远程教育投稿论文格式参考:数智时代人机协同教学的决策机制研究
关键词：人机协同教学;教学决策;决策机制;数据驱动;数据启发;生成式人工智能
作者：彭红超;韩小利
作者单位：华东师范大学
[摘 要]人机协同教学是数智时代的典型教学范式，但因协同决策机制的缺失，其创新发展不尽如人意。 针对这一问 题，在解析各阶段人机协同教学理念及其决策样态的基础上，结合人机优势互补原则，构建了能够处理不同复杂度 教学事务、兼容教师不同程度参与的人机协同教学决策机制，包括业务逻辑连贯的教学事务的复杂度判定机制、人 机协同决策的分流机制以及三条人机协同的教学决策路径。 三条路径分别为：教师辅助人工智能（AI）进行决策的数 据驱动协同路径、教师与 AI 在决策过程中相互配合以生成决策的数据启发协同路径以及教师统筹安排部分任务给 AI 决策的设计驱动协同路径。 研究成果有助于业界同仁理解人机协同教学的底层机理，并能够为人机协同教学的本 地化实践与优化提供有价值的参考。
一、引言
伴随着大数据、云计算，尤其是生成式人工智能 （generative artificial intelligence，GenAI）等的迅猛发 展和应用， 我们迎来了以数据和智能技术为核心驱 动力的数智融合新时代。 党的二十大报告指出要推 进教育数字化， 而这一转型的重要目标即实现业务 模式重构，让大规模个性化教育成为可能（怀进鹏， 2023）。 聚焦到课堂教学，此目标表现为通过形成人 机协同模式， 为每一位学生提供适合其学习需求的 “定制化”服务（吴砥，等，2022），教师与智能机器的 协同是教育数字化转型成败的决定性因素（刘三女牙， 等，2023）， 他们之间的协同决策机制则是亟待攻克 的重要课题。
原因在于以下几方面：首先，在班级授课制下， 教师无法持续了解所有学生的实时情况， 并及时作 出个性化决策，人工智能在这方面可以帮到教师。 然 而，即使是 ChatGPT、DeepSeek 这类先进的生成式人 工智能， 因经常出现幻觉、 知识立场不坚定等问题 （Feuerriegel，et al.，2024），人工智能依然需要教师优 化其创造性、申辩性的教学决策。 第二，在真实的课 堂中，教学决策事务复杂多样，且大多数事务并非呈 现人机优势两极分化，所以，教师与人工智能无法简 单分工 （Holstein，et al. ，2022） 。第三，智能教育产品 的应用已开始由智能评测、 管理等外围场景深入到 课堂的教与学等核心场景（刘邦奇，等，2021），并且 相应的人机协同教学模式、 路径等创新已屡见不鲜 （高琼，等，2021；武法提，等，2024），但协同决策机制 的缺失，导致中小学课堂教学并未发生根本性变化， 教学活动仍然以传统的方式组织（袁振国，2023）。
可见，推进数智时代教育数字化，需破解人机协 同教学的决策机制这一核心问题。 本研究基于对人 机协同教学发展的认识， 构建了人机协同教学决策 机制框架，并围绕这一决策机制，着力解决以下三个 核心问题： 一是教学事务的复杂度该如何判定? 二 是如何为不同复杂度的教学事务选择合适的协同决 策路径（即如何分流）? 三是不同决策路径下的运行 机制是怎样的（即人机如何协同）?
