摘 要：大语言模型的兴起，导致教育研究智能推理底层逻辑同质化问题。解决这一问题，需要以“经验、体验和思辨”三类研究范式为参照，根据教育研究主体所处生存环境特征，划分出教学实践、权力、学术三类研究场域，由此形成“行动研究、中层理论、基础理论”三类范式。在对相关核心概念界定后，通过引入主体间性、镜像和场域理论，对AI参与教育研究可能引发的变化及人智协同的复杂机制进行探究，形成重建教育研究场域的理论基础。再以文献分析、实践案例追踪等方法，分析三类场域中人智拥有的资本差异，明确其博弈状态和协同生成机制，构建出教育研究的人智共创三类新范式。由此得出结论：首次提出教育研究存在人智互动的类主体间性关系及其有限性特征，明确了三类教育研究场域中人智协同的复杂机制和共创范式，为有效化解教育研究中底层构思同质化问题，提供了理论基础和切实可行的路径。同时，提示了人智协同的教育研究中，需要注意的AI伦理风险。
关键词：教育研究；场域重构；范式创新；人智互动；主体间性
随着生成式人工智能（Generative AI）的快速发展，其对教育研究领域产生了深远影响，为引导教师科学、安全、合规、理性地应用生成式人工智能，2025年11月教育部发布了《教师生成式人工智能应用指引（第一版）》。当下，越来越多的研究者借助生成式人工智能、大语言模型（LLM）助力研究创新，但也导致教育研究智能推理底层逻辑同质化，原创研究日益减少等问题，需要立足教育研究范式类型划分变化趋势，从不同类别教育研究主体拥有的资本、场域惯习、内部争斗入手，通过探究人工智能（Artificial Intelligence，AI）在协同各类教育研究主体中发挥作用的微观机理，明确其可能引发的教育研究场域重建内容。以此为基础从理论和实践机制上，解决不同类教育研究场域中的人智作用差异，分类探讨其互动生成的教育研究新范式，为不同类型的教育研究提供更有效的人智协同共创方式。
一、AI加盟教育研究后的困境及重建的核心概念
（一）AI加盟教育研究困境与场域重建研究缘起
AI参与教育研究后，因其算法逻辑的严密性和搜集资料的高效性，让部分研究者逐渐形成了AI依赖型研究路径。这些研究者偏好借助AI逻辑框架展开研究，从而引发研究成果底层算法逻辑的同质化问题。其偏好AI算法逻辑支持和启发，有其内外部原因。从外部因素来看，追求效率优先原则导致更多的研究在AI协同下逐步走向趋同。其一，AI可以根据核心期刊发表的文章，模仿编辑审稿进行大模型训练，形成编辑偏好的文章标题和新颖的构思，引导部分研究者围绕刊物发文风格进行研究，而不是从解决教育理论问题的原创性上突破。其二，“非升即走”的量化考评下，年轻学者只能借助AI算法优势，多快好省地发文章。这类文章的创新点主要体现在数字构成和数字化处理方式上，多以新算法和图表吸引编辑，但底层算法逻辑雷同。从内部视角来看，实则是AI思维对于当前教育研究范式的异化，架空了以成果优先为导向的研究者思维路径。一是AI技术优势和强势学科渗透，阻断了对教育理论的深层研究。AI在形成专家知识库的同时，也会从其学科精神和范式的坚守上，以数理逻辑、跨学科研究优势和综合学科立场，对教育研究提出数字化、科学化的推理要求，直接让哲理层面的教育研究成为“假大空”的代名词，让年轻学者不敢触碰这类研究。二是在新技术导向的范式影响下，项目评审专家和编辑们重视大面积和数据化研究。而AI凭借其大数据推理的严密性，其研究成果让人看上去更真实、精准地反映出现实教育的状况，更易吸引专家和编审者眼球。在此导向下，真正注重人类生存、从教育哲学上开展原创研究的项目将逐渐减少。
