智能技術的發展和全科教學的需求催生了AI全科教師主講課程。本研究以廣州市某小學四年級兩個班79名學生為樣本，採用深度訪談、課堂觀察和問卷調查等研究方法，基於擬人化學習過程理論框架探究AI全科教師主講課程學生學習成效。研究結果表明，AI全科教師主講課程能顯著增強學生學習動機（包括內在動機和外在動機）、增加學生學習投入（包括行為投入、認知投入和情感投入）和提升學生學習結果（包括知識與技能、過程與方法、情感態度與價值觀）。本研究發現證實了AI全科教師作為教學主體促進學生高效學習的重要作用，為解決師資匱乏、教師減負增能等問題提供了重要啟發。
近年來，人工智慧（AI）機器人逐漸由教育輔助工具演化為課堂教學代理。正如《中國教育現代化2035》提出的：「人工智慧等新技術的發展正在不斷重塑教育形態，知識獲取方式和傳授方式、教和學關係正在發生深刻變革」（中共中央、國務院，2019）。網際網路環境下教師難以基於自身的認知能力適時將增速快、體量大且結構複雜的信息轉化為教學內容，「AI+教師」的認知外包模式將成為常態（餘勝泉等，2019）。AI機器人可以通過多種方式應用於課堂教學，其用途不僅取決於AI機器人的技術水平及教學情境需求，更依賴於人工智慧與學科教學深度融合的課程開發。在技術上，口語對話技術系統或者其他腳本化編程技術系統，讓AI代理能夠承擔比輔助工具更重要的角色任務，減輕真人教師負擔和提升學生學習質量，如主講教師（Edwards et al.，2018）。在教學需求上，與單科真人教師相比，智能化和人性化的AI機器人更適合未來的全科教育教學環境（吳永和等，2018）。可見，AI技術發展勢將改變課堂教學結構，亟需進行課程創新（郝文武，2020）。
AI全科教師主講課程是一種新興課堂課程形態，系AI教師勝任學校開設的全部科目內容的主講工作而主導課程，真人教師則通過輔助支持課程實施。AI教師與真人教師協同教學自有「生態位」和特別優勢（周琴等，2020）：AI教師在科目內容體系儲存、大規模數據處理、高速運算、邏輯思維等方面獨有千秋；真人教師在創造力培養、情感溝通、意義闡釋等方面別具一格，即AI教師適合解決程序化教學問題，真人教師主要解決非程序化、非結構化問題（尹睿等，2018；蔡慧英等，2020）。因此，賦予AI教師「課堂主講」角色，解放真人教師的時間與精力，以便更專注於學生個性化指導，為課堂教學「減負增效」提供了新思路。但是，機器人的教育應用目前主要集中在與機器人領域密切相關的學科，如機器人編程、機器人構造或機電一體化（Benitti，2012）。而且，證明機器人積極成效的教學研究多局限於單一的描述性報告（Petre et al.，2004）或問卷調查（Caci，2003）方法。融通使用質性研究與量化研究方法探索AI全科教師主講課程學習成效的實踐研究還有待開展。
學習動機、學習投入與學習結果是評估學習過程成效的關鍵指標。這三個指標已被研究者賦予豐富的內涵：學習動機是激發並維持個體學習活動朝向一定學習目標的內部啟動機制（馮忠良，2002）；學習投入指學生學習投入的時間與精力（Kuh et al.，2006）；學習結果被定義為以某種形式參與學習後獲得的結果（Eisner，1979）。三者之間，學習投入是學習動機與學習結果之間的中介變量（Hsieh，2013），即學習動機通過激發學生的學習投入，進而影響學生的學業成績和其他方面的發展。同時，依據自我效能理論，學習投入對學習動機有重要影響，形成了學習過程成效的閉環機制。深入考察相關研究發現，擬人的AI教師對學生學習動機、投入和結果均有顯著的積極影響。奧茲德米爾和卡拉曼（Ozdemir&Karaman，2017）依據教師訪談，發現AI教師對學生學習動機有積極貢獻。一項採用問卷調查、課堂觀察、訪談等方法（Kim et al.，2015）的研究結果表明：AI教師教學能總體改善學生的學習投入，其中情感投入（如興趣、享受）顯著提高；學生的行為和認知投入亦隨之增加。此外，AI教師教學能否提升學生的學習成效，也是眾多研究考察的主題。許多學者發現，AI教師能促進學生基礎或專業知識的習得（Verner et al.，2016）、深層學習思維與方法的形成（Jaipal-Jamani&Angeli，2017）和學習態度的有效改善（Alemi et al.，2015）。
隨著擬人元素及其功能被更多地整合入智能教學代理，研究者開始關注教學代理的擬人化設計對學習成效的影響。擬人化指將人類的特徵、動機、意圖或情感等賦予非人類代理（Epley et al.，2007）。AI教師等智能代理的應用成效很大程度上得益於擬人化設計。費多羅夫納（Fedorovna，2015）引進擬人化技術培訓師範生的教學專業能力的研究發現，擬人化影響學生的學習動機和包括處事態度、交際能力和學業成績在內的學習成效。凱特爾（Katre，2007）關於擬人化學習系統的討論指出，擬人教學代理能滿足學習者「感受到教師的存在」的心理需求，從而更認真地實現學習目標，增加學習投入。範庚發和孟士英（1998）認為，計算機擬人教學可以因勢利導地把握各類學生的學習需求和學習情緒，增加學習投入。王福興等人（2017）的元分析研究發現，具有擬人效應的教學代理有利於提升學生的學習成效，具體體現為學生知識理解與應用能力的發展和學習成績的提高。綜上所述，擬人化教學代理對學習過程成效的影響，受學科領域、代理類型等變量的調節作用，而AI全科主講教師這一新型擬人代理與學習過程成效結合的研究仍有待開展。此外，擬人化對學習成效的影響雖有一定研究，但多局限於學習成效原理方面，忽略了擬人效應的內在機理。
