大语言模型支持的泛在学习应用场景及策略研究

[摘 要] 新一代人工智能技术正在成长为新型技术基座，为泛在学习的实现提供了坚实的技术基础。研究提出了大语言模型应用于泛在学习的三个设计原则：系统性、循环演进和开放性。基于这些原则，构建了大语言模型技术支持下的泛在教育应用模式。该模式以泛在学习的设计、实施和活动评价需求为驱动，通过与大语言模型的持续互动，在多个维度形成闭环，为教师提供全流程支持。研究通过对师范生教学技能训练的泛在学习场景进行案例分析，验证了应用模式的有效性。结果表明，该模式显著提升了学生的数字化意识和教学设计实施能力。基于研究结果，提出了三个泛在学习应用策略：构建服务导向的助学机制，推动学习空间融合化；多通道感知学习环境数据，助力学习智能泛在化；建立“人—机—物”社会性交互，实现人机深度协同。

[关键词] 大语言模型； 泛在学习； 应用场景； 策略； 师范生

[中图分类号] G434 [文献标志码] A

[作者简介] 付道明（1977—），男，四川绵竹人。教授，博士，主要从事信息化教育、学习科学与技术、教师教育研究。E-mail：jetinchina@21cn.com。

一、研究背景

自 2022 年底 Open AI公司发布 ChatGPT 开始，GPT 语言模型及其生成式预训练转化工具不断发展，逐步达到模仿人类自然语言表达、思维模式以及行为习惯的程度，标志着“类人型”人工智能的持续演进[1]。大语言模型技术以自然语言处理技术为基础，以大数据分析、机器学习算法以及大规模算力为支撑，助推自然语言的推理、理解和分析能力的有效提升[2]，实现了从“能存会算”的自动化到“能看会听”的感知化，再到“能理解会创作”的认知化的整体跃升[3]。ChatGPT-4问世后，其在医学诊断、通信、软件工程、教育教学等领域的应用潜力逐渐被认可。以ChatGPT为代表的大语言模型技术能够创设个性化和互动式学习环境，并为学生学习提供了广泛的工具与资源，如因材施教的虚拟辅导、定制化的教学策略和自适应学习内容与路径等，重塑了学习空间、学习过程、学习方式，打造出泛在化、个性化、协作化的学习形态[4]，催生了网络陪伴式学习的泛在化深度融合学习模式[5]、以类脑泛在神经元网络为基础的类脑泛在学习系统[6]等过程模式。ChatGPT可以帮助学生随时随地开展泛在学习，并能够根据个性化学习需要匹配适应性学习策略[7]，极大改善了学生的学习体验和学习效果。

二、 大语言模型技术框架下泛在学习架构的设计

（一）泛在学习的理论研究进展

随着新兴技术的快速发展，泛在学习已成为一种融合物理环境、学习行为和智能技术的新型学习范式[8]。该学习范式强调从多维视角重塑学习，旨在构筑一个资源丰富、互动频繁、情境真实且无所不在的学习生态，激发学习者的内在动机，培养自主学习能力。泛在学习的基础在于丰富的学习资源支撑。随着技术的不断进步，学习资源呈现出丰富性、适应性等多重特征[9]。为更好地支持泛在学习资源的建设，相关研究提出了两个关键举措：首先，泛在学习中的信息传播媒介应满足不同层次学习者的多元需求，促进群体认同与情感交融[10]；其次，资源组织应以实现跨平台共享与再用为原则，同时凸显资源的动态属性[11]。除了资源支撑，泛在学习的另一个显著特点是富联通性。泛在学习环境是一个复杂的生态系统，由多个相互关联的要素构成，这些要素在学习过程中不断互动。为了有效支持这种复杂的学习环境，研究者提出需要采用分层次的方法来设计和实现分布式学习活动[12]。研究者认为，泛在学习强调“人—机—物”的交互作用。为支持这种多维交互，需要构建一个开放互联的智能空间，适应不同学习场景，为学习者提供灵活且个性化的学习体验[9]。最后，泛在学习过程应是一个持续发展变化的过程，其愿景是不断支持学习者的终身学习，扩大学习者的受益面。为实现这一目的，研究者认为，泛在学习应呈现出从封闭到开放、从内容到活动、从通用到个性化的发展路向，并与多个领域加速融合，呈现更广阔的发展前景[11]。