二、人机协同教学的发展
随着技术的发展与进步， 人机协同的理念从工 程计算机领域渗入到了教育领域。 在该领域，人机协 同教学是教师与机器遵循优势互补原则， 相互配合 开展教学的一种形式。 教学本质上是连续做出教学 决策的过程（Verma，et al.，2020），因此，人机协同教 学是一种决策分配活动（吴茵荷，等，2021），涉及如 何一同探索、判断、选择教学活动或策略（管珏琪， 等，2019）。 当前，与教师协同的机器已不再局限于计 算机，也不再仅是从属关系的工具，总体来讲，大致 经历了以下四个发展阶段（见表 1）。
（一）工具式协同阶段
在这一阶段， 人机协同起始于斯金纳的程序教学。
其中，机器的个性化反应完全依据预设好的简单 规则或标准做出， 高度依赖人的操作， 并且灵活性 低。 此时机器在人机协同教学中充当教学工具，替代 教师完成一些简单、重复、有迹可循的教学工作。 如 著名的 CAT（computerized adaptive testing）系统，可 帮 助 教 师 将 学 生 调 整 至 预 设 学 习 路 线 的 某 处 （Weiss，et al.，1984）； 米基奇等开发的 CHARLIE 系 统，可替代教师完成知识点的澄清与解释、统计和分 析学生表现等基础常规的教学任务 （Mikic，et al.， 2009）。 在此阶段的人机协同教学中，教师是决策主 体，具有绝对“话语权”。 而机器仅参与一些规则性决 策（甚至只为教师提供辅助性信息），其决策规则也 是教师依据自身教学经验和智慧事前预设好的。 因 此， 这一阶段的人机协同教学决策仍属于经验驱动 范畴。 智能机器仅作为执行工具，按照固定程序辅助 教学，缺乏主动适应学习者需求的能力，以及在复杂 教学场景下的应变和创新能力。
（二）助手式协同阶段
助手式协同阶段的人机协同教学， 始于大数据 及其智能分析技术的兴起。 在这一阶段，机器能够根 据人的指令或行为做出更加智能化的响应，借此，机 器跃升为教师助手， 不仅协助教师完成基础的教学 任务， 也根据学生的学习数据提供个性化的学习建 议和支持。 此时的机器，不再简单通过一一尝试预设 好的规则或路径得到最优解， 而是根据已有的经验 发现“行之有效”的决策思路或途径，做出启发式决 策。 不过，这种决策方法仅能对某一特定问题具有良 好效果， 如在教学评价方面表现优秀的智能系统在 教学互动中的表现却不尽如人意。 所以，这一协同阶 段的机器仅是一个领域人工智能加持的 “专才”，并 且有智能而没有智慧、有智商而没有情商（戴茂堂， 等，2023）。 另外，启发式决策通过减少尝试的数量， 快速得到决策方法， 但无法保证得到的方法是最优 的，甚至有失败的可能，因此，教师需要结合机器的 反馈数据调整、优化甚至主导决策。 不难发现，这一 阶段的协同， 其教学决策已经转向数据赋能决策的 范畴。
（三）双主式协同阶段
双主式协同阶段的人机协同教学， 起始于深度 学习、人工智能生成内容（artificial intelligence generated content，AIGC）等人工智能技术的广泛普及应 用。 与之前符号主义基于逻辑和规则阶段所不同的 是，此阶段的人工智能是生成式的，能够生成新的内 容、规则或模式，具有广泛的适用性和通用性（即由 “专才”走向“全才”），如 ChatGPT 可以应用于教学设 计、课堂辅导、教学监管与测评等各个环节（尚智丛， 等，2023）。 生成式人工智能持续的学习和进化能力， 使其不仅可以作为教师助手， 也可以作为教学主体 之一，它能够与教师进行深度“协商”，共同制定和执 行教学计划。 然而，人工智能的持续学习和进化能力 可能导致其产生意想不到的行为，因此，需要建立监 督机制和责任制度来管控人工智能系统的行为，尤其 需要对人工智能所生成的内容进行严格的伦理审查， 以确保其符合教育道德和价值观。这一阶段的决策过 程呈现为会话优化决策，教师以自然语言与机器会话 引导和激励机器，同时机器也能根据教学场景和学生 反馈自我调整决策规则。 这种双向的、动态的决策机 制使得教学过程更加灵活和个性化， 更加精准地适 应学生的多样化需求和不断变化的教学环境。
（四）融合式协同阶段
