引言

随着教育信息化建设的不断推进，教育数字化发展迅速。教育部等九部门《关于加快推进教育数字化的意见》中提出“全面推进智能化，促进人工智能助力教育变革”，强调对“人工智能+教育”应用场景新范式的探索。人工智能与教育的深度融合已成为必然趋势。教育评价朝着智能化、数据化方向迈进。从建构主义理论视角来看，“过程性评价作为评价的一种特殊方式在注重结果的同时又反映出一定的过程性”，相较于传统目标取向的发展性评价、形成性评价等方式，过程性评价的关注点从教育目标转移至教育过程，着重突出在知识学习与建构进程中的反馈，是否能够对学习者提供及时的指导。一方面，AI技术凭借其强大的数据处理和分析能力，为教育评价带来了新的模式与方法；另一方面，建构主义强调学习者在知识建构过程中的主体地位，关注学习者的主动参与和个性化体验。在此背景下：AI赋能的学习评价是否真正体现了建构主义的核心价值值得探讨。本文基于建构主义理论框架，剖析AI时代下在学习评价中过程性评价悖论的表现及优化策略，以期为智能教育环境下学习评价的合理设计提供理论参考。

一、建构主义视角下的过程性评价

建构主义理论体系中，“已形成包含个体建构和社会建构两大流派的完整理论体系”，其中皮亚杰代表个体建构主义流派，维果茨基则代表社会建构流派。皮亚杰的“同化—顺应”机制与维果茨基的“最近发展区”理论为过程性评价提供了关键理论支撑。皮亚杰认为，学习者通过同化（将新信息纳入原有认知结构）和顺应（调整原有认知结构以适应新信息）实现认知发展。这一过程需要持续的反馈与互动，而过程性评价正是通过实时捕捉学习过程数据，为学习者提供认知调整的依据。维果茨基则强调社会文化背景对学习的影响，指出“最近发展区”是个体实际发展水平与潜在发展水平的区间，协作学习与动态评价是促进学习者跨越这一区间的关键。从建构主义视角看，过程性评价的本质是“在学习过程中完成的、建构学习者学习活动价值的过程”。它不仅关注学习结果，更重视学习者在与环境、他人互动中形成的认知轨迹，强调评价与学习的共时性、互动性和发展性。

建构主义理论与过程性评价在本质上具有关联，首先在实践上二者都强调主体性与协作性。建构主义主张学生是知识建构的主动参与者，过程性评价则可以通过建立多维互动机制（如设计自评工具、同伴互评），将学习者从被评价对象转化为评价主体。其次，两者的情境性与真实性特征形成呼应。建构主义强调学习需根植于真实或模拟情境，过程性评价则会根据不同的情境对学习者进行指导与评价。最后，在知识生成与评价的动态性上，建构主义认为知识的建构是一个持续更新的过程，而非对固定真理的被动接受，过程性评价通过及时的反馈将评价嵌入学习者对知识建构的动态链条中。

二、对AI时代下过程性评价悖论的分析

（一）技术赋能中过程性评价的优势

人工智能技术为建构主义视域下的过程性评价提供了充足支持。技术的赋能让学习者在过程性评价中的主体性得以凸显。通过大数据技术，学习者的学习行为及态度、学习历史等数据可以被实时采集和分析，从而帮助学习者了解自己的学习效果，成为自己学习的主人，根据需求调整学习策略，实现个性化学习。这种评价方式不仅能在不同情境下关注学习结果，还能关注学习者学习过程中的动态变化，提供即时的反馈，即“生成式人工智能可以作为‘人人、时时、处处’进行全方位智能辅导的工具”，在课前、课中、课后等不同情境中为学习者提供不同形式的帮助，其中还涉及到对学习者多方面表现的关注，通过捕捉学习者非结构化数据，例如某些模型能够“利用AI监测学生的情绪，调整教学方法”，弥补传统评价忽视隐性学习过程的不足。

然而，当我们深入审视AI技术在过程性评价中的实践应用时，会发现技术赋能的优势背后，隐藏着与教育本质目标相背离的深层矛盾。这些矛盾并非技术本身的缺陷，而是技术逻辑与教育规律交互过程中产生的悖论，它们如同双刃剑，在革新评价方式的同时，也对学习者的学习质量带来挑战。

