共富背景下城乡教共体学习者GAI准备度研究

摘要：教育促进共同富裕是教育领域战略性课题，技术赋能是促进城乡教共体有效协同的重要方式。当前城乡教育资源分布不均，促进教育公平和建立精准长效的教育帮扶迫在眉睫。自2022年底以来，生成式人工智能（GAI）的出现引发全球高度关注，它为学生学习方式和教师教学形态的变革提供了全新的思路，也对城乡教共体结对学校学生的协作学习提出新的挑战。因此，探讨城乡学生利用GAI进行协作学习的预先准备情况对于后续城乡教共体在智能时代更好地协同发展具有重要意义。本研究以浙江省7对城乡教共体的10所小学为研究对象，基于比格斯“3P”学习理论，构建了学习者GAI准备度（Readiness）的影响因素模型。研究发现：整体而言，优势校学生在GAI准备度方面得分均值高于弱势校学生，女生高于男生，高年级学生高于低年级学生；移情关注和预期确认是影响城乡教共体学习者GAI准备度最重要的两个因素；预期确认、双师教学质量和系统质量通过移情关注、自我呈现或师生互动公平感中介GAI准备度。本研究从多维中介视角切入，探索了学习者GAI准备度及影响因素；在此基础上，在实践层面上提出了GAI融入城乡教共体教学的几点建议。

关键词：教育共富；城乡教育共同体；生成式人工智能准备度

中图分类号：G434 文献标识码：A

* 本文系国家社会科学基金教育学重大项目“新发展阶段教育促进共同富裕研究”（项目编号：VFA220003）阶段性研究成果。 翟雪松为本文通讯作者。

一、研究背景

富民之道，教民为要。中国历届政府都十分重视城乡教育间的均衡发展问题，通过制定各种政策和采用各类技术手段来尝试促进教育公平目标的达成。2023年，中共中央办公厅发布了《关于构建优质均衡的基本公共教育服务体系的意见》，其中强调要健全城乡学校帮扶激励机制，确保乡村学校都有城镇学校对口帮扶[1]，在2024年发布的中央一号文件中指出要进一步推进城乡学校共同体建设[2]。作为全国促进共同富裕的示范省份，浙江省早在2021年就发布了有关推进城乡教育共同体建设（下文简称为“城乡教共体”）的省域文件，并在国内率先进行了城乡教共体的规模化实践探索，旨在通过同步课堂、混合式教研等形式实现教育资源城乡共享和城乡师生高效协作教学，最终促进城乡教育公平和共富目标的实现[3-5]。此后，全国多个省份也陆续开始城乡教共体的实践。目前，浙江省城乡教共体的协作教学已经取得了一定的成效，城乡教师资源得到有效整合，城乡义务教育更趋近优质均衡[6]。本文选取全国最先开展城乡教共体实践区域的学习者作为研究对象，考察他们对于教共体教学实践及新兴技术的态度，由此总结一些影响因素和规律，为全国更大范围内城乡教共体师生未来更好地开展协作教学实践提供调研依据。

生成式人工智能（Genetic Artificial Intelligence，下文简称“GAI”）的出现及在教育中的深入应用，将深刻改变未来教育的生态系统，城乡教共体未来的发展也将深受其影响，使得城乡教共体的辐射面会更广，应用场景更加丰富。然而，GAI应用到城乡学校教育中仍有较大的挑战。其一，城乡学习者有关GAI的使用意愿及使用行为等可能会是城乡间数字鸿沟和教育差距拉大或缩小等关键影响因素。其二，GAI的技术存在内生性不足，其训练模式多依靠的是已有的互联网数据，缺乏真实教育情境及相关数据的支撑，且输出的内容存在捏造的风险，城乡教共体的师生需要对此有所认识。其三，虽然GAI具有支持学习者个性化学习的潜在优势[7]，但在城乡师生协作教学的进程中，来自城乡教共体学校的学习者是否已经做好准备接纳GAI融入并支持整个教学过程，尚缺乏相关研究。因此，该领域迫切需要研究者去探讨城乡协作教学中学习者有关GAI的准备情况及其影响因素。基于目前GAI融入城乡教育的困境和研究不足，本研究调研了浙江省某海岛县7对开展“互联网+”协作教学城乡教共体的10所学校，通过城乡教共体一线课堂的深入观察以及实地师生访谈，基于比格斯“预备（Presage）—过程（Process）—结果（Product）”的3P分析框架，研究首先构建了城乡教共体协作教学学习者的GAI准备度模型，并根据该模型研制了相关问卷，邀请这10所教共体学校参与过同步课堂学习的450名学生填写问卷，由此探索该模型的有效性，引导城乡教共体学习者及时抓住GAI带来的机遇，并为城乡教育决策者和教育实践者提供有益的信息，充分挖掘乡村智力资源的优势和潜力，助力智能时代韧性教学生态系统的准备，带动乡村全方位振兴。

