专家声音丨李源田 陈聪:AI学伴师专业标准的建构理路与核心范畴

《教育强国建设规划纲要(2024—2035年)》指出:“促进人工智能助力教育变革……制定完善师生数字素养标准,深化人工智能助推教师队伍建设。打造人工智能教育大模型。”^[1]这一政策部署表明,人工智能已被纳入教育现代化与教师专业发展的整体战略之中,其角色不再局限于技术层面的工具支持,而是指向教师能力结构的重塑与教育形态的系统变革。由此,教师如何在人工智能深度介入的教学环境中有效履行育人职责,成为亟须回应的重要问题。

人工智能技术应用持续向纵深发展,不断改变人们的生产生活和思维方式,同时在现实教育情境中对教师的人工智能素养也提出了更高要求^[2]。随着生成式人工智能与教育大模型的持续发展,人工智能在教育中的嵌入方式正由外在工具形态,转向深度参与学习过程、具有一定拟人化特征的人机耦合形态(即人与智能设备深度协作关系)^[3],推动学习形态由“人—人”模式向“人—机—人”转变。教师与人工智能形成角色互补的教学共同体,从知识传授、能力培养、情感共鸣等多个维度为学生学习提供支持^[4]。

在此背景下,基于AI协同、能够实现个性化育人目标的新型教师形态——AI学伴师开始出现。AI学伴师并非简单操作或管理智能系统的普通主体,而是围绕学习者发展目标,统筹人工智能教育大模型、学习数据与教学专业判断,并参与学习过程的整体设计与动态调控的专业角色。与早期的计算机辅助教学(computer-assistedinstruction)或智能辅导系统(intelligenttutoringsystem)相比,AI学伴师所依托的人工智能系统是基于发挥教师“人在引路”的前提下,协同人工智能的强大计算、数据处理及生成能力,共同促进教师与人工智能的进化^[5]。

然而,从现实情况看,当前AI学伴师的实践呈现出“技术先行、标准滞后”的问题。一方面,相关研究多聚焦于AI学伴师的功能设计、应用效果与技术实现路径,对“谁来使用、如何专业使用”关注不足。另一方面,既有教师专业标准与教育技术人员职业规范,难以全面涵盖AI学伴师在价值判断、人机协同、学习伦理与情感支持等方面的独特要求。要解决这一问题,有必要将AI学伴师置于“人机协同”的理论视域中加以审视。人机协同作为一种双主体教育模式,通过双方共同完成高阶教育任务,可以降低单一个体的认知负荷^[6]。因此,本研究拟在“人机协同”理念下,系统探讨AI学伴师专业标准的建构问题,以期为AI学伴师的专业化发展提供理论依据与结构框架,并为人工智能赋能教育的规范实施提供参考。研究重点关注以下两个核心议题:其一,在人工智能深度嵌入教育情境的背景下,AI学伴师专业标准应遵循何种建构理路。其二,这一标准体系应包含哪些核心范畴,以较为全面地涵盖AI学伴师所需具备的专业素养与实践能力。

(一)生成逻辑:国家、学校与学生层面的需求耦合

从国家层面看,2025年8月,《国务院关于深入实施“人工智能+”行动的意见》指出:“把人工智能融入教育教学全要素、全过程,创新智能学伴、智能教师等人机协同教育教学新模式,推动育人从知识传授为重向能力提升为本转变。”^[7]可以看出发展人工智能教育并非单纯出于技术更新的需要,而是服务于国家创新型人才培养的整体战略。有实证研究证实人工智能赋能教育有助于促进学生批判性思维的建立和创造性思维能力的发展^[8]。然而,创造性思维并非由技术自发生成,而是依赖于科学的教学设计与专业引导。若缺乏具备教育判断能力的教师介入,人工智能反而可能固化低阶认知活动或弱化深度思考。

从学校层面观察,人工智能作用于教育领域可以有效缓解教学中资源分布不均的问题。现实中,学校教学资源受经济条件、区域差异、师资结构等多重因素制约,难以在短期内实现均衡配置^[9]。在此情境下,AI学伴师利用人工智能教育大模型汇集各类教学素材形成丰富的“资源池”,从而拓展学生获得优质教学资源的时空范围。教育数字化转型不仅是技术层面变革,更涉及复杂而系统的内在意蕴^[10],AI学伴师正是在这一系统变革中发挥关键支点作用的专业角色。