融合式协同阶段的人机协同教学， 依托最前沿 的人工智能与脑科学研究成果， 尤其是脑机接口与 脑脑接口技术取得的重大突破。 此阶段，机器可以直 接与教师和学生的大脑交互， 实现思维和知识的直 接传输。 例如，利用脑机接口技术，直接捕捉学生的 认知状态和学习需求（Miah，et al.，2024），实时调整 教学内容和方式， 以最符合学生大脑活动模式的方 式进行教学（Gnedykh，2021）。 从教学决策的角度来 看，这一阶段的智能机器成为认知的一部分，教师可 以通过意念、 情感等大脑活动驱使机器与学生互动 （即意识增强决策）。 教师、学生和机器这种无缝协同 的决策生态，不仅能实现知识的无损传输，还能最大限度地突破生理、表达、行为等各种限制或障碍（翟 雪松，等，2022）。 因此，有学者预言，这类人机融合智 能极有可能是人工智能的高级阶段， 甚至可能是最 终阶段（李平，等，2018），然而，此阶段的人类在人工 智能面前更加透明，“教学主体的大脑隐私” 这一极 为重要的生物特征，需要得到高度重视和保障（Ienca，et al.，2017）。
以上各阶段反映了人机协同教学在特定时期的 教学理念和决策样态的演进脉络。 然而各阶段并非 呈线性或相互排斥的关系， 而是基于各自关键技术 和教育需求，并行发展、相辅相成，共同推动教育数 字化的变革与创新。
三、人机协同教学决策机制的框架
上述各阶段的人机协同方式看似泾渭分明、互 不干扰，但在实际教学中，我们往往无法简单按照其 中一种或几种行事， 而是需要根据特定的教学任务 复杂程度，灵活、创新性地应用不同协同方式进行教 学决策，其基本原则是“把适合机器做的事让机器来 做，把适合人做的事让人来做，把适合人机合作的事 让人与机器一起来做（祝智庭，等，2021）”。 以此为基 础，本研究构建的框架如图 1 所示，具体包括教学事 务复杂度分析、 人机协同决策分流和人机协同教学 决策路径三个部分。 其中，复杂度分析为后续的决策 分流提供依据， 决策分流关注如何将不同事务分流 至合适的路径中， 决策路径关注教师与智能机器协 同决策的具体执行。
（一）教学事务复杂度分析
教学事务是复杂多样的， 包括课程的设计与规 划、教学资源的准备、课堂教学实施、学习成就的评 估与反馈等，这种复杂性源于多方面，如学生个体的 多样性（需关注个体差异）、教学内容的广泛性（涉猎 丰富多样的知识领域）、教学方法的多变性（针对不 同教学目标和学生群体灵活运用教学方法） 以及教 学环境的动态性 （教师需及时了解并应对环境的不 断变化）。 数智教育中的教学事务不仅包括传统的教 学事务，还涉及与数智技术相关的新兴任务和挑战， 如 AI 渗透下的新质人才培养、DeepSeek 等智能技 术的融合应用。 随着技术应用的广泛性和深度的增 加，这些事务也呈现出新的复杂性特点。 当前，人机 协同成为应对这种复杂性并推动教育创新的重要途 径，因为人类之难恰是机器之易，机器之易恰是人类 之难（Erickson，2002），二者恰好可以优势互补。 为了 最大化人机协同效能， 首要步骤是开展教学事务的 复杂度分析。 这一分析的核心目的是明确区分哪些 教学任务适合由机器执行， 哪些需人类教师负责完 成，从而为后续的人机分流机制提供依据。
（二）人机协同决策分流
人机协同教学的决策分流机制旨在建立不同复 杂度的教学事务与人机各自优势的映射规则， 明确 教学事务合理的“决策负责人”（教师或机器），以充 分发挥人类智慧和机器智能。 首先对于复杂度低的 事务，因其规则性强、重复性高且易于标准化执行， 多是机器善为事务。 同时，一些“灰色地带”的任务处 于混沌状态，既需要机器的计算和数据处理能力，也 需要人类的直觉和创造力， 属于人机合为事务（Xiang，et al.，2023）。 而对于复杂度高的事务，需要浓厚 的教育情怀和克服挑战的意志， 并且相关决策的实 施也需要根据实际灵活变通， 即使是大模型支持的 机器也难以胜任， 属于人类善为事务 （Chan，et al.， 2024）。 在这三类教学事务中，教师分别担任不同的 角色：对于机器善为事务，智能机器能够高效执行标 准化任务，教师则作为辅助者进行监督和指导；对于 人机合为事务， 机器和教师需要共同参与决策和执 行，通过相互帮助，做出高质量的决策，此时教师是 合作者；而对于人类善为事务，教师需要担任引领者 角色，发挥自身的主导作用，仅把决策任务的一部分 分配给人工智能。 不难发现，教师在这三类教学事务 中的参与程度是逐级递增的。 通过对教学事务的合 理分流， 可以确保每项任务都能由最适合的主体负 责，并经过合适的协同决策路径提高效率和质量。
