人机协同教学的困境及其归因

[摘" "要] 机器人教师已在教学中发挥重要作用。人类教师与机器人教师共同形塑“人机协同教学”样态。从协同教学的条件和过程来看，机器人教师存在合法性、被动性和先验性的问题，主要原因包括未能有效区分“类人师性”与“人师性”的特征，未能发现“强社交性”隐含的主体功能，未能明晰“高集成性”的精密设计与固化程序。纾解以上三种问题，应当做到：通过明晰概念任务，确立机器人教师的合法性；通过参与对话和自适应研发，激发机器人教师的主动性；通过有限研发算法和校对算法偏见，解决机器人教师的先验性。

[关键词] 机器人教师； 人机协同； 人机协同教学； 教学风险； 困境纾解

[中图分类号] G434" " " " " " [文献标志码] A

[作者简介] 孔苏（1989—），男，安徽淮南人。讲师，博士，主要从事教育基本理论研究。E-mail：397279802@qq.com。

一、引" "言

人机协同教学是指人类教师和教育机器人共同上一门课，完成一门课程的教学任务。教育机器人又称机器人教师，“机器人教师”的表述是一种明喻，它将人工智能比作教师。本研究以机器人教师“华君”作为个案，它是由华南师范大学德育神经科学与人工智能实验中心基于阿凡达公司研发的IPAL教育机器人开发的产品，能够通过人工智能语音对话、图像识别实现人机协同。有研究将人机协同系统定义为“人和计算机相互协同、共同组成的一个计算系统”[1]。人机协同教学的前提条件应当是人类教师与机器人教师构成一个计算系统。所谓计算系统，即人类和机器人共同面对问题、分析问题并通过各自特长解决问题的过程机制。已有研究多关注机器人教师的教学方式与功能，注重人机交互的效果，却未能发现人机协同教学过程中机器人教师的合法性、被动性和先验性问题，未能注意人机协同系统的条件及应用。本研究将解析机器人教师在人机协同教学过程中暴露出的特性问题，通过归因，提出针对其合法性、被动性与先验性问题的纾解策略。

二、人机协同教学的困境

机器人在课堂上的使用主要有四种基本方式：作为课堂教师、作为学伴或同伴、作为辅助者、作为远程呈现机器人教师，如何使用取决于机器人技术能力和教学情境的需求[2]。对机器人教师角色的不同定位、对机器人教师功能的不同使用，可能导致不同层面的人机协同教学困境。本研究聚焦机器人教师的特性，从人类教师与机器人教师基于各自特性进行协同教学的过程中发现机器人教师的定位与功能问题。

（一）机器人教师的合法性问题

合法性（Legitimacy）在本研究中指机器人教师行使教师的权力、从事教育教学活动的正当性何以可能。“教师”与“作为教师”是两个含义。“机器人教师”与“机器人作为教师”不可混为一谈。但是，当前大多数研究中的“机器人教师”概念，将“机器人作为教师”的意涵包括在内，甚至用“机器人教师”的表述模糊指代一切与机器人教育教学相关的对象。这导致在研究机器人教师的角色和功能时，自发地赋予其“教师”身份，回避了对机器人教师合法性的讨论。机器人教师是不是“教师”，直接关系到如何认识、定位和发挥其自身价值。有研究指出，关于机器人教师的定义与角色，大多认同机器人教授知识和技能是有效的，即机器人教师是“个性化的学习导师”，可以提高学生的学习动机[3]。该论述将机器人有效教授知识和技能作为其“教师”角色的重要依据。从职业的视角来看，教师作为一种职业，承担者需要具有专业性，主要包括专业知识和专业教学知识。机器人教师在专业知识方面是合格的，甚至是优秀的，但在专业教学知识方面明显是薄弱的。由专业性赋予教师的知识权威、道德权威和纪律权威，机器人教师同样不具备。职业者，自然享有职业的权利，承担职业的义务，教师在教学中的权利与义务通常显现为权力与纪律。机器人教师从事教学的权力与纪律如果只是源自人类教师的想象，其合法性问题始终存在。