从学生层面来看,AI学伴师的存在回应了学习者个性化发展与创新能力培养的现实需求。作为人工智能与教师专业判断相结合的育人主体,AI学伴师既能借助智能技术拓展学生的知识边界与学习路径,又能通过人类教师的价值引导与情感支持,维系教育应有的温度。在具体实践中,AI学伴师可通过对人工智能基础知识学习与实践创新活动进行一体化设计,培养学生利用人工智能创造性解决问题的能力^[11]。

综上所述,AI学伴师的出现并非偶然,而是国家创新人才培养、学校教学系统转型与学生发展需求共同作用的结果。其存在逻辑根植于人工智能深度嵌入教育情境所引发的结构性变化,是人机协同条件下教师专业角色重构的应然产物。

(二)价值理念:规范、支持与发展的三重导向

1. 以价值规范为导向:明确人工智能在育人中的责任边界

在人工智能深度介入学习过程的背景下,价值引导并非由技术系统自身完成,而需要依托具备教育责任意识的人类教师来实现。人工智能不具备反思能力与隐默的知识获取能力^[12],若缺乏专业引导,可能在无意中生成对学生价值认知不利的内容。因此,AI学伴师存在的重要价值之一,在于以明确的教育价值立场,对人工智能在教学中的使用方式与应用边界进行规范。AI学伴师通过对人工智能学习内容、交互情境与反馈机制的专业调控,引导技术应用服务于立德树人,而非单纯追求效率或外在结果。在这一过程中,教师自身的职业道德与价值判断,作用于技术选择、使用方式与教学决策各环节之中。由此,AI学伴师在人工智能教育实践中承担着“价值过滤”与信息“守门人”的角色^[13],以防止技术输出不良内容对学生正确价值观的形成及身心健康造成消极影响。

2. 以支持性互动为导向:构建智能学习中的泛在支持环境

在人工智能与教育大模型广泛应用的背景下,学习支持的提供方式正在发生转变。“教师工作的优先事项是‘课堂教学、课后辅导’”^[14]。传统课堂教学与课后辅导的时间与空间边界相对清晰,难以满足学习者在不同情境下的持续支持需求。AI学伴师通过人工智能技术介入学习过程,有效延展了学习支持的时空范围,使支持由集中式、阶段性的介入,转向持续可达的泛在化形态。通过对人工智能支持方式的专业设计与调控,AI学伴师能够在学生自主学习、探究学习等多样化学习情境中维持必要的学习引导与互动支持,从而增强学习过程的连续性与稳定性。通过构建泛在化的支持环境,AI学伴师有助于优化“人—机—人”互动结构,使人工智能成为连接而非弱化师生关系的中介,从而为学习者提供更加可持续的学习支持。

3. 以主体发展为导向:促进学生学习主体性的生成与巩固

在人工智能深度介入学习过程的背景下，学习者的主体地位既面临被技术支持强化的可能,也存在被算法逻辑削弱的风险。人工智能能够在学习内容推荐、学习路径规划等方面发挥重要作用,但若缺乏专业引导,学习者容易对技术产生依赖,进而弱化自主判断能力。AI学伴师通过对人工智能支持方式的合理设计与调控,引导学习者在技术支持下保持学习决策的主体地位。一方面,AI学伴师借助人工智能提供多样化学习资源,降低学习进入门槛,支持学生在不同情境中开展自主学习。另一方面,AI学伴师通过引导学生进行目标设定、学习反思与问题诊断,帮助其逐步形成自我监控与自我调节的学习能力,使技术支持转化为主体能力发展的驱动力。

在人工智能深度嵌入学习过程的背景下,人机协同的核心并非以技术替代教师,而是强调“人类主导、机器赋能”的协同关系,即将人类的价值判断与专业决策能力,同人工智能的数据处理与执行优势相结合,形成互补共生的育人机制(见图1)。在此意义上,明确AI学伴师在“人—机—人”协同结构中的角色内涵,是后续专业标准建构的重要前提。

