OECD数字教育展望2026——第八章（未完成）

第八章：从通用目的向教育导向的生成式人工智能转型：维护教师自主权

协同编排伙伴：教师在其中计划、执行和反思每一堂课，并根据自身教学应用该工具，例如决定教育任务如何在教师与AI之间进行分配。

本章引入了一种以教师为中心的生成式人工智能（GenAI）从通用工具向教育导向工具转型的方法，并强调在这一转型过程中保持与教育情境、教学目标和教师自主权的联系的重要性。本章借鉴了Molenaar（Molenaar, 2021）提出的人类-AI自动化模型（Human-AI Automation Model），考察教师如何被有意义地定位为GenAI技术设计与整合的协同行动者（co-actors）。在这一理论基础以及人类中心设计（Human-Centred Design）在AI领域应用的有限证据基础上，我们提供了教育型GenAI系统开发生命周期的实证洞察，以教师为协同设计者，遵循人类中心设计原则（即收集教师初始需求、获取协同设计需求并进行协同开发）。我们根据教师需求和当前GenAI工具的局限性，构建并设计了一个支持教师教学/学习设计（如反馈设计）和课堂实施（如采集学生生成的GenAI分析数据）的原型。我们的结论旨在突出教育工作者作为协同设计伙伴的关键作用，以确保GenAI工具在学习过程中支持教学目标、课堂需求和教师自主权。

相关工作

在技术增强学习（Technology-Enhanced Learning）领域，研究者强调在技术创新设计中采用人类中心设计方法的必要性，使最终产品满足用户（如教师、学生）的需求（Giacomin, 2014）。人类中心设计将人的需求、价值观和权利置于数字设计的核心位置（Shneiderman, 2020）。就教育导向AI而言，人类中心设计将AI驱动工具视为赋能学习者和教育者的手段，支持效率、主动学习、批判性思维和创造力（Topali et al., 2025）。该方法还提供了价值敏感设计（Value Sensitive Design）等框架，将人类价值观明确整合到技术设计中（Friedman et al., 2013）。然而，在AI和GenAI解决方案设计中采用人类中心设计的案例仍然有限（Topali et al., 2025）。Holstein、McLaren和Aleven（2019）的研究将教师定位为可穿戴AI工具的协同设计者，以增强K-12课堂中学生的监控能力。同样，Lister等人（2021）采用参与式方法与视障学生共同设计虚拟代理，在远程学习情境中为其提供协助。

在通用型GenAI方面，已有少数研究在初始设计阶段通过理解K-12教育中利益相关者的视角来实施人类中心设计。例如，Han等人（2024）采访了小学教师和学生，发现GenAI在个性化学习体验和为其提供即时反馈方面具有优势。作者对数据原创性、幻觉情况下缺乏批判性思维以及学生和教师自主权等问题表示担忧。同样，Hays、Jurkowski和Sims（2023）、Kaplan-Rakowski等人（2023）、Laak和Aru（2024）以及Monteiro等人（2024）阐明了教师对将ChatGPT用于教育目的的看法。在大多数研究中，教师报告ChatGPT可能对学生有益，但他们对自己在答案控制方面的缺失表示遗憾，并对数据隐私及谁有权分析数据以及情境化不足等问题表示担忧。例如，Prestridge、Fry和Kim（2024）采访了十位中学教师，以了解GenAI在其课程中的潜在增值，并强调考虑不同课程情境以有意义地使用GenAI的重要性。这些研究还讨论了教师专业发展的需求，既包括如何将GenAI用于教育的指导，也包括解决对AI的恐惧和被替代的感受。

