智慧学习环境的范式突破：AI自习室的理论重构与设计科学路径

Paradigm breakthrough in intelligent learning environments: Theoretical reconstruction and design science path of AI study rooms

摘要

随着人工智能技术与教育数字化转型的深入交汇，AI自习室应势而生；但其理论构建面临技术、教育与伦理的系统性挑战。本文以“学习者主权”为实践指南，通过整合教育学、计算机科学与空间社会学理论，强调多模态数据融合与动态适应性设计，从而设计出“认知-技术-空间”三维模型，以平衡技术介入与学习者自主性。该模型涵盖认知层、技术层及空间层，并在此基础之上提出“最小干预”“情感相容”“动态适应”三大原则；提出“技术可行性”、“教育适配性”与“伦理合规性”三位一体的实施路径。未来需通过普惠性设计促进教育公平，强化实证研究与伦理治理创新，推动技术人本化与制度保障协同，为智慧教育生态提供可持续发展范式。

Abstract

With the in-depth convergence of artificial intelligence technology and the digital transformation of education, AI self-study rooms have emerged. However, their theoretical construction faces systematic challenges in technology, education, and ethics. This article takes “learner sovereignty” as a practical guideline, integrates theories from education, computer science, and spatial sociology, emphasizes multimodal data fusion and dynamic adaptive design, and thereby designs a “cognition-technology-space” three-dimensional model to balance technological intervention and learner autonomy. This model encompasses the cognitive layer, the technological layer, and the spatial layer, and on this basis, proposes three principles: “minimum intervention”, “emotional compatibility”, and “dynamic adaptability”. It also puts forward a three-in-one implementation path of technical feasibility, educational adaptability, and ethical compliance. In the future, it is necessary to promote educational equity through inclusive design, strengthen empirical research and ethical governance innovation, and promote the synergy of technology humanization and institutional guarantee to provide a sustainable development model for the smart education ecosystem.

Graphical abstract

关键词

AI自习室 / 学习者主权 / 设计科学 / 伦理治理 / 教育公平

Key words

AI study rooms / learner sovereignty / design science / ethical governance / educational equity

随着人工智能、大数据等技术的快速发展，智慧学习环境正从“技术赋能教育”迈向“技术重塑教育生态”的深层次转型^[1]。在这一进程中自主学习场景的实践意义再一次被关注，然而审视当下现有研究成果，智慧学习研究多趋向建设智慧课堂、建立虚拟实验室等教学主导型智慧场景，而对学习者为中心的非结构化学习场景——尤其是自习场景的关注严重不足^[2]。作为新一代的自习场景，AI自习室是一种面向自主学习的智慧空间，它集成了人工智能、大数据和物联网技术，旨在为学习者提供全天候、个性化、情境感知的学习支持。作为连接“个性化学习”与“泛在智慧环境”的关键节点，其理论构建不仅关乎技术应用的深化，更是对2019年《中国教育现代化2035》所提出的“学习者主权”命题的深切回应^[3]。尽管在战略层面已经澄明“构建泛在化、智能化学习空间”的重要意义^[4]，但AI自习室的研究仍存在一些明显的弊病。具体表现为：一方面，技术研究多停留于功能开发，缺乏教育学理论嵌入；另一方面，教育理论研究则倾向于抽象讨论“自主学习支持”，而忽视技术实现路径与空间设计逻辑的协同。这种趋向导致当下AI自习室的实践探索陷入“有技术无教育”或“有理念无落地”的困境。为了突破传统智慧学习环境的“教学中心”范式，以及构建“学习者主权”为核心的AI自习室理论框架，本文将融合设计科学与复杂系统理论，设计“认知-技术-空间”三维模型，基于此，在理论上推动智慧学习环境研究从“场景适配”转向“范式重构”，为自主学习的技术支持提供新视角；在实践上为AI自习室的系统设计与伦理治理提供准则，避免数字化转型技术应用陷入“工具理性”怪圈之中。

