智慧学习环境中的人机协同设计

武法提 杨重阳 李坦

[摘   要] 作为教育数字化转型的首要任务，智慧学习环境建设过分强调技术之于教育的能力，而忽略教育主体的价值与地位，涌现出场景割裂、数据孤岛等问题。人机协同旨在充分发挥人与机器的优势，弥补彼此的劣势，成为指导智慧学习环境创设与优化的最优解。研究将人机协同视为智慧学习环境设计的基线思维，构建了由数据模型层、技术支撑层和场景应用层三个层级，包含场景、数据、模型、资源、工具与服务等六个要素的智慧学习环境概念模型。基于普瑞斯的人机功能分配决策矩阵理论，提出了AI讲师、执行型AI+人类助手、伙伴型AI+人类同侪、助教型AI+人类教练、人类导师等五种人机协同模式。在此基础上，研究制定了智慧学习环境各层级的设计原则，分析了数据模型层的决策协同设计、技术支撑层的交互协同设计和场景应用层的流程协同设计，讨论了人机协同模式中人机互信和价值对齐的建构策略，以期指导智慧学习环境中的人机协同设计。

[关键词] 学习环境； 人机协同； 智慧学习环境； 人机协同模式； 人机协同设计

[中图分类号] G434            [文献标志码] A

[作者简介] 武法提（1971—），男，山东郓城人。教授，博士，主要从事智能学习系统与智慧学习环境设计研究。E-mail：wft@bnu.edu.cn。

一、引   言

党的二十大报告首次提出“推进教育数字化”，强调建设全民终身学习的学习型社会、学习型大国[1]。习近平总书记在中央政治局第五次集体学习时也指出，“教育数字化是我国开辟教育发展新赛道和塑造教育发展新优势的重要突破口”[2]。智慧学习环境建设是推动教育数字化转型，实现“规模个性化教育”[3]和“资源数字化、管理智能化、成长个性化、学习社会化”[4]目标的重要途径。以大数据、物联网、教育大模型为代表的新一代信息技术和人工智能技术，实现了伴随式数据采集、静默化环境感知、精准化学情分析和个性化学习指导，为智慧学习环境的建设与应用提供了坚实的基础[5-6]。然而，当前智慧学习环境建设依然存在设备堆砌、场景割裂、数据孤岛、模型匮乏等诸多问题，难以满足“供需平衡”与“资源均衡”的教育诉求。究其原因，智慧学习环境的建设过分强调技术之于教育的能力，而忽略了教育主体的价值与地位。教育是一个动态复杂系统，具备动态性、开放性、复杂性、价值性等特征。为了满足教育诉求、达成教育目标，智慧学习环境的创设必须遵循人机协同的理念。本研究基于重构的智慧学习环境概念模型，提出了智慧学习环境下的人机协同模式，制定智慧学习环境中各层级的设计原则，开展各层级的人机协同设计，以期破解智慧学习环境建设和应用的困境。

二、智慧学习环境的概念和模型

（一）智慧学习环境的概念内涵

纵观智慧学习环境的发展脉络，研究者通常将智慧学习环境的概念内涵归纳为“学习空间[6-8]、学习系统[9-11]、融合性空间和集成性系统[12-14]”。本研究倾向于融合性空间与集成性系统的观点，认为智慧学习环境是由物理空间、社会空间、信息空间与学生心理空间融合的，基于场景、数据、模型、资源、工具、服务等六要素，实现个性化学习系统、精准教学系统、智能管理系统等无缝衔接的，促进学生全面发展的支撑条件体系。在新一代人工智能与人在回路混合增强智能的聚合作用下，智慧学习环境被赋予了类似于人类的决策能力和超越于人类的感知与计算能力。在智慧学习环境中，通过规划数据采集方案、搭建教育数据中台、部署教育分析模型，实现学习场景的有效感知、学习系统的有机整合、学习规律的深层挖掘、学习问题的精准诊断和学习策略的合理匹配，从而有效提升学生的学习体验，助力学生全面发展。

