[中圖分類號]G434 [文獻標志碼]A

[作者簡介]魏艷濤（1983—），男，山東菏澤人。教授，博士，主要從事智能教育研究。E-mail：yantaowei@mail.ccnu.edu.cn。

一、引 言

近年來，人工智能技術(shù)的飛速發(fā)展為教育變革提供了新的契機?！缎乱淮斯ぶ悄馨l(fā)展規(guī)劃》等重要文件指出，要充分利用人工智能等技術(shù)構(gòu)建智能學(xué)習(xí)與交互式學(xué)習(xí)的新型教育體系，以推動教育模式的創(chuàng)新與升級。與此同時，智能體作為人工智能的重要分支，在教育領(lǐng)域的應(yīng)用取得了顯著進展，為智能導(dǎo)學(xué)奠定了技術(shù)基石。生成式人工智能（GenerativeArtificialIntelligence，簡稱GAI）技術(shù)的突破，為智能導(dǎo)學(xué)系統(tǒng)的升級提供了強大動力，使得更加高級和擬人化的智能導(dǎo)學(xué)場景成為可能。在此背景下，基于GAI的多智能體導(dǎo)學(xué)系統(tǒng)逐漸成為研究熱點，已有研究利用生成式的多智能體構(gòu)建了學(xué)生協(xié)作的靈活開放式空間，這為GAI、教育智能體與智能導(dǎo)學(xué)系統(tǒng)的有機結(jié)合提供了借鑒。

雖然基于GAI的導(dǎo)學(xué)系統(tǒng)可以達到乃至超越人類導(dǎo)師的教學(xué)效果，但是現(xiàn)有基于GAI的導(dǎo)學(xué)系統(tǒng)強調(diào)高臨場感、強交互性，重在支撐更高階的思維活動，會給學(xué)生帶來高強度的認知負荷，也忽視了學(xué)習(xí)由簡到繁的完備過程。因此，立足技術(shù)本質(zhì)協(xié)同多個生成式智能體，設(shè)計兼顧強交互與低負荷的智能導(dǎo)學(xué)系統(tǒng)架構(gòu)以打造教育應(yīng)用新場景，仍面臨著理論和實踐的雙重挑戰(zhàn)。一是重直接經(jīng)驗，輕間接經(jīng)驗?，F(xiàn)有系統(tǒng)始于知識問答，聚焦生成式人機對話，指向復(fù)雜問題解決，缺乏體現(xiàn)交互主體性的應(yīng)用機制，可能難以達到簡單與復(fù)雜知識兼容學(xué)習(xí)和意義建構(gòu)的目的[3。二是重教學(xué)輔導(dǎo)，輕學(xué)習(xí)支持?，F(xiàn)有系統(tǒng)仍強調(diào)教師角色，缺乏多元師生角色支持，學(xué)生的主觀能動性難以發(fā)揮，這可能會限制其在更多場景應(yīng)用4。因此，為應(yīng)對上述挑戰(zhàn)，本研究將構(gòu)建基于經(jīng)驗之塔的生成式多智能體導(dǎo)學(xué)系統(tǒng)，設(shè)計兼顧直接經(jīng)驗與間接經(jīng)驗的學(xué)習(xí)模式，構(gòu)建“教一學(xué)一導(dǎo)”三元智能體，并采用人機雙評的方式來驗證系統(tǒng)的性能，通過教學(xué)應(yīng)用來檢驗系統(tǒng)持續(xù)使用的價值，以及對學(xué)習(xí)的促進作用，從而推動GAI時代的智能導(dǎo)學(xué)系統(tǒng)創(chuàng)新發(fā)展。

二、理論基礎(chǔ)與相關(guān)研究

盡管GAI在文本生成、理解和推理等通用場景取得了顯著成就，但在教學(xué)應(yīng)用方面仍存在局限，尤其體現(xiàn)在基于GAI的導(dǎo)學(xué)系統(tǒng)仍缺乏完整的經(jīng)驗學(xué)習(xí)架構(gòu)支撐。為解決現(xiàn)有系統(tǒng)重直接經(jīng)驗、輕間接經(jīng)驗，重教學(xué)輔導(dǎo)、輕學(xué)習(xí)支持的問題，本研究將系統(tǒng)梳理經(jīng)驗之塔理論、基于GAI的導(dǎo)學(xué)系統(tǒng)等相關(guān)研究，從理論和實踐的角度厘清二者之間的關(guān)系，為生成式智能導(dǎo)學(xué)系統(tǒng)研究提供參考。

（一）經(jīng)驗之塔理論

在GAI的支持下，智能導(dǎo)學(xué)系統(tǒng)期望用高仿真的人類行為模擬來幫助學(xué)生獲得學(xué)習(xí)經(jīng)驗，這使得現(xiàn)有研究更關(guān)注通過沉浸式的對話互動獲取直接經(jīng)驗，而忽視了經(jīng)驗學(xué)習(xí)的完整性。經(jīng)驗之塔理論指出，學(xué)習(xí)的經(jīng)驗是從具象到抽象的連續(xù)體，僅通過互動主導(dǎo)的直接經(jīng)驗可能難以獲得有效的抽象經(jīng)驗。該理論還指出，有效的學(xué)習(xí)方法是讓學(xué)生既要接觸直接經(jīng)驗，也要將觀察經(jīng)驗作為橋梁，幫助學(xué)生順利上升到抽象的經(jīng)驗。這些觀點強調(diào)了直接經(jīng)驗與觀察經(jīng)驗相結(jié)合的重要性。例如，對于簡單的陳述性知識學(xué)習(xí)，觀察他人學(xué)習(xí)的間接經(jīng)驗就已足夠，而復(fù)雜的問題解決則需要更多直接經(jīng)驗才能完成。

