”才是GAI时代的模型样态，即采取应用驱动、共建共享的方式，通过开放数据接口源源不断地获得常态化教育应用中的数据，实现“大模型”和“小模型”“大数据”和“小数据”的有机结合^[22]。具有代表性的大、小模型协同模型ModelScope GPT可以通过“中枢大模型”通义千问调用其他AI小模型以完成复杂任务，各种小模型执行命令并返回任务结果，大模型控制整个任务规划过程并综合小模型结果以生成最终解决方案。

      （二）资源工具层

      1. 资源要素由表象化转向语义化

　　传统的资源具有“表象化”的特征，即资源建设通常是提前设计、固定形态的，以标签化形式进行组织，以资源池和资源平台的形式呈现给主体，主体通过检索匹配的机制获取资源。当前我国数字教育资源发展的突出问题是资源供求失衡以及整体应用水平不高^[23]，在建设与应用中强调资源覆盖的广度与数量，但甚少关注资源如何贴近教育过程、如何更好地发挥资源在应用端的作用^[24]。在学校中，大多平台提供的资源不支持再编辑，也不提供二次开发接口，导致教师在使用资源时只能依照提供者的逻辑设计，难以落实个人教学设计思想，降低了资源应用的适切性。

　　GAI中向量嵌入表示让资源超越经典的指称论语义学走向深度学习的自然语言处理遵循的分布式语义学^[25]。语义化是指深入分析资源语义内容，实现细粒度知识对象的组织和揭示，使得资源在生成、组织、整合、挖掘和分析上的效率和质量都得以提升，是实现教育资源“好用”“易用”和“有用”的基础，也是即想即得、按需生成的重要保障。在资源生成中，GAI基于高级语义理解能力以“人机共创”^[26]的形式实现教育资源的动态生成与适应性重构，以优于人类的信息生成能力和知识水平突破资源生成类型与效率限制，以低边际成本使得资源开发走向自动化和智能化。在资源组织中，GAI能够自动识别资源内容，标识资源的标签、摘要、综述等，从而实现基于内容属性的分类分级组织与存储，节省人力投入，加速资源组织朝着更加专业化、垂直化的方向发展。在资源集成上，GAI已具备同时理解多种模态资源内容的能力，能够根据其内部特征将其联系起来，以实现内容集成和资源整合，满足学习者更高质量、强个性化的资源需求。以艺术教育为例，GAI将数字艺术、音乐、影像等多种媒体元素有机结合，打破传统媒体之间的壁垒限制，为艺术学习者提供了开放独特的创作灵感及快速实验迭代的机会^[27]。具有生成性、自适应性、可进化性与开发性的资源才能更好满足学习者的资源选择需求^[28]。

　　在实践层面中，基于价值链理论中提出的数字教育资源供给的六个阶段^[29]，并结合GAI的升级影响，本研究认为可通过需求收集、分析评估、资源生成、语义对齐、组织优化、资源审核、分发应用和反馈优化等八个阶段实现资源的生成和供给。首先确定教育主体所需资源的形式、内容、结构、体量等基本信息，分析确定资源建设的内容逻辑、价值取向以及资源建设中的人机分工；将资源需求转化为Prompt以人机互动的方式生成跨模态资源，不断迭代直至满足主体需求，并将不同模态的资源进行内容对齐；按照资源的内容逻辑性以及价值取向进行组织优化，并进行伪劣内容剔除、质量优化、信息安全等校对审核工作；分发应用阶段除了精准匹配学习者资源需求，也涵盖相关优质内容发掘、内容孵化、内容召回、数据监测等与学习者发生连接的环节^[30]，在反馈阶段数据回流中形成需求驱动资源建设与应用的闭合回路。

      2. 工具要素由分布式转向集成化

　　智慧学习环境中的工具是指各种软硬件的终端设备与系统平台。目前人与工具的矛盾是日益增长的对教育工具的自然需要同供给方的教育理论水平与教育工具水平低下所导致的技术支持过剩或滥用工具之间的矛盾^[31]。简而言之，工具的智能化水平不高、应用设计差强人意、功能碎片化不互通等问题导致了工具“不好用、不能用”，教师不爱用。学校配备的各类平台与工具繁杂，未实现智能工具的一体化集成，导致教师需要频繁调用或切换不同工具，违背了教育工具的简约性原则，增加了教师负担^[32]。