（二）大语言模型技术框架下泛在学习架构的设计原则

为了深入探索大语言模型技术与泛在学习的深度融合，进一步深化泛在学习理念，为学习者提供更加智能化、个性化、无缝化的学习体验，本研究立足于大语言模型的技术架构和泛在学习的研究进展，提出了基于大语言模型技术框架的泛在学习架构设计原则，具体如下：

1. 系统性原则

系统性原则要求在学习系统构建时以整体目标的优化为准绳，协调系统中各要素的相互关系，使得系统完整、平衡。基于大语言模型技术框架的泛在学习系统是一个有机的整体，该系统既包括显性要素（如技术设备、媒体工具、知觉界面等），又包括隐性要素（如学习服务、学习活动、知识等）。单一要素的变化势必会对其他要素产生影响，从而影响系统的整体运行。例如：在不同的泛在学习场景中选择不同的媒体工具，势必会对学习服务内容以及学习活动形式产生影响，从而影响泛在学习质量。因此，需要从系统的角度考虑显性要素和隐性要素的协调统一，对系统进行整体规划与设计。

2. 循环演进原则

在经济学领域，学者提出了循环经济的“3R”原则，即减少原料（Reduce）、重新利用（Reuse）、物品回收（Recycle），强调在优先减少资源消耗和减少废物产生的基础上实现生产循环化和效益最大化[13]。在学习系统构建中，既要关注学习系统的经济性，实现技术设备、环境、工具在学习各阶段的循环利用，实现最大的投入与产出比。同时，也应关注服务、资源、活动的再生与演进，助力产生生成性的资源与服务，并根据教与学需要持续演进。例如：不仅要关注个体的泛在学习，还应探索群体协作式的泛在学习，推动学习场景中虚实资源的相互转化以及教学模式与方法的循环演进发展。

3. 开放性原则

泛在学习系统是一个开放的生态体系，只有与外界进行互动，才能推动系统的可持续发展。学习系统需要具有一定程度的开放性，以便于接收来自外界的反馈信息，并及时对系统应用模式、场景、资源与服务等作出适应性的调整，从而更好地支持个体和群体的泛在学习。例如，当助教发现学习系统因对学习情境感知灵敏度不够而导致学习资源与服务不能有效匹配学习情境时，就需要及时调整系统或设备的相关参数，并借助人工力量提升学习服务质量。

三、 大语言模型技术框架下泛在学习应用场景的构建

本研究基于“系统性、循环演进和开放性”的设计原则，构建了一个大语言模型技术支持下的泛在教育应用模式（如图1所示）。该模式以泛在学习的准备、实施和活动评价需求为主要驱动力，使教师通过与大语言模型的持续互动，在学习资源供给、学习活动设计、学习环境建设、工具应用、活动支持等多个维度形成持续改进的循环过程。在该模式中，教师的目标与需求贯穿泛在学习全过程，确保大语言模型的应用符合各阶段需求。在泛在学习准备阶段，教师基于教学需要和课程标准需要等形成活动设计需求，通过与大语言模型持续互动生成并调整学习资源与活动方案，并在这一过程中逐步形成泛在学习活动开展所需的基本配置。在泛在学习活动的实施阶段，大语言模型则基于已有的基本配置，对当前活动开展条件进行评估，调整活动方案，优化技术工具的应用和泛在学习环境中的任务要素设计，并提供适应性学习路径的比较和学习效果评估。在泛在学习活动的评价阶段，大语言模型能够在面向学习者的活动过程中，评价学生个性化学习与团队协作的过程表现，及时诊断并提供个性化学习路径，促进个体发展到团队的紧密协同。

