生成式人工智能赋能教育信息科学与技术研究：新机遇、新趋势、新议题

摘要：生成式人工智能为教育创新变革注入了新动能，也为教育信息科学与技术研究带来了新契机。生成式人工智能引发的研究场域变化、分析手段革新、服务能力升级、实践样态变革，为教育研究的科学化发展带来了新机遇。在此背景下，教育信息科学与技术研究的目标和重点亟需发生转变，表现为从关注知识学习到重视创新人才培养，从重视规律挖掘到强调服务能力提升，从追求技术创新到注重解决教育问题，从聚焦通用场景到关注学科教育实践，从研究跟随实践到研究引领实践创新。为了更好地顺应生成式人工智能背景下教育信息科学与技术研究的新发展趋势，未来该领域研究应重点关注以下六大核心议题：一是面向创新人才培养的教育规律挖掘，二是学科教育人工智能大模型的构建与应用，三是学科素养图谱的智能生成与动态优化，四是素养导向的个性化学习服务关键技术，五是人机协同教育的实践创新和机理探索，六是人机协同胜任力的智能评测理论与技术。这些研究议题能为生成式人工智能背景下国家自然科学基金“教育信息科学与技术”资助方向的改革提供理论指引。

关键词：教育信息科学与技术；生成式人工智能；人机协同教育；学科素养图谱；教育大模型

中图分类号：G434 文献标识码：A 文章编号：1009-5195（2024）06-0046-09 doi10.3969/j.issn.1009-5195.2024.06.006

一、引言

2018年国家自然科学基金委设立“教育信息科学与技术”（申请代码为F0701），旨在利用教育学、心理学、信息科技、系统科学、神经科学等多个学科的研究方法，刻画教育主体、挖掘教育规律、变革教育服务、优化教育模式，为教育的创新发展提供理论指引、技术保障和证据支持，对于我国教育科学研究工作的开展具有里程碑式的重要意义（郑永和等，2023a）。经过多年探索，教育信息科学与技术研究取得了突破性进展，研究队伍逐步壮大，研究方向趋于稳定，技术方法和研究范式逐渐成熟，领域发展图景初步显现，能够为教育改革发展提供强有力的支持。

随着2022年底ChatGPT的横空出世，生成式人工智能俨然成为当前教育创新变革的核心驱动力，引发知识生产模式（刘三女牙等，2024a）、资源生成范式（万力勇等，2023）、教育服务能力（方海光等，2024）、教育实践样态（祝智庭等，2023）的系统变革。教育领域的研究人员也在探索生成式人工智能在教育变革中的前景、趋势和挑战，同时尝试将生成式人工智能作为教育研究的工具，探索其能够为教育研究带来哪些利好。从本质上讲，生成式人工智能能够推动教育信息科学与技术的目标使命、技术方法和实践场域的全方位革新，充分释放教育研究的生产力（刘三女牙等，2024b），为教育研究的科学化发展注入新动能。在生成式人工智能的帮助下，教育信息科学与技术研究可以更好地聚焦教育规律挖掘、教育服务提升、教育模式优化等现实问题，回应创新人才培养、教育优质均衡发展等重大问题，为智能时代教育的创新变革提供有效支撑。本研究通过对生成式人工智能赋能教育信息科学与技术研究的新机遇、新趋势、新议题进行系统分析，旨在为国家自然科学基金“教育信息科学与技术”资助方向的改革提供方向指引，也期待为教育科学研究的创新发展提供学理支撑。

二、生成式人工智能赋能教育信息科学与技 术的新机遇

1.研究场域的变化

随着生成式人工智能的快速发展和教育数字化转型的逐步推进，数字化的教育环境、资源、工具、平台已成为一线教学的重要依托，相应地也推动教育环境、教育主体和教学组织机制发生了深刻变革。

其一，教育环境从传统场景转向数字化场景。生成式人工智能大模型能够与视音频、三维动画、虚拟现实、数字孪生、元宇宙、数字人等技术进行深度整合，创设虚实融合、智能增强、沉浸真实的教育环境，提高学习环境的真实性和互动性，并依据教学内容的特征实现教育资源与环境的智能生成和动态优化（陈聪聪等，2024），进而为学生提供身临其境的学习体验。

其二，教育主体从“师—生”二元主体转向“师—机—生”三元主体。生成式人工智能技术在显著提升机器智能的同时，也使其能够真正扮演数字教师的角色，全面参与课堂教学的设计、分析与决策过程，这不仅改变了传统课堂教学的“师—生”二元主体结构，建构起“师—机—生”的三元主体结构（苏旭东，2024），而且也引发了教育主体角色的变迁、人机关系的重构以及知识传授方式的变革。