　　而智能通用的GAI使其成为一种全新的劳动技能工具，可大幅降低技能的使用门槛与操作难度，在概念上推动了劳动技能从部分对象化向整体对象化的转变^[33]。在工具通用性层面，单入口、多功能的GAI是多种教育技术工具中的“集大成者”，能够为多场景、多目标的应用需求提供一站式解决方案。其强大的跨模态能力更是打破了工具之间的壁垒，规避了工具功能碎片化的弊病。在工具整合性层面，GAI工具通常采用模块化设计，能够轻松灵活嵌入现有应用工具中并与之整合，极大丰富了其业务功能并拓展了应用范围与边界，有力弥补了现有工具的“智能缺陷”。GAI创新了现有工具的应用模式与场景，为任务流程自动化和智能决策支持提供重要动力。在工具简单性层面，个体无需具备深厚的技术背景或专业知识，以自然语言的交互方式便可解决问题，生成结果以简洁可视化的方式呈现；另外，GAI工具易于配置与部署，跨平台能力强且兼容性高。工具简单性增强了工具的可用性与易用性，例如，文心一言可以为教师备课、教研、教学、教管等多方面提供多样化的内容生成与创作服务，并能够根据学习者知识掌握情况、学习习惯、学习兴趣等个性化特征为其提供更具针对性的智慧学伴服务。可见，GAI工具在破除工具痼疾上有着无可估量的潜力，作为多工具协调和统一的坚实载体，有望真正实现智慧学习环境的嬗变。

　　在实践层面中，工具要素的建设有两条路径。一方面，技术本身具备工具属性，有语义理解、嵌入模型、向量索引与提示增强四个过程：在构建教育专用大模型的基础之上，经检索、增强与生成以完成人类价值的嵌入，将学习者需求转化为问题向量，并在向量数据库检索相关文本片段，结合对应的提示词模板与历史会话，合并输入大模型以返回相应结果。例如，ChatModeler^[34]可以在提示词工程的设计下扮演需求收集师、建模师和检测员的角色，以人机协作迭代的形式完成对学习者需求的获取与建模。另一方面，GAI也可以链接或嵌入外部工具以扩充功能边界，有任务规划、任务分配、任务响应与任务生成四个阶段：经意图识别与Prompt分解后，根据分解的指令任务寻找对应的外部工具，并调用工具执行生成结果，从而汇总结果并返回。例如：Wolfram插件连接了ChatGPT的自然语言能力和Wolfram强大的计算引擎，弥补了ChatGPT在复杂数学运算与推理、实时数据获取、数据分析与可视化呈现等缺陷；LangChain^[35]中的智能代理Agents能够根据指令调用合适的工具，补足模型的计算、推理和检索等能力短板，并可基于该框架开发各种下游应用工具。

      （三）服务场景层

      1. 服务要素由预定义转向自适应

　　智慧学习环境中的服务是指通过业务服务的形式为教育主体呈现出资源和工具的应用功能，并进行有效集成、统一维护和管理。先前智慧学习环境提供的服务与资源和工具深度耦合，服务功能局限于已创设好的内在配置和交互机制，预定义的逻辑规则、模型算法、资源工具等阻碍着环境中教育服务的自主优化，使其失去了生长性和螺旋升级的能力。以个性化作业推送服务为例，目前作业推送往往依循“举一反三”的逻辑，即当学习者在某一问题答错之后，系统会推送更多相同类型或知识点的题目，这是因为该服务严格依赖预先定义的算法规则与习题资源，并未深入挖掘实际错因，导致治丝益棼，因此其看似“个性化”，本质依然是传统“题海战术”的电子化，只会导致错题越多的学习者获得的练习量更大，加剧学习压力，无法高效弥补薄弱环节。

