【摘要】AI时代技术技能工作的重要特点之一是人机协同决策，应对复杂和无法预测结果的开放性问题。受认知主义设计理念和机器固有的计算主义局限，目前智能技术赋能职业教育教学的指导思想仍然是知识导学，这无法适应现代职业教育混合学习环境下工作流学习的要求。生成式人工智能凭借其对未知上下文的理解，以及对开放性任务的动态响应能力，为突破现有困境提供了可能。具体路径包括：以技能习得模型替代认知主义模型，以工作过程线索替代学科知识逻辑，以设计导向思想替代技术适应思维。最后，进一步通过实践案例阐明生成式人工智能如何重构职业教育的教学与评价。

【关键词】生成式人工智能；职业教育教学；身体现象学；技能习得模型

【引用格式】赵志群，余越凡.生成式人工智能赋能职业教育教学：理论与案例[J].中国职业技术教育，2026（02）：86-93.

《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》（以下简称《建议》）在关键历史节点上为国家未来发展作出了顶层设计和战略安排。《建议》要求全面实施“人工智能+”行动，抢占人工智能产业应用制高点，全方位赋能千行百业。AI技术的广泛应用，在重塑工作世界、向职业教育提出新要求的同时，通过优化管理和重塑教学方式，为职业教育发展创新注入了新的活力，但这一进程面临着理念和技术等多方面的挑战。

例如，基于知识图谱的智能学习系统仅关注显性知识，将只有通过行动才能获得的隐性能力排除在外，阻碍了学生对工作过程知识的习得；基于判别式AI的自动评分系统仅考察孤立行为节点的正确性，或关键行为类别的表现频次，忽视行动过程的整体性及其情境意义，陷入行为主义范式的窠臼而大大弱化了解释力。

生成式人工智能（Generative Artificial Intelligence，GAI）的出现为职业教育教学数智化改革提供了新契机。区别于传统判别式方法，生成式方法不仅学习数据样本与标签之间的映射关系，更试图构建一个描述数据本身的概率模型。这种对数据的整体分布或联合分布的建模方式，极大地增强了模型对数据潜在结构的刻画能力。在海量数据的预训练下，生成式大模型具备了语义理解和泛化能力，有望弥补以往职业教育教学智能化手段的局限。在此需要首先解决的问题是：AI时代的技术工作和职业学习分别有哪些特点？如何基于GAI更好地支持学生开展符合时代要求的职业学习？本文在讨论这一理论问题的同时，通过实例说明GAI如何重构职业教育的教学和评价。

一、职业教育教学的时代特征

（一）AI时代的技术工作

《建议》明确指出，要抓住新一轮科技革命和产业变革历史机遇，统筹教育强国、科技强国、人才强国建设。这一发展战略要求职业教育必须紧密对接AI时代工作范式的变革。

针对AI时代“人机界面”（Man-Machine Interface，MMI）的研究发现，工作流程的形成方式和专业人员对工程过程的干预方式，是新工作范式形成的基础，这直接塑造了高技能人才的能力结构。在典型的AI应用场景中，如轻量级智能机器人代替单调或重体力工作、AI提供与场景相关的敏感数据支持、AI监控和控制生产资源等，流畅的人机协作是决定AI和人类智能能否形成协同效应的关键。专业人员解决问题的能力是选择“正确”人机协同方式的基础。“正确的决定”意味着：保障人性化工作，充分发挥人类和机器的不同优势，采用最有利的资源合作方式，并遵守现有的规范。

工业心理学理论认为，直觉、感觉以及针对复杂过程运作的经验性知识至关重要，即“工作中的主观行为”。在AI的工作世界里，用于流程优化的数据与工作现场高度复杂且动态变化的实际情况有很大差异，处理“复杂性”问题是一项巨大的挑战。为了理解和把握现实世界和虚拟世界之间复杂情境的差异，高技能人才必须在无法计划的情况下采取正确行动，即应对不确定性，这需要具备获取新经验、并以新的方式应用已有经验的能力。例如，在工业4.0生产条件下，机电一体化现场工程师的工作任务包括生产流程优化与可靠性保障、生产过程数据分析与评估、低代码编程和及时排除故障等。他们利用辅助系统完成任务，通过人机界面操作设备，并在去中心化的实践共同体中发展专业精神。

（二）AI时代职业学习的设计特点

《建议》明确指出，要“提升职业学校办学能力”“深入实施教育数字化战略”。AI时代职业学习的变革，不仅在于专业内容的更新，更重要的是在生产和业务流程、人机界面变化以及人才终身成长的大框架下，整体化地重塑学习方式。