其三，教学组织模式从“预设性”转向“生成性”。以往的课堂教学大多依据预设的目标、内容、场景和方案，按部就班地开展教学活动，而生成式人工智能大模型能够实现教学方案的科学设计、教学资源的智能生成、教学活动的精准组织、教育环境的动态优化、教育评价的实时反馈（杨现民等，2024）。在此背景下，课堂教学将打破基于人工预设的线性结构，而能根据学生的学习兴趣和需求，定制教学方案、教学内容和教学活动，以提高课堂教学的灵活性、适应性和创新性，激发课堂教学的内在活力。从这个意义上说，生成式人工智能与教育教学的深度融合为教育信息科学与技术研究提供了新的研究场域，未来相关研究的开展需要越发重视生成式人工智能背景下的教育过程感知、教育主体建模、教育规律挖掘和教育模式优化，进而为教育实践的创新变革提供方法和证据支持。

2.分析手段的革新

生成式人工智能有助于推动教育研究手段的转型升级，提高数据分析效率，为教育研究的科学化发展提供有效支撑。

其一，机器能够实现自动化的数据标注。生成式人工智能能够将以往需要由人工完成的数据标注工作交给机器去完成，这将克服基于人工的“众包”标注模式带来的效率低、成本高、质量低、主观性强等弊端，在一定程度上提高了标注效率、保证了标注质量、降低了标注成本、增强了标注多样性，并且在机器标注的过程中，模型的泛化能力也将通过持续学习和优化而逐步提升。

其二，机器能够实现自动化的数据分析。生成式人工智能大模型能够有效提升数据分析的效率，实现自动化的代码生成，代替人工完成参数调优、模型训练等工作；充分挖掘数据中潜在的模式、关系和趋势，强化教育数据的价值挖掘；还可利用图表和文字增强解释机器智能决策的逻辑、依据与机制，避免人工智能的黑箱模型对人造成的“信任危机”，不断提升教育数据的使用效能（王一岩等，2023a）。

其三，机器能够实现自动化的结果反馈。生成式人工智能大模型能够整合人类智慧和机器智能的核心优势，生成科学化的评价方案；通过对多模态数据的复杂建模分析，提供客观、精准、可解释的分析结果，这些方案和分析结果能够为教育实践的优化提供方向指引。

总体来看，生成式人工智能所带来的教育分析手段的革新，能够提高数据分析效率、强化数据价值洞察、实现自动化的评价与反馈，其一方面能够加强对学生复杂能力的建模分析，为教育主体建模提供工具支撑，另一方面能够实现对教育规律的深层次探索，为教育实践的改进和优化提供方向指引。

3.服务能力的升级

生成式人工智能相较于传统人工智能技术的核心优势在于其强大的文本生成、人机对话和逻辑推理能力。具体而言，生成式人工智能能够脱离人工预设规则的限制，借助自身强大的知识库，通过自主学习发现新规律、探索新方法、生成新内容，并通过与人类的对话协商，整合人类智慧和机器智能的优势，提升机器智能决策的适应性和可靠性。这在很大程度上推动了教育服务能力的转型升级，具体体现在三个方面。

其一，教学辅助的转型升级。在以往研究中，机器大多只能根据预设的计算规则和算法模型，对课堂教学的某些方面进行诊断和评价，并将评价结果反馈给教师，例如帮助教师批改作业、诊断学情、评价教学效果等。而生成式人工智能一方面能够依托自身强大的算法模型提升传统教学辅助的质量，另一方面能够依据教学目标和教学内容的特点，为教师设计个性化的教学方案、生成定制化的教学资源、创设适应性的教学活动、实现过程性的教学评价。这将为课堂教学提供多样化的辅助措施，激发课堂教学的内在活力，推动课堂教学的组织机制创新。

其二，学习干预的动态优化。以往的智能化学习干预大多局限于依托学业数据的学情诊断、资源推荐、路径规划等方面，而生成式人工智能技术的应用能够通过人机之间的多轮对话，对学生的学业问题、学习意图、认知水平、学习偏好、思维能力等方面进行精准刻画，利用思维链技术模拟人类的思维过程（戴岭等，2023），并通过人机多轮对话启发学生思考、激发学习动机，帮助学生逐层深入地理解学习内容的本质，提高学习的自主性和能动性。