上述研究为教师和学生关于将GenAI用于教学和学习的需要提供了重要洞察，例如教师控制GenAI生成学习内容的重要性。然而，大多数研究仅通过李克特量表题或简答题格式的调查，关注教师对仅使用ChatGPT的一般看法。它们未能提取教育导向GenAI工具开发的设计准则，也未将利益相关者定位为该类开发与整合过程的协同伙伴。Han等人（2024）的研究是一个例外，但其范围仅限于小学教育的GenAI写作工具。表8.1总结了当前该领域的文献状况。据我们所知，在所有研究中，缺乏证据表明基于参与者需求并将其作为协同设计者积极参与的GenAI系统设计曾遵循完整的人类中心设计流程。

表8.1 应用人类中心设计原则于GenAI解决方案设计的研究特征

文献	纳入教师	纳入学生	教育阶段	研究当前GenAI使用	数据收集方法	生成设计准则
Kaplan-Rakowski等人（2023）	是	否	K-12	否	调查	否
Han等人（2024）	是	是	小学	是	访谈/工作坊	是
Monteiro等人（2024）	是	否	中学	否	调查	否
Hays等人（2023）	是	否	K-12	否	调查	否
Laak和Aru（2024）	是	否	K-12	否	调查	否
Prestridge等人（2024）	是	否	中学	是	访谈	否

来源：作者自行整理。

人工智能驱动教育工具中的自主权与自动化

鉴于人类中心设计在通用型GenAI中的完整cycle应用有限，我们认为，未考虑教师教学需求的GenAI工具可能会无意中妨碍教师的自主权，因为教师不得不应对与其教学意图不一致的AI生成输出。诚然，先前研究表明，虽然ChatGPT和其他GenAI工具如今已被大多数高等教育学生使用（Xiaoyu, Zainuddin and Hai Leng, 2025），但它们限制了教师在课堂实践中的控制权（Chapwanya, 2025）。例如，如果一位教师建议学生使用ChatGPT来帮助写一篇论文，教师可能无法监控学生向聊天机器人提出了什么问题、收到了什么反馈，以及何时需要纠正这些提示或答案，从而将教师的知识/专业知识排除在学习情境之外。

尽管人类-AI自动化模型（Molenaar, 2022）最初是为讨论教育AI如何影响教师控制而引入的，但它也可以应用于理解使用GenAI系统的学习情境中不同程度的自动化。该模型阐述了教师与智能技术在教学和学习实践过程中通过六个自动化级别进行控制转换的过程（图8.1），即从“教师完全控制”（左侧）到“技术完全控制”（右侧）。将该模型投射到GenAI使用中，在第二级（教师协助），教师对学习情境（如教学方法、课程作业反馈）拥有完全控制权，GenAI工具会提出额外信息、解释、示例或文本片段供教师在课程中实施，从而改进教师现有的教学设计。在模型的第三级（部分自动化）中，教师将特定任务的部分控制权交给GenAI。例如，GenAI突出显示学生的常见错误，并向学生提供他们犯了哪些错误的概述。然后教师可以在课堂讨论中使用这个列表，并详细说明如何解决这些错误。在模型的下一个级别中，向右侧前进，AI几乎完全控制，主要独立运作。例如，像Synthesis Tutor这样的GenAI工具平台，GenAI为每个学生动态生成内容、反馈和评估，无需任何教师干预。

该模型的一个明显局限性是，它没有将教师计划、执行、反思和修改课程的整个教学cycle整合进来。该模型主要关注教学过程中执行的动作，而同样重要的是在课程设计和改进阶段考虑教师的自主权和控制权。在计划阶段，需要就排序、脚手架和与学习目标、教学任务及教学方法的对齐做出关键的教学和学习设计决策。在改进过程中，教师不断提高他们的课程。

图8.1 人类-AI自动化模型

来源：Molenaar, (2022), “Towards hybrid human‐AI learning technologies”, European Journal of Education, Vol. 57/4, pp. 632-645.

