引言

反馈素养是学生理解、参与并运用反馈以改善学习的关键能力，在数字时代尤为重要。传统单向反馈方式限制了学生的主体性，而强调互动的对话式反馈通过师生双向交流，能有效提升学生对反馈的理解、接受与迁移能力，是培养反馈素养的重要手段。随着人工智能技术发展，人机对话式反馈凭借其即时性、个性化与引导性，展现出促进反馈素养的巨大潜力。然而，教师对话式反馈与人机对话式反馈在提升反馈素养方面的具体效果与差异，仍有待实证研究进一步探索。反馈素养在教育中有着重要作用，且对话式反馈被认为是促进学生反馈素养的重要手段，但教师对话式反馈与人机对话式反馈是否能促进学生反馈素养的提升以及二者在实际应用中的差异性缺乏实证研究。

一、文献综述

（一）反馈素养的内涵与培养方式

反馈素养涵盖理解反馈、评价判断、情感管理、采取行动等多个维度。董艳进一步提出包括感知反馈、认知综合、评价判断等六要素模型，强调学生的主体参与与情感调控。随着教育技术的迅速发展，数字化学习环境已成为教育实践的重要场景，反馈素养的培养也逐渐融入这一背景。相关研究表明，结合技术手段不仅可以提升反馈的及时性和个性化，还能够增强学生的反馈接受能力，从而促进反馈素养的发展。人工智能能够根据学生的学习数据（如作业成绩、学习行为记录）提供个性化的反馈内容。这种反馈能够更好地匹配学生的学习目标和水平，使学生能够快速理解反馈的意义。例如，智能导师系统（Intelligent Tutoring Systems, ITS）通过动态生成反馈，帮助学生在学习过程中识别错误并改进学习行为。一些研究开发了基于AI的反馈训练工具，模拟不同场景中的反馈交互，帮助学生练习如何解读和利用反馈。这种方式能够提升学生的反馈理解能力和反馈行动能力。因此，人机对话式反馈在提升反馈素养方面有着极大的潜力。

（二）对话式反馈的发展与应用

对话式反馈强调反馈过程中的互动性与协商性，有助于学生深度理解与内化反馈内容（Steen-Utheim et al.,2017）。对话式反馈近年来成为教育研究领域的一个重要主题，其核心理念是通过对话与互动的方式促进学习者对反馈的理解、吸收与应用。对话式反馈的理论基础来源于对话理论和建构主义学习理论。对话理论强调反馈是一个双向的、动态的交流过程，而非单向的信息传递。建构主义学习理论则认为，学习者通过与他人互动和交流，能够更好地构建知识和理解。Vygotskya的社会文化理论（1978）也对对话式反馈产生了重要影响，特别是“最近发展区”概念，强调在对话中，反馈者作为“对话的他者”，能够帮助学生实现潜在的发展。

对话式反馈包括师生对话式反馈、同伴对话式反馈、自我对话式反馈和人机对话式反馈。师生对话式反馈是指师生通过开展平等交流、真诚沟通和对话达成相互理解，其中的对话是以促进学习为目标的指导型对话。教师通过对话掌握学生对反馈信息产生疑惑或误解的原因，并提供针对性指导，助力学生吸引并内化反馈内容。当前的课堂对话仍以教师引发—学生回应—教师反馈（Initiation-Response-Feedback,IRF）“三步话语”模式（triadic discourse）为主。教师反馈成为课堂对话的终点，学生失去继续发言的机会，这很大程度上禁锢了学生参与课堂对话的主动性，不利于深入思考、解释和解决问题能力的培养。在对话式反馈中，师生对话主要采用“教师引发—学生回应—教师反馈—学生提问—教师再次反馈。学生理解反馈并采取行动”的链式对话模式（chained discourse）。该模式允许多轮迭代，学生可多次提问和质疑，教师亦可持续反馈，直至帮助学生掌握学习内容。