其三，教育评价的精准调控。以往的智能教育评价大多由教师和研究人员从自身经验出发构建评价体系，并通过数据建模的方式对评价对象的特定方面进行刻画。而生成式人工智能一方面能够突破人类主观经验的限制，整合教师智慧和机器智能生成自动化的评价方案，实现教育评价体系的智能演进；另一方面能够通过数据建模的方式实现形成性评价，并整合过往经验，生成智能化的改进策略，进而为教师改进教学方案提供有效支撑。

4.实践样态的变革

生成式人工智能能够助力教育方案设计、教育资源生成、教育服务供给、学习干预机制、教育决策模式的系统变革，引发教育实践样态的转型升级，推动学习和教学逐渐向“人机协同”的方向发展。

其一，人机协同学习。生成式人工智能大模型能够为学生提供对话式的学习辅助，帮助学生通过与机器的沟通交流、对话协商加强对所学内容的理解与建构，这使人机协同学习成为未来学习的新常态。人机协同学习旨在通过学生和机器的合理分工和有机协同来提升学习的效率，促进学生智慧和机器智能的共同增长，以解决超越人类智慧和机器智能的复杂任务，尤其是促进学生的知识建构、认知发展、思维提升和智慧养成（王一岩等，2024a）。人机协同学习的核心在于通过学生和机器的多轮对话和双向反馈，促进学生与机器的思维碰撞，引发学生的认知冲突和自主建构，逐步达成对所学内容的共同认识。

其二，人机协同教学。生成式人工智能的快速发展使机器的智能化水平显著提升，能够深度参与教学设计、实施与评价的各个环节，推动课堂教学向人机协同的方向发展。人机协同教学旨在充分发挥教师智慧和机器智能的核心优势，通过教师与机器的协同工作和优势互补，优化课堂教学的中间环节，重构课堂教学的组织模式，超越教师智慧和机器智能的局限性，实现人机协同的教育智慧创生，推动“教师智慧—机器智能—学生智慧”的协同增长和共同进化（王一岩等，2024b）。未来随着生成式人工智能技术向课堂教学的逐渐渗透，教学方案、教学内容、教学资源、教学活动、教学评价都将呈现出较强的生成性和适应性的特点，这将推动教学从“预设性”走向“生成性”，更好地激发课堂教学的内在活力，提高学生学习的自主性和能动性。

三、生成式人工智能赋能教育信息科学与技 术的新趋势

教育信息科学与技术研究旨在利用信息科技手段和自然科学的研究方法，发现教育规律、解决教育问题、升级教育服务、优化教育模式，以推动教育研究与实践的创新发展。生成式人工智能技术的快速发展，不仅推动了研究场域、分析手段、服务能力、教育模式的转型，也引发了教育信息科学与技术研究目标的变化，使教育科学研究能够在更大程度上回应教育改革发展的现实需求，推动教育实践的转型升级。

1.从关注知识学习到重视创新人才培养

从以往教育信息科学与技术研究的愿景目标来看，相关研究更加关注“知识学习”，注重利用知识图谱、认知诊断、知识追踪等技术实现对学生知识结构、认知水平、学科能力的精准测评，以此为学生提供个性化的学业诊断、资源推荐和路径规划服务（王一岩等，2023b）。随着新一轮科技革命和产业变革的逐步深入推进，教育的目标亦发生了相应的变化，更加强调创新驱动发展战略下的大规模创新型人才培养，人才培养目标亟须从“知识导向”向“素养导向”转变。在此背景下，教育信息科学与技术研究不能仅仅聚焦“知识学习”层面，还需要在更大程度上回应中国教育改革发展面临的重大问题，聚焦科技强国建设的现实需求，为创新人才培养提供有效支撑。生成式人工智能所引发的教育分析手段和教育服务能力的提升，恰能让教育科学研究真正回应创新人才培养这一重大的时代议题，为教育创新发展提供有效依托。未来，教育信息科学与技术研究需要逐渐超越知识学习的逻辑，面向创新人才培养的现实需求，突出素养导向、实践导向、探究导向，充分发挥生成式人工智能在核心素养测评、教育内容供给、教育规律挖掘、教育服务优化、教育模式创新等方面的核心效用，为创新人才培养提供可靠支撑。

