人工智能辅助的互动叙事作为整合性学习设计任务：职前教师教育中的学生评价

《Thinking Skills and Creativity》：AI-Assisted Interactive Narrative as an Integrative-Learning Design Task: Student Appraisal in Preservice Teacher Education

　　

摘要

教育领域的生成式人工智能研究经常探讨这些工具是否能提高学习成果。协作式设计提出了一个更前置的问题：教学应如何组织人工智能辅助工作，使学科知识、创造力、协作和人类判断力得以结合？整合学习命名了这一目标：将学科知识与情境化经验相连接，并在跨案例中综合见解。整合在教师教育中至关重要，因为准教师必须将原则应用于模糊的专业情境。我们考察了一项人工智能辅助交互式叙事（AI-IN）作业，准教师通过“整体 - 部分 - 整体”序列设计分支式专业伦理游戏：课程整体导向、通过人工智能辅助的可能性生成协作开发焦点案例，以及跨案例重新整合。我们使用来自 480 人的主要队列和 257 人的独立同课程队列的自我报告，探讨学生如何评价该设计，学习评分是否在一因素模型中共享剩余协方差，以及哪些条件伴随评价。允许两个感知学习评分之间存在剩余协方差改善了两个队列的一因素模型（缩放 Δχ2(1) = 11.99 和 14.20，分别为；均 p < .001）；局部关联在敏感性分析中保持稳定。这种局部协方差可能反映感知学习内容或共享方法影响，包括措辞和位置；它既不确立学习增益，也不确立独特的潜在领域。在主要队列中，有利的评价伴随着更清晰的角色、高效的协作、更大的贡献、更好的挑战 - 参与平衡以及积极的人工智能态度。学生报告了在将伦理转化为情节、选择平台和管理工作量方面的挑战。AI-IN 为整合学习提供了一个可测试的设计命题：人工智能支持可能性生成，而学生保留对选择、验证、伦理判断和综合的责任。

引言

生成式人工智能进入高等教育的速度快于指导其使用的证据基础。综述主要对工具、应用和结果效应进行了分类（Crompton & Burke, 2023; Tlili et al., 2023; Zawacki-Richter et al., 2019），实验研究越来越多地探讨人工智能辅助教学是否能提高成绩（Deng et al., 2025）。这些方法具有信息量，但它们对人工智能使用与设计、协作和学科判断交织在一起的开放式作业揭示较少（Kasneci et al., 2023）。

这种区别很重要，因为学生并不是将人工智能支持的设计作业视为孤立的治疗手段。他们面对的是一个完整的任务：一个学科问题、一个群体过程、一套工具和一份需要评判的产品。理解这种经验需要关注学生如何评价任务的设计以及他们认为从中学到了什么，同时认识到感知学习不是客观的学习成果。

教师教育为这个问题提供了一个重要的场景。未来的教师必须结合专业知识、教学判断和伦理推理（Darling-Hammond & Bransford, 2005; Maxwell & Schwimmer, 2016）。设计挑战可以为准教师提供处理真实问题并将原则转化为情境化决策的机会（Calavia et al., 2023）。生成式人工智能为构思和生产增加了新的可能性，但也使人类选择、验证和伦理判断更加可见。

我们研究了一项围绕教师专业伦理中的整合学习命题设计的人工智能辅助交互式叙事（AI-IN）作业。该作业通过“整体 - 部分 - 整体”序列将该命题操作化：一个共享的学科框架，一个通过协作分支和人工智能辅助的可能性生成开发的焦点伦理案例，以及通过展示和引导讨论进行的跨案例重新整合。交互式叙事使选择和后果变得明确（Hodhod, 2010; Louchart & Aylett, 2004），而该序列将生成式人工智能定位在学生的学科判断之内，而不是之外。

我们的分析解决了两个相关问题。首先，学生如何评价这种教学设计，六项感知设计和两项感知学习评分之间的协方差模式是否在队列间反复出现？其次，哪些报告的实施条件与总结这些评分的八项均值同时相关？分析使用测量证据来限定对整合学习设计命题的解释，而不是声称客观学习、个人层面的整合或高阶结构。

章节片段

作为设计命题的整合学习

我们使用整合学习来命名任务中跨学科知识和情境化经验的预期组织，而不是观察到的学习者状态或展示的学习成果。在高等教育中，学习整合被描述为跨背景连接、应用和综合知识与经验（Barber, 2012）。AI-IN 作业通过作者开发的整体 - 部分 - 整体序列操作化了这一设计命题，如