（三）人机协同教学决策路径
针对人类善为、 机器善为、 人机合为的教学事 务，本研究分别以人在旁路、人在回路（Honeycutt，et al.，2020）和人在领路的协同理念（Guo，et al.，2015） 为基础，明确具体的人机协同教学决策路径。 处理机器善为事务， 可选择数据驱动的协同决 策路径。
这一路径遵循人在旁路的协同理念，如图 1 所示，智能机器作为主要决策者，处于决策的主干路 中，教师作为辅助者，处在并联的旁路中。 当处理决 策事务时，智能机器首先利用自身计算优势，迅速从 大量教育数据中发现规律、趋势，做出证据支持的客 观决策。 规律、 趋势的挖掘与分析依赖于机器算法 对教育数据的分析和处理能力， 只有当机器能力不足时，人类教师才介入优化机器的决策。 虽然数据驱 动决策强调机器的作用，但教师并非处于被动状态， 因为教师需要把握机器所作决策的合理性， 让决策 始终符合教学实际情况与需求。
处理人机合为事务， 可选择数据启发的协同决 策路径。 这一路径遵循人在回路的协同理念，以物理 电路图做隐喻， 教师以合作者的身份处在串联电路 中，与智能机器在“同一工作流程中”通过交互式对 话来决策。 每一次对话，均是教师与智能机器相互配 合并从中获得启发的过程， 即机器从大量教育数据 中挖掘得到决策线索给教师，教师以此线索提示，结 合自身经验，按图索骥或推理后做出决策。 这一决策 也将作为机器后续分析的依据， 如此人机交互直至 得到有效的决策。 在交互过程中，机器提供的线索主 要是内隐于大数据中的教学规律、特征或趋势，如学 习者个体行为与学业成就的关系、 学习者能否按期 达到教学目标要求等， 它们启发教师形成调整教学 的决策洞见或灵感。
处理人类善为事务， 可选择设计驱动的协同决 策路径。 这一路径遵循人在领路的协同理念，以物理 电路图做隐喻， 教师作为引领者处于串联电路与并 联电路的连接点上，如图 1 所示。 在这样的位置，教 师可以发挥类似多向开关的作用， 决定智能机器分 担哪些决策任务。 不难发现，这一协同决策路径是人 本驱动的（Schneiderman，2020），教师需要从人本角 度诊断性地审视教育数据和人工智能的价值以及它 们可能的支持作用，并在教学设计时做好人为布局或 调控，以便让智能机器有能力参与需要人文情怀和意 志且灵活多变的决策事务。分流至这一路径上的教学 事务，具有高度复杂性和不确定性的特性，其决策往 往无章法可循， 在教学设计时便做好任务的分配，便 于充分发挥人类智慧之优势，提高决策成效。
四、教学事务的复杂度判定机制
合理分流决策的前提是精准判定教学事务的复 杂度。 任务复杂度是一个多维概念，通常指完成某个 任务所需认知、技能和资源的程度，是影响决策过程 和策略的关键因素（Payne，1976），在人机交互领域， 更是影响着执行者的表现（Jacko，et al.，1995）。 现有 研究通常将任务复杂度分为主观复杂度和客观复杂 度（van Iddekinge，et al.，2017），主观复杂度主要考 虑任务与任务执行者之间的联合属性， 如任务对认 知负荷、情感投入、知识技能的需求等；而客观复杂 度则指任务本身的属性，如任务要素的数量、任务本 身的不确定性等。
创造性和灵活性是典型反映主客观复杂度的维 度，前者表征解决任务所需执行者（如人师、机师和 学生） 创新思维或能力的程度， 指向数智教育培养 “新质人才”的诉求（祝智庭，等，2024）；后者表征设 计好的任务，在实施过程中根据实际情况调整、变通 的程度，程度越高，灵活度越大，体现数智教育需满 足学生个性化差异的特征。 鉴于此，本研究从创造性 和灵活性角度创设教学事务复杂度的判定图谱，如 图 2 所示。