2.从重视规律挖掘到强调服务能力提升

以往研究更多关注特定教育情境中教育规律的挖掘与分析，以揭示“人是如何学习的”这一根本问题。近年来相关研究也大多聚焦利用教育学、心理学、系统科学、神经科学、信息科技等学科的理论、技术和方法，深层次揭示教育的规律，实现多学科研究结论的科学互证，以推动教育研究的科学化发展。但从教育信息科学与技术研究的目标和使命来看，其除了需要表征学习过程、挖掘教育规律之外，还应依据教育改革的现实需求、参照教育规律、依托数字技术，推动教育实践样态的调整和优化，以此为创新人才培养提供有效依托，推动大规模个性化教育目标的落实。从这个意义上讲，教育信息科学与技术研究的目标不能仅仅局限在揭示“人是如何学习的”，更应该关注“如何设计更好的学习”，聚焦“教育规律挖掘”和“教育服务供给”两大主题，充分发挥生成式人工智能技术对于教育的赋能作用，实现对教育实践的改进和优化。未来教育信息科学与技术研究需要进一步关注我国教育改革发展的重大议题，利用生成式人工智能技术推动教育服务能力的大幅提升，不断革新教育实践场域、变革教育教学样态、优化人才培养模式、完善资源供给机制，进而提高教育质量，保障教育公平，为教育高质量发展提供坚实保障。

3.从追求技术创新到注重解决教育问题

从自身定位来讲，教育信息科学与技术研究注重利用自然科学研究的范式探究教育发展的底层规律，以推动教育研究的科学化发展（郑永和等，2023a）。其带来的问题是，研究人员往往过度强调新技术、新算法的应用，却忽视了对教育本质的追问，这使教育信息科学与技术研究在很大程度上沦为了技术驱动的算法创新研究（郑永和等，2023b），而对于教育规律的挖掘、教育问题的发现、教育服务的优化却并没有实质性贡献。这在很大程度上背离了教育科学研究的初衷。随着生成式人工智能技术的快速发展，技术方案的设计、算法模型的训练变得更加简单便捷，即便研究人员没有太多的算法基础，也可以利用生成式人工智能大模型去获取先进的技术方案。在此背景下，以往基于数据感知、建模、分析、预测的研究逻辑将逐渐被大模型所扭转。应该说，生成式人工智能大模型为教育科学研究提供了技术底座，有助于提升教育研究向教育实践的转化能力。未来教育信息科学与技术研究的开展不宜过度强调新技术、新算法的应用，而应更加注重选定适合技术应用的明确教育问题，构建合理完善的解决方案，避免盲目的数据化、标签化和算法化将教育研究引入“技术决定论”的实践误区。未来研究应该更加关注智能技术的应用揭示了哪些教育问题、挖掘了哪些教育规律、提升了哪些教育服务，以此来规范教育信息科学与技术研究的实践方向，推动教育科学研究的常态化发展。

4.从聚焦通用场景到关注学科教育实践

从近年来教育信息科学与技术研究的关注要点来看，相关研究大多关注通用场景中的教育规律挖掘与分析，如课堂学习、在线学习、混合学习、虚实融合学习、人机协同学习等，以挖掘普适性的教育规律，解决教育研究与实践中的共性问题（郑永和等，2021）。应该说，对于通用场景中教育规律的挖掘与分析是数字技术与教育教学深度融合的必经阶段，也是教育科学研究的必然趋势，其能够促进对经典教育模式的改进和优化，规范数字技术与教育实践的融合路径。但其中的问题在于，此类研究更加关注特定教育场景或典型教育模式下教育规律的挖掘与分析，而对学科、学段、人群等方面的关注不足，这导致特定研究情境下获得的教育规律的可迁移性偏弱，比如在数学学科发现的规律无法应用于语文学科，在初中阶段发现的规律无法应用于小学阶段。从这个意义上来说，对于通用学科场景中教育规律的挖掘与分析在教育信息科学与技术推进的初期阶段具有重要意义，有助于在探索过程中逐渐完善研究范式和明确技术方案。但从长远来看，教育科学研究应该扎根于学科教育实践，聚焦特定学科的教育目标、教育内容、教育资源、教育模式等，进行体系化的研究布局，针对学科教育的不同学段与场域开展深入细致的机理探索，以提升教育规律的针对性和可迁移性。因此，走向学科化是教育科学研究的必然趋势，随着生成式人工智能技术所带来的教育分析手段和教育服务能力的提升，教育信息科学与技术的相关研究也应该逐渐下沉到语文、数学、英语、科学等学科，挖掘学科教育场景中的特异性规律，为学科教育实践创新提供可靠的证据支持。