二、研究基础与研究假设

（一）研究基础

GAI的开放性赋予了学习者个体性发展的机会，具有推进知识平权、教育公平和教育共富的潜力。城乡教共体学习者承载着中国促进教育公平、建设高质量教育体系和实现全体人民共同富裕的希冀，此前已有较多研究关注GAI融入一般教学情境中学习者的感知和应用研究，如高中生对GAI认知[8]、大学生GAI应用现状和使用意愿调查[9][10]、GAI辅助大学生编程学习[11]等，却很少有研究能关注到这一具有乡村教育振兴先行战略意义的少数特殊群体。研究城乡学习者GAI准备度，有利于挖掘学习者应用GAI的有益或阻碍因素，激发GAI赋能城乡协作教学和推进城乡教育共富的更大能量。在以往研究中，学习准备度泛指学习者在学习前所表现的就绪状态，而人工智能学习准备度则是考量学习者应用人工智能整合学习的可能程度，包括学习者的心理倾向、知识能力等等[12]。过往数字化学习准备度也大多从学习者就绪表现出发，评估学习者的知识、经验与技能等能力状态和意愿水平，比如探讨学习者的人工智能技术信念[13]、智能知识准备和智能能力准备等因素对人工智能学习准备度的量化影响[14][15]。综合各个层面的观点，本研究认为学习者GAI准备度是指学习者应用GAI开展学习的就绪程度，并主要从学习者的学习平台使用意愿与使用GAI辅助学习意愿的这两个维度来构建和考量学习者GAI准备度。

比格斯（Biggs）在1989年提出的“预备（Presage）—过程（Process）—结果（Product）”（3P）框架已被大量的研究用来分析和解释学生的学习过程，比如学生在线学习和学生MOOC学习持续意愿等等[16]。如图1所示，该理论认为对学习活动（例如，学习课程）的理解应该始于活动发生前的因素，例如学习者的特征（例如：能力、动机、先验知识）和教学环境（例如：教学方法、制度氛围）。这些先兆因素不仅影响学习者的学习过程（例如，学习策略、学习行为和学习状态等），还可能直接决定其学习结果（例如：学习成绩、满意度与持续意愿等）。

在过往研究中，许多学者积极探讨了学习者预期、教学方法或教学系统等自变量对技术使用意愿的影响。例如，An等人将作为学习者预期作为过程变量，直接探讨其对人工智能使用意愿的影响[18]；Wang和An等人探索了设备条件和支持性环境对人工智能使用意愿的影响[19][20]。然而，众多学者只是聚焦各自变量对技术使用意愿的直接影响，较少有研究对影响过程中的中介机制进行探讨，以致我们对认识影响过程中的中介变量所产生的作用还缺乏依据。因此，本研究主要参考比格斯3P分析框架，结合城乡协作教学场景的独有特点，并借鉴心理学和社会学领域的研究成果，从多维中介视角分析学习者GAI准备度及其影响因素，在模型中创新性加入了自我呈现、师生互动公平感和移情关注的中介变量考量，以期进一步厘清GAI准备度模型中过程变量所发挥的作用。如图2所示，基于比格斯教与学的3P理论，本研究对应教学的各个阶段，对相关影响因素进行分类，如将预期确认、双师协作教学和系统质量作为教学预备阶段的先兆要素，将自我呈现、师生互动公平感和移情关注作为教学过程的要素，将学习者GAI准备度作为教学结果阶段的要素，共同构建城乡教共体协作教学GAI准备度影响因素关系模型。

（二）研究假设

根据上述研究理论，本研究提出以下理论模型反映预期确认、系统质量、双师教学质量、自我呈现、师生互动公平感、移情关注和GAI准备度之间的关系。

1.互动公平感的中介效应

师生课堂互动在教学研究中，已被前人多次验证其在教学过程和教学结果发挥着重要作用。影响课堂互动的因素众多，学习者的预期、教师教学方法和互动环境支持的等等都能够影响课堂互动的质量，进而影响教学结果[21][22]。其一，预期确认在形成学习者对学习过程中的课堂互动感知起着重要作用[23]，努力预期和绩效预期可以正向预测使用人工智能的行为意愿[24]。其二，在城乡教共体协作教学中，双师都需要调整原有的教学方式和教学方法，共同开展教学协作，适应同步课堂的教学和互动。区别于传统课堂中只有单名教师与一个班学生的互动，城乡教共体协作教学具有多主体的特点。主讲教师需要设计合理的教学策略，协调好与城乡两端学生互动，让学生感受到公平的互动，这是衡量城乡教共体协作教学是否成功的关键因素[25]。其三，城乡教共体协作教学的技术系统包括了网络技术、屏幕画面、播音系统等设备，系统中任何一个环节出现问题都会极大地影响师生参与课堂的互动和教学体验。有研究已证实学习环境系统的感知质量会影响感知易用性、感知有用性和用户满意度[26]，进而影响学生使用人工智能支持学习的行为意图[27]。基于上述研究理论和成果，本研究提出以下假设：

假设H1：师生互动公平感是预期确认和GAI准备度的中介变量。

假设H2：师生互动公平感是双师教学质量和GAI准备度的中介变量。

假设H3：师生互动公平感是系统质量和GAI准备度的中介变量。

假设H4：师生互动公平感对GAI准备度具有显著正向影响。

2.自我呈现的中介效应

戈夫曼的拟剧论为社会交往中的自我形象塑造提供一种视角。拟剧论认为当一个人认识到自己在“舞台”上行动时，会积极展示自己美好的一面，也即自我呈现[28]。如果视城乡教共体协作教学为一个“舞台”，则师生都是参与表演的主角，他们的行为和表现都会被另一端师生进行观察。然而还需要更多的证据证明“自我呈现”在课堂中发挥的作用，因此本研究提出以下假设：

