高等教育阶段生成式人工智能教育产品分析研究

Research on generative artificial intelligence education products in higher education

摘要

生成式人工智能教育产品在高等教育领域的创新应用是高等教育数字化转型的重要研究课题。本研究对国内外37个面向高等教育领域的生成式人工智能教育产品进行编码分析，对其基本信息、产品教育功能和生成式人工智能赋能逻辑进行体验性和内容性分析。研究结果表明，目前生成式人工智能（generative artificial intelligence，GenAI）教育应用存在共性特征：“GenAI教育产品数量呈爆发式增长，学科专属性较弱；GenAI教育产品助学特性突出，深层次人机互动场景探索较少；产品多元数据的分析功能较弱”。针对这些共性特征提出三方面GenAI产品的可为发展路向：构筑不同教育主体双向交流通道，强化教学过程中的内嵌性支持；深度运用生成式人工智能学习分析功能以支持数据驱动的教学决策；建立面向具体学科的、学段专业素养培养的垂直大模型。

Abstract

The innovative application of generative artificial intelligence (GenAI) education products in higher education is a key research topic in the digital transformation of higher education. This study conducts a coding analysis of 37 generative AI education products targeting the higher education field, focusing on their basic information, educational functions, and the empowerment logic of generative AI. The findings reveal several common characteristics of GenAI education applications: “explosive growth in the number of GenAI education products with weak subject specificity,” “prominent learning assistance features with limited exploration of deep human-computer interaction scenarios,” and “weak analytical capabilities for multi-dimensional data in products.” Finally, the study proposes three actionable development directions for GenAI products: “Establishing two-way communication channels between different educational stakeholders to enhance embedded support during teaching processes.” “Utilizing generative AI learning analytics capabilities to support data-driven teaching decisions.” “Developing vertical large models tailored to specific disciplines and professional competencies at different educational stages.”

关键词

生成式人工智能 / 教育产品 / 高等教育 / 产品分析

Key words

generative artificial intelligence / educational products / higher education / product analysis

随着生成式人工智能（generative artificial intelligence，GenAI）在高等教育领域的快速深入应用，数字教育产品已从教育App、小程序、云平台等成熟形态迅速衍生出大模型、虚拟机器人等创新产品形态^[1]。GenAI教育产品可以提供便捷的答疑互动、自然语言生成、学情追踪报告等功能，助推了高等教育数字化转型。在高等教育领域，GenAI教育产品已经在教、学、评、研等方面协同赋能教与学全过程^[2]。目前，国内外涌现诸多GenAI教育产品，然而这些产品的功能研发及教育应用现状如何，未来的研发方向有哪些，这些问题的破解亟需对现有国内外高等教育领域GenAI教育产品进行系统性分析与条理性洞察。基于以上论述，本研究采用内容分析法对现有国内外GenAI教育产品的教育功能进行编码分析，深入剖析其功能特点、优势与不足，旨在为后续GenAI教育产品的开发应用提出可行策略和建议。

1 文献综述

GenAI作为新一代AI技术的代表，能够嵌入教与学的多元场景以支持教与学发生。现有文献从教学环节赋能的视角指出，GenAI可以在“教、学、管、评”四个方面对教学要素进行赋能，涵盖了教学的前中后三个阶段。从教学流程赋能视角看，GenAI教育产品在高等教育中的教学应用有三个方面：教学设计、教学过程和教学评价。

1.1 GenAI在高等教育教学设计中的应用

在教学准备方面，ChatGPT可以提出帮助教师的建议。用一位教师的话说，“ChatGPT可以成为教师和教育工作者的一个有用的工具，通过提供大纲来提醒他们应该在课程中包含哪些知识和技能”^[3]。Megahed等^[4]要求ChatGPT为一门本科统计学课程生成课程大纲。他们指出，可以采纳其教学建议，而无需进行重大修改。在课前阶段，机器通过分析大学生整体的学习情况，诊断其潜在的学业问题，从而帮助高校教师设定合理的学习目标，汇聚优质的教学资源，设计精准的教学方案^[5]。GenAI教育产品不仅可以提供面向教学活动的场景智能化耦合方案，根据教学需求自动生成多种基础性场景资源供教师选用，还可以生成个性化脚本、角色、背景等内容资源，使高校教师能够从大量基础性工作中解放出来，更加聚焦于前期的创意设计和后期的内容优化^[6]。