基于經(jīng)驗之塔理論，生成式智能導(dǎo)學(xué)系統(tǒng)需要兼顧直接經(jīng)驗和間接經(jīng)驗學(xué)習(xí)，并能支撐由簡到難的學(xué)習(xí)任務(wù)。因此，該理論可為GAI時代的導(dǎo)學(xué)系統(tǒng)設(shè)計提供底層邏輯支撐。然而，該理論并未指出不同經(jīng)驗所需的教學(xué)元素，這為生成式智能導(dǎo)學(xué)系統(tǒng)中的多智能體角色設(shè)計提供了留白空間，由此可以構(gòu)建更具個性化的智能導(dǎo)學(xué)新模式。

（二）基于GAI的導(dǎo)學(xué)系統(tǒng)

基于GAI的導(dǎo)學(xué)系統(tǒng)通過對話模擬和知識推薦等功能實現(xiàn)智能導(dǎo)學(xué)，典型應(yīng)用包括協(xié)作型、分析型和促進型三種，且以促進型為主。這類系統(tǒng)沿用現(xiàn)有智能導(dǎo)學(xué)系統(tǒng)設(shè)計框架，支持大部分基礎(chǔ)性學(xué)科（如語文、數(shù)學(xué)和英語等）的個性化知識對話生成。其人機交互活動始終圍繞師生角色展開，雖有助于獲得直接經(jīng)驗，但學(xué)習(xí)路徑單一，也降低了學(xué)習(xí)效率，導(dǎo)致系統(tǒng)難以適配不同難度的學(xué)習(xí)任務(wù)。如何組合多個生成式智能體以實現(xiàn)更高級別的學(xué)習(xí)協(xié)同，并適應(yīng)更靈活的學(xué)習(xí)活動，這成為現(xiàn)有研究的關(guān)切內(nèi)容。目前，研究聚焦研發(fā)生成式多智能體系統(tǒng)（如軟件開發(fā)協(xié)作類8科學(xué)實驗操作類和科學(xué)辯論互動類等），這些系統(tǒng)通過文本交互來實現(xiàn)子智能體之間的協(xié)作、辯論和競爭通信。雖然這些系統(tǒng)被證明有助于學(xué)生的復(fù)雜問題解決，但系統(tǒng)普遍存在可靠性驗證缺失與內(nèi)容幻覺問題，導(dǎo)致經(jīng)驗完整性不足、互動模式單一及多元教學(xué)場景支撐薄弱。

因此，目前還需要探索與智能導(dǎo)學(xué)相適應(yīng)的設(shè)計模式，使其產(chǎn)生更高質(zhì)量的互動內(nèi)容。為此，要結(jié)合設(shè)計、理論和實踐來重構(gòu)系統(tǒng)，為學(xué)生提供高質(zhì)量的學(xué)習(xí)體驗。其中，設(shè)計指真正能夠促進學(xué)生學(xué)習(xí)的生成式多智能體導(dǎo)學(xué)系統(tǒng)設(shè)計；理論指系統(tǒng)必須符合經(jīng)驗學(xué)習(xí)規(guī)律；實踐指將教學(xué)應(yīng)用完整地加以實施，并通過多方證據(jù)來驗證設(shè)計與理論結(jié)合的有效性。

三、基于經(jīng)驗之塔的生成式多智能體導(dǎo)學(xué)系統(tǒng)構(gòu)建

針對現(xiàn)有系統(tǒng)存在經(jīng)驗學(xué)習(xí)不完整、模式單一和多元場景支持性不足的問題，研究提出基于經(jīng)驗之塔的生成式多智能體導(dǎo)學(xué)系統(tǒng)（Cone-of-Experience-based Generative Multi-agent Tutoring System， 簡 稱CE-GMTS），根據(jù)經(jīng)驗之塔理論來設(shè)計“直接與間接”的經(jīng)驗學(xué)習(xí)雙模式，基于交互一建構(gòu)一主動—被動（Interactive-Constructive-Active-Passive，簡稱ICAP）理論、社會認知理論和蘇格拉底式教學(xué)法來構(gòu)建“教—學(xué)一導(dǎo)\"三元智能體，以完善雙模式的內(nèi)部功能。該系統(tǒng)通過教學(xué)智能體的知識具現(xiàn)、同伴智能體的學(xué)習(xí)陪伴和指導(dǎo)智能體的啟發(fā)引導(dǎo)，實現(xiàn)了基于GAI技術(shù)的教學(xué)對話生成、基于經(jīng)驗之塔理論的漸進式學(xué)習(xí)模式，以及三元智能體適配的個性化學(xué)習(xí)支持。

