摘 要：智能时代，“三师课堂”作为传承陶行知教育思想与融合人工智能技术的本土原创教学新形态，正推动课堂由“技术辅助”向“人机协同”深层转型。AI作为关键的能动要素深度嵌入课堂，通过赋能教师精准决策、助推“小先生”智慧互教互学、开辟大规模因材施教新路径，重构了课堂教学生态。然而，技术嵌入亦引发了师生主体性异化、算法偏见与价值诱导、数据隐私泄露等多维风险。为此，应通过确立三方协同的权责边界、设计弹性生成策略、重构情感交互秩序及完善技术普惠体系，消解技术异化风险，推动“三师课堂”向良性生态演进。

关键词：三师课堂；人工智能；人机协同；异化风险；技术治理

以ChatGPT、DeepSeek为代表的生成式AI技术，掀起了一场以人的解放为表征的智能革命，正在重塑教育发生逻辑、过程结构和评价标准，塑造支持人的全面发展的教育环境。尤为值得关注的是，智能技术的影响正由“能生成”走向“能行动”，一方面，多智能体协作使认知与决策更易被外部化；另一方面，伴随具身智能加速落地，智能系统正从屏幕走向真实情境，推动教育活动在更广阔的时空与媒介中展开。由此，课堂形态结构也在随之演进，主要体现为现代工业逻辑衍生的标准化课堂，逐步转变为更加关注学生个性化学习的人机协同课堂。然而，现实中的人机协同课堂更多停留在以技术优化教学支持的层面，学生在课堂中的学习生成与主体参与仍然不足。因此，“三师课堂”应运而生，其通过重构课堂中的主体结构，探索在规模化条件下激活学生学习参与的实现路径。“三师课堂”并非无源之水、无本之木，其理念根植于陶行知先生在一个世纪前所倡导的生活教育理论。陶行知先生针对传统教育中“先生教而不做，学生学而不做”的僵化弊病，提出“小先生制”“师生共生活”与“共学、共事、共修养”的“三共”理念，以此破除以教师为中心的知识霸权，构建师生共同生活体。在“共学”中实现相教相学，在“共事”中培养创新精神与实践能力，在“共修养”中达成灵魂的相遇。与此同时，陶行知创立的“小先生制”更是确立了“即知即传”与“教人去教人”的互助机制。这为当下的“三师课堂”提供了核心的思想指导。所谓“三师课堂”，即由教师、小先生、AI智能师协同互动教学的课堂，教师核心职能在于定方向、设任务、育品格，小先生践行“即知即传”与同伴互教互学，AI智能师提供个性化认知脚手架、沉浸式学习模拟与动态评估支持，三者相互渗透，构建“共学、共事、共成长”的智慧课堂生态。

2025年1月中共中央、国务院发布实施的《教育强国建设规划纲要（2024—2035年）》明确提出，“探索数字赋能大规模因材施教、创新性教学的有效途径，主动适应学习方式变革”。同年12月30日教育部科学技术与信息化司司长在关于“十四五”期间教育数字化进展成效的新闻发布会上提出“推动未来课堂改革。课堂是育人的主阵地。我们将探索构建‘师—机—生’三元协同课堂的新模式”。由此可见，“三师课堂”正是国家战略中“师—机—生”三元协同机制的先行探索与本土化课堂形态。在智能技术不断渗透课堂教学的背景下，教育界围绕智能时代的“因材施教”开展多样化探索，集中于学情分析、教学支持与评价反馈等层面，试图兼顾规模培养与个性发展、面向未来课堂与学习中心的课堂教学形态。然而，在具体教学情境中，技术赋能不仅改变教学支持方式，也深度影响课堂主体分工、教学过程调控与教学关系结构。基于此，本研究以“三师课堂”为分析对象，立足真实教学实践，从应用、风险与规避三个层面，系统审视AI在“三师课堂”中的多维应用场景、伴生的异化风险，并探讨其规避路径，以期为智能时代课堂教学形态的优化提供实践层面的参考。

一、AI在“三师课堂”教学中的应用

在“三师课堂”教学形态中，教师、小先生与AI智能师构成协同共生的基本结构。智能时代的课堂正由以固定时空和教学组织为中心的形态，转向支持学习跨时空持续发生的学习系统。课堂不再被简单理解为固定时空中的教学单元，而是将其视为多主体协同、持续生成的学习系统。AI作为能动要素嵌入教学本体、过程、关系与场域，对课堂运行与教学结构产生系统性影响。

（一）赋能教学角色：推动课堂主体功能重组

AI赋能课堂并非简单的技术叠加，而是认知责任在人类主体与技术人工物之间动态分配的系统。“三师课堂”的本体论核心在于不仅是陶行知“小先生制”形式与精神的双重继承，也是对其内涵的现代化超越，通过技术赋能重构学生的主体地位。从分布式认知视角看，其教学主体呈现出以教学支持性功能外化与重组为特征的新样态。