近年来，随着人工智能技术的发展，人机对话式反馈逐渐进入教育研究领域。人机对话式反馈指学生针对特定学习问题和任务与机器开展沟通交流和对话协商，明确学习方式、解决负责问题。学生和机器互为主客体关系，机器整合已有数据和案例生成最优问题解决方案，学生综合考虑现实条件、自身经验和任务需求，持续调整和优化方案，直至有效解决问题。新一代智能技术的兴起及其教育应用，加强了人机对话式反馈的自然性、智能性和人性化。特别是以ChatGPT为代表的聊天机器人技术，能依托庞大的训练数据和算法模拟人的话语体系、思维模式和叙事逻辑，提供易于理解和满足学生需求的反馈，为负责问题解决提供有效支持。一些研究表明，人机对话式反馈在提升学生反馈素养方面也具有一定的潜力。例如，AI对话系统能够通过个性化反馈帮助学生明确学习目标、调整学习策略，并增强学生的自我反思能力。然而，与教师对话式反馈相比，人机对话式反馈在情感支持、个性化深度以及对学习背景的理解方面仍存在一定的局限性。因此，人机对话式反馈的有效性及其对学生反馈素养的影响仍需进一步研究和验证。

（三）研究空白

目前的研究对教师对话式反馈和人机对话式反馈的效用都有了一定的探讨，但关于两者在促进学生反馈素养方面的具体差异和机制尚需进一步研究。这为本研究提供了理论基础与现实意义，即通过比较两种反馈模式对学生反馈素养的影响效果，为教育实践提供有价值的建议。

二、研究方法

（一）研究设计

采用准实验研究法，选取上海市某初中两个班级，随机分为对照组（仅接受教师对话式反馈）和实验组（仅接受人机对话式反馈，基于AIGC工具）。实验周期为12周，每3周开展一次反馈任务。

（二）研究对象

研究对象为具备一定数字化学习能力的初中生（n=80），年龄介于13–15岁。

（三）测量工具

1.反馈素养量表

采用Zhan开发的量表，包括寻求反馈、处理反馈、执行反馈等6个维度（如表1所示）。

维度	具体内容
寻求反馈（Eliciting）	与他人沟通以获取关于什么是优秀作品的有用信息
	与他人沟通以解决学习中遇到的问题
	准确解释教师要求的工作标准
处理反馈（Processing）	理解他人的评论
	判断他人对我作品的评价质量
	从他人的评价中提取关键的可操作信息
	识别他人在评价我的作品时的不同立场
执行反馈（Enacting）	调整或设定后续学习目标以回应建议
	制定可行的计划将他人的建议转化为行动
	管理时间以实施他人的有用建议
	监控自己的进度，以确保能够利用他人的反馈来改进学习
认同反馈（Appreciation of Feedback）	意识到他人的反馈可以让我认识到自己的学习优势和劣势
	提供了一个从他人视角看待自己学习的机会
	使我能够从他人那里学习有效的学习策略
	增强我对如何系统地改进学习的自我反思
参与准备（Readiness to Engage）	总是愿意开放心态接受来自不同来源的评价
	接受来自他人的严厉批评
	接受直接指出我错误的评论
	接受对我学习质量的批评
承诺改变（Commitment to Change）	总是愿意克服犹豫，根据我获得的评价进行修改
	根据他人的反馈改变我的学习策略
	尽最大努力克服修订过程中遇到的困难
	花额外的时间寻找额外的学习资源以完成建议的修改

2.反馈量表

基于反馈干预理论，从任务、过程、自我三个层次设计题项（如表2所示）。

测量指标	内涵	举例
反馈层次性测量指标
任务层次	评估学生理解和应用针对具体任务结果的反馈的能力	我能理解教师/系统对我作业的评价 我会根据反馈调整我的作业答案。
过程层次	评估学生对学习过程中的策略和方法的反馈理解和应用能力	我能领会教师/系统对我解题步骤的建议。 我会依据反馈优化我的学习方法。
自我层次	评估学生对涉及个人能力和特质的反馈的接受和反思能力	我能接受教师/系统对我学习态度的评价。 我会根据反馈提升我的学习动力。
反馈效价测量指标
正反馈	评估学生接受和利用积极反馈的能力	我能从教师/系统的表扬中找到继续努力的方向。 我会因收到正面反馈而增强学习信心。
负反馈	评估学生接受和利用消息反馈的能力	我能从教师/系统的批评中发现自己的不足。 我会根据负面反馈积极改进我的学习方法。

