权国龙｜主体赋能：智能学习的多感官体验

摘要：人工智能技术的教学与学习应用成为教育研究与教育实践的热点。以主体赋能和教育赋能为价值归宿的智能教学与学习，其预期效应要在实践中从主体视角探寻。在智能技术的学习应用中可以从学生视角考查并分析智能学习体验，以改进智能技术的功能设计、调整其应用方式并优化其应用过程。在智能学习情境中比较主体的多感官体验，基于多维的数据统计分析学习主体对智能学习条件、过程与结果的感受，可以洞察智能学习的主体赋能启示。研究发现：智能学习情境的差异使主体多感官体验不同；动感和触感体验的显著影响启示了智能学习体验立体化、实体化的倾向和需求；而智能技术应用是学习结果体验的主要影响要素，是智能学习多感官体验的主要来源，可引起课程学习中的连锁交互反应并增强主体体验。研究认为，智能学习体验设计需要在明确的智能应用效用理性框架内要求“思考在场”以保证其有效性，进而在智能参与的交互交流中促成主体赋能。研究对智能教学环境建设、智能教学的设计与实施及智能学习的分析与推荐等有指导价值，对切实促进智能技术教育应用及智能教育发展有积极意义。

关键词：智能学习 ; 多感官体验 ; 学习体验 ; 智能教育 ; 主体赋能

作者简介

权国龙，博士，江南大学教育学院教育技术系副教授。

目录概览

一、问题的提出

二、概念与分析框架

三、研究设计

四、数据结果

五、讨论与结论

一、问题的提出

（一）人工智能教育应用正在积极影响教与学

人工智能技术的发展及其在教育实践中展现的驱动力，使现代教育进入新的发展阶段。AI技术在教育信息化发展中的潜在影响不容忽视。它伴随智慧教育的发展对教学与学习活动具有变革的意味(顾小清，杜华，彭红超，祝智庭，2021；权国龙，顾小清，汪静，2021)，正改变着教学环境、评测方式(陈琳，陈耀华，2020)、教学过程、学习方式（丁美荣，王同聚，2021）、评价体系等诸多方面。可以预想：拥有智能分析、反馈等智能功能的智能软件、智能体、智能环境等与主体在教育活动中相互沟通，并且在“拟人化”“人格化”的互动中促使教育发生着质的变化。在智能技术影响下，新的教育变革与实践对以人才培养为目标的教育系统来说意义非凡。

在智能技术和智能应用趋势下，学习环境、教学环境、校园环境、教育系统都开始具有“智能化”特征；在智能化的环境与系统支持下，教育主体的学习活动、教学活动、教育管理等都逐渐有人工智能的参与。简言之，由智能技术支持或智能应用参与的教育主体活动都可以称其为“智能的”，比如“智能学习”。智能学习作为新的学习模式开始深入影响主体的学习活动。智能技术可以动态地检测学生的情况、情境、学习需求和风格，以及其学习过程状态，并根据检测结果做出回应(Molina-Carmona & Villagrá-Arnedo, 2018)。在广义上理解，智能学习方式是基于人工智能的学习问题解决方案，特别关注个性化学习问题。许多带有不同程度自动化功能的系统都可看作智能学习环境。它们有各自的功能特点和应用目标，同时也都有一个共同的价值目标就是促进学生学习(Molina-Carmona & Villagrá-Arnedo, 2019)。实际上，现在的智能技术教育应用正处于多点参与、多样方式、功能强弱有别、渐进融合发展的状态，其主体赋能的过程是非连续的、有限量的、小范围的。这是弱人工智能发展与应用阶段必然出现的现象。

人工智能教育的价值在于为教育系统和教育主体赋能，表现于现代教育系统更优越的人才培养效能，以及主体更卓越的专业发展和自我成长状态。人工智能技术的赋能价值的实现，取决于它能发展到何种程度，更取决于如何在教育中应用它，以及教育主体在其应用中所产生的变化(顾小清，2021)。当智能技术“智能”到一定程度、成为教育技术应用的主流时，教与学的实践将不再是传统意义上的双边活动，而是教师、学生和智能的“相融共生”。在智能学习情境中，知识显露于动态多联的互动共生中，隐匿于“人—智”的记忆、思维与创造之间；学习主体也将在融合形态中与知识、问题和意义共存共生。这在强人工智能参与的主体赋能与教育赋能时期表现得最为显著。而从主体变化反观智能技术及其应用可以确认智能性主体活动的价值，洞察智能技术在实践应用中的优越性。

（二）从智能学习的多感官体验理解主体“赋能”

与传统学习相比，在智能学习中知识承载于多种媒介且表现为丰富的形态，学生也可表现为多种状态并扮演多样的角色。在“智能学习”空间里，知识将不只是媒介、媒体上呈现的视听对象，也会变为可视听、可触碰、有动感、可多感官感知的连续或离散的形态；学习也将变成一种丰富的互动体验与共生历程，即在多维立体、真实或混合的空间里学习。而这种差别源于智能技术支持的学习环境的变化，其重点在于学生参与其中的方式不同——表现为多种感官以不同的组合模态参与其中，即“多模态”互动。因为智能学习环境可以连接多种感觉通道，支持多种感知方式达到互动交流，这能够带来更多不同的体验。所以，在智能环境下“多感官学习”——运用多种感官促进学习——更具有技术优势。脑科学研究发现，刺激人的多感觉通道并建立联系对学习者的学习是有帮助的。而多感官学习对学习者的协作交流、记忆与理解有很大的促进作用(陈丹丹，许之民，2021)。在多感官学习与体验中更能引起学习主体新的感知、反应与行为，从而有产生别样学习结果和学习效应的可能。