5.从研究跟随实践到研究引领实践创新

从“研究”与“实践”的关系来看，以往研究由于研究理念和技术手段的限制，大多发生在特定的实践场景中，依托一线教师的教育实践活动进行数据采集、分析和决策，并为教育实践的改进提供相应建议。此阶段“研究”之于“实践”更多是一种“跟跑”的关系，教育科学研究的开展需要依赖特定的教育实践。但随着生成式人工智能技术的快速发展，教育服务能力也显著得以提升，使教育过程的感知、教育规律的挖掘、教育问题的诊断、教育环境的创设、教育模式的优化更加便捷高效。由此也引发教育科学研究视角的转变：相关研究不能仅仅局限于依托现有教育实践去表征学习过程、刻画教育主体、挖掘教育规律，更要能够对现有实践进行全方位、系统化的精准评价，挖掘现有教育实践中存在的突出问题，并生成系统化的改进方案以推动教育实践的创新。例如，生成式人工智能大模型通过对课堂教学案例的学习，一方面能够为教师提供个性化的教学改进策略，另一方面能够生成合理完善的教学设计方案，以助力教育实践的优化。从这个意义上来说，未来“研究”与“实践”的关系，需要从“跟跑”转变为“引领”和“创新”，即充分发挥生成式人工智能对于教育实践的改进和优化作用，探究教育研究如何赋能教学方案的设计、教学资源的优化、教学活动的组织、教学策略的调整，以此为教育实践的开展提供更加智能化、精准化、人性化的教育服务，进而推动“教育研究”和“教育实践”的双向赋能和协同进化。

四、生成式人工智能赋能教育信息科学与技 术的新议题

鉴于生成式人工智能为教育信息科学与技术研究带来新的发展机遇，未来相关研究需要结合教育信息科学与技术研究的核心要点进行深入探索，其研究的新议题主要包括如下6个方面。

1.面向创新人才培养的教育规律挖掘

由上文可知，以往的教育研究大多围绕“知识学习”进行探索，以刻画学生的知识基础、学科能力、认知水平、学习态度，挖掘学生的认知发展规律，并提供适应性的学业诊断和学习干预，以助力学生取得学业成功。但随着教育改革发展的逐步推进，以及生成式人工智能技术的快速发展，教育目标亦发生了重大变化，越发注重科技强国建设背景下的创新人才培养，这就要求对学生知识技能的单一关注，转向对学生问题解决能力、批判性思维、创造性思维、系统性思维、跨学科能力、自主学习能力的全方位观照，即从强调“知识导向”转向强调“素养导向”。生成式人工智能技术在人机对话、知识讲解、思维启发、能力训练等方面表现出巨大潜力，不仅能够为学生定制个性化的学习方案，还能帮助学生实现对话式、启发式、探究式的学习，真正为创新人才培养赋能。因此，未来教育信息科学与技术研究需要以创新人才的培养和评价为目标，推动研究目标和研究手段的系统性重构。

其一，在教育主体刻画方面，需要以创新人才培养为目标，对原有的学习者模型进行拓展和延伸，在知识基础、认知水平、情感态度的基础上，加强对学生问题解决能力、批判性思维能力、跨学科能力、创造力等关键能力的观照，构建面向创新人才培养的学习者模型，并采用数据驱动的研究方法对学生在多元学习场景中的行为表现进行智能化监测分析，对创新人才培养相关的能力和素养进行精准刻画。

其二，在教育规律挖掘方面，需要在原有研究的基础上以创新人才的相关特质为参照，探究相关教育要素影响创新人才培养的潜在机制。例如，利用视频分析技术探究课堂教学模式对学生问题解决能力的影响机制，利用文本挖掘技术揭示课堂对话对学生批判性思维的影响机制，或者利用脑成像技术探究基于人机对话的启发式教学对学生创造力的影响机制等。

其三，在教育服务供给层面，需要逐渐摆脱面向知识层面的教学辅助和学习干预，转而利用教学方案的设计、教学内容的生成、教学活动的组织，为学生打造实践性、探究性、跨学科性的学习方案，并通过人机对话的方式，逐步启发学生思考，培养学生的批判精神、探索精神和创新精神，进而引导他们进行自主思考和积极探索。

2.学科教育人工智能大模型构建与应用

要依托生成式人工智能技术推动教育实践变革、助力创新人才培养，需要有面向教育领域的垂直大模型作为支撑，以探索大规模因材施教的方法与路径，助力创新性与个性化教学。未来生成式人工智能将成为教育实践创新的重要驱动力，因此需要结合相关研究的前沿趋势，突出学科育人要求，聚焦学科特异性场景，整合优质学科资源，加强学科教育人工智能大模型研发，为学科教育研究和实践的开展提供有效依托。

