第七章：教育中教师–人工智能协作的概念框架：利用生成式人工智能增强教师主体性
引言
生成人工智能（GenAI）技术在教育环境中的不断出现呈现出赋权与关注的悖论。一方面，人工智能有望减轻教师繁重的管理任务（Roy et al, 2024[1]），提供个性化的学习见解（VanLEHN, 2011[2]），并补充教学能力，包括课程计划、课堂实施和评估。例如，人工智能可以通过支持教师对要教授的知识的复习、提供替代教学策略的想法或定义学生的需求并让他们熟悉这些需求来帮助教师计划课程（van den Berg 和 du Plessis，2023[3]）。人工智能还可以通过向学生（Di Mitri、Schneider 和 Drachsler，2021[4]）或教师关于他们的实践（Demszky 等人，2025[5]）或关于他们的干预措施（Aslan 等人，2019[6]）的即时反馈来支持课堂教学；人工智能可用于对学生的掌握程度进行建模（Minn，2022[7]）、生成评估项目（Chan 等人，2025[8]）、支持论文评分（Seßler 等人，2025[9]）或对教学某些方面的反馈（Zhang 等人，2025[10]）。
另一方面，存在关于潜在威胁的重大担忧，包括教师自主权的侵蚀（Miao and Cukurova, 2024[11]）、教学工作的去专业化（Berendt, Littlejohn and Blakemore, 2020[12]），以及人工智能误用带来的伦理陷阱（Holmes et al., 2021[13]）。许多教育专家还担心，过度依赖人工智能来执行教师的任务（如批改、反馈生成和教案设计）可能导致教师技能退化（Felix and Webb, 2024[14]）。因此，教师主体性（teacher agency）的概念（即教师行使专业判断、创新实践以及保持对教学决策控制的能力）已成为人工智能教育讨论的前沿问题。
本章强调，迫切需要超越两极化的叙事，既拒绝人工智能教师取代人类的反乌托邦恐惧，也拒绝人工智能单独解决所有教育问题的乌托邦式炒作。相反，本章呼吁采取以证据为基础的策略，在利用人工智能潜力的同时，保障教师的主体性、权利和专业完整性（Integrity）。随着专业人士越来越多地将传统上被视为独属于人类的任务外包给人工智能，我们必须对专业人士的基本角色和身份进行深刻且前瞻性的反思。教育的核心中，哪些是持久且独属于人类的特质？当技术改变生活及更广泛的教学和学习生态系统时，我们如何保障、提升并繁荣这些特质？在技术进步能够有效高效地生成和共享信息的教育中，教师的角色是什么？
为了框架化对这些难题的探究，本章概述了教学中人工智能整合的连续体，区分了人工智能在教育实践中替代、补充和增强教师能力三种模式。通过自动化实现的替代指的是将任务外包给人工智能系统并由其执行，无需教师进一步干预。补充性则需要仔细考虑，对于特定任务而言，教师能力意味着什么，以及特定人工智能工具的设计、开发和部署特性如何补充教师能力的特定方面。增强意味着将人工智能模型更深层次地整合到教师的认知和教学过程中，通过迭代互动来提升教师能力，从而使人工智能增强后的教师能够比单独使用人工智能或仅靠教师更好地完成任务（即能力增强增加了教师-人工智能团队比教师或人工智能单独表现更好的可能性）。理解这些概念模型对于识别人工智能的使用何时支持教师主体性、何时可能侵蚀它，以及何时教师的主体性互动可以带来教师能力增强，从而实现更有效的教学，至关重要。
教师如何在教育中使用生成式人工智能：早期收益和担忧
文献综述表明，尽管人工智能在教育中的应用正在蓬勃发展，但我们对教师究竟如何在规模上整合生成式人工智能到其教学实践中的理解仍然处于萌芽阶段并持续演变。此外，教师参与生成式人工智能的方式在不同国家和地区存在显著差异，使得在本章中全面捕捉全部实践做法具有挑战性。然而，例如，根据英国教育部就生成式人工智能在教育中使用的公开证据征集（收到了567名参与者的（非代表性但详尽的）回复，其中大多数是教师），公众普遍认为生成式人工智能提供了多种机会（Department for Education, 2023[15]）。这些机会包括：解放教师的时间、改善教学和教育材料、为学生提供额外支持（特别是有特殊教育需求和残疾的学生（SEND）以及英语作为附加语言的学生（EAL）），以及加强学科特定应用（如STEM）。总体而言，这些被认为的好处被论证为超过了对教育中生成式人工智能的担忧（例如，学生对生成式人工智能的过度依赖、学术不端、担心生成式人工智能取代面对面教学，以及“数字鸿沟”）。在教师自我声明的调查和访谈中观察到的大多数用例也表明，教师使用生成式人工智能来开发课程材料，确保与课程目标的一致性，同时节省内容准备的时间（Department for Education, 2024[16]）。在评估方面，教师倾向于使用它来支持批改并为学生提供个性化的形成性反馈。在课堂之外，教师似乎还使用生成式人工智能起草法定政策、简化行政任务，并旨在减少官僚负担（Department for Education, 2024[17]）。
