ICAP 框架

本页是英文页面的机器翻译，尚未经母语者审校。

ICAP 框架（Interactive–Constructive–Active–Passive，互动—建构—主动—被动） —— 由 Michelene Chi 发展的一种认知投入分类学，把学习者行为划分为四种知识变化模式，按认知投入从低到高排列：被动、主动、建构与互动。在人工智能教育中，ICAP 既提供一个设计目标（构建引出建构性与互动性投入、而非被动消费的工具），也提供一个评估透镜（测量学习者与 AI 系统是否真的处于较高的模式）。（Systematic Review of Collaborative Learning Activities for Promoting AI Literacy）（Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents）

值得思考的问题

• 想想上一次你通过看视频或阅读"学到"某样东西的时候。ICAP 框架会称那为被动。与向他人解释相比，你从被动接触中真正保留了什么？
• ICAP 把投入从被动排到主动、再到建构、再到互动。你用过的 AI 工具倾向于把学习者放在哪一层——而点击完成自适应练习算不算真正的投入，还是只是活动？
• 本页主张最有后果的转变是从主动到建构——生成解释或新的造物，而不只是应用知识。为什么产出某种新的东西，可能是真正改变理解的那一步？
• 一项研究发现，人类专家在标注投入水平上远超 AI 模型。如果自动化系统系统性地低估投入，我们应当如何看待由 AI 生成的"投入"指标？
• ICAP 表明，替你作答的工具让你停留在被动，而提示与提问的工具把你推向建构与互动性投入。你会为你的学习者做哪种设计选择？
• 这个框架既被用作设计目标也被用作评估透镜。你会如何在自己的教学或设计中使用 ICAP，来判断学习者是真正投入而不只是主动？

引言

ICAP 立足于一个假设：学习者做什么决定了他们学到多少、学到什么。Chi 的框架主张，随着投入从被动到主动、到建构、再到互动，知识变化的性质也在深化——从存储，到注意，到把新知识与先前知识整合，到通过对话共同创造知识。这使 ICAP 成为分析 AI 教育的有力工具，因为这里的核心设计问题是 AI 辅助究竟是支持还是取代了学习者的认知投入。

四种模式

模式	学习者行为	知识变化的性质
互动	与另一位学习者或代理对话，共同建构意义；例如为一个立场辩护、协作问题解决	通过联合而互惠的活动共同创造新知识
建构	生成超出所给内容的新输出；例如自我解释、比较、反思、画图	把新信息与先前知识整合，以产生新的理解
主动	操作或作用于材料；例如记笔记、划线、停下来思考	注意并存储信息，有时并无深层整合
被动	在无外显动作的情况下接收信息；例如听讲座、阅读	存储信息，后续加工有限

AI 教育中的 ICAP

AI 工具的设计目标

ICAP 重构了 AI 教育的核心设计问题：一个替学习者作答的 AI 工具使他们停留在被动/主动模式，而一个*提示、提问并搭支架*的工具则能把学习者推向建构性与互动性投入。这使 ICAP 与建构主义教学法和主动学习研究一致。（Multimodal Learning with Generative AI）（Systematic Review of Collaborative Learning Activities for Promoting AI Literacy）

AI 代理的评估透镜

ICAP 同时充当一个测量框架。在一项研究中，研究者把 ICAP 扩展为 7 点量表，以刻画协作对话中的认知投入，随后把训练有素的人工标注者与基于 LLM 的标注（上下文学习、零样本提示与反思性代理）作比较。人类评分者间信度（kappa = 0.906–0.998）远超 LLM 标注（kappa = 0.541–0.609），凸显了 ICAP 在学习分析流水线的自动化投入测量中的作用——以及当前限度。（Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents）

引导协作对话的促成

由于互动投入是最高的 ICAP 模式，该框架有助于定位 AI 促成在在线协作讨论中的价值。关于 LLM 促成时机的研究表明，AI 在讨论中何时介入，塑造了它是支持还是打断了互动的知识共建——这是一个 ICAP 式的告诫：自主的调节代理需要向类似人类的克制校准，而非急于促成。

ICAP 与学习分析设计

ICAP 支撑着对浅层"投入"指标的批评：通过点击过滤器与仪表盘互动是主动而非互动的投入。有效的学习分析设计引出自我评估与双向对话，而非仅仅展示数据——这是直接从 Chi 的框架得出的推论。（Interactive learning dashboards: rethinking learning visualisations as engagement tools）