1.2 GenAI在高等教育教学过程中的应用

越来越多的教育者和学者认为，ChatGPT具有成为一种先进教育工具的深厚潜力。ChatGPT强大的知识库和即时反馈功能，能为教育者提供一个灵活、实时的教学助手，同时为大学生提供丰富、多样的学习资源^[7]。研究人员发现，在ChatGPT等工具的支持下（主要是通过提供代码解释和调试），编程培训可以有效提高大学生的编程技能^[8]。基于ChatGPT的人机协同深度探究性学习系统能够显著提高大学生在教学过程中的学习绩效、问题解决能力、批判性思维能力、学习态度、自我效能感和内在学习动力^[9] 。大学生在“生成式人工智能+元宇宙”人机协同环境下的学习绩效均显著提升^[10]。ChatGPT支持的基于课程的本科生科研体验（course-based undergraduate research experiences，CUREs）教学模式有助于大学生科研知识、科研技能和科研情感等多维科研能力的提升^[11]。

1.3 GenAI在高等教育教学评价中的应用

GenAI可以汇聚多元学习证据链，通过预测性分析、系统建模等对所采集的大学生过程性和结果性数据融合分析，实现对其进行创新学习的贯通性评估，提升高校教师决策的精确性^[12]。GenAI可以通过数据分析和学习模式识别，对学生的学习过程和成果进行监测和评估，帮助高校教师了解学生的学习进展和困难，及时调整教学策略。在评估方面， GenAI可以自动评估学生的作业，减轻教师的负担^[13]。GenAI还可以分析教师在课堂上的教学内容、教学方法和学生的参与，以及学生对教师的评价和反馈，以综合评估教师的教学质量^[14]。GenAI能够有效利用学生的学业数据来实现学业评价报告的自动生成，为辅助教师开展个性化述评提供决策支撑^[15]。

综上所述，以往研究已经对GenAI教育产品的教学应用进行了系统性学理建构和初步的实践论证，但研究落脚点并未关注GenAI教育产品教育功能的系统性分析。因此，本研究尝试以GenAI教育产品的教育功能为研究对象，基于王一岩等^[16]提出的智能教育产品的核心功能和角色定位，对现有国内外GenAI教育产品功能进行分类分析，旨在为后续开发生成式人工智能教育产品提出可行性建议和策略。

2 研究设计

为全面分析现有国内外GenAI教育产品，将网络检索和艾瑞咨询《2024年GenAI+教育行业报告》中附录——产品列表所列举的国内外GenAI教育产品作为分析的备选对象。遴选标准要求符合GenAI基本功能逻辑，面向高等教育领域的GenAI教育产品。本研究共筛选出37个符合该标准的GenAI教育产品，其中，国内有19个产品，国外有18个产品。在分析过程中，本研究先广泛搜集查找相关GenAI教育产品的资料，接着分析者亲身体验产品功能，依据产品资料的可获取性和丰富程度，以及产品功能是否切实属于GenAI的功能范畴等条件进行筛选。在编码过程中，实施分析者一致性检验。两位编码者结成一组，针对同一个GenAI教育产品展开分析，并对两位编码者的编码结果进行一致性比较。结果表明，一致性结果较高，符合要求。

本研究构建了GenAI教育产品分析框架（如表1所示），分为一级框架和二级框架。其中，一级框架中有基本信息、产品教育功能和GenAI赋能逻辑。在二级框架中，基本信息层面，分为服务学科、产品发布时间、基于何种大模型；产品教育功能层面，分为角色定位、教育功能、应用场景和教学活动，其中角色定位和教育功能参考王一岩等^[16]进行编码；GenAI赋能逻辑层面，分为知识创生类型、知识创生程度、学习分析类型和学习分析程度。