（一）CE-GMTS整體框架

CE-GMTS整體框架如圖1所示，學(xué)習(xí)之前，學(xué)生需要選擇學(xué)習(xí)內(nèi)容，如\"C語言程序設(shè)計的指針”，該內(nèi)容由課程教師和ChatGLM生成的知識庫共同組建。基于這一選擇，CE-GMTS會根據(jù)該領(lǐng)域必須掌握的知識點啟動經(jīng)驗之塔學(xué)習(xí)模式，激活間接經(jīng)驗和直接經(jīng)驗學(xué)習(xí)模式，以及“教一學(xué)—導(dǎo)”三元智能體，以支持任務(wù)的適應(yīng)性、經(jīng)驗的完整性和過程的持續(xù)性。

（二）經(jīng)驗之塔學(xué)習(xí)模式

經(jīng)驗之塔學(xué)習(xí)模式包括間接和直接兩種類型，其界面如圖2所示。其中，間接經(jīng)驗學(xué)習(xí)模式由教師智能體和學(xué)生智能體構(gòu)成，學(xué)生通過觀摩、參觀和感受生成式師生的教學(xué)互動來習(xí)得間接經(jīng)驗，從而建構(gòu)自己的知識結(jié)構(gòu)。教師智能體包括主動型、建構(gòu)型和交互型三類生成式教師，學(xué)生能觀察不同教師的講解來理解知識。學(xué)生智能體提供新手和高手兩類生成式學(xué)生，學(xué)生通過觀察生成式學(xué)生的學(xué)習(xí)過程來獲得學(xué)伴的間接經(jīng)驗。針對相同知識點，這些角色會在知識呈現(xiàn)方式上有所差異。直接經(jīng)驗學(xué)習(xí)模式包括對話發(fā)起與反饋的指導(dǎo)智能體，學(xué)生通過操作、對話和總結(jié)指導(dǎo)智能體的對話來習(xí)得直接經(jīng)驗。該模式將承擔蘇格拉底導(dǎo)師角色，對話發(fā)起的目的是診斷知識障礙和解析學(xué)習(xí)需求，對話反饋的自的是引導(dǎo)知識應(yīng)用和探索解決方案，互動過程不提供直接答案，而是通過蘇格拉底式問答法促使學(xué)生深入思考，從而達到學(xué)習(xí)目的。

圖2CE-GMTS移動端的經(jīng)驗之塔學(xué)習(xí)模式界面（以“指針\"為例）

經(jīng)驗之塔學(xué)習(xí)模式中所有對話均由ChatGLM按Propmpt規(guī)則調(diào)控：（1）所有模式必須協(xié)同工作，圍繞學(xué)生的歷史選擇、歷史對話和課程知識生成內(nèi)容，當學(xué)生重復(fù)選擇固定元素時，應(yīng)為學(xué)生提供符合真實場景的差異化對話內(nèi)容。（2）在間接經(jīng)驗學(xué)習(xí)模式中，需按照學(xué)生信息加工的階段和順序展開對話，對話的最小話輪為10，以滿足知識點的完整呈現(xiàn)。（3）在直接經(jīng)驗學(xué)習(xí)模式中，必須二次檢查學(xué)生的對話和生成的內(nèi)容，不要響應(yīng)與學(xué)習(xí)無關(guān)的對話，不要捏造錯誤、有害的回答，并盡可能提供參考資料，以保證對話的科學(xué)性。

（三）“教一學(xué)一導(dǎo)\"三元智能體

在經(jīng)驗之塔學(xué)習(xí)模式中，間接經(jīng)驗學(xué)習(xí)模式主要負責知識傳遞與行為示范，學(xué)生既會獲取教師在講授和演示等過程中的信息，也會觀察和模仿同伴的思維與行為來獲得新的認知，這就需要教師和同伴兩類智能體來支撐間接經(jīng)驗學(xué)習(xí)模式。直接經(jīng)驗學(xué)習(xí)模式主要負責知識內(nèi)化與遷移應(yīng)用，學(xué)生通過對話指導(dǎo)來獲取教師的專家知識，并達成抽象概念的理解與應(yīng)用，這一過程強調(diào)了教師的指導(dǎo)作用，因此，需要設(shè)計指導(dǎo)智能體。三類智能體在經(jīng)驗之塔理論下形成縱向協(xié)同：教師智能體提供任務(wù)參與情境，ICAP理論中提出的交互（I）、建構(gòu)（C）和主動（A）三類教師能刺激學(xué)生不同程度的任務(wù)參與，這成為教師智能體設(shè)計的重要參考。學(xué)生智能體生成同伴學(xué)習(xí)路徑，社會認知理論指出，學(xué)習(xí)發(fā)生在觀察行為示范原型被強化的過程中，這對應(yīng)了學(xué)生智能體的設(shè)計。指導(dǎo)智能體則強化自主交互與認知習(xí)得，結(jié)合蘇格拉底式教學(xué)法，引導(dǎo)學(xué)生通過任務(wù)探究、情境體驗等實現(xiàn)知識的深度遷移與反思，促進高階能力的培養(yǎng)?！敖桃粚W(xué)一導(dǎo)”三元智能體共同構(gòu)成“知識具現(xiàn)、學(xué)習(xí)陪伴、啟發(fā)引導(dǎo)\"的螺旋上升結(jié)構(gòu)，這種分層分類設(shè)計既保持各智能體的功能明確性，又通過經(jīng)驗層次的動態(tài)映射實現(xiàn)系統(tǒng)級的學(xué)習(xí)效能。下面將具體闡述基于ICAP理論的教師智能體、基于社會認知理論的學(xué)生智能體和基于蘇格拉底教學(xué)法的指導(dǎo)智能體。