假设H5：自我呈现是预期确认和GAI准备度的中介变量。

假设H6：自我呈现是双师教学质量和GAI准备度的中介变量。

假设H7：自我呈现是系统质量和GAI准备度的中介变量。

假设H8：自我呈现对GAI准备度具有显著正向影响。

3.移情关注的中介效应

在城乡教共体协作教学中，城乡师生需要投入移情、包容与帮助的精神和情感参与课堂。移情关注是一种站在他人的角度，对他人的情绪、想法和认知感同身受，作出认知理解和情感回应等行为[29]。一些实证研究已经证明，移情关注与动机之间存在正相关关系，有利于激发和维持学习者兴趣和注意力[30]，这可能是因为个体在共情时具有更高的利他动机，会趋向减轻他人的痛苦，满足他人的需求。这种心理状态可能会促使学生对学习过程的投入和参与，增加学生的理解和包容。也有研究指出，移情是积极学生结果的最强预测因素之一，包括学业成绩以及情感和行为结果[31]。因此，本研究预测移情关注可能会在城乡教共体协作教学中发挥强烈的中介效应，对教学结果产生积极影响，并提出以下假设：

假设H9：移情关注是预期确认和GAI准备度的中介变量。

假设H10：移情关注是双师教学质量和GAI准备度的中介变量。

假设H11：移情关注是系统质量和GAI准备度的中介变量。

假设H12：移情关注对GAI准备度具有显著正向影响。

三、研究方法

（一）研究对象

研究选取浙江省某海岛县作为研究对象。该海岛县地理位置偏远，交通不便，教育资源相对落后，青年教师流失严重，自2019年开始，该海岛县通过实施城乡协作教学来解决师资不足、开不齐课和开不好课等教学难题。县内的10所小学全都参与了城乡教共体的结对活动。调查问卷使用“问卷星”在线问卷服务平台，由县教育局面向这10所城乡学校的学生发放，其中3所是城镇优势学校，7所是乡村弱势学校。每所优势校都会与2-3所弱势校结对，形成7对共同体，以强带弱，共同开展城乡教共体协作教学的备课、实践与教研。

（二）问卷编制

本研究借鉴混合式学习的研究成果，结合城乡教共体协作教学现状和学生特点，编制了“城乡教共体协作教学环境中的学习者GAI准备度调查问卷”（下文简称“问卷”），选项采用李克特五点量表法，根据同意或满意的程度依次赋值1—5分，题项的分值越高，表示同意或满意的程度越高。

问卷包含两部分：第一部分收集学生基本信息，包括性别、学段、班级和同步课堂参与频次。第二部分是有关城乡教共体协作教学GAI准备度的调查（如表1所示）。

（三）数据收集

问卷面向浙江省某海岛县参与过城乡教共体协作教学实践的小学发放。考虑到低年级学生的认知能力有限，本问卷主要面向3—6年级具备初步或较强的独立识字能力、能够进行问卷的阅读和理解的学生发放[40]。在线问卷在2023年10月20日—11月28日期间投放，经过数据整理后得到450份有效问卷。问卷回收后，使用SPSS 27.0和SmartPLS 4统计软件对其进行统计分析。样本特征描述统计如表2所示。初步的描述性统计结果显示，在GAI准备度的两个一阶因子的得分上，优势校学生的均值高于弱势学生，女生高于男生，高年级学生高于低年级学生。

（四）信效度检验

首先，本研究采用SPSS 27.0软件对问卷进行了信度检验，整体问卷的Cronbach’s α值=0.964，且各潜在变量的Cronbach’s α值均大于0.8，证明问卷的信度较高，具有良好的内部一致性[41]。

其次，由于本研究中的问卷设计参考已有的成熟问卷设计及专家访谈意见，内容效度已得到保障。接着使用SPSS通过主成分分析法进行探索性因子分析，降维结果显示KMO统计量为0.948，达到0.9以上的非常合适水平，样本分布球形Bartlett卡方检验显著性小于0.001，旋转后累积方差解释率为75.757%，解释力较好，适合进行因子分析。

在进行SPSS的先验性信效度检测之后，继续通过SmartPLS 4软件对各测量维度进行验证性因子分析，继续检验建模之后的问卷信效度。数据显示，各一阶因子测量模型中标准化因子载荷量均大于0.7，各潜变量的组成信度CR均大于0.7，收敛效度均大于0.7，所有指标均优于建议值，问卷具有较好的收敛效度[42]。两个一阶因子与二阶因子的载荷值可以支持两个一阶因子“GAI使用意愿”和“学习平台使用意愿”收敛于二阶构念“GAI准备度”。