艾普利等（Epley et al.，2007）提出「社會性、有效性、激發的代理知識」三因素模型（the Sociality，Effectance，Elicited Agent Knowledge，SEEK）解釋擬人化效應。依據擬人化三因素理論，社交性（人類對社會關係的渴望）、有效性（有效地與環境互動的需要）和激發的代理知識（指人們在多大程度上擁有並能夠將人類中心知識應用於類人對象）三個因素協同作用於人們對非人類代理的擬人傾向。同時，投射到非人類主體上的形態學（外觀）和動力學（行為）擬人特徵在激活人類主體知識的基礎上，一則可以直接提高非人類主體的效用，例如軟體程序的擬人化虛擬助手通過增強應對信息過載的能力提高用戶學習軟體的效果；二則可以通過創造社會聯繫感提高代理的效用（Crowell et al.，2019）。例如，一位沙漠生存實驗的參與者報告說，當活動界面出現擬人的面孔和聲音時，他們就感覺到更多的社會聯繫，因而可以更好地理解任務（Burgoon et al.，2000）。依此可推，相較於其他智能代理，AI主講教師憑藉高度擬人化的形態、行為和互動設計，更有潛力激發學生的有效性感知和社交聯繫感，提升學生學習成效（見圖1）。但是，具體影響機制仍需結合AI教師課堂教學實際分析。
圖1擬人化學習過程模型框架
本研究選擇南京阿凡達機器人公司的類人機器人——IPAL（i寶）扮演AI全科教師角色（名為「華君」，見圖3）主講課程，通過試驗研究，從擬人化理論視角探究AI全科教師主講課程的學習成效。
本研究關注兩個問題：1）學生學習AI全科教師主講課程的動機、投入和成效如何？2）AI全科教師主講課程如何影響學習者的學習動機、學習投入和學習成效？
本研究採用兩組無前測實驗設計探索AI全科教師主講課程對學習成效的影響。這種實驗設計結構模式，可以避免受試者經過前測而對自變量引入產生敏感，從而保障實驗外在效度。
（一）研究對象
本研究選用廣州市某小學四年級A班（37人）與B班（42人）為實驗班，共79人。學生的認知發展、學習進度、日常環境等較一致，對AI教師教學內容有初步了解但未系統掌握，且從未體驗過AI教師課堂教學，可有效避免樣本先前知識經驗和心理準備的潛在影響。
（二）研究過程
本研究依託華南師範大學德育神經科學與人工智慧實驗中心和廣東省廣州市某小學開展試驗研究。研究過程分教學設計、實驗室演練、學校課堂試驗三階段（見圖2）。教學設計階段主要依據學情精選學習內容，明確學習目標，然後在課程專家、一線教師的指導下設計教學環節，開發相對應的AI教師擬人化的語言、動作和表情腳本。實驗室演練階段主要由研究人員模擬學生、AI教師和真人教師的教學互動，不斷反思與優化教學設計和腳本化編程。學校課堂試驗階段以某小學四年級A班和B班為兩個平行試驗組，分別選用3位單科真人教師和1位全科真人教師配合開展相同課程內容的教學。
圖2 AI全科教師主講微課試驗研究過程
研究過程融通使用課堂觀察法、問卷法和訪談法收集數據，以及弗蘭德斯互動分析框架、SPSS24.0軟體和Nivio12軟體等分析工具，對2個實驗組學生開展學習投入、學習動機和學習成效的評估。
學習動機方面，本研究以紮根理論為方法論指導，隨機從2個試驗班各抽取5名學生開展深度訪談並錄像，使用NVivo 12軟體謄錄、整理、編碼和分析訪談內容，探究AI全科教師主講課程學習者的內在、外在學習動機及影響因素。
學習投入評估重點關注學生的行為、情感與認知投入，採用現場錄音、攝像和課堂觀察記錄方式收集AI全科教師主講課程的課堂教學信息，然後結合AI全科教師主講課堂的「生-機-師」互動特徵，採納修訂後的弗蘭德斯互動分析系統編碼，制定AI全科教師主講課堂師生互動分析編碼體系（見表一）。該體系分別在原結構的「教師言語」維度擴增了「AI教師言語」維度及其相應7個編碼和在學生言語類中新增了AI教師驅動的「學生被動說話」編碼，最終形成了18個編碼，分為AI教師言語、真人教師言語、學生言語、靜止等四部分。
表一AI全科教師主講課程師生互動分析編碼體系
已有研究發現，學生發展與學生對教學的滿意度顯著相關（Thomas，2004），故滿意度調查往往是評價學習成效的重要指標。鑑於AI全科教師主講課程的前沿特點，技術接受理論適用於預測學生對該課程的滿意度。因此，本研究學習成效的測量工具是在海爾克等（Heerink et al.，2010）開發的社交機器人接受問卷基礎上改編的。設計依據為「技術接受度與適用性統一理論」（Unified Theory of Acceptance and Use of Technology，UTAUT），包含焦慮、態度、使用意圖、感知適應性、感知樂趣、感知易用性、感知社交能力、感知有用性、社會影響、社會參與和信任維度（Venkatesh et al.，2003）。題項採用李克特5級計分法，從「完全不同意」到「完全同意」。SPSS24.0統計分析表明，該問卷信度和效度良好，其中α=0.926，KMO值為0.772，Bartlett’s球形檢驗值顯著性為0.000。
（三）AI全科教師主講課例
本研究開發了「真人單科教師與AI全科教師聯袂執教」語數英三科微型課程課例和「真人全科教師與AI全科教師聯袂執教」語數英三科微型課程課例（見圖3）。教學內容分別是語文科人教版（2012）課文「迷人的張家界」，數學科人教版（2013）章節「三角形的內角和」，以及英語科教科版（2014）模塊「Abilities」。已有研究表明，AI機器人的表達方式對兒童的情感反應影響深刻，反應靈敏、表情豐富的AI機器人更能誘發兒童積極互動（Cameron，2018）。兩套三科課例的教學過程設計如表二、三、四所示。AI全科教師通過聲音、表情及身體動作，向學生呈現和傳達生動、適時的教學信息，激發、提高學生學習興趣與學習動力。
