生成式人工智能如何促进深度学习？从“认知共振”谈起

生成式人工智能何以支持深度认知建构？——认知共振的作用机制与设计原则

骈扬¹ 余胜泉²

1.北京教育学院信息科技教育学院

2.北京师范大学未来教育高精尖创新中心

【摘要】生成式人工智能正加速融入教学实践，但外部智能支持如何转化为学习者深层认知发展仍有待阐明。针对当前GenAI教育应用易产生“认知债务”、多停留在浅层工具使用的现实困境，研究首先厘清深度认知建构的内涵，提炼出知识关联与结构重组、认知外化与表达建构、反思监控与元认知调节、认知迁移与社会协作四项递进式核心认知需求。基于此，提出认知共振概念作为系统化分析框架，从条件—过程—结果三个层面阐释GenAI支持深度认知建构的内在原理，提出结构对齐、交互对齐、目标对齐与境脉对齐是认知共振发生的先决条件，并进一步解析了概率重组、对话交互、内容幻觉与多元角色四种机制支持深度认知建构的作用路径，据此提出多源关联导向的情境设计、过程外化取向的对话设计、批判检验取向的任务设计与协作迁移指向的角色设计四条教学原则。研究旨在为理解GenAI支持深度认知建构的内在机理提供更具整合性的分析视角，也为推动GenAI从生成答案的工具性使用转向生长思维的建构性支持提供设计参照。

【关键词】生成式人工智能；认知共振；深度认知建构；人机协同；教学设计

一、问题提出

生成式人工智能（generative AI，GenAI）作为新一轮教育变革的重要技术力量，正迅速渗透至教学设计（冯晓英 等,2025）、课堂互动（万昆 等,2025）、评价反馈（罗恒 等,2024）等各类教育场景，成为推动智慧教育与深度学习实践的新变量。大量研究与实践表明，GenAI具备跨模态信息整合、情境化语言生成与对话式交互等能力（雷浩 等,2025），为学习者建构复杂知识、开展高阶思维活动提供了广泛可能性。在这一技术浪潮的推动下，教育界对深度学习的呼声亦日益高涨。而与之形成鲜明反差的却是：现实中的GenAI应用多数仍停留在快速给出答案、代写文本内容等浅层使用形态（杨南昌 等,2025），难以有效驱动与支撑学习者的深度认知建构过程。

对学习者而言，借助人工智能生成内容并不等同于真正理解与运用这些内容。已有研究指出，当学习者频繁依赖GenAI直接作答而较少参与问题的分析和推理时，短期内虽然能够获得看似完备的产出，但在离开技术支撑、需要独立迁移、应用知识时，往往暴露出理解薄弱、迁移乏力等问题，这也被形象地概括为一种累积性的“认知债务”现象（Kosmyna et al.,2025）。事实上，学习的本质并非由技术的供给总量直接决定学习者的知识习得效果，而在于技术如何与学习者的既有经验、知识结构及认知需求相互契合，构成一个高效运转的认知系统。基于此，本文围绕“生成式人工智能何以支持深度认知建构”这一核心问题展开论述，重点回应三个相互关联的追问：其一，深度认知建构究竟提出了怎样的认知诉求；其二，GenAI能够通过何种机制介入并发挥作用；其三，教师应如何据此重构教学设计，使GenAI教育应用由生成答案的工具性使用转向生长思维的建构性支持。

二、深度认知建构的核心需求

立足知识迭代加速、问题复杂度持续攀升的时代背景，学习者面对的认知任务正在发生变化：他们不仅需要理解知识，还需要在多源信息中识别有效信息，在复杂任务中调节认知策略，在真实情境中迁移应用知识。在此背景下，认知与学习科学研究的关注重点也从知识获得逐渐转向学习者能否形成稳定且可迁移的深层认知结构。深度认知建构正是在这一问题意识下对认知建构、深度学习和知识建构等相关概念的综合性延展。从理论脉络看，认知建构强调学习者通过主动调适既有图式来生成新的认知结构（Piaget，1964），深度学习关注高阶思维、深层理解与迁移应用的价值取向（郭华，2016），知识建构进一步将意义协商与社会互动纳入认知发展的核心机制（赵建华，2007）。三个概念各有侧重，但共同指向一个基本判断：真正有意义的学习是学习者在与外部世界的持续互动中主动重构自身认知结构的动态过程。在此基础上，梅耶的多媒体学习理论从认知加工的角度为这一判断进一步提供了机制层面的补充，其关于双通道加工、有限认知容量与主动加工的基本假设揭示了学习者从外部信息输入走向内部意义建构的认知路径，为理解生成式人工智能环境下多模态信息处理、认知负荷调节和主动意义生成提供了重要启示（Mayer，2024）。