（二）机器人教师的被动性问题

一是协同形式上的被动。已有研究总结出三种人机协同教学的类型：无形人机协同教学、有形人机协同教学和混合人机协同教学[4]。这三种类型不同程度反映出机器人教师在教学过程中的被动倾向。例如：机器人教师开展如判断作业的对错等机械式、重复式的教学工作。这既是无形人机协同教学的表现，也是机器本质属性的再现，被动程度较高。再如：人类教师在教学过程中处理师生问答的方式有提问、追问、质问和反问。机器人教师内置的语言模型大多进行的是提问。这主要是因为机器人教师无法追问，只能以提问掩盖追问或将追问抛给人类教师。从已有研究可知，无论协同形式如何变化，协同的前提多数被限定在“人工智能不具有意识和意向性的弱人工智能时代”[5]。这意味着机器人教师在当下只能是被动地参与教学。

二是协同内容上的被动。具体表现为机器人教师在话语上的滞后和行为上的局限。在话语方面，机器人教师的话语多出现在教学环节的过渡和评价阶段，且话语内容相对简单。以机器人教师“华君”为例，课堂视频显示，在一个话轮中，“华君”的话语常置于人类教师之后，人类教师有等待“华君”话语的现象。“华君”的评价反复出现“棒棒棒，你真棒……”可见，机器人教师的话语相对固化。尽管研发者注意到将机器人教师缺乏的知识转移到网络资源或向人类教师求助[6]，但机器人教师出现答非所问或重复语句的情形，容易导致学生脱离教学情境。在行为方面，有研究指出，机器的精准辅助主要体现在个性化导学、学习过程监测和资源精准推送[7]。这三种行为在真实的教学活动中难以有效落实。一方面，机器人教师的活动范围有限，教室桌椅的编排多呈现半弧形，由秧田形变为半弧形是为了给机器人教师留出活动空间。尽管如此，机器人教师多数情况下也只能与部分学生有近距离的接触。另一方面，机器人教师的观测范围有限，其语音和面部识别系统多置于胸前，观测角度受到机器人教师活动方向的影响，一定时空内不能检测到所有学生的面部表情、声音等数据，难以实现全覆盖。

（三）机器人教师的先验性问题

机器人教师的先验性指其行为、活动和表现是预设的，它按照算法的设计走完既定程序。该算法设计的核心包括已采集的数据信息、设计者的能力偏好和教育伦理诊断的机制。机器人教师的表现在根本上取决于算法设计，而算法设计的三项核心内容隐含算法偏见，导致预设的教学行为和路径出现偏误。以数据信息采集为例，机器人教师的学习数据主要来自教学名师，但名师也有缺点，学习他们的优点的同时，自然无过滤地吸收其缺点。海量名师的优点集合推动机器人教师的数据学习，其缺点集合导致算法偏见。有调查数据显示，某省中小学教学名师男女比例约为1：3.4[8]。该情况反映出以教学名师作为学习的数据在语音语调、行为动作等方面的差异。除了男女比例的问题，学习的数据还存在学历层次、年龄结构、专业素养等差异。此外，当选择用教学名师作为学习数据时，其实已内含偏见，它默认只有教学名师才是值得学习的。这是人类偏见自然转译为算法偏见的后果。

有研究注意到机器人教师的先验性问题，“受技术所限，AI教师的课堂讲授需要预成性地脚本化编程，与数字化环境的结合还需技术突破”[9]。具体到教学实践中，机器人教师的先验性导致“人师—机师—学生”三者互动效果的弱化。例如：在小学三年级数学课“认识四边形”上，机器人教师“华君”与“人师”周老师缺少交流，“华君”的言语更像是代替周老师言说。换言之，“华君”的话就是周老师没说的话，周老师只是借助“华君”说出了自己的话。“华君”、周老师和学生的三者互动较为简单，类似问答游戏，互动的形式大于内容。这在一定程度上反映出人机协同教学中预设脚本的问题，其实质是算法问题。

三、人机协同教学困境的归因

人机协同教学的主导权、主动权和选择权在人类教师，由人类教师进行建构和实施。这意味着，不是有了人类教师、机器人教师，就有了人机协同系统，两者的协同以彼此间的了解与认可为前提。已有人机协同教学的困境，主要原因在于对机器人教师的特性不了解、未掌握和不认同。