虽然自我报告的调查数据为教师的生成式人工智能使用情况提供了一些见解，但这种方法存在固有的局限性，特别是由于外部压力或社会期望偏差可能导致教师无法准确报告他们的人工智能实践。来自Anthropic.ai的最新研究（Handa et al., 2025[18]）分析了超过四百万次与他们的生成式人工智能系统的对话，显示某些职业群体高度依赖人工智能。在某些职业群体中，包括语言和文学教师，人工智能对话对应于其超过75%的专业任务的表现（遵循美国劳工部O*Net数据库的职业任务映射）。虽然了解教师中的生成式人工智能使用程度至关重要，但仔细研究教师究竟如何使用生成式人工智能——主要是用于增强还是自动化——同样重要。尽管这是一个取决于任务的讨论，但证据表明存在将日常任务（如内容生成）自动化的趋势（Handa et al., 2025[18]），人工智能直接执行需要教师最少参与的任务。虽然此类结论应谨慎解读，因为仅凭日志数据无法揭示教师最终如何处理人工智能生成的输出（例如，有些可能完全丢弃它们并独立继续工作），但人工智能在教育中的自动化应用引发了关于教师主体性更广泛影响的重大问题。
除了生成式人工智能的最新用例外，过去几十年见证了将人工智能应用于教育的兴趣激增，从智能辅导系统和自动评分工具，到人工智能驱动的决策工具和自适应学习平台。有大量证据表明，使用这些人工智能应用支持学生的学业表现（Li, Gobert and Dickler, 2019[19]; VanLehn et al., 2020[20]）、他们的情感投入（Bosch et al., 2016[21]; Calvo and D’Mello, 2010[22]）以及元认知发展（Azevedo, Cromley and Seibert, 2004[23]; Laru and Järvelä, 2015[24]）在对照实验评估中具有积极影响。尽管这些小规模实证研究提供了有价值的见解，但它们的结果通常反映了在教师实施由研究人员高度保真度指导的受控条件下评估的精心设计的学术人工智能工具。
除了这些前景之外，早期的学术和从业者评论也提出了关于可能陷阱的警告。这些担忧被生成式人工智能的快速崛起（rapid rise）所放大，它将人工智能的能力连同其风险带入了主流认知（mainstream awareness）。因此，大多数教育利益相关者最近开始应对（grappling with）曾经看似未来主义（futurist）、仅受少数学者关注的场景。
这些讨论中的一个核心担忧是教师主体性的潜在侵蚀。当生成式人工智能系统开始处理不仅是教师典型的单调行政任务，还包括复杂的教学和教学决策（如选择内容、评估学生作业或提供反馈）时，教师可能会发现他们的专业判断被算法输出边缘化。最近的实证研究开始记录这些动态。例如，Guan、Zhang和Gu（2025[25]）关于职前教师的研究表明，教育中接触生成式人工智能促使他们反思不断演变的角色以及对角色变化的焦虑，突显了为教师适应与人工智能协作的新混合角色做好准备的必要性。来自瑞典和澳大利亚八所学校57名教师的访谈研究的补充证据进一步表明，生成式人工智能并非解放教师免于工作，而是经常产生新形式的隐形劳动（invisible labor），同时挑战他们在教育内容的教学适当性和社会敏感性方面的主体性（Selwyn, Ljungqvist and Sonesson, 2025[26]）。这些发现表明，虽然生成式人工智能工具在支持教师和教学实践方面具有重大潜力，但在实践中，它们可以重新分配和模糊教师劳动，强化而非减少工作负担焦虑以及对教师专业自主权的担忧。
教师主体性的工作定义
在本章中，教师主体性指的是教师在其专业实践中做出选择和施加影响的主动能力和动机。它包含做出教学决策的自主权、适应和创新教学法的能力、根据其专业价值观和学生的需求塑造教育环境的力量，以及这样做的意愿和动机。从本质上讲，当教师在教育过程中“行动而非被行动”时，他们就拥有主体性。他们的主体性植根于专业能力和信心，通常由他们在实践中使用的工具和技术以及他们所处的更广泛的制度和技术环境来赋能（enable）或约束（constrain）。教师主体性不是一种全有或全无的属性；它以程度和形式存在。教育社会学家描述了教师自主权的多种形式，例如，对课程内容的自主权、对教学法的自主权、对学生评估的自主权以及对专业发展路径的自主权（Frostenson, 2015[27]）。支持性的学校文化和政策框架可以扩展这些自主权，而自上而下的指令（mandate）、高风险的问责制度或代表他们做出自主决策的技术系统可以压缩它们（人工智能教育技术可能就是这种情况）。
教师主体性是教育中的一个关键概念，因为教师的主体性感受与其动机、工作满意度以及拥抱新教学法或工具的意愿相关。当教师感到有能力做出决策时，他们更有可能主动改进教学并创造性地应对课堂挑战。教师主体性使教师能够适应和更新课程、融入新兴（emerging）现实世界问题，并将学习体验情境化以适应学生的社会、情感和关系需求，这是人工智能算法无法做到的。此外，教师主体性与教师身份紧密相连，即对自己作为具有有意义使命的专业人士的感知。将生成式人工智能引入课堂可能会扰乱该身份，因为一些教师可能害怕被生成式人工智能系统取代或评判，而另一些教师可能将生成式人工智能视为增强其效能（effectiveness）的机会。
