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

SAMR 模型

创建 2026-09-10 · 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。

SAMR 模型 —— 一个由 Ruben Puentedura 提出的技术整合框架，沿四个层级对技术改变学习之程度进行分类：替代（Substitution）、增强（Augmentation）、修改（Modification）与重新定义（Redefinition）。下面两个层级（替代、增强）提升一个既有任务 —— 技术做着以前做过的事，只是更好或更方便；上面两个（修改、重新定义）则改造它 —— 任务本身变为某种以前不可能的东西。在AI 的教育应用中，SAMR 是提出这一问题的标准透镜：生成式 AI是被用来渐进地改进既有实践，还是被用来重新构想学习；它与TPACK并列，作为描述教师如何整合技术的方式，而非描述他们为何接受技术。

值得思考的问题

  • 当 AI 被引入一门课程时，它是替代（一个聊天机器人取代搜索框）还是重新定义（一个以前不可能的任务变得可能）？什么决定了哪个层级是恰当的 —— 而改造总是目标吗？
  • SAMR 与技术采纳模型回答不同的问题：采纳理论问的是为什么一位教师或机构接受一个工具；SAMR 问的是工具在多深的程度上改变学习。一项给定的 AI 整合研究实际回答的是哪个问题？
  • 一项对高等教育中 AI 整合的系统综述发现，多数用法停留在替代或增强层级，只有一项研究接近重新定义。如果这是典型的，关于 AI 的潜力与其课堂现实之间的差距，它说明了什么？
  • SAMR 常被援引于教师专业发展，以帮助教育者规划技术使用。对一节课的 SAMR 层级作分类，会改变教师实际所做的事吗，还是它主要是一个描述性标签？
  • 批评者主张，SAMR 像TPACK一样，立基于一种把认知视为不受技术改变的人本主义本体论，而且它对权力、数据所有权或公平一言不发。一个整合层级的透镜够不够，还是 AI 时代的整合需要一个更具批判性的框架？

引言

SAMR 描述学习任务的技术改造深度。它的四个层级构成一条从提升到改造的上升刻度：替代（工具取代另一个工具而无功能变化 —— 聊天机器人代替搜索引擎）、增强（工具取代并改进 —— 文字处理器的拼写检查代替打字机）、修改（任务被显著重新设计 —— 学生实时协作于一份 AI 生成的共享草稿）、以及重新定义（以前不可设想的新任务变得可能 —— 学习者以没有非 AI 类比的方式与生成式模型共同创作）。该模型被广泛用于教育技术研究和教师专业发展，作为规划和评估技术整合的词汇表，并且是TPACK和技术采纳框架的标准伴侣 —— 尽管它回答的是与两者都不同的问题。

四个层级意味着什么

  • 提升（下半部）： 替代和增强在不改变任务性质的情况下改进一个既有任务。多数常规的 AI 使用 —— 题目生成、快速文本生成、摘要 —— 就落在这里：它更快更方便，但不改变学习者被要求做什么。
  • 改造（上半部）： 修改和重新定义改变任务本身。Vibe coding、与模型的实时共建、自适应互动对话，都是生成式 AI 之前不可能的任务，代表着刻度的改造端。

SAMR 常与ICAP 框架配对，因为两者对齐：Rummel、Nachtigall 与 Panadero（2026）的四个烹饪到学习场景把 ICAP参与模式映射到 SAMR 层级 —— ICAP 被动对 SAMR 替代、主动对增强、建构对修改、互动对重新定义 —— 展示了从被动委派到互动共建的演进。

来自知识库的证据

  • 高等教育中的 AI 整合大体是增量的，而非改造性的。 AlSheikh 等（2026）在一项从 959 条记录中筛出 22 项干预研究的 PRISMA 系统综述中，用 SAMR 模型为 AI 整合分级，发现多数研究簇集在替代或增强层级，较少的在修改，只有一项接近重新定义。AI 通常被引入以改进既有实践 —— 由评估自动化和个性化学习支持主导 —— 而非重新构想课程或学习结果。
  • SAMR 是分析生成式 AI 驱动的课程变革的常用透镜。 Sabani 等（2026）把五项课程转变（静态到动态、传递到能力、地方到机构）映射到包括 SAMR 和建构性对齐在内的既有透镜上，用该模型澄清生成式 AI 重塑课程的教学机制。
  • SAMR 和 TPACK 锚定教师-技术整合标准。 Crompton 等（2026）把他们的六项教师技术标准对照既有框架 —— 技术教学内容知识（TPACK）、RAT、SAMR、SETI —— 和标准（ISTE、UNESCO、DigCompEdu）安置，这些多数面向K-12教育者，或只覆盖教师角色的教学部分，在高等教育教师发展中留下缺口。
  • SAMR 是后人本主义批评的目标。 Elsayed（2026）批评 TPACK、SAMR 和AI 素养模型共享一种人本主义本体论，这种本体论预设了一个有边界的、其认知从根本上不受技术中介改变的学习者，主张这些工具主义框架无法处理 AI 在认知中的构成性角色。
  • 一个整合的框架，而不是一个关于权力的框架。 Poudyal（2026）把 SAMR 与 TPACK 及其他整合框架并列评估，发现没有一个处理公平的权力、数据所有权或问责，这促成了一种替代性的生态共能动性框架。
  • 学生的使用也映射到 SAMR，而反馈跨越每一个层级。 对一个物理单元中 31–36 名学生的生成式 AI 声明作编码，把学习放在替代-增强，格式放在替代，任务执行放在修改-重新定义，而反馈 —— 检查、澄清、核验 —— 出现在全部四个层级（Quince 与 Faulconer（2026））。

SAMR、TPACK 与技术采纳：它们如何不同

三个框架常被混淆，但回答不同的问题：

  • 技术采纳模型（TAM、UTAUT）解释为什么个人或机构接受并持续使用一项技术 —— 感知有用性、易用性和社会影响。
  • **TPACK**描述教师有效整合技术所需的知识 —— 技术、教学和内容知识的相互作用，在 AI 时代扩展为 AI-TPACK/GenAI-TPACK。
  • SAMR对一项技术在多深的程度上改造学习任务作分类，从提升到重新定义。

SAMR 最好被理解为用于规划和评估的整合深度透镜，与采纳理论（解释采用）和 TPACK（解释教师能力）互补。在 AI 时代，它被最富有成效地用于提问：生成式 AI 是被应用于增强既有任务，还是被用于实现真正新的任务 —— 这一区分贯穿本知识库的评估和课程研究。

对实践的启示

  • 用 SAMR 问深度问题，而不是规定改造。 提升并非天生低劣；许多常规的 AI 使用是正当的替代。该模型是诊断性的，澄清一个给定用法实际改变了什么。
  • 与 ICAP 配对。 SAMR 描述任务变成什么；ICAP 描述学习者如何参与。两者合用来区分表面的替代与深的互动共建。
  • 用采纳和公平透镜来补充它。 SAMR 对一个工具为何被采纳或谁受益一言不发。把它与采纳模型和公平分析配对，以免让深度标签替代了批判性评估。
  • 把增量整合的证据当作一项发现，而不是一次失败。 如果多数 AI 整合簇集在替代/增强，设计任务就不是强推重新定义，而是承认改造性的使用需要不同的任务设计，而不只是更好的工具。

关联概念

关联文章

元数据

层次K 12, Higher Ed
目标读者Instructors, Curriculum Designers, Researchers
技术与方法技术, 技术采纳模型
教育中的人工智能基础教育发展, 学习设计, 技术教学内容知识（TPACK）, 教师AI素养
页面类型Framework
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。