（一）未能有效区分“类人师性”与“人师性”特征

“类人师性”反映机器学习的优势与限度。“类人师性”是指具有类似人类教师表征的特性。塑造机器人教师需要有模拟的对象。机器人教师的模拟对象是人类教师，通过采集和学习人类教师的言语、行动甚至表情、眼神，使机器人教师获得类似人师的能力与经验。换言之，机器人教师从设计之初即以人师为模型，其功能定位也近似人师。有研究指出，机器人的“类人师性”体现在机器人的设计层面，如利用机器人的面部功能来显示故意不自然的表情，通过改变机器人脸的颜色表达不同的情绪，如兴奋（橙色）、愤怒（红色）和悲伤（蓝色）[10]。“类人师性”意味着机器人教师与人类教师的特性不完全相同，只是“类似”“接近”和“模仿”人类特性。该属性决定对机器人教师的研发方向，即围绕人类教师的特征进行设计和开发。人类教师的最大特征是“教师智能”。“教师智能”是立足教师角色和职业的多元智能，主要包括语言智能、观察课堂空间智能、师生教学互动智能等。机器人教师学习教师智能的方式主要是数据化学习，通过建立学习模型，实现数据由输入到输出的过程转化。

以机器人教师“华君”为例。在教学言语方面，小学三年级语文课《燕子》的教学，“华君”的开场白是：“我是机师华君，很高兴见到你们。今天我将和石老师一起上这堂课。华君给同学们准备了一份来自春天的礼物。线索就藏在课桌里，大家一起去找找吧！”作为引导语，“华君”的言语表达清晰，语音、语调亲和有力，引导方向明确。“华君”的言语与石老师的言语相互补充，配合机器人的人体模型优势，助力实现“类人师性”。在教学设计方面，“华君”提示“藏在春天里的四个线索”，由学生逐一寻找并大声朗读。它根据学生的回答进行评价反馈，并强化线索的意义。例如，它说：“没错，春天的礼物就是可爱的、活泼的燕子！”在行为动作方面，“华君”通过移动脚步、变化身体朝向，模拟人师的自然反应和日常举止。脚步的移动、身体朝向的变化尽管由算法决定，但该种行为动作的出现是“华君”深度学习的结果。它通过识别学生的面部表情以及判断声音的来源，决定移动的方向和身体的朝向。

（二）未能发现“强社交性”隐含的主体功能

强社交性改变传统的“师—生”二元交往形态。机器参与师生互动的设想早已有之，但真正能够改变师生二元交往形态的机器是人工智能机器。人工智能机器通过大语言模型训练，掌握一般性和常规性的对话，特别是以ChatGPT为代表的人工智能生成式文本（Artificial Intelligence Generative Content），加速形成“人师—机师—学生”三元交往形态。三元交往形态意味着课堂教学范式的创新。一是生成新的教学资源。区别于二元交往，三元交往的新成员机师通过与人类教师的互动、与学生的互动，输出言语和行为，为教学提供新的资源。同样，因为机器人教师的参与，人类教师、学生同样会产生新的互动内容，思维更为开放，有更多的教学想象。机器人教师的社会行为必须结合交互环境和任务精心加以设计，以便强化教育互动[11]。二是提高师生交往质量。从师生交往过程看，尽管问答形式比较单一，但目前在课堂教学中其依然是主要的交往方式。对于学生的答案以及提问，人类教师限于知识储备和记忆限度，不一定每次都能给出正确的、全面的点评或回答。机器人教师强大的存储功能和调取知识源的能力，能够帮助人类教师弥补相应的点评或回答上的疏漏，使一个轮次、序列的师生交往变得更有效率。除了问答，人机交互的模式根据机器人显示的情绪而变化，如何变化取决于人对机器人的熟悉程度，一个丰富的情感模型对于形成长期的人机关系是必要的[12]。