由此，智能技术应用所引起的主体“赋能”效应就变成一个有趣的问题。在智能技术应用如何影响主体学习体验又如何“使主体能”的问题上，需要把“多感官”视角的“立体知识观”联系起来。在智能学习的“多感官”视角下可以构筑面向知识传播与学习活动的“立体知识观”。而“立体知识观”指引下的学习体验，有利于优化智能技术应用，提高智能教育环境下的主体学习效果。这不仅在于它能更细致地反映学习者对知识感知的程度，而且在于它可基于多层的关联观测更好地调节学习互动与学习结果。而智能技术的主体赋能过程就可以基于多感官学习体验的观测得到更有力的评测与调整，从而有可能快速而准确地改善赋能效果。正因为学习者对自己学习的状态、过程和结果的切实感受会影响其实际的学习效果，所以智能学习体验“多感官”分析对促进智能技术应用、提高其赋能效果很有意义。

本研究关注主体的智能学习体验，在不同的智能学习环境中观测学生对学习的多感官感知与认识，试图基于学生的智能学习感知特征分析智能学习体验的主要影响因素，揭示智能学习的重要影响因子。进而，在分析不同课程情境中智能技术学习效用的基础上讨论其主体赋能启示。研究问题有三个：（1）在多感官视角下智能学习体验有何特点？（2）智能学习多感官体验有哪些主要的影响因素？（3）在多感官体验视角下智能技术在智能学习体验中有何影响，又有何赋能效应？

二、概念与分析框架

在运用智能技术的学习环境中体验明显不同。不仅学习对象更加多样而多源，学习内容更加立体而动态，而且互动方式更加智能而灵活，学习体验也更加丰富而直接。从学习的过程与结果看，智能学习中的主体体验和多感官感知是两个重要概念。

（一）智能技术环境中的学习体验

学习体验，是学习主体参与学习活动后所形成的体认，包括对其中目标事物、过程与结果的“具身”感知、明确的认识和真切感受。“体验”是一种人对客观世界的认识与感悟过程。学习体验是学习者在与外部环境的相互作用过程(拉尔夫•泰勒，2014)中对其学习所构建与评价的意义(Knowles, Holton & Swanson, 2005)；它强调学习者在学习活动中的主体性参与，发生于学生对外在世界的接受和内化过程(沈建，2001)。在实践中，学习体验可理解为学习者对学习环境、学习活动和学习支持服务等诸多相关要素的感知、反应和行为表现(刘斌，张文兰，江毓君，2016)。

学习体验对学习效果和持续学习的潜在影响是不容忽视的。这在学习体验与相关影响因子的关系中可见一般。比如，Dobbs等人(2009)及Mortagy和Boghikian-Whitby(2010)的研究就说明在线教育的持续招生就取决于学生的在线学习体验与认识。也正因为它的重要性，学习体验在在线学习、在线课程、虚拟实验、翻转课堂、“慕课”等多个研究主题中都受到关注。比如，手势交互虚拟实验对学习体验影响的研究表明：身临其境感、自然丰富的交互体验能够有效增强学习者的物理沉浸，进而提高学习者的学习动机；而学习动机可以改善学习者的情感体验并增强其使用意愿，从而促进学习者学习体验的提升(刘革平，高楠，2021)。

一般来说，在学习活动中相关要素都会影响到学生的学习体验。但在特定学习活动中，显著影响学习体验的活动要素与主体因素是有差异的。例如，在数字教材研究中，其有用性是影响学习体验的重要元素，能增强学生的学习结果，而学生的投入程度是这种影响的重要调节因素(Sun & Flores, 2012)；在虚拟实验中情境中的交互与沉浸感是影响学习体验的重要因素(刘革平，高楠，2021)；在大学生学习体验研究中，教师教学、学生自主学习能力、平台和技术硬件设施是主要的影响因素(贾文军，黄玉珍，陈武元，2021)；基础教育在线学习调查显示，数字化学习资源、教师的教学清晰度和教学活动设计是显著影响学生在线学习满意度的因素(单俊豪，闫寒冰，宫玲玲，魏非，祝智庭，2021)。不同主题的学习体验研究有一个共同点是，正是某种活动策略与技术应用为学习主体带来了新的体验。所以，围绕学习活动中的“新”要素展开学习体验研究是一个基本方向，智能学习体验研究也不例外。