（一）大语言模型在泛在学习准备阶段的应用

泛在学习的发生受多种因素的影响，如环境、内容、任务和策略等，在泛在学习准备阶段，这些因素围绕既定的学习主题共同构成泛在学习方案的关键要素。此外，教师也存在资源创设的需求，使资源能在相匹配的技术工具支持下形成泛在学习情境。根据泛在学习架构设计原则中的系统性原则，本研究提出了双循环的大语言模型应用于泛在学习准备阶段的模式图（如图2所示），凭借大语言模型多模态数据理解力、自适应学习能力以及迁移学习能力，以持续的需求优化为导向，在人机互动中不断生成并更新满足教学、教研和学习等具体需求的泛在学习方案以及多模态学习资源，最终形成泛在学习活动开展的基本配置。

1. 需求驱动的多视角协同优化

大语言模型所应提供的支持并非简单、机械的需求响应，而是能够引导用户深化需求认知、激发多元思考的“智能助手”。在教学设计、管理、评价等基础工作中，大语言模型已初步展现出良好的胜任能力。例如，它可以动态调整教学内容、整合跨学科知识、评估学习成果、优化资源应用，以及生成个性化学习材料[14-15]。然而，面对泛在学习的复杂情境，仍需在教研、教学、学习等不同维度与大语言模型深度协同，进一步探索优化方案的可能性与可行性。具体而言，首先要针对不同视角和场景，明确角色分工、问题类型、约束条件和输出要求，形成清晰的提示模板。然后，将构建的模板输入大语言模型，根据其反馈不断调整和优化问题，在交互中逐步完善方案设计[16]。值得注意的是，这一过程中产生的新需求、新思路又可作为下一轮人机对话的输入，从而形成方案优化的闭环。

2. 资源生成，持续评估迭代更新

有别于传统的“人本位”或“物本位”的资源设计，大语言模型聚焦于对需求的精准把握和动态适配。依托其多模态学习和自然语言生成优势，大语言模型可在人机互动中持续产出多样化的学习资源，确保资源与学习进度、学习需求的同步更新。例如，大语言模型能够根据活动方案及具体指令，快速生成相关的音频讲解、视频演示，或将抽象概念转化为生动直观的可视化呈现，有效支撑学习内容的多元表征和结构化组织[17]。此外，大语言模型支持的泛在学习资源具备跨模态转换的特性，这也使资源的调用更加灵活。接着，用户输入的需求可以直接来源于成型的活动方案，从而能在更加明确的需求框架下准确定位与生成学习资源。最后，大语言模型的适应性学习和自动化评估能力可以有效评价这些资源的实际效用和适应性，使其更好地融入泛在学习活动[14]。

（二）大语言模型支持泛在学习活动的构建与实现

在泛在学习场景和技术工具的构建与应用中， 大语言模型技术可以面向学习者，有效支持“人—机—物”的深度协同。如图3所示，一方面，大语言模型可以根据泛在学习活动开展所需的环境条件，分析与评估准备阶段生成的基本配置与当前技术工具条件与现实条件下的泛在学习实施环境的匹配程度。另一方面，大语言模型可以根据泛在学习者当前所处的时空分布、群体规模等特点和个性化的学习需求，及时优化与调整学习活动设计、学习路径和方法运用。

1. 实现多情境要素的动态协调与优化配置

在泛在学习活动的实施阶段，大语言模型可以基于准备阶段形成的已有基本配置，对当前活动开展条件进行全面评估，包括学习者特征、环境资源、技术设备等，以判断其与预期设计的契合程度。在此基础上，大语言模型可根据评估结果动态调整活动方案，优化技术工具的应用组合和任务要素设计，更好地适应实际情境。此外，大语言模型还能充分利用技术工具采集的过程性数据，多维度评估学习效果，并据此持续改进情境设计和技术应用策略。同时，借助多模态数据处理能力，大语言模型能将动画、虚拟仿真等生成性互动内容应用在移动设备、VR/AR等新兴技术工具中，营造沉浸式、多感官体验的学习环境。