第Ⅰ象限是高创造性高灵活性事务。 这类复杂 度的教学事务， 要求教师突破现有知识和思维模式 的束缚，优化、重构甚至创造出新的解决方案，并且 方案在实施的过程中， 会根据实际教学情况做出灵 活调整。 教育数字化追求教学范式由供给驱动向需 求驱动转变（祝智庭，等，2023），需求的个性化与变 化发展，造就教学事务的处理往往不能循规蹈矩，也 无法完全按照预设的解决方案执行。 因此，在数智时 代，这类复杂度的教学事务具有相当比重。 第Ⅱ象限 是高创造性低灵活性事务。 这类复杂度的教学事务， 同样需要教师制定富有新颖性的解决方案， 但方案 的执行不会与预先的设计有较大出入。 如流畅度是 表征技能表现流利程度的新型指标， 可使用流畅度 替代成绩指标衡量学生的新质素养水平， 其统计量 “流畅度正确＝正确反应÷测量时间”和“流畅度错 误=错 误反应÷测量时间”（彭红超， 等，2017） 具有脱敏特 性，执行时无须根据应用场景作调整。 第Ⅲ象限是低 创造性低灵活性事务，这类复杂度的教学事务，不要 求教师打破已有的知识体系或思维模式， 甚至有现 成的解决方案可利用，并且方案可按部就班执行，无 需大幅度调整。 数智时代的教学过程具有灵活性、动 态生成性，但其灵活性与稳定性、生成性与预设性是 并存的（彭红超，等，2023），这种稳定性与预设性造 就诸多教学事务依然可以按照原有方案处理， 如按 照既定的个性化学习适配处方判定何时在人机双师 课堂中组织差异化教学、 小组合作学习或个体适性 学习。第Ⅳ象限是低创造性高灵活性教学事务。这类教学事务表现出一种稳中求变的特质， 需要教师能 够敏锐地捕捉教学场景中的变化，据此，在实施过程 中 灵 活 调 整 已 有 处 理 方 案 ， 如 教 师 根 据 学 生 与 GenAI 合作探究的结果， 决定实施针对性辅导还是 讲授新知。
教学事务复杂度的判定， 按照先判定创造性再 判定灵活性的顺序进行。 在创造性上，按照其核心属 性（Brookhart，2013），依次审视教学事务在以下四个 方面的要求：第一，教师想法的深度，从想法不是重 要概念到是来自不同学科的系列重要概念；第二，原 材料（即未经过教师初步加工和处理的原始资料、材 料）的多样性，从只利用一个或不可信的原材料到利 用了各式各样的原材料，如文本、媒体、经验等；第 三，想法整合的新颖性，从直接复刻他人想法到以惊 奇的方式整合；第四，处理方案的预期价值，从基本 解决预期问题到进一步识别出未知的新问题。 在灵 活性上， 基于学习环境中易于感知的灵活性三要素 （Bergamin，et al.，2012）进行判定，第一，实施时间的 弹性， 开始与持续的时间从不可更改到师生可自主 调控；第二，学生需求的迎合度，从侧重学生的共同 需求到适应学生个体的需求变化；第三，学生活动的 能动性，从被动接受教师指引到可自主选择。 另外， 在人机协同教学中，应对突发技术故障十分关键，从 无备用方案到能快速启动紧急预案， 是教学事务的 灵活性在柔韧度上的体现。
在判定时， 以创造性和灵活性的各维度作为评 估框架，将各维度的连续谱系作四等级划分，便可形 成教学事务复杂度的判定量规（Newell，et al.，2002）， 如果创造性或灵活性的总值达到中等水平以上，便 说明教学事务在这方面的复杂度处于较高水平。
五、人机协同决策的分流机制
厘清教学事务的复杂度之后， 便可以考虑如何 将其分流到合适的路径， 这涉及人机协同决策的分 流机制，如图 3 所示。
（一）第Ⅰ象限事务的分流
第Ⅰ象限事物兼具高创造性和高灵活性。 依据 自我决定理论（Deci，et al.，2013），个体在高创造性 任务中的意志力是突破常规思维的关键因素， 而灵 活性让这种意志力更加重要。 因此，第Ⅰ象限事务的 分流应考虑此要素。 鉴于包括 DeepSeek 在内的人工 智能均缺乏这种意志力，若事务对意志力要求较高， 教师需凭借自身主观能动性更好地应对创新与灵活 性带来的挑战，此时，第Ⅰ象限事务应引导至设计驱 动的协同决策路径。 而当事务对意志力没有太多要 求时，则需要进一步判断事务的结构化程度。 依据认 知灵活性理论， 结构化程度低的非良构问题 （illstructured problems）需要采用多维表征，并通过设计 思维重构问题空间（Jonassen，1997）。 因此，这类问题 应分流至设计驱动的决策路径， 让教师在设计阶段 即可着手此事，将事务合理解构并与人工智能“协同 处理”。 而结构化程度高的良构问题（well-structured problems），计算机算法容易与之匹配，因此更适合转 向数据启发的决策路径， 让人工智能先为教师处理 事务提供富有启发的线索。 这样，决策的效率可以大 幅提高。