表二「迷人的張家界」教學過程設計
表三「三角形的內角和」教學過程設計
表四「Abilities」教學過程設計
本研究基於豐富的數據材料，對AI全科教師主講課程的學習動機、學習投入和學習成效結合擬人論分別呈現，進而陳述本試驗研究獲得的訪談、觀察和問卷數據分析結果。
（一）訪談結果
依據一定的程序對定性資料進行量化處理有助於提高定性方法的可靠性和有效性以及分析的系統性和精確性（陳琦等人，2000）。本研究藉助NVivo12軟體對10名學生的訪談資料進行編碼分析，深入挖掘學生對AI全科教師執教的感受和看法。
第一，AI教師擬人化的外形、行為和互動設計深受學生的喜愛（見圖4）。其中，85.0%的學生認為AI教師外形「可愛有趣」和「自然親切」，73.3%的學生認為AI教師「肢體動作靈活」「知識淵博」和教學「溫柔耐心」，76.8%的學生認為AI教師的教學交互「自然有趣」「生動直觀」和「反饋及時」。
圖4學生對AI全科教師評價的訪談分析參考點分布
第二，AI教師主講課程帶給學生積極的學習體驗，主要體現在教學內容、課堂環境、學習目標和學習方法四方面（見圖5）。65%的學生認為，相較於傳統課堂真人教師的教學內容，AI教師講授的教學內容更準確無誤、充實豐富。70%的受訪學生提及AI教師教學對教學環境有積極的改善作用，主要表現為學習氣氛更濃厚、課堂紀律更好和師生關係更親密。60%的學生認為AI主講教師教學有助於自己的學習，會提高自己的原定目標。70%的被訪學生基於AI教師「知識淵博」的特點表示，學習目標將不局限於提升學習成績，變得更廣泛。還有50%被訪學生認為AI主講教師教學會促使他們更快地達到既定學習目標。最後，在學習方法上：大多數被訪學生表示，體驗過AI教師的教學後，將改變自己的學習方法。其中，呼聲最高的觀點依次是：1）課前：自主預習；2）課中：享受合作學習、多記筆記；3）課後：找AI教師解疑、利用更多智能學習工具學習。
（二）課堂觀察結果
根據改編的新型弗蘭德斯編碼系統，本研究對語、數、英三科的AI全科教師主講微型試驗課程進行編碼統計（見表五）和比率分析（見表六），探究課堂師生互動狀態。
註：每隔3秒記錄學生、AI全科教師和真人教師的互動類型所屬編碼頻次。統計結果顯示，AI全科教師主講的三門微課程的言語比率分別為52.63%、39.03%、34.50%，是真人教師的2-3倍，均低於非AI教師主講課程的弗蘭德斯常模68%（Flanders，1970；高巍，2009）；學生話語比率分別為29.82%、43.55%、47.37%，均高於常模20%（Flanders，1970；高巍，2009）。這體現了「學生中心」與「學習為本」特徵。三門課程中，AI全科教師的提問比率分別為27.18%、27.71%和40.91%，均高於非AI教師主講課堂真人教師26%的常模（Flanders，1970；高巍，2009），且AI全科教師話語——學生驅動比率分別為88.24%、47.37%和80.00%，亦高於非AI教師主講型課堂真人教師-學生驅動比率常模42%（Flanders，1970；高巍，2009），反映了AI全科主講課程注重啟發學生思考。此外，觀察對象的課堂沉寂比率分別為2.19%、2.26%和1.75%，其中大部分沉寂表現為師生信息技術操作、學生思考、教師板書等，表明課堂利用率較高，氛圍活躍。
（三）問卷統計結果
本研究採用SPSS對學生關於AI全科教師主講課程教學的滿意度問卷數據進行描述性統計分析（見表七），以反映學習成效。
表七學生對AI全科教師教學滿意度的描述性統計
由表七可知，學生總體上對AI全科教師主講課程教學的滿意度較高，但部分維度存在個體差異。從整體看，「接納度」均分較高，且所有維度的均分都大於4，處於較高水平，反映出大部分學生高度認可並接納AI全科教師主講課程。其中，「感知樂趣」維度均分最高（M=4.7310），由此反映出AI全科教師進入課堂帶給學生最直接的體驗為「樂趣」。從個體差異看，「感知易用性」（SD=0.818）與「感知適用性」（SD=0.798）的得分標準差較大，可知「感知適應性」和「感知易用性」的個體分數分布範圍跨度較大。
基於擬人化學習過程框架，本研究從AI全科教師主講課程學習動機、學習投入和學習成效三個方面，就本試驗研究所獲得的結果提出結論，並加以討論與思考。
（一）AI全科教師主講課程增強學習動機
社會認知心理學將個體動機分為內在和外在兩個層面（Deci，2004）。進化心理學認為，人類行為有四種大腦驅力——「獲得」「聯結」「理解」和「防禦」（Nohria et al.，2008）。融合這兩種視角，研究結果表明，AI全科教師主講課程通過滿足學生學習的四種驅力，顯著增強學生內在學習動機和外在學習動機！
1.AI全科教師主講課程顯著增強學生內在學習動機
AI全科教師的擬人化外形設計和功能表現有助於激發學生的好奇心、挑戰欲和認同感，顯著增強學生的內在學習動機。由於兒童的擬人化嗜好遠大於成人（Bering，2004），對教學機器人外觀進行擬人的可視化設計，已日益成為眾多設計者的共識。分析學生訪談發現，AI教師「可愛的形象」「親切的面部表情」等「類人」藝術化外觀特徵，催生了學生對其如何像真人教師一樣開展課堂教學的好奇心，以及如何理解並參與其智能化教學的挑戰欲，這是內在動機的兩種形式（Ryan&Deci，2000）。具體而言，學生藉助大腦的腹側視覺通路或其他對新奇事物反應的感覺系統，對所獲取的課堂環境信息進行驅力需求評估（Abraham et al.，2015），從而有效激發好奇心與挑戰欲，增強理解驅力。此外，在教育智能化浪潮的引領下，學校課堂教學正發生重大變革，這難免引起人們的抵制或焦慮。但值得注意的是，相較於非類人教學媒體，AI全科教師兼具「類人」藝術化外形和「類師」教學化表現，在滿足和提升學生學習期望方面更勝一籌。更可喜的是，相較於真人教師，學生認為「AI教師更溫柔耐心，不容易批評學生、打亂教學安排」。可見，AI教師高效可靠的擬人特性和客觀公正的智能系統能增強學生對AI教師教學的認同感。其中，控制學生防禦驅力的杏仁核（邊緣區）得以激活，提高學生在新環境中安全感和信任度，增強學生參與課堂教學的內在動機（Abraham et al.，2015）。