从学习者的角度来看，教师主体性有可能转化为更丰富的教育互动。具有高度主体性的教师将主动解释人工智能生成的洞察或建议，并将其适应于学生的情境。例如，如果生成式人工智能工具对学生论文生成反馈或产生一组促进元认知反思的建议提示（suggested prompts），行使专业主体性的教师会将这些视为暂定资源（例如，审查其教学相关性、重新措辞或扩展它们以与学生的学习目标保持一致），并将它们用作讨论或进一步探究的跳板。相比之下，低主体性场景可能涉及教师简单地将人工智能生成的反馈粘贴到学习平台上而不进行审查或情境化，或者由于不信任或缺乏信心而完全忽视系统的建议。两种极端都是次优的，目标是建立一种平衡的伙伴关系，教师仍然是教学的统筹者（orchestration者），将人工智能工具作为信息助手使用。尽管大多数研究者和实践者会同意所提出的平衡需求，但对于给定教师任务而言，这种平衡处于什么位置、如何概念化以及如何操作化，目前知之甚少。本章试图填补这一空白。在以下部分中，本章深入探讨人工智能角色相对于教师主体性的理论概念化，介绍替代、补充和增强的概念化，然后提出一个具有明确定义和每个级别示例的五级教师-人工智能协作框架。尽管广泛的社会技术、制度和文化（socio-technical）因素深刻影响着教师如何感知、践行（enactment）和维持与人工智能互动中的主体性，但这里提出的五级框架主要从人工智能系统可供性（affordances）和界面级设计考虑的角度审视教师主体性。
教育中人工智能的三种概念化及其对教师主体性的影响
本节提出三种整合的概念模式作为框架，以区分人工智能的角色及其对教师主体性的影响。这些模式可以被视为从人工智能独立于教师运作到人工智能深度嵌入教师认知惯例（Routine）以增强其能力的动态频谱上的点。通过描绘这些，本章旨在澄清哪些方法威胁教师主体性，哪些可能潜在地加强它。尽管该框架适用于所有形式的人工智能，但生成式人工智能提供了独特的可供性（affordances），可以塑造和支持不同程度的教师主体性。将结合适当的示例进行讨论。
替代指的是人工智能系统执行教师通常会做的任务的人工智能驱动（AI-driven）过程，只需最少或无需教师干预。典型示例包括自动批改考试或论文、让人工智能模型创建教案、问题、材料、算法安排学生练习（如作业）或人工智能导师（tutor）直接向学习者传递内容，自动化教师的教学实践。自动化的主要吸引力是效率和可扩展性。确实，教学中的某些劳动密集型任务（例如，批改多项选择题测验、起草教案、生成练习题）可以可靠地自动化，可能解放教师的时间用于其他或更复杂的工作（例如，Leiker, Finnigan and Cukurova, 2023[28]; Pea et al., 2022[29]; Roy et al., 2024[1]）。受教学实践的政治、管理或领导层面生态系统问题的影响，目前关于教师实际上如何使用节省的时间的证据很少。
教育生产率提高的潜力确实很重要。教育捐赠基金会（EEF）、全国教育研究基金会（NFER）独立评估的最新研究，审查了英格兰68所中学259名教师使用生成式人工智能的情况。随机对照试验显示，使用生成式人工智能并辅以实践指导的教师，将课程和资源规划时间平均减少了31%，将每周平均规划时间从81.5分钟减少到56.2分钟，同时不损害其教案和资源的质量（Roy et al., 2024）。正如教师工作组和联合国教科文组织全球教师报告（2024）所强调的，教育系统面临持续的教师和资源危机，特别是在低收入和中等收入国家。据估计，到2030年将需要额外的4400万名小学和中学教师，其中1500万在撒哈拉以南非洲。全球教师短缺因日益严重的流失而加剧，因为许多教师提前离开职业。农村和偏远地区受影响最严重，不合格的教师经常（often）填补空白，多年级（multi-grade）课堂很普遍（common）；撒哈拉以南非洲90%的中学面临严重的教师短缺。因此，学习差距正在扩大。学生还面临着教育材料和优质内容的严重短缺。在一些教室里，一本教科书必须由十几个或更多的学生共用。许多可以帮助的数字教育内容并非以学习者的语言提供。例如，尽管不能代表国家的学习资源，但92%的开放教育资源为英语内容，将非英语学习者边缘化（UNESCO, 2023[31]）。人工智能的替代模式为通过显著的生产率提高来抵消这些全球短缺提供了机会。生成式人工智能驱动的工具可以补充负担过重的教学劳动力，并向服务不足地区的学生提供教学支持。生成式人工智能驱动的翻译和内容生成可以扩大本地语言以及有特殊教育需求和残疾的学生（SEND）的高质量教学资源的可用性。
尽管如此，教师任务的完全自动化也引发了关于教师主体性丧失的担忧，并可能带来一定的（certain）成本。突出这些挑战的目的不是反对教育中的生产率提高，而是邀请政策对话并仔细考虑如何减轻其中一些挑战。这些担忧中有两个是教育的去人性化（dehumanisation）和教师认知萎缩（cognitive atrophy）。
图7.1. 替代模式在教师主体性 vs 自动化坐标上的位置
来源：改编自 Cukurova, M. (2024[30])，教育中学习、分析和人工智能的相互作用：混合智能愿景。英国教育技术杂志，56(2)，469-488。
去人性化指的是侵蚀教学和学习基础的（fundamental）人类要素。教育是人类发展的互动过程。当人工智能被用作教师或同伴的替代品时，存在学习变得过度机械化的危险，失去有效教学法和教育实践所具有的共情和社会动态。去人性化可能表现在教学、评估和反馈中。例如，有些人可能萌生想法（temptation）打造“无教师学校”，让学生通过人工智能个性化的课程来学习。然而，人类教师贡献了许多无形的特质（例如，道德判断、激励、榜样作用（role-modelling）、与他人建立信任和指导他们的能力），这些是目前任何人工智能都无法复制的。即使学生在学业上取得进步，他们也会错过与他人协作学习、对话和知识的社会建构。教育实践往往在基于探究的教学、协作实验工作、小组讨论和辩论（debate）中蓬勃发展，这些方面需要人类的存在和指导。同样，来自非个人化（impersonal）算法的反馈和评估可能让学生感到作为个体被更少关注（less seen）或更少重视（less valued）。最后，如果教师被要求在规定他们每一个动作的算法脚本或绩效面板（performance dashboards）下工作，他们的专业身份可能会侵蚀，更类似于装配线工人而不是教育者。因此，保护教师主体性直接与保持教育以人为中心联系在一起。