2. 支持泛在学习模式的动态调整与优化

泛在学习活动因学习者的个人特点和活动实施的情境差异而呈现出多样化的形式。鉴于此，学习者的现实条件、能力基础和学习偏好等特征可以作为模式改进的实际需求，通过与大语言模型的互动形成整体活动实施和资源组织方式的有效举措。同时，大语言模型还可进一步根据需求，综合考虑学习者所处的地理位置、可支配时间、可用的设备条件等因素，实时生成因地制宜的学习策略。例如，根据不同学习者实际需求，分别形成正式/非正式、自主/协作的泛在学习路径，并进行具体指导。

（三）大语言模型赋能泛在学习评价

在个体学习与团队协作中，大语言模型可以充当专家角色，为学习者提供持续指导和精准支持。如图4所示，首先，可以借助大语言模型感知学习者和所属团队的背景、兴趣和学习进度，快速理解和及时回应学习者的疑问，并提供有效的评估和帮助。这种实时的反馈和支持使得大语言模型成为个体学习和团队协作的强大助手。另一方面，大语言模型可以根据不同阶段的活动需求，细化泛在学习任务，持续为团队活动的组织和开展提供支持。通过深度定制和实时互动，大语言模型优化了个体和群体的泛在学习过程，提升了学习效果，使学习者在多样化的学习情境中更加高效和更具有创新性。

1. 细化团队的泛在学习任务，持续推进活动开展

大语言模型需要在泛在学习团队内部担当起数字虚拟助手的角色，借助自然语言理解及情感识别的优势，组织学习者共同参与，监督团队活动，并通过动态学习进行调整，使学习活动始终围绕任务目标开展。例如，李海峰等研究发现，在小组协作中，大语言模型作为智能助教，可根据学习者的对话、情感和进度动态调整生成内容，帮助学生进行深度学习[18]。大语言模型可在泛在学习的目标设定阶段，针对任务要求和集体学习需要指导学生理解学习目标；在任务分工阶段，基于成员知识能力和团队构成生成合适的任务分工；在答疑评估阶段，收集并反馈学习者的提问；在总结评价阶段，汇总学习成果并指导学生反思学习过程。

2. 服务学习者个人的能力提升

大语言模型能够对“人—人”以及“人—机”产生的对话内容进行深入分析，整合多模态信息，帮助学习者在泛在学习过程中定位到适合自我的能力提升路径。通过捕捉和分析弱信号数据，大语言模型帮助学习者理解自身在学习过程中的行为模式和习惯养成，识别并提出解决潜在学习问题的对策。在个人学习中，大语言模型通过实时答疑、模拟对话及讨论，快速理解并反馈学习者的疑问，提供针对性的评估和辅助，促进高阶思维的形成。此外，大语言模型还可比较和优选适应性最强的个性化学习路径，并根据实时反馈动态调整，以提供持续优化的学习支持。例如，Jauhiainen等研究发现，ChatGPT-3.5可根据学生的不同知识水平生成个性化的学习材料，并提供适应性的评估和诊断[19]。

四、大语言模型技术框架下泛在学习案例：师范生教学技能训练

（一）师范生教学技能训练案例简介

以广东第二师范学院教育技术学专业大二学生开展师范生教学技能训练的泛在学习场景为例，学生已经在校学习过媒体选择与利用的ASSURE模式①相关知识，但对于如何运用其开展教学过程设计尚未明晰。访谈发现，学习者平时认真听讲，且按时完成各项作业，掌握ASSURE模式每个阶段的具体含义及分析要点，但对于如何利用ASSURE模式开展教学设计尚未形成系统化知识。为此，本研究邀请学习者在大语言模型技术框架下进行泛在学习，开展泛在学习应用场景实践，学习形式采用“讯飞星火认知大模型+微信+教师辅导”的方式进行。

