基于人机协同的高校思政课教学创新模式①

［摘要］随着人工智能技术的飞速发展，人机协同系统已成为创新高校思政课教学模式的重要引擎。人机协同系统通过感知层、理解层、决策层和执行层实现高效推理，人工智能系统的更新迭代为思政教育创新提供了技术支持。生成式人工智能带来信息偏差、数据偏见、技术依赖及伦理安全等挑战，但同时也提供了丰富的教学内容、个性化辅导、实时互动和优化教学方式等机遇。人机协同赋能思政教育的技术路径可以从数据驱动的信息获取、虚实融合的认知体验、大数据驱动的知识发现及实践指导与理论迭代四个方面实现，以推动高校思政课智能化转型和教育生态重塑。

［关键词］人工智能；AIGC；思政教学；ChatGPT；AlphaGo；深蓝；Sora；人机协同

［中图分类号］G642［文献标志码］A［文章编号］2096-0603（2025）06-0０77-04

面对科学技术的迅猛发展、智能化与信息化产业技术革命的持续加速，党的二十大报告明确指出要“加快建设高质量教育体系”，强调要“推进职普融通、产教融合、科教融汇”，“推进教育数字化”。习近平总书记在多个场合提出了新质生产力的概念，强调“必须做好创新这篇大文章，推动新质生产力加快发展”。可见，推进科学技术与高等教育融汇、以智能化与信息化赋能高等教育已成为人工智能时代高等教育高质量发展的重要引擎和创新路径。在政策引领下，如何让思政教师肩负起科技赋能创新教育的责任成为重要的理论与实践课题。

尽管人工智能已有近70年的历史，教育界对其也并不陌生，众多学者已对人工智能与教育深度融合问题进行了深入探讨。人机协同系统作为人工智能的最新分支之一，也慢慢受到了学者的重视。②但随着生成式人工智能的快速迭代，尤其是ChatGPT、Sora的不断创新，人机协同也发生了颠覆性的变革③，从根本上改变了人们接受思想政治教育的实践方式及其发展进程，促使思想政治教育接受机制发生整体性转变。

一、人机协同的基本原理与推理结构

（一）人机协同系统的概念厘清

人机协同系统（Human-Computer Collaboration System）又可以称为人机结合系统（Human-Computer Associative Systems）、整合系统（Human-Computer Integrated Systems）等。通常认为，人机协同系统是由人和计算机共同组成的一个系统，其中计算机主要负责处理大量的数据计算以及部分推理工作（例如演绎推理、归纳推理、类比推理等），在计算机力不能及的部分，特别是选择、决策以及评价等工作，则需要由人来负责，从而充分发挥出人的灵活性与创造性。人与计算机相互协同，密切协作，可以更为高效地处理各种复杂的问题。[1]1960年利克利德（Licklider）在共生理论的基础上提出人机共生思想，认为人与机器形成的伙伴关系能够在决策和控制复杂情况方面比单独的人类更有效地执行智力操作。[2]人与机器形成的协同共生关系暗含着人将不再是唯一的学习活动主体，人机协同学习系统可视为由人与机器共同组成的学习共生体。[3]

经历了数十年的发展，人机协同系统已经广泛应用于语音识别、图像处理、医疗诊断、金融决策、天气预报、生物工程、地质勘探等领域，深刻影响了科学技术的发展，以及生产生活的方方面面。近年来，以ChatGPT、Sora为主要代表的生成式人工智能技术的出现，标志着人机协同系统在原理架构、推理机制与实际应用等各个方面都已经迈上了一个崭新的台阶。

（二）人类与计算机的推理方式比较

人类大脑具有复杂的工作机制，这为人类提供了多种多样的推理方式。概念是人对事物最直接、最表象的认识，是同一种同一类事物的集合在大脑中的映射。它来源于人的感觉器官对外部事物的感觉、印象或认识。当这种感觉、印象或认识叠加并深化时，就会形成概念。而较高级的概念都是从较低阶的具体概念或原始概念汇总派生出来的。概念进一步组合和发展，就会产生命题、推理、意识、情感等更高级的因素。[4]相比较而言，目前计算机科学技术，特别是人工智能的迅速发展，在计算机上可实现推理的种类和范围也在不断扩展。尤其是机器学习（Machine Leraning）的不断进步，在数据挖掘、自然语言处理、计算机视觉、生物特征识别、搜索引擎、医学诊断、语言及手写识别、智能机器人等领域得到了广泛应用。可见，计算机已经初步具备了自主学习和推理能力。