让我们考虑一个GenAI反馈工具的案例：在教学cycle期间，教师指定评估标准、要强调的反馈类型（例如，关于论证的形成性评论而非语法），以及适合其学生的回应深度或时机。基于这个教学计划，可以优化GenAI的功能。现在，通用型AI工具被嵌入到一个教学cycle中，这预决定了GenAI工具的运行方式。这允许一种劳动分工，教师保留对教学计划和GenAI功能的完全控制，而GenAI在课程实施期间以高自动化支持教师，实时为学生提交的内容生成反馈，而无需教师的直接干预。在这个场景中，教师自主权在教学的编排cycle中行使（在此语境中，编排指的是学习活动的总体管理）。这意味着教师可以根据他们的教育情境调整GenAI工具的系统要求，确保他们继续决定反馈的教学框架，而在实施期间的自动化则减少了教师的工作量并确保了一致性。

基于这些思考，上述人类-AI自动化模型可以扩展为理解教师在GenAI驱动系统中关于设计和编排决策的自主权。教师自主权不仅在课程实施期间通过AI控制来行使，也在课程设计和教学cycle期间行使。因此，我们将教师自主权概念化为两种不同形式，教师在其中充当：1）AI工具设计过程中的协同设计伙伴（例如，表达他们对界面、功能特性和工具基础设施的需求）；2）教学cycle中的协同编排伙伴，教师在其中计划、执行和反思每一堂课，并将工具有意义地应用到他们自己的教学中，例如决定教育任务如何在教师与AI之间分配。

使用设计研究方法和参与式方法开发GenAI原型

反思教师的不同自主权级别以及通用型AI工具的局限性，我们旨在探索如何支持从通用AI技术向教育导向工具的转型。本章所示的研究是一个项目的一部分，该项目解决以下研究问题：在从通用型AI工具向教育AI的转型中，我们能在多大程度上通过将教师定位为协同设计工具伙伴来增强教师的自主权？为了回答研究问题，我们遵循人类中心设计，让教师有机会表达他们对GenAI使用的需求，以及他们的教学目标和课堂实践。这种对教师输入的强调支持了GenAI作为协同设计伙伴而非一刀切的助理的发展。

本节首先介绍理解教师和学生在GenAI使用中的需求和挑战的过程，然后是基于低可信度的GenAI聊天机器人原型的构思和开发，以培养中学教师的自主权。为了确保GenAI系统满足学习和教学需求，我们遵循设计研究（Design-based Research, DBR）方法论方法（Amiel, 2008）。因此，我们将研究问题进一步分为以下子问题，在每个基于设计的研阶段加以解决（见图8.2）：

1. 教师和学生如何使用GenAI？
2. 教师和学生在使用GenAI时面临哪些局限性和挑战？
3. 教师如何看待从先前访谈中识别的GenAI工具需求？
4. 教师如何看待拟议的GenAI工具功能在其教育情境中的增值和潜在采用？

图8.2 基于设计的研究过程

注：蓝色标识已采取的步骤

来源：作者自行整理。

我们的研究设计遵循定性现象学过程（Creswell, 2013），从1）理解GenAI使用中的一般问题（问题1和2）到2）验证教师主要需求（问题3）再到3）满足这些需求的GenAI系统的低可信度原型设计（问题4）。

在第一阶段，我们对十名中学教师和十二名学生进行了面对面、半结构化、一对一的访谈。在第二阶段，我们与九名教师进行了焦点小组讨论，以反思他们使用GenAI进行中学教育的要求（如从第一阶段收集的）。这些数据收集方法的选择是为了帮助我们深入理解教师和学生在使用GenAI时的需求。最后，在第二阶段，我们还与八名教师进行了三次协同设计活动，每次根据从焦点小组收集的要求进行原型设计（见表8.4）。在第二阶段，教师根据三个不同场景处理原型，解决不同的教学时刻（即课程设计、课程实施、课后反思和评估），同时考虑教学过程的复杂性和性质。

