前沿速递

教育中的关系型人工智能：互惠、参与式设计与原住民世界观

核心概念

关系型人工智能（Relational AI）：这指的是一种设计和应用教育人工智能的新范式，其核心目标不再是优化个体学习者的表现或效率，而是维护、支持和加强学习所依赖的社会、文化及生态关系。它将人与 AI 的互动视为一种有特定目的和边界的关系，旨在辅助学习者与他人共同学习，而非取代人际互动。举例来说，假设你在学习一个复杂的编程概念时卡住了，传统的 AI 助教可能会直接给你标准答案或代码。而一个关系型 AI 则可能会采取不同的策略，它可能会发现班上还有两位同学也在琢磨同一个问题，于是它会建议你们组成一个临时学习小组，并提供一个引导性的问题让你们共同探讨。或者，它也可能不会直接提供答案，而是引导你回顾自己的思考过程，将你的困惑表述出来，以便与老师或同学进行更有成效的交流。这个 AI 的设计初衷不是让你更快地完成任务，而是要维系和促进课堂中的协作学习关系。

互惠（Reciprocity）：这指的是在设计和使用 AI 时所遵循的一项核心道德原则，即承认任何技术互动都是一种交换，而非单向的索取。它强调 AI 的使用消耗了真实世界的人力、数据、能源和自然资源，因此技术的设计和应用必须以某种方式回馈其所依赖的社会和生态系统，形成一种可持续的、非攫取性的关系。例如，想象一下你在一个社区菜园里种菜，你不能只收获蔬菜而不付出任何劳动。你需要浇水、除草、施肥，这样菜园才能持续产出，这便是互惠。在 AI 教育中，这意味着我们不能心安理得地享受 AI 带来的便利，而无视其背后的环境和社会成本。一个基于互惠原则设计的 AI 系统，可能会在使用时提醒用户其能源消耗，或者在非必要时自动休眠以节约资源。更进一步，它可能会建立在社区成员知情同意并能从中直接获益的数据之上，确保技术的发展能够真正滋养而非攫取孕育它的社群和环境。

数据攫取主义（Data Extractivism）：这指的是将数据视为一种可以无偿或廉价获取的自然资源，并对其进行大规模采集、聚合和利用以创造商业价值的观念和做法，通常无视数据来源的社群的权益、意愿和文化背景。这种行为模式类似于历史上殖民者对自然资源的掠夺，在数字时代延续了不平等的权力关系。比如说，一家大型科技公司为了训练其绘画 AI，在网络上抓取了数以亿计的图片，其中可能包含了一位原住民艺术家的作品，这些作品承载着其部族的文化和精神。公司未经艺术家同意就使用了这些图片，通过 AI 模型创造出新的商业产品，但艺术家及其社群没有得到任何告知、尊重或经济回报。这个过程就是数据攫取主义的体现。它将原本充满生命力、根植于特定文化和个人经历的知识与表达，变为了去情境化的、可供机器计算和利用的原材料，从而实现了价值的单向转移。

研究问题

教育本质上是一种社会性、关系性的实践，学习是在学习者、教育者、社群和环境的互动中共同建构的。然而，以生成式人工智能为代表的新技术浪潮，正将教育推向以效率和自动化为核心的个体化学习模式。这种模式虽然能提升短期任务表现，却可能削弱学习者批判性反思、同伴协作和深度理解等关键能力。以往的人工智能教育研究虽然也关注协作，但未能充分阐明如何设计 AI 来维系学习赖以发生的社会和生态关系，导致技术应用的默认趋势是加剧学习的个体化，而非促进其关系性。

面对这一趋势，本论文旨在回答以下核心问题：我们应如何将人工智能在教育中的应用重新定位，使其回归教育的关系本质？具体而言，我们如何借鉴以互惠为核心的原住民世界观和参与式设计方法，来设计出能够支持而非取代人际关系、促进而非削弱社群联系、维系而非消耗生态环境的教育 AI 系统？有哪些具体的设计原则和方向，可以引导我们开发出这种负责任且可持续的人工智能教育创新？