智慧学习环境具备场景感知、数据驱动、无缝衔接、人机协同、自主进化等五大特征。场景感知旨在各类传感器与智能技术的联动作用下，感知学生所处的时间、地点、方位等空间信息，监测分析学习状态和社交关系等学情信息，实现数据的伴随式采集和静默化感知。数据驱动旨在数据密集型科学发现第四范式的指导下，以各场景的多源异构数据为基础，通过存储、整合、分析、应用数据，实现从数据到信息的升级、从经验到知识的转换。无缝衔接旨在通过场景感知和数据链接的智能功能，实现多源学习空间、学习系统和各类异构数据的多场景整合。人机协同旨在发挥人类智慧与机器智能的双重优势，通过规划教育主体与智慧学习环境的阶段性协同分工及可行性路径，提高对复杂性、开放性教育问题的诊断和决策的准确率。自主进化旨在依托智慧学习环境的教育诉求，为教育场景提供智能服务内容（如资源推送），同时基于各场景的智能服务效果和学生学习状态等信息，反哺智慧学习环境，优化智能功能，提高智能服务的精准度，实现学习分析与教育场景的双向促进。

（二）智慧学习环境的理论模型

智慧学习环境由数据、模型、资源、工具、服务、场景等六要素组成，六要素相互支持、共同作用，生成一个有机整体，支持有意义学习的发生，促进学生的全面发展，如图1所示。数据模型层为技术支撑层中资源、工具、服务的设计与应用赋能，而数据模型层与技术支撑层共同为场景应用层的教育活动赋能，场景应用层反过来促进数据模型层的优化升级和自主进化。

数据模型层包括数据与模型两个要素，是智慧学习环境中“智慧”的来源。数据是智慧学习环境最核心的要素，是研发智能功能、掌握教育主体状态、诊断教育问题、开展协同决策、实现规模教育下个性化服务的主要驱动力。模型特指教育数据模型，通过对多源异构数据进行关联分析、规律挖掘与深度归因，实现将零碎的数据加工为有特定教育意义的信息，这些信息作为智能功能与业务服务的直接表征指标反馈于教学过程之中。

技术支撑层包括资源、工具与服务三个要素，是场景应用赖以支持的条件。资源是信息与知识的载体，包括权威的纸本资源、结构化数字资源、非结构化数字资源、人类资源等多种类型。教育数字化转型背景之下，数字资源逐渐成为支持新型教学模式的核心资源。通过创新数字资源的类型，丰富数字资源的獲取渠道，拓展数字资源的应用方式，支持学生高阶思维能力的达成、实现知识与技能的高阶迁移。工具是承载资源、提供服务、开展人机交互的重要媒介。在智能技术与人工制品的支持下，工具的类型逐渐丰富、功能不断叠加，成为支持数据模型层中智能功能集成与应用、技术支撑层中资源服务设计与呈现、场景应用层中活动实施与评价的必备条件。服务是资源与工具应用的呈现方式，通过业务服务的形式，为教育主体呈现数据、资源与工具的应用功能，如信息反馈、资源供给、互动答疑等。基于一键式触摸、点击、拖拽、放大等动态交互形式，或预设的规则语言、人类的口头语言、手势动作、文本图片等自然触发机制，为教育主体提供智能服务。

场景应用层的场景由主体、时间、空间、设备、事件等要素构成[15]，是数据、模型、资源、工具、服务等要素的载体。场景关注师生在所处的时空域中开展的粗粒度事件，即师生在什么时间、什么地点、使用何种设备、做了什么事情。智慧学习环境的典型应用场景包括精准教学场景、个性学习场景、智能管理场景、综合评价场景等。

三、智慧学习环境下的人机协同模式

智慧学习环境下的人机协同是指充分发挥人类智慧和机器智能的优势，实现教与学效果的双重提升[16]。人类擅长灵活应变，具备对复杂问题的判断能力和归纳推理能力，机器擅长处理高并发事项，能够执行重复性、程序性的任务[17-18]。机器在问题解决中的不足，降低了人类对机器智能的信任程度。例如，机器学习、深度学习技术等判别式算法可能因训练数据失衡而出现算法偏见，产生地域歧视、性别歧视等问题[19]。ChatGPT、文心一言等生成式大模型也存在“AI幻觉”现象[20]，可能生成虚假知识，甚至违反价值观的内容。因此，提升机器智能的准确性和公允性，实现机器智能与人类智慧的价值观对齐，是智慧学习环境下人机协同的目标。科学合理的人机分工，可以使人类与机器在发挥各自优势的同时弥补彼此的劣势，最终达到人机合作效能的最大化，实现准确度、公允性的提升和人机价值观的对齐。