1 系统困境：AI自习室的实践阻碍

AI自习室作为教育数字化转型的创新实践成果之一，在技术赋能教育方面呈现巨大的发展潜力；但是，在技术实现、教育适配与伦理治理等层面仍存有缺陷。教育数字化转型的道路任重道远，工具主义沉疴反映当下人工智能与教育融合的深层矛盾，亟需通过理论重构与实践优化实现突破。

1.1 技术困境：数据壁垒与算法黑箱的制约

在技术层面，数据壁垒与算法黑箱的双重困境严重制约了AI自习室的发展。当前AI自习室的学习数据多由独立系统管理，导致行为轨迹、认知反馈、情感状态等多模态数据难以整合，形成数据壁垒。例如，学习管理系统、行为监测平台与个性化推荐系统间缺乏有效的数据流通机制，导致AI难以构建全景式学习者画像，不能很好地为学习者创造课后学习场景与提供相应的服务，削弱了AI自习室精准诊断与动态干预能力，阻碍了AI自习室的发展。此外，基于深度学习的算法模型因其“黑箱”特性引发信任危机。例如,计算机视觉技术虽能实时捕捉学生专注度，但判定逻辑的不可解释性易引发隐私侵犯争议。研究表明，仅38%的教育者信任AI系统的行为分析结果^[5]。此类技术困境的破解须构建跨平台数据共享协议，并引入可解释AI（XAI）技术，通过特征可视化与决策溯源提升算法透明度。例如，欧盟《人工智能法案》要求高风险系统必须提供算法逻辑的可审计路径，此类经验可为教育场景技术治理提供行动指南^[6]。

1.2 教育困境：理论脱节与政策缺位的双重挑战

教育层面的挑战主要源于理论脱节与政策工具的局限性。首先，在理论脱节方面，自主学习理论强调学习者的元认知调控与动机内化；但现有AI系统多关注“精准刷题”与“提分效率”的有效性，忽视对学习者目标设定、策略调整等自主性能力的深度支持，最终导致工具理性侵蚀教育本质。例如，部分AI自习室通过重复训练题目强化知识记忆，却忽视学习者在目标设定、策略调整与问题解决等自主能力的培养，导致“高分低能”现象。学习科学研究的滞后进一步加剧了技术实践的盲目性，AI自习室设计往往依赖单一行为数据，从而忽视认知负荷、情感状态等复杂因素，造成技术应用与学习规律的脱嵌。其次，在政策层面，《教育信息化2.0行动计划》倡导构建“泛在化”学习环境^[4]，但具体的论述尚不明确，从而对非结构化场景的支持力度不够，导致各地普遍侧重于教室硬件设备的批量铺设，如交互式大屏、智能终端与物联网感知设备，却往往忽略课程资源建设、教学内容开发和教学方法创新，实践中易陷入“重硬件覆盖、轻教育质量”的误区，尤其是自主自习空间的设计与支撑路径缺乏具体阐述，未对学习数据采集、AI算法应用、场景化教学活动以及学习评价系统等提出明确的标准与流程。

1.3 伦理困境：隐私风险与算法偏见的治理难题

伦理层面主要以隐私风险难题、隐性偏见难题以及治理范式难题为主。AI自习室通过摄像头、可穿戴设备等多源传感器采集学生数据，这种全景式数据采集虽支撑了个性化服务，但数据使用边界的模糊性，存在未经授权共享或商业化滥用风险。同时，在隐性偏见方面，程序员往往没有意识到，可以将自己的偏见转移到 AI 系统中。这些偏见，无论它们与种族、性别还是其他刻板印象有关，都被整合到算法中，导致 AI 决策可能会不公平地影响某些群体^[7]。最后，面对治理范式上的压力，传统“事后补救”式治理难以应对AI系统的动态复杂性，需转向“设计即治理”的前置模式，价值敏感性设计框架通过将隐私保护、算法公平等伦理维度嵌入技术开发生命周期，为教育AI的伦理治理提供了方法论基础，如荷兰乌得勒支大学开发的AI辅导系统即在需求分析阶段纳入学生代表参与伦理评审，此类实践为构建人本导向的AI自习室提供了重要参照。

