智慧學習環境中的人機協同設計

武法提 楊重陽 李坦

[摘? ?要] 作為教育數字化轉型的首要任務，智慧學習環境建設過分強調技術之于教育的能力，而忽略教育主體的價值與地位，涌現出場景割裂、數據孤島等問題。人機協同旨在充分發揮人與機器的優勢，彌補彼此的劣勢，成為指導智慧學習環境創設與優化的最優解。研究將人機協同視為智慧學習環境設計的基線思維，構建了由數據模型層、技術支撐層和場景應用層三個層級，包含場景、數據、模型、資源、工具與服務等六個要素的智慧學習環境概念模型?；谄杖鹚沟娜藱C功能分配決策矩陣理論，提出了AI講師、執行型AI+人類助手、伙伴型AI+人類同儕、助教型AI+人類教練、人類導師等五種人機協同模式。在此基礎上，研究制定了智慧學習環境各層級的設計原則，分析了數據模型層的決策協同設計、技術支撐層的交互協同設計和場景應用層的流程協同設計，討論了人機協同模式中人機互信和價值對齊的建構策略，以期指導智慧學習環境中的人機協同設計。

[關鍵詞] 學習環境； 人機協同； 智慧學習環境； 人機協同模式； 人機協同設計

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 武法提（1971—），男，山東鄆城人。教授，博士，主要從事智能學習系統與智慧學習環境設計研究。E-mail：wft@bnu.edu.cn。

一、引? ?言

黨的二十大報告首次提出“推進教育數字化”，強調建設全民終身學習的學習型社會、學習型大國[1]。習近平總書記在中央政治局第五次集體學習時也指出，“教育數字化是我國開辟教育發展新賽道和塑造教育發展新優勢的重要突破口”[2]。智慧學習環境建設是推動教育數字化轉型，實現“規模個性化教育”[3]和“資源數字化、管理智能化、成長個性化、學習社會化”[4]目標的重要途徑。以大數據、物聯網、教育大模型為代表的新一代信息技術和人工智能技術，實現了伴隨式數據采集、靜默化環境感知、精準化學情分析和個性化學習指導，為智慧學習環境的建設與應用提供了堅實的基礎[5-6]。然而，當前智慧學習環境建設依然存在設備堆砌、場景割裂、數據孤島、模型匱乏等諸多問題，難以滿足“供需平衡”與“資源均衡”的教育訴求。究其原因，智慧學習環境的建設過分強調技術之于教育的能力，而忽略了教育主體的價值與地位。教育是一個動態復雜系統，具備動態性、開放性、復雜性、價值性等特征。為了滿足教育訴求、達成教育目標，智慧學習環境的創設必須遵循人機協同的理念。本研究基于重構的智慧學習環境概念模型，提出了智慧學習環境下的人機協同模式，制定智慧學習環境中各層級的設計原則，開展各層級的人機協同設計，以期破解智慧學習環境建設和應用的困境。

二、智慧學習環境的概念和模型

（一）智慧學習環境的概念內涵

縱觀智慧學習環境的發展脈絡，研究者通常將智慧學習環境的概念內涵歸納為“學習空間[6-8]、學習系統[9-11]、融合性空間和集成性系統[12-14]”。本研究傾向于融合性空間與集成性系統的觀點，認為智慧學習環境是由物理空間、社會空間、信息空間與學生心理空間融合的，基于場景、數據、模型、資源、工具、服務等六要素，實現個性化學習系統、精準教學系統、智能管理系統等無縫銜接的，促進學生全面發展的支撐條件體系。在新一代人工智能與人在回路混合增強智能的聚合作用下，智慧學習環境被賦予了類似于人類的決策能力和超越于人類的感知與計算能力。在智慧學習環境中，通過規劃數據采集方案、搭建教育數據中臺、部署教育分析模型，實現學習場景的有效感知、學習系統的有機整合、學習規律的深層挖掘、學習問題的精準診斷和學習策略的合理匹配，從而有效提升學生的學習體驗，助力學生全面發展。