强社交性显现机器意识。机器意识是指机器能够对发生的现象进行“思考”并作出“判断”。建立意识的计算机模型即“机器意识”（Machine Consciousness）。以往的讨论主要认为这种“思考”和“判断”属于非自主意识，源自计算和推理，而不是经验和理性，并认定机器不具有真正的意识，即不具有人类拥有的意识。但是，新物质主义（New Materialism）拒绝“二元论”，提出独特的本体论，以工具、技术或建筑作为社会“代理”[13]。“人工智能代理”的典型是“物联网”，万物互通意味着各类“代理”相互连接。新物质主义认为，“动能”是宇宙万物的根本特征，从最基底的面向拆解了人类与非人类之间的界限，同时也排除了人类的特权，为当前的各种“非人类”研究扫清了障碍[14]。物的活力、物质动能显现出“赛博格”的样态。“赛博格是一种控制生物体，一种机器和生物体的混合，一种社会现实的生物，也是一种科幻小说的人物”[15]。机器人教师的社交表现很大程度上是自动和自主的。即时性反馈、生成式回应，是机器自我学习的结果。同样的问题，机器人教师根据接收到的语音、语调，识别提问者的面部表情、肢体动作等信息数据，给出差异化的回答，这种差异显示出“意识”，即对提问者进行观察、对问题进行思考并作出“判断”（回答）。

强社交性改变师生对机器人教师的认知。教师和学生通过理性判断出机器人教师是非生命体。但是，随着频繁且高质量的人机交互，师生自然对人工智能产生情感。这种情感表现为将人与人之间的社交规则应用在人机交互上。在日常生活中，已出现人类对人工智能产生依恋的案例[16]，这种依恋的情感表明，人类不应再以对待机器的方式看待人工智能，而应将其作为同类、伙伴甚至亲人。这种认知的变化，离不开机器人教师不断地学习分析师生信息和数据的过程。只要师生传递的信息量越大，机器人教师的社交性就越强。因为“你教会它越多的东西，它就越能更好地为你服务（或者操纵你）”[17]。相较于问答工具，机器人教师通过算法学习产生细致的关怀服务，在保持工具性的同时，引入人文性，更好地与师生建立共同体。共同体意味着机器人教师在师生心中的定位发生变化，由工具存在转向本体存在。

（三）未能明晰“高集成性”的精密设计与固化程序

高集成性是指多个信息源数据高效率的合理重组与有机结合。机器人教师包括语音、文字、图像和图形处理技术的集成，能够对采集的数据进行多模态分析，形成输入、存储、解码、组合和输出的一体化操作模式。机器人教师是“高集成性”产物，其中的精密设计与固化程序构成一对矛盾。人类教师对机器人教师的认知容易忽视精密设计背后的固化程序问题。它突出表现在所谓“精准教学”层面。有研究围绕“精准教学”指出，人机协同精准教学的关键是应用智能技术采集、处理多模态数据，精准识别学生学习需求，人机协同建立教学目标序列、颗粒化教学资源、层次化教学干预与差异化学习需求之间的动态映射与匹配关系，为师生提供实时、精准的教学服务[18]。机器人教师通过集成化技术综合语音、图像、算法和数据等多方面的计算，作出教学诊断和回应，体现出高集成性的优势。

事实上，由高集成性产生的精密设计背后隐含着程序固化问题。例如：机器人教师“华君”通过识别两名学生在电子屏幕上的作答，对学生作出评价：“两位同学做得很棒，让我们一起为他们鼓掌。”假如学生做错了，“华君”则会有相应的引导方式。这里隐含着程序上的封闭性，即学生的正确答案对应“华君”的一种回应或评价方式，学生的错误答案则对应“华君”的另一种回应或评价方式。这种所谓的回应或评价，其实与机器的知识容量和学习深度有关。已有研究分析机器人教师的工作原理时提及“圆周率是什么”的教学样例，并将“圆周率是圆的周长与直径的比值”作为答案[19]。应当注意到，该答案是机器人教师自动检索的产物，其中的过程是算法设定的过程，无论答案如何变化，检索的程序是固化的。应当看到，“高集成性”依赖先进的算法和可靠的硬件，面对复杂的教育环境、教学场景，目前还不能完全实现“一键操作”的预期。

四、人机协同教学的困境纾解

协同教学（Team Teaching），就是两个或两个以上的教师共同对同一学生群体的教学负责[20]。人机协同教学改变了以往对协同教学的主体均是人类教师的认知。这要求人类教师树立人机协同思维。人机协同思维强调个体充分认识自身和智能机器的长处与不足，做好人机之间的任务分工，从而实现优势互补[21]。