所以，需要构建智能学习体验的指标结构以观测智能技术应用所带来的学习体验。对学习体验的观测可以把始于行为的交互作为关切点。学习者与教师、学生、学习内容等学习要素的交互，以及学习者的个性等特质，常被作为理解学习体验的焦点和分析对象(Sun & Flores, 2012；Nwankwo, 2015)。其中，学习主体与学习内容间的互动是最强的体验预测因子，其次是师生互动、学生个性和学生间的互动；互动中所带来的感知、理解、认知结构的改变是互动中形成明确体验的关键(Sun & Flores, 2012)。而良好体验的活动应该是以学习者为中心的、情境连贯的、积极的、交流性的和支持性的(Dunlap & Lowenthal, 2014)。因此，对智能学习体验的探究可以从学习情境、过程与结果三个方面展开。

（二）智能学习体验的多感官视角

从多种感官感知展开智能学习体验观测可放大学习者的“交互体验”、提升观测水平。一者，主体通过多种感官感知智能技术环境；二者，不同感官的感知具有相补性；三者，智能技术的多功能设计及多样应用必然通过多种通道作用于主体。采用多感官视角分析智能学习体验可以透彻观测智能对象与智能工具所带来的影响。

智能学习的多感官体验，可以在“立体知识观”理念下得到关照。无论是经验式、原理式的知识还是差异化、智能化的知识，它都来自主体的认识与总结。那么，认知和总结的方式自然影响知识的性质与形态，而多感官体验自然就在其中产生作用。在多感官视角下人的学习被分解为学习时利用自身不同感官的过程。除了常规的视听刺激外，智能技术运用中更有触觉与动觉的刺激。如果把知识看作是理解事物运动与变化规律，识别事物本质与内外部关系的过程，那么多感官参与的学习就是借助不同官能构建知识、利用知识或展开知识的过程与状态。所以，在“立体知识观”关照下的多感官学习体验也就容易理解为对学习的多感官感知的表达，如学习的视觉体验等。

因此，多感官体验就可以理解为通过眼、耳、皮肤、鼻、舌等感觉器官完成的体验活动(赵曦，2018)。就以教学来说，多感官教学就是指教师要在教学情境的创设、教学内容的呈现和学习方式安排、学习结果评价等活动组织上尽可能调动学生的视、听、触、嗅等多种感官参与学习，以充分开发和利用学生的多元智能，满足不同学生的需求，提高其学习效能(顾越，梁怡佳，邵敏，2016)。

而关注智能学习中的多感官体验可优化、改善智能学习过程与效用。智能学习多感官体验的存在不仅因为在智能技术运用下知识往往以多种媒体形式表征，如全息投影，而且在智能技术参与下学习活动常以多种感知方式展开，如混合现实。从多感官视角关照学习体验，就是要从多种感官聚焦学习主体与学习要素间的影响过程，分析主体在多层面交互中的感受，以有助于调节主体心理因素释放正向效能，调整智能技术发挥正向效用。

（三）多感官学习体验的分析要素

为观测并分析智能技术运用对主体形成的影响，本文着重于主体在智能学习交互中的感知与认识以从认识层面探索智能学习体验。智能学习体验的多感官感知涉及视觉、听觉、触觉和动觉（对身体运动和事物变化状态的感知）四种感官模式，主体的交互感知涉及学习的条件、过程与结果三个方面的六种要素。以交互为焦点的智能学习多感官体验分析要素如图1所示。其中“智能学习情境”包括智能学习空间里的主要要素，包括学习对象、智能技术、教师和学生、学习输出与专业技能。各要素向中心的连接表示学习主体与它们间的交流、互动或内省。图1有助于理解智能学习体验的主要要素及其内在关系，而对智能学习体验的理解与分析有利于优化智能学习过程与资源设计、深化主体学习并促进智能学习的发展。

图 1 智能学习多感官体验分析要素

三、研究设计

（一）情景与对象

为分析智能学习多感官体验的特点、主要影响因素，探讨智能技术在学习体验中的影响及其效应，研究选择了带有智能对象和智能工具支持的两种课程学习情境展开。一种代表了智能对象与技术的“内展”特征，即主要辅助了学习主体的认知、理解和思考过程；另一种代表其“外展”特点，即主要从学习主体的行为、行动过程中起到了辅助作用。

“高级语言编程”是第一种情境的代表，由高级语言编程软件和编程练习环境支持。其智能性体现在提示与纠正、分色显示信息、及时报错与反馈以及智能判断出错位置与原因等方面。尤其是编程练习环境，它具有自动比对、错误判断、分类统计、摘要式反馈等智能辅助学习的能力。“智能机器人”是另一种情境的代表，由智能组件和智能程式编写环境支持。其智能性体现在机器交互界面、实体智能控制、编程中的信息识别与提示等方面。

项目由44名教育技术专业大三的学生参与，历时一个学期。课程按正常的学期课程开设，由各自的授课老师按课程安排在多媒体教室和实验室或实训室里教授。学生能在两门课程中充分体验到两种学习环境的智能特性和智能功能。

（二）方法与过程

研究采用单组双情境下的多感官体验数据分析智能条件下的学习过程和学习结果，通过回归分析与横向对比回答研究问题。其中，将利用问卷测量学生在智能学习中的多感官体验，进而利用数据分析学生智能学习体验的特点及其主要影响因素。结果与讨论中将在两种智能学习情境的比较中描述学习主体的多感官体验特征，揭示过程性体验与结果体验之间的关系并分析智能技术应用对多感官体验的影响，进而对如何通过智能技术的设计与运用改善学习体验、促进其赋能效果给予启示。