1.基于ICAP理論的教師智能體

現(xiàn)有智能導(dǎo)學(xué)系統(tǒng)中教師角色單一，僅以專家教師身份呈現(xiàn)知識內(nèi)容，難以激發(fā)學(xué)生的學(xué)習(xí)積極性。ICAP理論提倡學(xué)生進行主動型、建構(gòu)型或交互型學(xué)習(xí)，這三種模式比被動型學(xué)習(xí)有更好的學(xué)習(xí)效果，且交互型學(xué)習(xí)的效果最佳[2。對此，研究設(shè)計主動型、建構(gòu)型和交互型生成式教師，使其分別與隨機生成式學(xué)生產(chǎn)生互動，為學(xué)習(xí)者提供多元講解形式，緩解教學(xué)的單調(diào)性。主動型教師以呈現(xiàn)刺激和提供學(xué)習(xí)機會為主，該類型教師將鼓勵學(xué)生積極地對呈現(xiàn)材料做出適當反應(yīng)。建構(gòu)型教師強調(diào)學(xué)習(xí)的螺旋上升組織形式，他們會將新知識與學(xué)生原有知識結(jié)構(gòu)聯(lián)系起來，促進學(xué)生學(xué)習(xí)。交互型教師倡導(dǎo)的策略是幫助學(xué)生探究復(fù)雜的主題，通過由淺入深的交互活動幫助學(xué)生掌握知識。上述三類教師的關(guān)鍵提示詞分別為直述、類比或隱喻、探究或案例。

2.基于社會認知理論的學(xué)生智能體

現(xiàn)有智能導(dǎo)學(xué)系統(tǒng)中的對話均以學(xué)習(xí)者為中心，學(xué)生難以獲取同伴經(jīng)驗，這與真實課堂中的共同學(xué)習(xí)情境大相徑庭，學(xué)生容易出現(xiàn)疲勞和脫離等問題。社會認知理論認為，個體能通過模仿他人獲取經(jīng)驗和知識，從而逐漸形成自己的行為模式，這說明觀察他人的學(xué)習(xí)經(jīng)驗有助于學(xué)生建構(gòu)新的知識[13]。因此，研究設(shè)計高手型和新手型生成式學(xué)生，將學(xué)生置身于同伴經(jīng)驗學(xué)習(xí)情境，讓學(xué)生和生成式學(xué)生一起學(xué)習(xí)新知識，以第三視角觀察生成式學(xué)生的學(xué)習(xí)互動，緩解學(xué)習(xí)的孤獨感和割裂感。高手型學(xué)生會準確地參與知識互動，包括應(yīng)用、分析、評價和創(chuàng)造等高階思維活動，學(xué)習(xí)積極性也較高。新手型學(xué)生的特點是知識基礎(chǔ)薄弱，回答準確率低，缺乏學(xué)習(xí)自信。由此來看，新手型學(xué)生會放大易錯和重難知識點學(xué)習(xí)，使得這類知識的生成式解釋會更符合基礎(chǔ)知識薄弱的學(xué)生學(xué)習(xí)需求。根據(jù)上述分析，高手型和新手型生成式學(xué)生的關(guān)鍵提示詞分別為積極主動與高準確率、消極被動與低準確率。

3.基于蘇格拉底教學(xué)法的指導(dǎo)智能體

現(xiàn)有智能導(dǎo)學(xué)系統(tǒng)存在師生互動模式固定、被動性強、反饋方式單一等局限性。蘇格拉底認為，只有通過有意識地引導(dǎo)和啟發(fā)學(xué)生互動，才能達到認知的目的[14]。對此，研究采用蘇格拉底式提問法來設(shè)計“是什么、為什么和怎么做\"的生成式對話發(fā)起學(xué)習(xí)活動，通過由淺人深、由表及里的連續(xù)性引導(dǎo)讓學(xué)生沉浸式地參與直接經(jīng)驗互動。學(xué)生也可以主動發(fā)起對話，指導(dǎo)智能體將根據(jù)深度反饋原則來生成事實性反饋、情感反饋、知識提示與細節(jié)解釋，支撐更高階、更復(fù)雜的抽象經(jīng)驗學(xué)習(xí)任務(wù)。其中，指導(dǎo)智能體的關(guān)鍵提示詞參考蘇格拉底反思式提示法1進行設(shè)計，對話發(fā)起的關(guān)鍵提示詞是知識點是什么、怎么解決問題、解決方案的邏輯理由等，對話反饋的關(guān)鍵提示詞包括判斷回答正確性、給出鼓勵或贊美等情感激勵，提供詳細的解釋和提示說明。

