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

教育机器人（Robots in Education）

创建 2026-08-13 · 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。

教育机器人 — 把实体或仿真机器人用作教学与学习工具的实践。教育机器人的范围很广：从教授计算思维和编程的可编程套件，到能辅导、讲故事、示范手语或排练社交技能的社交辅助型和人形机器人。它因培养问题解决、批判性思维、创造力与 STEAM 参与而受重视，也因通过具身互动把抽象的计算概念变得可触而受重视。本知识库的机器人语料涵盖融入课程的编程、由 LLM 驱动的对话式导师、社交辅助的讲故事机器人，以及用于社会情感学习的角色扮演。它由两个密切相关的领域支撑（已被本页吸收）：社交机器人（为社交互动与关系建构而设计的机器人）和人机交互（HRI）（研究人们如何感知、信任机器人并与之共同学习）。

值得思考的问题

  • 课堂里的机器人增添了屏幕聊天机器人无法提供的具身社会临场感。你认为机器人的实体身体和社交线索会怎样改变学生的学习、信任与参与——又可能让他们从什么上分心？
  • 社交机器人用类人的言语、手势和个性来教学、讲故事或排练社交技能。一个看起来和行动起来都像人的机器人天生就更利于学习吗？还是说这种社会临场感会带来纯软件工具没有的风险（错误信息、过度依赖、隐私）？
  • LLM 如今让社交机器人能流利对话。如果一个机器人能像导师一样交谈，还有哪些东西取决于它的实体具身——在哪里，加一具"身体"对学习真正重要，而非只是新鲜感？
  • 回想一次你通过亲手操作物体、或看到自己的行动产生可见结果而学到东西的经历。编程一个实体机器人，与在屏幕上写代码相比，可能如何更有效地把抽象概念（如程序逻辑）落到实处？

引言

教育机器人是AI 教育中一个独立但密切相关的应用。不同于纯软件的智能导学或大语言模型（LLM）聊天机器人，机器人增添了一种具身且往往社交的临场感——一个学习者看得见、摸得着、并且（日益）能与之对话的实体能动体。这种具身性是其教学法价值的核心：它把抽象的程序逻辑锚定在可观察的行为中，并能支持 disembodied 系统无法做到的关系建构和情感投入。

证据比工作量所暗示的要薄：一项关于 AI 与机器人教育的综述发现，多数实证研究涉及 13 岁以下学习者、时长不超过四周，集中在少数早期投入的国家，学习表现是研究最多的结果，而伦理、公平和政策落后于部署（White 与 Wu（2026））。

社交机器人与人机交互

有两个脉络塑造了机器人教育的社交面。

社交机器人是为通过社交互动与人交往而设计的机器人，使用言语、手势、面部表情和个性等类人线索来交流、教学、协助或陪伴。在教育中，社交机器人（如 iCub、Pepper、Reachy 等人形机器人和陪伴机器人）用于辅导、讲故事、角色扮演、语言支持和学习陪伴。它们的社会临场感是与基于软件的AI 智能体的关键区别，使关系建构和情感投入成为可能。大语言模型的进步极大扩展了社交机器人能说和能做的范围，实现了流畅、自适应的对话式辅导——同时也引入了错误信息、过度依赖和隐私侵犯等风险，从而推动了知识驱动的设计方法。

**人机交互（HRI）**是一门跨学科研究，研究人与机器人如何互动，涵盖感知、交流、协作以及这种互动的社会、认知和伦理动力学。在教育中，HRI 支撑学习者如何感知、信任机器人并与之共同学习——无论是给机器人编程、与辅导机器人对话，还是排练社交场景。HRI 研究考察机器人外观、行为、任务情境和具身性如何塑造用户体验、信任、能动性和学习。教育 HRI 的关键关切包括保全人类学习者自主性、建立信任、支持自我效能，以及确保与机器人的互动支持而非削弱自主性和社会学习。它把机器人连接到人机协作和社会情感学习。