在传统课堂中，学情感知、资源整合、过程监控、即时反馈等支持性工作高度集中在教师个体，易造成认知负荷过载；而“三师课堂”在结构上体现出关于认知责任归属及工具系统的基本判断，将支持性工作从个体经验承担，转向由教师、小先生与AI智能师共同构成的系统性功能供给。需厘清的是，基于行动者网络理论（Actor-Network Theory，ANT），AI并非以抽象技术形态直接作用于教师与小先生，而是经由课堂制度设计与教学情境嵌入，转化为具有明确功能边界与角色定位的AI智能师，从而参与到课堂行动网络之中。在系统中，AI是驱动变革的技术底座，而AI智能师是其课堂场域中被身份化的交互角色；师生互动的直接对象是AI智能师，其效能则根源于AI技术的系统支撑。

就教师主体而言，AI智能师并非对教师权威的消解，而是将其重塑为师智分工的领导者。遵循机器智能支持与人类经验决策相结合的协同范式，教师既将数据处理等工具性负荷剥离给AI，确立协同引导者的新定位；又将部分教学解释权与组织权下放给学生，确立其作为小先生的主体地位。教师的专业重心由机械性操作跃迁至对人智共融生态的整体调控，聚焦于课堂学习任务与活动系统的整体设计、人机交互的边界规约及育人价值的审慎裁决，实现从过程执行者向教学决策者的根本性转型。

就小先生主体而言，其“即知即传”的实践，可以超越基础知识的复述，迈向在AI支持的复杂问题情境中，组织探究、激发思辨、锻炼领导力等高阶能力的培养。在小先生带领其他学生学习与探究时，AI凭借其强大的适应性反馈能力，为小先生提供结构化的知识图谱与表达范例，使其能在可预期的任务框架内有效组织对话与解释，增强其自信心和效能感，使小先生从简单的知识复述走向高维度协作探究过程，将陶行知教育思想中的“小先生制”从一种理念层面的能动性倡导，转化为课堂中稳定可行的实体机制。

就AI智能师而言，其本质是经由教师主体性赋权而生成的非人类行动者。突破传统技术要素的被动客体地位，AI智能师在教师设定的价值对齐框架内，依托自主决策能力深度嵌入教学。它不再仅是静态的信息供给者，而是能根据学情变化调用并协同不同支持角色的动态交互主体。其类主体性并非对教育权威的僭越，而是对育人规律的精准补位，通过承担高频认知负荷与资源调配，支持师生形成深度的协同互动关系，构建出可信赖的“师—机—生”共生关系。

（二）再造教学过程：构建智能教学流程闭环

教学过程不再是单一主体经验的线性展开，而是重构为多向互动、虚实共融的结构化运行形态，并在多主体支持下突破时空限制，推动学习由浅层信息交互走向高阶思维交互。唐·伊德（Don Ihde）的人—技四种关系为理解这一过程提供框架，师生经由智能技术形成诠释、背景、具身与他异四重关系，从而实现对教学的分析、设计、呈现与互动等关键环节的系统性重塑。

其一，教学分析的诠释，从教师独断到师生共读。AI与师生构成诠释关系，AI不仅是语音、视觉与传感等多模态数据采集工具，更作为一种意义解释的“类文本”，双向赋予其诠释权。教师借由技术中介“阅读”全班学情，实现精准决策；同时，AI将隐性的学习行为转换为可视化的知识图谱与诊断报告推送给小先生，使小先生不再是被观测的客体，而是能够依据证据理解同伴需求、调整互教互学策略的能动主体，从而将基于经验的模糊判断转化为师生共有的精准洞察。

其二，教学设计的背景，从标准统一到规模化个性。AI作为场域底层的隐形基础设施，以无感知的方式为同伴互教互学提供教学支架。依托检索增强生成（RAG）与资源快速合成，AI能够在教师预设的课程目标、评价标准与活动规则下，快速匹配教学资源、重组并结构化呈现，为不同学习小组提供可差异化调用的支架，如认知图谱、交互脚本、策略提示等。支架为小先生提供明确的行动框架与进度参照，使其能够超越个体经验局限有序推进互教互学进程，既有效规避因能力差异可能导致的碎片化学习，又确立规模化因材施教的实现逻辑。