2.AI全科教師主講課程顯著增強學生外在學習動機
AI全科教師的擬人化社交屬性有助於優化課堂教學反饋和改善互動學習環境，顯著增強學生的外在學習動機。藝術化的機器人表情、言語和動作等擬人化社交屬性能優化教學反饋，而反饋對學習者的外在學習動機有重要影響（劉淑珍，2009）。多名訪談學生表示，AI全科教師對學生的正確回答能給予及時的表情肯定、口頭表揚和鼓掌激勵，增加學生與其互動的渴望（見表八）。事實上，AI全科教師主講課程的社交性反饋可被視為以教師認同為核心的「獎勵制度」組織槓桿（呂俊生，2012），能有效驅動管理獲取驅力的伏隔核（邊緣區）腦區（Abraham et al.，2015），提升學生的外在學習動力。此外，個體的外在動機與學習環境緊密關聯（王軍芬，2012）。AI全科教師為突破傳統課堂互動局限開闢了新途徑：其一，促進學生個性化互動。AI教師通過動態貝葉斯網絡、模糊決策樹等計算技術對學生的知識和學習建模，滿足學生不同的交互偏好（Belpaeme et al.，2018）。其二，拓寬師生對話渠道。雙師教學模式有效減輕了真人教師在傳統課堂中「一對多」的教學重負，為泛化和加深師生課堂交互提供了可能。其三，創生複雜的教學互動網絡。AI教師的融入使課堂教學要素及其多重交互關係網絡更多樣和複雜。這種多元化互動的學習環境，易形成豐富和諧的組織文化以驅動學生大腦中的下丘腦和前丘腦區域（邊緣區）（Abraham et al.，2015），使學生能夠在其中獲得關注感和滿足感，感受到自我價值，產生聯結驅力。
（二）AI全科教師主講課程提升學生學習投入
弗雷德裡克斯等人（Fredricks et al.，2004）提出，學習投入包括行為、認知和情感三個相對獨立維度。本研究結果表明，AI全科教師主講課程能顯著增加學生學習的行為投入、認知投入和情感投入。
1.AI全科教師主講課程能有效提升學生行為參與度
AI全科教師的擬人化具身特徵能有效提升學生的學習專注度和發言率，顯著增加學生的行為投入。高專注度和高發言率是學生行為參與度的積極表現（Fredricks et al.，2004）。國外有學者比較虛擬遠程機器人代理與實體機器人採訪表現的研究結果表明，實體機器人讓人們更易於進入積極的交互狀態（Kiesler et al.，2008）。相較於遠程虛擬代理，AI教師的具身化特徵能增強人機互動的逼真性和實效性，促使學生更專注於其智能教學，顯著提升人機互動效率。研究結果顯示，學生話語總比率高於傳統課堂常模（見表六）。可見，學生在AI全科教師主講課程中回答問題主動性和投身於學習交流的積極性更高。
2.AI全科教師主講課程能有效提升學生認知參與度
AI全科教師的擬人化行為表現能增強課堂活動的趣味性和引導性感知，顯著提高學生的認知投入。赫爾姆等（Helme et al.，2002）的研究表明，學生認知投入與課堂活動密切相關。一方面，AI教師的肢體行為能讓學生及時捕捉課堂活動的趣味性。如在英語課程教學中，當學生說出「shake hands」短語時，AI教師會主動和其握手，增強了英語交流活動的趣味性，提升了學生的認知參與度。另一方面，AI教師依託靈活的言語行為表現化身為問題的提出者、啟發者和指導者，開展的生成性互動有助於引導學生激活已有知識，提升思考主動性和解決學習問題的積極性（卜玉華，2007）。正如研究結果所示，AI全科教師的提問比率均高於常模，且AI全科教師話語——學生驅動比率均較高（見表六）。
3.AI全科教師主講課程能有效提高情感參與度
AI全科教師的擬人化交互功能有助於提升學生的歸屬感和自我效能感，顯著提高學生的情感投入。學習者的歸屬感、自我效能感是情感投入的重要源泉（尹睿等，2017）。本研究結果表明，AI全科教師主講課程教學的沉寂比率在2%左右，遠低於常模（見表六）。有學者指出，人類是社會性動物，學習很大程度上依賴於與他人的社會接觸（安東尼·威廉·貝茨等，2016），深刻地寄託於與他人的情感交互（Tettegah et al.，2015）。AI全科教師擬人化的社交功能支持其生成注視、提問、指令等交互信號，滿足學生積極與他人建立並保持社會聯繫的需要（Crowell et al.，2109）。在此基礎上，學生歸屬感所激發的社交性動機將會驅使學生更樂於參與學習。此外，AI全科教師善於運用多媒體手段將抽象的教學內容形象化和藝術化，符合學生的認知與情感發展特徵。其擬人化的交互功能為學生熟練地掌握相關知識和技能提供極大的便利，進而提升學生的自我效能感，有助於增強學生參與課堂學習活動的信心。
（三）AI全科教師主講課程提升學習成效
學習成效評估強調全面性和可持續性（陳佑清，2012）。本研究從知識與技能、過程與方法和情感態度與價值觀三個維度對調查數據深入分析的結果表明，AI全科教師主講課程能有效提升學生學習成效。
1.AI全科教師主講課程豐富知識與技能