机器人在教育中如何使用

Christ 等（2026）提供的是一种角色类型学而非技术清单：他们从工作坊衍生的五种课堂机器人类型，区别在于教学法功能和抽象层级，而非硬件。类型 a 运行对通用社交模式的非交互式演示（脚本化的情绪剧场，随后讨论升级或误解等动态）；类型 b 是一个触感反应式的交互式机器人，支持参与式肢体剧场、具身学习、边界意识和情绪调节；类型 c 是一个口语伙伴，能表达共情并记住与单个学生的互动，为自我表露创造一个受保护的一对一环境；类型 d 由隐藏专家像多自由度木偶一样外部操控，旨在拉平社会等级；类型 e 是一个非交互式机器人，重演学校中最近观察到的行为，让学生反思情境化行为——它与类型 a 的对比恰在于其情境特定而非泛化的抽象。该类型学明确声明自己是一个未经验证、源于单一全国性心理健康项目的设计空间，因此它是设计和评估机器人角色的菜单，而非它们任何之一有效的证据。

  • 计算思维与编程： 可编程机器人（如 LEGO、基于积木的平台）帮助学习者把代码与真实结果联系起来。Valls i Pou把计算思维与中学 STEAM 课程联系起来，RoboBlockly Studio把积木编程与对话式 AI智能体和具身机器人反馈结合起来。EduSim-LLM让初学者用自然语言控制仿真机器人。
  • 辅导与知识传授： 知识驱动设计研究和Teachy Mini开发了辅导高等教育学生的、由 LLM 驱动的生成式社交机器人，应对错误信息和过度依赖等风险。关于信任的研究表明，机器人做什么（任务情境）比其外观更能塑造学习者信任，教学任务期间信任最高。
  • 讲故事与参与： MotiBo和RoboBuddy用交互式、由 LLM 驱动的社交机器人讲故事以提升动机和参与，而iCub 叙事 HRI 研究探索人类与人形机器人之间的共创式讲故事。
  • 社会情感学习与包容： REMind用机器人中介的角色扮演来排练反霸凌旁观者干预，关于 Pepper 机器人的工作探索支持聋学习者的机器人手语交流。一项范围综述梳理了 Pepper 在正规教育中的使用。
  • 自主与能动性： 一项系统综述综合了 HRI 如何影响人类自主性和能动感，把设计框架与监管要求（EU AI Act、IEEE 伦理对齐设计）连接起来。作为学习陪伴的社交机器人和创意写作中的机器人—LLM 整合进一步探索了机器人的角色。
  • 基于项目与基于游戏的方法： Bots and Blocks展示了一个基于项目的机器人课程，一项系统综述比较了机器人教育中基于游戏的学习与游戏化。
  • 完整机器人工作流中的强化学习与 sim-to-real。 Dong、Cao 与 Wang（2026）把一个端到端的研究型机器人工作流——组装、电路检查、基于仿真的策略训练和实体部署——转化为一门高中课程，建在一个开源人形机器人（ToddlerBot，报告零件成本低于 6,000 美元）上，共八次三小时课程。两人共用一台机器人，先在模拟中训练一个行走策略再部署到硬件，安全门（行走前必须通过的站立测试）使依赖顺序可见。由于共享工件奖励的是团队而非个人，框架把机器人表现与个人理解分开：学生轮换角色，每个检查点各自提交单独的预测与解释，被支持的步骤明确不被当作概念掌握的证据——这是作者的警告：通过机器人里程碑不等于理解它。
  • 竞赛机器人是一个生态问题，而非套件问题。 Jacobson 等（2026）认为 K–12 机器人教育的约束条件不在课程或硬件，而在持续的本地技术指导，且这种指导在地理上分布不均：在印第安纳州，FIRST LEGO League 的参与在 2020 年远程赛季崩塌，城市参与逐步恢复，农村参与没有恢复，直到 2025–2026 仍接近其 2020 年后的水平。他们的 ARC 框架把指导力做成被工程化的对象——大学开设带学分课程，培养本科生作为附近队伍的工坊导师，成熟的学校项目成为次级枢纽，其有经验的学生成为更多学校的同伴导师，从而通过自我强化的循环把覆盖范围传播到任何大学的招生区之外。一项单校试验创建了三支农村 FLL 队伍，并把本科生的社区连接感从 1.86 提高到 4.00（五分制上任何测量项中最大的变化，高于技术概念教学信心的 +1.29），而对印第安纳州 1,925 所公立学校的空间显式马尔可夫模拟预测，在温和假设下 40 年后有 992 所学校项目，无 ARC 则为 161。证据处于可行性层面——七名导师和四名家长、回顾性自报、无对照组——但这一框架可迁移到任何机器人项目：能否规模化的是指导能力和枢纽地理，而非机器人（Teaching AI, Robotics, & Community: A Hubs-Based K-12 Education Framework for Reaching Rural Schools）。
  • 儿童发展与低龄学习者： AI 玩具与儿童发展把镜头转向早期童年的商业 AI 玩具，考察 AI 玩具如何影响儿童发展和游戏。这把教育机器人从课堂机器人扩展到孩子在家接触的消费级玩具，提出关于游戏中的智能体、信任校准、学习者自主性以及最小学习者的幸福感（Well-Being）的问题——这是一个设计指导比学龄机器人课程更薄的领域。
  • 学前AI 素养中的有形编码与社交机器人。 Lee（2026）把无插电游戏、有形编码（Bee-Bot、Ozobot）和与社交 AI 机器人的引导式对话整合进学前和幼儿园的 Play With AI（PL-AI）课程。该基于设计的研究记录了这些具身、有形的机器人活动如何支持儿童对 AI 概念的新兴推理，提出四项设计原则——具身游戏、有形编码、引导式对话和教师协同设计——为早期童年机器人和 AI 教育提供了发展适切的模型。
  • 面向低龄学习者的两种范式：编码机器人与生成式社交机器人。 Yang、Li 与 Lee（2025）把早期童年机器人框定为两种教学法范式的配对，各有不同的理论基础。编码机器人（Bee-Bot、KIBO、Matatalab）源自 Papert 的 LOGO，体现建构主义——儿童通过制作来学习，通过有形编程建构计算思维。生成式社交机器人由生成式 AI驱动，以社会建构主义为基础，充当对话伙伴或导师，在儿童的最近发展区内支架学习并支持社会情感发展。他们把两种机器人类型融入项目路径的五步创意项目路径，让教师保持为引导者，引导儿童—机器人互动、平衡自动化与创造力、保全儿童学习者自主性。
  • 幼儿园 CT 机器人实际做什么。 一项对 53 项研究的系统综述发现，基于问题的学习、讲故事和支架是最常用的策略，多数研究未指明任何 CT 框架，并使用临时评估工具而非 TechCheck-K 等经过验证的量表（Tsingidou 与 Sapounidis（2026））。

