类型a：学术研究报告

作者及机构
本研究的作者包括何文涛（博士，浙江师范大学教育学院副教授，硕士生导师）、张梦丽（浙江师范大学教育学院硕士研究生）、逯行（博士，浙江师范大学教育学院讲师，硕士生导师）和宋崇涛（浙江师范大学教育学院硕士研究生）。研究发表于《现代远距离教育》2023年第2期（总第206期）。

学术背景
本研究属于教育信息化领域，聚焦人工智能（AI）与教育的融合。随着AI技术的快速发展，其在教学中的应用逐渐从工具性支持转向主体性参与，形成“人机协同教学”（Human-Machine Collaborative Teaching）。然而，当前关于人机协同教学的内涵、角色分工及实施框架尚未形成系统理论，且缺乏实证验证其教学效果。因此，本研究旨在：（1）厘清人机协同教学的概念内涵；（2）明确教师与智能机器的角色定位；（3）构建人机协同教学流程框架；（4）通过准实验验证其对学生学业成绩、计算思维（Computational Thinking）、创新思维及心流体验（Flow Experience）的影响。

研究流程与方法
1. 理论框架构建
- 概念界定：基于文献综述，提出“人机协同教学”定义为教师、机器、学生三主体协同完成教学任务的过程，涵盖“教师-机器”“学生-机器”“教师-学生”三类协同关系。
- 角色定位：教师需转型为“心灵建构者”“技术外包者”和“同伴互助者”；智能机器则承担“固化知识传授者”“即时测评监督者”“个性化学习推荐者”和“教学设计辅助者”四重角色。
- 流程设计：构建三阶段七环节的教学框架：
- 课前：协同预习（智能平台发布任务并采集学情数据）、协同备课（AI生成教案，教师审核）；
- 课中：协同授课（机器讲授程序性知识，教师主导生成性活动）、协同测评（机器实时反馈，教师二次评价）；
- 课后：协同辅导（AI答疑）、协同批阅（机器批改客观题，教师处理主观题）、协同评价（多模态数据分析生成综合报告）。

1. 实证研究设计
   
   • 样本与分组：选取某高中164名学生，随机分为实验组（81人，采用人机协同教学）和对照组（83人，传统教学），以浙教版《数据与信息》第三章为教学内容。
     
   • 测量工具：
     
     • 学业成绩：Python知识前后测试题（经学科教师审核一致性）；
       
     • 计算思维：采用Korkmaz等人的29题李克特量表；
       
     • 创新思维：威廉斯创造力倾向量表（50题）；
       
     • 心流体验：Rheinberg FSK量表（13题正向，6题逆向）。
       
   • 数据分析：使用SPSS 22.0进行协方差分析（消除前测差异）和独立样本t检验。
     

主要结果
1. 学业成绩提升：实验组Python后测成绩（均值67.05）显著高于对照组（61.89），协方差分析显示p<0.05（效应量η²=0.032）。
2. 核心素养发展：
- 计算思维：实验组后测均值3.34显著高于对照组3.06（p<0.05，η²=0.04）；
- 创新思维：实验组均值3.55显著高于对照组3.27（p<0.001，η²=0.095）。
3. 心流体验优化：实验组心流水平（均值3.36）显著高于对照组（2.95，p<0.001），表明人机协同未增加认知负荷，反增强学习沉浸感。

结论与价值
1. 理论贡献：首次系统构建人机协同教学的内涵、角色分工及实施框架，填补了AI教育应用的理论空白。
2. 实践意义：验证了人机协同在提升成绩、培养核心素养及优化学习体验方面的有效性，为智能教育落地提供范式。
3. 伦理规范：提出“人控原则”（教师主导权）、“育人原则”（核心素养导向）和“赋能原则”（技术服务人性化），呼吁制定AI教育应用的伦理法规。

研究亮点
- 创新性框架：提出“三主体七环节”教学流程，细化人机分工的实操路径。
- 多维度验证：首次同时考察学业成绩、计算思维、创新思维与心流体验的协同效应。
- 伦理前瞻性：指出技术异化风险（如机器替代教师主体性），强调人文关怀不可替代。

其他价值
研究揭示了当前AI教育应用的局限性（如机器智能化不足），建议未来研发更高阶的AI代理（AI Agent）和AI伙伴（AI Partner），并探索跨学科协同教学场景。