(一)价值把关者:确立人工智能育人的职责范围

由于人工智能的能动性与体验性均弱于人类^[15],在效率导向与结果导向愈发突出的现实情境中,其价值引导功能易被弱化,德育目标也面临被忽视的风险。因此,AI学伴师在智能教育环境中的首要角色在于承担人工智能育人应用的价值把关与责任引导。AI学伴师并非向人工智能直接传递道德标准,而是通过自身的价值立场与专业判断,对人工智能在教学中的内容呈现、交互方式与反馈机制进行规范,防止技术输出对学生价值认知造成误导。在这一过程中AI学伴师作为责任主体,将人工智能纳入以立德树人为导向的教育框架,确保技术应用服务于育人目标。

(二)情感支持者:提升学习支持的及时性与可达性

尽管人工智能系统可以通过算法分析学习行为并模拟情感反馈,但其本质上不具备真实的情感理解与关怀能力^[16]。学生的心理发展与学习体验,仍高度依赖于教师的理解与支持^[17]。在现实教学中,受制于师资规模与教学负担,教师对学生情感状态的持续关注往往存在客观限制,这也使部分学生的心理问题难以被及时发现^[18]。在此背景下,AI学伴师通过人工智能对学习行为数据的采集与分析,能够更及时地识别情感风险并提供介入支持。人工智能提供的是信号与线索,而AI学伴师负责对相关信息进行判断、解释并提供干预决策,从而在不替代人际情感关系的前提下,优化学习支持的响应机制,弥补传统教学中情感支持的时空限制。

(三)认知协作者:引导学习过程中的思维发展

作为执行指令的智能工具,AI学伴师在认知支持中的作用依赖于教师对学习任务与交互方式的设计^[19]。技术本身并不具备教育意义,其价值依赖于教师的参与和专业引导^[20]。AI学伴师在人工智能的支持下,通过创设学习情境、设计探究任务与引导思维过程,发挥认知协作者的作用。在学习过程中,AI学伴师并不以技术替代学生思考,而是借助人工智能反馈,帮助学生分析关键问题、反思学习路径,从而促进学习动力系统与认知操作系统的协同发展。

(四)循证决策者:推动教学由经验导向向数据支持转型

循证教学作为有效教学的一种新范式,注重将科学有效的信息或事实运用到实际教学工作中,旨在超越教师单一的经验教学。教师个人的经验是有局限的,仅仅依靠经验根本无法驾驭教学中全新的和不确定的境况^[21]。这一观点强调了经验对于实际教学的局限性,所以我们在实际教学中不能一味高举经验大旗而脱离实际。AI学伴师能够依靠技术持续采集与分析学习者学习与成长过程中的数据,形成对其成长样态、知识状态、能力倾向、元认知水平的深度洞察。AI系统将这些洞察以可视化报告或策略建议的形式提供给AI学伴师,使学习计划、进度和节奏从依赖经验转向基于真实证据,从而形成数据驱动的学习模式。

AI学伴师专业标准应被界定为一套面向人机协同教育场景的规范体系。该标准以促进学习者全面发展为根本目的,以人机协同情境中教育关系的良性生成为核心关注对象,并通过可迭代的技术组织机制,将人工智能的技术可能性转化为具有教育正当性的实践安排。因此,AI学伴师专业标准的建构重点在于确立一种能够超越具体技术形态更迭的规范框架,以关系建构为逻辑起点、以“设计—实践—证据”的迭代循环为方法论、以教育向善为技术赋能的价值导向,并将边界、责任与证据嵌入其中,使标准同时具备规范性、可操作性与可持续性。

(一)逻辑起点:以关系建构超越功能清单

生成式人工智能进入学习过程后,教育现场的根本变化并非工具能力的增强,而是学习者、教师与智能机器之间的关系结构被重组^[22]。若仍以功能清单为核心研制标准,容易将AI学伴师的专业性窄化为会用工具、会推资源、会做测评,从而忽视教育的关系性本质,在无形中削弱AI学伴师助学主导权与学习者主体性。因而,标准必须先回答“应当建构何种人机关系与师生关系”,再回答“为此需要配置哪些功能与能力”,将功能配置纳入关系框架之中进行审视,并以关系质量作为功能配置的检验标准。