3 研究结果

3.1 国内外GenAI教育产品的基本信息

首先，国内外高等教育GenAI教育产品多呈现学科泛化的特点，即大部分教育产品并非针对某一特定学科进行设计。其次，在GenAI教育产品所基于的大模型中，国内GenAI教育产品要么基于通用大模型开发，要么依据自身产品以往教育数据所形成的教育领域垂直大模型。例如：豆包基于云雀语言模型开发而成；子曰大模型基于教育领域垂直大模型“子曰”开发而成。国外的GenAI教育产品部分基于GPT-3.5或GPT-4.0通用大模型支持产品设计。例如，Duolingo所提供的多种语言学习课程，便是基于GPT-4.0大模型开发而成。最后，自2022年ChatGPT发布以后，国内外教育GenAI产品发布呈现直线上升趋势，在本研究所统计的相关产品中，于2023年发布的产品占比最高。

3.2 国内外高等教育GenAI教育产品的教育功能分析

从人机协同的典型场景上看，生-机协同应用场景在国内外都最为广泛，师-机协同应用场景则位居其次，师-生-机协同应用场景国内外均尚未深度探索。在生-机协同场景中，国内19个GenAI教育产品中共有15个涉及该场景，占比78.95%（如表2所示），国外18个GenAI教育产品中共有16个涉及，占比为88.89%。例如，华东师范大学研发的Educhat即属于生-机协同应用场景，为本科生提供了个性化学习资源和自主化学习辅导支持。在师-机协同场景中，国内产品中共有12个涉及，占比为63.16%，国外产品中共有8个涉及，占比44.44%。例如，Explainpaper可帮助高校教师简化和解释研究论文中的复杂部分，使得论文更容易阅读和理解。在师-生-机协同场景中，国内有3个产品涉及，占比为15.79%，国外有3个涉及，占比为16.67%。例如，Walter+属于师-机-生协同应用场景，其为师生同步教与学提供了平台支持。在平台中，GenAI可以为学生提供个性化学习资源和学习辅导支持，平台所提供的学习成果动态监测与反馈系统也可以为教师开展精准教学提供证据支持。需要说明的是，由于同一GenAI教育产品可能涉及多个协同场景，各场景占比之和可能超过100%。

在GenAI教育产品的角色定位中，国内外扮演助学者角色的产品均占主流，国内19个GenAI教育产品中全部扮演助学者角色，占比为100.00%，国外18个产品中共有16个扮演该角色，占比为88.89%（如表3所示）。比如，子曰大模型的“AI作文指导”功能充分展现了助学者的角色，从语言表达、结构逻辑、内容深度、情感丰富度等维度提供全方位修改建议，辅助学生提升作文能力。其次，国内外扮演导学者角色的产品也相对较为广泛，国内有11个产品扮演该角色，占比为57.89%，国外有8个产品扮演该角色，占比为44.44%。例如，豆包智能体所扮演的导学者角色，可以解答用户的疑难问题，根据用户的学习情况和反馈，分析其能力知识的薄弱点，针对现有薄弱点提出解决方案以及潜在发展问题并提供个性化提升方案。然而，国内外扮演督学者角色的产品均普遍缺少和不足，国内仅有3个产品，占比为15.79%；国外仅有2个产品，占比为11.11%。例如，Walter+属于督学者范畴，可记录学生的学习表现，为学生学习提供常态化监控与反馈，帮助学生制定个性化学习路径。值得注意的是，国内扮演伴学者角色的产品占比远高于国外，国内共有产品10个，占比52.63%，而国外仅有4个产品，占比22.22%，比如，SpeakGuru属于伴学者范畴，它拥有专属AI口语私教，致力于从各个方面达到接近真人对话的水平，从而更好地帮助学习者练习口语。需要说明的是，由于GenAI教育产品普遍扮演多重角色功能（如某产品同时扮演助学者和导学者），因此各角色占比之和超过100%。