（二）第Ⅱ象限事务的分流
第Ⅱ象限事务虽有高创造性但灵活性较低。 根 据标准化作业理论（Taylor，2004），灵活性较低的事 务更适合通过特定决策模式进行处理， 这种特定性 往往体现为有明显规则可循。 因此，规则性可以作为 判定第Ⅱ象限事务的关键， 它能够为创造性决策方 案制定提供抓手和方向。 具体而言，若事务的规则性 较强，则优先进入数据启发的协同决策路径，以利用 人工智能把这种规则性挖掘出来， 让教师后续的决 策路向更清晰；若规则性较弱，则需进一步判定事务 对 专 业 知 识 的 精 深 度 需 求 。 按 照 知 识 创 新 理 论 （Lambooy，2005），当精深度触及知识本身的边界时， 分流至设计驱动的协同决策路径， 由教师主导知识 的探索更合适。因为即使 GenAI 动态生成的内容，其 本质上也仅是从大量数据源中抽取或重组的信息， 只是对人类语言与思想的复制和转译 （孙屹言， 2023）。 若精深度需求不高，仅是需要知识应用上的 创新，则可以分流至数据启发的决策路径，由人工智能生成基础方案，再由教师进行创新性修正或补充。
（三）第Ⅲ象限事务的分流
第Ⅲ象限事务对创造性要求较低， 且在实施时 无须灵活调整，此情况下，对数据的依赖性成为重要 的分流依据。 若数据依赖性较低，事务处理更需要教 师的教学智慧， 所需数据多为有情感温度的小数据 （祝智庭，等，2017），此时，可进入数据启发的决策路 径，让教师能够在数据线索的辅证下进行精准决策。 若数据依赖性较高，则需进一步判定。 按照决策行为 理论（March，et al.，1993），决策过程的不确定性也是 影响决策的重要因素，可作为此步的判定点。 具体而 言，若不确定性较高，则需要教师根据学生的反馈数 据临场确定决策策略， 这属于数据启发决策路径的 范畴，否则，可分流至数据驱动的协同决策路径，先 让人工智能发挥优长， 而教师仅在必要时核验人工 智能的决策结果是否合适。 这样做的好处是，既能充 分发挥人工智能的高效率又有人类兜底。
（四）第Ⅳ象限事务的分流
第Ⅳ象限事务创造性较低但灵活性较高， 需要 频 繁 应 对 多 变 的 外 部 情 境 。 根 据 情 境 认 知 理 论 （Brown，et al.，1989），处理此类事务的核心挑战在于 其对情境变化的高度敏感性。 若其对情境变化的敏 感性较高，则更适合采用数据驱动的协同决策路径， 此路径中的人工智能往往会全程记录学习过程并敏 捷感知学习情境的变化以提供更为精准的适配服务 （祝智庭，等，2020）；如果敏感性较低，则需进一步判 定事务对实时反馈的依赖程度。 教育反馈理论指出， 实时反馈依赖程度对学习效果有显著影响， 并与决 策路径密切相关（Hattie，et al.，2007）。 这一步，如果 依赖程度较高，则应分流至数据驱动的决策路径，以 便借助人工智能强大的算力，及时做出决策；如果依 赖程度较低， 可考虑分流至数据启发的协同决策路 径，以降低高灵活性伴随的潜在风险。
六、人机协同的教学决策路径
教学事务的复杂度分析和分流机制解决了混浊 状态下的教学事务如何分流的问题，接下来，需要解 决每条协同决策路径的具体协同方略问题。
（一）数据驱动的协同决策路径
数据驱动的人机协同决策是教师辅助 AI 进行决 策，路径如图 4 所示。 AI 通过自动监测或用户上传等 方式获取学习画像数据，然后进行数据挖掘萃取数据 中蕴含的价值，如学生的行为模式等，以此，AI 利用 学习分析技术对教学进行诊断、预测并开处方，得到 决策草案，如推荐适切的资源（彭红超，等，2018）。 教 师需要对这个决策草案进行审查，如果 AI 的决策合 理，则通过审查；如果不适合，则教师认真分析数据、 探寻原因，重新设计决策方案；如果介于两者之间， 则纠正不当之处，填补遗漏部分。 对于未通过审查的 这两种情况，教师可以通过优化提示语或调整参数， 指导 AI 生成更合理的决策草案。 将通过审查的草案 或教师的决策预案作为正式方案实施并监控，所得到 的数据再次被收集，如此，形成一个闭环。