基于上述理解，本文将“深度认知建构”界定为：学习者在已有认知基础上，对多维信息流进行主动选择、组织与整合，引发既有认知图式的动态调适与系统重构，并在社会互动的持续参与下，形成具有跨情境可调用性的认知结构的过程。从内涵特征来看，深度认知建构体现为认知结构与认知加工方式的持续深化，可从结构、表达、调节、迁移四个维度展开解析，如表1所示。

表1 深度认知建构的理解维度及与既有理论的关系

上述四个维度明确了深度认知建构发生所需经历的关键认知任务，即认知结构的系统化组织、过程性外化、元认知加工与跨情境迁移。基于此，本文提出深度认知建构具有以下四方面核心需求，并在逻辑上呈现递进关系。

1.深度认知建构的认知起点：知识关联与结构重组

深度认知建构始于学习者的内部认知加工，表现为学习者依托外部信息，主动调适既有认知结构。这要求学习者超越简单的信息接收，通过概念梳理、因果分析等心智活动，整合新旧知识，建构连贯的认知图式（Bruner,1961）。知识关联与结构重组的作用在于帮助学习者建立起稳定的内部心理表征，为后续认知加工奠定结构化基础。

2.深度认知建构的中介机制：认知外化与表达建构

在个体内部认知结构初步成型后，学习者需突破内隐认知与外显表达的边界，依托中介机制完成认知的显性外化。这要求学习者借助语言、符号或可视化工具，将大脑中不可见的认知结构转化为可观察、可交流的符号成果（Vygotsky,1978）。认知外化与表达建构的作用体现在双重维度：于个体内部，表达过程能有效暴露认知结构中的盲点及矛盾，从而触发学习者的自我反思与内源性修正；于外部环境，外显化成果为他人的评价反馈与群体的协作探究提供了载体，促使认知结构在表达、反馈、再迭代表达的闭环中不断优化。

3.深度认知建构的动力机制：反思监控与元认知调节

为确保上述内化与外化过程不偏离轨道，认知系统需要相应动力机制实现实时导向与质量监控。反思监控与元认知调节构成了这一动力机制，其核心是对深度认知建构过程的觉察与调控（Chi et al.,2014；Flavell,1979）。反思监控与元认知调节能够帮助学习者在深度认知建构全过程中，针对目标达成度与策略有效性开展持续评估与动态调整（尹兴翰 等，2025），完成从被动任务执行者到主动自我监督者的角色转变。已有研究亦表明，元认知能力较强的学习者更易保持目标敏感性与策略灵活性，在学习过程中呈现出更高水平的认知建构成效（ElSayad,2024）。

4.深度认知建构的重要手段：认知迁移与社会协作

深度认知建构的成果最终需要在不同情境中应用。为实现跨情境适用性，学习者需要以真实实践为载体，在社会协作中对认知结构进行迁移和完善，将建构成果转化为解决各类现实问题的实践能力。认知迁移与社会协作的作用在于，既支撑了前述认知结构重组、外化、元认知调节等核心机制的协同运行，又搭建了认知成果从形成到落地的桥梁，由此成为实现深度认知建构的重要手段。