　　GAI时代智慧学习环境的服务则与场景紧密绑定，通过便捷的自然语言交互动态感知主体需求，为其实现多维度、多层次、多模态、多任务的个性化教育服务。在服务的交互具身性上，GAI调动了人类多感官的沉浸体验，覆盖了人类听说读写等核心沟通方式^[36]，延伸了人体的感官功能。经过多场景的结合及与人类的密切交互，GAI从“它异关系”的技术逐渐转化为“具身关系”的技术^[37]，具有情感依赖的人机交互将实现人工智能与人类智能的紧密耦合。在服务的动态生长性上，GAI时代的服务不仅涉及指令的传递与反馈的获得，而且涵盖了共同思考、决策和学习的过程^[38]。交互是一种包含反馈的循环过程，GAI的即时性服务加速了反馈循环机制，其强大的语义理解和自我学习能力使得服务具有动态性和生长性。在服务的定制个性化上，GAI服务模式由搜索引擎的关联列举转向“千人千面”的私人定制，针对教育主体的个人特征、兴趣爱好提供适应性、伴随式和精准化的服务。“自下而上”的服务供给模式赋予教育主体们更多的自主权与创造力，“双向去中心化”的内容服务方式可以让教育主体主动选择内容服务并参与内容创作与甄选，扩大了自由表达的边界。例如，大语言模型支持的教育平台可根据学习者的知识点掌握情况、学习偏好、答题速度等生成个性化的学习内容与路径，并进行适时调整，时刻提供最精准的智能辅导及最适切的学习资源。适需服务才是真正智慧学习环境的本质特征之一，因此在GAI的“大应用时代”，服务的升级意味着与场景的联系更加紧密，这也是智慧学习环境中人机动态进化，走向真正具身智能的必经之路。

　　在实践层面中，服务经锚定、编排、校准、生成后，以被动响应、动态交互和主动问询三种形式支持各类场景：服务锚定是指“组合式AI”根据学习者需求进行感知、分析和决策后确定支持的资源与工具；服务编排是指基于学习者的个性化建模，深入分析资源的语义特征、上下文特征与结构特征进行服务的动态编排；服务校准是指引入人的智慧进行服务校准，构建人机协同的教育服务自适应组织体系；服务生成是指通过三种不同的交互形态优化智慧学习环境中的学习者体验。同时，教育主体基于自然语言交互能够对智慧学习环境中的服务进行评价、反馈、迭代，以提高服务的可用性及易用性^[39]。智慧学习环境中服务的价值在于有机整合多元资源和工具，构建系统化的学习者需求解决方案，以提升智慧学习环境的服务供给水平。

      2. 场景要素由边缘化转向中心化

　　场景作为人物、时间、空间、事件、背景等因素构成的统一体，是以“人”为中心、以人的需求为导向、以事件为表现形式的行为序列总和^[40]。但先前智慧学习环境的设计与建设以技术工具为中心，旨在利用数字技术提升信息传递和跨组织共享效率，优化人的决策方案，采取化约逻辑将各种能够用技术工具代替的教育组织、结构、环节剥离出来予以替代，而将场景置于边缘化的地位，带来了“技术至上”“技术主导”的工具应用迷思。这是因为化约逻辑忽略了学习环境系统的整体性与复杂性，各种教育逻辑和情理无法简单粗暴地通过数字技术进行过滤和精简，无法直接为智慧学习环境提供应用参考。例如，口语练习软件通过提供学习资源、练习模式与评估功能辅助学习者自学、测试与评估，但其设计剥离了语言学习的完整场景生态，未体现“场景化服务”的理念，导致模式设定死板、互动性不足、实用性不足，严重影响了学习体验的沉浸化与个性化。

　　在GAI支持的智慧学习环境中，场景的含义不仅仅是技术工具应用的普通场域，而是各要素发挥联动作用的重要载体与中心。具有交互迭代性和拓展灵活性的GAI可实现场景的动态性、延伸性与无缝切换，而场景也支持着技术应用真正发挥出以人为本的价值，真正创设一个充分开放、包容且个性化的学习环境。例如，场景驱动的教育垂类大模型“子曰”为口语训练、作文批改等六大场景定制模型；虚拟人口语教练Hi Echo针对学习者缺乏英语语境、“哑巴英语”等痛点，提供可与真人教师媲美的，具有实时互动性、沉浸体验感、个性定制化等优势的服务。可见，“GAI+场景”的数字化内容生产方式提供了智慧学习环境设计与建设的新思路。