四、CE-GMTS的應(yīng)用與分析

CE-GMTS已應(yīng)用于某大學(xué)科學(xué)教育專業(yè)的“C程序設(shè)計”課程，共有30名學(xué)生參與了48課時的學(xué)習(xí)。教師通過設(shè)置新知學(xué)習(xí)和小組協(xié)作引導(dǎo)學(xué)生使用CE-GMTS系統(tǒng)進行直接經(jīng)驗學(xué)習(xí)和間接經(jīng)驗學(xué)習(xí)。系統(tǒng)后臺記錄的瀏覽、點擊和互動文本數(shù)據(jù)將作為CE-GMTS的評價依據(jù)。學(xué)習(xí)后，學(xué)生需進行知識后測，內(nèi)容覆蓋“C程序設(shè)計\"中的算法、數(shù)據(jù)類型、流程控制、數(shù)組、函數(shù)、指針、結(jié)構(gòu)體和文件8個單元，并完成CE-GMTS接受度調(diào)查，問卷改編自技術(shù)接受和使用統(tǒng)一模型（Unified Theory of Acceptance and Use ofTechnology，UTAUT）[，采用5級標尺測量包括績效期望、努力期望、社群影響、促進因素和使用意愿等基礎(chǔ)變量，同時新增自我效能、互動深度和焦慮變量來測量學(xué)生使用CE-GMTS成功完成學(xué)習(xí)的信心、感知與CE-GMTS的互動質(zhì)量，以及CE-GMTS給學(xué)習(xí)帶來的潛在焦慮。

（一）評價方法

研究采用自動評價與人工評價相結(jié)合的方法來檢驗CE-GMTS的性能。在自動評價方面，一方面采用大語言模型自評法來檢驗CE-GMTS的可讀性、語法性、信息量和流暢性，另一方面采用大語言模型專用評價法CritiqueLLM來檢驗CE-GMTS的事實正確性、滿足用戶需求、安全無害和清晰度等[8，上述方法均被證實具有良好的評價質(zhì)量。人工評價采用專家打分法，評價子維度源于GAI增強的智能導(dǎo)學(xué)系統(tǒng)ASSP框架4中的前三項指標，分別是遵循先進的學(xué)習(xí)理論（A）、使用最新技術(shù)（S）和正確應(yīng)用策略（S），第四項指標證實學(xué)習(xí)有效性（P）將通過實踐數(shù)據(jù)來驗證，評價內(nèi)容采用5級標尺的符合程度和熟悉程度兩方面，最終分數(shù)由符合程度和熟悉程度的乘積均值決定。

（二）應(yīng)用分析

1.CE-GMTS的性能分析

研究共回收了26份有效的專家評價，并對271條教師、學(xué)生以及指導(dǎo)智能體的文本進行評價。CE-GMTS自評和CritiqueLLM評價由模型獨立輸出的三次得分均值決定，最終分數(shù)范圍均為1至5分，評價結(jié)果見表1。CE-GMTS的自評結(jié)果反映出指導(dǎo)智能體具有更好的對話質(zhì)量，而教師和學(xué)生智能體在信息量和流暢性方面稍遜色一些。CritiqueLLM評價比CE-GMTS自評得分偏低，指導(dǎo)智能體在創(chuàng)造性、邏輯連貫性和豐富度方面表現(xiàn)更優(yōu)，教師和學(xué)生智能體在完備性和創(chuàng)造性方面稍有欠缺。進一步地，人工評價表明，指導(dǎo)智能體在理論適用性、技術(shù)契合性和策略適應(yīng)性上的綜合得分最佳，其中，學(xué)生智能體、教師智能體分別在策略適用性和技術(shù)契合性上表現(xiàn)最好。總體來看，CE-GMTS的綜合評分為3.94，自動評價較人工評價的分數(shù)稍高，但兩者結(jié)果的趨勢較接近，即基于直接經(jīng)驗學(xué)習(xí)模式的指導(dǎo)智能體綜合性能更好，基于間接經(jīng)驗學(xué)習(xí)模式的教師智能體效果次之，學(xué)生智能體的對話效果還有一定的提升空間。

2.學(xué)生對CE-GMTS的接受度分析

考慮到學(xué)生對CE-GMTS的接受度符合混合高斯分布，研究采用混合高斯模型1對接受度數(shù)據(jù)進行建模。根據(jù)聚類參數(shù)調(diào)節(jié)，當聚類數(shù)為3時，輪廓系數(shù)為0.48，Calinski-Harabasz指數(shù)為112.55，聚類效果最好。因此，研究保存每個樣本的類別信息，生成三個類群的三維可視化圖，根據(jù)數(shù)據(jù)特征，將得分為4附近的群體命名為沉思觀望者（ 36.5% ）、得分為5附近的群體命名為強烈接受者 （17.3% ）、得分小于4的群體命名為持續(xù)關(guān)注者 （46.1%） ，如圖3所示。結(jié)果發(fā)現(xiàn)，大多數(shù)學(xué)生對CE-GMTS仍持有謹慎態(tài)度，沉思觀望者的績效期望（ M=3.92， 努力期望（ M=3.97? 和技術(shù)態(tài)度（ M=3.95） 較高，但焦慮（ M=2.56 顯著高于其他兩類學(xué)習(xí)者，這種反差說明他們對CE-GMTS的學(xué)習(xí)效能較認可，但是仍會擔心因操作不當而耽誤學(xué)習(xí)任務(wù)。強烈接受者的行為意圖（ M=3.884 ）和自我效能（ M=3.78 得分最高，說明他們具有強烈的CE-GMTS使用意愿，并對CE-GMTS使用充滿了信心。持續(xù)關(guān)注者在績效期望（ M=3.88 和焦慮（ M=2.48? 上的得分均為最低，他們較少質(zhì)疑CE-GMTS對學(xué)習(xí)產(chǎn)生的負面影響，但也對CE-GMTS提升學(xué)習(xí)效果方面持有謹慎的態(tài)度。