同样，将生成式人工智能以不允许教师主体性的方式整合到教育环境中，也引发了关于其对教师各种高阶（higher-order）思维技能影响的重大问题，特别是通过对批判性和反思性思维实践的影响。最近一项专注于在写论文的教育背景下使用大型语言模型的认知成本的实验表明，在没有LLM支持的情况下写作的学生表现出最强、最广泛的脑激活，使用搜索引擎的学生表现出中等程度的参与，而使用LLM的学生表现出有限的认知参与（Kosmyna and Hauptmann, 2025[32]）。虽然关于生成式人工智能用户使用生成式人工智能时对其认知能力的潜在负面影响证据刚刚出现，但这也可能是教师在使用替代范式（replacement paradigm）中的人工智能时面临的风险。
补充指的是人工智能系统作为支持工具运作，放大教师的能力，而教师保持积极参与（actively involved）。在补充范式（paradigm）中，人工智能和教师协同（tandem）工作，各自贡献自己最擅长的方面，而不必为了相互增强能力而相互交互。补充的基本理念（underlying philosophy）是利用人工智能的优势（例如，数据处理、模式识别、速度、规模、不会疲惫、效率和节省时间的机会等）来补充人类的优势（例如，关系性解释、共情、道德辨别、情境判断等）。在这个范式中，人工智能主要处理数据以呈现洞察或实现由教师定义的教学意图。这更多地是关于教师内部化计算表征，通过与人工智能的互补互动重塑他们自己的心智模型和专业推理，而不是人工智能从人类学习。与替代范式相反，人工智能系统并不完全执行教师的任务。
图7.2. 补充模式在教师主体性 vs 自动化坐标上的位置
来源：改编自 Cukurova, M. (2024[30])，教育中学习、分析和人工智能的相互作用：混合智能愿景。英国教育技术杂志，56(2)，469-488。
如果实施得当，补充概念化可以进一步强化教师的主体性，并有可能在给定任务上提高人类能力。为了使补充可操作化，我们必须首先建立一个人类能力模型，以便能够具体定义教师能力的哪些方面可以与人工智能互补。然后，我们可以研究给定人工智能建模技术或特定人工智能主体（agent）的可供性（affordances）如何与该能力连续体的每一层相吻合。Holstein et al. (2020) 提供了一个有用的框架，用于思考教师能力的哪些特定方面可以在人工智能的帮助下得到补充，识别出补充的四个维度：互补性目标设定（例如，当教师在人工智能支持下设定、监控和评估学习目标时）；互补性感知输入（例如，当教师对学生学习的感知被人工智能扩展时）；互补性行动（例如，当教师的行动被人工智能扩展时）；互补性决策（例如，当教师的决策被数据驱动的人工智能建议辅助（assist）时）。例如，一个人工智能模型具有处理来自学生互动的感官信息的能力，可以补充教师监控学生互动的情境特定（specific）技能。另一方面，一个人工智能模型具有在智能辅导系统中跟踪学生在线互动的能力，可以补充教师对学生掌握某一主题的当前水平的了解。这样的教师-人工智能补充将具有支持而非取代教师综合专业判断的目的。然而，该框架没有提供关于教师能力的特定方面究竟如何得到补充的洞察。
在这个补充概念的基础上，将教师-人工智能互动的深度和复杂性概念化变得至关重要（essential）。在这里，我们建议，对于任何给定的教育任务，并且取决于教师能力的特定方面和特定人工智能可供性（affordances），教师-人工智能协作可以发生在五个不同的层级：交易性协作、情境性协作、运作性协作、实践性协作和协同性协作。
交易性协作指的是教师与人工智能之间由请求-响应机制定义的离散事务组成的互动（即，教师输入命令，人工智能输出结果）。教师和人工智能系统的行动相互感知，每个行动动态地通知并触发来自另一方的相应响应。在这个层级上，人工智能主体（agent）可以根据教师的输入自动执行操作，通常代表他们完成常规（routine）或重复的任务。交易性协作的核心动态是“请求到执行”，用于任务自动化和效率；因此，主要目标是通过简化这些流程来提高教学生产力。Srivastava et al. (2021[33]) 的智能学习辅助（SLA）系统可以描述为教师-人工智能互动中交易性协作的范例（exemplar）。在这个系统中，教师发出命令（例如，输入口语词汇、手语手势或盲文文本），生成式人工智能工具自动在语音、手语或盲文之间或从语音、手语或盲文转换，从而返回支持与教师或同伴交流的翻译结果。这样，SLA 工具接管了常规（routine）翻译任务，允许教师委托离散的、重复的转换工作，正是“请求 → 执行”的动态定义了交易性协作。
图7.3. 交易性教师–人工智能协作
来源：作者自己工作。