从关系类型看,AI学伴师专业标准至少应关注以下四类关键关系。一是认知关系:通过对话引导、支架搭建与迁移促进,促进学习者形成理解性学习,避免对技术系统的认知依赖。二是支持关系:通过倾听回应、挫折支持与学习节奏调节,防止技术环境中出现学习体验断裂或支持缺位。三是价值关系:通过明确价值边界、人工复核与情境化引导,防止生成内容中的偏差、不当价值或误导性信息对学习者产生消极影响。四是数据关系:通过学习者画像与过程数据使伴学决策更精准,同时防止数据化规训与标签化。由此,标准不仅要规定“能做什么”,还必须明确“在何种边界内做”“以何种方式做”,将专业性落实在可被观察与复核的工作过程之中。

因此,边界设定与责任结构应被前置为标准的核心条款。其一,明确人机协同的控制回路。人工智能承担信息处理、模式识别与生成建议,但学习目标设定、价值判断、关键决策与风险处置必须保留在人的控制之中。其二,明确角色分工与权限分级,形成“一键接管或一键退出”、人工复核、争议申诉与纠偏等措施,确保AI学伴师能够驾驭技术而非被技术牵引。其三,明确对关键环节的可追溯要求,通过日志记录、样例留存、过程报告与证据链构建明确责任归属,使信任建立在可验证的制度基础之上,尤其要对未成年人数据与内容安全形成刚性约束。

(二)方法论纲:建立“设计—实践—证据”的迭代循环

在AI学伴师专业标准的研制过程中,单次成文、静态发布的标准模式已难以回应技术快速演进与教育情境多样化的现实需求。因此,本研究基于数字化学习指导的思路,构建了“专业伦理、专业知识、专业能力”的框架,并提出以“设计—实践—证据”为核心的迭代循环。重庆、上海等地的实践证明,这一迭代循环更有助于将规范设想持续嵌入真实教育场景,并可通过证据反馈不断修正与完善标准内容。该迭代循环的具体过程为:在设计阶段提出规范假设,在实践阶段面对真实问题,在证据阶段对规范的价值合理性与实践效果进行检验,并反向推动标准再设计与完善,从而使标准研制由一次性文本生产转向持续优化的过程性机制。

在研制程序上,应当遵循“场景识别—任务分解—能力抽取—指标建模—试点验证—认证应用—动态更新”的闭环。首先,以实践中的典型伴学场景为分析单元,精准识别学习支持需求与潜在风险。其次,分解AI学伴师在不同场景中的关键任务,抽取相对稳定的能力要素,并将其归并为五个核心范畴。再次,在指标建模阶段,坚持指标的可观测性、可操作性与可审查性,并区分伦理与安全等底线型要求,以及支持专业发展的提升型要求。最后,通过试点验证应用,形成涵盖学习者发展、伴学过程与系统运行的多维证据,为标准条款的情境化细化与动态扩展提供依据,使标准能够随技术与实践共同演进。

为提升标准的合法性与适切性,证据机制应当同时包含“共识证据”与“效果证据”。其中,共识证据来自多元主体参与,包括学科教师、心理健康教师、家长、技术开发者、学校管理者与法务人员。这些主体通过共同参与条款研制与审阅,使标准在教师培养质量、准入质量与评价质量等多个方面能够兼顾教育规律、技术边界与技术治理需求。效果证据来自试点场景中的学习改进数据与风险处置数据,用以检验条款是否在实际应用中促进了学习效果的提升,以及是否有效降低了技术的使用风险。上述两类证据共同支撑标准的分级评价与周期性更新,避免标准僵化。

标准要真正落地,需要与教师培养质量、准入质量与评价机制形成耦合^[23]。一方面,伦理与安全等准入层指标应聚焦伦理底线、数据安全与基本伴学能力,以作为岗位培训与资格确认的依据。另一方面,支持专业发展的卓越层指标应体现专业成长路径,强调学习设计能力、循证改进能力与系统协同能力的成熟度,并通过案例评审、过程性证据审查与实践表现评价等方式予以判定。唯有如此,标准才能从文本走向制度,从要求走向能力,从规范走向专业。

(三)价值导向:以“教育向善”统领“技术赋能”