3.CE-GMTS對學(xué)習(xí)成績的影響分析

研究采用結(jié)構(gòu)因果模型（StructuralCausalModel，簡稱SCM）[20]來探究使用CE-GMTS對學(xué)習(xí)成績的影響，將接受度類型作為組別，8個單元的學(xué)習(xí)成績作為因變量，學(xué)生與面向經(jīng)驗之塔的多智能體角色互動頻次作為待選自變量，并使用相關(guān)性檢驗納入與學(xué)習(xí)成績顯著相關(guān)的自變量（高手型學(xué)生、新手型學(xué)生、建構(gòu)型教師和交互型教師）來構(gòu)建有向圖，估計有效變量之間的因果關(guān)系。圖估計方法考慮非線性因果[以直方圖梯度提升樹（Hist Gradient Boosting Regressor，簡稱HGBR）方法為例］和線性因果［以線性回歸（LinearRegression，簡稱LR）方法為例]兩種假設(shè)，估計結(jié)果見表2，當均方誤差值（MSE）越小時，因果模型擬合效果越好。結(jié)果發(fā)現(xiàn)，除了強烈接受者屬于線性因果關(guān)系以外，其他群體以非線性因果關(guān)系為主。進一步繪制基于接受度類型的結(jié)構(gòu)因果路徑，如圖4所示，線條越粗表示因果性越強。結(jié)果挖掘出一條關(guān)于間接經(jīng)驗學(xué)習(xí)模式的共性因果鏈，即教師智能體的因果性較學(xué)生智能體更強，交互型教師存在于所有群體的因果鏈中。同時也發(fā)現(xiàn)了個性化的因果鏈關(guān)系，即各類學(xué)習(xí)群對交互型教師的預(yù)測程度：沉思觀望者 gt; 強烈接受者gt;持續(xù)關(guān)注者。除了交互型教師以外，影響持續(xù)關(guān)注者和強烈接受者群體學(xué)習(xí)成績的主要因素分別是間接經(jīng)驗學(xué)習(xí)模式中的高手型學(xué)生和建構(gòu)型教師。

五、討論與分析

（一）CE-GMTS具有高質(zhì)量的經(jīng)驗學(xué)習(xí)對話內(nèi)容

現(xiàn)有智能導(dǎo)學(xué)系統(tǒng)模式單一、對話生硬，系統(tǒng)僅能提供“專家教師\"角色，并且兼顧直接與間接學(xué)習(xí)經(jīng)驗，難以保證對學(xué)習(xí)任務(wù)的適應(yīng)性。翟雪松等人曾提出要塑造新型人機勞動關(guān)系，重塑多智能體教育生態(tài)2。CE-GMTS采用經(jīng)驗之塔理論來塑造多元師生角色，融合GAI技術(shù)與多智能體系統(tǒng)等，為學(xué)生提供間接經(jīng)驗與直接經(jīng)驗并驅(qū)的學(xué)習(xí)模式，并通過協(xié)同教師智能體、學(xué)生智能體和指導(dǎo)智能體三者之間的信息通信，以支持更復(fù)雜的學(xué)習(xí)任務(wù)，這正是多智能體教育生態(tài)的微觀體現(xiàn)。評價結(jié)果驗證了其在專家教師、個性化學(xué)伴、定制化內(nèi)容與反饋等多方面的高質(zhì)量生成能力。已有研究證實了GAI學(xué)習(xí)得到的理論知識能遷回并反哺人類教育學(xué)，從而讓人類學(xué)習(xí)者也能享用機器教育之益[22]。本研究提供了GAI與經(jīng)驗之塔理論有效轉(zhuǎn)化為實際應(yīng)用的典型案例，通過高質(zhì)量的經(jīng)驗學(xué)習(xí)模式證實了GAI的強大教育應(yīng)用價值，這為學(xué)習(xí)理論與GAI的深度融合提供了良好的借鑒和參考。

（二）CE-GMTS具有知識高效掌握和技術(shù)高接受度的優(yōu)勢

學(xué)生知識基礎(chǔ)、學(xué)習(xí)方式和學(xué)習(xí)步調(diào)具有差異性，導(dǎo)致相同任務(wù)往往會帶來不同的認知負荷，使得認知資源不足者面臨挑戰(zhàn)。CE-GMTS依據(jù)經(jīng)驗之塔理論提供多元經(jīng)驗來滿足學(xué)生的認知需求，《論語》中指出“獨學(xué)而無友，則孤陋而寡聞”，CE-GMTS中的學(xué)生智能體能幫助學(xué)生彌補認知差距，緩解緊張情緒，強調(diào)易錯點，這正是“群學(xué)且有友\"的真實寫照。但這也可能帶來額外的認知負荷，學(xué)生需同時處理教師和學(xué)生智能體中的教學(xué)信息[23]。復(fù)雜的角色對話可能是導(dǎo)致沉思觀望者因信息辨識困難而降低使用意愿的原因?？傮w來看，CE-GMTS憑借經(jīng)驗之塔學(xué)習(xí)模式和“教一學(xué)一導(dǎo)”三元智能體獲得了多數(shù)學(xué)生的持續(xù)關(guān)注和強烈接受，這與它能滿足學(xué)生對知識的好奇、理解和探索等認知需求有關(guān)[24。但是，仍有學(xué)生對CE-GMTS持有謹慎的態(tài)度，這說明CE-GMTS需優(yōu)化設(shè)計并積累更多經(jīng)驗證據(jù)。