人智协同后的教育研究新范式问题。库恩认为范式是一个科学共同体的成员所共有的东西，主要包括符号系统、信念、价值、理论、范例等。本文中的“范式”指不同场域中的研究者，根据其价值追求和惯习偏好，在与AI协同研究中所采取的认识论、方法论，协同研究的机制和策略。无论是19世纪前后的思辨研究、量化研究范式，还是20世纪60年代的质化、90年代的混合研究范式，虽然遵循了周延、相斥、同一、逻辑与历史统一的原则，但本质特征仍是以“对待量化研究的态度”为核心区分标准，很难将某项具体教育研究成果纳入一种范式。由于不同环境中的研究者，拥有的资本和对AI需求、争斗关系差异，因此基于“教育知识来源”的经验、体验、逻辑（思辨）研究范式的三分法，更适合不同类型研究者跟AI间的相互作用关系。研究表明：经验范式以人类共同感知和形式逻辑为基础，核心特征是“客观性与可靠性”；体验范式以研究者或研究对象的“内部知觉”为核心，通过同情性理解、本质直观等方法获取意义，核心特征是“主观性与情境性”；思辨范式以理性推理为工具解决价值规范问题，包括分析判断、公理推理、反思平衡，核心特征是“普遍性与规范性”。为了让AI开展有针对性的协同研究，更好地满足具体生存环境中的研究者需求，从研究场域类型出发来探讨AI跟其主体的匹配，更有助于从思维方式上减少同质化问题。
（二）场域重建和范式创新的相关核心概念界定
1.AI“思维链”与同质化问题。“思维链”泛指“基于思维链核心思想的各种扩展方法和变体”，是一种逐步思考以解决问题的方法，其核心理念是“将复杂问题分解为一系列连贯的推理步骤”，清晰呈现出吸引编辑和读者的思维链条。由于其建立在数理逻辑推理上，因此其研究思路具有科学性和代表性，普通研究者很难超越，形成同质化的AI底层思维链在所难免。对多数应用性和经验性研究者而言，不仅可以利用这样的研究思路提高解题效率，而且还能提升其整体研究水平，由此导致许多教育研究的同质化问题。
2.人智协同的类主体间性。在教育研究中，人智协同的类主体间性核心是指在人与AI的协同互动中，教育研究者不再将AI看作是可以随意利用的工具，而是表现出类似人的主体特征，从而使人与AI之间形成了类似人类社会的“主体间性”。AI的类主体化，表现在其通过算法、数据和大模型模拟人的意图、研究目的和研究能力，它不再被动执行人的某些指令。而是双方基于各自的视角进行信息交流、协商甚至博弈，共同完成任务或解决问题的过程。同时，把AI当作反映教育世界的第三者，要求其按照人的意识和情绪价值，去观察和思考教育问题。让AI从研究者和人类的价值取向中，以他者镜像反映外部教育世界，逐步增强其教育研究的人文关怀“温度”，由此形成人类研究者与AI的“主—主”关系形态。
3.场域重建。针对当下的教育研究场域重建，是指以布迪厄“场域—惯习—资本”关系性框架为理论基础，以AI加盟形成的人智互动主体间性为理论支撑，对教育研究者在“学术、权力、教学实践”场域中的位置，行动者惯习及资本形态进行系统重塑。重构的核心是建立“人—智”协同共创范式，使“基础理论—中层理论—行动研究”三类研究的行为逻辑契合AI特征。一是逻辑严密的基础理论研究范式，转向AI赋能的深度创新协同。AI承担海量文献梳理、跨学科理论关联、数据挖掘与分析、数据建模等助理工作；人类研究者聚焦理论内核原创突破与价值把控，在其思想实验主导之下，利用AI搭建“思辨”与“实证”的桥梁，实现“AI辅助一人类主导”的人智共创转型。二是注重实践效果的中层理论研究范式，依托AI增强政策实施评价的大数据捕捉。通过教育大数据采集、实践成效计算等技术，将基础理论转化为大面积实施的政策，强化“基础理论—政策制定—实验推广”闭环逻辑。三是反思性行动研究范式，借助AI整合实现经验转化升级。通过AI整合跨区域案例形成规模化数据库；再精选出教师需要的案例形成最佳操作策略，推动行动研究从“个体反思”走向“群体共创+模式萃取”。
二、人智间性下教育研究场域重建理论基础研究
（一）主体间性理论在人智互动教育研究中的应用