其三，教学呈现的具身，从抽象符号到具身在场。AI通过多模态生成与虚拟仿真实现知觉延伸：一方面，将文本与公式转化为可操控的三维模型、过程动画与参数化模拟，通过结构拆解、变量操控与动态演示，使抽象概念呈现为可观察、可操作的对象。另一方面，结合AR/VR或交互式仿真实验，以手势、语音与视线等方式组织探究任务，使小先生在虚拟情境中完成演示、验证与纠错。由此既降低复杂概念的认知门槛，也为同伴讨论提供共享的操作支点与证据载体，支撑解释转译与协作推理。

其四，教学互动的他异，从单向灌输到社会性协商。AI以准社会交往者的方式进入课堂，但其功能定位应服务于小先生协同组织过程。AI智能师可扮演追问者、反例提供者与规则提醒者，通过苏格拉底式追问、观点对照与论证结构提示触发认知冲突，并以即时反馈与过程提示帮助小先生维持讨论节奏、协调分歧与推进共识。由此，互动不再停留于结论比对，而转向围绕理由、证据与价值判断的协商共识，促进高阶思维与协同能力的社会化发展。

最后，教学评价的闭环，从经验判断到数据循证。基于四重关系的动态演进，评价由结果导向转向全过程伴随式证据采集与诊断。AI将学习投入、互动质量、概念掌握与迁移表现等过程数据结构化为可追踪的学习证据，为教师提供分层诊断与反馈依据，并为小先生提供互教互学改进线索，从而推动教、学、评的深度耦合，支撑面向素养增值的持续改进与规模化因材施教。

（三）重塑教学关系：促进深度教学协作互动

在课堂教学中，教学关系并非简单的人际互动，而是围绕知识建构形成的责任分配与协作秩序，其核心在于谁承担解释责任、谁组织学习进程、谁对学习结果负责。“三师课堂”以陶行知“小先生制”以及AI智能师有机嵌入为关键，通过主体性赋权、功能重塑与伦理规约对核心问题作出新时代回应。

首先，谁承担解释责任，教师通过主体性赋权形成协同解释结构。在传统课堂中，教学解释权与评价权高度集中于教师，而在“三师课堂”中，教师不再是唯一的知识输出源，而是将AI智能师确立为具有能动性的非人类行动者，使其分担解释过程中高频、标准化的信息检索、证据整理与结构化呈现等支持性任务；同时，教师重点赋权学生，确立小先生作为“意义转译者”的主体地位。由此，知识解释不再是教师的单人独白，而是演变为教师引导与裁决、AI智能师的客观证据与结构支持、小先生的同伴化深度转译相互耦合的多主体协同解释结构，实现解释责任的分布式承担与知识意义的深度建构。

其次，谁组织学习进程，教师通过任务与规则赋权小先生，使其成为协作进程的直接组织者；AI智能师凭借“自主决策”与“角色可塑”提供过程支架，支持小先生共同组织协同探究与讨论进程。一方面，AI智能师基于学情数据生成学习障碍诊断、结构化知识线索与过程参考，为小先生提供可据以组织协作的证据与脚本，降低协作组织的认知门槛，使更多学生具备担任小先生的可行条件，从而扩大课堂互动的主体范围。另一方面，面对复杂协作情境，小先生依据教师设定的讨论规则与评价标准，承担提问推进、分歧协调与节奏把控等组织责任；AI智能师则可在导师、追问者与评估助手等角色间调度，提供观点对照、论证提示与即时反馈，使小先生即便未掌握全部结论，仍能依托结构线索引导同伴聚焦问题、推进解释，与AI互为补充，共同完成协作过程的组织。

最后，谁对学习结果负责，新型教学关系强调权责匹配与责任共担：教师应推动AI与育人价值对齐，并把控育人方向与评价尺度，小先生对同伴协作的过程质量承担直接责任并据反馈持续改进，AI智能师提供证据支持与过程提示。教学权力的下放与解释主体的多元化，并不意味着教育责任的悬置。AI智能师的“自主决策”与交互行为被严格规约在教师设定的价值对齐框架内，同时其生成的过程数据也为小先生协作效果的可视化评价提供依据，从而在技术增强的开放环境下形成清晰的权责结构与运行边界。

（四）拓展教学场域：迈向智慧生态虚实融合

学习场域从静态封闭走向交互开放，并呈现多主体开放式智慧学习生态特征。场域的变革超越单纯的技术空间延展，其本质在于以学习者为中心重构学习环境，强化小先生的主体地位，支持其将差异化经验转化为深度意义理解。

“三师课堂”在重构智慧学习环境时呈现出鲜明的整体性、动态性与层次性。依托智能白板、移动终端与云端平台，教师在价值引领与规则设定中统筹学习全流程，AI智能师提供跨环节的资源与过程支持，使学习活动不再囿于单一教室或课时边界。课前及经验准备期，AI基于学情诊断识别小先生的最近发展区，将认知起点前移，使其带着问题预设与前概念经验进入课堂。课中及深度交互期，AI作为支持性同伴嵌入学习共同体，为小先生提供资源支架与过程提示，辅助其在同伴协商、调整与激励中组织互教互学，促进经验的意义建构与转化。课后与内化迁移期，依托持续反馈回路，AI支持小先生对学习过程进行反思加工与解释，协助其重构认知结构，实现学习向真实情境的延展与迁移。