在国内生成式人工智能教育产品的教育功能中，国内外的GenAI教育产品几乎大部分都具备学习意图识别与应答功能。其中，国内有18个产品具备该功能，占比为94.74%；国外18个产品全部具备该功能，占比为100.00%（如表4所示）。然而，具备学习情境感知与计算功能的国内外GenAI教育产品均极为稀少，国内仅有1个产品支持该功能，占比为5.26%，国外同样仅有1个产品支持，占比为5.56%。例如，希沃的教学大模型利用第七代交互智慧大平板的摄像头和语音识别，采集师生互动、提问理达等课堂内容，在课堂结束后便可生成课堂报告发送给教师。其次，在学习画像构建与更新方面，国内外具备此功能的GenAI教育产品也极为少见，即国内外均仅有2个产品，占比分别为10.53%和11.11%。例如，Walter+运用先进的数据挖掘和机器学习算法，构建出详尽且动态的学生画像，这一画像包含了学生的基本信息、学习偏好、学习兴趣、学习态度、学习风格等多维度特征。需要说明的是，由于GenAI教育产品可具备多项教育功能，因此各教育功能占比总和超过100%。

3.3 国内外GenAI教育产品的教学赋能逻辑

相关研究指出^[17] ，生成式人工智能技术从知识创生和学习分析两条逻辑线索上协同赋能学习体验的转型升级。

3.3.1 知识创生层面

在知识创生层面，国内外面向场景性智能问答功能已高度整合到所有产品功能中，大部分产品不仅支持简单的信息检索和呈现、复杂人机提问和知识问答，而且还能支持上下文问答情境分析与针对性作答。同时，国内外对于文本数据创生领域的相关产品最为广泛，具备图片数据类型和语音数据类型创生能力的产品也占有较大比例。然而，在视频类内容的创生方面，国内外都有着较大的整合空间。具体而言，国内外文本数据创生的产品占比均达100.00%，然而，国内支持视频数据创生的产品仅有2个，占比为10.53%；国外仅有1个，占比为5.56%。例如，NOLEJ可创生文本数据、图片数据、视频数据，将静态内容（文本、视频、音频）转化为交互式电子材料学习材料，创建出丰富的视频（包括内存卡、弹出文本和其他类型的互动），可在几分钟内将任何视频变成交互式学习体验。

3.3.2 学习分析层面

在学习分析层面，国内外具备学习分析文本数据能力的产品最为广泛，具备学习分析语音数据能力的产品数量位居第二。值得注意的是，国内支持图片数据学习分析能力的产品多于国外的同类产品。然而，国内外在学习分析视频数据相关产品的分析效率须提升。具体而言，国内外面向文本数据分析产品占比达100.00%；国内面向语音数据分析产品有9个，占比为47.37%，国外有7个产品，占比为38.89%；国内具备学习分析图片数据的产品也有9个，占比为47.37%，而国外仅有3个产品，占比为16.67%；国内外支持视频类学习分析能力的产品均仅有3个，占比分别为15.79%和16.67%。从学习分析的程度上看，国内外教育GenAI产品多数据模态分析应用广泛，但能够支持教学决策的产品占比较少。国内外能够支持教学决策的产品分别有9个和4个，占比分别为47.37%和22.22%。例如，星火大模型可学习分析文本数据，并且为教师提供间接性教学决策支持。星火大模型可通过分析学生的作业和考试文本数据，识别出学生的知识薄弱点，并为学生提供个性化的反馈和学习建议。此外，它还总结出班级中普遍存在的错误，基于这些信息，教师可以调整教学策略和计划，能够做出更加精准的教学决策。