情境性协作指的是一种互动形式，其中教师基于教学和学习情境的共同感知运作，这种感知是通过人类和人工主体（agent）的联合感知（combined perceptions）构建的。在这个层级上，人工智能系统通过传感器从课堂互动和/或数字学习平台或现实世界课堂中的学习活动收集数据，使用底层模型处理数据，并向教育上有意义的信息提供支持，以帮助教师做出明智的决策并采取适当行动。Sawaya et al. (2025[34]) 开发的混合人-主体辅导（HAT）平台可以作为情境性协作的示例。该系统收集导师话语实践的数据，使用人工智能模型对其进行分析，并向人类教师和教练提供生成式人工智能创建的反馈，以指导他们的教学辅导课程。这创建了辅导情境的共同感知，其中人工智能突出导师互动的模式，教练利用这些洞察做出明智的教学决策。核心动态镜像情境性协作，即教师和人工智能主体（agent）共同构建情境感知，为人类行动提供信息，而不是自动化任务。
图7.4. 情境性教师–人工智能协作
来源：作者自己工作。
运作性协作涉及教师与人工智能系统之间与教学相关任务的规划和执行合作。在这个层级上，教师提供关于教学和学习情境的当前状态和期望状态的信息，通过意图、教学目标、任务和可操作计划来表达。人工智能系统通过将这些目标纳入其决策来支持教师，自主执行或协助实现教师设定的目标。这种协作实现了与教师需求一致的高效任务执行。然而，它也要求教师对教学目标和实现这些目标的教学干预有全面的理解。Yang et al. (2023[35]) 开发的配对系统（Pair-Up）可以作为运作性协作的示例。在这个系统中，教师表达高级教学目标（也可以使用生成式人工智能以自然语言完成），例如何时在个人和协作学习活动之间转换学生。人工智能系统通过在智能辅导系统中实时监控学生进度来将这些目标整合到其决策中，然后推荐或实施与教师教学意图一致的课堂实践转换。这种合作规划和执行允许教师和人工智能共同管理复杂的课堂统筹（orchestration）任务，人工智能自主协助执行教学计划，同时确保任务执行与教师的总体目标保持一致。
图7.5. 运作性教师–人工智能协作
来源：作者自己工作。
实践性协作指的是一种互动形式，其中教师和人工智能系统根据先验经验、使用模式或训练交流（exchange）关于行动和程序的信息。这个层级的协作强调随着时间的推移发展共同的“理解”和实践，使人工智能能够从教师的教学习惯和偏好中学习，同时教师适应人工智能的能力和教学建议。例如，在提供改进教学的建议时，基于LLM的对话支持系统可以从教师对这些建议的反馈（明确的和隐含的）中学习，并相应地调整其底层模型。这要求教师具备批判性地评估人工智能建议的能力，而不是不加批判地接受它们，人工智能具有从教师纠正中学习以相应调整其内部模型的能力。Bernius、Krusche和Bruegge（2021[36]）开发的基于机器学习的反馈建议系统说明了实践性协作的一个示例。该系统分析大型课程中学生提交的Python编码脚本，并提出反馈建议，教师可以审查、适应或拒绝。随着时间的推移，人工智能从教师的纠正和调整中学习，完善其生成更符合教师教学偏好的上下文适当的反馈的能力。这种信息交流（exchange）、人工智能适应教师的评估模式而教师批判性地评估和完善人工智能生成的建议的动态，体现了实践性协作的本质，共同的实践和相互适应性迭代发展。
图7.6. 实践性教师–人工智能协作
来源：作者自己工作。
增强指的是人工智能工具及其促成新实践（new 实践）的过程被融入（woven into）教师内部能力体系（internal repertoire）的方式，即这些人机（human-AI）互动也导致教师能力的提升。这非常对应于教师-人工智能协作框架的第五层级。
协同性协作指的是一种互动形式，其中教师和人工智能系统相互增强，通过批判性评估、用逻辑和证据相互挑战建议和命题（proposition），共同解决复杂问题，朝着共同的理解和相互发展迈进。有效的协同性协作涉及相互互动，其中人工智能主体（agent）和教师以认知意识评估彼此的主张，并相互提醒可能被忽视的方面。当这种互动良好对齐时，一种创造性共振的形式出现，使教师和人工智能深化对任务的理解，并生成单独都无法实现的成果。因此，这种协作类型被概念化为协同性的，即涌现式（emergent）能力可能超过给定任务上单独的人工智能或人类能力的最大值（Cukurova, 2024[30]）。与协同性协作相比，实践性协作的主要局限性在于它依赖于教师现有的知识、专业知识和能力，而不一定是将他们推向当前实践之外。因此，实践性协作往往（tends to）在教师当前能力的最大值处收敛，而协同性协作需要人工智能和教师之间更宏大（ambitious）的相互发展，这种状态在实践中仍然更加困难实现。因此，虽然实践性协作经常在教师或人工智能当前最大表现（performance）的上限处稳定下来，具有效率和节省时间的潜在好处，但朝着协同性协作迈进，即人工智能和教师相互扩展和转变彼此的能力，在实践中更难实现。
图7.7. 协同性教师–人工智能协作
来源：作者自己工作。
在这种意义上，增强的主要条件是协同性人机（human-AI）协作，其中人机（human-AI）组合产生的涌现式（emergent）能力超过给定任务上单独的人工智能或人类能力的最大值。
图7.8. 增强模式在教师主体性 vs 自动化坐标上的位置
来源：改编自 Cukurova, M. (2024[30])，教育中学习、分析和人工智能的相互作用：混合智能愿景。英国教育技术杂志，56(2)，469-488。