其次，AI重构虚实融合的生态关系与层级结构。场域拓展并不意味着教学组织失焦，物理课堂仍承担着关系建构与价值引导的核心功能，AI合理定位在于增强跨场域的连续性。正如“三师课堂”的层次性在于坚持以小先生为中心，使其作为经验加工者，以教师引导为关键调控，以人智共构的混合共同体为支撑生态。唯有坚持这一层级秩序，虚实融合的场域才能真正成为支持小先生深度理解的稳定环境，而非碎片化学习的干扰源。

二、AI在“三师课堂”教学应用中的风险

这里的风险不仅表现为技术是否可靠，而更可能体现为课堂关键能力与关键责任被悄然外置：当推理与表达被默认外包，教师的情境判断与学生的批判审阅能力就可能被削弱；当执行链条被智能体前移，课堂容易滑向流程化的自动驾驶；当知识生产门槛骤降而平台规则更强，标准答案、评价尺度与文化语境便可能在无形中被统一化。上述变化叠加后，课堂最容易发生的不是“AI用得不够好”，而是主体被替代、过程被规训、关系被稀释、公平差距被拉大，从而引发角色、流程、情感与场域的多维异化。

（一）过度依赖技术工具致使教学角色异化

过度依赖AI技术不仅会导致人类教育主体的主体性丧失，还可能引发“三师”角色的错位：教师与小先生可能面临被边缘化的风险，而本应作为教与学辅助工具的AI智能师则可能发生地位僭越，异化为课堂的实际控制者。正如尼尔·塞尔温（Neil Selwyn）所指出的，数字技术往往被伪装成解决教育问题的“万能钥匙”，但其实质往往是将复杂的教学实践简化为技术性的传递任务，导致教师逐渐丧失基于情境的专业判断力。

其一，教师专业判断权的让渡与主体性消解。教师本应从“知识权威”转型为“成长导师”，专注于“定方向、设任务、育品格”的核心工作。而当智能体能够自动化生成教学方案、实时推送学情分析甚至接管评价环节时，教师的决策空间遭到技术系统的挤压。若教师长期依赖算法推荐替代自主现场研判，那么教师对学生的引导，就可能不自觉地被纳入AI技术的价值判断，导致教育经验无法在真实的师生互动中迭代生成。长此以往，教师可能逐渐陷入对数据系统的依附，从而引发专业主体性的逐渐消解，使其育人角色面临被技术逻辑同化的风险。

其二，小先生示范责任的悬置与技术价值观异化。在“三师课堂”中，小先生不仅是知识的转译者，更是主动的知识建构者与同伴学习路径的能动示范者。其核心职责在于通过自身的探究过程，向同伴展示如何审视知识、如何批判性地运用工具。然而，过度依赖可能诱导小先生陷入技术功利主义的误区，即误将AI的高效输出等同于绝对真理。当小先生为了追求效率而跳过内化过程时，其原本深度的认知加工便面临批判性思维短路的风险。此时，其主体示范责任被悬置，向同伴展示的不再是人驾驭技术的智慧，而是人依附技术的盲从，导致榜样作用的异化，会导致错误的认知方式在同伴间级联扩散，使得即知即传的学习共同体面临退化为技术权威传声筒的风险。

最后，AI智能师角色的功能僭越与隐性权威化。智能师的根本定位是“服务教与学”的具备教学功能的智能体，提供个性化认知脚手架而非取代人类决策。但在过度依赖的生态中，其功能定位可能发生异化。由于算法具备极高的高效性与确定性，它可能在无形中成为知识标准的制定者。当师生习惯于在缺乏批判性审视的情况下采信其输出时，AI便可能超越其工具属性，从辅助者逐渐演变为课堂中定义标准答案的隐形权威。这种关系的倒置，使得技术逻辑可能在潜移默化中凌驾于育人逻辑之上，重塑了课堂的权力结构。

（二）预设智能教学流程导致课堂过程僵化

AI技术的统计学逻辑倾向于将具有动态生成性的复杂育人过程规约为标准化的线性程序，从而导致课堂生态出现结构性僵化。正如多尔（Doll）在其后现代课程理论中所强调的，课程应被理解为一个开放的、具有自组织特征的动态生成系统。乔治·西蒙斯（George Siemens）亦指出，学习是在复杂联结中非线性地协同参与、动态演进的过程。然而，奥德丽·沃特斯（Audrey Watters）现实中的技术应用往往背离此愿景，沦为“数字斯金纳盒子”的延续，以程序化的“刺激—反应”机制规训学生，从而排除深度学习所必需的试错、混乱与不确定性。