在人机协同的研究中，普瑞斯（Price）根据人类和机器各自的性能优劣，提出了人机功能分配决策矩阵[21]，用于辅助人类与机器协同时，开展科学、合理的决策，达到效果与效率双提升的目的。本研究基于人机功能分配决策矩阵，结合人类智慧与机器智能各自的优缺点，分析智能工具在教育场景中的应用，并將智慧学习环境中常见的人机协同模式划分为五类：AI讲师、执行型AI+人类助手、伙伴型AI+人类同侪、助教型AI+人类教练以及人类导师，如图2所示。根据普瑞斯的观点，区域⑥表示人机均不擅长的工作，是需要进一步探索的区域，故不在本文中做进一步探讨。

（一）AI讲师

AI讲师（区域①）是指在处理某些工作时，智能工具完全取代教师，并扮演教师的角色。AI讲师具有高准确度、强鲁棒性等特点，适用于标准化、程序性和重复性工作。作为一种智能工具，AI讲师具有“学而不厌”的特点，通过强化学习技术，不断学习人类教学的知识，实现教学能力的迭代提升。同时，AI讲师能够做到“诲人不倦”，可以随时随地回答学生问题，满足学生的个性化学习需求，从功能上支持学生的知识识记、内容理解和知识应用等“学而时习之”的目标。AI讲师在教学、管理、评价、测试等典型教育场景中的常态化应用包括基于深度知识追踪技术的单词记忆训练、基于认知诊断技术的自适应测试和基于语音识别技术的发音诊断与纠偏等。例如：在数学教学中，可以借助认知诊断技术对学生数学认知水平进行测试和分析，并由此推荐符合其认知特点的数学习题，实现精准练习[22]。学生在学习第二语言时，借助人工智能的口语测评工具（如IELTS和英语流利说），纠正自己的口语发音，提升口语表达能力[23]。

（二）执行型AI+人类助手

执行型AI+人类助手（区域②）是指相关工作主要由智能工具完成，人类仅参与部分辅助工作（如同一名助手）。此种模式下，执行型AI擅长执行拥有确定目标、确定步骤的教学任务，能够根据教学步骤，循序渐进地引导学生学习。人类教师只需要在价值判断的节点及时介入即可。因此，执行型AI+人类助手模式适用于标准化、程序性和重复性较强，但是存在少量需要价值判断和决策的工作，其典型教育应用是自适应学习和校园安防管理。例如：自适应精准教学系统主要负责自动化批阅学生的作业，基于深度知识追踪算法建立学生的认知水平档案，利用推荐算法筛选出候选资源，根据既定的教学设计为学生推荐适切的学习路径。教师只需要对候选资源的合规性、科学性进行审核，以确保相关资源符合培养目标[24]。智慧校园安防设计中，利用计算机视觉技术对可疑人员、可疑车辆进行自动化监控和预警，安保部门仅需对预警信息加以确认和处理即可，降低了安保部门工作的强度，支持校园安全的智能化管理[25]。

（三）伙伴型AI+人类同侪

伙伴型AI+人类同侪（区域③）是指在相关任务中，因人类和智能工具的能力大致相同所形成的类似合作伙伴的关系。该模式下，智能工具旨在提升工作节点的效率，降低人类教师的负担。人类教师更侧重发挥其在情感沟通、人文关怀等方面的优势，促进教学效果的达成。伙伴型AI+人类同侪模式通过有效的人机合作，支持伴随式数据采集、精准化学情分析、一对一教学指导和教学反馈的常态化实现，达成“有教无类，因材施教”的目标。例如：授课教师可基于课堂专注度监测系统，掌握班级整体的专注度变化情况，并及时调整教学策略，提升课堂教学效果[26]。智慧作业中，成熟的OCR技术和计算机视觉技术常被用于客观题的快速批阅，教师则侧重于主观题的判别[27]，让教师有更多的时间走进学生内心，开展个性化评阅。

（四）助教型AI+人类教练

助教型AI+人类教练（区域④）是指相关工作由人类主导完成，智能工具充当助理的角色，为教师提供资料、数据和决策意见。助教型AI+人类教练模式适用于解决复杂性、开放性和价值判断等教育问题。此种模式下，通过将助教型AI精准诊断功能与人类教师智慧相结合，准确判定学生的学习状态，支持人机协同“不愤不启，不悱不发”的教学，促进学生“举一反三”能力的发展。例如：基于精准画像技术和教育大模型的智能问答系统，实现对学生学习状态的精准诊断，适时为学生提供暗示、提示、指导和演示，促进学生的举一反三能力的达成[28]。在心理辅导方面，基于社交大数据，借助人工智能技术实现对心理危机学生的快速预警，心理辅导教师及时介入开展心理干预，避免危机事件的发生[29]。