智慧學習環境具備場景感知、數據驅動、無縫銜接、人機協同、自主進化等五大特征。場景感知旨在各類傳感器與智能技術的聯動作用下，感知學生所處的時間、地點、方位等空間信息，監測分析學習狀態和社交關系等學情信息，實現數據的伴隨式采集和靜默化感知。數據驅動旨在數據密集型科學發現第四范式的指導下，以各場景的多源異構數據為基礎，通過存儲、整合、分析、應用數據，實現從數據到信息的升級、從經驗到知識的轉換。無縫銜接旨在通過場景感知和數據鏈接的智能功能，實現多源學習空間、學習系統和各類異構數據的多場景整合。人機協同旨在發揮人類智慧與機器智能的雙重優勢，通過規劃教育主體與智慧學習環境的階段性協同分工及可行性路徑，提高對復雜性、開放性教育問題的診斷和決策的準確率。自主進化旨在依托智慧學習環境的教育訴求，為教育場景提供智能服務內容（如資源推送），同時基于各場景的智能服務效果和學生學習狀態等信息，反哺智慧學習環境，優化智能功能，提高智能服務的精準度，實現學習分析與教育場景的雙向促進。

（二）智慧學習環境的理論模型

智慧學習環境由數據、模型、資源、工具、服務、場景等六要素組成，六要素相互支持、共同作用，生成一個有機整體，支持有意義學習的發生，促進學生的全面發展，如圖1所示。數據模型層為技術支撐層中資源、工具、服務的設計與應用賦能，而數據模型層與技術支撐層共同為場景應用層的教育活動賦能，場景應用層反過來促進數據模型層的優化升級和自主進化。

數據模型層包括數據與模型兩個要素，是智慧學習環境中“智慧”的來源。數據是智慧學習環境最核心的要素，是研發智能功能、掌握教育主體狀態、診斷教育問題、開展協同決策、實現規模教育下個性化服務的主要驅動力。模型特指教育數據模型，通過對多源異構數據進行關聯分析、規律挖掘與深度歸因，實現將零碎的數據加工為有特定教育意義的信息，這些信息作為智能功能與業務服務的直接表征指標反饋于教學過程之中。

技術支撐層包括資源、工具與服務三個要素，是場景應用賴以支持的條件。資源是信息與知識的載體，包括權威的紙本資源、結構化數字資源、非結構化數字資源、人類資源等多種類型。教育數字化轉型背景之下，數字資源逐漸成為支持新型教學模式的核心資源。通過創新數字資源的類型，豐富數字資源的獲取渠道，拓展數字資源的應用方式，支持學生高階思維能力的達成、實現知識與技能的高階遷移。工具是承載資源、提供服務、開展人機交互的重要媒介。在智能技術與人工制品的支持下，工具的類型逐漸豐富、功能不斷疊加，成為支持數據模型層中智能功能集成與應用、技術支撐層中資源服務設計與呈現、場景應用層中活動實施與評價的必備條件。服務是資源與工具應用的呈現方式，通過業務服務的形式，為教育主體呈現數據、資源與工具的應用功能，如信息反饋、資源供給、互動答疑等?；谝绘I式觸摸、點擊、拖拽、放大等動態交互形式，或預設的規則語言、人類的口頭語言、手勢動作、文本圖片等自然觸發機制，為教育主體提供智能服務。

場景應用層的場景由主體、時間、空間、設備、事件等要素構成[15]，是數據、模型、資源、工具、服務等要素的載體。場景關注師生在所處的時空域中開展的粗粒度事件，即師生在什么時間、什么地點、使用何種設備、做了什么事情。智慧學習環境的典型應用場景包括精準教學場景、個性學習場景、智能管理場景、綜合評價場景等。