一方面，算法还原论挤压了非线性的认知探索空间，算法偏见往往带有强烈的还原论色彩，即将“三师课堂”中师生间高维的认知交往解构为算法可理解的有限个低维概念。“三师课堂”的核心价值在于小先生与同伴在互动中产生的即时性思维碰撞，互动往往是散且充满不确定性的。然而，AI为了追求效率，倾向于生成逻辑严密但封闭的思维链条。这不仅存在忽视个体差异、固化外在偏见的潜在问题，更漠视教育中最关键的人本主义视角：即人的独特性、复杂性和完整性，以及小先生在教学互动中的即时体验与感知，都被算法简化为客观、外在的标准导学路径。这种标准导学路径容易形成路径依赖，将复杂的认知探索过程简化为输入、反馈、修正的闭环，将小先生的教学行为锁定在预设脚本之中。任何偏离推荐路径的异质性观点或创造性试错，都可能被系统判定为低效或错误而予以纠偏。这种算法还原论不仅忽视课堂中非预设的生成性资源，更使陶行知先生所倡导的“共学、共事、共修养”过程沦为按部就班的程序展演，丧失在认知冲突中重构知识的创造性空间。

另一方面，既定反馈往往钝化教师对真实情境的敏锐感知。真实的课堂充满着不确定性，教育机智并非一套既定的标准答案，而是一种即兴的、临场的反应能力。AI虽然能够提供海量信息反馈，但其机制基于静态知识图谱，缺乏对当前情境的具身感知。当小先生提出反直觉的观点或流露出微妙情感时，AI往往只能给出正确而无用的通用性解释，无法像人类教师那样通过隐喻或留白来激发深度思考。这种反馈模式系统性地过滤了课堂中爱、认同、创造力等不可计算但极具教育价值的要素，导致教学过程面临像工业流水线般精准却机械的风险。更为隐蔽的是，借助AI生成的经验一旦在教师间同质化共享，可能导致教学决策和行动的趋同化，从而削弱课堂应有的生成性与差异性。

（三）深度人机交互疏离教育主体情感交流

高度拟人化与高频次的人机交互一旦占据育人中心，离身化交往正隐蔽地置换师生间真实的情感连接，易导致教育场域去身体化，使“三师课堂”所倡导的共修养面临悬浮与异化的深层风险。雪莉·特克尔（Sherry Turkle）提出数字化社交易催生“群体性孤独”，即技术提供的陪伴幻觉会降低人们对真实亲密关系的期待。

一方面，拟社会交往对真实人际关系的置换效应。AI具备高度拟人化的对话能力，能够提供无条件接纳且即时响应的交流体验，对缓冲挫败、稳定情绪有其积极面；但这种低摩擦的拟社会交往，极易把小先生带入无需磨合、无需承担关系成本的舒适区，从而削弱其在真实共同体中处理冲突、协商差异、承担关系责任的意愿与能力。人机交互在教育场景中可能替代师生直接沟通，智能体的情感模拟甚至会替代教师的情感理解与支持，使师生纽带断裂、学生形成对AI学伴的情感依赖，但现实中的同伴协作往往伴随着认知冲突与人际磨合，这是社会化成长的关键环节。然而，当小先生习惯在人机互动的舒适区中获取情绪价值，便容易对现实中复杂的人际博弈产生回避心理。长此以往，课堂交往就可能从与真实他者共同成长退化为与可随时响应的对象保持联系，班级共同体也更容易走向原子化与并行独白。

另一方面，情感体验的数据化还原与具身性的剥离。教育中的情感交流本质上依赖在场、观察与回应的具身互动。然而，智能体的情感反馈机制，本质上是基于自然语言处理的计算逻辑。原本复杂、微妙且充满偶然性的情感互动，往往被降维处理为可预测、可计算的数据指标。社交关系被简化为“连接数”，情感共鸣被量化为“互动频次”。当“三师课堂”中的情感交流被中介化为屏幕上的数据流，情感的“具身性”便被系统性剥离。若教师过度依赖这些被算法“提纯”后的报表来理解小先生，而非通过现场观察与具身共情去感知，教育将陷入数据还原论的困境，使得情感共鸣被标准化的算法逻辑所稀释，导致课堂互动虽然在数据上呈现出高频的假象，却在本质上缺乏人与人之间真实的情感流动与共同体温度。

（四）技术应用加深数字鸿沟造成场域失衡

单纯依赖技术供给而忽视素养适配，可能使得教育不公平从显性的资源拥有量差异，转向隐性的技术驾驭能力差异，加剧教育场域的“马太效应”，使得“三师课堂”在追求普惠的过程中，面临着从“接入鸿沟”向“使用鸿沟”演变的结构性风险。