　　在实践层面中，学习者需求是基于场景产生的，场景层的核心在于整合各种资源、工具与服务以解决学习者的核心需求，涉及技术端与需求端适配的过程^[41]。智慧学习环境中典型应用场景包括精准教、个性学、智能管、综合评、动态测、高效研和优质服务等。例如：面向数学领域的垂类大模型MathGPT实现了千人千面的AI教学和答疑辅导，让学习者“个性学”成为广泛的可能；立足于课堂教学场景的希沃教学大模型贯穿课前的教学设计与教师研课、课中的教学实施与课后的学情评价，形成基于场景的大模型应用闭环。

　　GAI不仅为智慧学习环境中各要素的升级提供新鲜动力，更进一步地对人才培养理念、知识与课程观、教学模式与学习方式、教学评价体系和教育治理模式等核心方面进行着系统化转变与重构，深刻影响着智慧学习环境中教育生态的重塑。

      （一）人才培养理念的重构

人才是创新的根基，是生产力中最积极、最活跃的要素。当前我国人才呈现出“均值高，方差低”的特点，拔尖创新型人才较少，难以满足我国未来高水平社会发展中新质生产力的需要。新质生产力需要新质人才作为重要支撑与动力源泉，新质人才是指具备适应科技发展的技术思维、跨界融合知识与技能的复合思维、突破认知边界的创想和实践思维的新型高素质人才^[42]。新质人才重点在“新”，核心在“质”，综合来看，新质人才应具备高意识的学习成长能力、高敏锐的创新实践能力以及高适应的人机协同能力。高意识的学习成长能力是指对知识的获取、筛选、整合、评估等能力，新质人才能够通过与GAI等智能技术的交互快速获取丰富的信息与知识，在分析、比较和评估后将有价值的内容纳入、整合到自身发展体系。高敏锐的创新实践能力是指创新性、批判性、问题解决等高阶思维与能力，新质人才能够熟练利用AI技术精准分析问题，有机整合GAI提供的新素材、新视角、新创意，寻找有效的问题解决方案，并能在GAI提供的快速迭代反馈机制以及低风险的创新环境中积极探索与大胆尝试。高适应的人机协同能力是指人机价值定位、职能分工和流程协同能力，新质人才能够以人机协同为基线思维充分发挥人类智慧和机器智能的优势，正确定位人类和机器的角色和职责，合理分配人机任务，并不断改进与优化人机协同的策略与流程。

      （二）知识与课程观的重构

　　信息爆炸和知识过载的今天，智能技术，尤其是GAI，彻底改变了知识生产周期以及知识生产方式，对知识生产及知识获取都带来了深刻影响^[43]，推动着知识生态的遽变。首先，知识生产主体由单一人类主体转变为人机共同体。知识的产生通常需要人类的感知、思考、推理、创新以及对现实世界的深入理解和体验，然而GAI的强大数据处理能力、信息整合组织能力和内容生成能力加速了人类认知和决策的“外包”过程，使得人类大脑对于知识生产的主体性部分让渡于机器，形成人机共同体高效进行知识生产的局面。其次，知识本质特征由权威真理转变为个体经验。GAI以人机交互的形式推动着人们个体经验构建和知识内化，知识不再是普遍客观的绝对权威事实与真理本身，而是以个体化、情境化、实用性为特点的个体经验，其根植于社会情境之中，有着其适用的特定时空场域或条件^[44]。“知识概念从最初‘确证的真信念’‘人类认识的成果结晶’转变为‘组织化了的系统经验’‘行动的工具’。”^[45]第三，知识形态结构由静态分割转变为动态整合。传统知识往往被分割在界限分明的不同学科领域中，知识呈现出相对独立静态的状态，一定程度上为问题的解决与创新带来阻碍与桎梏。GAI能够打破知识形态的学科界限，融合并关联不同类型、来源、领域的知识以满足问题解决的需要。最后，知识价值评价由知识认知转变为知识运用^[46]。人是衡量知识价值的尺度^[47]，知识发展的无限性、知识生产主体的去中心化意味着“知识怎么用”才是核心价值所在。GAI提供了海量的知识储量与多样化的知识形态，知识经过学习主体分辨、反思、加工和重组，在满足其学习需求和问题解决后才可凸显其真正价值。知识运用的实践价值指向既是实现学习者“适应性能力”发展^[48]的重要保障，也呼应了智能时代对于创新人才培养的现实需求。