尽管人类和计算机在推理方式上各有优势，但也存在局限性。人类的推理过程可能受个人经验、情感、认知偏差等因素的影响，导致推理结果的主观性和不确定性。而计算机的推理则受限于算法和数据的局限性，难以处理复杂、模糊的信息，缺乏人类所具有的灵活性，如灵感、顿悟等创造性的推理方式，计算机尚不能实现。

（三）人机协同推理机制的基本结构

人机协同推理机制的基本结构包括感知层、理解层、决策层和执行层。该结构实现了人类智慧与计算机技术的深度融合，显著提升了推理的效率和准确性。

感知层是人机协同推理机制的起点，负责收集和处理来自人类和环境的输入信息，如实时捕捉人类的行为、表情、语音等信息，或者获取环境中如温度、湿度、光照等相关信息，再通过传感器、摄像头等设备，将其转化为计算机可处理的数据形式，为后续的推理提供丰富的信息基础。

理解层是人机协同推理机制的核心，对感知层收集到的信息进行分析和理解。主要是利用自然语言处理、机器学习等技术，通过解析人类的语言和行为，把握人类的意图和需求，对环境中的信息进行识别和分类，提取出有价值的信息资源，从而为后续决策提供强有力支持。

决策层是人机协同推理机制的关键，它运用预设的算法和规则综合考虑人类的意图、需求以及环境信息资源，进行决策推理。通过权衡各种因素，决策层能够制订出最优的决策方案，确保人机协同的有效进行。

执行层是人机协同推理机制的终点，通过控制机器人、智能设备等，实现决策方案的具体实施，将决策层所制定的决策方案转化为具体的行动。此外，执行层还能够将实施结果反馈给感知层和理解层，为后续的推理提供新的信息输入。[5]

（四）人机协同的历史浪潮

以“图灵”“深蓝”“AlphaGo”“ChatGPT”“Sora”等历代人工智能系统为例，这些系统在不同程度上实现了人机协同的推理机制。图灵测试作为人工智能领域的经典实验，首次提出了机器能够与人类进行自然语言对话的可能性，为后续的人工智能研究奠定了坚实基础，也为人机协同推理机制的发展提供了启示。“深蓝”国际象棋系统是人机协同在棋类游戏中的典型应用，通过与人类棋手进行对弈，“深蓝”系统不断学习和优化其算法，最终战胜了人类棋手，展示了人机协同在复杂决策问题中的潜力。“AlphaGo”系统则是人机协同在围棋领域的巅峰之作，通过深度学习等技术，“AlphaGo”系统能够与人类围棋高手进行高水平对弈，并多次战胜人类棋手，这一成就为人机协同在更广泛领域的应用提供了借鉴。“ChatGPT”是近年来兴起的生成式人工智能系统，通过与人类进行自然语言对话，能够生成符合语境和语法的回复，为人类提供便捷、高效的交互体验。“ChatGPT”系统在思政教育领域展现出巨大的应用潜力，能够为学生提供个性化的学习辅导和思想引导。“Sora”作为一种创新的视频生成技术，通过结合扩散模型和Transformer架构，实现了高效且高质量的视频内容生成。这种技术不仅拓展了生成式AI的应用边界，从文字、图片拓展到了视频领域，还展示了生成式AI在模拟现实场景、规划未来行动等方面的强大能力，使得“Sora”在人机协同中能够扮演一个内容创造者和辅助者的角色，帮助人类更高效地完成任务。

可见，历代人工智能系统的更新迭代并逐步实现在人类社会各个领域的应用，为高校思政课教学创新提供了有力的技术支持和思路借鉴。

二、生成式人工智能对思政教育的挑战与机遇

（一）生成式人工智能的快速发展给思政教育带来了一系列挑战

首先，生成式人工智能的语言模型，如大型语言模型，在生成文本时可能因数据偏差、算法局限或外部操控而产生不准确甚至错误的信息。若学生误信这些信息，将对其正确思想观念和价值观的树立产生严重影响。教育者需投入更多时间和精力来辨别信息的真伪，这无疑增加了教育工作的复杂性和挑战性。