在本次区别效度检验中，首先参照Fornell-Larcker标准，潜变量间的相关系数均小于各潜在变量AVE值的平方根。其次，参照Henseler等人的HTMT法，各变量的HTMT率未超过0.90的阈值上限，表明本问卷各量表具有良好的区分效度[43]。同时从中可以发现，因变量与自变量间存在多重相关，有必要采用结构方程模型来进一步探讨变量间的结构关系。此外，自变量间存在显著相关但并没有达到高相关度，表示并不存在明显的共线性影响。

为检验变量间的同源误差程度，对问卷数据进行共同方法偏差，通过Harman单因子检验法进行分析，数据显示首个公因子解释的方差解释量是12.137%，小于40%的临界标准，表明本研究数据不存在显著的共同方法偏差[44]。结构模型的多重共线性通过潜变量的方差膨胀系数（Variance Inflation Factor，VIF）评估，结果显示，潜变量间的VIF值在1.000—2.572之间，均小于5的临界值，即不存在多重共线性问题[45]。

四、研究发现与讨论

本研究利用SmartPLS 4.0建立偏最小二乘结构方程模型，分析学生对城乡教共体协作教学融入GAI的准备度，并结合课堂观察和实地师生访谈数据对模型结果进行解释和分析，分析结果如图3所示，其中，实线表示显著路径，虚线表示不显著路径。据表3数据可知，除假设H6不成立，其余研究假设均得到验证。

（一）模型解释力分析

数据显示，“GAI准备度”的R2为0.514，说明分析模型的预测效果良好[46]。接着，使用PLSpredict算法得到“GAI准备度”的Q2值分别为0.528，表明这一模型具有较好的预测性能[47]。

（二）路径系数分析

1.前因变量影响路径分析

从学习预备阶段来看（如表4所示），预期确认、双师教学质量和系统质量三个自变量都对因变量GAI准备度产生显著的正向影响。效应值由大到小以此为：预期确认、系统质量和双师教学质量，意味着三个前因变量具有多维正向影响，是保障协作教学的关键因素。

其一，在城乡教共体协作教学情境中，学习者预期确认的总效应最大，能够通过自我呈现和师生互动公平感对GAI准备度产生显著正向影响。说明学习者自身的期望和先前经验很关键，对城乡协作学习的技术支持、教学方法和师生互动的效果预期都是影响学习者学习过程和结果的重要因素。当学习者有较高的预期时，他们认为城乡教共体协作教学可以帮助他们更好地学习，能够间接提高他们的学习效果和质量。这表明，如果教育部门或学校想要促进GAI与城乡协作教学的整合，需要让学习者认识和了解GAI和城乡协作教学的有用性，进而提高学习者使用GAI的行为意愿，发挥学习者预期确认对提升GAI准备度的基础性作用。

其二，双师教学质量和系统质量都会对GAI准备度起到一定的正向影响。这一发现在很大程度契合了已有的教学研究结果，教学方法是决定教学过程和教学结果的重要因素，技术支持的学习环境在促进学习者使用人工智能的意愿方面发挥了关键作用[48]。但与其他两个自变量不同的是，系统质量与学习者自我呈现没有直接的影响关系。可能是因为随着学习者对数字化学习环境的熟悉度提升，技术因素对学习者的影响就俞发减少[49]。可见，教共体区域组织应为师生配置GAI支持学习的技术环境，并建立合理的数据收集、管理和安全机制。教师也应创新融入智能技术支持教学，收集和合理使用城乡学生的学情数据，包括学习行为、学习进度和学习成果等，分析和了解城乡学生各自的学习需求和困难，从而提供精准的教学支持和个性化的学习指导。

2.中介变量影响路径分析

从学习过程阶段来看（如表3所示），移情关注和师生互动公平感在因变量预期确认、双师教学质量和系统质量与结果变量GAI准备度的影响路径中都发挥了中介作用，而自我呈现仅仅在因变量预期确认和双师教学质量与结果变量GAI准备度的影响路径中发挥了中介作用。三个中介变量的直接效应值由大到小依次为：移情关注、自我呈现和师生互动公平感，都能对结果变量GAI准备度产生显著的正向影响，是预测教学效果的重要因素。

其一，师生互动公平感影响GAI准备度产生的总效应值最大，说明师生互动公平感是影响学习结果最重要的预测因素。师生互动公平感主要考察了学生对教师采取的师生互动方式是否感到平衡。有研究指出，学生对师生问答互动的公平性较为敏感[50]。如果学生在课堂中体验到不公平的感觉，将对学生的课堂积极性和投入度产生较大打击。而在目前的课堂观察中，优势校教师更倾向于与优势校的学生进行互动，还未能平衡好与弱势校学生的互动。因此，教师需要积极改变教学模式，促进课堂互动公平性、有效性、智能化。具体而言，在城乡协作教学情境中，为了更好照顾两端学生的学业水平差距，城乡教师可以采取一定的教学策略，比如调整城乡两端学生互动顺序、作业分层设计和为学生提供智能教学个性化服务等等，让城乡两端学生都能及时得到指导，积极融入课堂互动和展示自我，感受公平的师生互动。而GAI赋能的城乡教共体协作教学更有潜力支持城乡学习者都有更多机会开展多主体互动，如数字教师、虚拟同伴等多智能体，增强学习者的具身认知和双向交流，关注学习者认Hhpy7xFIdboNoxRvkK5e2E42+gENKs3w+5vwC9iNpBM=知、情感的个性化发展，弥补传统线下课堂的师生互动不足，减少互动不平衡的发生，促进城乡学习者参与平等的协作学习[51]。