参与者参与本研究的前提条件是先前将GenAI工具用于正式教学和学习目的。教师在将课程学习设计与他们想要的学生数据驱动信息与教学需求联系起来方面经常面临困难（Mangaroska and Giannakos, 2019）。因此，我们采用了一系列技术来更好地指导教师充当协同设计者的角色，并在此过程中为他们提供支持。例如，我们进行了访谈和焦点小组，以了解教师对现有GenAI工具的当前使用情况。此外，我们遵循Holstein、McLaren和Aleven（2019）提出的“超能力”方法，询问教师理想的GenAI工具可以支持哪些“超能力”。在协同设计活动期间，我们使用“快速约会”流程和原型模拟练习，来讨论GenAI与教师实际学习场景的相关使用。

访谈中使用的数据来源包括利益相关者关于感知到的GenAI挑战、增值和实际用例的记录、个人资料问卷的答案以及人工制品（带有附加想法的便利贴）。在焦点小组中，数据来源主要包括个人资料问卷和生成的人工制品（带有挑战和超能力的便利贴）。对收集到的数据采用归纳编码的内容分析，即从参与者的答案中得出类别。例如，我们根据参与者关于其当前GenAI使用的答案提取了以下类别：

1. GenAI替代当前学习和教学任务【替代】
2. GenAI补充当前学习和教学任务【互补性】
3. GenAI支持教师和学生的学习【学习】

第一阶段：识别当前GenAI使用情况和教师需求

教师

在初始访谈中，大多数教师（N=8）将ChatGPT报告为他们主要的GenAI工具，两名教师报告使用其他工具（如用于代码生成的Snippet或Microsoft Copilot，他们发现这些工具比ChatGPT更准确）。一半的教师（N=5）将这些工具用于课程设计（例如，用于概述课程结构），另一半在课程实施期间使用，或者让学生使用它进行学习任务，或者作为注释工具供教师评论和反思学生的答案。具体而言，大多数教师（N=8）报告使用GenAI工具进行替代目的（见表8.1，“替代”类别，A和B）来进行编排任务，例如创建以前必须手动完成的学习材料。一些教师使用GenAI工具更有效地进行教育任务（N=3），如向学生介绍GenAI工具作为支持其学习活动的学习选项（见表8.1，“互补性”类别，A和B）。最后，一些教师（N=3）将GenAI作为增强教学方法的学习工具（见表8.1，“学习”类别，A和B）。因此，教师群体代表了各种观点。

学生

大多数学生（N=9）将ChatGPT报告为他们主要的GenAI工具，其中三人报告使用其他工具

（排版出错，待整理后更新）

，如Wombo Dream和DALL-E用于生成照片和艺术作品，或Deep AI和Microsoft Copilot用于文本生成。此外，大多数学生（N=9）在家里使用GenAI准备作业，而只有三人根据老师的推荐和指导在家里或学校使用GenAI。这些工具的使用涉及广泛的主题：历史（N=4）、计算机科学（N=2）、地理（N=1）、经济学（N=1）、文学（N=1）、英语（N=1）、性教育（N=1）、物理（N=1）。与教师不同，大多数学生将GenAI描述为获取作业信息的资源（N=8，见表8.2【互补性】C、D）。

在几种情况下，GenAI被用作学生测试知识的伙伴，提供解释或练习和提高写作技能（N=4，见表8.2【学习】C、D）。与此同时，三名学生承认通过复制粘贴输出准备作业（表8.2【替代】C、D）。在这种情况下，存在认知卸载，因为AI正在取代学生以前自己完成的工作。