一方面，从接入沟转向使用沟，导致小先生能力的极化分层。正如埃斯特·哈吉泰（Eszter Hargittai）所指出的，随着基础设施的完善，物理层面的第一道数字鸿沟，即接入沟已逐渐弥合，但更为棘手的第二道数字鸿沟，即使用方式与效能的差异正成为新的不平等之源。在班级内部，家庭文化资本或数字素养较高的小先生，往往具备更强的技术驾驭力，能够将AI作为认知增强的脚手架，通过精准提问实现深度学习。而素养薄弱者则将其视为省力的工具，陷入浅层化的使用误区。这种使用沟的存在，使得智能技术非但没有缩小差距，反而加速了强者愈强、弱者愈弱的能力分化，导致教育公平在微观层面出现实质性倒退。

另一方面，算法偏见潜藏符号暴力，构建隐性的文化区隔。智能体的知识库主要基于互联网主流语料训练而成，这种内嵌的城市中心主义倾向，极易对欠发达地区小先生构成隐性的文化排斥。当“三师课堂”被推广至不同区域时，AI所生成的教学案例、语言隐喻及评价标准，往往带有鲜明的本土文化烙印。对于生活在不同文化语境下的小先生而言，这种去情境化的知识呈现不再是辅助工具，而是一种难以跨越的文化壁垒。小先生在与AI的互动中，可能因无法适应其预设的话语体系而产生自我效能感的降低，甚至出现文化适应性压力。这种由算法数据偏差引发的场域失衡，不仅削弱了教育的适切性，更可能在无形中强化了城乡二元结构下的知识等级差异，使得技术赋能面临水土不服的伦理困境。

三、AI在“三师课堂”教学中的风险规避

面对技术理性可能引发的异化风险，“三师课堂”的关键不在于堆叠技术功能，而在于把人机协同写进可执行的规则与流程中，有意义的人类控制（Meaningful Human Control，MHC）交互伦理框架：“追踪”要求系统行为响应教学情境中的人类意图并与人类伦理对齐，“追溯”要求系统行动可追溯到设计、开发、部署或操作人员，以形成可问责的责任链条。

（一）确立人机协同路径，明确权责以维持教师主导性

规避AI可能引发的教师角色异化风险，关键在于从理念与制度层面，主动构建人机关系权责结构。“解决方案不是沿着老路更认真地走下去，而是另辟蹊径”。另辟蹊径并非“更用力部署技术”，而是将“教师主导”转化为制度化的权限分配与责任追溯：建立“人主导、机辅助”的刚性安排，防止技术逻辑在无约束状态下侵蚀育人本质。

首先，应以制度化清单明确人机职责边界，走出模糊共存的状态。学校或区域教育管理机构应牵头制定人机协同教学的正向责任与负面行为清单。一方面，划定教师不可让渡的专业主权。必须明确界定，凡涉及教学目标设定、评价标准制定与育人价值取向的判断，属于教师不可让渡的专业主权；AI智能师的作用应限定在认知支持、过程反馈与资源调取等可控范围内。AI可以提供基于数据的学情预测或方案建议，但不得参与“什么是重要学习”“什么是有效教学”等价值性界定，以避免算法凭借效率优势在无形中设定教学议程。另一方面，面向小先生确立使用规则并同步赋权。特别是在“三师”协同时，教师还应为小先生使用AI设定明确规则与退出机制，防止学生形成路径依赖；同时，以制度化方式赋权小先生，建立小先生轮值、互教互学任务清单、同伴互评与教师复核等运行机制，将提问推进、证据呈示与同伴支持纳入过程评价，使更多学生获得承担互教互学组织与解释责任的真实机会，避免“小先生”固化为少数人的角色。

其次，应将教师置于人机协同系统设计、调适与评价的中心位置。人机协同不应只发生在技术购买之后，而应前移至规则制定阶段。教师不应仅作为技术成品的使用者，而应参与AI教育工具的需求定义、原型测试与应用规则制定。更重要的是，应把追踪教师教学意图嵌入系统运行：生成式AI需将学生特征数据转化为可解释的决策依据，使教师能够基于专业判断校准算法推荐；例如，当AI依据历史数据生成标准化学习方案时，教师应具有随时介入权限，通过补充贴合学生背景的情境化案例等方式，确保生成的资源与路径始终服务于具体育人目标而非抽象数据模式。同时，可建立自适应的教学控制权分配机制：在结构化知识学习中适度扩大AI的过程支持权限，而在创造性思维培养、情感关怀与价值辨析等复杂领域，应明确控制权交还教师，以避免技术对课堂流程的刚性规训。