人工智能技术与教育的深度融合,其根本旨归并非对传统练习效率的机械加速,亦非对单一竞争逻辑的盲目强化,而在于通过有针对性的“技术赋能”,给大规模的学习者群体创设高质量、有意义的成长条件。为更好地放大人工智能应用于教育领域的正向价值、最大限度地削弱其负面影响,我们必须重视人工智能应用于教育领域的困境以及这些困境产生的缘由,“不断提升人工智能技术的安全性、可靠性、可控性、公平性”^[24]。因此,AI学伴师专业标准在价值层面必须以“教育向善”为统领,将技术应用立足于安全、可靠、可控、公平的原则之下。

首先,以“教育向善”统领技术安全。教育向善对技术安全的统领,体现为将学习者的身心安全与数据安全置于最高地位。AI学伴师通过严格的审核,杜绝任何含有暴力、歧视或其他不适宜内容的信息输出。在数据安全与隐私上,必须贯彻“最小必要、知情同意”^[25]原则,建立严密的数据治理规范,防止学生个人敏感信息泄露。其次,以“教育向善”统领技术可靠。技术的可靠性不仅指向系统运行的流畅与低故障,更应深层次地指向其教育输出的科学性与有效性。在交互过程中,系统应理解学生意图,提供准确、适切的学习反馈与资源,避免因算法的不确定性或知识盲区而给出误导性信息。再次,以“教育向善”统领技术可控。技术可控的关键在于明确并保障人在教育过程中的终极主导权。技术赋能不应导致教育的“去人化”或教师角色的边缘化,而应强化“人机协同”,使技术服务于人的教育智慧。最后,以“教育向善”统领技术公平。“教育向善”内在包含对教育公平的坚定承诺,要求技术赋能必须致力于缩小而非扩大教育差距。警惕因地域、经济条件等因素造成的“数字鸿沟”,坚持“无偏见”原则,防止算法因偏差而对特定学生群体(如不同性别、地域、社会经济背景)产生系统性歧视或不公。

AI学伴师专业标准的核心范畴应体现从价值到实践、从交互到证据、从个体能力到系统治理的递进结构。关键指标的确立应坚持以价值伦理确立方向、以协作交互规范过程、以学习伴随支撑学习行为、以智能测评提供循证依据以及以系统关联实现生态嵌入与质量治理的逻辑。五大关键指标不是并列的能力拼盘,而是以价值为轴心、以证据为纽带、以治理为保障的整体框架,能够覆盖AI学伴师的“应然责任”与“可行操作”。

(一)价值伦理:构建以学习者权益为中心的“权力—责任”框架

在数智技术赋能下,教师队伍建设不是盲目的、随意的,而应寻求一以贯之的价值引领^[26]。AI学伴师被赋予制定计划、调用数据、给出评价与干预建议等专业权力。为此,必须建立权力与责任对等的伦理结构,坚持以学习者权益为中心,在专业权威、公共利益与个体发展之间形成可验证的信任机制。该结构的意义不仅在于防止伤害,更在于通过责任承诺与可追责机制形成行业信任与社会福祉的正向循环,为后续交互、伴随与测评提供价值尺度。据此,可将这一范畴的重点指标归纳为六组:目的正当性与育人优先(方案与记录要体现学生全面发展而非单一的分数提升);尊重人格与关怀原则(避免标签化、羞辱性反馈与不当比较);公平与包容(识别并纠正可能的偏差,对弱势群体提供补偿性支持);数据治理与隐私保护(坚持最小必要、目的限定,建立授权撤回、访问审查机制与应急预案);透明可解释与责任归属(关键建议可解释、可复核、可申诉,明确个人、机构、平台的责任边界);内容安全与学术诚信(不当内容拦截、错误信息纠正、规范生成式人工智能的使用以及反作弊教育)。

(二)协作交互:确立人机协同下对话与问题的解决机制

协作交互是人机协同情境下专业能力的外显界面,指在学习者、AI学伴师、AI系统的三元结构中实现对话、协商与共同解决问题的过程。重点指标需同时覆盖技术可用性与教育有效性。在技术可用性上,强调多模态与无障碍、低延迟与稳定、澄清纠错与交互轨迹可视化,并为AI学伴师提供可理解的“推荐理由或不确定性提示”,为未成年人提供适龄提示与内容过滤。在教育有效性上,强调以问题引导而非答案依赖,能将生成内容转化为讨论材料、反思线索或迁移练习;能在学生遭遇挫折、厌倦或过度依赖时调节节奏、提供情绪支持,并具备提示词管理、人工复核、功能限制与暂停调用等“人控优先”能力。可观测证据可来自交互日志、对话样例、学习者满意度反馈与风险处置记录。