**表8.2 参与者使用GenAI的证据节选**

| 类别 | 参与者 | 证据节选 |

|——|——–|———|

| 【替代】A | 教师 | “我想创建17个关于’友谊’主题的问题，手动创建很耗时” |

| 【替代】B | 教师 | “我大量使用GenAI创建评估量规” |

| 【替代】C | 学生 | “我将要求添加到Deep AI，它将它们转化为文本。我只是复制粘贴结果” |

| 【替代】D | 学生 | “我用它来做作业。我知道这不是正确的方式，但我通常复制粘贴ChatGPT给我的信息” |

| 【互补性】A | 教师 | “在我的Arts课程中，我们使用许多工具进行视觉工作。我向学生展示Dall-E，并要求他们借助AI创作绘画” |

| 【互补性】B | 教师 | “更容易捕捉课程发现” |

| 【互补性】D | 学生 | “它[ChatGPT]给我比简单地在互联网上搜索更好的想法。你可以半天没有任何想法，而使用ChatGPT你立刻就有想法” |

| 【互补性】E | 学生 | “我需要为地理课做一个作业。我真的不知道该写什么，Copilot为我提供了很多信息” |

| 【学习】A | 教师 | “我正在寻找如何使用主动学习方法，了解它们是什么，这就是为什么我也使用ChatGPT来帮助我” |

| 【学习】B | 教师 | “它帮助我获得新的教学方法” |

| 【学习】C | 学生 | “我使用它来学习，因为它可以澄清很多事情。我可以更好地为考试周做准备” |

| 【学习】D | 学生 | “我将信息提示给Deep AI，它以一种帮助我提高技能的优美方式书写” |

来源：作者自行整理。

就GenAI相关的担忧而言（这可以指导新系统的设计），大多数教师（N=16）的担忧涉及学生的认知卸载及其对学习的负面影响（见表8.3，[认知卸载] A、B）。另一个GenAI缺点与对AI生成结果的过度依赖有关。许多教师（N=13）担心学生会变得过度依赖AI而不质疑结果（见表8.3，[过度依赖] A、B），以及他们自己可能也会过度依赖GenAI输出（N=7）（见表8.3，[过度依赖] C）。此外，八位教师将这种过度依赖与AI模型产生幻觉所导致的AI答案质量缺乏联系起来。再者，许多教师（N=8）担心GenAI如何影响其在教学过程中的角色和控制权。两位教师表达了对师生关系的担忧（见表8.3，[教师替代] A-C）。最后，许多教师（N=7）关心如何监控学生对GenAI的使用（见表8.3，[监控] A-C）。

反映了教师们的担忧，大多数学生（N=7）确实将GenAI描述为他们个人的”全天候教师”（表8.3，[教师替代] D、E），五位学生表示对其输出毫不质疑的信任（表8.3，[过度依赖] D）。同时，部分学生承认对GenAI使用如何影响其认知发展和作业评估持怀疑态度。具体而言，四名学生提到，使用生成式人工智能可能会阻碍他们的学习成长，因为他们倾向于直接使用其输出，而不对其进行进一步的思考或加工。