（二）AI时代过程性评价悖论分析

1. 主体性消解：算法主导下的过程性评价标准异化

在人工智能技术深度介入过程性评价的背景下，评价标准逐渐从教育主体的价值判断转向算法模型的量化输出，学习评价常由预设的算法主导，算法依据特定的程序和数据模型运行，为学习表现设定标准化的评价准则。而算法评价体系过度依赖结构化数据（如点击率、完成度、答题正确率），又将这些量化的数据作为评价的核心指标，将复杂的认知过程简化为可观测的行为轨迹，导致学习者的主体性被技术逻辑解构，这与建构主义理论强调的“学习者中心”和“知识主动建构”原则形成了冲突。

研究指出，人工智能技术在过程性评价中的应用若过度依赖工具主义逻辑，可能导致“评价活动更多地偏向于依赖工具而非教育的本质目的，使得学习者的主体地位被技术系统所吞噬，沦为数据驱动评价体系中的被动接受者”。这种算法主导的评价模式使得学习者不得不迎合系统设定的标准，逐渐丧失了自主探索和创新的动力。例如，“在英语写作的应用上，智能批改系统通过对庞大语料库的对比与快速计算，仅需1.2秒就能对文本进行分析识别并实时给出分数”。而智能写作批改系统通常基于固定的评价维度（如词汇使用、语法结构、篇章逻辑）对学生作文进行评分，忽视了学生在写作过程中展现的独特创意和个性化表达。学生可能会为了满足系统对词汇丰富度的要求，生硬地堆砌高级词汇，忽略文章内容的连贯性和思想性。

2. 情境剥离：虚拟互动对真实社会建构的削弱

在人工智能驱动的过程性评价体系中，虚拟空间的互动看似增强了学习过程的数字化表征，实则通过技术手段剥离了知识建构所必需的真实社会情境，导致学习者与真实社会关系的疏离，与建构主义理论所强调的“知识是情境化的社会协商产物”形成对立。

首先虚拟互动的符号化特征割裂了情境的完整性。AI评价系统依赖文本、图像等符号化数据表征学习过程，将复杂的社会性互动（比如小组协作中的非语言交流、情感共鸣）简化为可量化的交互频次，或是文本关键词匹配。在线讨论区中，学习者通过点赞、评论数量等指标被系统判定为“参与度高”，但这类数据“无法提供知识背后所关涉的社会文化情境和生命意义，导致学习者缺乏对知识的深入理解”。其次，算法生成的拟真情境会削弱学习者知识迁移能力，算法可以模拟情境（如虚拟实验室、角色扮演游戏）评价学习者的问题解决能力，但这类情境本质是算法预设的封闭式脚本，缺乏真实社会场景的复杂性与不确定性。维果茨基的“社会文化理论”指出，知识的深层建构需依托真实社会关系中的意义协商，通过算法模拟出的真实情境仅能提供“去社会化”的浅层互动，使学习者难以将知识迁移应用到现实场景。如果学习者长期处于数据构建的虚拟现实中，容易对虚拟互动产生依赖，并且“在这种过滤掉真实社会环境信息的虚拟互动中，参与者‘个体性的自我意识’将强化，‘公众性的自我意识’会降低”，那么学习者在真实协作学习情境下的共情能力与责任意识也会被削弱。

3.反馈异化：即时反馈对深度建构的抑制

人工智能驱动的过程性评价系统通过即时反馈机制（如答题正确率提示、知识点掌握度可视化）重构了学习者的认知节奏，学生可以通过“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，明确学习方向、解决复杂问题”。这种技术赋能的“效率崇拜”与建构主义理论强调的“反思性知识生成”产生了冲突。