研究先期观察了两门课程的智能特点，对比了其智能要素与功能的不同。而后在自然授课状态下完成课程教学。在课程结束后，由参与学生完成面向智能学习的多感官学习体验问卷。

（三）工具与数据

常见的学习体验测量主要从学习的目标、需求、环境、内容、过程和结果等要素着手。用于学习体验测量的典型工具有ETLQ和SELTQ。ETLQ是为了加强本科课程教与学环境而开发的教与学体验问卷。它聚焦于学生的学习方式及其对课程环境的感知，包括五个部分：学习与研究方式的清单、模块内容学习体验、学生感知课程单元的需求、学生的收获，以及学生的目标达成度。CETLQ是基于ETLQ的开发与应用(Rui, 2004)。而SELTQ则从评价和反馈、课程组织和演示、学生自我评价、学生的参与程度四个方面构建了学习与教学的学生评估问卷(Zerihun, Beishuizen & Van Os, 2012)。从CETLQ和SELTQ的主因子及其解释能力看，学习体验的重要因子源于学生的自我评价、投入程度及支持程度。

从多感官视角理解主体的智能学习体验，需要在学习科学的理论指导下参考已有的测量问卷构建并自制问卷。“多感官学习体验问卷”的构建遵从前述理论分析，由“四觉”和“六要素”构成其主体，并以交互为题项内容描述的焦点。问卷主体吸取了ETLQ和SELTQ的内容与结构重点，保证了其基础效度；问卷的题项内容全面、结构齐整，从整体上反映了多感官智能学习体验的本质。问卷题项按不同课程作了情境化描述，形成了两套问卷。情境化问卷有利于学生根据课程不同学习课程情境中的感受准确回答题项，从而降低数据失真率。两种智能学习情境的问卷各有24题，并使用李克特七点量度。这里以学习者在各学习要素上的视觉体验为例，部分呈现题项所描述的具体体验。

（V1）可以轻松看懂对智能体、软件与代码的媒体呈现或演示；

（V2）可以及时看到智能实体、智能软件与代码中的智能显示与引导；

（V3）可以看清楚老师的展现与演示并进行必要的交流；

（V4）可与同学交流智能实体、智能软件的使用及代码的编写和运行中所见重点与疑虑；

（V5）课程作业/作品中的视觉设计与实现有专业水平；

（V6）能设计并实现课程作业/作品中专业的视觉效果。

多感官学习体验问卷的信度和效度良好。用SPSS软件分析数据后显示问卷信度良好，其Cronbach’s Alpha系数分别为0.946、0.921。理论和数据分析也表明，问卷建构效度良好。学习主体与智能学习情境要素的多感官交互体验的理论构念，既表现了问卷对学习情境的全面涵盖，又体现其对体验重点的准确聚焦，富有要素明确、关系明晰、框架完整的理论特质。而采用因子分析检验问卷的建构效度，其因子构成与题项载荷的情况也都在可接受范围内。（1）其KMO为0.755、0.692，Bartlett近似卡方为1026.306、798.371，自由度均为276，显著性均为0.00。（2）采用主成分分析、用最大方差旋转法提取5个因素；所有题项之公因子的方差均在0.5以上；六个因子累积解释总方差达到75.94%，高于SELTQ量表56%(Zerihun, Beishuizen & Van Os, 2012)的解释比例。（3）“旋转成分矩阵”分析发现，在主成分上的载荷都大于0.5的条件下明显可提取的因子包括结果性的“成果与能力”、过程性的“与师生交流”、条件性的“学习对象感知”和“智能应用感知”，还有特别的“触感与运动感知”因子。两种智能学习情境下可提取的因子相似，不同主要在于因子载荷顺序有别、对智能应用体验的主要要素有差异，以及触觉与动觉体验所体现的要素主次有所不同。（4）在问卷效度分析中也发现了个别未能准确描述的题项，它们使得“与教师交流”和“智能技术应用感知”的题项归并出现偏差。因此，基于题项的归并结果与内容描述对第8、9、10及24题进行了质性校验和修订，如第9题交流与内容并列式表述改成了围绕内容进行交流的动宾式陈述。多感官学习体验问卷在主成份分析中的解释总方差情况见表1。

表 1 解释的总方差

四、数据结果

（一）智能学习体验中的感知特点

经数据统计显示，智能学习多感官体验在实体感知、运动感知方面较为突出，体现出感知的“立体性”特点。

1、动态变化是高级语言编程学习体验中的突出特点

对事物动态变化的感知，即“动感”体验，表现于编程学习与操练中对学习内容与操作对象的动态变化的感知。在高级语言编程学习中，突出的“动感”体验说明学习内容或对象中的动态变化引起了学生较高关注。比较而言，“动感”体验与触觉体验的差距最大，见表2。即，在具体体验上，学生对编程软件的功能运行及代码所引起的变化有更加明显的感知；由于代码及其变化的不可触与间接触及，学生在触觉上的感知相对偏弱。