**表8.3 参与者对GenAI缺陷的看法节选**

| 类别 | 参与者 | 证据节选 |

|——|——–|———|

| 【认知卸载】A | 教师 | “我担心学生会凭空做出作业，因为他们需要非常有创意地思考超出所给内容的东西，但他们只是停留在ChatGPT给他们的内容上” |

| 【认知卸载】B | 教师 | “我担心学生已经停止思考或头脑风暴；这影响了批判性思维的发展” |

| 【认知卸载】C | 教师 | “我现在使用它的方式，包括我在内，影响了我们的表现，因为我们的技能未得到发展。你什么都不构建，别人做所有工作” |

| 【认知卸载】D | 学生 | “我认为在某些情况下你不应该使用它。有时我们完全复制一切。然后我只是认为这不聪明，因为我们变得更懒了” |

| 【过度依赖】A | 教师 | “他们[学生]不使用其他资源，毫无批判性地复制一切” |

| 【过度依赖】B | 教师 | “ChatGPT会产生幻觉，你不会意识到这一点，我们和学生都是” |

| 【过度依赖】C | 教师 | “我问我自己是否应该信任GenAI输出，还是它根本不可信？” |

| 【过度依赖】D | 学生 | “我喜欢ChatGPT，因为它是你真的不需要检查的东西。我发现它非常可靠” |

| 【教师替代】A | 教师 | “帮助！我怎样才能保证我的自主权？” |

| 【教师替代】B | 教师 | “我担心学生和教师之间会发生碰撞，因为专家被认为是ChatGPT” |

| 【教师替代】C | 教师 | “我不确定如何在AI时代培养师生关系” |

| 【教师替代】D | 学生 | “教师通常是提供信息的人。但教师并不总是有空。所以，使用ChatGPT更容易、更快” |

| 【教师替代】E | 学生 | “对我来说，它就像一位老师。你可以问你不懂的所有问题，它总是为你在那里。对我来说，这与老师基本相同” |

| 【监控】A | 教师 | “存在一个问题，你无法看到有多少是AI创建的，有多少是学生创作的” |

| 【监控】B | 教师 | “我想使用GenAI更多地跟踪学生的进步” |

| 【监控】C | 教师 | “我不知道如何检查我的学生如何使用GenAI” |

来源：作者自行整理。

## 第二阶段：需求的验证

虽然教师和学生已经确定了GenAI工具的潜在好处，例如对作业支持的有用性和效率，但访谈表明，当GenAI不是面向教学时，它可能会降低教师对学生学习进展的意识和控制能力，即在教学 cycle 期间降低教师的自主权。自主权的丧失可能会影响有效和情境化的教学，这在中小学教育中尤为重要。因此，结果有助于识别支持教师自主权的GenAI系统设计要求（见图8.3）。

**调优GenAI输出**

教师提出了控制GenAI输出的需求，以增强学生的认知技能（例如，”我担心学生已经停止思考或头脑风暴，这影响了批判性思维的发展”）。目前，学生（和教师）使用可能不会被情境化的通用型GenAI模型。因此，设想的工具应该为教师提供训练模型的机会，使用他们自己的文档，并在这些模型向学生提供响应时设置一些”控制”。例如，教师可能会增加幻觉水平以提高学生使用这些工具时的批判性思维，或控制GenAI输出的深度和时机。Han等人（2024）也提到了创建GenAI工具的需要，使教师能够通过在GenAI系统中微调选项来保持他们的能动性和控制权。

**监控GenAI使用**

跟踪学生与GenAI工具的互动是教师提出的一个重要方面，以评估这些工具是支持学习进展还是仅仅取代任务完成（例如，”我想使用GenAI更密切地跟踪学生的进展”）。学生还报告了直接复制粘贴GenAI输出的不良做法（例如，”我知道这不是正确的方式，但我通常复制粘贴ChatGPT给我的信息”）。监控学生与GenAI工具的互动可以识别潜在的知识差距，并形成教学知情干预，重新调整学习目标、课程计划和GenAI使用。因此，理想的GenAI工具应该允许教师跟踪学生与GenAI的互动，并相应地提供教学指导。

**提供可配置选项**

教师根据不同教育任务的性质，将GenAI工具用于替代和互补目的。因此一致认为，最好让教师定义他们想要的工具自主权级别。例如，一些教师可能更喜欢在学生过度使用GenAI系统时编程半自动反应；其他教师可能更喜欢收到警报，还有一些教师可能不在乎这些问题。

**图8.3 设想的教育GenAI系统概述**

注：根据收集的要求，设想的系统概览：R1：调优GenAI输出；R2：监控GenAI使用；R3：提供可配置选项。在协同设计阶段，教师提供可配置选项来自动化不同的教育任务，并根据他们的课程文档、课程等训练GenAI模型。在协同编排阶段，学生根据先前的教师配置与不同的GenAI模型（如ChatGPT模型、Copilot）进行互动，教师可以监控学生互动（即GenAI分析）并在学生进展时获得警报。

来源：作者自行整理。

## 低可信度原型

从访谈中得出的设计要求促成了在三个不同场景下开发低可信度原型（见表8.4及下文）。GenAI可以通过开发者进行微调，以更好地支持课堂使用，同时保持教师自主权。然后将此原型用于其他与更多教师的协同设计会议，以确认所提出的要求，并根据他们的偏好和需求进行修改。