（一）明晰概念任务，确立机器人教师的合法性

一是使用“教育机器人或机器人教师”词汇表达“作为教师”的意涵。我国发布的《新一代人工智能发展规划》《关于推进教育新型基础设施建设构建高质量教育支撑体系的指导意见》和《关于支持建设新一代人工智能示范应用场景的通知》等政策文本均未出现“机器人教师”的表述。学术界的相关讨论应当担负学术责任，拒绝盲目提出或宣传含糊且可能会引发误解的教育概念。即使提出概念，也应当做好学理解释并纠正一系列曲解的现象。其实，很多学者倾向使用“教育机器人”的表述，尽管他们的出发点不一定都是避免对“教师”概念的误用，但至少表明，创造一个教育新词汇和新概念应当是审慎的。例如：有研究构建人类教师与教育机器人的人机协同教学框架[22]；人机协同中的“机”在人工智能视域下是指包括计算机在内的智能感知、云计算、区块链等多种智能技术[23]；“未来教育所依赖的二元智能场域，必将通过寻求机器智能与人类智能相互融合的路径，实现人机之间的合理分工，努力促成人工智能为代表的工具理性与教育追求的价值理性之间的高度匹配”[24]。

二是明晰机器人教师在人机协同教学过程中的主要任务和功能。机器人教师的教学价值体现在完成教学任务的过程之中。人机协同教学需要重新进行教学设计，标记机器人教师的出场时间和行为方式，并预设教学任务和功能输出。从知识授受的角度看，机器人教师善于传授确定的知识，对于不确定知识、形象性知识、元知识等在知识表示上有一定局限。“知识表示”是研究用机器表示知识的可行性、有效性的一般方法，是一种数据结构与控制结构的统一体，既考虑知识的存储，又考虑知识的使用[25]。“知识表示”是“知识授受”的基础，由机器人教师承担的教学任务应当在设计上体现合理的“知识表示”。人机协同教学，是基于人类教师和机器人教师双方各自角色定位及任务分工的协同教学，不是职责不清、任务不明、功能不足的协同教学。

（二）参与对话和自适应研发，激发机器人教师的主动性

一是连贯的、多样化的师生提问引导机器人教师充分回答。机器人教师的被动表现主要包括“被动回答”和“问题预设”。针对“被动回答”，一方面，这属于机器特征，其暂未具备所谓自主意识；另一方面，作为提问者的师生，提问的形式和方法是否能够引发机器人教师的“深度思考”。所谓深度思考，即机器人教师能否将相应知识进行连接，从而完整地、丰富地加以回应。回答的完整、丰富程度尽管主要取决于机器人教师的智能程度，但一个好的或适合的问题将提升其回答的质量。因此，机器人教师与人类教师应当进行正式协同教学前的磨合，通过多对话、多场景和多模态的磨合过程使人机之间相互熟悉与适应。

二是研发和引进自适应机器人教师实现即时提问。自适应机器人在工业、医疗、航天等领域应用广泛，主要特征是基于环境能够自我调整和变化，在不受外力辅助的情形下调节动作、轨迹和行为。自适应机器人教师是指根据教学需要和进程，在人类教师允许下自主实施提问、回答、评价、反馈的机器人。“华君”等机器人教师的研发方向是自适应，但当下还没有达到自适应的要求，主要原因是教育的复杂性和教学的动态性，具体包括学科知识、教育对象、教学情境和教学程序等方面的差异。仅就实现自适应问答或对话而言，机器人教师的实现方式主要通过检索式和生成式，而生成式正是当前ChatGPT应用的通用方式。机器人教师在回答或对话层面的设计，应当考虑在接收师生提问时能够分析出语料中暗含的知识漏洞或理解偏差，从而反向对师生提问。这一反问的过程就是一种自适应的表现，也是机器人教师的一种自主提问方式。

（三）通过有限研发算法和校对算法偏见，解决机器人教师的先验性问题

先验性问题的出现主要源自算法。“人工智能无论复杂到何等水平，它都是以人类给定的既成程序和算法为基础的”[26]。固定算法导致机器人教师出现路径实施的模式化。机器人教师的研发基础是人工智能，受到算法的影响与制约。