（五）人类导师

人类导师（区域⑤）是指相关工作完全由人类教师完成，适用于智能工具无法替代的高阶工作，旨在基于人类的同理心，正确引领学生的情感、态度和价值观，培养学生的批判性思维和创新等高阶认知能力。人类导师具有“循循善诱、传习结合”的特点，强调借助教师智慧，指导学生参与真实社会实践并开展创新性工作，发展学生高阶认知能力。此外，教育作为融入了情感和价值观的活动，除了向学生传授知识、培养高阶认知能力外，更需要教师与学生开展情感沟通和价值交流，引导学生态度、情感和价值观的积极转变。可见，智慧学习环境下教师的角色已然从以知识传递、技能培养为主的“讲师”，变成了以情感交流、价值引领为主的“导师”。

四、智慧学习环境中的人机协同设计

协同学（Synergetics）源于古希腊语，是指合作的科学（Science of Cooperation）。从词源分析，“Syn-”是指由于在一起引起的协调合作，“-ergetics”指代组织结构和功能，Synergetics整体则表示当内部子系统之间的关联发生改变时，引起宏观的组织结构和功能的质变。因此，协同学也被视为“以内因为依据”开展从无序到有序的演化规律的学科，强调稳定的系统都是依托一定的方法协同且有序的活动[30]。智慧学习环境是由多元教育主体、多种教育应用系统组成的，指向教育问题解决的支撑条件体系，所以是一种协同系统。作为智慧学习环境设计的基线思维，人机协同建立在人机互信和价值对齐的基础上，通过制定数据模型层、技术支撑层和场景应用层的设计原则，明确智慧学习环境各层级的协同目标和达成协同目标的实践路径。其中，数据模型层以决策协同为目标，技术支持层以交互协同为目标，场景应用层以流程协同为目标，共同实现人机协同在智慧学习环境设计中的深度融合和高效应用。

（一）数据模型层的决策协同设计

数据模型层遵循透明性和可控性设计原则，通过公开数据的全生命周期方案、模型的设计开发方案，确保数据全生命周期和模型运行逻辑的透明可控，体现数据的感知记录与识别计算能力，增强数据的预处理能力、复杂性教育问题的决策能力等，实现科学诊断与系统决策。换言之，数据模型层的核心目标在于实现人机决策协同。

一方面，在保障隐私安全和技术伦理的前提下，公开数据的采集、存储、整合、分析、應用及清除等数据全生命周期的方案，支持教育主体掌握并参与方案设计，如允许教育主体了解“采集何类数据、用于何种目的”，给予教学者和管理者调整职责内的班级数据的预处理权限等，体现智慧学习环境对数据的感知记录能力，增强智慧学习环境对数据的预处理能力，提升数据的真实性和客观性。

另一方面，在符合教学诉求和高置信度的前提下，允许在模型的选择、设计、开发等过程中融入教育主体的智慧，提高模型对复杂性教育问题的决策能力。在模型选择维度，基于校情、班情和学情等教学诉求，采用适配性高、可解释性强的模型进行问题诊断，并向教育主体阐明模型的运行逻辑和运行结果。在模型设计和开发维度，采用人在回路的混合增强智能技术，基于“场景感知—问题诊断—规律计算—策略匹配”的逻辑链路，构建问题诊断模型与数据决策模型[24]。通过对机器的诊断结果进行置信度评估，并与专家预设的置信度阈值进行比较，实现对复杂性教育问题的精准诊断与合理决策。若机器诊断结果的置信度低于阈值，将其反馈给人类专家进行协同诊断，直至人机协同诊断结果的置信度水平达成一致，则输出结果并进入下一流程。同时，将修正的诊断结果反馈给机器进行新一轮的强化训练与验证。反之，则直接输出机器的诊断结果。

（二）技术支撑层的交互协同设计

技术支撑层遵循体验性和可靠性设计原则，在数字教育资源、教育软硬件工具、教与学支持服务的设计中，教育主体和机器之间的深度人机交互是设计的出发点。深度的人机交互为教育主体的高阶思维能力和认知迁移能力的发展提供支架，对基于数据的教与学分析、归因、解释和改进具有重要意义。换言之，技术支撑层的核心目标在于实现人机交互协同。