AI全科教師主講課程的「有用性」能有效強化學生效益性動機，促進學生達到知識應用與技能操作水平，實現技能遷移。根據學生對AI全科教師主講課程的有用性感知情況（見表七），高達4.5949的均分表明學生認同AI全科教師的教學有效性。這強化了學生對AI全科教師的擬人歸因，從而提升AI全科教師促進學生知識技能學習的實際效用（Epley et al.，2007）。具體來說，學生認為AI全科教師「能教會很多知識（得分最高）」「對促進學習很有用」「能夠解決學習問題」和「讓人更快地完成學習任務」。可見，當前AI全科教師主講課程教學幫助學生達到關於特定科目知識的「了解-理解-應用」水平。而技能作為憑藉知識完成實際任務的行為表現，亦從「模仿水平（根據指令解決學習問題」向「獨立操作水平（獨立操作完成學習任務）」發展（梁靖雲等，2014）。學生在AI全科教師「淵博的知識儲備」和「及時的智能反饋」的幫助下，制定更高更廣泛的學習目標，從而有望提升知識與技能層面的學習成效——以知識為核心的技能遷移。
2.AI全科教師主講課程強調過程與方法
授人以魚不如授人以漁，AI全科教師主講課程的學習成效考察應深入過程與方法層面，通過激發學生社交性動機以優化教學交互過程，幫助學生發展學習能力與形成學習方法（梁靖雲等，2014）。滿意度調查顯示，學生感知適應性、感知易用性、感知社交能力和社會參與維度的均分在4.1500-4.6000之間（見表七），處於較高水平。這表明，操作簡易且適應性強的AI全科教師主講課程為學生交互創造了積極的社會聯繫來源，這與社交性動機所強調的人類對社會關係（尤其情感關係）的渴望這一事實契合（Epley et al.，2007），由此激發學生的交互需求，形成良好的教學互動過程。已有研究表明，學習者的反應方式（學習方式）具有典型性（Biggs，1987）。因此，隨著新技術、新角色的融入，教學情境的變化，促使學生適應智能學習環境而養成典型學習方式——形成貫穿「課前-課中-課後」的系統多樣的學習方法，有效發展其自主學習能力和合作學習能力（見圖5），提升學習成效。
3.AI全科教師主講課程培養情感態度與價值觀
具有擬人特徵的AI全科教師以主講者角色融入課程教學，革新傳統課堂教學模式，培養了學生積極樂學的情感態度和人機共生的和諧價值觀。「類人外觀」和「類師內涵」奠定了AI全科教師的在課堂教學中擔任主講者的基礎。這是對以往人工智慧教學輔助角色的超越，推動了課堂教學要素結構發生重大變革，激活了課堂「多元互動」，為增強課堂活力注入新鮮力量（黃甫全等，2020）。在AI全科教師主講課程的滿意度調查中，「感知樂趣」維度均分最高，「態度」「焦慮」和「信任」維度均分分別為4.6139、4.4557和4.3797（「焦慮」維度為反向題，即得分越高說明被試越不焦慮）。這表明，學生對AI全科教師這一擬人代理具有較強的親近感和信任感，抱有較濃厚的學習樂趣和積極的學習態度。這與已有研究結論吻合，但其內在影響機理仍有待探究。此外，AI全科教師主講課程的創生高度踐行了達文波特所提出的「人機共生」五大策略，即「超越-避讓-參與-專精-開創」（託馬斯·達文波特等，2018），有利於培養學生對新興技術的開放態度和萬物共生的和諧價值觀，積極迎接人工智慧時代的到來。
本研究採用課堂觀察、問卷調查和訪談調查的融通研究方法群，從擬人論視角探究AI全科教師主講課程對學生學習成效的影響。研究結果表明，AI全科教師藉由擬人化設計能有效增強學生的學習動機、增加學習投入和提升學習成效。這樣，「AI是否能夠承擔教師角色」這個長久以來備受各界關注與討論的問題，在本研究中得以澄清。這些研究結果與發現，肯定了AI全科教師提高學生學習質量的重要價值，對創新教學方式、優化課堂結構和推動教學減負有顯著的時代價值。
然而，由於當前技術發展、資源供給和經驗積累等因素的限制，本次研究也存在局限。研究工具上，所用AI全科教師的教學能力開發空間，仍有待深入挖掘，以促進更自如流暢的互動。參與研究的AI教師音色機械、語調平淡，因此在語言類學科（如語文）無法像真人教師「聲情並茂」地實施共情教學。近期發展勢頭良好的「智能有聲讀物」技術，給後續優化AI教師的教學語言提供了重要啟示（劉一鳴等，2019）。未來研究中，我們需聚焦機器人大數據分析技術，強化AI教師及時捕獲學習對象屬性（年齡、喜好等）和教學內容屬性（朗讀情感、韻律節奏等）的功能應用。基此，AI教師能夠充分提取、分析和模仿學習樣本特徵，在教學過程中生成深受學習者喜愛、內容適配度高的教學語言。另一方面，本實驗中師生雙向情感受交互方式的限制，造成了學生的總體發言比率較高，而主動發言佔比較低的現象。如果人-機情感交互不足，學生可能會因興趣降低而逐漸減少與機器人的交互（Kanda et al.，2004）。這種隱患可以通過建構情感機器人教師集成環境（簡稱ARTIE）解決（Imbernón Cuadrado et al.，2016）。情感機器人教師集成環境設計了能夠識別學生情緒狀態的組件架構模式，針對不同學生，機器人會採用不同的情感互動策略。微型課程開發上，課例設計尚未較好地平衡「AI教師-學生-真人教師」三者間的教學關係，使得AI教師總體上呈現出以直接影響為主的課堂控制風格，這可能源於本研究中機器人腳本的既定性和課堂教學的生成性之間的矛盾。因此，AI全科教師主講課堂應放棄以講授為主的教學方式，改為以鼓勵、引導、接納和提問為主的教學行為（明慶華等，2020），引導學生主動開展發現學習、協作學習、問題解決式學習、項目學習和基於競爭的學習等（Altin et al.，2013），從而在根本上突破傳統的師生二元對立格局，形成以AI教師為媒介的學習共同體，切實提高教師教學行為的間接影響性。此外，AI教師在不同學科教學中的應用和優勢亦有差異，例如，AI教師在英、語、數三科中的間接教學影響依次降低，這與不同學科的教學內容特點和知識傳授途徑相關。研究方法上，工具開發比較薄弱，參與者樣本數量較小，數據收集不夠全面，分析依據的適切性有待提高，期望後續研究加以彌補和解決。