4 结论

4.1 GenAI教育产品数量呈现爆发式增长，但学科专属性较弱

当前，生成式人工智能教育产品数量呈现爆发式增长，其缘由显而易见。2023年3月，OpenAI推出可实现多模态信息处理的GPT-4；次年5月，OpenAI 再次推出性能优化后的GPT-4o，将人工智能生成内容推向了一个新的高度^[2] ，GenAI的提出催生了一大批智能教育产品，但其在学科专属性方面存在着明显不足。学科专属性较弱要因是大模型的专属性问题。在训练大模型时，GenAI教育产品通常侧重于整合全学科和跨学科的知识，而对特定学科的专业知识、领域特点等考虑不足，这导致其在应用于具体学科教学时，无法深入理解不同学科独特的内在逻辑和教学需求，难以有效地、针对性地支持特定学科的教学和学习。由于缺乏对不同学科的深入理解和针对性分析，这些教育产品可能难以对教学中的问题提出精准的教学策略和建议，教师无法获得与学科紧密结合的有效教学辅助，学生也难以从中获取针对学科特点的精准学习指导，难以充分发挥人工智能技术在提升教学质量和效果上的作用。

4.2 GenAI教育产品助学特性突出，但深层次人机互动场景探索较少

生成式人工智能教育产品在生机协同方面展现出较强的发展态势，助学者角色的主导地位也展示出了显著的助学特性。然而，对于深层次的人机互动场景，即师-机-生协同互动场景探索相对较少。这表明GenAI教育产品能精准智能地识别学习者需求，提供诸如个性化学习分析、学习导航、作业辅导、智能写作解析与润色等功能，为学习者提供科学有效的学习支持服务。然而，目前大部分GenAI教育产品还未能实现从简单的“师-机”和“生-机”二元结构转变为复杂的“师-机-生”三元结构教学模式。在“师-机-生”教学模式中，机器和学生之间互动产生的学习数据会被发送给教师，教师据此能够研判其互动的效果。机器与教师之间的互动效果，更多体现在备课环节，机器与教师的备课数据可作为教学资源传递给学生。在此教学模式中，关键需要有一个教育平台去支持机器与学生、机器与教师、教师与学生之间的互动。此外，面向师-机-生协同的督学功能也存在明显缺失，在师-机-生协同中，功能协同和数据联通性较弱。例如，GenAI教育产品未能记录、采集分析学生的学业表现数据和学习投入数据用于精准督学，教师与机器在备课环节的互动成果也难以充分转化为促进学生学习的有力资源，这种功能协同的不足和数据联通的不畅，不仅限制了课堂教学中间环节的优化和组织模式的重构，也阻碍了教育智慧的创生以及“教师智慧-机器智能-学生智慧”的协同增长和共同进化^[18] 。

4.3 知识创生类教育产品已成主流，产品多元数据的分析功能较弱

GenAI教育产品在很大程度上支持上下文问答、情境分析与针对性作答的知识创生，然而，这类产品对于图片、视频等多元化数据的知识创生和分析功能方面共性欠缺。这反映出当前GenAI教育产品在功能上的不平衡。大部分产品过于强调文本数据的分析，而忽视了图片、视频数据的分析应用。同时，这类产品的功能本身研发力度和精准度也不足。部分产品虽然具备图片和视频数据的分析功能，但其分析能力不够成熟或准确，因此无法为教师提供有效的教学支持，也无法给学生带来个性化的学习体验，无法在面对复杂的教育场景和多元化的学习需求时，提供精准、有效和科学的支持。在课堂教学中，较弱的多元数据的分析功能可能影响产品对学生学习的全面评估。例如，机器未能利用行为分析、认知诊断、情感计算等技术对课堂教学过程中学习者的学习行为、情感变化和认知本质进行精准刻画，难以给学生提供精准化、个性化的学情诊断和学习干预，也不能协助教师及时了解学生的学习状态，并且帮助教师及时采取有针对性的教学改进举措。因此，基于问题情境的知识创生产品虽已成为主流，但要更好地提高教学效果和提供更有效的学习支持，提升产品对多元数据的分析能力是关键所在。