主体间性理论，是解析人智双主体关系的核心哲学基础。为此，需要理清其发展的演进脉络。作为奠基人的胡塞尔，提出“主观间共同性”概念，将主客体置于“大家的世界”范畴，但其理论局限于认识与精神领域。以此为基础，伽达默尔强调“主体间沟通与理解”，雅斯贝尔斯进一步将其阐释为“交往对话”，并指出教育可通过对话实现对自我与历史的理解。哈贝马斯突破交往的抽象性局限，提出交往的目标是达成“相互理解、共享知识”与彼此信任的“主观际相互依存”；康伟则明确指出主体间性“对立统一”的本质。主体间性理论，用在人智协同的教育研究场域中的适配性：不仅清晰区分了“主—主”与“主—客”关系的差异，其“互识”“共识”逻辑更直接适配人智双主体互动，为探究教育研究场域中人智双主体地位变化提供了理论依据。从认知角度看，人智类主体间性特征表现为双方认知的有限性。研究者作为主体与AI相比，存在博闻强记等认知局限性：AI的本质是高度发达的类人脑工具，明显缺乏情绪价值提供与创新力。此外，人智主体间性并非平等地“相互利用”，而是人对AI的利用，但又要以“类主体”方式合理对待AI，不能对其成果随意掠夺，以免形成AI依赖。
除了局限性外，人智主体间性更多地体现在互补性上。人智协同中，AI通过算法弥补人类局限，进而拓展教育研究的深度与广度。在教育研究实践中，AI凭借数字化描绘“世界模型”的优势，可通过深度学习技术将“世界模型”引入机器学习系统，提升系统智能水平与泛化能力，形成远超人类的多学科融合研究优势，助力深化因果关系推理研究。其人智互动的主体间性，表现为“人—算法”的类主体关系（如表1所示）（表1略）。人的核心作用在于提供价值判断和情感、伦理准则，对AI研究结果进行最终选择或修订；AI则提供数据处理和逻辑推导，对人智协同形成技术支撑。其中，生成式人工智能的“深度思考”是满足人智协同内在需求的关键技术。核心突破在于利用“思维链”技术，通过设计一系列前后关联的指令，将单步骤推理任务拆解为包含多个中间步骤的逻辑分析过程，形成了类似人类的分步推理模式。其学术适配功能，不仅可对学术论文进行拆解，将其转化为若干细小的单元化模块并进行分类处理；而且能根据教育研究者的需要，建立起人智互动的机制，以实现人智间的有效沟通。
（二）人智协同教育研究中互为他者的镜像反映理论
雅克·拉康镜像理论的核心观点可概括为“自我建构的镜像依赖与异化性”，具体内容围绕“镜像阶段、自我与他者的关系、三界秩序”展开，且镜像的隐喻性贯穿始终。镜像是伴随人一生的自我建构过程，只不过不同发展阶段的人，其镜像意义不同。0—6个月的婴儿，无法辨认镜中映像与自身的关联，对镜像无主动反应。6—18个月婴儿，首次将镜中完整映像误认成真实的自我。这是自我建构的关键一步，但却是对“异己镜像”的误认。18个月婴儿，开始形成“自我意识”，但仍无法完全区分“真实自我”与“镜像他者”。转而进入通过对“他者”的依赖和异化，进行关于“自我”的建构。“他者”又可划分为“小他者”与“大他者”，二者共同塑造“自我”。小他者指具体的、可感知的“他者形象”，如跟AI协同研究的具体人；大他者指抽象的、整体性的“符号秩序”，如社会制度、教育价值观、道德规范等。最后，借助三界秩序转化，提升“自我”建构语境与层次。最底层的现实界，是“原始混沌的物体”，无法用语言言说，对应婴儿出生时的“空白状态”。中间层的想象界，始于镜像阶段，是主体对理想“自我”的想象性建构，主体通过与镜像、他人的认同获得“身份感”，但始终伴随误认；最上层的象征界，由语言、法律、伦理等社会规范构成，是“大他者”的领域。镜像理论，为深入人智主体间性微观机制和教育研究场域类型划分提供了启示：误认自我阶段，对应教学实践场域中，教师认为AI得出的结论即为我的研究成果；小他者镜像阶段，对应权力场域中，研究主体站在自我圈子立场，主要为其学科或某类教育、乃至省市区域教育立言；大他者镜像阶段，对应的是学术场域，以研究普遍教育规律为目的。
在教育研究的人智协同中，本质是“AI通过研究者（小他者）与教育秩序（大他者）的镜像反馈，映照并重构外部教育世界”的过程。其核心逻辑可通过“镜像阶段、他者互动、秩序内化、问题映射”四层次展开。（1）AI的“类镜像阶段”。无功能期：未经过训练的AI如同“0—6个月的婴儿”，无法识别教育研究场景中的“自我与他者”，仅能被动接收教育数据。功能误认期：当人类研究者为AI设定初始目标，如“提高学生的数学成绩”并提供历年考试真题的训练数据，AI会将“数据拟合度最高的解题策略”误认为自身的研究功能，类似婴儿将镜中映像误认成自我。