主动→建构的转变作为关键一步

尽管 ICAP 描述的是一个层级，对学习最有后果的转变却是从主动到建构模式的跃迁（Chi & Boucher，2023）。主动投入（把知识应用到相似但非相同的情境）让学习者有所准备，但正是建构性投入——生成解释、摘要或新造物——使他们能够创造新知识。这是 AI 教育的要害：一个把学习者留在主动模式的工具（例如点击完成自适应练习）可能看起来高效，却从不把他们推入产出持久理解的建构性生成。刻意把主动→建构跃迁搭起支架来的协作性与读写聚焦干预，往往显示出最强的增益。（Systematic Review of Collaborative Learning Activities for Promoting AI Literacy）

ICAP 作为 ITS 中的自适应支架信号

ICAP 的模式可以被操作化为目标状态，一个自适应导师可据以基于演进中的学生模型来选择、为认知投入搭建支架。在一个逻辑 ITS 中，Dey Tithi 等在主动的"引导"解题示例模式与建构的"错解"示例模式之间动态选择。在 113 名学生上把贝叶斯知识追踪（BKT）与深度强化学习（DRL）及非自适应基线作比较，两种自适应策略都改善了后测表现——但方式有别：BKT 给先前知识低的学生带来最大增益（帮助他们赶上），而 DRL 在先前知识高的学生中产生最高后测分数。这具体证明了：有效个性化智能导师的 ICAP 模式，取决于对学习者当前知识的建模——且没有任何单一模式或自适应方法适合每一位学习者。这直接把 ICAP 层级连接到自适应学习与知识追踪设计。

ICAP 作为生成类人代理的认知状态模型

在选择任务模式之外，ICAP 还被直接嵌入一个生成式教育代理的认知模型之中。CogEvolution构建了一个基于 ICAP 的"认知深度感知器"，把输入映射为跨四种 ICAP 水平的概率分布，并将它与受进化启发的状态更新及项目反应理论记忆检索融合，以模拟学生的认知演化（包括困惑 → 顿悟之类的转变）。消融实验显示，移除 ICAP 感知模块会使代理区分浅层与深层学习的能力崩塌——这是 ICAP 分类学可以作为学生模拟中细粒度、内部认知投入测量的证据，而不只是一个外部评估透镜。

ICAP 锚定反思性 GenAI 互动的评估

ICAP 对生成性、过程层面投入的强调，已被那些评估学生如何与生成式 AI 学习的评估框架所采纳。DRIVE 框架明确把它的核心构念——与 GenAI 输出的深度反思性互动——与 ICAP 所识别的那类导向更深学习的生成性投入对齐，并用它来区分对 AI 生成内容的表面消费与费力的、反思性的重制。这把 ICAP 定位为设计与测量有意义的GenAI学习互动的理论锚，而不只是追踪使用量。

对设计与研究的启示

1. 为较高的模式设计。 AI 工具应当提示学习者生成、解释与对话——建构性与互动性活动——而非交付被动内容或充当答案机器。（Multimodal Learning with Generative AI）
2. 让学习者跨模式投入。 有效的AI 素养教学在多个 ICAP 水平上调动学习者——被动接触、主动操作、建构性生成与互动性对话——选择契合学习目标的那个模式。（Systematic Review of Collaborative Learning Activities for Promoting AI Literacy）
3. 诚实地测量投入。 ICAP 给研究者与设计师提供了一套共同词汇，以区分真正的认知投入与单纯的活动——这是对浅层学生参与的矫正。（Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents）
4. 留意人类与 LLM 标注之间的差距。 如果自动化系统被用于给投入编码，其相对于训练有素的人类所存在的系统性不足必须被计入。（Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents）

关联概念

• 主动学习
• 协作学习
• 学生参与
• 学习分析
• 建构主义
• 学习设计
• 元认知
• AI 素养
• 人在回路
• AIEd 研究的局限

关联文章

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — 用于以人工 vs. LLM 标注测量投入的扩展 ICAP 框架
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — 跨四种 ICAP 模式的协作式 AI 素养
• Interactive learning dashboards: rethinking learning visualisations as engagement tools — ICAP 作为对浅层学习分析投入的批评
• Multimodal Learning with Generative AI — 多模态学习设计中的 ICAP 与认知投入
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — 在线协作讨论中的 LLM 促成时机
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — ITS 中的自适应 ICAP 支架（BKT 对 DRL）
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — 生成式学生模拟代理中的 ICAP 认知深度模型
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — 以 ICAP 锚定的反思性 GenAI 互动评估