Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence

📄 arXiv: 2606.12441 📥 PDF

作者: Shan Li, Juan Zheng

分类: cs.CY, cs.AI, cs.HC

发布日期: 2026-06-12

💡 一句话要点

提出Generativism以应对生成性人工智能时代的学习理论挑战

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 生成性人工智能 学习理论 人机协作 认知伙伴关系 教育技术 适应性元认知 生成性素养

📋 核心要点

  1. 现有的学习理论在生成性AI的背景下显得不够全面，无法有效应对AI在教育中的应用。
  2. 论文提出Generativism理论，强调人类与AI之间的知识共同构建，适应生成性AI时代的学习需求。
  3. 通过整合多种认知研究，框架为教育实践提供了新的视角，促进了学习设计和评估的创新。

📝 摘要（中文）

随着生成性人工智能（AI）在教育环境中的普及，行为主义、认知主义、建构主义和连接主义等四种主流学习理论显示出显著的概念局限性。本文批判性地审视了每种学习理论，并识别出生成性AI所带来的挑战假设。基于分布式认知、扩展心智、人机协作、AI素养、认知卸载和元认知等研究，提出了Generativism作为适应生成性AI时代的学习理论。该理论认为，学习越来越多地通过人类学习者与AI系统之间的知识共同构建进行。框架围绕四个原则组织：认知伙伴关系、分布式能动性、生成性素养和适应性元认知，为重新思考教学设计、学习、评估和专业发展提供了基础。

🔬 方法详解

问题定义：论文要解决的问题是现有学习理论在生成性AI环境下的局限性，特别是如何有效整合AI与人类学习者的互动。现有方法未能考虑AI的生成和推理能力对学习过程的影响。

核心思路：论文的核心思路是提出Generativism理论，强调人类学习者与AI系统之间的迭代知识共同构建，认为这种合作将重塑学习的本质。

技术框架：整体架构围绕四个主要原则展开：认知伙伴关系（强调人机协作）、分布式能动性（学习责任的共享）、生成性素养（理解和利用AI生成内容的能力）和适应性元认知（学习者对自身学习过程的反思与调整）。

关键创新：最重要的技术创新点在于将生成性AI的能力与学习理论结合，形成新的学习框架，突破了传统学习理论的局限，强调了人机协作的重要性。

关键设计：在设计上，框架强调了学习环境中AI的角色，提出了具体的教学策略和评估方法，确保学习者能够有效利用AI的生成能力来提升学习效果。具体参数和模型结构尚未详细列出，需进一步研究。

📊 实验亮点

论文提出的Generativism理论为教育实践提供了新的框架，强调人机协作的学习模式。虽然具体实验结果尚未提供，但理论框架的提出为未来的实证研究奠定了基础，预示着在生成性AI环境下学习效果的显著提升。

🎯 应用场景

该研究的潜在应用领域包括教育技术、在线学习平台和智能辅导系统。通过引入Generativism理论，教育者可以更好地设计课程和评估方法，以适应生成性AI的影响，从而提升学习效果和学习者的参与度。未来，该理论可能推动教育领域的深刻变革，促进人机协作的学习模式。

📄 摘要（原文）

The four dominant learning theories of behaviorism, cognitivism, constructivism, and connectivism show significant conceptual limitations as generative artificial intelligence (AI) proliferates in educational settings. These frameworks were formulated before the emergence of AI systems capable of generating, synthesizing, and reasoning about knowledge. This article critically examines each learning theory and identifies assumptions challenged by generative AI's affordances. Drawing on research in distributed cognition, extended mind, human-AI collaboration, AI literacy, cognitive offloading, and metacognition, the article proposes Generativism as a learning theory for the generative AI age. Generativism posits that learning increasingly occurs through the iterative co-construction of knowledge between human learners and AI systems. The proposed framework is organized around four principles: epistemic partnership, distributed agency, generative literacy, and adaptive metacognition. The framework offers a foundation for rethinking instructional design, learning, assessment, and expertise development in contexts where generative AI plays an integral role in cognition.