表 2 高级语言编程学习中的多感官体验描述统计量

而“动感”体验首先源于学生对课业成果和专业技能的感知。数据显示，学生对专业技能的感知最强（M=4.84），对课业成果的感知体验次之（M=4.64）。“动感”体验随后表现于与同学交流方面（M=4.59），在学习对象与技术工具方面的“动感”感受偏弱（M=4.34, M=4.23）。显然，高级语言编程学习体验主要体现在学习结果，而后是体现在学习交流方面——多感官综合结果也是如此。从与师生的交流方面看，与学生的动觉相关交流体验最强（M=4.59）；在与老师的交流方面，视觉相关交流体验最强（M=4.55），触觉相关交流体会最弱（M=3.80）。即，学生对编程学习中所遇的功能性提示、运行结果、智能反馈等变化的感知程度较高，并且主要围绕所见展开互动交流。

从体验数据的波动性来看，编程课业成果与相应专业技能体验的波动性也是最小的，其σ均值为1.10，最大值1.46。这说明学生对课业成果与专业技能上的动觉感觉是稳定而强烈的——数据也证明了这一点，其动觉σ均值为1.00，最大值1.32。由于数据波动性能反映条件、过程与结果上学生的多种感知的变化，多感官体验分析也就能体现出辅助诊断智能学习中潜在问题的优势。“高级语言编程”学习中的多感官体验见图2。

图 2 “高级语言编程”学习中的多感官体验

2、动感、触感与视觉感知彰显了教育机器人课程学习中的“立体”感受

“动感”体验在教育机器人学习中仍然是最好的。从对机器人的运动设计到通过代码使之运动起来再到看到它按预期完成的运动变化，这种“动感”体验给学习者的体验冲击是最强的。触觉与视觉上的感受紧随其后。显然，教育机器人学习中的实体化特征与操作性强的特点使学习体验的“立体感”大大增强。而动觉体验与听觉体验之间差距最大，也从多感官感受对照中反映了教育机器人学习中的实际特点，见表3。也就是说，智能实体的运动以及通过软件与代码对智能体的操控，是学习者体验到的鲜明特征，其可触性与可见性增强了学生的感知强度。

表 3 教育机器人学习中的多感官体验描述统计量

而“动感”体验首先源于学生间就“机器人”运动的交流的感受（M=5.20）。其次是对自己掌握了驱动机器人运动的技能的感受较强（M=5.16）。而在视觉与触觉体验中，与同学交流时的感受也较强（M=5.30，M=5.23）。在学习对象与技术工具方面的动感、视觉和触感感受都相对偏弱。显然，教育机器人学习体验中以同学间的交流较为突出，多感官综合表现上也是这样（M=5.22）。从与师生的交流方面看，学生之间的触觉、视觉与动觉体验的交流都很强（M=5.30，M=5.23，M=5.20）。即，学生体验主要在于操控机器人，并围绕它的运动变化所展开的交流；而交流展开中的焦点主要在于其所见情况与所做操作，而非智能体和软件本身。

从学习结果、交流过程与学习条件三方面看教育机器人课程中的学习体验，学生的交流体验最强、智能技术（工具）体验次之，专业技能和课业成果的感知最弱。在专业技能和课业成果上，学生的听觉体验最弱（M=4.39），触觉体验也较弱（M=4.23）。这与专业技能和课业成果感知应当较为明显的预期不太相符，也就说明课程教学中应该关注如何通过更全面的讲解和操作使学生的兴趣与交流落地并产生能够使学生满意的结果。“智能机器人”学习中的多感官体验见图3。

图 3 “智能机器人”学习中的多感官体验

“动感”体验突出、触觉与视觉体验较强的“立体”感受，与编程学习中的情况形成鲜明对比。编程学习情境中的体验突出在技能与成果方面，多感官感受上主要体现于动觉与视觉；而教育机器人学习情境中则突出在与同学和老师的交流方面，多感官感受上主要表现于动觉和触觉。

（二）多感官视角下智能学习体验的主要影响因素

在智能应用的主体赋能视野下分析智能学习的多感官体验，可以把学习主体的整体智能学习体验作为目标看不同感官体验的表现，还可以把学习主体的课业结果和专业技能感知作为目标看学习条件上与学习过程中不同感官体验的预测能力。

1、多感官感受对整体智能学习体验的影响

从多感官视角分析哪种感官感受能在课程学习的多感官体验（记作E）中起主导性作用时，即分析E=f(V,A,T,D)时发现：动觉与听觉体验在课程学习整体体验中的影响更为普遍。

其中，在编程课程学习中可以通过听觉、动觉和触觉体验很好地解释课程学习体验。其解释模型可表达为：E=1.472A+1.41D+0.963T+4.095，模型参数R²=0.992，F(1,40)=182.494，p=0.000。即，在高级语言编程课程中，这三种感官感受可用以代表课程中学生的整体学习体验。从听觉、动觉和触觉方面，即从功能的说明、代码的解释、代码所引致的变化以及通过键盘引起目标对象变化等方面提高智能学习体验设计，将有利于增强学生的高级语言编程学习体验。

