《人机协同教育场景中的智能化学习支架：内涵、设计方略与发展路向》学术报告
本文由南京邮电大学教育科学与技术学院的单俊豪（博士、硕士生导师）、洪越洋（在读硕士）、郭付民强（在读本科）及通讯作者刘永贵（副教授、硕士生导师）合作完成，发表于《中国电化教育》2025年第5期（总第460期）。研究聚焦教育技术领域，探讨人工智能时代下学习支架（Scaffolding）的智能化转型路径，旨在为提升人机协同教育质量提供理论框架与实践指导。
学习支架源于维果茨基的“最近发展区”理论，指通过临时性支持帮助学习者跨越认知鸿沟的教学策略。随着智能技术在教育中的渗透，传统支架面临数字化转型需求。研究团队指出，现有研究对智能化学习支架的内涵界定、设计流程及实践路径缺乏系统性探讨，导致技术赋能教育的潜力未充分释放。本研究试图解决三个核心问题：
1. 如何定义人机协同场景中智能化学习支架的内涵与表征形式？
2. 如何设计符合教育规律的智能化学习支架？
3. 未来智能化学习支架的发展方向是什么？
研究目标包括构建智能化学习支架的理论模型、提出设计原则与流程，并展望其垂直化应用前景。
研究梳理了学习支架的演化历程，提出三个阶段：
- 传统学习支架：以教师为主导，载体为教材、导学单等，交互单向且反馈滞后（如Wood & Bruner, 1976提出的经典支架理论）。
- 技术支持型学习支架：通过多媒体工具（如APP、在线论坛）增强交互性与即时反馈，但技术角色限于辅助（如闫寒冰, 2003对信息化支架的分类）。
- 智能化学习支架：依托生成式AI（如教学智能体），实现“人—机—生”协同决策，具备自适应、伴随性等特征（如豆包情感机器人提供动机性支架）。
支持证据：研究引用Kim等（2018）的元分析，证明定制化支架比固定支架更有效；案例显示，虚拟仿真实验平台可降低认知负荷（田元等, 2021）。
研究提出“辅助—优化—重塑”三层次内涵框架（图1）：
- 辅助层：技术优化学习体验（如虚拟实验场景模拟）。
- 优化层：通过多模态学习分析（如FC知识图）实现数据驱动的支架设计（何文涛等, 2024）。
- 重塑层：教学智能体独立生成支架（如ChatGPT支持的科研能力培养，吴忭等, 2024）。
表征分类：基于Brian等（2016）的框架，将支架分为：
- 动机型（如情感计算调节学习氛围）
- 概念型（如智能导师提供知识图谱）
- 策略型（如设计思维支架辅助问题解决）
- 元认知型（如作文智能评分反馈系统）
支持理论：Collins等（1989）的渐隐性原则强调支架需随能力提升逐步撤出；证据启发理念（蔡慧英等, 2021）主张基于学理与数据双重验证优化支架。
研究提出四项设计原则与四层流程模型（图2）：
- 原则：
1. 流程可视化（如思维导图解构复杂知识，郁晓华, 2019）。
2. 个性化定制（如AI生成差异化作业）。
3. 常态化循证（基于学习分析动态调整支架）。
4. 智适应优化（如多模态数据分析微调支架内容）。
案例支持：何文涛等（2024）的协作学习支架证明数据驱动设计可提升问题解决能力；卢宇等（2024）的教学智能体实现多模态行为分析。
研究提出三大路向：
- 垂直化发展：需解决通用AI的“知识幻觉”（陈万球等, 2024），开发学科专属支架（如STEM领域的策略型支架）。
- 实践理性增强：通过“自上而下”（理论验证）与“自下而上”（数据反哺）弥合学理与实践的鸿沟。
- 教学智能体集成：构建支持多模态数据分析的教育大模型（刘邦奇等, 2024），如智慧教育平台中的伴随性支架系统。
局限与展望：未深入探讨不同学段（如K-12与高等教育）的支架差异化设计，未来需结合具体学科开展实证验证。
本文为人机协同教育中的学习支架创新提供了系统性解决方案，其理论模型与技术路径对推动智能教育落地具有重要参考价值，尤其为生成式AI的教育应用开辟了实践新思路。