功能分化期：随着AI与人的广泛互动，不断修正AI的错误分析，AI逐渐区分出“数据理想功能”与“实际教育研究需求”的差异，开始进入“类象征界”，接受教育秩序（大他者）的约束。AI逐渐明确社会对其研究边界的限定，对自我“教育研究功能”的认知逐渐清晰起来。在特定场域研究惯习影响下，其协同“研究者”或“研究助手”的角色意识得以形成。（2）AI与人互为镜像。人智根据特定场域博弈特征，互为镜像开展双向调节。AI通过其协同研究者（小他者）的镜像反馈，调整自身研究功能；人借助AI的多模态镜像反映，发现自身研究的缺失并予以改进。（3）AI对“大他者”的秩序内化。AI通过遵循大他者规则，将教育制度、“双减”政策导向、课程标准等，外部教育世界的宏观秩序内化为算理逻辑，成为其开展教育研究的运行规范。需要注意的是，当AI过度依赖大他者时，也会陷入符号秩序压倒本真需求，“失去自我”的困境。（4）教育研究问题的映射。镜像机制的核心价值，体现在“认知呈现”与“问题修正”上。认知呈现：如AI采集学生错题数据，以映照“学”的薄弱点→为教师推荐“可视化教学”建议，映照出“教”的策略→依据课程标准评价教学后学生的应用能力，映照“评”的效果。这一过程中，AI作为中介镜像，将外部教育世界中“教—学—评”的隐性逻辑：“学”的薄弱点决定“教”的策略，“评”的结果修正“教与学”的问题链显性化，帮助研究者更清晰地认知教育规律，及时修改AI和自身研究的失误。
（三）场域理论在人智协同中的应用及其重建机制
基于研究主体生存环境的人智协同场域划分。根据布迪厄场域理论，从“场域—资本—惯习”三个关键要素出发，分析不同的教育研究主体发现，其特定生存处境中形成的研究惯习、资本与斗争逻辑都存在类型差异，一定程度上影响了其在“经验、体验和思辨”三类研究范式上的侧重点。结合三类教育研究主体所处的环境特征，又可以对应性地划分出“教学实践、权力和学术”三类特征鲜明的教育研究场域。学术研究场域中，主体多由师范和少量综合大学理论研究院所的专家组成。他们拥有高学历文化资本优势，部分人还有“长江学者”、博导等象征资本话语权。其场域斗争聚焦于“学术话语权争夺”，通过理论创新争夺“原创者”地位，该逻辑与基础理论研究诉求契合，围绕生成普遍教育知识来揭示教育规律，具有适配基础理论“慢研究”的特性。受学术共同体逻辑严密等规范与高级别课题立项、CSSCI期刊发表学术声望评价体系支配，其惯习表现为：长期浸润于理论思辨，注重知识的系统性与原创性，将“突破现有理论框架”“构建新的概念体系”作为核心追求；遵循学术伦理，强调研究过程的规范性与成果的可验证性。在这类原创性工作中，AI仅扮演助手角色，无法替代“人类主体”。AI的主要任务是执行研究者的指令，例如完成“语法纠错、文献检索、知识点阐释”等基础工作。同时，结合当前AI的智能化发展趋势，它能够在研究者的指令下开展数据挖掘与分析，借助智能体模拟理论推演场景，协助研究者完成思想实验。甚至可以通过DeepSeek类技术，将学术论文拆解为单元化模块并进行逻辑重构，为理论创新提供多元化路径。在这种人智协同模式中，人类研究者始终主导着原创方向并把控伦理问题，需要规避AI的算法偏见，避免在研究中出现“信息茧房”和数字鸿沟。
应用基础理论的研究成果，用以解决教育实践中的问题，由此就形成了中层理论和行动研究。教育“中层”理论研究，就是应用教育基础理论来解决课程教学或某类教育的大面积实践问题，实践效果体验是其追求的核心目标。其研究者多为教育行政部门的教研员或部分高校专家，拥有广泛人脉网络形成的社会资本及政策制定参与权等象征资本，研究者所在场域具有明显的权力特征。它以“行政效率”“政策可行性”“政治响应性”为核心逻辑，受政府治理目标与科层制规则支配。场域斗争核心是“政策影响力争夺”：需协调学术与行政逻辑，同时通过争夺政策试点主导权、效果评估权巩固“智囊”地位。这种斗争逻辑与中层理论研究的诉求深度匹配。其研究惯习表现为：注重理论与政策的衔接，将“基础理论转化为可操作的政策方案”作为核心任务；立足其代表的利益集团并兼顾多元利益主体诉求，强调政策落地条件及其风险的可控性。