人工智能教育實踐的上海樣本③ | 生成式人工智能賦能個性化導學重構：機制轉變與應用創新

“區域及學校教育數字化發展 ”

是《中國信息技術教育》雜志

2026年關注重點之一

我們將以專業的視角

展示數字化賦能區域教育優質均衡發展

呈現數字化賦能學校教育教學創新變革

2026開年，我們聚焦

“人工智能助力基礎教育變革的上海樣本”

2026年 第05期

如何推動人工智能教育高質量發展？

作為全國首個“教育數字化轉型試點區”，上海在這一領域走在全國前列。 “人工智能助力基礎教育變革的上海樣本”專題，將從頂層設計、實驗區探索、學校形態等視角，系統呈現上海人工智能教育實踐，以期為全國人工智能教育的發展提供有益經驗與啟示。

生成式人工智能賦能個性化導學重構：機制轉變與應用創新

劉桐

上海外國語大學新聞傳播學院

顧小清

華東師范大學教育信息技術學系

上海數字化教育裝備工程技術研究中心

姜冰倩

華東師范大學教育信息技術學系

上海數字化教育裝備工程技術研究中心

隨著生成式人工智能（GAI）的快速發展，個性化導學正經歷由規則驅動、模板化設計到生成驅動、動態適配的深刻轉型。傳統個性化導學依托靜態知識庫與預設策略，在標準化任務中表現穩定，但在開放性情境、跨領域知識整合與學習動機激發方面存在明顯局限。

本文基于個性化導學系統的四模型結構——領域模型、學生模型、教學模型與交互模型，分析了GAI技術在知識網絡構建與動態更新、情境化學生狀態追蹤、生成式教學策略設計以及多模態沉浸式交互等方面的賦能路徑，并由此提出了三種具代表性的應用形態——虛擬助手模式、成長陪伴模式與人智共創模式，以期為生成式人工智能在教育領域的合理應用提供理論參考與實踐啟示。

引言

近年來，個性化導學被視為實現大規模“因材施教”的重要途徑，其核心功能依賴于學習者建模、個性教學策略與交互優化等技術。然而，個性化導學長期以來多依托預設規則或靜態知識庫，它在應對標準化任務時雖然表現穩定，但在開放性學習情境中常顯不足。特別是在內容生產、情境適配與跨領域知識整合方面，傳統個性化導學存在明顯局限。與此同時，生成式人工智能（Generative Artificial Intelligence，GAI）的快速發展，為個性化導學帶來了新的可能。GAI能夠基于海量數據與強大的生成模型，實現內容即時生成、情境化適配與多模態交互，這樣既有可能突破個性化導學的技術瓶頸，也將深刻重塑學習支持的模式與理念。

本文旨在探討GAI技術對個性化導學的深層影響。具體而言就是，以個性化導學系統的“四模型”為分析基礎，剖析GAI在各模塊中的賦能路徑，由此提出面向未來的人機協同導學范式與設計建議，以期為GAI在教育中的合理應用提供理論參考與實踐啟示。

個性化導學系統的核心概念

經典的個性化導學系統通常由四個核心模型構成（如右圖），即領域模型、學生模型、教學模型與交互模型。這四個模型在系統中各司其職，同時又相互作用，形成完整的教學決策與交互閉環。

領域模型是個性化導學系統的知識核心，負責存儲和組織特定學科領域的知識點、概念結構、技能要求以及相關資源。在傳統系統中，領域模型多通過專家人工構建或基于教材內容抽取而成，優點是內容權威且結構嚴謹，但存在知識更新周期長、覆蓋面受限的問題。

學生模型用于刻畫學習者的個體特征、學習狀態與發展軌跡，是實現個性化教學的關鍵模塊。它通常包含學習者的知識掌握程度、錯誤模式、學習速度、興趣偏好等信息，甚至還會引入情感、動機等非認知特征，以更全面地反映學習者的狀態。

教學模型是個性化導學系統的“決策中樞”，負責根據領域模型和學生模型提供的輸入，選擇、組合并執行最適合當前學習者的教學策略。在傳統架構中，教學模型多采用基于規則的策略引擎，能夠在標準化任務中穩定運行，但在開放性任務和動態情境中往往表現出適應性不足。

交互模型是連接學習者與系統的接口，負責設計和實現人機交互的方式與內容呈現形式。傳統交互模型主要依賴文本輸入、菜單選擇等模式，功能相對有限，難以支持多模態交互和高參與度的學習體驗。

GAI賦能個性化導學機制重構

隨著GAI技術的廣泛應用，個性化導學系統正呈現出以智能體（Agent）為核心的發展形態。這類系統不再嚴格依賴傳統的“四模型”以顯性、模塊化的方式分別構建，而是將領域知識、學生建模、教學策略與交互功能深度整合到一個可持續學習、持續優化的智能體之中。通過引入大語言模型，智能體具備了“思考引擎”的屬性，可在與學習者的實時交互中，不斷更新自身的領域知識網絡，細化和修正學生畫像，優化教學策略，并動態調整交互方式，實現系統的自我進化。