其二，移情关注影响GAI准备度产生的总效应值次之。一直以来，城乡教共体同步课堂被赋予教育共富的使命，通过以城带乡、以优扶弱的教学举措，促进乡村教育的振兴和教育现代化发展。移情关注在一定程度上可以增加学生对这种特殊课堂教学模式的理解和包容，照顾远端学生的能力和学习需求。因此，移情关注可以在城乡协作教学中影响学习者情感状态和学习投入，为连接学习预备阶段的因素和学习结果提供积极的“桥梁”连接作用，这与移情正向影响学习者注意力和创造力的先前研究成果相似[52]。在在线学习社区中，已有研究尝试为数字人接入GAI的端口，实现发送问候和构建问答对话等功能，开展基于人机交互的翻转课堂创新教学模式，促进学习者的知识外化和知识迁移[53]。有研究证实使用情感功能的数字人化身对教育任务有积极影响，例如，有效地传达所需的情感并引起用户的同理心，这有可能与弱势群体的学习者建立情感联系[54]。Zhai等人认为虚拟情感化身有潜力给予有生理或心理障碍留守儿童更多的学业和情感支持[55]，满足乡村学习者的个性化学习需求。

其三，自我呈现也对GAI准备度产生一定的正向影响。社会心理学家认为自我呈现会对人们的身份认同、情感、社会互动产生重要的影响。在教学领域中，已有研究者揭示了自我呈现在学习者与教师、同伴和内容建立有意义的联系中起到重要作用，为学习者提供了表达自我观点、经验和想法的机会[56]。自我呈现是一种很重要的自我调节机制，学习者的自我呈现对知识共享行为和反馈行为有显著的积极影响[57]，也可能会影响学习者在课堂的表现欲望和课堂参与动机，以展现学习者积极的人际互动关系和正面形象。在城乡协作教学中，有学习者在访谈中表示，由于要与远端师生共同上课，为了获得教师的表扬与认可，他们会更加努力地表现自己和积极回答问题。因此，教学实践者可以有意培养学习者的自我呈现意识和自我表达能力，为学生提供展现自我的“舞台”。如今传统的城乡协作教学，多以教师讲授的教学形式为主，学习者的主体地位有待提升。有必要在城乡教共体协作教学中整合GAI应用，适当削弱教学者知识传授的主导性和权威性，发挥学习者的主观能动性，赋予学习者去中心化的知识探索和新知识创造等机会，搭建民主的生态教学系统，让每一位学习者能够表达自己的意见，传播个人生成性内容和观点。

（三）模型不变性检验

为了检验概念性模型是否具有泛化性，本研究对学生样本的基本属性（如：性别、年级和学校类型）进行分组和多群组分析。检验结果如下页表5所示，本研究所有路径不会因群组不同而产生显著性差异（p>0.05），因此模型具有可泛化性和可复制性[58]。

五、研究结论与启示

本研究基于比格斯教与学的3P模型理论，从城乡教共体协作教学场景出发，探究前因变量预期确认、双师教学质量、系统质量，以及中介变量自我呈现、师生互动公平感和移情关注对城乡教共体学习者GAI准备度的影响。在理论层面上，从多维中介视角切入，着重探讨影响机理中教学过程因素所产生的影响，创新地探索了城乡教共体学习者GAI准备度的影响因素模型，弥补了过往研究对GAI准备度中介机制的讨论不足，为研究GAI整合教学提供重要的理论价值。接下来，本研究将在实践层面上，提出GAI融入城乡教共体教学的对策和建议，以期为GAI促进城乡教育共富和实现优质教育资源的高效利用提供参考。

（一）GAI可充当多种教学角色，赋能城乡教共体协作教学

随着人机协同的实现，传统教学中“师生”二元主体关系被打破，建构起“师—生—机”的三元主体结构，衍生出“三师课堂”和“基于人机交互的翻转课堂”等教学实践场景[59][60]。GAI在城乡协作教学中可以扮演教师助手、智能教师、智能学伴、心理辅导助手等角色。

一方面，GAI能够成为城乡教师的教学助手，在教学设计、课堂教学、课后辅导、作业设计与批改等教学环节均能提供支持。例如在课程备课阶段，协助教师快速检索多模态教学资源，提炼概括教学主题，优化课程结构，一键生成教案、试题和课件。在课程实施阶段，教师可以组织学生通过思维导图、智能画板、语义注释等技术工具与远端学生开展协作学习，引导城乡学生应用GAI解决问题和生成文本、视频和图像作品，并上传作品到平台，开展过程性评价，共享、吸收和展示各自的创新成果。在课后反馈阶段，教师可以应用GAI构建的数字教师，进行学生问题答疑、提炼和批改学生作文要点、开展课后反思和下一节课的课堂翻转等，提高教师工作效率，减轻日常工作负担。