在这些会议之前，原型用支持不同设计要求的虚构数据输入（例如，关于要求更多练习的学生、复制粘贴给定答案到课程作业的学生的GenAI分析）。在会议期间，教师与原型交互，模拟三个场景在不同教学时刻的情况：课程前设计配置和情境化GenAI聊天机器人；课程监控和反思从学生与聊天机器人的互动中捕获的GenAI分析；课后反思和评估学生的提交以及所采用的教学方法。

之后，要求教师完成包含封闭和开放答案问题的调查，以评估原型的整合、其有用性、其可用性以及在其常规实践中的潜在采用。

**表8.4 三种使用场景下的原型描述**

| 场景 | 用户 | 阶段 | 描述 |

|——|——|——|——|

| 1 | 教师 | 课程设计 | 原型使教师能够配置学生与聊天机器人互动时系统的行为。这包括使用文档对答案进行情境化，并根据不同教学方法配置答案，例如所需的反馈深度（例如，提供提示与直接答案）。 |

| 2 | 学生 | 课程实施 | 原型允许教师监控学生与聊天机器人之间的所有互动。原行为提供（并警报）教师关于学生的”GenAI分析”。此类GenAI分析包括学生提示的主题和频率，以及潜在的复制粘贴行为。 |

来源：作者自行整理。

## 原型的初步见解

教师积极贡献根据真实案例场景和自己的教学环境塑造原型。他们提供了关于有前景的反馈以及需要进一步完善的领域的宝贵意见。总体而言，他们的印象是积极的，协作过程突出了在教育环境中协同设计GenAI的机遇和挑战。

GenAI协同设计方法的一个关键结果是，教师希望在整个教学过程中作为协同编排伙伴与GenAI工具保持积极参与。这种协同编排通过随着时间的推移而有意识地分配劳动来实现。在课程规划和准备阶段，教师设置GenAI运行的 Pedagogical 参数，定义学习目标、教学策略和评估标准。这确保了系统的功能仍以教师的教学判断和学习者情境理解为依据。在课程实施阶段，GenAI可以执行预定义的任务，例如监控学生进展或提供适应性反馈，使教师能够将注意力转向更高级的教学责任，包括促进批判性讨论、个性化指导和情感支持。

**表8.5 原型初步见解**

| 类别 | 参与者 | 证据节选 |

|——|——–|———|

| 【洞察】A | 教师 | “它可以帮助我了解学生具体在做什么，他们在哪里可能仍然需要支持” |

| 【洞察】B | 教师 | “你可以看到学生是否可以用正确的问题掌握材料” |

| 【洞察】C | 教师 | “我认为学生在工作时更加专注，那么我也可以提供更有针对性的反馈” |

| 【个性化】A | 教师 | “通过了解学生如何使用该工具，你可以为个别学生提供更好的反馈和指导” |

| 【个性化】B | 教师 | “它提供了更好的工具来更好地辅导个别学生，或以更有针对性的方式解决学习材料中的可能误解和歧义” |

| 【自主权】A | 教师 | “它允许我监控更多个别学生，因此也可以更好地指导他们。那个工具让我成为一个更能胜任的教师” |

| 【自主权】B | 教师 | “我可以更好地控制包含GenAI的学习情境” |

| 【自主权】C | 教师 | “因为它有助于意识和目标导向使用GenAI，在受控环境中” |

| 【复杂性】A | 教师 | “虽然由于新选项并没有变得更容易，但它确实变得更好” |

| 【复杂性】B | 教师 | “它提供了关于提示和如何使用GenAI的清晰且有洞察力的概述，但同时增加了工作量” |

| 【复杂性】C | 教师 | “它为你提供了很多洞察，但同时不会让你的工作更快” |

来源：作者自行整理。

关于具体发现，虽然我们探索了三个场景，但在这里我们将只关注场景1——帮助教师监控学生与GenAI的互动。以下是已识别的发现：

– **原型可以帮助教师了解学生的进步时刻并相应调整反馈**。七位教师提到，这样的工具将通过了解学生进展、使用的方法以及他们努力的时刻来支持他们的效率。五位教师强调了个性化支持个人学生需求的附加价值。