1.領域適應：走向動態知識網絡

傳統的個性化導學系統創建過程一般以領域模型構建為起始點，采用概率模型預測學生學習狀態，由此推薦相關學習資源。構建領域模型的關鍵是建立已有知識、題目、視頻等資源之間的語義關聯。在這一過程中，領域模型構建通常由學科專家與開發團隊共同編制知識點清單、概念關聯、題庫和案例庫，需要通過人工知識編碼、概念圖繪制、關系數據庫錄入等方式實現。

而利用大語言模型的語義解析能力，現有個性化導學系統可從教材、學術論文、在線課程等多源文本中識別核心概念、屬性和上下位關系，并結合實體鏈接技術將同義、近義及跨語境的概念進行歸并，從而構建覆蓋面廣、語義一致性高的知識節點集合。在此基礎上，進一步生成多層級、多關系的關聯邊，包括先修依賴關系、概念蘊含關系、應用情境關聯等，并通過概率推斷和圖結構優化確保知識圖譜的連貫性與可擴展性。此外，還可借助多模態生成模型，為知識圖譜的每一節點配備相應的圖像、動畫或模擬實驗鏈接，實現視覺與文本的雙重表征，增強其教學可用性。

同時，針對個性化導學中的知識更新和信息增量，如新教材、科研成果、學習者交互日志等，可通過GAI技術以增量式語義解析與關系抽取方式，將新知識自動嵌入現有圖譜結構中。

2.語義理解：情境追蹤學生狀態

在個性化導學機制中，洞察學生狀態是提供精準支持的前提。在傳統做法中，研究者通常通過對已有學習者行為數據的分析，建立反映知識掌握度、錯誤類型和學習速度的參數化模型，常見方法包括貝葉斯知識追蹤與規則推理機制。這類方法能夠較好地刻畫學生在特定知識點上的掌握變化，但對學習過程中的情境因素捕捉不足，難以反映學習者在不同任務、不同交互環境下的狀態差異。

借助GAI技術，學生模型的構建可以突破單一的答題日志分析，能夠直接處理包括作業文本、口語錄音、課堂對話甚至面部表情視頻等在內的多模態數據，并結合情境語義分析實現狀態追蹤。系統可通過大語言模型對交互過程進行上下文解析，識別任務背景、學習目標與學生所處的認知階段，再結合學習者在當前情境下的行為模式（如答題路徑、提問方式、反應延遲等），推斷其理解深度、策略選擇和情感傾向。

3.啟發教學：引導走向深度學習

在精準預估學生狀態的基礎上，系統可基于教學理論與專家經驗，人工設定策略規則，如“若某知識點錯誤率超過一定閾值，則推送強化訓練模塊”。這種規則驅動的教學策略在標準化任務環境中具有較高的可控性和穩定性，但在面對學習者多樣化的認知特點、情感狀態和學習目標時，靈活性和覆蓋面不足。

在教學模型構建中，GAI的生成能力顯著降低了策略設計的門檻，使策略從人工編寫的大規模規則集合，轉向由生成模型驅動的即時生成與動態調控。借助GAI技術，系統能夠根據學生模型的即時信息（如知識掌握曲線、策略使用偏好、情緒變化）與既定的教學目標，自動生成差異化的策略方案。例如，它能夠為知識掌握薄弱的學習者設計循序漸進、由淺入深的問題鏈，引導其構建穩固的知識框架；能夠為動機不足的學習者生成貼近興趣主題的探究任務，提升其學習投入度；在跨文化環境中，能夠生成符合目標語言習慣與認知節奏的教學話術，降低語言與文化障礙帶來的認知負荷。

4.優化體驗：多模態沉浸式交互

在個性化導學系統中，交互模型是學習者感知系統功能的直接界面。傳統系統多依賴前端設計工具等技術實現界面交互，呈現形式以固定模板、菜單選擇、填空答題及預設反饋為主，它雖然在信息傳遞的準確性與可控性上表現穩定，但缺乏自然性與情境適配性，難以充分激發學習者的參與感與探究動機。GAI的引入，使交互模式由指令式、反應式轉向自然化、多模態化與生成化，顯著拉近了系統與人類導師式互動體驗的距離。

借助大語言模型的上下文理解與對話生成能力，學習者可以以接近日常交流的自然語言與系統進行多輪對話，無需遵循嚴格指令格式，從而降低使用門檻并增強沉浸感。當與多模態生成技術結合后，系統能夠在文字、語音、圖像、視頻等媒介之間靈活切換與融合，如在講解幾何定理時同步生成動態示意圖與口頭講解，在外語口語訓練中利用虛擬人物進行實時對話，并即時糾正發音。這種多模態呈現不僅豐富了學習體驗，還更好地契合了不同學習風格與感官偏好。