在教育机器人课程学习中可以通过视觉、动觉和听觉很好地解释课程整体学习体验。其解释模型可表达为：E=1.44V+1.533D+0.943A+2.306，模型R2=0.982，F(1,40)=49.952，p=0.000。即，在教育机器人课程中，这三种感官感受可用来代表课程中学生的整体学习体验。从视觉、动觉和听觉方面，即从控制代码生成与示例、软件的操作过程、由代码引起的智能实体的运动，以及对其中关键处的解释与说明等方面提高智能学习体验设计，将有利于增强学生的教育机器人学习体验。

2、多感官感受对智能学习中结果体验的影响

从多感官视角分析各种感知模式对学习主体的课业成果与专业技能体验有多大程度的影响时，即分析R=f(V,A,T,D)时发现：课程学习中较弱的感官感受对于预测学生学习结果体验有较强的效力。

其中，在编程课程学习中可以通过触觉体验解释课程学习结果体验，解释率达31%。其解释模型可表达为：R=0.878T+22.065，模型参数R²=0.31，F(1,42)=18.878，p=0.000。其中，触觉体验的预测分数为β=0.878，t=4.345，p=0.000。也就是说，在高级语言编程课程中，触觉感受上的变化可用来代表学生的学习结果体验。从触觉方面着手提高智能学习体验设计有利于增强学生的课程学习结果体验。若分别以课业成果和专业技能为因变量，就会发现触觉感受依然是它们的预测因子,因变量解释率分别为26.7%、28.2%。其模型分别是R1=0.11T+2.645，R2=0.11T+2.871。

在教育机器人学习中可以通过听觉体验的调节改善课程学习结果体验，解释率达21%。其解释模型可表达为：R=0.88A+19.868，模型参数R²=0.209，F(1,42)=18.878，p=0.002。其中，听觉体验的预测分数为β=0.880，t=3.333，p=0.002。也就是说，在教育机器人课程中，听觉感受上的变化可用以预测学生的学习结果体验。从听觉方面着手提高智能学习体验设计有利于增强学生的课程学习结果体验。若分别以课业成果和专业技能为因变量，就会发现；听觉与视觉分别是它们的预测因子，因变量解释率分别为21.1%、15.5%。其模型分别是R1=0.88T+19.868，R2=0.332V+12.407。

3、智能应用是学习结果体验的强有力预测因素

在智能学习的主体赋能视角下，智能应用是智能学习结果体验的预测性因子。把课业成果体验与专业技能体验作为智能学习多感官体验的因变量，考察学习对象、智能技术（工具）及与教师和同学的交流对学习结果体验的影响时，即分析R=f（O,S,C1,C2）时发现“智能应用”是对学习结果体验产生有力影响的要素。

在编程课程学习中，智能技术（工具）与学习结果体验之间存在显著的依赖关系，对因变量的解释率为24.4%。其回归模型可表达为：R=0.849S+22.041，模型参数R²=0.244，F(1,42)=13.521，p=0.001，智能技术的显著性为t=3.677，p=0.001。而在教育机器人课程学习中，学习对象与学习结果感知之间存在显著的依赖关系，对因变量的解释率为23.2%。其回归模型可表达为：R=0.107S+2.613，模型参数R²=0.250，F(1,42)=13.972，p=0.001，学习对象的显著性为t=3.738，p=0.001。要注意的是，教育机器人中的学习主要内容就是智能技术及功能，就是学习对象。从两种学习情境看，学习对象中涉及对象的“智能属性”，而智能技术涉及工具与系统的智能功能。所以，这里用“智能应用”指代具有智能特性的学习对象和智能技术工具。

而影响智能学习多感官体验的主要因素就是智能对象和智能工具。重视智能应用的设计对于提高学习结果体验，进而增强智能学习的主体赋能效应非常有益。而调节课程中突出和偏弱的感官感受设计，像编程课程中的动觉、听觉和触觉及机器人课程中的动觉、视觉和听觉，就是改善智能应用设计的基本途径，能显著影响课程学习中的课业成果与专业技能体验。

（三）智能应用在两种学习情境中的影响

如果由智能属性和智能功能所体现的智能应用对学习结果体验有显著的影响，那么智能应用在学习情境中到底有怎样的影响呢？这里通过对两种情境下学习结果、学习条件的多感官体验对照以及对两种智能应用的特征分析，揭示智能应用的影响。

首先，两种智能学习情境下的多感官体验整体上存在显著差异。配对样本T检验显示，编程课程中的整体体验要低于智能机器人课程，t=−4.756，p=0.000，见表4。

表 4 成对样本检验

其次，学生对两种情境中的学习对象与智能技术体验都存在显著差异。T检验结果显示，两种智能学习情境中学习对象体验和智能技术体验都存在显著差异（t=−3.497, t=−4.185），见表5。这说明高级语言编程情境下智能学习对象体验和智能技术体验要比智能机器人课程中弱。

表 5 成对样本检验

再次，两种智能应用中学生对学习对象和智能技术的各感官体验也都存在显著不同。T检验显示，两种情境下学生在两大学习条件上的不同感知体验都存在显著差异，尤其是听觉和触觉上的差异（t=−4.761, t=−4.577）。详见表6。