三、认知共振：GenAI支持深度认知建构的核心原理

生成式人工智能正在重塑学习者与知识、工具、情境之间的关系，为深度认知建构创设了新的技术条件，但技术介入并不必然带来认知深化。从研究的核心观点来看，当前关于生成式人工智能支持学习的研究，主要可归纳为三种取向：一是供给取向，立足生成式人工智能的多重工具属性，关注对学习的促进条件（单俊豪 等，2024；卢宇 等，2025；苏芮，2025）；二是支架取向，立足生成式人工智能的教学支持功能，关注对学习的具体促进过程（王思遥 等，2024；赵晓伟等，2025）；三是增强取向，立足生成式人工智能的学习发展效应，关注对学习产生的促进结果（施澜 等，2026；汤倩雯等，2026）。上述三种取向分别在“技术提供了什么”“技术如何介入学习”“技术介入带来了什么结果”三个问题上各具解释力，但在实际教学应用过程中，若任一取向被单独放大，则容易将资源供给直接等同于学习行为的实际发生，将外部支架视作内部建构的充分条件，或是将结果层面的愿景直接等同于过程层面的发生机制，由此形成对生成式人工智能支持深度认知建构的片面化理解。因此，有必要建立更具整合性的分析视角，将条件、过程与结果贯通起来，系统阐释外部智能支持如何与学习者内部认知系统实现有效适配，并在二者的持续互动中逐步生成可观测的认知增强结果。

（一）认知共振的概念提出

基于上述分析，本文引入“认知共振”概念，从条件、过程、结果贯通的整体视角，阐释生成式人工智能对学习者深度认知建构的支持。共振原本用于描述不同物理系统在频率、结构、节奏趋于一致时所产生的能量增益现象（Jothimurugan et al.,2016）。这一“同步联动、协同增效”的核心逻辑已被引入认知科学研究：现有神经科学研究表明，神经元活动的同步性是个体信息加工与记忆建构的重要生理基础（Jutras et al.,2010）。就共振的内在结构而言，它实际上包含了匹配、耦合与增益三个前后衔接的连续过程——匹配是共振发生的前提条件，耦合体现的是系统之间持续相互作用的具体过程，而增益则表现为共振发生之后所产生的整体效果显著大于两个系统各自效果的简单叠加。由此可见，将共振概念引入教育研究领域，有助于把生成式人工智能支持深度认知建构所涉及的条件、过程与结果纳入同一个分析框架中。

本文所称“认知共振”是指学习者在借助生成式人工智能开展学习活动的过程中，智能系统与学习者认知系统之间达成一定程度的认知对齐状态，并在持续的人机互动过程中，经由各类作用机制协同发力，最终实现认知增强的结果。在这一语境之下，技术系统成为拓展学习者能力边界的重要支撑，帮助学习者突破个体认知资源、经验范围、信息加工速度等固有约束，进而在深度认知建构过程中产生“1+1＞2”的增强效应。认知共振提出的核心价值在于将供给取向、支架取向与增强取向三者纳入同一概念，进而提升生成式人工智能赋能深度认知建构内在机理的整体解释力。

（二）认知共振的基本内涵

认知共振的内涵包括三个相互衔接的层面，即先决对齐条件、协同作用过程、认知增强结果，如图1所示。

图1 认知共振的“条件—过程—结果”内涵

1.先决对齐条件

先决对齐条件是认知共振得以发生的前提。基于深度认知建构的四大核心需求，技术系统需要在四个方面与学习者认知系统对齐：一是结构对齐，即技术系统的知识组织方式与学习者认知系统中的既有图式相匹配，使外部信息以更符合学习者认知加工规律的方式呈现；二是交互对齐，即技术系统的信息交互方式与学习者认知表达习惯相匹配，使学习者以多模态表达方式开展持续的人机互动；三是目标对齐，即技术系统的功能定位与学习者认知发展目标相匹配，使技术使用不止服务于即时任务完成，也能指向深层理解和长远发展（Wiener，1960）；四是境脉对齐，即技术系统创设的情境、角色和社会关系与学习者面对的真实问题解决场域相匹配，使学习活动能够嵌入更接近真实实践的境脉之中。四类对齐共同构成认知共振发生的先决条件，决定了外部智能支持能否有效进入学习者的深层认知加工。