2 理论重构：AI自习室的三维模型

AI自习室作为数字化转型背景下智慧学习环境的实践创新，其本质是以“学习者主权”理论为指导核心，通过融合多模态数据与重构叙述空间实现学习者自主性、技术适配性与社会互动性的协同进化。基于此，本文提出“认知-技术-空间”三维模型（如图1所示），该模型从上到下分为认知层、技术层、空间层，旨在破解传统学习环境中的技术异化与教育失衡问题，为智慧教育生态构建提供新范式。

2.1 认知层

在认知层面，传统学习环境通常以教师为中心强调知识传授和固定课程内容，学习过程较为被动且缺乏灵活性，难以满足个体多样化需求。而AI自习室侧重于构建学习者的主体性，并以自我调节学习模型为理论基础，强调学习者在设定目标、选择策略和进行反思过程中所享有的全程控制权。该层设计确保学习者能够自主管理其行为轨迹、认知反馈和情感状态等个人数据，实现对数据的访问、修正与删除，从而有效防范数据滥用和隐私侵犯。同时，学习者可自主决定是否接受AI系统的干预。例如，在专注度监测中设置免打扰时段，以确保技术介入符合个体心理承受范围。AI自习室不仅致力于降低学习者的认知负荷^[8]，而且通过分布式认知框架将学习者从被动接受者转变为技术生态中的主动协同建构者，充分体现了教育数字化转型中“以人为本”的理念。

2.2 技术层

在技术层面，传统环境往往依赖单一的信息技术进行内容展示和简单互动，而AI自习室通过情境感知计算实现多源数据的高效整合，其架构遵循“感知—分析—反馈”的逻辑链。在数据感知阶段，系统整合摄像头、麦克风和可穿戴设备等多模态传感器，实时捕捉学习者的生理和行为信号，如眼动频率、语音情感和姿态变化；在智能分析阶段，系统基于联邦学习框架，在保护数据隐私的前提下，利用深度学习模型（如LSTM和Transformer）生成个性化的学习诊断报告^[9]；在动态反馈阶段，系统通过AR眼镜增强现实界面提供非侵入式干预，以呼吸引导为例，当设备检测到用户大脑负担过重时，会自动提醒他们做深呼吸来放松。在提供技术干预的同时充分考虑学习者的主体意愿，整个技术实现过程中，贯彻“以人为本”理念，严格遵循《新一代人工智能伦理规范》，并采用差分隐私及模型可解释性工具，确保算法的透明性和合规性。

2.3 空间层

在空间层面，传统自习室通常局限于物理场所，设计上较为单一，而AI自习室则构建了数字化的“第三空间”，既具备物理实体的实际感知，又兼容虚拟社群的交互性。在物理空间设计中，通过模块化布局和柔性材料（如智能玻璃隔断）的应用，实现学习者在独立学习与协作讨论之间的无缝切换，从而提升其独立解决问题和协作学习的能力。与此同时，为适应低龄学习者的特殊需求，设计中引入了家长与教师的参与，构建家、校、学三方协同合作机制，以在监督与反馈层面形成有效互动。虚拟空间方面，则借助元宇宙构建分布式学习社区，使学习者能够以虚拟化身参与跨地域项目协作，促进多主体间的动态交流，进而强化社会临场感、激发发散思维，并培养合作意识。此外，空间设计还可融入本土文化符号，如中式书院布局，既抵御技术霸权对地方性知识的侵蚀^[10]，又为多元主体提供文化认同感和归属感，从而形成一个既开放包容又具备多层次监督反馈功能的智慧学习生态。

3 理论推演与验证：AI自习室的设计路径

AI自习室的理论构建须遵循设计科学研究范式，通过“理论推演—原型设计—迭代验证”的闭环路径，确保技术实现与教育目标的协同。本文从设计原则提取与混合验证方法两方面展开，形成兼具理论严谨性与实践可行性的研究框架。