另一方面，GAI可以成为城乡教共体学习者的智能学伴和心理辅导助手。其一，GAI在语言学习、艺术创作和编程或算术领域展现出巨大潜力。通过深入的个性化互动，GAI能够为学习者及时解惑、实时反馈和指正错误，并模拟特定技能，根据学生对知识点的掌握情况和兴趣偏好，为其推荐合适的个性化学习资源和学习路径，提供自适应的教学支持，以帮助学生更好地掌握知识和技能。其二，借助大模型在智能生成和语言理解方面的能力，GAI可以通过类人式的自由对话对学生开展心理辅导，并对心理风险进行预警。尤其面向乡村留守儿童或特殊学生等弱势群体，GAI可以通过自然语言处理技术，准确地诊断学习障碍和心理阻碍，为有情绪情感障碍的学习者提供一对一的专属建议，并对其存在的心理风险向教师和家长进行预警，提醒教师和家长及时干预，避免学生的心理状态进一步恶化[61]。

（二）GAI鼓励去中心化的知识创新，促进城乡文化资源双向交流与共生

在当前城乡教共体的协作教学模式中，往往是优质的教学资源和文化从城市向农村进行单向传播和辐射，城市被默认成为教育的中心和权威，农村逐渐被边缘化或同质化[62]。在“城强乡弱”的教育语境中，单向输出不仅会导致城乡教师的数字鸿沟逐渐拉大，还会在无形中削弱乡村师生的主体性和教学话语权，更会对乡村本土文化的可持续发展、乡土文化多样性和乡村学习者的文化自信造成不利影响[63]。这种城乡失衡的局势需要被改变。在整合GAI的学习社区中，生成技术可以支持城乡学习者创建本土文化特色的学习资源，为城乡双方提供了情感、价值观的传输通道和去中心化的知识文化共创空间，让乡村师生也能发挥主体性和能动性，主动展现乡土文化的风采，深挖乡村的自然景观和人文资源等特色。通过GAI去中心化的城乡知识文化共创，促进城乡文化融合与互补，有利于实现农村优秀传统文化在城市反向传播，让教育共富的实现渠道从城市单向“输血式”传输转变为城乡双向“造血式”共生共创，可以有效避免乡村对城市学校的过度依赖，为更可持续的教育公平和教育共富做出积极贡献。

（三）确保城乡师生正确使用GAI，构筑GAI教育的责任伦理

GAI应用于城乡协作教学还面临着许多挑战，需要慎重评估师生数据隐私泄露、GAI技术主体的知识生成存伪、生成知识承载具有侵犯性的意识形态、模型算法偏见、算法优化形成“马太效应”、生成技术滥用引发信任危机和成果异化，以及知识产权划分等复杂的安全风险与伦理问题[64]。为了确保GAI的有效合理运用，一方面需要教育研究机构制定全面服务策略，健全技术伦理规范，指导城乡教育者和学习者负责任地利用GAI，帮助用户遵循数据隐私及知识产权的相关规定。另一方面也要求城乡学习者提升数字素养，具备独立思考和自我探究能力，审慎批判和鉴别生成信息的真伪性，不对工具透露个人隐私信息，避免过度依赖技术，丧失个人判断能力。

最后本研究存在以下局限性：一方面，在GAI准备度要素的选取上不够全面和丰富，未来研究还可进一步从学习者的智能知识和技能、GAI平台质量等因素考察GAI准备度，使得GAI准备度影响因素模型更加全面；另一方面，在研究样本方面，主要来自浙江某海岛县小学阶段参与城乡教共体协作教学的学习者，未来研究还需调研更大规模和不同特征（如：不同学段、不同区域等）的城乡师生群体，提供优化GAI融入教学的更多视角策略。

参考文献：

[1] 教育部.中共中央办公厅 国务院办公厅印发《关于构建优质均衡的基本公共教育服务体系的意见》[EB/OL].http：//www.moe.gov.cn/jyb_xxgk/ moe_1777/moe_1778/202306/t20230613_1064175.html，2023-06-13.

[2] 中国政府网.中共中央 国务院关于学习运用“千村示范、万村整治”工程经验有力有效推进乡村全面振兴的意见[EB/OL].https：//www.gov.cn/ gongbao/2024/issue_11186/202402/content_6934551.html，2024-02-03.

[3] 教育部.浙江省温州市：续写改革创新史，走好教育共富路——温州深化随迁子女入学便利化改革案例[EB/OL].http：//www.moe.gov.cn/fbh/ live/2023/55484/dfdxal/202309/t20230920_1081681.html，2023-09-20.

[4] 教科技[2020]3号，教育部关于加强“三个课堂”应用的指导意见[Z].

[5] 童兆平，来钇汝等.互联网支持下城乡教育共同体的构建与运行模式——浙江省“互联网+义务教育”的实践探索[J].中国电化教育，2021，（8）：78-84.

[6] 教育部.浙江省：以城乡义务教育共同体建设为抓手 不断提升基本公共教育服务均等化水平[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/ moe_2082/2023/2023_zl07/202306/t20230616_1064666.html，2023-06-16.

[7] 朱永新，杨帆.ChatGPT/生成式人工智能与教育创新：机遇、挑战以及未来[J].华东师范大学学报（教育科学版），2023，41（7）：1-14.