（二）师范生教学技能训练基本过程

本研究案例实施的基本过程如图5所示，共分为三个阶段。

1. 泛在学习准备阶段

首先，要求学习者详细描述个人相关信息，包括身份信息、个性特征以及学习情况等；其次，讯飞星火认知大模型根据学习者的泛在学习需求生成图、文、声、像等多模态的学习资源，提供有关ASSURE模式的基础知识、相关教学实践应用案例，以可视化的方式形成对概念的深度理解和应用；最后，学习者与讯飞星火认知大模型进一步交互，迭代优化需求，如进一步聚焦学习者参与环节，设计凸显跨学科特征的活动等，从而生成更加适配的资源类型和学习路径方案，以达到问题导向和需求统一之间的有效平衡。

2. 泛在学习活动构建与实现阶段

根据讯飞星火认知大模型指向薄弱知识点的智能推送，学习者掌握了如何运用ASSURE模式开展教学过程设计，优化了学习者的学习体验，提高了学习者的学习效率。随后，学习者选取中小学任意学科运用ASSURE模式开展课堂教学过程设计。

3. 个性化学习与团队协作阶段

根据学习者自主设计的教学过程发现，方案存在着教学目标不清晰、教学活动不聚焦、教学评价不具体等问题，学习者可进一步借助讯飞星火认知大模型的智能识别和诊断功能进行方案完善，如按照学科核心素养的几大方面重写教学目标、以学生素养提升为导向对学生参与活动环节进行具体设计等，以此来不断完善教学设计。

（三）师范生教学技能训练实施效果

1. 提升学生数字化意识

本研究在学生运用大语言模型开展泛在场景实践之后对其进行访谈，了解其对大语言模型赋能师范生教学设计与实施能力的感受与看法。学生普遍认可大语言模型在生成、优化教学设计方案方面的功能与作用，能够为自身开展师范生技能训练提供创新思路，具体表现在：丰富教学内容、增强师生互动、个性化学习指导、精准化学情分析、数据导向的教学决策等。因此，本研究认为，大语言模型在师范生技能训练中的应用能够帮助师范生掌握并内化知识，同时提升其数字化意识，有效发展教育教学技能。

2. 提高学生数字化教学设计与实施能力

数字化教学设计与实施能力是教师数字素养的重要组成部分。本研究根据教育部《教师数字素养》能力标准各个维度的具体描述，对学生数字化教学设计与实施能力进行测量，经SPSS计算该量表的α信度系数为0.918，表明该量表信度高。本研究在泛在学习实施前和实施后分别进行前测和后测，检验结果见表1。由此可知，在泛在学习实践后，实验组和对照组的数字化教学设计与实施能力前测后测得分差值的均数为2.34476，Sig.=0.035<0.05，两组数据存在显著性差异，即大语言模型在师范生技能训练中的有效运用能够显著提升其数字化教学设计与实施的能力。

此外，本研究对学生数字化教学设计与实施能力六个维度的数据进行进一步分析，即获取、管理与制作数字教育资源、设计数字化教学活动、创设混合学习环境、利用数字技术支持教学活动、利用数字技术资源优化教学流程、利用数字技术资源开展个别化指导（如图6所示）。由此可知，实验组和对照组学生在六个方面均存在一定的差异，表明师范生认为大语言模型在开展学情分析、数字教育资源的获取与管理等方面有着较好的优势和潜力。