5 策略及建议

5.1 构筑不同教育主体双向交流通道，强化教学过程中的内嵌性支持

在GenAI与教育教学深度融合的过程中，需要构筑不同教育主体双向交流通道，并强化教学过程中GenAI教育产品的内嵌性支持。在课前阶段，学生可在学习平台完成教师提供的预习任务，并在在线平台区与教师和其他学生交流心得与疑惑。机器可采集学生在学习平台完成的预习任务以及疑惑点，诊断学生潜在的学业问题，形成针对学生个性化的诊断报告，将其发送给教师。教师根据诊断报告，结合专业领域的最新研究动态，对教学内容和教学目标进行完善优化，与机器协同制定个性化学习任务单。在课中阶段，机器将个性化学习任务单推送给学生，学生以小组形式进行合作探究，平台还会推送相关拓展案例和关联专业知识点题目，学生可将未解决的问题向教师实时反馈，教师则进行个性化指导，启发学生运用创新思维解决问题。而后，机器分析小组反馈问题，生成每组个性化的研学任务，教师再对其进行优化完善后，推送给学生，并给予研究方法和思路的内嵌性指导。在课后阶段，机器收集学生课前预习以及课中研学任务的反馈数据，生成个性化专业作业。教师针对学生在课堂中的整体和个体问题，优化并完善机器布置的作业后，再推送给学生，同时，为学生提供复习资料和学习建议等内嵌性支持，帮助学生巩固所学的专业知识点，解决未解决的难点。

5.2 深度运用生成式人工智能学习分析功能，支持数据启发的教学决策

在未来的教育领域中，GenAI教育产品将充分利用其学习分析功能，全面支持数据启发的教学决策。这一功能的充分利用，意味着对学习者数据和学习环境数据加以分析，整合分析学习者的多模态数据，从行为、认知和情感三个维度评估学习者的学习状态和学习成就，并呈现评估、预测和干预的相关结果，在“教、学、管、评”四个维度发挥效用。其一，GenAI学习分析功能通过对多元化的数据采集、分析、建模，精准分析学情、诊断教学效果、提供教学反馈、生成教学方案^[5] 。在此基础上，教师可以形成数据启发的教学决策，改进教学策略使其更具针对性，精准推送适应学生需求的教学内容，个性化地干预学习者的学习，提升教学的精准性和有效性。其二，生成式人工智能学习分析功能可用于挖掘学习者的学习问题、分析学习者的学习方式以及潜在学习问题，从而为学习者提供个性化的学习内容和自适应的学习方式，帮助学习者采取适当的措施改进自己的学习方式，推动自我导向的学习。其三，教育管理者利用学习分析功能构建数据驱动的教学管理体系，运用数据启发思维改进教学模式，精准设计教学决策，提升教育管理的效率和质量。其四，GenAI分析功能构建起多维度、综合性的评价体系。这一体系不仅涵盖传统的学业成绩，还关注学习过程中的课堂参与度、作业完成度、考勤签到以及情感投入等方面，更真实地反映学生的学习全貌，为学生提供个性化的学习评价，为教育评价注入新的活力和公正性。

5.3 建立面向具体学科类型的、学段专业素养培养的垂直大模型

以国内情况为例，目前虽已有半数生成式人工智能教育产品所基于的大模型是面向教育领域的垂直大模型，然而针对具体学科和学段的垂直大模型尚未得到广泛应用。由此可见，构建面向具体学科类型的、学段专业素养培养的垂直大模型势必成为教育改革的重要趋势和关键着力点。基于通用大模型虽然具有广泛的适用性，能够对各行各业的问题予以普遍回答，但往往很难满足教育场景下更高的准确度、价值观与安全性要求^[19] 。比较而言，专门针对具体学科和学段专业素养培养的垂直大模型，则能够更精准地理解不同学科在特定学段的教学需求。对于学生而言，此类垂直大模型可以依据具体学科的特点和学段要求，结合学生的学习风格、学习偏好等，为理学、工学、文学、医学、农学等不同学科，以及本科、硕士研究生、博士研究生等不同学段的学生，提供个性化的学习路径，量身定制学习专属的课程内容和学习计划。对于教师而言，垂直大模型能够针对高等教育领域中不同学科、学段，分析不同教学方法的有效性，帮助教师依据学科特性和学段目标选择最为适宜的教学策略，辅助教师做出更契合实际的教学决策，提升教学质量。由此可见，未来GenAI教育产品应当致力于建立面向具体学科类型的、学段专业素养培养的垂直大模型，以构建人工智能赋能教育的新范式。

参考文献

[1] 童莉莉, 曾佳, 底颖. AIGC视域下数字教育产品的四维风险矩阵与治理框架[J]. 现代远程教育研究, 2024, 36(2): 12-19.