这一协同决策过程，需要注重以下两点。 第一， 教师的审查。 它处于枢纽位置， 决定教师是否介入 AI 决策。 之所以如此关键，是因为无论 AI 是否承担 了全部决策工作， 教师都需要承担全部责任。 评估 AI 决策合理性可从以下几方面着手：①决策的实施 条件是否具备（即实施可行性）；②决策是否能够满 足当前学生的需求或解决遇到的问题 （即即时有效 性）；③决策是否与教学目标吻合（即目标一致性）， 即使满足②， 也可能导致教学向背离目标的方向发 展（Sermsuksan，2019）；④决策的数据证据及其来源 是否真实可靠（即数据真实性）；⑤对于生成式人工 智能的决策，还需要额外审核是否存在歧视、偏见或 其他伦理道德问题（即决策伦理性）。 第二，教师介入 的时机和方式。介入是人机协同决策的核心问题。协 同效果的好坏，除决策依据是否靠谱外，还取决于人 类介入的时机和方式是否得当（陈凯泉，等，2019）。 时机方面，当 AI 决策不满足上述任何一条合理性标 准时，教师应当迅速介入，此外，如若 AI 决策实施 后，学生的表现或反馈与预期存在明显差异，教师也需要介入干预。
方式方面，可按照便捷性考虑以下几 种方式： ①通过提示语或调整参数优化 AI 的决策， 针对生成式人工智能，可结合拆分子任务、投喂专业 语料、让机器自我审查与修改等策略，这样往往能事 倍功半； ②教师自我修补或重设决策方案， 具体而 言，教师可通过“专家端倪法”从数据中获得见解（如 发现其中原因），借助“价值判断指标”将见解升华为 洞见（即透彻的见解），进而形成基于洞见的决策（彭 红超，等，2018）；③还可以发挥学生智慧，弥补 AI 决 策的缺陷，如引导学生标注“可疑”的决策结果、设置 AI 决策偏好，以及组织 AI 答案辩论会等。
（二）数据启发的协同决策路径
数据启发的人机协同决策是指教师与 AI 在协 同过程中相互配合生成决策， 路径如图 5 所示。 AI 利用大数据分析技术从收集到的数据中提炼出有关 学习状态与进度的线索，并以即席报表、学习仪表盘 或统计报告的形式呈现给教师， 教师根据干预需求 判定准则的要求， 进行扩猎分析得到额外的必要线 索， 并结合自己的专业知识与经验探析线索间的相 关、因果等逻辑关系，形成学生是否需要干预的真知 灼见，之后按照干预强度的消减机制制定干预决策。 和数据驱动的协同路径一样， 形成的决策方案通过 实施监控，形成反馈闭环。
其中， 需求干预的判定以上述流畅度指标作为 测评学生素养水平的指标， 因为它更符合新质素养 的本质要求：学生的技能表现越流利，就越有可能在 未来将这项技能应用于解决新问题，必要时，越有可 能和其他技能整合成为更复杂的新技能。 另外，以学 生素养提升的速度作为判定学生是否需要干预的依 据。 学生素养水平越高，习得相同知识或经验获得的 成长就越来越少， 体现在图表中是一条越来越平缓 的曲线。 而在教学实践中，人们更习惯使用直线来预 测学生的发展趋势，使用半对数图表（Aninao，et al.， 2015）来可视化学生的成长速度（它可以将曲线形状 “掰成”直线）。 在这种图表中，判定学生是否需要干 预有“斜率法”和“下方点数法”两种。
斜率法通过对比学生成长速度与目标成长速度， 预测学生能否在规定时间内完成学习目标。使用这种 方法，首先需将目标流畅度值以及每次测验收集的流 畅度得分按顺序绘制在图表中。然后，绘制一条直线， 让流畅度得分均匀地分布在它的两侧，如此，如果直 线横穿目标值或者在目标值的下方， 便可以断定学 生能够在规定时间内完成学习目标。 下方点数法通 过查看最近两个测验得分与目标线的相对位置，来 预测学生能否按期达标。 使用这种方法，首先，将目 标流畅度值和第一次测验得分， 绘制在图表中，然 后，连结这两个数值形成一条直线，如果后面的测验 得分连续两次在这条直线下方，那么就可以断定以当 前的状况，学生无法按期达标，因而有干预需求。