为提高转化研究质量和效率，通过人智协同的“数据驱动+人员决策”实现互补，聚焦实证效率与理论适配性。AI作为“类主体”深度参与政策研究：通过多模态数据采集构建政策仿真模型，以智能体互动模拟不同执行场景下的效果差异，提供动态风险预警与优化方案；人类研究者则明确政策制定的价值取向、理论基础和客观依据，负责流程设计与核心决策。在协同研究过程中，需要密切注意“数据流转的安全与伦理桎梏”，其治理路径应当从政策、技术和制度层面构建支撑体系，通过设定服务等级与边界、创建轻量化专用语料库，来筑牢数据安全与伦理规范的坚实屏障。权力场域的中层理论研究成果，只有进入教学实践场域才能产生出实际效果。在教学实践场域里，中小学教师具有教案设计、课堂管理等经验性人力资本优势；社会资本仅限于同事协作与家校沟通，文化、象征资本薄弱且经济资本极其匮乏。受学校升学率评价体系、家长期待，日常教学压力影响，其聚焦于教学资源与时间争夺的场域特性：规定了教师只能在完成教学任务后才有时间研究；通过优质课评比、校本项目等获取晋升资源。其惯习表现为：注重研究的“即时实用性”，强调研究过程的简便性与成果的可复制性。人智协同中，AI凭借其专家化的大数据优势，让一些教师养成了AI替代其研究的惰性。为此，教师要标注AI产出的内容；AI教案须经教师修订；不准它替代教师的情感关怀、价值引导等核心职责。
从场域视角看，“基础理论—中层理论—行动研究”的划分，并非人为的范式分类；而是“学术、权力、教学实践”三类教育研究场域中，逻辑、资本与惯习相互匹配的必然结果（如表2所示）（表2略）。当前教育研究中，“理论—政策—实践”脱节、底层逻辑同质化问题，究其根源都是场域间资本失衡、惯习固化、斗争失序的结果。AI加入后，如下页图1所示（图1略），将AI视为“类主体”，并将镜像理论中的三界秩序映射至三类场域。通过人智间性的镜像互动，实现三类场域的重构，从而在动态性和斗争性方面破解现有问题。让AI更好地适配教育研究的复杂性，逐步优化教育研究生态环境，实现教育研究“理论有深度、政策有温度、实践有力度”的目标。
三、三类教育研究场域中的人智共创范式
（一）教育基础理论的原创性人导智辅共创范式
在教育基础理论的原创性研究里，研究者凭借对现象的洞察分析、哲学逻辑推理以及思想实验，解答教育领域中“是什么”这一根本问题。所以，人智协同的关键在于借助AI达成象征界中的“秩序内化”，最终以实证手段重构并展现教育研究者的理论洞察。依照AI算法逻辑，人导智辅的共创范式可以划分为基于大语言模型的智能体仿真、多模态大数据挖掘与分析研究两种典型实践路径。一类是智能体仿真协同范式，以“斯坦福小镇”智能代理模型为代表，突破传统规则硬编码局限，借助大语言模型让智能体具备反思推理与行为模式创生能力。将该范式应用于教育研究，通过智能体建模与仿真（ABMS）可在计算机中重构真实教学环境，模拟复杂教育情境的动态演化，为探索教育系统涌现规律提供新路径。另一类是大数据研究协同范式，以“多模态数据融合+定性定量知识集成”为核心，依托AI的大数据处理与机器学习能力，整合文本、音频、学习行为日志等异构数据，挖掘教育现象背后的关联与因果逻辑，为理论假设提供实证支撑。
具体学术研究案例进一步印证了人智协同范式的理论研究实践逻辑。在一篇关于“高等教育中进度与评估规则对学生流失率、毕业时间、公平性及心理体验的影响”论文中，人类研究者主导核心假设提出与研究设计，明确“直接晋升是否形成‘晋升墙’”的关键问题，设计传统规则、直接晋升、带安全网的直接晋升三种政策场景，并确定公平、心理状态等观测维度；AI则承担核心支撑功能，通过智能体仿真建模（ABM）整合1343名学生的多源数据，校准模型参数后分别对三种场景进行20次独立仿真，自动提取量化指标并可视化呈现规律。最终，人类研究者基于AI生成的实证结果，结合经典理论提炼“教育制度摩擦的时间再分配”命题，完善工程教育公平理论，凸显人导智辅的协同闭环。另一项针对巴西基础教育学生表现影响因素的研究，更清晰展现了“人导智辅”的深度协同逻辑。