然而，这个由分布式和扩展认知理论提供信息的想法面临着重大经验障碍。最近一项涵盖所有部门的106项实验研究的综合荟萃分析，报告了约370个效应量，显示人机（human-AI）组合在58%的综述（reviewed）案例中表现不如表现更好的人类或人工智能单独表现（Vaccaro, Almaatouq and Malone, 2024[37]），表明协同是情境依赖的，不应假设。关键的是，协同仅（only）出现在特定条件下。首先，任务类型很重要。协同更可能发生在相对简单的内容创建任务中（例如，开放性科学教育问题），但在复杂决策任务中失败（例如，根据学生与其他学生的关系对其情绪状态进行分类）。其次，当人类单独优于人工智能时，协同更可能出现；然而当人工智能优于人类时，人机（human-AI）协作往往会降低表现。这表明协同取决于人类的元认知能力，以评估何时信任人工智能输入以及何时忽略它，这强调了提高教师和学生的人工智能能力以保护他们自己的主体性并对人工智能拥有批判性和知情信任的重要性（例如，参见联合国教科文组织教师人工智能能力框架（Miao and Cukurova, 2024[11]）。第三，人工智能互动的教学设计非常重要。荟萃分析的证据表明，106个实验中只有3个明确测试了人类和人工智能之间的预先确定（predetermined）子任务分配（delegation）以结构化他们的互动。这些产生了不显著的协同收益，强调有效的增强需要在精心设计的教学框架中系统地搭建（scaffolded）人机（human-AI）互动。
这些发现肯定，在包括医疗保健在内的许多领域，协同增强难以实现。教育环境和K-12设置当然也不例外，因为任务、专业要求以及制度和当地背景的差异确实可能从不同的协作层面中受益。尽管如此，设计允许更高程度教师主体性的协作可供性（affordances）（例如，运作性、实践性和协同性）代表了一种刻意的努力（deliberate effort），以最大化教师-人工智能互动为进一步提高教师主体性和能力发展做出贡献的可能性。这些更高阶的协作形式并非固有优越（inherently superior），但它们被结构化以提供更丰富的反思、适应和教学转型机会。从这个意义上说，增强不是技术本身的属性，而是教师能力与动机、人机（human-AI）补充界面的设计、以及人工智能模型的可供性（affordances）之间动态相互作用产生的涌现式（emergent）成果。
专栏7.1 教师-AI 团队级别的案例研究示例
为了更具体地说明教师与人工智能团队的范围，这里通过多模式人工智能系统的案例来描述各个级别，该系统旨在诊断高等教育环境中学生的协作小组挑战和小组互动（Suraworachet、Zhou 和 Cukurova，2025[38]）。该工具的目的是支持教师监控学生小组互动的具体情况技能，从而更准确地诊断和及时干预学生的小组工作活动。
- 事务性团队：最基本的是，该系统充当机器学习分类工具，使用多模态传感器数据自动将学生分为高、中、低协作解决问题能力级别（Spikol 等人，2018[39]）。在这里，人工智能根据教师输入的学生互动日志、音频和视频数据执行离散分类任务，简化日常诊断工作，但不会主动塑造教学实践。
- 情境团队：在这个层面上，系统集成了 GenAI 模型来检测学生对话中的挑战维度（Suraworachet、Seon 和 Cukurova，2024[40]）和计算机视觉技术来分析非语言群体互动（Suraworachet、Zhou 和 Cukurova，2025[38]）并可视化从中获得的见解面向教师的仪表板上的人工智能模型。这些见解创造了对课堂动态的共同认识，旨在补充教师对小组过程的看法，并帮助他们识别可能需要干预的时刻。例如，这些可视化可以表明学生在小组活动中的积极倾听时间、他们参与的小组互动类型、诊断出的挑战（即认知、情感、元认知或技术）以及小组解决这些挑战的程度。
- 操作团队：在此级别，系统开始与教师合作规划和执行教学任务，将教师定义的目标实施为可操作的规则和参数。教师指定优先事项，例如促进公平参与或搭建元认知过程，这些都被转化为阈值、条件规则和自动提示。例如，教师可以配置系统，以便如果学生在问题范围界定阶段没有做出贡献超过指定的分钟数，则仪表板会生成提示以鼓励参与。同样，如果模型检测到某个小组正在应对特定任务的元认知挑战，系统可以使用 GenAI 创建的输出进行干预，建议学生重新审视活动描述并阐明他们的近期目标。通过这种方式，仪表板充当协调合作伙伴，将其反馈和干预与教师声明的教学意图结合起来，同时保留教师的总体权威和专业判断。
- 实践团队：在这个层面上，教师和系统之间的互动演变成共享实践的发展，人工智能系统通过持续使用来学习和适应。仪表板不是将系统生成的 GenAI 反馈直接传递给学生，而是首先向教师提供可视化效果和量身定制的建议。然后，教师批判性地审查这些建议，对其进行修改或编辑，并可能根据他们的专业判断添加进一步的建议。这些修改由人工智能系统记录和处理，并将它们合并到其知识库中，以迭代地完善其输出。随着时间的推移，这个过程使人工智能能够更好地满足教师的期望和教学需求。尽管如此，实践团队的发展轨迹仍然受到教师现有专业知识的限制，因为人工智能主要适应当前的实践，而不是积极推动教师超越其既定的能力。相比之下，协同团队需要更深入的相互转变，教师和人工智能都可以扩展彼此的能力，共同创造新的实践和成果，超越任何一方单独的能力。