干预强度的消减机制以学生素养水平与目标水 平的差值为动力，差值越大，干预强度越大，且随差值 的缩小逐渐消退，直至差值达到可接受的范围，此时， 即使学生有干预需求， 教师也无须制定干预决策方 案。这一干预强度的消减机制与学习支架的消退效应 吻合（彭红超，等，2021）。 具体的干预强度可按照图 5 所示的消减函数确定，其中，a 表示干预系数，其值越 大，曲线曲度越小、干预动力越强，学生主体性或自由 度越弱。 此消减函数基于学生的能力水平，相比基于 时间的消减函数（童名文，等，2020），可避免“学生随 时间的推进必定不断进步”这一不合理情况。
（三）设计驱动的协同决策路径
设计驱动的人机协同决策是教师统筹安排任务 给 AI 决策的方式，路径如图 6 所示。 在教学设计过 程中， 教师根据自身实施教学活动的需求确定关键 的决策任务， 并将任务拆分为系列子任务进行统一 分配，其中，分配给 AI 的决策任务，通过提示语、参 数调整或平台配置，引导其理解和执行；之后，将AI 形成的系列决策结果与教师决策进行整合， 形成完 整的决策预案加以实施、监控，并反馈给新一轮的教 学设计。
教师在此条协同决策路径中与 AI 分担的是决 策子任务而非决策过程， 这与数据启发的人机协同 决策不同。 决策任务的拆分遵循“纵向切分优先、AI 最大分担、职责明确为准”三个原则，即先将决策任 务沿时间线拆分， 让形成的子任务能够尽可能多地 并行处理， 然后再考虑将子任务横向切断为粒度更 小的任务（即纵向切分优先）；任务拆分的切入点优 先考虑 AI 能够明确胜任的决策边界， 以保障 AI 最 大限度分担教师工作（即 AI 最大分担）；拆分的粒度 并非越小越好，只要 AI 或教师作为独立的决策负责 人，其处理子任务的职责清晰明了，便无须继续拆分 （即职责明确为准）。
拆分好的子任务由教师按人机优势互补的原则分配， 此处关键是借机梳理好各子任务的逻辑关系 （主要为并列关系和序列关系）。 逻辑关系可用决策 树表示，即用矩形表示起始点，用圆形表示各子任务 节点，用有向实线表示任务的先后序列关系（箭头指 向后续节点），并在实线旁标注前序任务可提供给后 续任务的输入信息，如果无此信息，则用有向虚线表 示这种序列关系，如此，同一层级的任务节点属于并 列关系，无须额外符号表示。
AI 决策结果与教师决策方案的合成，无法直接 依据子任务的拆分顺序和逻辑关系完成，因为 AI 的 决策结果不一定合理，且很多时候并非单个结果。 鉴 于此，教师可将第一条协同决策路径中的“AI 决策 合理性评估标准”作为筛选规则，并制定 AI 系列决 策结果的实施优先级， 以便指导完整决策预案的形 成。 在制定优先级时， 教师需要注意避免沉锚效应 （anchoring effect）（Tversky，et al.，1974）的干扰，即避 免因决策实效未知，过度对标子任务的逻辑关系（即 锚点），从而忽视了教学目标与学生需求。
七、结语
人机协同教学是数智时代的必然教学范式，其 中协同决策是实现教师智慧与人工智能的优势互 补，达成 1＋1＞2 的关键，也是实现教育数字化转型的 核心问题。 聚焦于协同决策机制，本研究建构了整体 框架， 并进一步研制了框架内的教学事务复杂度判 定机制、 人机协同决策分流机制以及三条人机协同 教学决策路径。 其中，复杂度判定为后续的决策分流 提供依据， 决策分流关注如何将不同事务分流至合 适的路径中， 决策路径关注教师与人工智能如何相 互配合进行决策。
此人机协同决策机制既考虑了数智教育中不同 教学事务的复杂度 （基于创造性和灵活性视角归为 四类），也顾及了教师在协同决策中应有的不同参与 度，即作为辅助者审核和完善 AI 的决策、作为合作 者一同参与 AI 的决策，以及作为引领者部署和分配 决策任务给 AI。 第一种，教师其实只是 AI 决策结果 的接收者；第二种，教师深入到了 AI 的决策过程；而 第三种， 教师还可以拆分决策任务。 但需要注意的 是，无论参与度如何，教师都拥有绝对话语权，因为 人工智能的参与本质上是教学设计者在参与， 它只 不过是教师的一种“替代”（陈赞安，等，2021）。 秉承 此观念与智能机器协同进行教学决策， 会更有利于 人机协同教学的创新发展， 进而助力国家教育数字 化战略目标的达成。