参与者

主要研究涉及 484 名本科生，他们于 2024 年 12 月注册了中国某大学的教师专业伦理与教育法规课程。样本量由参与课程单元的注册人数固定；所有非空有效调查记录均进行了分析。四名学生未提供可分析的回答，剩下 480 个案例（111 名参与者选择男性，23.1%；369 名选择女性，76.9%）。调查仅提供这两个性别回答类别；年龄、种族和

描述性统计与信度

学生报告了总体上有利的评估（表 1）：93.1% 对总体印象评分积极，98.5% 报告理解加深，92.1% 报告使用人工智能工具。16 个内容项目显示出高聚合内部一致性（α = .878），但其多维探索结构排除了将此系数解释为单维性证据的可能性。感知理解加深的 98.5% 积极反应率也表明了天花板

反复出现的评价模式及其细化的教学假设

在两个队列中，八项评分保留了广泛的评价模式，而感知理解加深和预期专业影响共享额外的正协方差。这种局部关联在队列和序数估计器间的反复出现使其成为观察到的响应模式的可重现特征，但它仍然与任务特定和共享方法解释相容，包括共同措辞、响应格式、项目位置和回溯

局限性

核心局限在于测量。虽然可以通过多种途径赚取参与分数并且有上限，但主要调查在收集时可识别并与课堂参与分数链接；因此，评价焦虑、社会称许性和需求特征可能夸大了有利评分。随后的匿名调查降低了可识别性的担忧，但没有消除共同教师、课程、时间或自我选择的影响。感知

结论

本研究为生成式人工智能的整合学习贡献了一个有界的设计命题。AI-IN 将教育问题从学生是否使用该工具重新框定为教学如何组织可能性生成、学科判断和重新整合。其整体 - 部分 - 整体架构始于共享的知识和价值框架，通过协作分支叙事设计动员焦点主题，并通过比较将多个案例返回到更广泛的课程中，

数据声明

分析就绪的去标识化定量数据、多回答项目的二进制指示器、未匹配描述性比较两侧的精确去标识化记录、不透明项目 - 集群映射、变量定义、可执行代码和完整的序数模型输出在仓库数据和代码档案中可用。档案还提供了可执行的等价模型、固定最低类别池化、估计器三角测量、剩余诊断和

伦理声明

该方案经福建师范大学心理学院研究伦理委员会批准（批准号 20220026；2022 年 12 月 28 日）。其批准范围涵盖在常规教学环境中使用匿名或去标识化分析的多年和多课程教育调查，包括本文报告的 2026 年 6 月至 7 月的同课程调查。学生口头获悉课程结束时的调查数据将用于教学改革研究，且完成

资助

本工作得到中国人文社会科学基金教育部（项目编号 23YJAZH183）和福建省社科联（项目编号 FJ2025C006）的支持。资助方在项目设计或执行或手稿准备中不起作用。

作者贡献

概念化：尹滨、吴晓瑞和连荣；方法论：吴晓瑞和尹滨；数据整理：吴晓瑞；形式分析：吴晓瑞和尹滨；验证：连荣；写作 - 初稿：尹滨；写作 - 审阅与编辑：尹滨和连荣；项目管理：尹滨和吴晓瑞；监督：连荣。

关于研究和稿件准备中使用生成式人工智能和人工智能辅助技术的声明

在定性分析期间，作者使用 OpenAI Codex（gpt-5.6-sol，最大推理设置；OpenAI；于 2026 年 8 月 20 日和 22 日访问）生成基于规则的推荐，并在两位人工编码者决定冻结后，对 607 个分歧进行作者授权的第二次项目级别审查。审查提供了每个原始中文回答、两位人工编码者的决定以及固定的编码手册包含和排除标准，并请求二元推荐和

CRediT 作者贡献声明

尹滨：写作 - 审阅与编辑、写作 - 初稿、验证、监督、项目管理、方法论、资金获取、形式分析、数据整理、概念化。吴晓瑞：可视化、资源、项目管理、方法论、调查、资金获取、形式分析、数据整理、概念化。连荣：写作 - 审阅与编辑、验证、监督、概念化。

竞争利益声明

作者没有相关的财务或非财务利益需要披露。

尹滨 | 吴晓瑞 | 连荣

福建师范大学心理学院，中国福州 350117