　　GAI同样推动着智慧学习环境中课程生态的变革。一方面，课程形态由数字化课程转向智慧课程。数字化课程在发展的过程中“技术愈发清晰，理念越发模糊”，根本原因是“人”的主体性因素被忽略^[49]以及技术缺陷^[50]，导致数字化的是技术而不是完整意义上的课程^[51]。GAI等先进技术的深度融入能够有效支撑课程由数字化迈向智慧化，实现课程资源的自动化生产和改造，通过可互动、可探究、可生成的课程内容引导师生共同建构课程意义；智慧课程中的沉浸体验式学习促进学习者更深入地达成学习目标，个性化课程方案也可支持学习者自我驱动和自我探究完成主动学习。另一方面，课程内容由学科分立转变为学科融通。跨学科课程是发展学生实践创新能力的重要载体，但在实践层面却面临着教师跨学科知识储备不足、教学设计不当、数字资源匮乏、教学过程僵硬以及课程评价空心化等诸多困境^[52]。GAI能够关联整合多学科知识、生成丰富的案例素材支持跨学科课程教学设计，以角色模拟辅助教学、人机互动协作学习等方式支持跨学科课程教学实践，制定评价指标、自动化分析评价作品、提供教学反馈与意见以支持跨学科课程评估。GAI对解决跨学科课程与教师时间、精力和能力不匹配等现实矛盾有着巨大潜力，为多学科融通课程体系的建立提供了新的视角和方法。

      （三）教学模式与学习方式的重构

　　智慧学习环境下的教学模式由教师主导转向师机协同。教师和机器各有优势和不足，人的“缺陷存在”与机的“代具补偿”构建起人机协同关系，教师与人工智能“共教共学”是深化教育变革、提升教育质量效率的必然途径。基于RLHF机制的GAI强化了“机器”面对复杂教育情境的判断与决策能力，能够大大提升人工智能在课程准备、课堂助教、教学评估等教学场景中的应用适应性，并降低教师的技术胜任难度，从而积极影响在教学中整合技术的持续行为^[53]。教师可以充分利用GAI为教学中机械性、重复性或程序化的工作减负增效，从而将时间与精力放在学习者价值观引导、思维提升、情感交流与意志品质培养等技术无法替代的工作上。因此，人机协同教学实践的核心是需要明确人和机可以完成或执行哪些角色和任务^[54]，从而实现人机能力的相互补位。但无论在何种场景中，人工智能都应只是促进人发展的增值手段，人类自身才是自主自决的核心主体。考虑到GAI所生成的内容易出现错误或不合理，教师在设计教学活动时应有意识地加入促进学生辨别反思和深度探索的活动，而不是全盘接受或忽视^[55]。

　　智慧学习环境下的学习方式由固定预设转向生成探究。传统学习方式遵循着“行为—认知主义”的学习理念，学习内容、学习步骤等都来自教师的选择与安排。预设式的学习方式忽视了学习者个体差异，压抑了其学习动机和思维参与，偏离了育人为本的理念。GAI促进了生成探究式学习的广泛应用，即引导学习者从个体需求出发，通过生机、生师、生生等主体之间的互动对话与合作交流解决问题并积累经验，从而更好地发展自主探究能力与创新思维。在此过程中，GAI通过强大的环境理解能力实时生成出色的内容与人性化的反馈，并基于学习者的学习特点提供兼具互动性、情境性、动态化和生成性的学习条件以支持学习者的知识和经验建构。学习者个体经过“选择—组织—整合”三阶段去主动探索高质量和创新性的问题解决方案，完成自我驱动的生成式学习^[56]。以人机对话为特点的生成探究式学习更加强调教育主体的自我导向与自我调节，学习者被赋予更多的主动权和选择权，充分体现了智能时代中学习的动态性与体验的个性化，这种主动的、建构的、真实的、协作的、反思的和联通的学习过程将导向深度学习的发生。

      （四）教育评价体系的重构

　　首先，评价理念由知识本位转向核心素养。GAI强大的内容整合与生成能力加速了知识的获取和传授，提高了内容加工的自动化程度和防伪难度，降低了低阶内容作为核心学习结果的必要价值^[57]。教师对于学业诚信问题的担忧恰好反映了当前知识本位的评价体系亟待转变。思维方式的多元性决定人类智慧的多样性^[58]，核心素养的评价理念指向培养和创造更多样的思维，以适应终身学习和社会发展需要。