一是围绕教师特性有限研发算法。机器人教师的算法研发主要采用开源类脑智能技术，模拟人类教师的语言动作，储存加工相应学科的知识。有限研发意味着算法本身有规律、可掌握。机器人教师的算法不能主导课堂，更不能基于算法引诱人类教师服从其指挥。换言之，机器人教师的算法只是实现设计者（人类）想让其完成的任务，主要包括目标设定、过程实施和结果测评等内容。从人工智能算法研发进程看，不能排除机器人教师在未来具有自主意识的可能性。算法的无限性不止于程序层面。程序不能超过其可能性空间，但连接到互联网的遗传算法可能通过与虚拟世界交互，进化出新事物[27]。因此，围绕“类人师性”“强社交性”有限研发算法，是今后一个时期机器人教师的发展路向。

二是聚焦教学监督校对算法偏见。首先，机器学习数据集的修订与扩展。一方面，继续模仿教学名师、习得精品课程；另一方面，分析教师的习惯用语、下意识行为、提问及讲授偏好。增加本土教师教学的数据集，以便机器学习和应用更为适切。其次，培训与监督算法设计者。一切算法偏见的根源是人的偏见。人工智能领域已有涉及偏见治理的内容，重点是对人的偏见的治理。例如，谷歌（Google）公司利用Model Cards进行算法上的解释和说明，以避免常识性和原则性的偏见。除了外在监督，算法设计者应当有意识地改善算法偏见，并对整个算法分析进行反思。

五、结 束 语

机器人教师无法取代人类教师，人类教师也阻挡不了机器人教师辅助教学。人机协同教学的前提和基础是人机协同有意义，能够功能互补。有关机器人教师的性能如何、人类教师的教学能力如何的认知早已不是人机协同的思维起点，人机协同作为一个整体，应当基于人类教师视域考察机器人教师的教学价值，同时基于机器人教师视域审视人类教师的教学意义。整体意义上，人机协同教学的高质量发展，重点指向两个方面，一是确立机器人教师辅助精准教学的定位，二是指向教师专业发展。有关“机器人教师”的研究亟待解决一个悖论：一方面，机器人教师再现或重复人类教师的教学是低效的；另一方面，机器人教师的自主教学或自由发挥又存在伦理和秩序上的隐患。从教学过程看，机器人教师重在辅助精准教学，包括对学生的知识答疑、情感和价值观的引导。从教学效果看，人类教师对机器人教师的理解和掌握程度决定了人机协同教学的效果。以往有一种误解：机器人教师的智能水平越高，人机协同教学过程中的人类教师越轻松、对人类教师的要求越低。其实，机器人教师的智能水平越高，对人类教师的能力要求越高。ChatGPT“一本正经地胡说八道”已经引起了大众的关注，特别是教育教学领域，一旦不对教学内容进行细致考察或审视，人类教师只在形式上参与，可能导致包括常识性错误在内的教学异化。因此，人机协同教学应当以人类教师了解机器人教师的特性为基础，同时，明确机器人教师辅助精准教学的定位，训练和强化机器人教师在知识授受、信息传递等方面的准确性与灵活性。

[参考文献]

[1] 刘步青.人机协同系统的推理机制及其哲学意蕴[D].上海：华东师范大学，2016：3.

[2] EDWARDS A， EDWARDS C， SPENCE P R， et al． Robots in the classroom： differences in students' perceptions of credibility and learning between \"teacher as robot\" and \"robot as teacher\"[J]. Computers in human behavior，2016，65：627-634.

[3] 张尧，王运武.机器人赋能未来教育的创新与变革——国际机器人教师研究综述[J].开放教育研究，2019，25（6）：83-92.

[4] 高琼，陆吉健，王晓静，等.人工智能时代人机协同课堂教学模式的构建及实践案例[J].远程教育杂志，2021，39（4）：24-33.

[5] 蔡连玉，刘家玲，周跃良.人机协同化与学生发展核心素养——基于社会智能三维模型的分析[J].开放教育研究，2021，27（1）：24-31.

[6] 叶芮杏，孙福海，黄甫全.AI全科教师开发：基础、模型与关键技术[J].电化教育研究，2022，43（3）：42-50.

[7] 王良辉，夏亮亮，何文涛.回归教育学的精准教学——走向人机协同[J].电化教育研究，2021，42（12）：108-114.