即时性反馈在加速学习进程的同时，可能会抑制学习者对复杂认知结构的深度探索。AI通过实时数据监测产生的即时反馈，将连续的学习过程划分为离散的、相互独立的事件，学习者被迫在频繁的反馈中断中切换注意力，难以形成对知识体系的整体性理解。同时，建构主义强调“认知冲突—自我调节”是知识内化的核心机制，而AI系统通过即时消除不确定性（如直接标注错误选项），剥夺了学习者通过试错、反思后实现自我调节的机会，学习者元认知能力（如自我监控、策略选择）逐渐退化，一旦脱离系统支持就会陷入学习困境。另外，算法的局限性也会削弱反馈价值。借助数据化建模分析，系统一旦确定学生对某类教学资源的喜爱，就会在对其学习风格和偏好进行评价时，贴上对应的“标签”，“这种标签在机器智能分析与决策的过程中会不断地被强化，使机器倾向于为该学生推荐特定类型的学习资源”。长此以往，学习者会陷入“信息茧房”，接触的知识范围越来越窄，思维也被局限在固定的模式中，难以实现知识的拓展与创新。并且AI系统通过积分激励、排名竞争等外部手段强化即时反馈的吸引力，使得学习者的关注点从“知识探索”转移到“数据指标达成”。就像语言学习APP中，连续打卡机制促使大量用户将精力放在累积学习时长上，忽略了对学习内容的深度理解。这种转变破坏了学习过程与意义建构的内在联系，让学习者把知识的价值片面地等同于可视化的成就符号。

三、建构主义视角下AI赋能过程性评价的优化策略

（一）主体性重构：构建“人机共生”的评价生态

为了扭转算法主导导致的学习者主体性消解，需要构建一种“人机共生”的评价生态，重新平衡技术工具性与学习者主体性的关系。

首先，应设计开放灵活的评价算法，赋予教师和学习者更多参与评价标准制定的权力。教师可以依据教学目标和班级学情，对通用算法进行二次调整，纳入能够体现学生个性化成长和创新思维的评价指标，如在学科项目式学习中，加入对学生独特创意和解决实际问题能力的考量。学习者也可以通过自评和互评的结果反馈，影响算法权重的动态分配，使评价标准更贴合自身学习进程。这种算法设计模式，打破了算法黑箱，让评价标准从单一的技术指令转变为师生共同参与的协商产物，其理念与建构主义中强调学习者主动参与知识建构的观点相呼应。

其次，利用AI技术开发智能学习伙伴系统，目前已有研究通过技术设备收集学习者在学习过程中的各种状态数据，识别与分析学习者情感，从而获取其情感特征，帮助研究者了解学习者的内部状态和精神变化。通过智能伙伴提供知识讲解和学习建议，识别情感计算技术感知学习者情绪状态，以共情的方式引导学习，增强学习者在评价过程中的情感体验和心理认同。

（二）情境重构：创建虚实融合的社会性交互空间

为解决虚拟互动对真实社会建构的削弱，应着力打造虚实融合的社会性交互空间，让学习者在数字化环境中实现深度的社会情境化学习。一方面，借助增强现实（AR）、混合现实（MR）等技术，将虚拟学习资源与真实世界场景相融合，为学习者提供沉浸式学习体验。例如，在历史、地理等学科的实地考察中，利用AR技术在现实场景中叠加历史事件的还原影像或地理现象的详细解读，学习者在真实环境中与虚拟信息互动，既保留了真实情境的复杂性与丰富性，又能通过技术获得更为全面深入的学习资源，强化知识与情境的联结，这种虚实结合的学习方式符合建构主义强调知识情境性的观点。

另一方面，搭建基于区块链技术的分布式学习社区，保障学习者在虚拟空间中的身份真实性和交互可信性。区块链技术能够“从资源层、用户层、交易层、运营层四个方面构建一个更加安全、透明、高效、多元的供给体系，为数字教育资源供给实践提供支持”。通过这项技术可以记录学习者在社区中的所有学习行为和交互历史，形成不可篡改的学习档案，为学习者提供真实有效的社会身份标识。在社区内，学习者围绕真实问题展开协作探究，通过线上讨论、小组项目等形式，模拟现实社会中的学术交流与合作场景，促进知识在真实社会关系网络中的建构与传播。这种虚实融合的社会性交互空间，能够让学习者在虚拟世界中延续真实社会建构的过程，提升知识迁移能力与社会交往技能。

（三）反馈机制优化：培育元认知能力的延迟响应策略

针对即时反馈对学习者建构深度学习的抑制，可以对评价中反馈机制进行优化，引入培育元认知能力的延迟响应策略。在AI评价系统中设置反馈延迟功能，当学习者提交学习任务后，系统并不立即给出答案或评价，而是提供引导性问题，促使学习者先进行自我反思与知识重构。在数学解题练习中，系统可以在学习者完成答题后，询问其解题思路的依据、是否考虑过其他方法等问题，引导学习者回顾解题过程，挖掘思维漏洞。待学习者充分思考后，系统再给出详细的评价与反馈，包括解题步骤的正确性、思维方式的创新性以及改进建议等。这一策略与建构主义中“认知冲突-自我调节”促进知识内化的机制相契合，通过延迟反馈，给予学习者更多自主思考空间，培养其元认知能力。