3.1 设计原则提取：学习者主权的技术实现

AI自习室的设计必须遵循最小干预、情感相容和动态适应三大原则。首先，基于自我调节学习理论，AI干预应以学习者主权为核心，仅在认知负荷过重或学习效率低下时激活辅助机制，从而实现最小干预。为此，可通过动态阈值监测，如实时评估眼动频率和任务完成时长，并采用非侵入式提示（如AR界面或震动反馈）在适当时刻提醒学习者休息。其次，情感相容性原则要求技术设计必须贴合用户情感需求，以防引发焦虑或认知冲突。系统应利用语音情感分析和生理信号检测，采用温和而积极的语言反馈和渐进式引导，营造鼓励性学习氛围。最后，动态适应性原则源自复杂适应系统理论，强调AI需通过持续学习实现与环境和用户的协同进化。为此，可构建基于强化学习的动态调整机制，并采用跨设备分布式联邦学习框架，在保障隐私安全的前提下不断提升模型泛化能力^[11]。这种理论化设计既确保了技术的高效介入，又充分尊重和激发了学习者的自主性，为构建智能教育系统提供了坚实的理论支撑。

3.2 混合验证方法：理论-实证的双向校验

3.2.1 理论验证

基于跨学科文献对比的思辨推演是验证AI自习室设计原则理论的重要方法。首先，在教育学领域，自我调节学习模型（SRL）强调学习者在学习过程中的主动性、自我监控与自我反思^[12]，其核心观点认为学习者应对学习目标、策略和成效具有全程控制权。通过对SRL模型相关文献的深入分析，可以探讨AI自习室如何在技术辅助下支持学习者实现自主学习，从而验证设计中“学习者主权”原则的合理性。

其次，在计算机科学领域，可解释性人工智能的研究为理解复杂算法提供了理论支持。采用可解释AI技术不仅可以提升算法透明度，还能增强用户对系统决策的信任感。通过对XAI理论及其应用实例的比较分析，可以检验AI自习室中多模态数据融合与动态干预机制是否符合技术逻辑与伦理要求，进一步论证其设计原则在技术实现层面的科学性。

最后，在伦理学领域，价值敏感性设计（VSD）强调在技术设计过程中应充分考虑多元价值及利益相关者需求，其理论框架主张将伦理维度嵌入技术开发全周期。通过对相关伦理学文献的系统对比，可以评估AI自习室在数据隐私、算法公平性以及责任追溯等方面的设计是否切实反映伦理考量。通过联邦学习与差分隐私，本地处理原始数据，仅共享脱敏特征以支持个性化推荐^[13]；同时于模型训练评估阶段嵌入偏见检测与动态审计，并运用XAI解释模块，验证算法对各群体公平^[14]；VSD还倡导定期召开焦点小组与问卷调研，收集团体反馈并闭环优化策略，实现伦理与技术的协同发展^[15]。

3.2.2 实证验证

在实证研究方面，在对学生展示AI自习室的基本构造后，向学生发布问卷，收集信息。如图2所示，基于结构方程模型检验了感知有用性（perceived usefulness，PU）、态度（attitude，ATT）与感知易用性（perceived ease of use，PEOU）的中介作用机制。

(1) 被试及研究工具

该研究在江苏师范大学开展，采用Li K量表^[16]，Cronbach’s α=0.895~0.937。研究对象用Gpower计算样本量，以达到效能0.8的检验水平。共回收问卷104份，剔除4份无效问卷，最终保留有效问卷100份，有效回收率为96.2%。问卷包括两部分：第一部分涉及被试的性别、年级等基本信息；第二部分为PU、PEOU、ATT、学习动机、行为意向以及实际使用情况的调查问卷，共35个题项，采用李克特5级量表，1~5分别表示从“完全不同意”到“完全同意”。

(2) 验证性因子分析及信度分析

验证性因子分析 (confirmatory factor analysis，CFA)结果如表1所示，模型拟合指数均符合标准：比较拟合指数（comparative fit index，CFI）、增量拟合指数（incremental fit indices, IFI）和塔克-刘易斯指数（tucker-lewis index，TLI）均大于0.90，均方根误差近似度（root mean square error of approximation，RMSEA）小于0.08，标准化残差均方根（standardized root mean square residual，SRMR）小于0.08，卡方值与自由度比（χ²/df）接近3，表明模型拟合良好^[17]。