生成式人工智能之所以能够具备上述先决对齐条件，源于如下四个方面的技术特性：首先，生成式人工智能依托神经网络架构和分布式表征机制，对语言、知识与逻辑关系进行多层映射。已有研究表明，大语言模型内部嵌入与人类语言加工的脑活动信号之间具有一定相似性，且模型规模和训练数据量的增加能够提升模型与脑活动之间的相似度（Gao et al.,2025；Ren et al.,2025），这种映射关系为结构对齐提供了基础。其次，生成式人工智能具有多模态交互能力，能够在多轮互动中理解学习者意图，降低学习者表达思路和进入互动的门槛（Li et al.,2024），为交互对齐提供条件。再次，生成式人工智能以自然语言对话为人机协商接口，学习者可以通过提示词将短期任务目标和长期发展目标嵌入互动过程，且提示词的结构清晰度与语义指向性会影响生成内容质量和目标聚焦程度（Afshar et al.,2024；Jacobsen et al.，2025），这种互动调节机制为目标对齐提供接口。最后，生成式人工智能具备角色模拟与智能体协同能力，能够围绕任务情境营造多元互动的协作环境，为境脉对齐提供支撑。

2.协同作用过程

协同作用过程是从先决对齐条件迈向认知增强结果的中介环节。认知共振作为一种技术与人之间的持续交互作用，主要依托以下四种人机协同机制为深度认知建构提供过程性支持。

第一，“机：认知资源释放—人：知识结构整合”机制。在结构对齐的基础上，生成式人工智能将原本分散的信息材料转化为具有层次性和关联性的呈现方式，借此帮助学习者从碎片化的信息处理活动中释放出认知资源，有效降低其面对无序信息时的认知负荷（余胜泉 等，2023）；与此同时，学习者通过比较与辨析新旧概念之间的异同，将新获取的信息同化或顺应至自身认知结构中。

第二，“机：认知过程显化—人：思维过程外化”机制。在交互对齐的基础上，生成式人工智能通过连续的人机对话互动，逐步引导学习者将内隐的认知结构加以外显；学习者则在回应中不断外化思维过程，借此对自身认知结构加以澄清和梳理。

第三，“机：认知方向聚焦—人：建构路径优化”机制。在目标对齐的基础上，生成式人工智能通过嵌入元认知支架，持续向学习者提示或重申学习目标及要点，帮助其聚焦深度认知建构的方向；学习者则在元认知支持下识别并修正偏差，实现对认知建构路径的持续反思与优化。

第四，“机：认知边界拓展—人：社会协作迁移”机制。在境脉对齐的基础上，生成式人工智能通过模拟多样化的社会情境及角色，拓展学习者个体经验难以覆盖的复杂认知场域；学习者则在多元视角协商和协作问题解决中，对自身认知结构在不同场景下的适应性加以检验并作出调适，最终实现深度认知建构成果的迁移。

3.认知增强结果

认知增强结果是认知共振产生的效应，体现为外部智能系统与学习者认知系统在有效对齐和持续耦合中形成“1+1＞2”的效果，包含相互递进的四个层次：一是认知投入的显著增强，表现为学习者在较短时间内激活与外部信息相关联的内在认知结构，高效投入到具有建构意义的认知活动中。二是认知调节的自发启动，表现为学习者在持续表达、比较和澄清中主动识别自身认知偏差，进而触发认知结构的调整。三是认知建构的多维推进，表现为学习者在元认知牵引下逐步聚焦问题本质，推动既有认知结构由松散联结走向系统完善。四是认知迁移的社会生成，表现为学习者的认知结构经过持续建构而趋于稳定并具备可调用性，在多样化情境、多元化互动中得以检验和拓展。

四、何以认知共振：GenAI支持深度认知建构的作用机制

要将GenAI支持深度认知建构转化为可理解、可操作的教与学过程，需要回到教学情境，分析生成式人工智能如何在具体学习任务中驱动学习者开展知识关联、表达建构、反思监控与社会协作。为此，本文从深度认知建构的四类核心需求出发，进一步解析GenAI如何通过概率重组、对话交互、内容幻觉与多元角色实现认知共振，如图2所示。

图2 GenAI支持深度认知建构的机制

（一）借助概率重组，生成多样化知识关联

生成式人工智能的概率重组特性为激活学习者既有图式、增强认知投入提供了条件。一方面，模型基于大规模语料学习词语、语义及篇章之间的概率关系，习得了人类知识表征的范式与结构规律，使生成内容在形式上具有较强的可读性，能够与学习者已有认知结构形成基本衔接；另一方面，模型在条件概率分布中动态预测后续词元，使同一知识对象可能被重组为不同的解释视角与推理路径，进而让生成内容在实质上具有一定的新奇性，能够为既有认知结构带来适度的差异与刺激。二者共同作用，使学习者在可理解的框架内遭遇认知张力，从而将认知资源从识记性加工转向辨析性加工，提升认知投入水平。在认知激活作用下，学习者得以在两个方面表现出认知增强：一是概念联结，即将GenAI生成内容与自身认知结构相联系；二是异同比较，即辨析新旧知识的一致与差异，深化对知识关联的理解。