- 协同团队：在这个层面上，教师-人工智能团队演变成教育实践的对话共建。另一个人工智能代理监控教师与诊断和反馈系统的交互，根据学习科学原理、历史交互数据和教师之前的编辑，批判性地评估教师生成的建议。该系统不是被动地接受教师的修改，而是让教师参与谈判，促使重新考虑被忽视的维度或替代策略。通过与 GenAI 智能体的对话交流，教师和 AI 智能体评估彼此的主张并相互扩展他们的推理。如果协调一致，就会产生一种创造性的共鸣，教师的教学专业知识和人工智能的分析和评估能力交织在一起，产生新颖的解决方案、干预措施或教学设计，而这些都是单独无法实现的。这被概念化为协同作用，一种超越人类或人工智能单独表现最大值的新兴能力。
最近研究的经验证据强调了实用和协同的教师人工智能团队在提高教师效率和学生学习成果方面的切实好处。例如，在一项自动评分机研究中，与手动评分相比，实用的教师-AI 协作方法可将评分时间减少 44%，同时将准确性提高 6%（Liu 和 Yang，2024[41]）。助教一致认为人工智能辅助的过程更快、更容易、更愉快，并表示自动化减轻了日常认知负担，让人们更加关注高阶教学推理。同样，一项教师与人工智能反馈共同创作研究表明，让主题专家参与 GenAI 支持的内容创作可以产生与纯人类材料相当的教学质量，同时大大减少时间和认知工作（Reza、Anastasopoulos 和 Pardos，2024[42]）。 Reza 等人 (2024[42]) 涉及 10 名数学专家和 358 名学习者，他们表明，共同产生反馈的迭代式人类人工智能方法将感知工作量减少了 50%，并将内容开发过程从几个月缩短到几个小时。同时保持学生在统计上显着的学习收益。总之，这些发现证实了当人类监督和代理仍然是系统设计的核心时，GenAI 支持更先进的团队方法的经验潜力，以提高教师生产力、提高教学质量并维持学习成果
然而，两项研究都警告说，增强技术并非没有局限性。在 Liu 等人 (2024[41]) 的研究中，人工智能性能在未代表性的情况下下降，揭示了系统可靠性对训练数据多样性的依赖以及持续人类教师验证的需要。同样，Reza 等人 (2024[42]) 研究的参与者报告了模型偶尔的不可预测性和引导 GenAI 输出的困难，强调增强的质量取决于教师的即时读写能力和元认知调节能力。此外，学习成果的特定课程差异表明，GenAI 在某些教学环境或特定学习者概况中可能表现不佳。最后，这两项研究都没有测量教师与工具互动前后能力的提高，以评估这些互动对教师能力的影响。
这些发现共同表明，增强的好处取决于界面设计特征、实践和协同互动的结构化支架，以及教师的特殊能力和动机。无论教师与人工智能团队的能力如何，如果没有足够的教师能力和动机来有意义地使用这些工具，实现增强的可能性仍然很低。此外，当一些教师在与人工智能工具的交易性团队合作中，如果反思性和有目的地使用这些工具，确实可以实现能力的提升。这也说明了教师与人工智能团队的五个级别并不是按等级顺序发展的阶段，而是上下文敏感的交互模式。不同的教育任务、学科要求以及机构和地方背景确实可能会从不同级别的团队合作中受益。尽管如此，允许更高程度的教师能动性（例如操作性、实践性和协同性）的团队可供性设计代表了一种刻意的努力，以最大限度地提高教师与人工智能交互有助于进一步增强教师能动性和能力发展的可能性。这些更高阶的团队形式本质上并不优越，但它们的结构是为了提供更丰富的反思、适应和教学转型的机会。从这个意义上说，增强不仅仅是技术的属性，而是教师能力和动机之间动态相互作用的自然结果。人机互补界面设计；以及人工智能模型的可供性。
生成式人工智能和教师–人工智能协作
生成式人工智能标志着在教师-人工智能协作层级的演进中人工智能可供性（affordances）的重大进步，在所有互动层级上扩展了补充的范围。首先，生成式人工智能以前所未有的规模、精度实现多样性和效率。生成式人工智能生成多模态输出（例如，文本、视觉、听觉）的能力使教师能够访问和调整资源以适应不同的学习者画像、语言背景和学习需求。生成式人工智能在内容生成方面的前沿（state-of-the-art）高性能为教师与生成式人工智能的交易性协作创造了前所未有的机会，使他们能够完成更广泛范围的任务，从情境适当的课程材料到为某些障碍的学生提供内容。即使是通用生成式人工智能系统（例如，ChatGPT、Gemini、DeepSeek等），它们并非专为教育设计，由于其广泛的语言和创造性可供性（affordances），也可以经常支持交易性和运作性协作。例如，当今教师通常请求ChatGPT生成测验、总结文本或重新措辞反馈评论（comments）。尽管互动在很大程度上仍然是交易性的——提出请求并返回输出（Handa et al., 2025[18]）——它们在广泛的内容生成任务上提供了显著的（significant）支持，这些任务在生成式人工智能之前根本不可能完成。教师的能动性（agency）在这些互动中往往在于评估和适应生成式人工智能的响应，但认知交换在很大程度上仍处于任务自动化和效率的水平（Zhang et al., 2025[10]）。
在情境性和运作性协作中，生成式人工智能通过将多样的课堂数据流（例如，文本、语音、生理信号、互动日志和视觉线索）综合为可解释的洞察，提供更丰富的情境感知，帮助教师做出明智、及时的决策。与早期提供静态或单一维度仪表板的传统人工智能和分析系统不同，生成式人工智能可以将复杂的多模态数据信号转换为叙事（narrative）解释或替代情景预测（projection），允许教师通过多个视角更好地了解他们的课堂情境。此外，生成式人工智能基于语言的推理可供性（affordances）使其能够更容易地在自然对话中阐述情境数据处理和操作输入，以共同创建计划、目标和意图，而不是传统人工智能方法的编码或有限的教师编辑（authoring）工具。