(三)学习伴随:实现从碎片化答疑到系统性成长的支持

学习陪伴是AI学伴师区别于普通智能工具的情感内核所在,其本质是以人的专业陪伴促成学习者自主而有效的学习发生,并推动伴学从碎片化答疑走向持续性学习设计与能力培育。重点指标可围绕四类能力展开:发展敏感性(理解不同年龄段学习者的身心特征,具备必要心理支持与转介意识);学习设计力(基于学习者画像制定个性化计划,合理编排任务、练习与反馈,避免无效刷题与过度训练);策略转化力(把数据洞察与资源推荐转化为可执行的学习方法与思维支架,通过追问、类比、情境化案例与跨学科关联促进知识迁移与元认知发展);反思进化力(基于过程证据复盘伴学效果,形成可迁移的改进方案,持续学习新工具并关注新风险)。相关评价证据可来自学习档案、个案报告、阶段性复盘记录以及与学科教师的协同反馈。

(四)智能测评:建立面向过程与能力的循证式评估体系

智能测评作为AI学伴师实施循证教育改进的核心机制,其本质在于通过对学习过程的持续观测与能力发展的系统评估,构建动态、多维、可反馈的评价体系。正如约翰· 哈蒂(JohnHattie)所指出的,“当教师成为自己教学的学习者,学生成为自己学习的教师时,对学生学习产生的效应最大。当学生成为自己的教师时,他们便表现出自我调节特征,而这些特征似乎也是学习者最渴求的(自我监控,自我评价,自我测评,自我教学)”^[27]。该范畴的重点指标包括:目标的分层界定(区分知识、理解、问题解决与创造性表达等层级);效度与公平(题库与模型偏差检测、不同群体可比性、对误判的纠偏通道);可解释与可反馈(结果能转化为具体改进建议而非标签化结论);学习者建模与风险预警(阈值规则、人工复核、干预流程与转介机制的建立);干预效果评估(定量与定性结合形成证据链,检验AI学伴师教学策略而非仅评价学习者的表现);数据安全与合规(防止测评数据被不当排序、商业化滥用或用于高风险决策)。

(五)系统关联:保障实践协同嵌入与可持续治理

系统关联强调AI学伴师专业实践必须嵌入既有教育生态并与课程、课堂、学校治理及数字平台形成协同,在不增加学习者负担的前提下实现资源整合、数据共享与质量治理。这一范畴的重点指标可归纳为三条主线:可操作性(采用开放标准、确保语义一致与安全共享,支持跨平台迁移与留痕);可治理性(明确岗位边界与权限分级,落实日志审查、风险处置及第三方评估与问责,尤其要妥善处理与学科教师的分工衔接、与学校评价制度的协调配合以及跨系统数据流转的合规审查);可持续性(建立“培训—认证—复训”的专业成长通道,保持资源投入、技术更新与伦理合规的动态平衡,并将AI学伴师实践纳入学校改进与教师发展体系,形成可复制、可推广的组织方案)。由此,五大范畴构成从价值到系统的路径,使AI学伴师专业标准能够承载人机协同时代的教育使命。

本研究试图建构权责对等、协作交互、情感伴随、循证测评、系统关联的AI学伴师专业标准框架。研究的创新之处在于将“人机协同”作为统摄性理念,将价值伦理从外部约束提升为内在追求,并系统整合了从交互到执行、从数据到系统的多维能力。然而,专业标准的拟定仍需在以下几个方面寻求突破。首先,在技术层面,如何突破人工智能在支持复杂性思维、创造性思维等方面的局限仍是有待深入探索的课题。其次,在指标层面,专业标准的具体指标如何量化、如何评估,需要教育学、心理学、学习科学、计算机科学等多学科的共同努力。最后,在实施层面,标准落地普及,仍需政策、行业与教师的协同推进。