三、智慧學習環境下的人機協同模式

智慧學習環境下的人機協同是指充分發揮人類智慧和機器智能的優勢，實現教與學效果的雙重提升[16]。人類擅長靈活應變，具備對復雜問題的判斷能力和歸納推理能力，機器擅長處理高并發事項，能夠執行重復性、程序性的任務[17-18]。機器在問題解決中的不足，降低了人類對機器智能的信任程度。例如，機器學習、深度學習技術等判別式算法可能因訓練數據失衡而出現算法偏見，產生地域歧視、性別歧視等問題[19]。ChatGPT、文心一言等生成式大模型也存在“AI幻覺”現象[20]，可能生成虛假知識，甚至違反價值觀的內容。因此，提升機器智能的準確性和公允性，實現機器智能與人類智慧的價值觀對齊，是智慧學習環境下人機協同的目標?？茖W合理的人機分工，可以使人類與機器在發揮各自優勢的同時彌補彼此的劣勢，最終達到人機合作效能的最大化，實現準確度、公允性的提升和人機價值觀的對齊。

在人機協同的研究中，普瑞斯（Price）根據人類和機器各自的性能優劣，提出了人機功能分配決策矩陣[21]，用于輔助人類與機器協同時，開展科學、合理的決策，達到效果與效率雙提升的目的。本研究基于人機功能分配決策矩陣，結合人類智慧與機器智能各自的優缺點，分析智能工具在教育場景中的應用，并將智慧學習環境中常見的人機協同模式劃分為五類：AI講師、執行型AI+人類助手、伙伴型AI+人類同儕、助教型AI+人類教練以及人類導師，如圖2所示。根據普瑞斯的觀點，區域⑥表示人機均不擅長的工作，是需要進一步探索的區域，故不在本文中做進一步探討。

（一）AI講師

AI講師（區域①）是指在處理某些工作時，智能工具完全取代教師，并扮演教師的角色。AI講師具有高準確度、強魯棒性等特點，適用于標準化、程序性和重復性工作。作為一種智能工具，AI講師具有“學而不厭”的特點，通過強化學習技術，不斷學習人類教學的知識，實現教學能力的迭代提升。同時，AI講師能夠做到“誨人不倦”，可以隨時隨地回答學生問題，滿足學生的個性化學習需求，從功能上支持學生的知識識記、內容理解和知識應用等“學而時習之”的目標。AI講師在教學、管理、評價、測試等典型教育場景中的常態化應用包括基于深度知識追蹤技術的單詞記憶訓練、基于認知診斷技術的自適應測試和基于語音識別技術的發音診斷與糾偏等。例如：在數學教學中，可以借助認知診斷技術對學生數學認知水平進行測試和分析，并由此推薦符合其認知特點的數學習題，實現精準練習[22]。學生在學習第二語言時，借助人工智能的口語測評工具（如IELTS和英語流利說），糾正自己的口語發音，提升口語表達能力[23]。

（二）執行型AI+人類助手

執行型AI+人類助手（區域②）是指相關工作主要由智能工具完成，人類僅參與部分輔助工作（如同一名助手）。此種模式下，執行型AI擅長執行擁有確定目標、確定步驟的教學任務，能夠根據教學步驟，循序漸進地引導學生學習。人類教師只需要在價值判斷的節點及時介入即可。因此，執行型AI+人類助手模式適用于標準化、程序性和重復性較強，但是存在少量需要價值判斷和決策的工作，其典型教育應用是自適應學習和校園安防管理。例如：自適應精準教學系統主要負責自動化批閱學生的作業，基于深度知識追蹤算法建立學生的認知水平檔案，利用推薦算法篩選出候選資源，根據既定的教學設計為學生推薦適切的學習路徑。教師只需要對候選資源的合規性、科學性進行審核，以確保相關資源符合培養目標[24]。智慧校園安防設計中，利用計算機視覺技術對可疑人員、可疑車輛進行自動化監控和預警，安保部門僅需對預警信息加以確認和處理即可，降低了安保部門工作的強度，支持校園安全的智能化管理[25]。