(3) 中介模型及路径系数

CFA表明，中介模型整体拟合良好，且各变量信度系数（Cronbach’s ɑ=0.895~0.937）均高于0.7，支持结果的稳健性。此外，相关性分析显示PU、ATT与PEOU两两显著强相关（r=0.823 and 0.888，P<0.01），进一步佐证了变量间的紧密关联（如表2、图2所示）。

路径分析显示，PU对ATT的直接效应显著（β=0.959，P<0.01），表明用户对技术有用性的认知会显著强化其使用态度；同时，ATT对PEOU具有显著正向预测作用（β=0.556，P<0.01），而PU对PEOU的直接效应为0.376。进一步计算发现，PU通过ATT的中介路径对PEOU产生的间接效应为0.533（0.959×0.556），占总效应（0.909）的58.6%，符合部分中介作用的标准（如表3所示）。

(4) 中介效应的理论阐述

从理论层面看，ATT的部分中介作用揭示了技术接受过程中认知与情感的双重驱动机制：PU不仅通过理性评估直接提升用户对易用性的感知，还会通过塑造积极态度间接增强这一评价。这一发现扩展了经典TAM，强调情感因素在技术采纳中的重要性。实践上，建议技术设计者需兼顾功能性与情感体验：一方面优化技术的有用性（如提升任务效率）；另一方面通过界面友好性、交互反馈等设计策略培养用户的积极态度，从而更高效地改善易用性感知。此外，部分中介效应表明，未来研究可探索其他潜在中介变量（如使用习惯或社会影响），以完善技术接受的理论框架。

4 三维视角：AI自习室的实践路径

AI自习室的实践路径需以技术可行性、教育适配性与伦理合规性为锚点，通过跨学科协同与政策响应，构建可持续的智慧学习生态系统。基于设计科学原则与混合验证结果，本文从技术实现、教育目标与伦理治理三重视角提出系统性实践路径。

4.1 技术可行性

技术层面的实践需兼顾功能效能与用户体验，遵循非侵入式设计准则。

第一，非侵入式设计准则旨在让技术融入学习者的周边环境，仅在必要时引起注意，从而降低干扰、提升学习专注度。要求AI系统通过红外热成像、毫米波雷达等环境传感器实现无感化数据采集，以减少对学习者注意力的干扰，例如芬兰生产的学习舱（Study Pods）采用分布式边缘计算架构，仅在检测到认知负荷异常时触发微震动提示。这是专门为K12教育和高等教育定制的学习舱，学生使用这些学习舱可以进行专注阅读、考试准备或小组协作，而不会受到干扰，提高学生的注意力和专注力。

第二，人机交互界面需符合认知负荷理论，采用分层信息呈现与渐进式引导策略。例如：华为IdeaHub Board Edu教育平板通过低时延书写与护眼模式优化用户体验，降低技术使用门槛；IdeaHub Board 3（教育场景）集健康护眼的4K柔光屏、流畅书写体验于一体，融合丰富鸿蒙原生教学软件，解决方案免OPS部署，实现鸿蒙未来教室——鸿蒙班班通、云端课堂等场景。

第三，动态适应性机制要求AI算法基于强化学习框架实时调整干预阈值。Dahan提出当学习者眼动频率低于阈值时，系统自动切换至“低干预模式”^[18]。若用于AI 自习室中，则是基于动态适应性机制和强化学习框架，不断地试验与反馈来优化“何时以及如何干预”的决策阈值。当眼动的频率低于某一初始阈值，可视为进入“注意力下降”的状态，AI自习室需要针对性地采取措施提高学生的学习积极性。同时，国际经验表明，技术实现需与本土政策衔接，欧盟《人工智能法案》通过风险分级制度约束技术滥用^[6]，而中国《生成式人工智能服务管理暂行办法》则强调数据主权与算法透明^[19]，跨国合规性设计需兼顾技术效能与地方法规的协同。