交互内容和交互形式的设计遵循体验性原则，通过构建交互式或体验式数字资源，开发支持数字资源呈现的工具，设计基于身体动作的自然交互服务，丰富基于身体动作的交互行为、延伸身体的感知觉体验，助力人机深度交互的达成以及学习效果和效率的提升。一方面，交互内容需紧扣现实世界，开发以知识点为单位的体验式数字资源，借助AR、VR、MR工具进行立体化呈现，延伸身体的感知觉体验。另一方面，交互形式应充分调动身体的参与，通过模拟人与人交互的机制，建立身体行为与教学意义的关联关系，开发支持一键式触摸、自然语言对话、手势动作等交互功能，提升身体的参与频度，提高学习体验性，实现深度人机交互。例如，具身交互作为一种身体参与的体验性和建构性交互类型，通过设计支持具身交互达成的资源、工具与服务，唤醒身体的知觉经验、调动身体的肢体动作、映射身体的动作意图，提升教育主体的交互体验性，达成深度人机交互。

交互功能的设计遵循可靠性原则，充分发挥机器的优势，支持教育主体与资源、工具和服务对话，汇聚人类教师的智慧，获取可靠性信息，完成功能性任务。例如，基于前述人机分工的模式，设计第三方答疑服务的功能。首先，通过厘清生成式人工智能和人类教师的优势及答疑路径，结合学科知识图谱和专家模型，构建生成式大模型“安全护栏”[31]，实现对大模型输出内容的自动监测，避免错误信息、有害信息的生成，确保产生内容的科学性、严谨性和可靠性。随后，学生使用自然语言开展互动式问答及讨论。在服务中，通过汇聚大模型观点、教师观点，实现智能技术对人类（教师、学生）认知的增强，达成启发学生思考、启迪学生思想的目的。这种形式改变原有的“学生—教师”“学生—智能工具”简单二元交互模式，形成“学生—智能工具—教师”新型三元交互样态，进一步发挥智能技术在教学中的应用效果。

（三）场景应用层的流程协同设计

场景应用层遵循联通性和泛在性设计原则，依托教育角色模型和人机分工准则，梳理各应用场景的业务流程，基于业务数据流，联通单一教育场景和多元教育场景的跨操作系统和多终端的泛在应用，基于数据的无缝衔接，实现融通线上线下、校内校外、教室场馆的多源异构设备的无缝学习。换言之，场景应用层的核心目标在于实现基于业务数据流的流程协同。

单一场景的设计遵循联通性原则，依托教育数据规范和人机分工准则，联通教育场景中数据、模型、资源、工具、服务等要素，实现数据驱动的学习分析和教育场景的深度融合。通过统筹设计教育场景中的数据规范，科学设计数据埋点和采样规则，制定面向不同软硬件平台的标准化接口，打破不同软件与工具之间的壁垒，支持数据和信息在资源、工具和服务中自由流转，从而实现精准教学、个性学习、智能管理、综合评价等场景中各要素的互联互通。例如，通过汇聚真实课堂的过程性数据和智慧作业的结果数据，联通手机、平板、一体机等终端工具，连接线下纸本资源和线上数字资源，实现对学生的精准画像服务，支持教师的精准教学和学生的分层个性化学习。

多元场景的应用遵循泛在性原则，充分发挥机器的泛在智能优势和人类的主观意识，实现业务数据流的多场景迁移。在智慧学习环境的多元场景中，通过部署云网边端一体化的架构，构建多源异构数据集，实现静默化感知学生的空间信息、自主推送资源工具的联通权限、伴随式采集学习数据等智能功能，支持业务数据流在多种场景中的泛化应用。