传统的职业教育数字化学习以专业生成内容（Professional Generated Content，PGC）为核心，采用专家生产知识与传播的方式，将专业知识技能切割打包为课程并发布到平台上进行推广，教学设计侧重职业功能或工件的数字媒体展示，导致学习与工作行动脱节。

而AI时代，用户生成内容（User Generated Content，UGC）和人工智能生成内容（Artificial Intelligence Generated Content，AIGC）将逐渐成为主导，前者源于学生和一线工作者的实践经验，后者则为AI提供的与用户经历紧密关联的个性化内容。内容生产模式的革新，直接推动了职业教育学习方式的变化，学生从简单、重复、单个的机械技能训练转向人机协同下的综合性工作任务解决；教师也从单纯的面授转向AI辅助下的混合式教学。

AI模糊了工作和学习的界限，职业学习方式的变化不是简单的采用智能工具进行备课、教学和评价，而是转变为工作流学习（Workflow Learning）模式。学生通过智能系统、移动设备、虚拟现实和微学习平台，在完成实际工作任务的过程中实时获得所需知识和技能的支持，其认知过程深度嵌入工作流程的持续性实践中。这种学习模式，具体体现为AI时代高技能人才的六大学习特点：①在虚拟系统（模拟、过程可视化、虚拟现实）中学习和工作；②使用AI系统在智能化工作流程中学习和工作；③在跨专业的混合组织结构中工作；④价值链上的跨领域和网络化合作；⑤真实工作场景和虚拟环境下的混合式学习；⑥针对复杂和不可预测问题的学习和网络化思考。

二、GAI赋能职业教育教学的理论逻辑

（一）职业教育教学数智化发展困境

我国职业教育数智化转型起步相对较晚，国内有关智能技术教学应用的研究多聚焦于K12和普通高等教育领域。笔者在中国知网数据库中，以“（人工智能+大模型）*职业教育”为检索词，检索2025年11月20日之前发表的CSSCI和北大核心论文，并按照下述标准筛选：①学术论文；②研究情境为AI在职业教育教学中的应用；③采用实证研究方法。

结果显示，检索得到的403篇文献中仅8篇符合标准。阅读全文后发现，学界尚未就智能技术赋能职业教育教学形成符合其类型特色的技术路径。尽管研究者日益关注综合素质培养，但不可否认的是，知识导学仍是智能技术影响学习的基本方式。

例如，智能学习系统借助认知诊断技术评估学生知识点的掌握情况，并按照系统预设的学习路线引导学生开展“个性化”学习。此类技术路线在知识本位的学习中取得了成功，但对职业学习的影响却是负面的。原因在于，职业学习的主要价值在于促进学生行动能力的发展，特别是发展解决复杂问题的能力。

以往的智能学习系统多定位于数据处理与分析，或知识问答与导学的工具，期望学生在学习理论知识后，能自动将其与实际问题联系起来，这既不符合能力发展规律，也不符合情境学习和知识建构的基本理念。造成上述现象的原因有二。

1.长期采用认知主义模型解释人类智能

该模型的基本主张是：我们之所以能够明智地处理事情，是因为我们可以通过大脑内的符号操作进行合理的思考。于是，人们企图用符号表征思考和行动所需的全部心智内容，并以此为准绳引导学习。该路径之所以能在知识本位的学习中取得成功，是因为此类学习行动可以由某种心理规则或目的表征有效解释，但这与职业学习存在本质区别。

哲学家波兰尼（M.Polanyi）指出，人类的隐性知识无法用符号清晰编码与传递，必须通过亲身实践、体验以及与情境互动获得。第二代认知科学主张，认知过程并非仅由颅内的大脑活动实现，亦会发生在大脑之外。不同学科的研究均指向一个事实：职业实践具有复杂性、不确定性、不稳定性、独特性和价值冲突等特点，将隐性知识进行显性化处理既不现实，也不合理。我们仅能做到对去情境化孤立技能的表征，但无法以知识库、图谱等形式完整表征高技能人才在“机器代人”浪潮中的立身之本——应对复杂且不确定问题的实践智慧。

2.AI与人类智能在运作方式上存在根本的区别

从现象学视角看，当前的AI主要建立在表征意向性之上，而人类智能则根植于运动意向性。表征意向性是心灵关于某物的指向性，它依赖符号、概念、命题和规则来表征世界。例如，心中有一个“苹果”的概念，并用它来思考或描述一个苹果。运动意向性是身体直接朝向世界的、前反思的、非表征的指向性。它不经过大脑的符号化处理，而是身体在面对情境时自然而然地熟练应对。例如，人在拥挤的人群中穿行时，会自然而然地避开他人，无需逻辑推理。