（三）伙伴型AI+人類同儕

伙伴型AI+人類同儕（區域③）是指在相關任務中，因人類和智能工具的能力大致相同所形成的類似合作伙伴的關系。該模式下，智能工具旨在提升工作節點的效率，降低人類教師的負擔。人類教師更側重發揮其在情感溝通、人文關懷等方面的優勢，促進教學效果的達成?；锇樾虯I+人類同儕模式通過有效的人機合作，支持伴隨式數據采集、精準化學情分析、一對一教學指導和教學反饋的常態化實現，達成“有教無類，因材施教”的目標。例如：授課教師可基于課堂專注度監測系統，掌握班級整體的專注度變化情況，并及時調整教學策略，提升課堂教學效果[26]。智慧作業中，成熟的OCR技術和計算機視覺技術常被用于客觀題的快速批閱，教師則側重于主觀題的判別[27]，讓教師有更多的時間走進學生內心，開展個性化評閱。

（四）助教型AI+人類教練

助教型AI+人類教練（區域④）是指相關工作由人類主導完成，智能工具充當助理的角色，為教師提供資料、數據和決策意見。助教型AI+人類教練模式適用于解決復雜性、開放性和價值判斷等教育問題。此種模式下，通過將助教型AI精準診斷功能與人類教師智慧相結合，準確判定學生的學習狀態，支持人機協同“不憤不啟，不悱不發”的教學，促進學生“舉一反三”能力的發展。例如：基于精準畫像技術和教育大模型的智能問答系統，實現對學生學習狀態的精準診斷，適時為學生提供暗示、提示、指導和演示，促進學生的舉一反三能力的達成[28]。在心理輔導方面，基于社交大數據，借助人工智能技術實現對心理危機學生的快速預警，心理輔導教師及時介入開展心理干預，避免危機事件的發生[29]。

（五）人類導師

人類導師（區域⑤）是指相關工作完全由人類教師完成，適用于智能工具無法替代的高階工作，旨在基于人類的同理心，正確引領學生的情感、態度和價值觀，培養學生的批判性思維和創新等高階認知能力。人類導師具有“循循善誘、傳習結合”的特點，強調借助教師智慧，指導學生參與真實社會實踐并開展創新性工作，發展學生高階認知能力。此外，教育作為融入了情感和價值觀的活動，除了向學生傳授知識、培養高階認知能力外，更需要教師與學生開展情感溝通和價值交流，引導學生態度、情感和價值觀的積極轉變?？梢?，智慧學習環境下教師的角色已然從以知識傳遞、技能培養為主的“講師”，變成了以情感交流、價值引領為主的“導師”。

四、智慧學習環境中的人機協同設計

協同學（Synergetics）源于古希臘語，是指合作的科學（Science of Cooperation）。從詞源分析，“Syn-”是指由于在一起引起的協調合作，“-ergetics”指代組織結構和功能，Synergetics整體則表示當內部子系統之間的關聯發生改變時，引起宏觀的組織結構和功能的質變。因此，協同學也被視為“以內因為依據”開展從無序到有序的演化規律的學科，強調穩定的系統都是依托一定的方法協同且有序的活動[30]。智慧學習環境是由多元教育主體、多種教育應用系統組成的，指向教育問題解決的支撐條件體系，所以是一種協同系統。作為智慧學習環境設計的基線思維，人機協同建立在人機互信和價值對齊的基礎上，通過制定數據模型層、技術支撐層和場景應用層的設計原則，明確智慧學習環境各層級的協同目標和達成協同目標的實踐路徑。其中，數據模型層以決策協同為目標，技術支持層以交互協同為目標，場景應用層以流程協同為目標，共同實現人機協同在智慧學習環境設計中的深度融合和高效應用。