五、结   语

作为智慧学习环境进化的内生动力，智能技术往往通过对教育流程的自动化与半自动化、智能化与半智能化等实现，支持感知、識别、决策与强化等智能功能[32]，重构教育教学、管理服务等业务流程，重塑智慧学习环境。然而，智能技术本身适用于处理标准化、程序性、重复性和逻辑性等离散任务，而非主动发现或打破规则，具有工具理性的本源性特征[33]。这与教育问题的复杂性与开放性、创造性与价值性，以及教育数据的冗余与价值密度低等特征存在不可调和的矛盾。此外，智慧学习环境建设中涌现出诸如场景割裂、数据孤岛、信息应用效益不足等问题，阻碍了智慧学习环境的发展。人机协同旨在充分融合机器处理标准化、程序性等问题的计算智能，和人类解决复杂性教育问题时表现出的主动发现和价值判断的智慧，被视为缓解上述矛盾、破解智慧学习环境的建设困境、支持其从低效无序向高效有序发展的新思路。本研究基于重构的智慧学习环境的概念模型，制定以“人机互信和价值对齐”为导向的人机协同模式，建立由AI讲师、执行型AI+人类助手、伙伴型AI+人类同侪、助教型AI+人类教练、人类导师构成的人机复杂分工模式，指导智慧学习环境中各要素层级的人机协同设计，助力智慧学习环境的优化升级。

人机互信和价值对齐是人机协同模式的关键所在，亦是推动人机从简单分工迈向复杂分工的内驱力。人机互信是指人类与机器相互信任，既包括人类对智能工具完成预定任务的期待，又包括机器对于人类语料的判断筛选；价值对齐是指智能算法与人类价值观的对齐。然而在教育实践中，部分智能技术差强人意的表现，降低了使用者对智能工具的信任感，影响了人机协同的效果。未来研究中，可通过进一步分析技术控制性、交互具身性、工具拟人性等因素对人机协同效果的影响，制定信任因素的设计原则和实施路径。通过研究符合教育需求的置信度评估方法、构建基于价值图谱的人机价值对齐策略等，提出智能技术与人类价值观对齐的策略与方案。

[参考文献]

[1] 求是网.中国共产党第二十次全国代表大会在京开幕 习近平代表第十九届中央委员会向大会作报告[EB/OL].（2022-11-01）[2023-11-09].http：//www.qstheory.cn/dukan/qs/2022-11/01/c_1129089114.htm.

[2] 新华社.习近平主持中央政治局第五次集体学习并发表重要讲话[EB/OL].（2023-05-29）[2023-11-09].https：//www.gov.cn/govweb/yaowen/liebiao/202305/content_6883632.htm.

[3] 怀进鹏.数字变革与教育未来 在世界数字教育大会上的主旨演讲[EB/OL].（2023-02-14）[2023-11-09]. https：//rmh.pdnews.cn/Pc/ArtInfoApi/article？id=33925631.

[4] 周伟，杜静，汪燕，等.面向智慧教育的学习环境计算框架[J].现代远程教育研究，2022，34（5）：91-100.

[5] 金智勇，张立龙.智慧教室“三位一体”模型构建及实践探索——以华中师范大学为例[J].现代教育技术，2019，29（4）：75-81.

[6] 黄荣怀，杨俊锋，胡永斌.从数字学习环境到智慧学习环境——学习环境的变革与趋势[J].开放教育研究， 2012，18（1）：75-84.

[7] 钟国祥.基于网格的智能学习环境研究[D].重庆：西南大学，2008.

[8] 黄荣怀.智慧教育的三重境界：从环境、模式到体制[J].现代远程教育研究， 2014（6）：3-11.

[9] 祝智庭，贺斌.智慧教育：教育信息化的新境界[J].电化教育研究，2012，33（12）：5-13.

[10] HWANG G J. Definition： framework and research issues of smart learning environments a context-aware ubiquitous learning perspective [J]. Smart learning environments， 2014，1（1）：4.

[11] SPECTOR M J. Conceptualizing the emerging field of smart learning environments [J]. Smart learning environments，2014，1（1）：2.

[12] KINSHUK， CHEN N S， CHENG I L， et al. Evolution is not enough： revolutionizing current learning environments to smart learning environments[J]. International journal of artificial intelligence in education，2016，26：561-581.

[13] CHEUNG S K S， PHUSAVAT K， YANG H H. Shaping the future learning environments with smart elements： challenges and opportunities[J]. International journal of educational technology in higher education，2021，18（1）：1-9.

[14] MUTIZWA M R， OZDAMLI F， KARAGOZLU D. Smart learning environments during pandemic[J]. Trends in higher education， 2023，2（1）：16-28.

[15] 武法提，黄石华，殷宝媛.场景化：学习服务设计的新思路[J].电化教育研究，2018，39（12）：63-69.

[16] 符雪姣，曾明星，张友福.人机协同精准教学整体框架与关键环节设计[J].开放教育研究，2023，29（2）：91-102.