尽管科学家通过一系列精巧的努力让机器变得愈加智能，并在功能层面逼近人类的运动意向性，但暂时无法改变其本质。例如，具身智能机器人通过对三维空间和动态环境的深层理解，构建了一个丰富的内部世界模型，但其运动控制仍需计算模型和决策命题来驱动，这种“具身”与人类智能的“具身”存在本质差异。技术人员在设计智能学习系统时，易受其自身技术理性思维的影响，将世界视为可分解、可形式化对象的笛卡尔主义传统，导致他们倾向于优先采用认知主义进路来塑造智能学习过程。

（二）GAI赋能下的破局之道

开发先进学习系统的关键不是如何去界定特定的知识、技能和能力，而是设计科学的学习方式。实验心理学研究发现：人类对知识的重构是无意识的，即使没有专门教学设计且缺乏有意识地探究，在完成复杂任务的过程中也能形成复杂的刺激结构。智能技术赋能职业教育教学，应从传统的学科逻辑转向行动逻辑和能力发展逻辑。

作为当今最前沿的技术之一，GAI虽然仍是无现象身体的表征系统，但通过海量数据的训练，它模拟出了一种在语言世界中“具身”的本领。当前AI研究的主流观点认为，GAI的智能并非基于类似人类思考的逻辑推理，而是源于极其复杂的统计模式匹配。

正因如此，其在语言世界中的行为，形式上类似于人类的直觉反应。具体表现为，无需先验规则即能达成对未知上下文的理解，并动态回应任务的开放性。基于这一特性，GAI能够将智能学习置于一个开放的复杂工作情境中，无需因无法穷尽未知变化而预先限制决策范畴。这使得打破智能学习系统的认知主义传统成为可能，职业教育数字化学习转向工作流学习范式，可以应对人工智能时代人机协同决策，以及技术工作复杂性和不确定性日益增强的挑战。这里的关键在于实现如下转变。

1.以技能习得模型替代认知主义模型

德雷福斯兄弟（H.L.Dreyfus和S.E.Dreyfus）对认知主义模型进行了批判，提出著名的技能习得模型。其中“技能”指面向世界的有意向性的应对技能，对应教育学范畴中的能力，而非仅指操作技能。该模型强调人类主体并非仅通过表征来认知世界，还依赖非反思性和非概念性的熟练应对，它支持人依据情境具身地做出持续而稳定的回应。

该模型将技能发展过程划分为五个连续阶段，即初学者、高级初学者、有能力者、熟练者和专家。郝维斯（R.J.Havighurst）指出，从一个阶段到下一个阶段需要完成特定的发展性任务。劳耐尔（F.Rauner）明确了各阶段的任务特征及需要具备的知识，即“职业定向的工作任务—定向和概括性知识”“系统的工作任务—关联性知识”“蕴含问题的特殊工作任务—具体与功能性知识”和“不可预见的工作任务—基于经验的学科系统化深入知识”。

基于上述认识，GAI赋能职业教育教学，应尊重职业学习规律，按照“从初学者到专家”能力发展逻辑，从多元路径帮助学生成长。其一，利用GAI生成分梯度的工作任务，辅助教师设计符合能力发展逻辑的学习路径。其二，利用GAI驱动虚拟系统中的各类开放性交互对象（如客户、同事、设备状态、情境信息等），情境性地塑造符合各发展阶段任务特征的职业行动场域。其三，在工作流学习中，利用GAI提供与任务情境紧密关联、与学生当前发展阶段精准匹配的支架，确保学生在工作行动中获得跨越最近发展区所需的特定支持。

2.以工作过程线索替代学科知识逻辑

职业教育数字化学习需要超越以学科结构组织内容的传统路径，转而以完整的工作过程作为贯穿教学的核心线索，从而支持学生在具身应对中实现技能习得模型所描述的发展过程，其理论根基是马克思主义教育学理论中的行动导向教学，它针对结构复杂的综合性问题，师生共同确定行动产品引导教学，在完整的行动过程中实现理论和实践学习的相统一。

基于上述认识，GAI赋能职业教育教学的基础是典型工作任务包含的完整工作过程和全面的工作要素，而不是针对静止工作瞬间的专业知识和技能。根据工作过程系统化理论，完整的工作过程是由明确任务、计划、决策、实施、检查和评价六个动态交替的步骤所组成的非线性过程。智能学习系统应能基于上述步骤组织学生开展实践、对话相结合的混合式学习，激励学生（尽量）自行组织学习过程和完成学习任务，培养学生应对复杂职业情境的整体性行动与调控能力。

3.以设计导向思想替代技术适应思维

面对AI时代工作范式的变革，固守于技术适应思维，仅要求学生掌握既定岗位的显性技能，已不再具备可持续性。劳耐尔等人建立的设计导向职业教育思想展现出深刻的前瞻性，其核心理念是：人不仅要有适应能力，更重要的是有能力本着对社会、经济和环境负责任的态度，参与设计未来工作世界的发展。依据COMET职业能力模型，学生的职业能力须从“功能性能力”向“过程性能力”，乃至最高层次的“整体设计能力”发展。