五、结论与讨论

通过梳理大语言模型对泛在学习的影响，本研究发现，新一代人工智能技术在支持泛在学习资源生成、学习环境、学习评价及活动方式等多个方面突破了时时、处处、人人学习的诸多技术瓶颈。大语言模型对泛在学习环境起到多重关键作用：在泛在学习准备阶段，大语言模型持续生成并调整活动方案与学习资源。在泛在学习活动的实施阶段，大语言模型提供适应性学习路径并进行学习效果评估。在面向学习者的活动过程时，能够赋能个性化学习与团队协作，使个体发展到团队紧密协同。通过总结大语言模型支持的师范生教学技能训练的泛在学习案例，本研究提出以下泛在学习应用策略：

（一）构建服务导向的助学机制，推动学习空间融合化

在本案例中，学生通过“讯飞星火认知大模型+微信+教师辅导”的方式开展了泛在学习。该模式展示了服务在实现随时随地学习中的重要作用。而为推动信息空间与物理空间的有效融合，还需要进一步设计智能空间中的知觉界面与移动网络的“使用服务”和“提供服务”。首先，通过采集声音、图像和传感信息，形成文本、语音、图像多维数据集成的智能虚拟体，为学习者提供智能空间形态下的学习支持。此外，借助5G移动网络的优势，解决海量移动数据传输的问题，提升信息传输效率，使学习者能够在海量移动数据和智能设备间进行交互，实现随时随地的学习[20]。

vWuVGSctRa/QndGK+EK91A==

（二）多通道感知学习环境数据，助力学习智能泛在化

在案例中，大语言模型能与ASSURE模式的需求对齐，为学习者生成与优化学习资源并提供精准指导，从而提高了学习效果。为了进一步助力学习智能的泛在化，需要借助上下文感知计算技术（Context-Aware Computing），强化对学习环境的自动适应，减少注意干扰。上下文感知计算技术是构建智能空间泛在学习系统的关键技术之一，它能够在用户不发出服务请求或在非精确交互的情况下智能地提供计算服务，形成泛在神经元网络，支持随时随地学习交互的开展[21]。具体策略包括：第一，智能空间自动觉察物理空间中的状态变化，改变相应对象的状态或触发某些事件，确保学习者在不同环境中都能获得适应性的学习资源。第二，通过分析位置、时间、速度等环境因素，以及操作习惯、个人喜好和个性化需求等用户上下文，提供个性化的学习支持。

（三）建立“人—机—物”社会性交互，实现人机深度协同

在本研究中，学习者借助大语言模型和教师辅导，进行了个性化学习和团队协作。然而，为了实现更深入的人机协同，还需要进一步提升大语言模型与人类学习者互动、沟通的及时性，并让大语言模型具备人类情感识别的能力。在未来可以利用人工神经网络技术和5G移动网络，实现“人—机—物”互联的随时随地的泛在学习。进一步，通过传感器获取表情、语音语调及外在肢体动作等信息，智能分析学习者的情感变化，提供更人性化的学习支持。这种人机深度协同将能够综合提升学习者的体验和效果。

[参考文献]

[1] 简圣宇. GPT语言模型：作为“类人型”人工智能的技术准备[J]. 广州大学学报（社会科学版），2023（4）：19-24.

[2] 高亚楠. 大模型技术的网络安全治理和应对研究[J]. 信息安全研究，2023，9（6）：551-556.

[3] 吴砥， 李环， 陈旭. 人工智能通用大模型教育应用影响探析[J]. 开放教育研究， 2023，29（2）：19-25，45.

[4] 杨宗凯，王俊，吴砥，等. ChatGPT/生成式人工智能对教育的影响探析及应对策略[J]. 华东师范大学学报（教育科学版），2023，41（7）：26-35.

[5] 李海峰，王炜. 网络陪伴式学习——一种泛在学习场域下的群体自律协同学习模式[J]. 电化教育研究，2023，44（5）：67-73，81.

[6] 付道明，华子荀. 互联网大脑进化形态下的类脑泛在学习系统：教育神经科学的视角[J]. 远程教育杂志，2021，39（6）：9-19.

[7] TU Y F， HWANG G J. University students' conceptions of ChatGPT-supported learning： a drawing and epistemic network analysis[J]. Interactive learning environments， 2023（11）：1-25.