其一，加强学科语料库和资源库建设。整合课标、教材、教案、作业库、试题库、论文、专著、课堂对话等文本资源，建设学科教育专有语料库；汇聚图片、PPT课件、视音频、三维动画、虚拟现实、数字人等教学资源，建设多模态教育资源库；在此基础上，通过确定任务场景、制定评分标准、建设SFT（Supervised Fine-Tuning）监督学习数据集等方式，为大模型的训练和优化提供基础语料和资源保障。

其二，训练学科教育人工智能大模型。在国产大模型底座的基础上，结合学科专有语料库，研究面向学科教育场景的模型训练和指令微调方法，构建融合教育领域知识的增强模型，通过高质量有监督指令任务的监督学习、基于人类反馈的强化学习来提升大模型的性能。在此基础上，加强教育提示语工程建设，引导学生输入既符合人类表达习惯又遵循机器对话规则的学习指令（赵晓伟等，2024），让机器能够理解学生真实的学习需求，并及时响应。

其三，加强学科特异性功能开发。结合学科教学的实践需求，聚焦跨学科教案设计、多模态资源生成、探究性活动设计、对话式学习干预、生成性教学辅助、形成性评价反馈等多元场景，设计系统化的研究选题，构建完善的技术方案和应用场景，以推动学科教育人工智能大模型的功能开发，为教育实践的创新提供可靠的技术支持。

3.学科素养图谱的智能生成与动态优化

知识图谱旨在以课标、教材为参照，对知识点之间的前后关系、包含关系、上下位关系进行准确表征（周东岱等，2024），以完善学科知识谱系，并建立教育资源和学科知识图谱之间的映射关系。知识图谱已成为评判学生知识结构和学科能力、实现资源推荐和路径规划的重要参考。随着人才培养目标的变化，以及义务教育新课标的发布，教育研究与实践需要摆脱“知识导向”的桎梏，逐渐向“素养导向”转变。未来学科素养图谱的研究将为创新人才的培养和评价提供有效支撑。

其一，关注面向学科教育的“知识—素养”智能标注。即在原有学科知识图谱的基础上，以课标和教材为参考，对各个学科的知识谱系进行梳理，并将知识点对应的关键学科素养进行标注。在此基础上，以学科教育资源和活动为基本学习单元，对每个学习单元所涉及的关键知识点和学科素养进行标识，建立“资源/活动—知识—素养”之间的动态映射关系，构建体系化、结构化的学科素养图谱。

其二，重视学科素养图谱智能生成与动态优化关键技术。汇聚多样化学科教学资源，研究基于“知识—素养”的抽取、融合、加工、补全、纠错、更新等关键技术（林健等，2022），实现学科素养图谱的智能构建与动态优化。

其三，关注学生学科素养图谱智能生成与动态调整方法。以学生利用学习资源、完成学习活动的真实表现为参考，对学生的知识掌握程度、学科素养水平进行全方位综合化的测评分析，并利用资源之间的关联关系对学生的素养水平进行精准诊断和科学预测。

4.素养导向的个性化学习服务关键技术

随着教育目标从“知识导向”向“素养导向”的转变，个性化学习的内涵和关注点也需随之迁移，即逐渐摆脱对知识图谱、认知诊断、资源推荐等传统个性化学习技术的依赖，更加关注面向学生素养发展的个性化学习理论和技术研究。素养导向的个性化学习旨在破除对“知识学习”的依赖，更加强调从创新人才培养的核心目标出发，构建面向学生个体的个性化学科素养图谱，对学生的知识基础、问题解决能力、批判性思维能力、跨学科能力、创造力等共性特征，以及特定学科的核心素养进行实时动态的精准测评，并为学生推荐适应性的学习资源、设计探究性的学习活动、提供对话式的思维引导，以助力学生学科素养的有效提升。

其一，完善学科素养的智能测评机制。以学科素养图谱为参照，构建系统化的学科素养测评模型，完善学科素养智能测评方法体系，根据学生在特定学习活动中的表现，利用多模态数据对学生的学科素养水平进行动态全面的精准测评。在此基础上，系统分析学生个体和群体的学科素养发展水平，挖掘学科素养的薄弱项，为素养导向的个性化学习服务供给提供标准参照和方向指引。

其二，构建学科素养的精准干预策略。根据学生学科素养的发展水平，利用生成式人工智能大模型生成创意性的学习材料、创设探究性的学习活动、提供对话式的学习引导、设计启发式的教学辅助，以帮助学生在机器的引导和启发下加强对所学内容本质的理解，在参与探究实践的过程中实现跨学科的知识整合和应用，发挥自身的自主性和创造性，助力学生高阶思维能力与关键学科素养的有效提升。