本研究對未來的智能化課程與教學研究與實踐具有重要啟發意義。在研究層面，未來可開發AI全科教師課堂卓越的教學能力，提升教學設計水平，擴展更深更廣的數據收集與分析方法。在實踐層面，未來需大力推進AI教師進課堂、真人教師智能化教學專業發展及智能化教師教育培養模式創新等工作。打開視野，關照新興的超學科哲學（Uher，2015a，2015b，2015c）、深度學習理論（曾文婕等，2020）和學習為本評估方式（Zeng et al.，2018）等，本試驗研究彰顯了「AI全科教師主講課堂學習體系建構」關鍵科學問題，包含AI全科教師主講課堂學習體系超學科研究範式的理解與建構、AI教師主講課堂學習體系超學科文化理論的理解與建構、AI全科教師主講課堂深度學習體系學本評估方式的理解與開發和AI全科教師主講課堂深度學習體系整體開發策略的建構與驗證等系列重要科學問題。研究解決這些關鍵和重要科學問題，更好地提升智能化教學成效，需要更多教育工作者與機構的參與、政府政策支持、多領域人才協作等，進行協同探索！
參考文獻：
[1]Abraham，C.，Junglas，I.，Watson，R.T.，&Boudreau，M.（2015）.Explaining the unexpected and continued use of an information system with the help of evolved evolutionary mechanisms[J].Journal of the Association for Information Science&Technology，67（1）：212-231.
[2]Alemi，M.，Meghdari，A.，&Ghazisaedy，M.（2015）.The impact of social robotics on L2 learners』anxiety and attitude in English vocabulary acquisition[J].International Journal of Social Robotics，7（4）：523-535.
[3]Altin，H.，Pedaste，M.（2013）.Learning approaches to applying robotics in science education[J].Journal of Baltic Science Education，12（3）：365-377.
[4]安東尼·威廉·貝茨，肖俊洪（2016）.自動化還是賦權：在線學習路在何方？[J].中國遠程教育，（4）：5-11+79.
[5]Belpaeme，T.，Kennedy，J.，Ramachandran，A.，Scassellati，B.，&Tanaka，F.（2018）.Social robots for education：A review[J].Science Robotics，3（21）：eaat5954.
[6]Benitti，F.B.V.（2012）.Exploring the educational potential of robotics in schools：A systematic review[J].Computers&Education，58（3）：978-988.
[7]Bering，J.M.，&Bjorklund，D.F.（2004）.The natural emergence of reasoning about the afterlife as a developmental regularity[J].Developmental Psychology，40（2）：217-233.
[8]Biggs，J.B.（1987）.Student approaches to learning and studying[M].Melbourne：Australian Council for Educationa Research：12.
[9]Burgoon，J.K.，Bonito，J.A.，Bengtsson，B.，Cederberg，C.，Lundeberg，M.，&Allspach，L.（2000）.Interactivity in human-computer interaction：A study of credibility，understanding，and influence[J].Computers in Human Behavior，16：553-574.
[10]Caci，B.（2003）.Assessing educational robotics by the「Robot Edutainment Questionnaire」[J].Edutainment，（3）：1601-4219.
[11]蔡慧英，顧小清（2020）.聯結學習設計與學習分析：教師技術創新教學的突破口——訪西班牙巴利亞多利德大學雅尼斯·迪米特裡亞迪斯教授[J].開放教育研究，26（1）：4-13.
[12]Cameron，D.，Millings，A.，Fernando，S.，Collins，E.C.，Moore，R.，Sharkey，A.，Evers，V.，&Tony Prescott，T.（2018）.The effects of robot facial emotional expressions and gender on child-robot interaction in a field study[J].Connection Science，30（4）：343-361.