3. 对话式反馈评估量表

依据Steen-Utheim等人提出的四个维度（情感支持、对话维持、学生表达、他人贡献）编制（如表3所示）。

维度	教师对话式反馈具体指标		人机对话式反馈具体指标
情感和关系支持	识别情感表达	分析教师和学生在反馈过程中是否使用了情感丰富的语言，如鼓励、同情或支持性的词汇。例如，教师是否说“我相信你可以做得更好”或“我理解你的困难”。	情感识别与响应	分析系统是否能够识别用户的情感状态（如通过语音分析、文本分析等），并提供相应的情感支持。例如，系统是否能够在用户表达挫败或困惑时提供鼓励或安慰的语言。
	评估关系建立	观察教师是否通过个人化的反馈、倾听和回应来建立信任关系。例如，教师是否在反馈中提到学生的个人经历或表现出对学生努力的认可。	建立信任与友好关系	观察系统是否通过友好的语言、个性化的反馈和一致的交互方式来建立用户的信任感。例如，系统是否使用用户的姓名、记住用户的偏好等来增强关系感。
	分析学生的情感反应	注意学生在反馈过程中的情感反应，如紧张、兴奋或失望，并评估教师如何回应这些情感。	情感表达的自然度	评估系统在表达情感支持时的自然度和真实性。例如，语音反馈是否具有自然的语调和节奏，文本反馈是否使用恰当的情感词汇。
对话的维持	角色分配	分析教师和学生在对话中的角色分配，教师是否主导话题，学生是否有机会参与话题的引入和发展。	反馈的即时性与连贯性	观察系统是否能够及时响应用户的输入，并保持反馈的连贯性。例如，系统是否能够记住之前的对话内容，并在后续反馈中进行关联和扩展。
	话题引入和转换	识别教师如何引入新的话题或反馈内容，以及学生如何回应这些新话题。例如，教师是否提出新的问题或建议来引导对话。	话题引导与转移	分析系统是否能够有效地引导和转换话题，以维持对话的连贯性和流畅性。例如，系统是否能够根据用户的输入或反馈内容自然地引入新的相关话题或问题。
	使用元问题	观察教师是否使用元问题（如“你明白我的意思吗？”）来检查学生是否跟上对话，并评估学生如何回应这些元问题。	用户参与度的维持	评估系统是否能够通过提问、建议或反馈来维持用户的参与度和兴趣。例如，系统是否能够根据用户的反馈调整对话策略，以更好地吸引用户的注意力和参与。
表达自己的机会	学生表达的机会	分析学生是否有机会用自己的话表达对反馈的理解、感受和反思。例如，教师是否询问学生对反馈的看法或是否有进一步的问题。	用户表达的自由度	分析系统是否为用户提供足够的自由度来表达自己的想法、感受和需求。例如，系统是否允许用户自由地输入文本或语音，而不是仅限于预设的选项或命令。
	教师的引导和支持	观察教师如何引导学生表达自己，是否通过提问或鼓励来帮助学生更深入地反思和表达。	引导用户深入表达	评估系统是否能够通过提问或提示来引导用户更深入地表达和反思。例如，系统是否能够根据用户的反馈提出进一步的问题或建议，帮助用户更好地理解自己的需求和问题。
	学生参与的深度	评估学生在表达时的深度和复杂性，是否能够详细描述自己的理解和困惑。	理解与反馈的准确性	观察系统是否能够准确理解用户的表达，并提供相关的反馈。例如，自然语言处理技术是否能够准确识别用户的意图和情感，并给出恰当的回应。
他人贡献于个体成长	挑战和扩展理解	分析教师是否通过提问或引入新知识来挑战学生的现有理解，促使学生进行更深入的思考和反思。	知识与建议的提供	分析系统是否能够提供有价值的知识和建议，以促进用户的学习和成长。例如，系统是否能够根据用户的反馈和需求，提供相关的学习资源、解决方案或改进建议。
	使用非语言和辅助工具	观察教师是否使用非语言沟通（如肢体语言）和辅助工具（如评估模板）来支持学生的理解和发展。	个性化与适应性反馈	观察系统是否能够根据用户的个人特点和需求，提供个性化的反馈和支持。例如，系统是否能够根据用户的学习进度、兴趣和风格，调整反馈的内容和方式。
	反馈的针对性和具体性	评估教师的反馈是否具有针对性和具体性，能否帮助学生明确改进的方向和方法。	反馈的可操作性与实用性	评估系统提供的反馈是否具有可操作性和实用性，能够帮助用户明确改进的方向和方法。例如，反馈是否具体、明确，并能够指导用户采取具体的行动。