5.人机协同教育的实践创新和机理探索

生成式人工智能技术的快速发展使机器的智能化水平显著提升，越发深入地参与到学习、教学、评价的各个方面，并通过人和机器的深度协同，提高教育实践的灵活性、适应性和创新性，这也使对话式人机协同学习、生成性人机协同教学、形成性人机协同评价成为可能。在此背景下，需要进一步加强人机协同教育的实践创新和机理探索，为生成式人工智能背景下教育研究与实践的创新提供方向指引。

其一，人机协同教育的典型模式探索。未来人机协同教育实践的开展，需要推动生成式人工智能技术与教学、学习、评价的深度融合，通过人和机器的合理分工，整合人类智慧和机器智能的核心优势（王一岩等，2024a），聚焦人机协同的对话式学习、生成性教学、形成性评价等典型场景，探索人机协同教育的典型模式，以助力人机协同教育实践的创新发展。

其二，人机协同教育的实践成效验证。目前智能技术赋能教育创新仅存在于“应然”的理念探索层面，尚未有“实然”的实证证据支撑（UNESCO，2023）。因此，人机协同教育实践的开展需要加强对其实践成效的检验，以此为教育实践样态的革新提供方向指引。此类研究需要着重关注以下问题：对话式人机协同学习促进学生知识掌握、认知提升、思维发展的成效验证；生成性人机协同教学提升学生参与度、学习动机、自主学习能力的成效验证；形成性评价反馈赋能课堂教学策略优化与质量提升的成效验证等。

其三，人机协同教育的潜在规律挖掘。在模式探索和成效验证的基础上，研究者需要加强对人机协同教育潜在规律的探索，明确人机协同的教育模式对学生学习、教师教学的影响机制，以此为教育实践的改进提供证据支持。其核心议题主要包括：人机协同学习的对话序列挖掘和典型模式提炼，人机对话促进学生元认知发展的机理探索，生成性教学促进学生创造力发展的机制研究，以及形成性评价促进教师胜任力提升的机理探索等。

6.人机协同胜任力智能评测理论与技术

随着生成式人工智能对教育教学的逐渐渗透，教学和学习的发生越发依赖人和机器的深度协同，也使人机协同教育成为未来教育发展的主流趋势。在此背景下，学生和教师能否合理利用生成式人工智能大模型开展合乎伦理的学习和教学实践，促进学习效率和教学质量的显著提升，成为生成式人工智能教育应用需要解决的关键问题。因此，未来教育信息科学与技术研究需要进一步加强对师生人机协同胜任力的关注，为人机协同教育实践的开展提供证据支撑。

其一，构建师生人机协同胜任力的评价体系。从生成式人工智能背景下人机协同学习和人机协同教学的前沿趋势出发，聚焦意愿态度、技能水平、创新应用、伦理道德等方面，构建系统化、层次化的师生人机协同胜任力评价体系（范建丽等，2022），为人机协同胜任力测评实践的开展提供标准参照。

其二，开展师生人机协同胜任力的测评实践。利用话语分析技术对学生对话式人机协同学习的文本数据进行深入分析，挖掘其中潜在的文本序列，并与学生特定维度的能力水平进行匹配，以此对学生的人机协同学习胜任力进行综合评价；或者依据教师利用生成式人工智能设计、实施、评价、改进教学的过程性数据，运用多模态学习分析方法对教师的意愿态度、知识技能、思维方法、伦理意识进行综合评价，以此对教师的人机协同教学胜任力进行智能分析。

其三，完善师生人机协同胜任力的干预机制。利用生成式人工智能大模型对教师和学生的潜在问题及其成因进行系统分析，并设计智能化的干预策略，助力师生人机协同胜任力的显著提升。例如，为教师推荐适应性的学习资源，帮助教师了解人机协同教学的核心价值，提高人机协同教学的意愿；为学生设计针对性的学习任务，帮助学生在与机器合作解决问题的过程中，提升人机协同学习的意识和能力。

参考文献：

[1]陈聪聪，李晨，王亚飞（2024）.文生视频模型Sora之于教育教学：机遇与挑战[J].现代教育技术，34（5）：27-34.

[2]戴岭，赵晓伟，祝智庭（2023）.智慧问学：基于ChatGPT的对话式学习新模式[J].开放教育研究，29（6）：42-51，111.

[3]范建丽，张新平（2022）.大数据＋智能时代的教师数智胜任力模型研究[J].远程教育杂志，40（4）：65-74.