– **原型可以增强教师的自主权和对AI的控制感**。五位教师指出，设想中的工具可以培养他们的自主权，并在包含AI的情境中增加他们的控制水平。

## 讨论

本章讨论了在设计和使用的全过程中保持教师自主权的重要性。本章展示了人类中心设计和设计研究方法如何帮助从通用型GenAI转型到教育型GenAI，突出了在开发和使用的各个阶段将利益相关者作为协同设计和协同编排伙伴纳入的必要性。人类中心设计确保教师和学生作为积极参与者参与教育技术的设计，而设计研究涉及在真实情境中的迭代开发和测试循环。

我们扩展了Molenaar（2022）提出的人类-AI自动化模型，以构建教师在教育中设计和使囲GenAI系统时的自主权框架。因此，我们区分了AI支持教育背景下教师自主权的两种关键形式。第一种涉及教师在AI工具创建过程中充当协同设计伙伴。在这一角色中，他们贡献洞察并表达对用户界面、功能特性和底层基础设施等方面的需求，确保工具与教育目标有意图地对齐。第二种形式将教师定位为整个教学 cycle 中的协同编排伙伴。在这里，教师计划、实施和反思每一堂课，同时将有意义地将AI工具整合到他们的教学实践中。这种级别的自主权使他们能够决定如何在他们自己和AI之间分配教学任务，塑造技术如何在他们自己的课堂中支持学习。我们的研究使用具体证据展示了教师和学生如何参与教育GenAI系统的设计，以及什么样的系统满足他们的期望。我们希望它能激励政策制定者和EdTech开发者和公司。

## 结论

我们扩展了Molenaar（2022）提出的人类-AI自动化模型，以构建教师在教育中设计和使用GenAI系统时的自主权框架。因此，我们区分了AI支持教育背景下教师自主权的两种关键形式。第一种涉及教师在AI工具创建过程中充当协同设计伙伴。在这一角色中，他们贡献洞察并表达对用户界面、功能特性和底层基础设施等方面的需求，确保工具与教育目标有意图地对齐。第二种形式将教师定位为整个教学 cycle 中的协同编排伙伴。在这里，教师计划、实施和反思每一堂课，同时将有意义地将AI工具整合到他们的教学实践中。这种级别的自主权使他们能够决定如何在他们自己和AI之间分配教学任务，塑造技术如何在他们自己的课堂中支持学习。我们的研究使用具体证据展示了教师和学生如何参与教育GenAI系统的设计，以及什么样的系统满足他们的期望。我们希望它能激励政策制定者和EdTech开发者和公司。

## 致谢

本章呈现的研究得到了欧盟NextGenerationEU和荷兰国家增长基金（Nationaal Groeifonds）的资助。

## 附录8.A 研究参与者人口统计描述

图8.8描绘了参加不同会议的教师的人口统计。尽管他们之前都曾在教学实践中使用过GenAI工具，但63.2%的教师报告AI能力有限，只有36.8%的教师对GenAI有足够信心。学生（N=6男，N=6女）也来自荷兰，年龄在12-14岁（N=7）和15-17岁（N=5）之间。

**图8.8 教师在第一阶段和第二阶段的性别、经验年限和课程专业知识**

来源：作者自行整理。

—

*OECD数字教育展望2026中文翻译版*

*原文来源：OECD (2026), OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education, OECD Publishing, Paris, https://doi.org/10.1787/062a7394-en*

发送评论 编辑评论

发送评论编辑评论