人类研究者主导确立“探究影响基础教育学业表现的系统性因素”这一核心研究目标，明确需突破单一维度分析局限，整合学生社会经济特征、教师职业画像、学校指标、校长管理特征四大数据层面，同时筛选出与教育公平理论相关的核心观测维度。AI发挥数据整合与规律挖掘的辅助作用，基于巴西SAEB评估的648万条学生数据，通过机器学习技术整合多源异构信息，识别关键影响因素；再借助可解释性工具（SHAP）量化各因素权重，揭示“学校平均社会经济水平为首要预测因素”的系统性规律。最终，人类研究者基于AI提供的实证证据，结合社会学理论解读系统性因素对教育公平的影响，提出“向低社会经济水平学校倾斜资源配置”的政策建议，完成“人类定题—AI赋能—人类释值”的协同闭环。
（二）教育中层理论研究中的人智互动共创范式
教育中层理论作为衔接教育基础理论与实践的中介桥梁，兼具演绎生成、归纳提升及两者交互创生三种发展路向，其核心特质决定人智互动共创范式下的理论创新需以实践问题解决为导向，而非追求原创性原理突破。相较于教育基础理论研究，教育中层理论研究指向更明确。研究者界定具体议题后，可依托基础理论的选择和演绎，借助AI完成文献综述、理论与方法选择、大数据整合、数据的初步处理等，并构建靶向解决实践问题的路径分析链。其间，人智协同呈现优势互补特征，但也暗藏研究惯习变革与主体性消解的风险。在演绎生成路径中，人类研究者在基础理论筛选、研究视角确立上具有不可替代的主体性优势；AI则在模拟专家演绎逻辑、处理海量非结构化数据方面展现技术效能。韩国高中生辍学预警系统构建研究便是典型例证：人类研究者立足于“教育公平”基础理论以及国家教育政策诉求，明确了“精准识别辍学风险、降低干预成本”这一核心目标，界定了“负面原因辍学”的研究范畴。参考教育评估领域的指标框架，筛选出出勤、行为、学业表现等15类关键预测指标。AI深度参与数据处理与模型优化，基于韩国国家教育信息系统（NEIS）中16.5万余名高中生的海量数据，运用机器学习训练出高精准的辍学风险预警系统。最终，人类研究者依据AI生成的预测模型与风险特征分析，推动韩国“三级辍学预防计划”政策的实施，即面向全体学生的通用预防、针对高风险学生的专项干预，以及对有辍学意向学生的个性化辅导与决策缓冲，从而完成从“教育公平理论”到“可操作政策工具”的演绎转化。
但过度依赖AI演绎模拟，可能导致研究者丧失独立逻辑推演能力，形成“算法依赖”研究惯习。在归纳研究路径中，政策制定、课程教学论等领域研究者，凭借权力资本与人力资本占据优势，而AI的数据挖掘能力可能打破信息壁垒，也可能因算法偏见强化数据霸权，使归纳结论偏离真实性。在“演绎—归纳”双向互动中，人类直觉对研究方向具有控制与主导作用，但过度放大AI的跨学科印证与数字验证能力，也可能导致研究者沦为技术工具操作者，丧失价值判断与方向把控。以湛江市“双减”政策实施效果调查为例，人类研究者的核心价值体现在政策价值解读、利益相关者深层需求分析等环节。AI虽通过爬虫技术搜集1.3万条教育舆情数据，识别出6类关键性问题，为政策优化提供数据支撑。但研究者已出现研究惯习的隐性变革，且AI识别问题的维度受算法预设指标限制，难以涵盖隐性伦理冲突，这正是主体性消解风险的具体显现。总体而言，中层权力场域的人智协同易陷入“小他者”利益偏向、算法黑箱导致的决策失衡、不确定性问题应对不足等风险，需要借助上一层级的象征界“大他者”实现修正调节。
（三）AI主导的人智共创教育行动研究新范式
人智共创教育行动研究中，AI凭借集成的专家智慧、海量数据与案例库，在研究上形成显著优势，呈现“控场化运作”特征，使人智关系从“工具—使用者”模式，转向“双主体互动”的间性关系。但这种“双主体”并非对等协作，主要是人对AI的利用。教师借自然语言指令，即可让AI生成教学行动策略。这里的主体间性，是教师主体“合理表现自身主体性并与其他（AI）主体达成理解的主客观统一性”，本质是借助AI技术优化教学反思与实践改进的闭环。就当前教师在教研中的AI依赖看，已形成两类典型场景。一类是AI直接生成知识的应用：以湛江市某省名师工作室的34名学员为例，教师普遍使用“豆包”“讯飞星火”等工具撰写教案、课后反思。