[4]方海光，舒丽丽，王显闯等（2024）.生成式人工智能时代教育数字化转型的可能与可为——基于对Sora的思考[J].国家教育行政学院学报，（4）：69-75.

[5]林健，柯清超，黄正华等（2022）.学科知识图谱的动态生成及其在资源智能组织中的应用[J].远程教育杂志，40（4）：23-34.

[6]刘三女牙，郝晓晗（2024a）.生成式人工智能助力教育创新的挑战与进路[J].清华大学教育研究，45（3）：1-12.

[7]刘三女牙，郝晓晗，李卿（2024b）.教育科研新范式：人工智能驱动的教育科学研究[J].教育研究，45（3）：147-159.

[8]苏旭东（2024）.数智时代的“人师”与“机师”协同教学[J].开放教育研究，30（4）：46-52.

[9]万力勇，杜静，熊若欣（2023）.人机共创：基于AIGC的数字化教育资源开发新范式[J].现代远程教育研究，35（5）：12-21.

[10]王一岩，郑永和（2023a）.可解释学习者建模：价值意蕴与应用图景[J].现代远程教育研究，35（5）：96-103.

[11]王一岩，郑永和（2023b）.智能时代个性化学习的现实困境、意蕴重构与模型构建[J].电化教育研究，44（3）：28-35.

[12]王一岩，刘淇，郑永和（2024a）.人机协同学习：实践逻辑与典型模式[J].开放教育研究，30（1）：65-72.

[13]王一岩，朱陶，杨淑豪等（2024b）.人机协同教学：动因、本质与挑战[J].电化教育研究，45（8）：51-57.

[14]杨现民，丁杰（2024）.生成式人工智能如何与教学深度融合[N].中国教育报，2024-06-15（004）.

[15]赵晓伟，戴岭，沈书生等（2024）.促进高意识学习的教育提示语设计[J].开放教育研究，30（1）：44-54.

[16]郑永和，王一岩（2021）.教育与信息科技交叉研究：现状、问题与趋势[J].中国电化教育，（7）：97-106.

[17]郑永和，王一岩（2023a）.智能时代教育信息科学与技术的战略定位与发展方向[J].远程教育杂志，41（3）：12-20.

[18]郑永和，王一岩，吴国政等（2023b）.教育信息科学与技术研究的现实图景与发展路向——2018—2022年F0701资助情况分析[J].现代远程教育研究，35（1）：10-19.

[19]周东岱，董晓晓，顾恒年（2024）.教育领域知识图谱研究新趋向：学科教学图谱[J].电化教育研究，45（2）：91-97，120.

[20]祝智庭，戴岭，赵晓伟（2023）.“近未来”人机协同教育发展新思路[J].开放教育研究，29（5）Pr2JbV5dn53o3i1tymN7DKuumRboF7HqXyrrSKfs57c=：4-13.

[21]UNESCO （2023）. Technology in Education： A Tool on Whose Terms？[R]. Paris： UNESCO.

Generative Artificial Intelligence Empowers Educational Information Science and

Technology Research： New Opportunities， New Trends and New Issues

Abstract： Generative artificial intelligence injects new momentum into educational innovation and reform and brings new opportunities for research in educational information science and technology. The change in research fields， the innovation of analytical methods， the upgrading of service capabilities， and the transformation of practical pattern triggered by generative artificial intelligence have brought new opportunities for the scientific development of educational research. In this context， the goals and priorities of educational information science and technology research urgently need to be transformed， manifested as a shift from focusing on knowledge learning to emphasizing the cultivation of innovative talents， from emphasizing law mining to emphasizing the improvement of service capabilities， from pursuing technological innovation to focusing on solving educational problems， from focusing on general scenarios to focusing on disciplinary educational practice， and from research following practice to research leading practical innovation. In order to adapt to the new trend of educational information science and technology research under the background of generative artificial intelligence， future related research should focus on the following topics： first， exploring educational laws for the cultivation of innovative talent; second， constructing and applying artificial intelligence models for disciplinary education; third， intelligent generation and dynamic optimization of disciplinary literacy maps; fourth， key technologies for personalized learning services guided by literacy; fifth， practical innovation and mechanism exploration of human-machine collaborative education; sixth， intelligent evaluation theory and technology for human-machine collaborative competence. This study aims to provide theoretical guidance for the reform funded by “Educational Information Science and Technology” of the National Natural Science Foundation of China in the context of generative artificial intelligence.

Keywords： Educational Information Science and Technology; Generative Artificial Intelligence; Human-Machine Collaborative Education; Disciplinary Literacy Map; Education Model