具身与教学法

一个定义性主题是：机器人只有在支持真实学习目标时才有效——而不是作为孤立的技术练习。一个与笔记本 ChatGPT 连用、可随时求助的桌面机器人投影仪虽在短期内拉平了成绩（6.7 对 7.3/10，p = .41），但在撤去帮助后保住了分数（7.0 对 4.4/10，p = .003），短期迁移分数高出 60%——这是一个依赖于任务的增益，作者归因于空间共置而非一般性替代（Orlando 等（2026））。机器人的价值取决于教学法情境：教授计算思维（计算思维）、支持STEAM、培养编程技能、激励学习者（动机、参与），或支持社会情感学习和包容。机器人教育还连接到基于项目的学习（Project-Based Learning）、游戏化学习和体验式学习。关键设计考量包括保全学习者学习者自主性、建立信任、支持自我效能，以及把学习锚定在具身互动中。在语言学习中，元分析证据指向具身机器人辅助语言学习的有效性。

  • 通往学习 AI 驱动机器人的路径。 一项质性研究考察机器人 + AI 课程中的高中生，发现学习通过真实世界实践、设计和好玩的创意表达发生（建构主义、认识论多元主义视角）。

关联概念

关联文章

相关常见问题

元数据

学科Stem Education, Cs Education
层次K 12, Higher Ed
学习与教学具身学习
技术与方法教育机器人（Robots in Education）
教育中的人工智能基础计算思维
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。