[2] 魏顺平, 范学健, 王向旭, 等. 高等教育应用ChatGPT的潜能与风险: 来自美国高校的经验与启示[J]. 现代远距离教育, 2024(3): 18-27.

[3] TLILI A, SHEHATA B, ADARKWAH M A, et al. What if the devil is my guardian angel: ChatGPT as a case study of using Chatbots in education[J]. Smart Learning Environments, 2023, 10(1): 15.

[4] MEGAHED F M, CHEN Y J, FERRIS J A, et al. How generative AI models such as ChatGPT can be (Mis) used in SPC practice, education, and research? An exploratory study[J]. Quality Engineering, 2023(2):287-315.

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

[6] 吴砥, 王俊, 王美倩, 等. 技术发展视角下课堂教学环境的演进脉络与趋势分析[J]. 开放教育研究, 2022, 28(5): 49-55.

[7] ZHOU J, KE P, QIU X P, et al. ChatGPT: Potential, prospects, and limitations[J]. Frontiers of Information Technology & Electronic Engineering, 2024, 25(1): 6-11.

[8] 孙丹, 朱城聪, 许作栋, 等. 基于生成式人工智能的大学生编程学习行为分析研究[J]. 电化教育研究, 2024, 45(3): 113-120.

[9] 李海峰, 王炜. 人机协同深度探究性教学模式: 以基于ChatGPT和QQ开发的人机协同探究性学习系统为例[J]. 开放教育研究, 2023, 29(6): 69-81.

[10] 翟雪松, 楚肖燕, 焦丽珍, 等. 基于“生成式人工智能+元宇宙”的人机协同学习模式研究[J].开放教育研究, 2023, 29(5): 26-36.

[11] 吴忭, 李凤鸣, 胡艺龄. 生成式人工智能赋能本科生科研能力培养: ChatGPT支持的CUREs教学模式[J]. 现代远程教育研究, 2024, 36(3): 3-10.

[12] EMERSON A, CLOUDE E B, AZEVEDO R, et al. Multimodal learning analytics for game-based learning [J]. British Journal of Educational Technology, 2020, 51(5): 1505-1526.

[13] Zawacki-Richter O, Marín V I, Bond M, et al. Systematic review of research on artificial intelligence applications in higher education: Where are the educators?[J]. International Journal of Educational Techno-logy in higher Education, 2019, 16(1): 39.

[14] 李艳燕, 郑娅峰. 生成式人工智能的教育应用[J]. 人民论坛, 2023(23): 69-72.

[15] 熊余, 王盈, 蔡婷, 等. 学生学业述评智能生成模型的构建与实证研究[J]. 现代远距离教育, 2023(1): 32-39.

[16] 王一岩, 郑永和. 智能教育产品: 构筑基于AIoT的智慧教育新生态[J]. 开放教育研究, 2021, 27(6): 15-23.

[17] 单俊豪, 刘永贵. 生成式人工智能赋能学习设计研究[J]. 电化教育研究, 2024, 45(7): 73-80.

[18] 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.

[19] 科大讯飞. 2024智能教育发展蓝皮书: 生成式人工智能教育应用[R]. 兰州: 第六届智能教育论坛暨第二届全国教育技术学科青年学者论坛, 2024-09-20.

基金资助

2024年江苏省社科基金青年项目“生成式人工智能赋能教师跨学科教学能力提升的模式构建研究”(24JYC005)

2022年江苏省高校哲学社会科学研究基金项目“微认证驱动的高校本科课程评价变革研究”(2022SJYB0098)