（一）數據模型層的決策協同設計

數據模型層遵循透明性和可控性設計原則，通過公開數據的全生命周期方案、模型的設計開發方案，確保數據全生命周期和模型運行邏輯的透明可控，體現數據的感知記錄與識別計算能力，增強數據的預處理能力、復雜性教育問題的決策能力等，實現科學診斷與系統決策。換言之，數據模型層的核心目標在于實現人機決策協同。

一方面，在保障隱私安全和技術倫理的前提下，公開數據的采集、存儲、整合、分析、應用及清除等數據全生命周期的方案，支持教育主體掌握并參與方案設計，如允許教育主體了解“采集何類數據、用于何種目的”，給予教學者和管理者調整職責內的班級數據的預處理權限等，體現智慧學習環境對數據的感知記錄能力，增強智慧學習環境對數據的預處理能力，提升數據的真實性和客觀性。

另一方面，在符合教學訴求和高置信度的前提下，允許在模型的選擇、設計、開發等過程中融入教育主體的智慧，提高模型對復雜性教育問題的決策能力。在模型選擇維度，基于校情、班情和學情等教學訴求，采用適配性高、可解釋性強的模型進行問題診斷，并向教育主體闡明模型的運行邏輯和運行結果。在模型設計和開發維度，采用人在回路的混合增強智能技術，基于“場景感知—問題診斷—規律計算—策略匹配”的邏輯鏈路，構建問題診斷模型與數據決策模型[24]。通過對機器的診斷結果進行置信度評估，并與專家預設的置信度閾值進行比較，實現對復雜性教育問題的精準診斷與合理決策。若機器診斷結果的置信度低于閾值，將其反饋給人類專家進行協同診斷，直至人機協同診斷結果的置信度水平達成一致，則輸出結果并進入下一流程。同時，將修正的診斷結果反饋給機器進行新一輪的強化訓練與驗證。反之，則直接輸出機器的診斷結果。

（二）技術支撐層的交互協同設計

技術支撐層遵循體驗性和可靠性設計原則，在數字教育資源、教育軟硬件工具、教與學支持服務的設計中，教育主體和機器之間的深度人機交互是設計的出發點。深度的人機交互為教育主體的高階思維能力和認知遷移能力的發展提供支架，對基于數據的教與學分析、歸因、解釋和改進具有重要意義。換言之，技術支撐層的核心目標在于實現人機交互協同。

交互內容和交互形式的設計遵循體驗性原則，通過構建交互式或體驗式數字資源，開發支持數字資源呈現的工具，設計基于身體動作的自然交互服務，豐富基于身體動作的交互行為、延伸身體的感知覺體驗，助力人機深度交互的達成以及學習效果和效率的提升。一方面，交互內容需緊扣現實世界，開發以知識點為單位的體驗式數字資源，借助AR、VR、MR工具進行立體化呈現，延伸身體的感知覺體驗。另一方面，交互形式應充分調動身體的參與，通過模擬人與人交互的機制，建立身體行為與教學意義的關聯關系，開發支持一鍵式觸摸、自然語言對話、手勢動作等交互功能，提升身體的參與頻度，提高學習體驗性，實現深度人機交互。例如，具身交互作為一種身體參與的體驗性和建構性交互類型，通過設計支持具身交互達成的資源、工具與服務，喚醒身體的知覺經驗、調動身體的肢體動作、映射身體的動作意圖，提升教育主體的交互體驗性，達成深度人機交互。