上述认知激活机制在具体学习情境中表现为教师借助概率重组特性生成多样化的知识表征与解释路径，促使学习者在新旧知识之间建立关联、辨析异同，形成更具结构性的理解。以数学学习为例，教师使用GenAI生成某一几何图形不同于教材表述的判定定理命题。由于模型习得了数学命题文本的体例特征，生成的内容在形式上“像命题”，能够与学习者已有的定理表述经验形成衔接；同时，模型的概率重组特性又使这些命题在内容正误上存在值得商榷之处，从而制造认知张力。学习者面对这些陌生命题，需要将认知资源投入到实质性加工之中，结合已有知识分析它们能否由已知定理推导、是否存在反例、与教材表述有何异同。在此过程中，学习者不再是对教材内容进行背诵记忆，而是在概念联结与异同比较中逐步总结出构造判定定理的一般规律，发展出新高考、新中考所要求的陌生情境问题的策略提炼能力。

（二）利用对话交互，构建连续性外化通道

生成式人工智能的对话交互特性为外化学习者内隐认知、启动认知调节提供了条件。一方面，模型支持文本、语音、图像等多模态形式的信息交互，降低了学习者的认知表达门槛，使内隐认知得以外化为可感知、可操作的外部表征；另一方面，模型能够结合上下文持续理解学习者输入并即时给予反馈，使认知外化得以多轮次地展开，而非止于单次表达。二者共同作用，使学习者在易于参与且可持续的对话中逐步将模糊的内隐认知显化为清晰的外部表达，从而为认知调节提供可审视的客观载体。在认知外化作用下，学习者得以在两个方面表现出认知增强：一是持续表达，即依据GenAI的回应不断补充、修正和完善自身表达，主动参与深度认知建构；二是意义澄清，即通过比较自身意图与模型反馈，识别并调整原有表达中的遗漏、矛盾或歧义。

上述认知外化机制在具体学习情境中表现为教师借助对话交互特性构建持续表达与反馈的外化通道，促使学习者将内隐理解转化为外部表征，以便修正和澄清自身认知。以历史学习为例，教师引导学习者与GenAI协作生成某一历史时期的市井风貌图像。学习者首先需要围绕该历史时期的建筑风格、人物活动、服饰样式等要素组织提示语，将头脑内部的历史认识转化为明确的外在表达，完成认知的初步外化。模型基于提示语生成图像后，外化产物从单一的文字模态扩展为文字与图像并存的双模态信息。此时，学习者需要将图像与自身原始意图进行对照，识别图像中与自身表述不一致或暴露自身认知模糊之处，并通过修正提示语来持续优化生成结果。这一往复过程使学习者原本内隐的认知在持续表达中逐步显化，在意义澄清中发展史实辨析能力。同时，教师亦可回溯人机交互轨迹，识别学习者出现认知偏差、表达模糊的关键环节，进而开展针对性教学干预。

（三）基于内容幻觉，提供深层次反思契机

生成式人工智能的内容幻觉特性为深化学习者的元认知监控、推进认知建构提供了条件。一方面，模型受采样机制、训练数据偏差、上下文理解偏差等因素影响，可能生成虚构、片面甚至不准确的信息，这使得模型输出具备天然不确定性，学习者无法直接对生成内容“照单全收”；另一方面，这种不确定性打破了传统教学中权威标准答案的单向输出范式，将原本封闭、固化的知识内容转化为开放、可商榷的辨析对象，为学习者预留出质疑的空间。二者共同作用，使学习者在面对看似合理但未必可靠的生成内容时，得以从被动接受转向主动审视，在元认知监控下不断完善认知结构。在元认知作用下，学习者得以在两个方面表现出认知增强：一是识别偏差，即主动判断生成内容的合理性与可靠性，对照自身知识结构识别其中的事实错误、逻辑漏洞与价值偏差；二是调整策略，即在识别问题的基础上修正自身认知路径，持续优化认知建构的成果。