调查得知2/3的教师一个月后形成“问题提出—智能搜索—方案采纳”的固化路径，研究重心转向AI方案的选取拼凑，缺乏核心反思能力；1/3的教师直接照搬AI生成的完整教案，部分教学反思呈现“思维惰性”，教师主体性被压缩至技术操作层面，陷入“主体性消解”危机。另一类是数据解读类应用：依托课堂智能分析技术生成的教学报告，提供诸如师生互动、提问回答、学生情感等多维度的数据。本应成为循证教研的支撑，但报告内容繁冗、专业术语密集，教师认知负荷剧增，转而依赖通用大语言模型解读。却因AI缺乏教学场景深度定制，导致结论空泛不聚焦，无法精准定位教学问题，原来的“数据赋能”反而沦为“数据负能”。
这些依赖行为背后，潜藏着镜像理论揭示的自我认知偏差与实践异化风险：一是AI生成内容的“算法复刻性”，易导致教师误认镜像自我。即将AI整合的通用方案当作自身专业能力的体现，忽视教育的情境性与个性化需求，如同婴儿误将镜中映像当作真实自我。二是教师主导地位因AI加盟被压制。在行动研究中，教师原有的“反思—实践—再反思”的核心闭环，因AI加盟替代教师反思，教师只是向AI应用软件输入资料，让其生成所需的解决现实问题的知识，人的主体性被压缩至技术操作层面，陷入“主体性消解”危机。三是通用AI的局限性加剧问题。如解读课堂报告时缺乏学科适配性，生成教案时忽视学生个体差异，本质是AI无法替代教师的情境判断与价值抉择。上述问题的根源在于，AI模糊了“工具辅助”与“主体替代”的边界，侵蚀了行动研究的实践性与反思性。要破解这些困境，需依托“小他者”互动与“大他者”规范，帮助教师识别真实镜像自我，重建人智协同的合理边界：一是“小他者”的互动校准，以教研共同体、同事、学生等“小他者”为镜像，通过多主体互动打破AI依赖的认知闭环。二是“大他者”的秩序规制：以教育伦理规范、学科教学标准、教师专业发展要求等“大他者”为顶层约束，明确AI的工具定位与应用边界。将“教学反思的真实性”“方案的情境适配性”纳入教师专业评价指标，禁止直接采用AI未修订的成果。同时，通过教育政策与伦理准则明确数据隐私保护、AI成果署名规范，避免算法偏见与数据滥用。
四、结语
分类的场域人智共创范式，虽然满足了不同类型研究者的需求，一定程度上消解了人智协同共创的同质化问题。但区分人与AI创新成果的评价标准，人智价值冲突、隐私伦理保护等问题仍未解决。只有解决了这些问题，才有助于增强人智共创的多学科综合教育研究力。为此，需要建立人智协同的学术研究规范，明确个人创新的评判标准。针对三类教育研究主体的场域博弈特征，构建“技术赋能—伦理约束”的平衡机制，实时调整人智研究的作用范畴。对同质化严重的研究，强制增加人类思辨分析、情境创新等模块；对价值分歧明显的研究，引入“教育伦理委员会”进行价值校准；对伦理风险高的研究，限制AI的数据访问权限，形成“AI研究成果—实践应用—风险反馈—机制调整”的闭环；以“人类创新+AI数据驱动”模式，拓展“原创性理论”建构范畴；用“时空嵌入+情境结合”的模式，提升中层理论研究的质量和效率；围绕“特定时空维度”的教师，开展人智结合的本土化行动研究创新。
（本文参考文献略）
The Reconstruction of the Educational Research Field and Its Paradigm Innovation Under Human-AI Intersubjectivity
Zeng Liying