交互功能的設計遵循可靠性原則，充分發揮機器的優勢，支持教育主體與資源、工具和服務對話，匯聚人類教師的智慧，獲取可靠性信息，完成功能性任務。例如，基于前述人機分工的模式，設計第三方答疑服務的功能。首先，通過厘清生成式人工智能和人類教師的優勢及答疑路徑，結合學科知識圖譜和專家模型，構建生成式大模型“安全護欄”[31]，實現對大模型輸出內容的自動監測，避免錯誤信息、有害信息的生成，確保產生內容的科學性、嚴謹性和可靠性。隨后，學生使用自然語言開展互動式問答及討論。在服務中，通過匯聚大模型觀點、教師觀點，實現智能技術對人類（教師、學生）認知的增強，達成啟發學生思考、啟迪學生思想的目的。這種形式改變原有的“學生—教師”“學生—智能工具”簡單二元交互模式，形成“學生—智能工具—教師”新型三元交互樣態，進一步發揮智能技術在教學中的應用效果。

（三）場景應用層的流程協同設計

場景應用層遵循聯通性和泛在性設計原則，依托教育角色模型和人機分工準則，梳理各應用場景的業務流程，基于業務數據流，聯通單一教育場景和多元教育場景的跨操作系統和多終端的泛在應用，基于數據的無縫銜接，實現融通線上線下、校內校外、教室場館的多源異構設備的無縫學習。換言之，場景應用層的核心目標在于實現基于業務數據流的流程協同。

單一場景的設計遵循聯通性原則，依托教育數據規范和人機分工準則，聯通教育場景中數據、模型、資源、工具、服務等要素，實現數據驅動的學習分析和教育場景的深度融合。通過統籌設計教育場景中的數據規范，科學設計數據埋點和采樣規則，制定面向不同軟硬件平臺的標準化接口，打破不同軟件與工具之間的壁壘，支持數據和信息在資源、工具和服務中自由流轉，從而實現精準教學、個性學習、智能管理、綜合評價等場景中各要素的互聯互通。例如，通過匯聚真實課堂的過程性數據和智慧作業的結果數據，聯通手機、平板、一體機等終端工具，連接線下紙本資源和線上數字資源，實現對學生的精準畫像服務，支持教師的精準教學和學生的分層個性化學習。

多元場景的應用遵循泛在性原則，充分發揮機器的泛在智能優勢和人類的主觀意識，實現業務數據流的多場景遷移。在智慧學習環境的多元場景中，通過部署云網邊端一體化的架構，構建多源異構數據集，實現靜默化感知學生的空間信息、自主推送資源工具的聯通權限、伴隨式采集學習數據等智能功能，支持業務數據流在多種場景中的泛化應用。

五、結? ?語

作為智慧學習環境進化的內生動力，智能技術往往通過對教育流程的自動化與半自動化、智能化與半智能化等實現，支持感知、識別、決策與強化等智能功能[32]，重構教育教學、管理服務等業務流程，重塑智慧學習環境。然而，智能技術本身適用于處理標準化、程序性、重復性和邏輯性等離散任務，而非主動發現或打破規則，具有工具理性的本源性特征[33]。這與教育問題的復雜性與開放性、創造性與價值性，以及教育數據的冗余與價值密度低等特征存在不可調和的矛盾。此外，智慧學習環境建設中涌現出諸如場景割裂、數據孤島、信息應用效益不足等問題，阻礙了智慧學習環境的發展。人機協同旨在充分融合機器處理標準化、程序性等問題的計算智能，和人類解決復雜性教育問題時表現出的主動發現和價值判斷的智慧，被視為緩解上述矛盾、破解智慧學習環境的建設困境、支持其從低效無序向高效有序發展的新思路。本研究基于重構的智慧學習環境的概念模型，制定以“人機互信和價值對齊”為導向的人機協同模式，建立由AI講師、執行型AI+人類助手、伙伴型AI+人類同儕、助教型AI+人類教練、人類導師構成的人機復雜分工模式，指導智慧學習環境中各要素層級的人機協同設計，助力智慧學習環境的優化升級。