[17] FITTS P M E. Human engineering for an effective air navigation and traffic control system[M]. Washington， D.C.： National Research Council，1951.

[18] 王一岩，郑永和.智能时代的人机协同学习：价值内涵、表征形态与实践进路[J].中国电化教育， 2022（9）：90-97.

[19] BAKER R S， HAWN A. Algorithmic bias in education[J]. International journal of artificial intelligence in education， 2022（32）：1052-1092.

[20] CHEN Y， FU Q， YUAN Y， et al. Hallucination detection： robustly discerning reliable answers in large language models[C]. Proceedings of the 32nd ACM international conference on information and knowledge management. New York： Association for Computing Machinery，2023：245-255.

[21] PRICE H E. The allocation of functions in systems[J]. Human factors，1985，27（1）： 33-45.

[22] 郭宇涵.基于知识图谱与认知诊断的小学数学个性化习题推荐系统研究[D].重庆：西南大学，2023.

[23] LI R. Using artificial intelligence in learning english as a foreign language： an examination of IELTS LIULISHUO as an online platform[J]. Journal of higher education research，2020，1（2）：85-89.

[24] 武法提，田浩.人機协同的精准学习干预：动力机制、逻辑理路与实践模型[J].开放教育研究，2023，29（2）：81-90.

[25] 蒋慎敏.可疑危险人物靠近能被视频“捕捉” ……杭州第一所黑科技智安校园长这样[EB/OL].（2018-07-18）[2023-11-09].https：//baijiahao.baidu.com/s？id=1606318780883062435&wfr=spider&for=pc.

[26] 王楠，王淇.基于深度学习的学生课堂专注度测评方法[J].数据分析与知识发现，2023，7（6）：123-133.

[27] 唐旭，张远伟，张国强.基于智慧作业生态圈的作业AI自动批改探索与实践[J].中国电化教育，2023（4）：115-121.

[28] 贾积有，乐惠骁，张誉月，等.基于大数据挖掘的智能评测和辅导系统设计[J].中国电化教育，2023（3）：112-119.

[29] 李彤彤，李坦，郭栩宁.基于社交媒体大数据的大学生心理危机预警[J].现代远程教育研究，2021，33（4）：92-103.

[30] 哈肯.协同学导论[M].张纪岳，郭治安，译.西安：西北大学科研处，1981.

[31] REBEDEA T， DINU R， SREEDHAR M， et al. NeMo guardrails： a toolkit for controllable and safe LLM applications with programmable rails [DB/OL].（2023-10-16）[2023-11-08].https：//arxiv.org/abs/2310.10501.

[32] HERNANDEZ O J. The measure of all minds： evaluating natural and artificial intelligence[M]. Cambridge：Cambridge University Press，2017.

[33] 徐英瑾.人工智能哲学十五讲[M].北京：北京大学出版社，2021.

Design of Human-Machine Collaboration in Smart Learning Environment

WU Fati，  YANG Chongyang，  LI Tan

（School of Educational Technology， Beijing Normal University， Beijing 100875）

[Abstract] As the primary task of digital transformation of education， the construction of smart learning environment excessively emphasizes the ability of technology in education， but ignores the value and status of educational subjects， resulting in problems such as scene fragmentation and data silos. Human-machine collaboration aims to fully leverage the strengths of humans and machines， compensates for each other's weaknesses， and becomes the optimal solution to guide the creation and optimization of smart learning environment. In this study， human-machine collaboration is regarded as the baseline thinking for the design of smart learning environment. A conceptual model of smart learning environment is constructed， which consists of three layers of the data model layer， the technical support layer， and the scene application layer， and six elements of scenes， data， models， resources， tools， and services. Based on the decision matrix of human-machine function allocation， five human-machine collaboration models are proposed， including AI instructor， executive AI+human teaching assistant， partner AI+human peer， assistant AI+human coach， and human mentor. On this basis， the study develops the design principles for each level of smart learning environment， analyses the design of decision-making collaboration at the data model layer， the design of interactive collaboration at the technical support layer， and the design of process collaboration design at the scene application layer. Strategies for constructing human-machine trust and value alignment in human-machine collaboration model are discussed， with a view to guiding the design of human-machine collaboration in smart learning environment.

[Keywords] Learning Environment; Human-Machine Collaboration; Smart Learning Environment; Model of Human-Machine Collaboration; Design of Human-Machine Collaboration