最后，学校需系统性提升教师的算法素养与数据批判能力，使教师具备对生成内容质疑、修正乃至否决的能力。联合国教科文组织（UNESCO）发布的《教师AI能力框架》系统性提出教师AI应用所需要的核心能力框架，包含获取、深化、创造三个发展水平，并强调以人为本以及采取安全、道德和负责任的方式指导AI在教育领域的应用，为教师研修提供分层参照，由基础素养与风险识别，走向课堂整合与批判性评估，再到规则共建与创新应用。同时，依据MHC的“追溯”原则，还应建立课堂场景的透明与追责机制：对AI在诊断、推荐与反馈中的关键内容保留必要“留痕”，明确建议、采纳与调整的责任链，任何分层、分流或关键评价结论均须经教师复核后方可生效。唯有当教师能够驾驭而非顺从技术逻辑，人机协同才能真正服务于教学主导性的维持。

（二）设计弹性教学策略，预留空间以激发课堂生成性

规避AI介入教学流程可能引发的课堂僵化风险，关键不在于把流程做得更智能，而在于让流程敢于不完美，给课堂保留可偏离、可试错、可生成的空间。“课堂的价值不只在结果，更在过程中不断涌现的意义生成”。

首先，课前阶段，构建结构化程度低的导学脚本，为学生自主探索留出可调控空间。教师可仅规定核心素养目标与关键问题框架，将学习路径与探究顺序交由学生在课堂中动态生成。当教学过程中出现超出算法预期的生成性资源，如学生的错误理解、突发性观点等，教师应具备中断算法推送、转入人工引导讨论的决策权，保护那些被算法归为低效、偏离的片段，恰恰可能对应概念澄清、思维重组与价值辨析的具有育人价值过程。同时，为防止学生被算法建议“牵引”并形成依赖，可借助系统对学生与算法建议的互动痕迹进行提示性分析，一旦出现明显依赖趋势，教师应及时收回控制权，通过再设计任务、开放路径与讨论规则，恢复学生的主动探究空间。

其次，在课中阶段，建立可操作的即时干预机制，确保生成性资源能够被保留并转化。教师需要保持对算法流程的主动控制权，尤其是在出现非预设学习资源时，应能够及时暂停或调整AI的推送节奏，将课堂暂时转入更适合讨论与追问的师生互动或同伴研讨，可采用延迟AI介入的方式，为学生的争论、澄清与重组保留必要的思维空白期；并制度性保留互动中的非结构化空间，避免讨论被AI的标准化框架牵引而把偏离快速归为错误。

最后，在课后阶段，通过人机分层的评价机制，防止标准化反馈固化思维路径。在教学评价中，可将知识性、事实性的基础反馈交由AI处理，但涉及创造性理解、情感态度与深层逻辑建构的评价，必须由教师介入情境化判断。算法只处理可量化的事实性反馈，解释性、创造性与价值性判断由教师承担最终裁量权。算法生成的评价结果不得直接作为成绩认定或学习路径分流的自动触发条件，而只能作为教师判断的辅助信息。同时，应坚持过程数据采集的最小必要原则，明确采集范围、用途与保存期限；对画像、预测与分层建议设置人工复核与申诉通道，防止数据标签固化学生发展路径。通过明确算法评价的适用边界，使其始终处于可修正、可重写的状态，避免以“客观中立”的名义锁定学生的思维方式。

（三）构建情感交互模式，以具身共在消解人际疏离感

规避深度人机交互可能引发的情感疏离与去身体化风险，需要承认技术形态具有双重性，它可能扩展学习语境，也可能削弱人际交往的密度与质量。陶行知先生提出的“师生共同生活”教育理念表明，技术可以进入课堂，但不能占据情感与价值的中心位。

首先，通过制度设计明确人机情感交互的适用边界，防止情感支持被技术外包。联合国教科文组织在《生成式AI教育与研究应用指南》中指出，对于13岁以下学生，应严格限制其在无教师监管状态下独立与AI进行持续性对话，尤其禁止将AI用于情感陪伴、心理安抚或价值劝导等功能。在涉及冲突调解、团队协作、情感交流等环节，实行“熔断”条款，要求AI仅提供任务支持，不介入情感判断与价值劝导，由教师与同伴通过面对面互动完成社会化引导。

其次，强化情感教育的具身实践，弥补情绪计算的内在不足。AI对情感状态的识别依赖于行为和语言特征等代理指标，难以覆盖情感体验的复杂性与生成性。课堂教学中不得仅依据情绪识别结果对学生作出心理判断或教育处置，相关信息只能作为教师观察的辅助线索，而不能构成决策依据。同时，对情绪识别、心理推断等高敏感信息应实施更严格的分级授权与用途限制，原则上不进入成绩评价与分层决策流程，以防“情感数据化”反向加剧学生标签化与关系疏离。教师与“小先生”应被明确赋予情感支持与关系建构的责任，通过共情倾听、身体在场与面对面互动，传递技术无法模拟的真实情感体验，防止课堂关系被数据化逻辑持续稀释。