人機互信和價值對齊是人機協同模式的關鍵所在，亦是推動人機從簡單分工邁向復雜分工的內驅力。人機互信是指人類與機器相互信任，既包括人類對智能工具完成預定任務的期待，又包括機器對于人類語料的判斷篩選；價值對齊是指智能算法與人類價值觀的對齊。然而在教育實踐中，部分智能技術差強人意的表現，降低了使用者對智能工具的信任感，影響了人機協同的效果。未來研究中，可通過進一步分析技術控制性、交互具身性、工具擬人性等因素對人機協同效果的影響，制定信任因素的設計原則和實施路徑。通過研究符合教育需求的置信度評估方法、構建基于價值圖譜的人機價值對齊策略等，提出智能技術與人類價值觀對齊的策略與方案。

[參考文獻]

[1] 求是網.中國共產黨第二十次全國代表大會在京開幕 習近平代表第十九屆中央委員會向大會作報告[EB/OL].（2022-11-01）[2023-11-09].http：//www.qstheory.cn/dukan/qs/2022-11/01/c_1129089114.htm.

[2] 新華社.習近平主持中央政治局第五次集體學習并發表重要講話[EB/OL].（2023-05-29）[2023-11-09].https：//www.gov.cn/govweb/yaowen/liebiao/202305/content_6883632.htm.

[3] 懷進鵬.數字變革與教育未來 在世界數字教育大會上的主旨演講[EB/OL].（2023-02-14）[2023-11-09]. https：//rmh.pdnews.cn/Pc/ArtInfoApi/article？id=33925631.

[4] 周偉，杜靜，汪燕，等.面向智慧教育的學習環境計算框架[J].現代遠程教育研究，2022，34（5）：91-100.

[5] 金智勇，張立龍.智慧教室“三位一體”模型構建及實踐探索——以華中師范大學為例[J].現代教育技術，2019，29（4）：75-81.

[6] 黃榮懷，楊俊鋒，胡永斌.從數字學習環境到智慧學習環境——學習環境的變革與趨勢[J].開放教育研究， 2012，18（1）：75-84.

[7] 鐘國祥.基于網格的智能學習環境研究[D].重慶：西南大學，2008.

[8] 黃榮懷.智慧教育的三重境界：從環境、模式到體制[J].現代遠程教育研究， 2014（6）：3-11.

[9] 祝智庭，賀斌.智慧教育：教育信息化的新境界[J].電化教育研究，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，黃石華，殷寶媛.場景化：學習服務設計的新思路[J].電化教育研究，2018，39（12）：63-69.

[16] 符雪姣，曾明星，張友福.人機協同精準教學整體框架與關鍵環節設計[J].開放教育研究，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] 王一巖，鄭永和.智能時代的人機協同學習：價值內涵、表征形態與實踐進路[J].中國電化教育， 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.基于知識圖譜與認知診斷的小學數學個性化習題推薦系統研究[D].重慶：西南大學，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.人機協同的精準學習干預：動力機制、邏輯理路與實踐模型[J].開放教育研究，2023，29（2）：81-90.

[25] 蔣慎敏.可疑危險人物靠近能被視頻“捕捉” ……杭州第一所黑科技智安校園長這樣[EB/OL].（2018-07-18）[2023-11-09].https：//baijiahao.baidu.com/s？id=1606318780883062435&wfr=spider&for=pc.

[26] 王楠，王淇.基于深度學習的學生課堂專注度測評方法[J].數據分析與知識發現，2023，7（6）：123-133.

[27] 唐旭，張遠偉，張國強.基于智慧作業生態圈的作業AI自動批改探索與實踐[J].中國電化教育，2023（4）：115-121.

[28] 賈積有，樂惠驍，張譽月，等.基于大數據挖掘的智能評測和輔導系統設計[J].中國電化教育，2023（3）：112-119.

[29] 李彤彤，李坦，郭栩寧.基于社交媒體大數據的大學生心理危機預警[J].現代遠程教育研究，2021，33（4）：92-103.

[30] 哈肯.協同學導論[M].張紀岳，郭治安，譯.西安：西北大學科研處，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.人工智能哲學十五講[M].北京：北京大學出版社，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