表 6 成对样本检验

所以，可以认为应用了智能技术的学习对象、工具或系统能为学习主体带来显著的多感官体验。而且，它能够显著预示学习结果体验。事实上，智能学习中的“立体”体验也意味着具有智能特性与智能功能的学习对象、学习工具等外在条件能引起师生的主动参与，并在广泛的交互交流中（智能应用与交流互动间显著相关，r=0.806, p=0.000）为形成良好的结果体验提供条件。

而这种变化就源于学习情境中具有“内展”和“外展”辅助潜能的“智能应用”。高级语言编程情境下智能功能有：智能分析原因、自动判断错误、智能判断位置、自动分类统计、自动适时反馈、自动信息识别、自动提示、自动纠正输入、自动显示信息。教育机器人情境下的智能功能有：操作智能实体、智能控制实体、自动识别信息、自动提示信息、智能控制界面。前者的功能主要在于信息与计算服务方面，有“内展”特性；后者主要在于实体操作、信息操作与实体控制，有“外展”特性。正是由于智能技术应用的方式与形态不同，学生也形成了不一样的体验，见表5。虽然体验不同，但是智能应用不仅能带来突出的多感官体验，而且能引起学生对学习结果体验的变化。

五、讨论与结论

（一）智能学习的多感官“立体”体验需要“思考在场”

智能学习多感官体验观测的重要启示之一，就是要求“思想在场”。学习主体在智能学习情感中多方面多感官的感受构成了学习者的“立体”体验，形成了学习者对智能应用“赋能”的体认。这在研究中从两个方面得到体现。一方面，学生的智能学习体验突出地“凝结于”交流过程和学习结果方面。其中编程课程学习中主要在于对专业技能和与同学交流的感受方面，机器人学习中主要在于与同学交流和对课业成果的感知方面。在因子分析中发现，学生对课业成果与专业能力的感知能解释体验方差的20%，算上交流过程部分解释率达到39%，在各主成分的解释率占比中是最高的。这说明学习的收获、交流与成就感能成就学生的课程学习，能为其带来“饱满”的学习体验。在体验中学生不仅能在课业成果上感知到所学的对象与内容及对它们的理解与应用，还能体会到通过学习所形成的课业成果和专业技能及对相应的胜任感。

再一方面，从多感官体验看，以动感体验为代表的智能学习“立体”体验是提升学习体验的着力点。这一因子可解释整体学习体验方差约14%至17.3%，在方差解释率中排第三位。触觉体验的解释率随其后，解释率达11.7%至19.9%。这意味着，动感与触感体验是丰富学习体验的重要感知“通道”，尤其是触感体验在两种情境中的主成分分析上的变化，说明触感与动态体验与学习情境有关联。而且，数据结果中的智能学习感知特点也充分说明“立体”感受在学习体验中的重要性。所以，如果能充分调动学生的“具身参与”形成“立体交互”，将对强化学习体验大有裨益。

可以肯定的是，对主体的学习结果的体验与对智能学习特点的感知密切联系。不过要注意，智能应用所带来的多感官体验中在学习结果体验方面的变化只是一种可能，并非必然。从表2与表3可见，两门课程中各感官体验总量的分布不同，编程课中差异明确，而机器人课中差异不明显。而未加干预的自然状态下对比感官体验总量分布不同的两种情境中的学习结果体验发现没有显著差异（t=−1.119，p>0.05）。这就不得不质问影响智能学习体验的智能应用为何没有在主体的学习结果感知上造成差异化的影响，其中真正的赋能条件是什么。分析认为：学生在两门课业成果与相应技能上的体验缺少区分度，主要出于学习结果方面“思考”不足或过程体验中缺少“思考”。数据分析过程与课程实施情况都指示了“思考在场”是智能应用真正影响学习结果及其体验的必备条件。此外，对学习结果的测量也只有在更为具体、严格的规程中才更具可靠性。

所以，智能应用的学习体验当在理论指导下在实践中有质的提升。根据体验学习理论(叶浩生，国礼羽，麻彦坤，2020)，智能学习情境下的学习条件与学习过程需要使学生在多感官体验中深入各学习环节。多感官体验由智能学习环境加强，更是在主体的理解、思考、互动与操作中才起到重要作用。这就需要发挥智能学习情境本身具有的多感官体验优势：（1）智能学习情境下的视听展现更周详，能使主体对学习内容的感知更细致、全面；（2）智能学习中的触感与动感突出，能使学习对象立体化、学习内容具象化并可操作；（3）智能学习中的多面感知，能加速经验吸收，并有利于反思观察；（4）智能学习中的多面感知，也有利于抽象理解与思考，并在积极实践中形成“理论结合实践”的完整形态进而圆满完成学习。两种学习情境中的智能应用，既涉及到抽象的概念、语法与算法，又兼顾了实体的控制与运行、器件组合与软件操作等，在实施中有大量“思考在场”的机会。所以，科学、合理的智能设计与应用可以在理论与实践中提供多样的支持，而“智慧地交互”应该也将必然成为智能学习的基本特征。