上述元认知监控机制在具体学习情境中表现为教师将具有不确定性的生成内容作为可质疑、可检验的认知对象，促使学习者在与不确定信息的碰撞中发展批判性思维和元认知监控能力。以写作教学为例，教师可以设计一个GenAI辅助写作的双阶段任务：第一阶段，学习者先独立完成作文初稿，随后依据“写作自评卡”进行自我诊断，再把初稿和自我诊断一起输入GenAI，请它给出修改建议；第二阶段，学习者结合GenAI的建议修订文稿，同步记录建议的采纳、舍弃情况及相应理由，同时梳理出典型的“人机互动高光片段”，比如怎样通过调整提示词获得了更有力的论证表达，怎样识别并纠正了模型提供的失当例证等。在这一“生成—辨析—修正”的循环迭代过程中，学习者能够对写作全程实施整体监控，一边甄别模型输出的质量，一边完善自己的写作作品，让内容幻觉所催生的反思契机，切实转化为具体的认知建构行为。

（四）模拟多元角色，打造情境化协作体验

生成式人工智能的多智能体协作特性为促进学习者知识迁移、发展社会协作能力提供了条件。一方面，多智能体系统能够在同一任务情境中配置多个功能各异的模型角色，模拟异质化的视角分工，使学习者在不同观点的比较与整合中突破单一认知加工路径的局限；另一方面，多智能体系统能够在统一任务规则下组织功能互补的角色协作，形成类社会化的协同场景，使学习者在复杂任务中经历信息调度、角色协调与责任分配等社会性认知加工过程。二者共同作用，使学习者在多元视角的交汇与多元角色的互动中不断检验、修正并重构自身认知结构，推动认知建构从个体层面走向社会层面。在多角色协同作用下，学习者得以在两个方面表现出认知增强：一是系统整合，即对不同智能体角色输出的多源信息进行筛选、关联与统整，在比较中重构自身分析框架；二是协调共建，即理解各角色的功能定位与输出逻辑，合理吸纳、衔接各角色的有效输出，在协同完成任务的过程中发展组织能力与合作意识。

上述社会建构机制在具体学习情境中表现为教师利用多智能体构建异质化视角与分工，促使学习者在社会协作中对既有认知建构成果进行整合、迁移与拓展。例如，在高中政治“全球化影响的多维解读”教学中，教师可设计观点整合任务，引导学习者就“全球化是否利大于弊”分别与经济视角、文化视角、生态视角等立场不同的智能体对话，识别各自论证的逻辑起点与价值权衡路径，并据此重构分析框架，形成更具深度与平衡感的论证。又如，在“绿色教学楼方案设计”项目中，教师可为学习者配置材料检索、能耗模拟、可视化呈现等专家类智能体角色；学习者作为项目负责人，需要理解各角色的功能定位与输出逻辑，合理调用并衔接信息，逐步完善设计方案。在此过程中，学习者将概率重组激活的认知素材、对话交互生成的外显认知表达、内容幻觉辨析触发的反思调节成果，带入新的任务情境与协作关系中检验、修正，让个体认知建构成果在社会性互动情境中得以拓展与固化，实现开放动态协作场域下的认知进阶。

五、迈向认知共振：GenAI支持深度认知建构的教学设计原则

若要在教学实践中促成认知共振状态，需围绕学习者的深度认知建构需求，通过有效的教学设计重构问题情境、对话流程、检验任务与协作关系，将GenAI的技术可供性转化为学习者可有效调用的深度认知建构支架。为此，本文提出四条面向认知共振的教学设计原则，以期为后续实践探索提供具备理论指向性的设计框架。

（一）多源关联导向的情境设计

情境设计具备激活已有经验、整合认知材料、拓展问题空间的核心功能。基于概率重组特性，GenAI能够围绕同一主题生成多种概率化表征，为情境创设提供多源异质且彼此关联的认知素材支撑。因此，在情境创设环节，教学设计宜遵循多源关联导向的原则，通过多样化材料组织与关系呈现，引导学习者完成知识关联与认知结构重组。