[13]Crowell，C.R.，Deska，J.C.，Villano，M.，Zenk，J.，&Roddy，J.T.（2019）.Anthropomorphism of robots：Study of appearance and agency[J].JMIR Humam Factors，6（2）：e12629.
[14]陳佑清（2012）.論有效教學的分析模型[J].課程·教材·教法，32（11）：3-9.
[15]陳琦，張建偉（2000）.論教育心理學研究方法的改進[J].教育研究與實驗，（1）：45-49.
[16]Deci，E.L.（2004）.Intrinsic motivation and self-determination in human behavior[J].Encyclopedia of Applied Psychology，3（2）：437-448.
[17]Edwards，C.，Edwards，A.，Spence，P.R.，&Lin，X.（2018）.I，teacher：Using artificial intelligence（AI）and social robots in communication and instruction[J].Communication Education，67（4）：473-480.
[18]Eisner，E.W.（1979）.The Educational Imagination[M].New York：Macmillan：103.
[19]Epley，N.，Waytz，A.，&Cacioppo，J.T.（2007）.On Seeing human：A three-factor theory of anthropomorphism[J].Psychological Review，114（4）：864-886.
[20]範庚發，孟士英（1998）.成人電腦教學中擬人教學方法初探[J].電化教育研究，19（5）：3-5.
[21]Fedorovna，V.P.（2015）.Technology of personification：Debatable forms of education in a teachers’training college[J].Procedia Social&Behavioral Sciences，177（22）：251-255.
[22]馮忠良（2002）.教育心理學[M].第1版.北京：人民教育出版社：125.
[23]Flanders，N.A.（1963）.Intent，action and feedback：A preparation for teaching[J].Journal of Teacher Education，3（14）：250-260.
[24]Flanders，N.A.（1970）.Analyzing teaching behavior[M].London：Addison-Wesley：101-103.
[25]Fredricks，J.A.，Blumenfeld，P.C.，&Paris，A.H.（2004）.School engagement：Potential of the concept，state of the evidence[J].Review of Educational Research，74（1）：59-109.
[26]高巍（2009）.課堂教學師生言語行為互動研究[J].教育研究與實驗，（5）：43-49.
[27]郝文武（2020）.信息化和人工智慧對教育現代化影響的得失應對[J].現代教育論叢，（3）：2-7.
[28]Heerink，M.，Krose，B.，Evers，V.，&Wielinga，B.（2010）.Assessing acceptance of assistive social agent technology by older adults：The almere model[J].International Journal of Social Robotics，2（4）：361-375.
[29]Helme，S.，&Clarke，D.（2001）.Identifying cognitive engagement in the mathematics classroom[J].Mathematics Education Research Journal，13（2）：133-153.
[30]Hsieh，T.L.（2013）.Below the surface：The relationship among different types of motivation，engagement，and performance of undergraduate students in Taiwan[D].Proquest LLc，University of Wisconsin-Madison：5.
[31]黃甫全，伍曉琪，唐玉溪，陳思宇，曾文婕（2020）.雙師課堂課程開發引論：緣起、主題與方法[J].電化教育研究，41（2）：99-107.
[32]Imbernón Cuadrado，L.E.，Manjarrés Riesco，á.，&De La Paz López，F.（2016）.ARTIE：An integrated environment for the development of affective robot tutors[J].Frontiers in computational neuroscience，（10）：77.doi：10.3389/fncom.2016.00077
[33]Jaipal-Jamani，K.，&Angeli，C.（2017）.Effect of robotics on elementary preservice teachers’self-efficacy，science learning，and computational thinking[J].Jounal of Science Education and Technology，26（2）：175-192.
[34]Kanda，T.，Hirano，T.，Eaton，D.，&Ishiguro，H.（2004）.Interactive robots as social partners and peer tutors for children：A field trial[J].Human-Computer Interaction，19：61-84.
[35]Katre，D.S.（2007）.Model based usability heuristics for constructivist e-learning[J].Journal of Educational Technology，3（4）：58-65.
[36]Kiesler，S.，Powers，A.，Fussell，S.R.，&Torrey，C.（2008）.Anthropomorphic interactions with a robot and robot-like agent[J].Social Cognition，26（2）：169-181.
[37]Kim，C.M.，Kim，D.，&Yuan，J.（2015）.Robotics to promote elementary education pre-service teachers』STEM engagement，learning，and teaching[J].Computers&Education，（91）：14-31.
[38]Kuh，G.D.，Kinzie，J.，Cruce，T.，Shoup，R.，&Gonyea，R.M.（2006）.Connecting the dots：Multi-faceted analyses of the relationships between student engagement results from the NSSE，and the institutional practices and conditions that foster student success[M].Bloomington：Center for Postsecondary Research，Indiana University：2.
[39]梁靖雲，呂素巧（2014）.教學目標設計初探——如何理解、設定與表述三維目標[J].教育理論與實踐，34（8）：51-53.
[40]劉淑珍（2009）.大學生對多媒體環境下互動學習模式的態度研究[J].電化教育研究，（7）：98-102.
[41]劉一鳴，高玥（2019）.人工智慧語音在有聲讀物中的應用研究[J].出版發行研究，（11）：35-39.
[42]呂俊生，陳煒，王臣松（2012）.多元協同學科化服務的實踐探索[J].圖書館學研究，（19）：60-63+67.
[43]明慶華，魯琪（2020）.「間接教學」與教育過程公平的現實審視[J].教育科學研究，（7）：17-22.
[44]Nohria，N.，Groysberg，B.，&Lee，L.（2008）.Employee motivation：A powerful new model[J].Harvard Business Review，86（7）：78-84.