（三）CE-GMTS的多元互動角色有助于學(xué)生獲得學(xué)術(shù)成功

因果檢驗顯示，CE-GMTS的多元互動角色能有效促進學(xué)習(xí)，教師智能體中的角色預(yù)測結(jié)果與ICAP理論假設(shè)一致，即交互型教師作用最佳，其次是建構(gòu)型教師。生成式的教師比學(xué)伴的預(yù)測作用更強，這與Yu 等人的發(fā)現(xiàn)相悖，他們認為同伴互動會提高學(xué)生投入，從而獲得比教師互動更好的結(jié)果[25]。但是，該結(jié)論僅適用于優(yōu)質(zhì)同伴互動情境。CE-GMTS所提供的同伴對話需要學(xué)生篩選、整合以獲得有效信息，而學(xué)生更擅長從教師端接收直接的信息，從而降低了學(xué)生智能體的預(yù)測作用。此外，接受度類型也會影響學(xué)習(xí)結(jié)果，高接受度和謹慎使用群體會在更頻繁的交互型教師作用下表現(xiàn)更佳，這可能與他們更積極獲取信息并謹慎加工、存儲和應(yīng)用知識有關(guān)。因此，為提升GAI導(dǎo)學(xué)效果，要遵循認知發(fā)展的基本規(guī)律，優(yōu)化智能體角色設(shè)計，采用更多智能體協(xié)同來適應(yīng)任務(wù)難度，強化互動支架以提升生成式角色效能2。同時，也鼓勵學(xué)生主動尋求角色互動，通過融合直接經(jīng)驗和間接經(jīng)驗來提升學(xué)習(xí)投人，從而強化對知識的理解以最大化生成式智能導(dǎo)學(xué)系統(tǒng)帶來的學(xué)習(xí)效益。

六、結(jié)束語

隨著GAI的發(fā)展，傳統(tǒng)智能導(dǎo)學(xué)系統(tǒng)的專業(yè)導(dǎo)學(xué)、智能反饋與個性化生成等功能得以增強，但其教學(xué)應(yīng)用仍然受限，其挑戰(zhàn)之一在于系統(tǒng)設(shè)計仍缺乏面向完整的經(jīng)驗學(xué)習(xí)架構(gòu)支撐。因此，研究融合GAI技術(shù)與經(jīng)驗之塔理論，設(shè)計開發(fā)了CE-GMTS，創(chuàng)建了經(jīng)驗之塔學(xué)習(xí)模式和“教一學(xué)—導(dǎo)\"三元智能體，為學(xué)生提供了一個經(jīng)驗整合和定制化的學(xué)習(xí)新場景。CE-GMTS獲得了人類與機器的一致好評，且基于直接經(jīng)驗學(xué)習(xí)模式的指導(dǎo)智能體綜合能力最好。同時，CE-GMTS具有知識高效掌握和技術(shù)高接受度的優(yōu)勢，以交互型教師為主的角色最有助于學(xué)生獲得學(xué)術(shù)成功。但是，由于技術(shù)限制，CE-GMTS導(dǎo)學(xué)系統(tǒng)功能仍有待完善。未來，研究將進一步探索更積極的互動支架和策略來確保生成式角色發(fā)揮積極作用，從而促進GAI時代的智能導(dǎo)學(xué)系統(tǒng)創(chuàng)新發(fā)展。

[參考文獻]

[1]國務(wù)院：國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知[EB/OL].（2017-07-20）[2025-04-25].htps：/ww.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2]翟雪松，季爽，焦麗珍，等.基于多智能體的人機協(xié)同解決復(fù)雜學(xué)習(xí)問題實證研究[J].開放教育研究，2024，30（3）：63-73.

[3]吳河江，涂艷國.超越工具理性：生成式人工智能的教育價值[J].教育研究，2024，45（11）：149-159.

[4]徐升，佟佳睿，胡祥恩.下一代個性化學(xué)習(xí)：生成式人工智能增強智能輔導(dǎo)系統(tǒng)[J].開放教育研究，2024，30（2）：13-22.

[5]蔣貴友，殷文軒.變革抑或危機：大語言模型賦能大學(xué)教學(xué)及其限度——基于斯坦福大學(xué)的案例考察[J].電化教育研究，2025，46（1）：122-128.

[6] 陳維維.審視與反思：戴爾\"經(jīng)驗之塔\"的發(fā)展演變[J].電化教育研究，2015，36（4）：9-14，27.

[7]PRATSCHKE B M.Generativism：the newhybrid[EB/OL].（2023-09-21）[2025-04-25]. htps：/arxiv.org/pdf/2309.12468.

[8] QIANC，LIUW，LIUH，etal.ChatDev：communicative agentsforsoftwaredevelopment[EB/OL].（2023-07-6）[2025-04-25].https：//arxiv.org/pdf/2307.07924.

[9] ZHENG Z，ZHANGO，NGUYENHL，et al. ChatGPTresearch group foroptimizing thecrystalinityof MOFsand COFs[J]. ACScentral science，2023，9（11）：2161-2170.