[8] 刘革平. 从“泛智”论到泛在学习进阶智慧学习：论“泛”教育思想的内在关联和价值意蕴[J]. 现代远程教育研究，2022（2）：33-43.

[9] 徐刘杰. 泛在学习资源进化的动力模型构建[J]. 中国电化教育，2018（2）：36-42.

[10] 李海峰.网络陪伴式学习——一种泛在计算技术支持环境域下的群体自律协同学习模式[J].现代教育技术，2019，29（12）：60-67.

[11] 卢宇，安雪，马秀麟，等. 多模态大模型的教育应用研究与展望[J]. 中国电化教育，2023（3）：1-13.

[12] 付道明. Ubiquitous CSCL的概念模型与关键技术要素[J]. 中国电化教育，2006（12）：21-25.

[13] MOHAMMED M， SHAFIQ N， ELMANSOURY A， et al. Modeling of 3R （reduce， reuse and recycle） for sustainable construction waste reduction： a partial least squares structural equation modeling （PLS-SEM）[J]. Sustainability， 2021，13（19）：10660.

[14] CHIU T K F. The impact of Generative AI （GenAI） on practices， policies and research direction in education： a case of ChatGPT and midjourney[J]. Interactive learning environments， 2023（1）：1-17.

[15] 秦渝超，刘革平，许颖. 生成式人工智能如何重塑教学活动——基于活动理论的模型构建与应用[J]. 中国远程教育，2023，43（12）：34-45.

[16] 翟雪松，楚肖燕，焦丽珍，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.

[17] 罗江华，张玉柳. 多模态大模型驱动的学科知识图谱进化及教育应用[J]. 现代教育技术，2023，33（12）：76-88.

[18] 李海峰，王炜. 人机协同深度探究性教学模式——以基于ChatGPT和QQ开发的人机协同探究性学习系统为例[J]. 开放教育研究，2023，29（6）：69-81.

[19] JAUHIAINEN J S， GUERRA A G. Generative AI and ChatGPT in school children's education： evidence from a school lesson[J]. Sustainability， 2023，15（18）：14025.

[20] ANDREWS J G， BUZZI S， CHOI W， et al. What will 5G be？[J]. IEEE journal on selected areas in communications， 2014，32（6）： 1065-1082.

[21] CHEN G， KOTZ D. A survey of context-aware mobile computing research [R]. Hanover，New Hampshire：Department of Computer Science，Dartmouth College，2000：1-16.

Research on Application Scenarios and Strategies of Ubiquitous Learning

Supported by Large Language Models

FU Daoming， QIU Xingyue， ZHANG Mei， LIU Yachun

（College of Teacher's Education， Guangdong University of Education， Guangzhou Guangdong 510303）

[Abstract] The emerging generation of artificial intelligence is growing into a new type of technology base， providing a solid technological foundation for the realization of ubiquitous learning. This study introduced three design principles for the application of large language models （LLMs） to ubiquitous learning： systematicity， iterative evolution， and openness. Drawing on these principles， a ubiquitous education application model supported by LLM technology was constructed. This model was driven by the needs of design， implementation and activity evaluation of ubiquitous learning， and formed various closed loops through continuous interaction with LLMs to provide teachers with the whole-process support. Through the case analysis of the ubiquitous learning scenario of teacher training in teaching skills， the validity of the application model was verified. Results indicate that this model significantly enhances students' digital awareness and their instructional design and implementation skills. In light of the research results， three application strategies for ubiquitous learning are proposed： establishing a service-oriented tutoring mechanism to promote the integration of learning spaces; leveraging multi-channel learning environment data perception to facilitate the pervasive learning intelligence; and establishing "human-computer-object" social interactions to achieve deep human-machine collaboration.

[Keywords] Large Language Model; Ubiquitous Learning; Application Scenario; Strategy; Normal University Student