4.2 教育适配性

在教育层面中，引导、反馈与反思构成了AI自习室自主学习支持体系的核心环节，并在相互作用中实现了对学习者自主性与技术辅助之间的有效平衡。首先，引导环节主要体现在个性化学习路径的构建上，系统通过整合知识图谱、认知风格等多模态数据，利用协同过滤等算法为学习者推荐适应性资源。这一过程不仅为学习者提供了明确的学习方向，还在动态环境中不断调整资源配置，从而使教学支持更加精细化。其次，反馈环节通过嵌入自我调节学习支持模块，实时监测学习者的行为轨迹和情感状态，并通过可视化仪表盘呈现详细的学习数据。即时反馈机制使学习者能够了解自身的学习进展和存在的不足，有助于提高元认知水平，同时为后续“反思”提供了必要的数据支撑。再次，反思环节促使学习者对获取的反馈信息进行内化和评估，进而调整学习策略和目标。通过引导学习者对自身学习过程进行深层次反思，系统促使其不断修正学习行为，从而实现自我驱动的持续进步。值得注意的是，过度的技术干预可能削弱学习者的自主调控能力，因此在设计过程中，必须预留自主学习时段，使学习者有权选择接受或拒绝系统建议。总体而言，这种“引导—反馈—反思”的综合模式不仅在理论上构建了一个完善的自主学习支持体系，而且在实践中有效融合了技术辅助与学习者主权，提供了一种符合新时代教育需求的数字化学习新范式。

4.3 伦理合规性

在伦理合规性方面，AI自习室的实践路径必须构建一个涵盖设计、治理与追溯全周期的伦理框架。首先，数据隐私保护应遵循数据最小化原则，并借助联邦学习实现数据的去中心化处理，同时利用同态加密与差分隐私技术防范敏感信息泄露，从根本上保障用户信息安全。其次，为确保算法公平性，应建立系统化的模型偏见检测与定期审计机制，并通过独立伦理审查机构对技术进行监督，从理论上消解技术可能加剧教育不平等的风险。再次，责任追溯机制需依托区块链等不可篡改的技术手段，构建完整的操作日志体系，以便在技术失效时迅速定位责任主体。最后，伦理治理理念应从传统的事后惩戒模式转向前置嵌入，即在技术设计初期便引入多元利益相关者参与，形成多层次、多维度的伦理影响评估体系。通过构建这一全周期伦理框架，不仅能平衡技术创新与伦理风险，更为教育人工智能应用提供了坚实的理论支撑和实践指南，推动AI自习室在确保用户权益和社会公正的前提下实现可持续发展。

5 重构教育生态：AI自习室的未来发展

AI自习室的未来发展需以“学习者主权”为理论基石，通过技术赋能与制度创新重构人机协同的教育生态，其核心在于平衡技术效率与教育伦理的张力。首先，从城乡协同发展的视角出发，应推动AI自习室的普惠性设计，依托边缘计算与低功耗硬件降低乡村地区技术部署门槛^[20]，响应国家政策对教育公平的战略性要求，同时通过社区参与式设计规避“技术殖民主义”风险^[21]。其次，当前理论模型的实践效能亟待验证，需开展跨区域混合方法研究，构建涵盖学习成效、认知负荷与情感体验的多维评价体系，并推动国际组织制定教育AI专项认证标准。最后，伦理治理需突破“事后补救”范式，整合政府、企业与学术资源，参照欧盟《人工智能法案》风险分级机制，制定《AI教育应用伦理白皮书》，明确数据主权、算法透明度与责任追溯的量化阈值^[22]，并将其纳入《人工智能法（草案）》立法框架，为技术的人本化演进提供制度保障。总而言之，AI自习室在实现智慧教育转型中展现出巨大潜力，期待AI自习室有更好的发展。

参考文献

[1] 祝智庭, 胡姣. 教育数字化转型的本质探析与研究展望[J]. 中国电化教育, 2022(4): 1-8.