[8] 苏杨城，崔家源，倪伟皓.中学生对生成式人工智能认知使用的影响与对策——基于深圳市中学生的调查分析[J].发明与创新（高中生），2024，（5）：22-27.

[9] 李艳，许洁等.大学生生成式人工智能应用现状与思考——基于浙江大学的调查[J].开放教育研究，2024，30（1）：89-98.

[10] 张池.大学生对于生成式人工智能工具的使用意愿研究——基于技术接受模型[J].科技传播，2023，15（23）：131-135.

[11] 孙丹，朱城聪等.基于生成式人工智能的大学生编程学习行为分析研究[J].电化教育研究，2024，45（3）：113-120.

[12][14] 李世瑾，王成龙，顾小清.预见学习的未来：人工智能学习准备度的框架研制及实践进路[J].中国电化教育，2022，（10）：79-88+96.

[13] Wang，Y.，Zhang，W.Factors Influencing the Adoption of Generative AI for Art Designing Among Chinese Generation Z：A Structural Equation Modeling Approach [J].IEEE Access，2023，11：143272-143284.

[15] Dai，Y.，Chai，C.-S.，et al.Promoting Students’ Well-Being by Developing Their Readiness for the Artificial Intelligence Age [J].Sustainability，2020， 12（16）：6597.

[16] Yang，H.，Lin，J.Students’ persistence intention in MOOCs in the psychomotor domain： An extended 3P model of the teaching and learning perspective [J].Frontiers in Psychology，2023，14：1094138.

[17] Biggs J.B.Approaches to the Enhancement of Tertiary Teaching [J].Higher Education Research & Development，1989，8（1）：7-25.

[18][19][21][24] An，X.，Chai，C.S.，et al.Modeling English teachers’ behavioral intention to use artificial intelligence in middle schools [J].Education and Information Technologies，2023，28（5）：5187-5208.

[20][38][48] Wang，F.，King，R.B.，et al.University students’ intentions to learn artificial intelligence：the roles of supportive environments and expectancy–value beliefs [J].International Journal of Educational Technology in Higher Education，2023，20（1）：51.

[22][23][32] Tiyar，F.，Khoshsima，H.Understanding students’ satisfaction and continuance intention of e-learning： Application of expectation–confirmation model [J].World Journal on Educational Technology，2015，7：157-166.

[25] 杨俊锋，崔丽霞等.混合同步网络课堂有效性的实证研究[J].电化教育研究，2018，39（12）：50-56+77.

[26] Su C.Y，Chao C.M.Investigating Factors Influencing Nurses’ Behavioral Intention to Use Mobile Learning：Using a Modified Unified Theory of Acceptance and Use of Technology Model [J].Frontiers in Psychology，2022，13：673350.

[27] Jain，K.K.，Raghuram，J.N.V.Gen-AI integration in higher education：Predicting intentions using SEM-ANN approach[EB/OL].https：// doi.org/10.1007/s10639-024-12506-4，2024-04-02.

[28] Goffman，E.The Social Theory of Erving Goffman [M].Toronto：University of Toronto Press，1959.

[29] Davis，M.Measuring individual differences in empathy：Evidence for a multidimensional approach [J].Journal of personalilty and social psychology，1983，44：113-126.

[30] Klapwijk，R.，Van Doorn，F.Contextmapping in primary design and technology education： a fruitful method to develop empathy for and insight in user needs [J].International Journal of Technology and Design Education，2015，25（2）：151-167.

[31] Cornelius-White，J.Learner-Centered Teacher-Student Relationships Are Effective：A Meta-Analysis [J].Review of Educational Research，2007，77（1）：113-143.

[33] Spreng*，R.N.，McKinnon*，M.C.，et al.The Toronto Empathy Questionnaire： Scale Development and Initial Validation of a Factor-Analytic Solution to Multiple Empathy Measures [J].Journal of Personality Assessment，2009，91（1）：62-71.

[34] Song，H.，Kim，J.，Luo，W.Teacher–student relationship in online classes：A role of teacher self-disclosure [J].Computers in Human Behavior，2016，54：436-443.

[35] Kuo，Y.-C.，Walker，A.E.，et al.Interaction，Internet self-efficacy，and selfregulated learning as predictors of student satisfaction in online education courses [J].The Internet and Higher Education，2014，20：35-50.

[36][37] Yang，J.，Yu，H.，Chen，N.Using blended synchronous classroom approach to promote learning performance in rural area [J].Computers & Education，2019，141：103619.

[39] Damerji，H.，Salimi，A.Mediating effect of use perceptions on technology readiness and adoption of artificial intelligence in accounting [J]. Accounting Education，2021，30（2）：107-130.

[40] 教育部.义务教育语文课程标准（2022年版）[M].北京：北京师范大学出版社，2022.

[41][42] Hair，J.F.，Babin，B.J.，et al.Multivariate Data Analysis 8th edition [M]. New Delhi：CENGAGE INDIA，2018.

[43] Henseler，J.，Ringle，C.M.，Sarstedt，M.A new criterion for assessing discriminant validity in variance-based structural equation modeling [J]. Journal of the Academy of Marketing Science，2015，43（1）：115-135.