更深层次地，生成式人工智能的可供性（affordances）为实践性和协同性协作开辟了前所未有的途径。与在预测或分类的固定边界内运作的传统人工智能系统不同，生成式人工智能有潜力与教师参与共同创造过程，例如生成教学假设、批评课程结构、建议概念类比，以及揭示教学设计中潜在的认知紧张。这样的对话性参与——这是实践性和协同性协作层级的核心——可以通过生成式人工智能使用自然语言来实现。生成式人工智能还具有适应性和开放性推理的能力，可以让（allow）教师外化（externalise）、检验并在迭代的反思和批评循环中完善他们的教学思维。这种递归交流（exchange）有潜力培养专业成长，使教师能够质疑习惯性实践，并探索单独的人类专业知识或算法优化都无法揭示的替代方法。然而，我们只是在将生成式人工智能有意义地整合到面向教师的人工智能工具的早期阶段，这些系统在多大程度上能够真正与教师分担意义建构的责任仍然不确定。目前尚不清楚生成式人工智能工具是否能够以真正挑战教师推理、引发（provoke）反思并为更深层次的专业学习做出贡献的方式共同创造教学意义。虽然它们的对话可供性（affordances）为更互惠的（reciprocal）交流（exchange）带来了希望，但当前（current）实现很少展示对不当或次优教学决策反驳（push back）的能力，质疑教师的假设，或提出基于教育理论和证据的替代观点。在实现这种反思性张力方面——人工智能系统不仅辅助（assist）而且建设性挑战（constructive challenge）教师——仍然需要在教学专业知识认知建模和教师-人工智能互动界面设计方面取得进展，但生成式人工智能系统提供了在未来几年探索的独特机会。
结论
生成式人工智能在教育中的未来不是由它如何高效地帮助自动化任务决定的，而是由它如何有效地授权教师行使其专业判断和扩展其能力决定的。这里提出的概念模型（即替代、补充、增强）和教师-人工智能协作的五级框架（交易性、情境性、运作性、实践性和协同性）为政策和研究提供了映射现有面向教师的人工智能系统并开发设计原则的基础，以识别生成式人工智能系统何时替代、补充或增强教师的能力。这里提出的教师-人工智能协作五级框架可用于根据明确的教师主体性支持标准评估人工智能工具，并跟踪从交易性到协同性协作互动的动态变化。
同样重要的是要承认，由于协同需要人工智能和人类之间双向信息流的相互互动，人们也可以谈论将人类价值观内化（internalisation）到人工智能系统中作为这个过程的一部分。当教师与人工智能密切合作时，理想情况下，他们将影响这些系统的设计和调整（例如，通过反馈、对建议的反驳（push back）以及提供这种反驳的理由、使用选择、参与式设计等）。随着时间的推移，课堂上使用的人工智能应该学习给定教师依赖于其教学理念、需求和要求的良好教学优先级（例如，促进探究，不要太容易给出答案，尊重多样化的解决方案，优先考虑某些教学选择等），因为教师在他们的互动中执行（enforce）这些。从某种意义上说，人工智能系统通过这些协同互动学习了一些教师的教学智慧。因此，增强还需要适当的空间（appropriate spaces）用于人类反思和人工智能的模型更新。也就是说，教师反思人工智能如何影响他们的实践和学生的学习，人工智能使用记录的（logged）互动数据来更新其模型参数和权重，以从与教师的互动中学习。这种双向内化（internalisation）是教育中协同增强的人机（human-AI）共同进化的核心；教师在协同（synergistic）互动中塑造人工智能，就像人工智能塑造教学实践一样。
协同增强范式（paradigm）代表了最深层次的教师-人工智能互动，其中人工智能不再是其能力的独立、补充性的“附加”组件，而是教学和学习架构（fabric）的一部分。这承载着真正混合智能教学法的承诺，在由人类智慧（wisdom）指导的协同互动中利用人工智能的能力，从而实现（leading to）超越单独人类或人工智能最大值的增强（augmented）能力。它需要在协商人机（human-AI）关系方面具有高水平的教师主体性。此外，教师必须保持自我觉察（self-aware），即使他们拥抱新的人工智能赋能方法，也要不断主张人类价值观和专业知识的循环（loop）。在这个增强范式（paradigm）中取得成功在教育中是具有挑战性的，但它符合教育愿景（vision），即人工智能作为教师的能力增强工具，最终丰富教学和学习体验。
致谢
在创建或开发本章提出的想法时，没有使用任何生成式人工智能工具。本章内容基于作者于2024年3月在日本京都举行的ACM学习分析与知识国际会议（LAK）上发表的主题（keynote）演讲，以及作者为联合国教科文组织教师教育2030国际工作组编写的人工智能时代保护和促进教师主体性的立场文件（position paper）。作者对内容和其学术完整性承担全部责任。作者感谢Qi Zhou博士、Wannapon Suraworachet博士和Sahan Bulathwela博士的有价值讨论，感谢他们在本章的参考文献、图片和校对方面的协助（assistance），以及OECD章节编辑Stephan Vincent-Lancrin博士在整个章节准备过程中提供的评论（comments）、支持和专业精神。