[8] 卢红，宋艳，王爱玲，等.山西省中小学教学名师现状调查研究[J].教育理论与实践，2021，41（1）：41-45.

[9] 阮婷婷，黄甫全，曾文婕.智能化学本评估初探——基于AI教师主讲课堂的试验研究[J].教育研究与实验，2021（2）：69-75.

[10] VERNER I M，POLISHUK A，KRAYNER N. Science class with RoboThespian：using a robot teacher to make science fun and engage students[J]. IEEE robotics amp; automation magazine，2016，23（2）：74-80.

[11] 黄甫全，伍晓琪，唐玉溪，等.双师课堂课程开发引论：缘起、主题与方法[J].电化教育研究，2020，41（2）：99-107.

[12] LEITE I， MARTINHO C， PAIVA A． Social robots for long-term interaction： a survey[J]． International journal of social robotics，2013，5：291-308.

[13] FOX N J， ALLDRED P． Sociology and the new materialism： theory， research， action[M]. Washington， D.C.： SAGE Publication Ltd，2017：7.

[14] 韩启群.新物质主义[J].外国文学，2023（1）：111-124.

[15] 唐娜·哈拉维.类人猿、赛博格和女人——自然的重塑[M].陈静，译.郑州：河南大学出版社，2016：314.

[16] 中国青年网.“人机之恋”升级：GPT让虚拟伴侣更会聊天，也更危险[EB/OL].（2023-03-22）[2024-03-02].https：//baijiahao.baidu.com/s？id=1761031625845985177amp;wfr=spideramp;for=pc.

[17] 佩德罗·多明戈斯.终极算法：机器学习和人工智能如何重塑世界[M].黄芳萍，译.北京：中信出版集团，2017：338.

[18] 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.

[19] 叶芮杏，孙福海，黄甫全.AI全科教师开发：基础、模型与关键技术[J].电化教育研究，2022，43（3）：42-50.

[20] 王少非.协同教学：模式与策略[J].外国中小学教育，2005（3）：32-36.

[21] 郑勤华，覃梦媛，李爽.人机协同时代智能素养的理论模型研究[J].复旦教育论坛，2021，19（1）：52-59.

[22] 黄荣怀，刘德建，阿罕默德·提利利，等.人机协同教学：基于虚拟化身、数字孪生和教育机器人场景的路径设计[J].开放教育研究，2023，29（6）：4-14.

[23] 毛刚，王良辉.人机协同：理解并建构未来教育世界的方式[J].教育发展研究，2021，41（1）：16-24.

[24] 秦丹，张立新.人机协同教学中的教师角色重构[J].电化教育研究，2020，41（11）：13-19.

[25] 曹少中，涂序彦.人工智能与人工生命[M].北京：电子工业出版社，2011：20.

[26] 项贤明.在人工智能时代如何学为人师？[J].中国教育学刊，2019（3）：76-80.

[27] 玛格丽特·博登.AI：人工智能的本质与未来[M].孙诗惠，译.北京：中国人民大学出版社，2017：130.

The Dilemma and Its Attribution of Human-Computer Collaborative Teaching

—A Case of Robot Teacher \"Huajun\"

KONG Su1，" ZHU Danyao2

（1.JING Hengyi School of Education， Hangzhou Normal University， Hangzhou Zhejiang 311121;

2.Faculty of Education， East China Normal University， Shanghai 200062）

[Abstract] Robot teachers have played an important role in teaching and learning. Human teachers and robot teachers jointly shape the pattern of \"human-computer collaborative teaching\". From the perspective of the conditions and processes of collaborative teaching， robot teachers face issues of legitimacy， passivity， and a priori. The main reasons include the failure to effectively differentiate the characteristics of \"human-like teacher\" and \"human-teacher\"， the failure to discover the implicit subject function of \"strong sociality\"， and the failure to clarify the sophisticated design and solidification procedure of \"high integration\". To alleviate the above three problems， it is necessary to establish the legitimacy of the robot teacher by clarifying conceptual tasks， stimulate the initiative of the robot teacher by participating in the dialogue and adaptive research and development， and solve the priori of the robot teacher by limited research and development algorithms and proofreading algorithm biases.

[Keywords] Robot Teacher; Human-Computer Collaboration; Human-Computer Collaborative Teaching; Teaching Risks; Dilemma Relief