[10]DUY，LIS，TORRALBAA，etal.Improvingfactualityandreasoninginlanguagemodelstroughmultiagentdebate[EB/OL].（2023-05-23）[2025-04-25]. https：//arxiv.org/pdf/2305.14325.

[11]沈苑，汪瓊.生成式人工智能支持教學(xué)決策的實踐困境與關(guān)鍵進路[J].電化教育研究，2024，45（11）：92-99.

[12]CHIMTH，WYLIER.TheICAPframework：linkingcogniveengagementtoactivelearningoutcomes[J].Educationalpsychologist，2014，49（4）：219-243.

[13]BANDURASocialfdatiosoftoughndctioaialgitivetory.EnlewoodClifs：PreiceHall986.

[14]趙曉偉，沈書生，祝智庭.數(shù)智蘇格拉底：以對話塑造學(xué)習(xí)者的主體性[J].中國遠程教育，2024，44（6）：13-24.

[15]HSUFH，LIIH，YEHHC，etal.Efectofsocraticreflectionpromptsviavideobasedlearningsystemonelementaryhoolstudents' critical thinking skills[J]. Computers amp; education， 2022，183：104497.

[16] VEKATESHV，MORRISMG，DAVISGB，etal.Useracceptanceof informationtechnology：towardaunifiedview[J].MISquarterly，2003，27（3）：425-478.

[17]KEP，WEB，F(xiàn)ENG A，etal.CritiqueLLM：towardsaninformativecritiquegenerationmodelforevaluationoflargelangagemodel generation[Cy/Procedingsof the62ndAnnualMetingof theAsociationfor Computational Linguistics（Volume1：LongPapers）. Bangkok：Association for Computational Linguistics，2024：13034-13054.

[18] NOVIKOVA J，DUSEK O，CURRY A C，etal. Whywe need new evaluation metrics forNLG[CY/Proedingsof the 2017Conferenceon Empirical MethodsinNaturalLanguageProcessing.Copenhagen，Denmark：Asociation for ComputationalLinguistics，2017：2241-2252.

[19]朱映秋，黃丹陽，張波.基于高斯混合模型的分布因子聚類方法[J].統(tǒng)計研究，2024，41（6）：147-160.

[20]SHARMAA，KICIMANE.DoWhyanend-toendlibraryforcausal inferene[EB/OL].（2O2-0-09）2025-04-25].tps：/arxiv.org/pdf/2011.04216.

[21]翟雪松，張麗潔，夏亮亮，等.基于GAI的逆向工程教學(xué)思維在人機協(xié)作中的應(yīng)用研究——以編程教育為例[J].電化教育研究，2024，45（9）：61-68.

[22]劉凱，賈敏，孫常新，等.像教育人一樣教育機器——人類教學(xué)經(jīng)驗?zāi)芊裉嵘ㄓ萌斯ぶ悄芟到y(tǒng)的學(xué)習(xí)效果[J].電化教育研究，2023，44（9）：26-33，41.

[23]SWELLERJ.Cognitiveloadtheory[MOSBH.Psychologyofearingandmotivation.Cambrige，MA：AcademicPres21：37-76.

[24] MASLOW A H. A theory of human motivation[J].Psychological review，1943，50（4）：370-396.

[25]YUX，WANGX，ZHENGH，etal.Academicachievementismorecloselyasociatedwith student-perrelationshipsthanwithstudent-parent relationships or student-teacher relationships[J]. Frontiers in psychology，2O23，14：1012701.

[26]孫立會，周亮.生成式人工智能賦能教育變革的邏輯——基于新質(zhì)生產(chǎn)力的視角[J].教育研究，2024，45（10）：38-49.

Research on Cone-of-Experience-based Generative Multi-agent Tutoring System

WEI Yantao’， XU Qi2， SHI Yafei3， LIU Qingtang1 （1.Hubei Key Laboratory of Digital Education，Central China Normal University，Wuhan Hubei 430079;

2.Artificial Intelligence Education Department，Central China Normal University，Wuhan Hubei 430079;

3.Faculty of Education， Henan Normal University， Xinxiang Henan 453007）

[Abstract] Generative Artificial Intelligence （GAI）-based Tutoring Systems can enhance learning outcomes by simulating professional mentors. However， existing systems often prioritize direct experience over indirect experience， focus more on instructional guidance than learning support， and inadequately support students' cognitive development. To address these challenges，this study develops a Generative Multi-agent Tutoring System by integrating GAI with Cone of Experience theory. This system facilitates students'learning by creating a learning model that unifies direct experience and indirect experience，and a \"teaching-learning-guiding\" tri-agent.The findings indicate that the system has the ability to generate high-quality instructional dialogues and has the dual advantages of eficient knowledge acquisition and high technology acceptance.The guiding agent for direct experience learning presents optimal overall performance，and the interactive teacher for indirect experience learning contributes to students' academic success most. The study confirms that systematic integration of direct and indirect experiences optimizes students' knowledge acquisition， and the tri-agent architecture successully accommodates diverse learning needs.These results provide effctive references for the development and application of intellgent tutoring system.

[Keywords] Cone of Experience; Multi-agent; Generative Artificial Intelligence; Intellgent Tutoring System; System Construction