围绕该原则，教学设计可从三个方面展开。一是构建多源汇聚的问题情境。教师可围绕同一核心主题，借助GenAI生成不同视角、不同条件、不同表征方式的材料，让学习者面对的不是单一结论，而是彼此关联、存在认知张力的多元素材，以打破线性知识输入的单一路径，更充分地激活学习者既有图式。二是设置关联重组型学习任务。教师应在情境构建基础上，进一步设计比较异同、关系匹配等任务，引导学习者在多种材料之间发现联系和差异，进而在联结与取舍中建构更为系统的认知结构。三是显化多源材料之间的关系。为避免生成内容零散堆砌、徒增学习者外在认知负荷，教师还可引导GenAI把不同材料之间的逻辑关联明确呈现出来，让学习者能够更清晰地把握知识网络的组织方式（曾艺 等，2026）。如此，教学中的情境便不再只是静态背景，而成为推动知识关联与结构重组的重要起点。

（二）过程外化取向的对话设计

对话设计具备推动思维展开、促进意义澄清、支持知识外化的功能。基于对话交互特性，GenAI能够在多轮互动中持续回应学习者的表达，并通过追问、补充和反馈等方式支持其逐步显化内隐思维。因而，在对话组织环节，教学设计宜遵循过程外化取向的原则，将人机对话从直接获取答案的工具转变为促进表达建构的互动支架。

围绕该原则，教学设计可从三个方面展开。一是设计有效触发表达的对话起点。教师可通过开放性问题、阶段性表达任务等方式（钟柏昌 等，2025），引导学习者先陈述自身观点与依据，在与GenAI开展互动前完成初步认知外化，从而保留学习者的主动思考空间，避免一开始就把问题完全交由模型处理。二是设计推动意义建构的对话链条。在初步表达的基础上，教师可进一步设计具有递进性的问题链，引导GenAI对学习者的观点展开追问、质疑或反驳，促使学习者在回应过程中充分展开思维活动。必要时还可借助角色设定提示语让模型扮演追问、质疑、反驳等多重角色，从多元视角推动学习者深化理解。三是重视对话过程的留痕与回看。深度认知建构不仅发生在互动当下，也体现在对思维过程的再审视之中。为此，教师可引导学习者保留提示语、人机对话记录、观点修订痕迹等关键互动片段，使其能够回看自身认知结构如何演进，在哪些节点发生了偏差；与此同时，这些过程性材料也有助于教师更准确地识别学习者的认知误区并提供针对性支持（王师晓等，2025）。如此，教学对话不再局限于单向问答，而是成为助推知识外化与表达建构的重要途径。

（三）批判检验取向的任务设计

任务设计不仅具备组织学习活动的基础功能，更兼具暴露认知冲突、推动反思监控、引导策略调整的核心作用。基于内容幻觉特性，GenAI生成结果带有一定的不确定性和可商榷性，这一技术局限虽凸显了模型的技术边界，但也为学习者开展认知辨析、反思迭代与认知优化提供了宝贵契机。因而，在任务建构环节，教学设计宜遵循批判检验取向的原则，将对生成内容的检验过程内嵌于学习任务本身，让学习者在批判性分析中发展元认知能力。

围绕该原则，教学设计可从三个方面展开。一是提供可供检验的认知对象。教师可引导GenAI生成多版本的答案、不同立场的解释、包含潜在漏洞的论证过程，或是在同一问题上提供推理路径不同的回答，从而激发学习者的质疑意识，打破学习者对智能输出内容的被动接受与全盘肯定（Reinke et al.，2025）。二是合理组织检验活动。在具体实施中，教师可围绕模型的多版本、开放性输出，要求学习者逐一开展分析，必要时可依托GenAI分步呈现解释过程、补充依据来源，以便学习者更细致地开展核验（夏琪等，2025）。三是推动检验走向修正。批判性检验的价值在于促使学习者回到自身思维过程。为此，教师可要求学习者记录采纳与拒绝某一回答的依据，反思自己为何接受或拒绝，进而检视原有认知结构是否需要调整。如此，任务设计便由接受答案转向检验和修正答案，学习者也在持续的辨析与修正中逐步形成对自身理解过程的监控意识与调节能力。