GAI賦能的個性化導學應用模式

1.虛擬助手模式

虛擬助手模式可為學習者提供即時、精準且上下文相關的學術支持，其核心是依托GAI實現對學習者需求的快速響應與任務生成。不同于傳統依賴固定題庫和預設規則的智能導學系統，GAI驅動的虛擬助手可在獲取學習者的歷史記錄、即時表現及多模態行為數據后，動態生成符合認知水平、興趣偏好與學習目標的學習任務鏈與反饋內容。例如，在數學學習中，系統可基于學習者錯誤模式生成帶有現實應用情境的問題；在語言學習中，則可在對話訓練中動態引入學習者熟悉的文化元素以增強參與度。

2.成長陪伴模式

成長陪伴模式強調導學系統在較長時間跨度內與學習者建立連續、動態的互動關系，不僅關注短期任務完成，更注重學習習慣、策略與自我調節能力的培養。GAI在該模式中不僅承擔信息與任務生成的功能，還通過情感計算與多模態交互實現心理支持與動機激發。例如，系統可在學習者遇到挫折時生成鼓勵性反饋，并結合學習目標重構任務路徑；在階段性評估后，它以敘事化的方式呈現學習進步軌跡，讓學習者對自身成長有清晰感知。與傳統導學系統單一的成績反饋不同，成長陪伴模式利用GAI的語義生成與故事化表達能力，將學習過程轉化為個性化的成長敘事。

3.人智共創模式

人智共創模式強調人類學習者與人工智能在學習與創造過程中的平等協作，形成知識構建與創新成果的共同生產。在該模式下，GAI不僅是輔助工具，更是與學習者共同思考、推演與創造的伙伴，參與從問題識別、方案設計到成果產出的全鏈條過程。例如，在科學探究中，系統可與學習者共同設計實驗方案，生成不同條件下的模擬數據，并協同分析結果以優化實驗設計；在人文學科中，系統可與學習者共同構建歷史事件的多視角敘事，模擬不同立場的辯論情境，推動深度反思與跨文化理解；在藝術與設計領域，系統可與學習者一同迭代創意作品，從草圖生成、風格遷移到三維建模，持續提供靈感與多元化的改進建議。該模式的核心價值在于發揮“人”的創造力與批判性思維優勢，以及“智”的知識整合與生成能力，實現認知拓展與跨領域創新的協同提升。

4.群智協作模式

群智協作模式強調多智能體之間的分工協作與群體智慧的形成，以支持復雜、開放和跨學科的個性化導學任務。在該模式下，GAI不再局限于單一智能體的響應與輔助，而是通過多個具備不同功能的智能體在統一環境中協同工作，共同完成從知識講解、學習規劃到作業批改與情緒支持的全鏈條過程。這種模式通過任務分解、信息共享與結果仲裁，實現了教學支持的多維化與穩健性。例如，在跨學科項目學習中，知識講解智能體提供學科背景與關鍵概念，學習規劃智能體根據學生畫像生成任務鏈，作業批改智能體對學生成果進行自動化評價，情緒支持智能體則在過程中給予激勵性反饋，最終由治理智能體對各方意見進行整合，從而形成完整的“虛擬教師團隊”。

總結與展望

GAI技術的興起不僅為個性化導學系統注入了前所未有的生成能力與適配性，也正在推動其機制與應用形態的系統性重構。GAI技術打破了傳統四模型架構在知識更新、學生建模、策略設計與交互體驗上的邊界，使系統能夠在運行中實現持續學習與自我優化。

然而，GAI賦能并非無條件的技術紅利。生成內容的準確性與可驗證性、學生數據的安全與隱私保護、算法過程的可解釋性，以及技術使用過程中的公平性與可及性，都是未來必須正視的問題。為此，個性化導學系統的設計需在技術創新與教育倫理之間找到平衡點，構建多層次質量控制與風險防范機制，并引入人類教師在關鍵環節的監督與引導。

本文作者：

劉桐

上海外國語大學新聞傳播學院

顧小清

華東師范大學教育信息技術學系

上海數字化教育裝備工程技術研究中心

姜冰倩

華東師范大學教育信息技術學系

上海數字化教育裝備工程技術研究中心

文章刊登于《中國信息技術教育》2026年第05期

引用請注明參考文獻：

劉桐，顧小清，姜冰倩.生成式人工智能賦能個性化導學重構：機制轉變與應用創新[J].中國信息技術教育，2026（05）：5-9.

歡迎訂閱

識別上方二維碼訂閱紙質版或電子版雜志