其次，由于训练数据来源的广泛性和潜在偏见性，生成式人工智能在学习和生成内容时可能无意中复制并强化这些偏见。这种偏见可能涉及性别、种族、文化等多个维度，与思政教育的公平、公正原则相悖。

再次，生成式人工智能的便捷性和高效性可能导致教育者过度依赖技术，进而忽视了自身在教育过程中的核心主导作用。过度依赖技术可能导致教育者忽视对学生个体差异的关注，减少与学生的直接互动，从而影响教育的人文关怀和深度。

最后，随着生成式人工智能在思政教育中的应用深化，诸如隐私保护、数据安全、算法透明度等问题日益凸显。如何确保学生个人信息的安全，如何避免算法决策的不透明和不可解释性对学生权益的侵害，成为亟待解决的问题。

（二）生成式人工智能给思政教育提供了新的机遇

首先，借助人工智能技术的辅助教学工具，教育者能够开发出更加丰富、生动的教学内容，进而激发学生的学习兴趣，提升其参与度。同时，生成式人工智能能够依据学生的学习特点和需求，提供个性化的学习辅导和思想引导，从而实现因材施教的教学目标。

其次，借助强大的自然语言处理和数据分析能力，生成式AI能够深入分析学生的学习行为、兴趣偏好以及思想动态，从而为每个学生量身定制学习路径和教学内容。这种学习体验不仅能够激发学生的学习兴趣，还能有效提升思政教育的针对性和实效性。例如，AI能够根据学生的反馈自动调整教学难度，为不同水平的学生提供合适的学习材料，确保每位学生都能在适合自己的学习节奏中成长。

再次，通过模拟对话、角色扮演等形式，AI能够与学生进行实时互动，使学生在参与过程中深化对理论知识的理解，并增强情感体验。这种互动不仅能够加深学生对思政课程内容的记忆，还能促进批判性思维和创新能力的培养，使学生在交流中学会倾听、表达和反思。

最后，通过分析学生与AI互动的数据，教育者可以获取大量关于学习效果、学生兴趣点及教学难点的信息，为教学改进提供科学依据。同时，AI还能辅助进行教学效果的量化评估，使得思政教育的教学效果更加可测量、可评估，有助于构建基于数据的决策支持系统，持续优化教学设计和实施策略。

三、人机协同赋能思政教育的技术路径与实践探索

（一）应用层：数据驱动的信息与知识获取

在应用层，人机协同借助数据挖掘与生成技术，为思政教育领域提供了丰富多样的信息资源。教育者可以利用AI工具快速筛选、整理和分析网络上的海量信息，为学生提供经过筛选的、高质量的学习材料。AI能够根据学生的兴趣偏好和学习需求，进行个性化学习内容推荐，从而协助学生更有效地探索和理解多样化的思想观念与意识形态，进而促进知识的内化与价值观的塑造。如矩阵特征分解技术已被应用于慕课学习环境中，以精准匹配学生最适合的论坛，从而推动所有参与论坛的学生共同构建学习共同体。[6]再如“智能思政课堂”项目，利用AI技术进行课程内容的智能推荐、学习进度的智能跟踪以及学习成效的智能评估。该系统通过分析学生的学习数据，为每位学生定制个性化的学习计划，并且还能够通过虚拟助教的形式，为学生提供24小时在线答疑服务，显著提升了学习效率和学生满意度。

（二）交织层：虚实融合的认知体验

在交织层，人机协同借助虚拟现实（VR）、增强现实（AR）、物联网等先进技术，构建出虚实融合的学习场景，使学生在沉浸式体验中实现感性认识与理性认识的相互交织，推动学习体验向“无感”交互、情感交互的方向发展。“人机交互技术所孵化的自然交互页面更能为智能教育发展提供强有力的支持，促使智能教育更加具象化、情景化、立体化。”[7]这种交互式学习方式推进知识型学习走向体验式学习，不仅增强了学习的趣味性和吸引力，还促进了学生对理论知识的深入理解和实践应用。在感应性激活与策略性抑制的协调中，学生的知行得以转化，实现了知识与价值的双重提升。例如，课堂利用VR技术创建的“VR红色教育基地”，学生佩戴VR设备即可“亲临”革命历史现场，通过模拟参与重要历史事件，深刻体会革命先烈的英勇事迹和革命精神。这种沉浸式学习方式极大地增强了思政教育的吸引力和感染力，加深了学生对党史国史的理解和认同。