[45]Ozdemir，D.，&Karaman，S.（2017）.Investigating Interactions between students with mild mental retardation and humanoid robot in terms of feedback types[J].Egitim Ve Bilim-Education and Science，42（191）：109-138.
[46]Petre，M.，&Price，B.（2004）.Using robotics to motivate『Back Door』learning[J].Education&Information Technologies，9（2）：147-158.
[47]Ryan，R.M.，&Deci，E.L.（2000）.Intrinsic and extrinsic motivations：Classic definitions and new directions[J].Contemporary Educational Psychology，25（1）：54-67.
[48]Tettegah，S.Y.，&McCreery，M.P.（2015）.Emotions，technology，and learning[M].Amsterdam：Elsevier Inc.
[49]託馬斯·達文波特，茱莉婭·柯爾比（2018）.人機共生：智能時代人類勝出的5大策略[M].李盼譯.杭州：浙江人民出版社：95-238.
[50]Thomas，E.H.&Galambos，N.（2004）.What satisfies students？Mining student-opinion data with regression and decision tree analysis[J].Research in Higher Education，45（3）：251-269.
[51]Uher，J.（2015a）.Conceiving「personality」：Psychologist’s challenges and basic fundamentals of the transdisciplinary philosophy-of-science paradigm for research on individuals[J].Integrative Psychological&Behavioral Science，49（3）：398-458.
[52]Uher，J.（2015b）.Developing「personality」taxonomies：Metatheoretical and methodological rationales underlying selection approaches，methods of data generation and reduction principles[J].Integrative Psychological&Behavioral Science，49（4）：531-589.
[53]Uher，J.（2015c）.Interpreting「personality」taxonomies：Why previous models cannot capture individual-specific experiencing，behaviour，functioning and development，major taxonomic tasks still lay ahead[J].Integrative Psychological&Behavioral Science，49（4）：600-655.
[54]Venkatesh，V.，Morris，M.G.，Davis，G.B.，&Davis，F.D.（2003）.User acceptance of information technology：Toward a unified view[J].MIS Quarterly，27（3）：425-478.
[55]Verner，I.M.，Polishuk，A.，&Krayner，N.（2016）.Science class with RoboThespian：Using a robot teacher to make science fun and engage students[J].IEEE Robotics&Automation Magazines，23（2）：74-80.
[56]王福興，李文靜，謝和平，劉華山（2017）.多媒體學習中教學代理有利於學習嗎？——一項元分析研究[J].心理科學進展，25（1）：12-28.
[57]王軍芬，周春兒（2012）.成人高教網絡課程學習適應性量表編制研究[J].浙江社會科學，（12）：66-74+126.
[58]吳永和，李彤彤（2018）.機器智能視域下的機器人教育發展現狀、實踐、反思與展望[J].遠程教育雜誌，36（4）：79-87.
[59]尹睿，徐歡雲（2017）.在線學習投入結構模型構建——基於結構方程模型的實證分析[J].開放教育研究，23（4）：101-111.
[60]尹睿，黃甫全，曾文婕，曾育芬，潘蕾瓊，陳思宇，伍曉琪（2018）.人工智慧與學科教學深度融合創生智能課程[J].開放教育研究，24（6）：70-80.
[61]卜玉華（2007）.課堂教學過程中學生主動發展的實現機制之研究[J].教育理論與實踐，（13）：55-58.
[62]餘勝泉，王琦（2019）.「AI+教師」的協作路徑發展分析[J].電化教育研究，40（4）：14-22+29.
[63]曾文婕，阮婷婷，黃甫全（2020）.知識創造型深度學習方式的構建與實踐——基於卓越小學教師職前教育探索[J].教師教育學報，7（5）：22-29.
[64]Zeng，W.J.，Huang，F.Q.，Yu，L.，&Chen，S.Y.（2018）.Towards a learning-oriented assessment to improve students』learning—A critical review of literature[J].Educational Assessment Evaluation and Accountability，30（3）：211-250.
[65]中共中央、國務院.中國教育現代化2035[EB/OL].（2019-02-03）[2020-04-20].http：//www.gov.cn/xinwen/2019-02/23/content_5367987.html.
[66]周琴，文欣月（2020）.智能化時代「AI+教師」協同教學的實踐形態[J].遠程教育雜誌，38（2）：37-45.
作者簡介：
黃甫全（通訊作者），博士，教授，博士生導師，華南師範大學德育神經科學與人工智慧實驗中心，研究方向：課程與教學基本理論、教師教育學、教育文化哲學、德育神經科學與人工智慧研發（huangfq@scnu.edu.cn）；
伍曉琪，碩士生，華南師範大學德育神經科學與人工智慧實驗中心，研究方向：課程與教學基本理論、德育神經科學與人工智慧研發；
丘詩盈，碩士生，華南師範大學德育神經科學與人工智慧實驗中心，研究方向：課程與教學基本理論、德育神經科學與人工智慧研發；
劉育良，碩士生，華南師範大學德育神經科學與人工智慧實驗中心，研究方向：課程與教學基本理論、德育神經科學與人工智慧研發；
曾文婕（通訊作者），博士，教授，博士生導師，華南師範大學德育神經科學與人工智慧實驗中心，研究方向：課程與教學論、學習哲學和德育神經科學與人工智慧研發（zengwj@scnu.edu.cn）；
陳思宇（通訊作者），博士後，副研究員，華南師範大學德育神經科學與人工智慧實驗中心，研究方向：課程與教學論、行動研究方法論和德育神經科學與人工智慧研發（chensiyu@m.scnu.edu.cn）。
基金項目：
國家社會科學基金教育學一般課題「以學習為中心的評估理論建構研究」（BHA180125）；