Human–machine collaboration is a development trend in the future of education. Generative artificial intelligence (GenAI), represented by ChatGPT, has redefined the interaction modes in human–machine collaborative learning. However, existing research is deficient in a systematic discussion on the interaction modes between learning groups and GenAI. Based on the analysis of dialogue texts from human–machine collaborative learning supported by GenAI, three common types of questions asked by students to GenAI are application, analysis, and examples. In student–machine interaction, three primary types of interactive behaviors emerge: exploratory questioning, optimization questioning, and information integration, each of which shows a clear pattern of cognitive engagement shift. In student–student interaction, three major interactive behaviors emerge: task comprehension, theme discussion, and non-task communication, with atypical cognitive engagement shift patterns. Based on the co-occurrence of question types and human–machine interaction behaviors, three interaction modes are observed when the learning group collaborates with GenAI to complete learning tasks: the dominant-analytical mode, the integrative-thinking mode, and the answer-oriented mode. The dominant-analytical mode focuses on in-depth exploration and critical thinking, the integrative-thinking mode highlights the key role of in-group communication for integrating diverse information and reflective thinking, and the answer-oriented mode centers around human–machine interaction based on the information provided by GenAI. To enhance the effectiveness of human–machine collaborative learning supported by GenAI, it is necessary to promote high-cognitive learning with an emphasis on thinking skills and innovative awareness, foster human–machine dialogic learning centered on questioning, and adjust instructional design according to the demands of learning tasks.
在数字时代以核心素养培养为导向的教育改革中,信息科技课程需要把握科学与技术并重的学科定位,发挥数字素养在解决生活与学习问题、应对未来挑战中的重要价值.跨学科学习作为一种综合应用多学科知识解决真实问题的学习模式,是面向素养本位课程改革的新探索.如何通过跨学科主题学习活动设计凸显信息科技课程的跨学科属性,促进课程核心素养培养,成为亟待解决的问题.信息科技跨学科主题学习活动,需要建立在与学生生活、学习经验相关的数字化场景问题中,从跨学科学习问题链和跨学科教学设计链两个视角着手建构,具体包括四个方面:构建真实的学习主题和学习情境,明确由大概念统领的学习目标,以问题链的形式组织学习任务,设计与学习任务关联的表现性学习评价.为了推进信息科技课程跨学科学习的有效实施,既需要改变"学科本位"的思维定式,也需要变革传统教学中以技术训练为主的教学逻辑,具体而言,就是要依托教师群体形成跨学科思考的教学理念,落实以学生为中心的教学模式,建立跨学科共同体和技术赋能的支持保障体系.
定期开展数字素养发展监测与评估是提升全民数字素养的基础和前提.当前,学生数字素养评价主要沿用"依据规则给潜在特质赋值"的经典测量观,以标准化测试及自陈式量表为主要测评工具,存在评价内容有限、评价方法片面等问题.计算心理测量理论为破解学生数字素养评价难题提供了新的理论和方法支持.它主张综合运用心理测量学、计算机科学等多学科的研究方法,将评价嵌入真实情境任务中,激发并追踪主体与情境之间的交互,通过多源异构数据采集与分析,实现过程性评价.计算心理测量视域下的学生数字素养测评框架基于自上而下理论驱动和自下而上技术驱动相结合的推理链,在以证据为中心的设计思想指导下,构建复杂的任务情境获取细粒度数据,并利用数据挖掘技术从海量细粒度数据中提取证据,进而实现精准评价.以此框架开展的面向小学高年级学段的数字素养测评实践表明,该测评范式有助于形成从数字素养"能力模型"到"测量模型"的闭环推理链,在经过多轮次迭代优化后,可形成高质量的学生数字素养测评任务、可靠的学生数字素养证据和稳定的学生数字素养测量模型.
数字教育资源在推进教育高质量发展的过程中扮演着重要角色.人工智能时代,如何让数字教育资源从之前的"让人适应"变为能"主动适应人",是数字教育资源建设亟待解决的关键问题.随着人工智能生成内容(AIGC)应用场景的持续拓展,跨模态理解与重构技术为破解数字教育资源的适应性问题提供了可行的技术支持.具体而言,就是主张"人—境—机—物"多主体协同,利用跨模态理解与重构技术对复杂教育情境中的多模态教学行为和多模态数字教育资源进行智能挖掘和耦合计算,实现适用于人机协同环境的教育资源推荐,挖掘数字教育资源服务的供需适配关系,达成数字教育资源生成链的自我调度,由此即可构建起适应性数字教育资源模型.在实践推进层面,应构建起包括数据采集层、智能分析层、规则约束层、应用服务层四个层次的适应性数字教育资源实践框架,以期在对多模态教育资源和师生行为进行跨模态理解的基础上,切实推进对数字教育资源的智能管理和个性化服务.
在教育数字化转型的背景下,智能时代的编程教育被赋予培养学生创新能力、服务于创新型国家和科技强国建设的重要使命.然而,受技术工具论的影响,当前学界还普遍存在将编程教育等同于程序设计语言学习、简化为程序的模仿练习,甚至将其异化为编程测试题训练等认识误区.事实上,伴随计算机和人工智能技术的快速革新与普及,编程教育在教育理念、目标界定、内容选择、方法设计上不断成熟和完善,并形成了以知识与技能为主体内容的"学编程"、以解决问题为关键技能的"用编程学"、以编程创新为核心素养的"用编程创新"的教育模式演进路径.智能时代的编程教育应突破传统编程教育在内容、模式和方法上的局限,基于编程项目活动来贯通编程探究全过程,优化编程创新成果,并建构螺旋上升的创新路径.同时,还需按照教育实践需要从单元项目活动整体性、跨学科任务综合性、智能编程环境易用性等方面提供全方位的策略支持,以更好地为学生创新能力的培养提供坚实保障.