（四）协作迁移指向的角色设计

角色设计具备汇聚多元视角、建构协商关系和推动知识迁移的重要功能。基于多角色协同特性，GenAI能够模拟不同立场、功能和任务取向的智能体，为教学中的协作迁移提供新的设计可能（彭佳颖等，2026）。因而，在角色协同环节，教学设计宜遵循协作迁移指向的原则，通过角色预设、协商组织与情境迁移，引导学习者在复杂问题情境中实现知识的迁移和认知的拓展。

围绕该原则，教学设计可从三个方面展开。一是预设结构化的角色体系。教师可根据问题解决需要，为GenAI配置领域专家、同伴学习者、利益相关方、方案评估者等不同类型的角色（刘永贵 等，2025），并参照最近发展区等理论，事先界定各角色的知识边界、责任分工与支持方式，使不同角色在知识深度和价值立场上保持相对稳定，避免智能支持过度或支持不足的失衡问题。二是依托角色差异组织协作任务。教师需设计角色与学习者之间、角色与角色之间的互动协作任务，借助角色之间的立场差异和知识互补形成真实的认知挑战，使学习者在与不同角色互动的过程中整合信息、协调立场并作出取舍，将自身既有认知结构置于复杂问题网络中完成检验、迭代与修正。三是推动协作成果向真实情境迁移。协作学习的最终目标，是将特定任务中生成的认知成果迁移至全新问题场景与真实任务中落地应用。为此，教师可设置相似协作模式在不同场景下的迁移任务，并为学习者提供必要的支持。在这一过程中，整体支架支持强度需控制在学习者最近发展区内，使学习者既能在互动中感受到来自更有能力他者（more knowledgeable others） 的支持与挑战（Tran et al.,2025），又不因支架支持过度而失去主动建构的空间。

六、结语

立足数智化赋能教育变革的时代背景，面对高复杂性、高不确定性的认知任务，学习者不仅需要系统掌握学科知识，还需在动态情境中整合多源信息、建构跨领域思维并发展高阶迁移能力，传统以知识讲授为核心的教学范式已难以适配这一育人需求。为此，本文从深度认知建构的四重核心需求出发，引入“认知共振”概念，阐释了生成式人工智能在结构对齐、交互对齐、目标对齐与境脉对齐方面的可供性基础，剖析概率重组、对话交互、内容幻觉、多元角色四种作用机制，并据此提出四条面向实践的教学设计原则，系统回应“生成式人工智能何以支持深度认知建构”的核心问题。

回顾开篇提出的三个追问，本文获得了如下认识：其一，就深度认知建构的认知诉求而言，其并非停留于知识获取与表层理解，而是体现为知识关联与结构重组、知识外化与表达建构、反思监控与元认知调节、知识迁移与社会协作四个彼此递进的核心需求。其二，就生成式人工智能的介入机制而言，GenAI并非天然赋能深度认知建构，而是需要在结构对齐、交互对齐、目标对齐与境脉对齐的条件支持下，通过概率重组、对话交互、内容幻觉与多元角色等机制相互衔接、协同作用，方能与学习者形成认知共振，并推动认知活动由投入走向调节、由建构走向迁移。其三，就教学设计而言，教师需将生成式人工智能的技术可供性转化为学习者可调用的认知建构支持，通过情境创设、对话组织、任务建构与角色协同等关键环节的系统设计，推动GenAI由生成答案的工具性使用转向生长思维的建构性支持。同时，本文主要是一项理论探讨，关于认知共振的发生条件、作用边界及其在不同学科场景中的表现形态，仍有待结合具体教学场景开展进一步实证检验。未来研究可围绕不同任务类型、不同学段与不同人机协同方式，持续深化对GenAI支持深度认知建构机制及教学应用路径的实证研究。

总体来看，GenAI支持深度认知建构的关键并非简单地用或不用，而在于在何种认知结构与互动机制下善用。正如莫利克（Mollick，2025）所言，“生成式人工智能并不会直接损伤大脑，真正岌岌可危的是人的思维习惯与认知品质”。这也提示我们：教育的核心使命，在于通过精心设计的任务结构与人机分工，将GenAI从可能引致“认知债务”的代劳工具转变为促进思维外化、深化与迁移的共建伙伴。唯有如此，我们才能在智能技术与人类认知的共振中，真正实现面向未来的深度学习和心智发展。

来源：《远程教育杂志》

2026年第5期

原文所附来源或下载页面