AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

探究共同体

创建 2026-08-23 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

探究共同体（CoI）是一个把有意义的教育经验构想为认知临场、社会临场和教学临场三者动态互动的框架。它起源于计算机中介与在线学习研究（Garrison、Anderson & Archer，2000），已成为设计、评估和研究在线与混合探究式教育最广泛使用的模型之一。在生成式人工智能时代，该框架正被重新构想：机器产出的话语可以模仿真实的临场，所以临场必须被理解为人机-GenAI 装配的社会技术成就，而非纯粹的人类活动。

值得思考的问题

  • 在一门在线课程中，什么告诉你有意义的学习确实在发生 —— 而如果它没有在发生，你如何知道？
  • 探究共同体框架命名了三种临场：认知、社会和教学。在你自己的在线经历中，哪种临场最常缺失 —— 而这对学习做了什么？
  • 如果一个 AI 聊天机器人在讨论区写出流畅、听起来共情的回复，"社会临场"算发生了吗？还是说临场是只有人类才能真正创造的东西？
  • 生成式 AI 能产出如此连贯以至于感觉明显正确的解释 —— 但连贯不等于正确。你在哪里见过"把流利误当依据"，而在探究课中你会如何防范？
  • 这个框架暗示临场是人机协同工作的"社会技术成就"，而非纯粹的人类活动。这重新框定了当一次在线讨论变浅或变好时，你问责的是谁吗？

引言

探究共同体框架把一个有价值的在线学习经验描述为三种互动的临场的产物：认知临场（学习者通过持续的反思和话语建构并确认意义）、社会临场（参与者以社会和情感方式投射自身）、以及教学临场（过程的设计、促进和引导）。它根植于建构主义和杜威传统，把探究视为社会性和迭代性的，如今充当 AI 中介课程的设计与评估透镜 —— 在那里，一个教学智能体可能支持一种临场，却悄悄侵蚀另一种。

三种临场

  • 认知临场 —— 学习者通过持续的反思和话语建构并确认意义的程度，经由实践探究模型（触发事件 → 探索 → 整合 → 解决）操作化。
  • 社会临场 —— 参与者以社会和情感方式投射自身的能力，通过情感沟通、开放沟通和群体凝聚来表达。
  • 教学临场 —— 对认知和社会过程的设计、促进和引导，以达成个人有意义且教育上有价值的结果，包括设计/组织、促进话语和直接教学。

CoI 根植于建构主义和杜威实用主义传统：探究是社会性的、迭代性的，并由一种驱动寻求解决的切身困难所推动。

CoI 作为在线教学的框架

CoI 起源于在线教学与学习，并仍与之最紧密地关联。它提供了一套诊断一个在线课程为什么成功或失败的词汇：异步课程中低的参与和孤立，通常是社会和教学临场的失败，而表面的讨论常反映弱的认知临场。这使 CoI 成为对在线媒介所创造的条件的实用设计透镜 —— 物理共处的移除、刻意共同体建设的需要，以及替代面对面接触的讨论结构化。在生成式人工智能时代，CoI 也是在线教师直面最难的新问题之处：当大语言模型（LLM）智能体发帖、主持或回应时，谁"在场"，以及在机器生成的话语能模仿它们时如何保持三种临场有意义。因此，本知识库的在线教学页面把探究共同体当作其推荐实践中社会临场与共同体建设这一线的核心框架。

生成式 AI 压力下的 CoI

生成式 AI 动摇了"临场的指标可主要归因于人类学习者和教师"这一假设（见Ba、Gašević、Lim & Anderson）。它可以：

  • 抬高认知临场 —— 流畅的机器生成解释加速意义建构，但在连贯被误当为依据时冒着过早闭合的风险。
  • 模仿社会临场 —— 机器产出的话语能以高语言可信度类似共情和回应，使关系问责复杂化。
  • 重新分配教学临场 —— 设计、促进和直接教学变成分布式的成就，教师示范如何追问生成输出并识别幻觉引文。

实证网络证据现在位于这些主张之下：在一项准实验中，63 名中国本科生（33 名有、30 名无 GPT-4o mini 聊天机器人）在 CollaboRead 上对共享阅读材料做批注，跨五个每周任务，认识网络分析显示，有辅助的班把社会临场绑到整合与解决，而对照班把社会临场绑到触发与探索（X 轴 U = 25.00，p = 0.01，r = 1.00；Y 轴 U = 13.00，p = 1.00，r = 0.04），且有辅助的班自陈认知和情感参与更高。随后临场在条件内部而非条件之间分开：高成就组在 2319 条批注中发起了 1407 次反馈请求（60.7%），而低成就组在 2167 条中只有 737 次（34.0%），后者停留在自我指涉的循环中，且微弱地利用了脚手架（Pan 等，2026）。

与其说生成式 AI 是一个工具、一个对话伙伴，或一个投机性的"第四临场"，它最好被理解为一个认识条件 —— 一种普遍的影响，通过可见输出和不可见的训练数据、算法与平台逻辑，重新配置临场如何被践行、解释、证据化和治理。

该框架自身的作者为这一条件提供了一个角色分类法：Stenbom 与 Garrison（2026）把 AI 安置为学习设计支持、独立的学习者资源、经由分析的教师支持功能、共同体成员和持续的对话伙伴，并提议共享的元认知—— 自我和共同调节 —— 作为让学习者持续审计 AI 输出的东西。

实践启示

  • 生成式 AI 参与与探究质量之间的关系以人类问责为条件，而非线性的：当问责强时，无论生成式 AI 参与高低都可有强临场；当问责弱时，两者皆可有弱临场。
  • 对探究的评估应从打磨过的最终产物转向过程敏感的证据 —— 提示与修订痕迹、披露和归属实践、核验动作和互动日志。这与本知识库朝向真实、过程显现评估、远离基于检测的应对的整体转向一致。
  • 在教学上，学习者常需要显式训练（例如，带脚本角色和生成式 AI 决策点的基于模拟的练习）才能在生成式 AI 条件下维持真实的探究 —— 而教师应示范如何追问生成输出，这取决于建立AI 素养、批判性评价和校准的信任。

关联概念

关联文章

相关常见问题

元数据

层次Higher Ed
学习与教学在线教学与学习, 教学法与教学策略
技术与方法生成式人工智能
教育中的人工智能基础批判性思维
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。