Abstract: The rise of large language models has led to the homogenization of the underlying logic of intelligent reasoning in educational research. To address this issue, it is necessary to take three types of research paradigms— “experience, practice, and speculation”—as references, and divide three research fields (teaching practice, power, and academia) based on the characteristics of the living environment of the subjects in educational research, thereby forming three paradigms: “action research, middle-range theory, and basic theory.” After defining the relevant core concepts, this study explores the potential changes brought by AI’s participation in educational research and the complex mechanism of human-AI collaboration by introducing the theories of intersubjectivity, mirror image, and field, laying a theoretical foundation for reconstructing the field of educational research. Furthermore, using methods such as literature analysis and tracking of practical cases, it analyzes the capital differences between humans and AI in the three fields, clarifies their game states and collaborative generation mechanisms, and constructs three new paradigms of human-AI co-creation in educational research. The conclusions are as follows: it is the first time to propose the existence of a quasi-intersubjective relationship in human-AI interaction in educational research and its finiteness characteristics; it clarifies the complex mechanisms of human-AI collaboration and co-creation paradigms in the three educational research fields, providing a theoretical basis and practical path for effectively resolving the homogenization of underlying conceptions in educational research. At the same time, it points out the AI ethical risks that need attention in human-AI collaborative educational research.
Key words: educational research; field reconstruction; paradigm innovation; human-AI interaction; intersubjectivity
初审：王悦桦
复审：孙振东
终审：蒋立松