[44] Podsakoff，P.M.，MacKenzie，S.B.，et al.Common method biases in behavioral research： A critical review of the literature and recommended remedies [J].Journal of Applied Psychology，2003，88（5）：879-903.

[45][46] Hair，J.F.，Risher，J.J.，et al.When to use and how to report the results of PLS-SEM [J].European Business Review，2019，31（1）：2-24.

[47] Shmueli，G.，Sarstedt，M.，et al.Predictive model assessment inPLS-SEM： guidelines for using PLSpredict [J].European Journal of Marketing，2019， 53（11）：2322-2347.

[49] 王宁，琚向红，葛正鹏.开放教育网络课程学习满意度影响因素[J].开放教育研究，2014，20（6）：111-118.

[50] 张苗苗.同步互动课堂中教师提问对学生认知参与水平的影响研究[D].武汉：华中师范大学，2020.

[51][55] Zhai，X.-S.，Chu，X.-Y.，et al.Can Edu-Metaverse Reshape Virtual Teaching Community （VTC） to Promote Educational Equity An Exploratory Study [J].IEEE Transactions on Learning Technologies，2023， 16（6）：1130-1140.

[52] Li，X.，Chen，J.，Fu，H.The roles of empathy and motivation in creativity in design thinking [EB/OL].https：//doi.org/10.1007/s10798-023-09869-z，2024-04-02.

[53][59] 翟雪松，楚肖燕等.基于“生成式人工智能+元宇宙”的人机协同学习模式研究[J].开放教育研究，2023，29（5）：26-36.

[54] Johnson，E.，Hervás，R.，et al.Assessing empathy and managing emotions through interactions with an affective avatar [J].Health Informatics Journal，2018，24（2）：182-193.

[56] Phirangee，K.，Bakir，N.Students’ Perceptions of ‘The Presentation of Self’in an Online Learning Environment [EB/OL].https：//www. researchgate.net/publication/348019434，2020-04-17.

[57] Qazi，W.，Raza，S.A.，Khan，K.A.The contradiction between self-protection and self-presentation on knowledge sharing behaviour：evidence from higher education students in Pakistan [J].International Journal of Knowledge and Learning，2020，13（3）：246-271.

[58] 陈宽裕.结构方程模型分析实务——SPSS与SmartPLS的运用[M].台北：五南图书出版有限公司， 2018.

[60][61] 刘邦奇，聂小林等.生成式人工智能与未来教育形态重塑：技术框架、能力特征及应用趋势[J].电化教育研究，2024，45（1）：13-20.

[62][63] 翟雪松，楚肖燕等.从知识共享到知识共创：教育元宇宙的去中心化知识观[J].华东师范大学学报（教育科学版），2023，41（11）：27-37.

[64] 荆洲，杨启光.生成式人工智能赋能教育研究范式变革：机理、风险与对策[J].中国电化教育，2024（3）：68-75.

作者简介：

李艳：教授，博士，博士生导师，研究方向为信息科技教育、数字化学习。

李翠欣：在读硕士，研究方向为信息科技教育、学习分析。

翟雪松：特聘研究员，博士，研究方向为人工智能教育。

Research on GAI Readiness of Learners in Urban and Rural Education Under the Background of Co-enrichment

Li Yan， Li Cuixin， Zhai Xuesong

College of Education， Zhejiang University， Hangzhou 310058， Zhejiang

Abstract： How education promotes common prosperity is an important strategic issue in the field of education， the core of which is how to promote the effective coordination of urban and rural education communities through educational technology. At present， the distribution of urban and rural education resources is uneven， and it is urgent to promote educationWJHcnycLgE6HH3ZCqh+j/g== equity and establish accurate and long-term education assistance. Since the end of 2022， the emergence of generative artificial intelligence （GAI） has attracted significant global attention， providing new opportunities for transforming students’ learning styles and teachers’ teaching patterns， but also posing new challenges to theiIPdNIuxtF4/HqgI3AgOow== collaborative learning of students in urban-rural education communities. Therefore， it is of great importance to discuss the preparatory measures for utilizing GAI to facilitate the collaborative learning of urban-rural students， in order to promote the future development of the urban-rural education community in the era of intelligence. This study focuses on 10 primary schools in 7 pairs of urban-rural education communities in Zhejiang Province. Based on Biggs’ “3P” learning theory， a factor model of urban-rural learners’ GAI readiness is constructed. The results showed that the average score of GAI readiness was higher among students in advantaged schools than those in disadvantaged schools， and higher among girls than boys， as well as higher among senior students compared to younger ones. Empathy and expectation-confirmation were identified as the two most important factors affecting the GAI readiness of learners in urban-rural education communities. Additionally， expectation confirmation， dual-teacher co-teaching quality， and system quality mediated GAI readiness through empathy， self-presentation， or the perceived fairness of teacher-student interactions. This study explored urban-rural learners’ GAI readiness and its influencing factors from the perspective of multidimensional mediation. Based on the findings， some suggestions on integrating GAI into the urban-rural education community were put forward from the perspective of practice.

Keywords： education co-rich； urban and rural education community； generative AI readiness

收稿日期：2024年4月22日

责任编辑：李雅瑄