　　其次，评价主体由教师主导转向三元协同。教师权威身份使得学生沦为评价的被动接受者，学生自身的评价主体价值得不到发挥，且教师评价的理念、方法、决策等素养亟待提升^[59]。人机交互中学生可提升自我反思与自我调节能力，教师也可优化评价方案、丰富评价方法、加强结果解释，即师、生、机三元主体的协同评价能够培养主体整合、比较、分析“他人”评价意见的能力，形成更全面的评价信息^[60]。

再次，评价方式由学评分离转向学评融合。学评分离导致学习反馈滞后和缺乏过程性指导，且大多数教师不具备将评价用于学习和作为学习的技能^[57]。GAI的即时反馈机制使得“学习即评价、评价即学习”成为现实，实现学习与评价的有机融合，鼓励学习者随时审查反思并结合评价结果加以验证、调整和优化^[61]，从而提高自主学习能力与元认知能力^[62]。

　　最后，评价内容由封闭知识转为开放问题。GAI能够回答的陈述性知识不应是评价重点，真正有效的评价内容应具备高阶性、开放性与情境性，并注重考察学生的高阶能力与核心素养^[63]。GAI通过动态模拟或构建适切且真实的开放问题场景，在人机交互中分析学习者的思考踪迹和问题解决过程与结果，实现学习者批判性思维、问题解决等核心素养的评价。GAI使得人工智能应用从过去的封闭性、任务性场景扩展到开放式、互动式、创造性的场景中^[64]，评价内容表现为以传统试卷为主的结果评价变成情境化、问题式的综合性评价^[65]。

      （五）教育治理模式的重构

　　智慧学习环境中的教育治理模式由分散疏离转向互联互通。纵向来看，教育管理层级关系逐渐扁平化：GAI强大的信息检索与收集能力使其具有打破不同教育管理层级间的信息壁垒、突破信息收集的视野局限的可能性，即不再需要复杂的管理层级逐级传递指令，管理服务从各自为政走向集成化^[66]。横向来看，教育管理网络关系延展化：一方面，GAI的语言理解与处理能力能够促进内部协调沟通，数据联结能力打破数据共享围墙，能有效解决部门间的“数据孤岛”问题；另一方面，GAI可以将优质资源整合和分类，促进不同学校、不同地区之间的教育资源共享和交流，优化资源配置网络结构。

　　GAI是助力智慧学习环境要素升级和生态重构的关键性力量，擘画智慧学习环境从理念到实践的转型图景。探赜索隐，钩深致远，我们需要超越GAI作为一种新工具的浅层思维，深入思考技术升级与教育变革相互融合时所带来的全要素、全流程、全生态的更新迭代与升维创新，从而推进数智时代教育的可持续发展。在充分认识GAI重塑智慧学习环境的教育价值与优势后，也要意识到GAI背后的风险与挑战，精准把握教育变革中的变与不变，坚守育人本质，构建高质量、有人文关怀的智慧学习环境，共同创设数智时代教育新生态。

收藏｜《室联网元宇宙de前世与今生》喧嚣时代的持之以恒...室联未来，日新无界！

王涛：《现代教育报》打造未来教育教学的“蝶变场”

【学习强国】室联网“智慧教室”：打造全新教育生态

中国教育报：“室联网”教育新概念融入智能教室

王涛：从黑板时代到超级屏时代的教育推手

教育信息化规划建设中的“伪需求”辨析系列文章汇编

教育技术发展的新趋势：学习环境设计与室联网的崛起

【MOOC透视】基于室联网场景回归的混合教学模式走在国际前列了……

【MOOC透视】“室联网”已不再是个单纯的理论概念

【MOOC透视】室联网，也许是你与教育的新联接方式

【MOOC透视】首次亮相：今年，这个词儿可能会叫响……

【每日半刻™】隆重上线：古朴又全新的高效学习、幸福生活模式，【每日半刻™】在线写心！

【每日半刻™】之党建篇：传统又创新的党员学习模式，【每日半刻™】邀您在线写心，一起守住初心！