同时，研究者尝试“采用在线学习行为数据来表征学生元认知能力，验证了行为数据表征元认知能力发展变化的可行性”。利用AI的数据分析能力为学习者生成个性化的元认知发展报告。报告不仅呈现学习结果，更重要的是分析学习者在不同学习阶段的元认知表现，如自我监控的频率与效果、学习策略的选择与调整等，并提供相应的元认知训练资源和个性化学习计划。对于自我监控能力较弱的学习者，系统推荐一些自我反思日志模板和时间管理工具，帮助其逐步提升元认知水平，摆脱对即时反馈的过度依赖，实现从“他律学习”向“自律学习”的转变，促进知识的深度建构与内化。

四、结语

人工智能时代过程性评价中的悖论源于技术逻辑与教育规律的深层碰撞。建构主义理论为破解这些悖论提供了坚实的理论根基，通过重构主体性、融合虚实情境、优化反馈机制，我们能够逐步消解技术与教育价值间的矛盾，构建起更契合学习者认知发展规律的评价体系。然而，这并非一蹴而就的过程，需要教育研究者、技术开发者与一线教师持续协同探索，在技术迭代与教育实践中不断平衡工具理性与教育本质，让人工智能真正成为助力学习者主动建构知识、实现全面发展的有力工具，推动教育评价在智能时代向更高质量、更具人文关怀的方向迈进。

参考文献：

1. [1] 中华人民共和国中央人民政府.教育部等九部门《关于加快推进教育数字化的意见》[EB/OL].(2025-04-11)[2025-04-22].https://www.gov.cn/zhengce/zhengceku/202504/content_7019045.htm.
2. [2] 韩叶秀,杨成.认识论视野下学习过程性评价探析[J].教育探索,2012(02):5-7.
3. [3] 何克抗.新型建构主义理论——中国学者对西方建构主义的批判吸收与创新发展[J].中国教育科学(中英文),2021,4(01):14-29.
4. [4] 高文,徐斌艳,等.建构主义教育研究[M].北京:教育科学出版社,2008.
5. [5] 谢同祥,李艺.过程性评价:关于学习过程价值的建构过程[J].电化教育研究,2009(06):17-20.
6. [6] 肖君,白庆春,陈沫,等.生成式人工智能赋能在线学习场景与实施路径[J].电化教育研究,2023,44(09):57-63+99.
7. [7] Salloum A S, Alomari M K, Alfaisal M A, et al. Emotion recognition for enhanced learning: using AI to detect students’ emotions and adjust teaching methods[J].Smart Learning Environments,2025,12(01):21-21.
8. [8] 宋兆祥,司林波.人工智能赋能新时代教育评价改革的逻辑、边界与路径——构筑智慧教育评价生态的变革之路[J].教育科学研究,2024(11):59-65.
9. [9] 常玉梅.高中英语写作教学智能化探索[J].教育理论与实践,2019,39(20):51-53.
10. [10] 洪玲.生成式人工智能背景下知识学习的离身困境与实践路径[J].电化教育研究,2025,46(05):19-25.
11. [11] 柯泽,宋小康.从“镜中我”到“雾中我”：虚拟现实中社会互动的畸变与理论危机[J].新闻与写作,2021(08):75-83.
12. [12] 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.
13. [13] 郑永和,王一岩,杨淑豪.人工智能赋能教育评价：价值、挑战与路径[J].开放教育研究,2024,30(04):4-10.
14. [14] 李玫.情感计算在教育领域的应用：系统性文献综述与趋势分析[J].汉字文化,2025(11):174-177.
15. [15] 孙乐康,安建强.基于区块链技术的数字教育资源供给模式研究[J].教学与管理,2024(12):33-37.
16. [16] 王洪江,李作锟,廖晓玲,等.在线自主学习行为何以表征元认知能力——基于系统性文献综述及元分析方法[J].电化教育研究,2022,43(06):94-103.