[2] HWANG G J, XIE H, WAH B W, et al. Vision, challenges, roles and research issues of artificial intelligence in education[J]. Computers and Education: Artificial Intelligence, 2020, 1: 100001.

[3] 中华人民共和国教育部. 中国教育现代化2035[M]. 北京: 人民教育出版社, 2019.

[4] 中华人民共和国教育部. 教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL]. (2018-04-13).

[5] SELWYN N. Digital degrowth: toward radically sustainable education technology[J]. Learning, Media and Technology, 2024, 49(2): 186-199.

[6] Union European. Regulation of the european parliament and of the council Laying down harmonised rules on artificial intelligence (artificial intelligence act) and amending certain union legislative acts[EB/OL]. (2021-01-06)[2025-07-09].

[7] ROSHANAEI M. Towards best PRACTICES for mitigating artificial intelligence implicit bias in shaping diversity, inclusion and equity in higher education[J]. Education and Information Technologies, 2024: 1-26.

[8] 王运武, 黄荣怀, 焦艳丽. 数字化转型视域中的智慧学习环境理论演进[J]. 黑龙江高教研究, 2024, 42(3): 154-160.

[9] 项淑芳, 程早霞, 张茂林, 等. 学习型工厂: 建设路径、应用及未来发展[J/OL]. 计算机集成制造系统: 1-22(2025-01-09) [2025-02-09].

[10] 朱晓庆, 蔡丽华. 数字帝国主义的型态、机制与应对[J]. 科学社会主义, 2024(5): 117-126.

[11] McMAHAN B, MOORE E, RAMAGE D, et al. Communication-efficient learning of deep networks from decentralized data[C]//Artificial intelligence and statistics, PMLR, 2017: 1273-1282.

[12] 家晓余, 李平, 李伟健. 成长型思维影响学习过程的行为和神经反应模式: 基于自我调节学习理论的视角[J]. 心理科学进展, 2024, 32(12): 1947-1960.

[13] SADEK M, CONSTANTINIDES M, QUERCIA D, et al. Guidelines for integrating value sensitive design in responsible AI toolkits[C]//Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems. 2024: 1-20.

[14] SIMON J, WONG P H, RIEDER G. Algorithmic bias and the value sensitive design approach[J]. Internet Policy Review, 2020, 9(4): 1-16.

[15] SADEK M, CONSTANTINIDES M, QUERCIA D, et al. Guidelines for integrating value sensitive design in responsible AI toolkits[C]//Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems. 2024: 1-20.

[16] LI K. Determinants of college students’ actual use of AI-based systems: An extension of the technology acceptance model[J]. Sustainability, 2023, 15(6): 5221.

[17] DAHAN A, ROTH N, PELOSI A D, et al. A reinforcement learning framework for personalized adaptive e-learning[M]. Advanced Technologies and the University of the Future. Cham: Springer Nature Switzerland, 2024: 141-162.

[18] HU L, BENTLER P M. Fit indices in covariance structure modeling: Sensitivity to underparameterized model misspecification[J]. Psychological Methods, 1998, 3(4): 424.

[19] 国家互联网信息办公室, 中华人民共和国国家发展和改革委员会, 中华人民共和国教育部, 等. 生成式人工智能服务管理暂行办法[Z]. 2023-07-10.

[20] 窦强, 刘扬. 可穿戴设备智能化及低功耗技术研究[J]. 信息系统工程, 2022(4): 153-156.

[21] 李丹. 来世再造与灵性反哺: 论数字交往视野下的AI“复生”[J]. 新闻界, 2025(3): 83-96

[22] 尤丽娜, 周诗涵, 周荣庭. “AIGC+”: 虚拟现实媒介内容生产机制研究[J]. 出版科学, 2024, 32(3): 32-41.

基金资助

2023年度江苏高校哲学社会科学研究重大项目“新时代教育数字化转型的实践路径研究”(2023SJZD048)

2025年度江苏师范大学研究生科研与实践创新项目“基于生成式人工智能的教师人机协同创造力培养模式研究”(2025XKT1412)