最后，为使具身共在从理念转化为可执行的课堂安排，可增设两项校本条款：其一，固定频率开展无AI介入的深度对话，用于维持师生与同伴真实交往的密度，并作为班级共同体运行状态的校准方式；其二，将评价从单一的隐私影响评估扩展为关系影响评估，重点检视技术配置是否促进信任、互惠与共同体联结，若在班级层面持续引发分化、疏离或标签化，应触发调整或停用。

（四）完善技术普惠体系，夯实基础以促进资源公平性

规避AI应用可能加剧教育不平等的风险，关键不在于是否引入技术，而在于是否同步建立起面向弱势群体的制度性保障。若技术部署主要依赖学校自身条件与市场供给，AI极易在无形中放大既有资源差距，使技术红利向具备先发优势的群体集中，从而破坏教育场域的整体均衡。为避免技术红利的结构性集中，普惠体系应体现公共供给取向，通过统一规范与资源底座降低不同学校的进入门槛。

一方面，通过差异化支持机制，缩小技术使用方式上的隐性鸿沟。教育行政部门或学校层面引入AI工具时，应根据学生的数字素养差异提供差异化引导方案。对于技术驾驭能力较弱的学生，应明确规定AI只能作为理解辅助工具使用，并配套提供使用规范与示例；对于能力较强的学生，则在教师指导下鼓励其探索更高阶的应用方式。通过制度化引导，防止AI在班级内部演化为能力分化的放大器。

另一方面，在技术引入过程中优先选择增强学习者自主性的工具形态，并推动知识内容的在地化适配。针对通用模型可能内嵌的文化偏向，学校与教师应主动介入教学资源的校本化建设，将地方课程内容、生活经验与文化语境纳入智能系统的使用框架。同时，在资源供给侧建设公共底座，以公共任务模板、评价量规与可复用交互脚本为底座，制度化沉淀经教师审核的提问序列、讨论脚本与评价工具，并推动区域共享，降低薄弱学校对市场化工具与内容外包的依赖，提高可迁移、可复制的供给能力。与此同时，推进前置伦理设计与偏见检测。在工具引入、数据采集与模型适配阶段嵌入公平性与安全性评估，必要时开展偏见检测与差异影响分析，避免技术红利结构性集中与隐性歧视再生产，从源头上提升普惠推广的可持续性。

总而言之，风险规避并非对技术变革的消极防御，而是“三师课堂”从理念走向制度、从试点走向常态的关键条件。“三师课堂”不仅试图回答如何在规模化条件下实现因材施教，更是明确智能时代需重新明确课堂的三条底线：育人价值由教师把关，学习过程由学生真实参与，关键评价由人类负责到底。未来，“三师课堂”重要性不在于技术元素是否充足，而在于能否把人机协同落实为可执行、可追责、可调整的课堂制度：让AI承担可外包的高频支持，让教师与小先生回到不可替代的意义建构、关系生成与价值判断之中。课堂转向开放的人机协同育人生态，为构建具有中国气派、中国风格的教育学自主知识体系提供可复制的实践样本与生动表征。

（本文参考文献略）

Applications, Risks, and Mitigation Strategies of Artificial Intelligence in the “Three-Teacher Classroom”

ZhouHongyu LiKunyan

Abstract: In the intelligent era, the “Three-Teacher Classroom”—an indigenous and original instructional model inheriting Tao Xingzhi’s educational philosophy while integrating AI technologies is driving a profound shift in classroom practice from “technology-assisted “instruction toward deep human-AI collaboration. As a pivotal agentic element deeply embedded in the classroom, AI reconstructs the instructional ecosystem by empowering teachers ’precision decision-making, facilitating student tutors’ intelligent peer teaching and learning, and opening up new pathways for large-scale personalized learning. However, technological embedding also brings multidimensional risks, including the alienation of teacher and student agency, algorithmic bias and value steering, and data privacy breaches. To address these challenges, strategies such as establishing the boundaries of rights and responsibilities in the three-party collaboration, designing flexible generative strategies, reconstructing the order of affective interaction, and improving inclusive technological infrastructure should be adopted to mitigate alienation risks and guide the “Three-Teacher Classroom” toward a healthy ecosystem.

Key words: “Three-Teacher Classroom”; artificial intelligence; human-AI collaboration; alienation risks; technology governance

初审：王悦桦

复审：孙振东

终审：蒋立松