（二）面向主体“赋能”的智能技术应用建议

智能技术应用以其在学习条件上的智能性及学习过程中的参与性，深刻影响了学习主体的多感官体验。这种体验使学习主体更真切地感知学习的过程与结果，如编程操作中的输入与输出变化，机器人项目中的符号操控与实体运动等。正是富有动感与触感的“立体”体验为学习主体形成课业成果与专业技能上的正向体验并实现赋能提供了优势条件，使智能应用的赋能价值有可能实现。因此，设计有效的智能功能并科学使用智能技术就可以使学习主体通过立体化、实体化的多感官体验中感受过程并走向收获，进而可能促进学习效能、增强赋能效应。所以，在“智能赋能”视角下提出以下建议。

1、明确智能应用的主体赋能特性，如“内展”与“外展”，并在应用中增强学生相应的感官体验。由于两种情境下的条件与过程体验存在显著差异，可以认为不同的智能技术应用拥有不同的可感知性。而可感知性越全面、立体，学习主体在学习活动中的体验就越好，就有利于在“内展”与“外展”体验中达成学习目标。因为智能学习体验都源于学习主体与各学习要素的交互。智能技术应用在交互过程中的可感知性，可以用易用性与有用性描述：（1）智能功能容易被主体感官捕获，容易与使用情境相融；（2）智能技术应用对认知目标与操作过程是有用的。围绕易用性和有用性设计与实施，就可以充分“打开”智能技术应用的可感知性。在智能学习中释放智能应用的可感知特性，可以使主体及时、充分地感知智能应用的辅助作用。智能的辅助有利于促进学习主体记忆、分析、反应与聚焦等，使学习者在与“智能体”的“协作”中完成任务，形成知能。相较于非智能技术，“智能体验”与众不同。

2、智能应用的价值可以在学习主体与各学习要素的互动中被充分调动，智能技术的“赋能”潜力也可以在多感官体验的输入与输出循环中得到发挥。在多感官体验方式下学习主体可以在“多通道”复合作用下加深对学习内容与智能技术的感知和理解，而智能应用也应该在主体与各学习要素的互动中被多重感知。在“输入与输出循环”的实践过程中，就有机会实现智能应用使主体学习提质增效的预期。

智能应用应该在视听“刺激”的基础上强化动感与触感的设计，使智能学习体验立体化、“具身化”。动态与触感的刺激作用及对学习的积极意义已在诸多研究中得到肯定(刘革平，高楠，2021；华子荀，2019)。多重感知智能应用，就是要调动多种感官整合多种信息以在意识中形成“立体化”的认识，联通意识与物理空间中的输入性与生成性信息，并产生必要的“具身”行为(叶浩生，国礼羽，麻彦坤，2020)。在这种情况下，学习主体的意识空间变化与“物理空间”活动处于充分“浸润”的状态，进而为接受辅助并形成赋能提供最大可能。学习结果体验主要是在主体与各学习要素的多感官交互体验中积累形成的，而学习的对象内容与技术环境是激起交互体验的源头。学习主体正是在与智能应用的“协作”中经历“赋能”反应，更是在“协作”后形成的课业成果与专业能力上体会这种“赋能”效应。

3、智能应用激起的学习体验需要提高实际效力。学习主体在两种智能学习情境下的课业成果与专业技能感知差异不显著，最可能的原因是存在其它支配学习结果体验的因素。数据分析也表明在学习条件与过程上的四种要素体验只能解释学习结果体验变异量40%左右。而智能学习体验最终还是要落实于主体的理解与运用之上，所以要切实提高学习的有效性，以完成智能应用的主体赋能。因此，智能应用应该在特定的教学与学习理论框架下充分发挥其“交互赋能”潜能。

所以，对智能性的学习资源与技术工具的多感官感知应落脚于对学习内容的吸收及对操作方法与过程的掌握与运用。而且，应该在学习与教学理论的指导下，如体验学习理论，把智能应用与专业知识技能及学科思维整合起来，最终使学习主体在课程价值与专业目标上形成可期、可见的理性体验。只有在这样的过程中，高级的智能交互应用才会逐渐扮演重要的角色。在智能应用推进中，主体赋能与教育赋能仍离不开智能交互设计与运用、测评与反馈，而这都要在科学合理的理论引领下才能实现。

本研究存在一定的局限。在后续研究中将进一步优化问卷以提高其质量、增强其测量的效力、扩大其使用范围。同时，也将在后续的智能学习研究中关注情境设置并扩大样本量以提高研究可靠性。未来研究将在扩大情境范围的基础上进一步扩展到情感层面分析智能学习体验，并逐渐通过干预探索智能应用所引起的主体学习变化及其赋能主体的效力。

(权国龙工作邮箱：qdylan@live.cn)

为适应微信排版已删除注释和参考文献，请见谅，如需阅读全文，请点击左下角“阅读原文”获取。

上期回顾

特稿

尤西林：中国当代通识教育的起源背景与现状问题——兼论通识教育“评估−调整”机制的意义

高等工程教育

乔伟峰等｜基于共同体准则的治理：工程教育认证的理论源流与实践走向

曾开富等｜中美研究型大学工程教育制度与理念研究——基于语料库的批判话语分析方法

李曼丽等｜新时期本科教育拔尖创新人才培养模式探索——一项关于清华“钱班”12年试点的质性研究

基本理论与基本问题

吴瑞君等｜我国人口在校模式高质量发展研究

李小红等｜家庭文化资本对学生阅读素养的影响：基于多层logistic模型的实证研究