（四）数据分析

采用SPSS进行独立样本t检验与配对样本t检验，结合质性资料（访谈、课堂录音、聊天记录）进行交互分析。

三、研究结果

（一）反馈素养提升效果比较

实验后，两组学生的反馈素养总分均显著提升（p<0.01）。组间比较显示，在“执行反馈”和“承诺改变”维度上，实验组提升更为显著（p<0.05）。

（二）反馈层次的影响差异

在“任务层次”与“过程层次”上，两组无显著差异；在“自我层次”上，对照组表现更优，表明教师反馈更有利于学生自我认知与情感管理。

（三）对话式反馈特征分析

教师反馈在“情感支持”与“学生表达”方面得分更高；人机反馈在“对话维持”与“反馈即时性”上表现突出。

四、讨论

（一）两种反馈方式的优势互补

教师反馈在情感互动与深度对话方面具有不可替代性，适合用于复杂认知与情感支持场景；人机反馈在提供即时、结构化反馈方面具有优势，适合用于技能训练与自主学习支持。

（二）反馈素养培养的路径整合

建议构建“教师引导+人机辅助”的协同反馈模式，实现情感支持与效率优化的结合。

五、结论与建议

本研究证实，教师与人机对话式反馈均能有效提升学生反馈素养，但各有侧重。教师反馈在情感与自我认知层面作用显著，人机反馈在执行与效率层面表现突出。教育实践中应结合两者优势，推动反馈模式的多元化与智能化发展。

未来研究可进一步探索不同学科、学段下的反馈效果差异，以及人机反馈系统的情感化设计。

参考文献：

1. [1] 王辞晓, 李林泽, 王小越. 学生反馈素养的测量模型与教学干预研究[J]. 数字教育,2023,9(01):39-45.
2. [2] Sadler, D R. Beyond feedback: Developing student capability in complex appraisal[J]. Assessment & Evaluation in Higher Education,2010,35(05):535-550.
3. [3] Yang M, Carless D. The feedback triangle and the enhancement of dialogic feedback processes[J]. Teaching in Higher Education,2013,18(03):285-297.
4. [4] Nicol D. From monologue to dialogue: improving written feedback processes in mass higher education[J]. Assessment & Evaluation in Higher Education,2010,35(05):501-517.
5. [5] Nicol D. The power of internal feedback: exploiting natural comparison processes[J]. Assessment & Evaluation in Higher Education,2021,46(05):756-778.
6. [6] 蒋慧芳, 曾文婕,朱琦. 指向深度学习的对话式反馈：特征、方式与策略[J]. 开放教育研究,2024,30(02):80-88.
7. [7] Lu X, Sahay S, Yu Z, et al. ACAT-G: An interactive learning framework for assisted response generation[J].2021.
8. [8] Yin J, Goh T, Yang B, et al. Conversation technology with micro-learning: the impact of chatbot-based learning on students’ learning motivation and performance[J]. Journal of Educational Computing Research,2020(59):154-177.
9. [9] Carless D, Boud D. The development of student feedback literacy: enabling uptake of feedback[J]. Assessment & Evaluation in Higher Education,2018,43(08):1315-1325.
10. [10] 董艳. 学生反馈素养论纲:内涵、模型与发展[J]. 开放教育研究,2020,26(05):26-39.
11. [11] Chen L, Chen P, Lin, Z. Artificial intelligence in education: a review[J]. IEEE Access,2020(08):75264-75278.
12. [12] VanLehn K. The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems[J]. Educational Psychologist,2011,46(04):197-221.
13. [13] Winstone N, Boud D. The need to disentangle assessment and feedback in higher education[J]. Studies in Higher Education,2022,47(03):656-667.
14. [14] Steen-Utheim A, Wittek A L. Dialogic feedback and potentialities for student learning[J]. Learning, Culture and Social Interaction,2017(15):18-30.
15. [15] 王一岩, 刘淇, 郑永和. 人机协同学习：实践逻辑与典型模式[J]. 开放教育研究,2024,30(01):65-72.
16. [16] Henderson M, Bearman M, Chung J, et al. Comparing generative AI and teacher feedback: student perceptions of usefulness and trustworthiness[J]. Assessment & Evaluation in Higher Education,2025:1-16.
17. [17] Zhan Y. Developing and validating a student feedback literacy scale[J]. Assessment & Evaluation in Higher Education,2022,47(07):1087-1100.