基于上述认识，GAI赋能职业教育教学，应围绕工作要素（即人机料法环）完整的开放性工作任务组织人机对话。在此过程中，GAI不仅是工具，更是激发批判性思考与价值判断的对话伙伴，通过赋予学生独立的决策权，引导其审视人机协同工作中的多种可能性及其长远后果，最终形成对工作世界发展方向的社会化价值判断与主动塑造能力。

三、GAI赋能职业教育教学的应用案例

（一）案例：基于GAI的职业教育会话机器人

研究团队针对高职电子信息工程技术专业“电子电路与CAD制版”课程，开发了基于GAI的职业教育会话机器人。该会话机器人依托千帆大模型平台和自主设计的多智能体框架实现，采用多智能体（Multi-agent）、检索增强生成（Retrieval-augmented Generation，RAG）和少样本思维链（Few-shot-CoT）等技术，具备基于工作流的对话教学和能力诊断功能。

1.技术实现

职业教育教学需综合学生基础、工作情境和学习规律进行整体化决策，涉及多线程、多步骤的复杂推理。为此，该会话机器人采用基于GAI的多智能体架构，其核心由管理中枢，以及“智能教师”“工作分析”“能力诊断”三个子系统组成。针对多智能体协作易产生的响应延迟问题，研究团队设计了串并行混合的多智能体框架。

框架将多智能体业务流视为循环图（参考LangGraph），并通过管理中枢将数个智能体或基础业务流循环图（子图）连接，组成复合图（图1）。复合图和子图均能以协程的方式并行调度智能体。例如，“工作分析”与“智能教师”子系统并行运行，前者生成的内容会存入一个列表对象，等待后者完成生成任务后再插入到其消息列表中。

“智能教师”子系统能够围绕给定的任务情境，根据学生能力水平和教师设定的能力发展目标，主动生成分梯度的问题支架和概念支架。例如，对于初学者，他们需要在职业定向的工作任务中获得入门和概括性知识，“智能教师”针对功能性能力，主动引导学生分析与操作行为相关的直观观察或其他感官感受，帮助学生据此总结出简单操作规律。

“智能教师”支持计划和反思两种教学场景，前者以工作过程为线索引导学生剖析任务，后者针对学生行动过程做启发式提问。“工作分析”子系统基于垂直领域知识对工作任务或学生工作决策做出专业分析，明确特定能力发展目标下处理工作任务的要点或学生决策的不足之处，帮助其余两个子系统理解工作任务、做出合理决策。“能力诊断”子系统从功能性、过程性和整体设计三个维度对学生能力水平做出情境化的评估，帮助其余两个子系统确定学生的能力发展基础。

2.应用模式

与普通教育旨在传授知识的“课前—课中—课后”模式不同，该会话机器人通过新的工学结合一体化人机协同教学模式应用于课堂。

①工作前阶段：对应工作过程的“明确任务”和“计划”步骤。教师根据学生能力发展基础和课程标准要求，从功能性、过程性和整体设计三个能力维度分别确定发展目标，设计相应的工作与学习任务。学生与计划模式下的会话机器人交互，一步步地推导行动并拟定工作计划。

②工作中阶段：对应工作过程的“决策”和“实施”步骤。教师赋予学生充分的独立决策权，支持他们在自我负责的情况下完成工作任务，会话机器人不干预此过程。

③工作后阶段：对应工作过程的“检查”和“评价”步骤。学生与反思模式下的会话机器人交互，回顾并反思工作过程，最终完成对行动产品的迭代控制。

3.应用效果

2024年11月15日至12月13日，研究团队在广州市某高职学院开展准实验研究。结果显示，该会话机器人及其应用模式能够有效提升学生较低级别的职业能力，即功能性和过程性能力。

同时，基于“从初学者到专家”能力发展逻辑的分梯度会话，为会话机器人的能力诊断提供了语境支持，其诊断结果与COMET测评结果呈显著正相关。可见，在教师协同增智下，该会话机器人能围绕工作任务引导学生在实践中尝试新的应对模式，并根据学生能力的最近发展区开展个性化教学。

（二）案例：基于GAI的职业行动能力评价

职业行动能力作为专业人员在复杂、不确定的工作情境中，综合运用知识、技能和基本经验，负责任地组织行动的本领，是职业院校学生在AI时代应对工作范式变革所必须发展的能力。职业行动能力评价的难点在于，它是多方面能力在特定情境中有机结合与动态协同的结果，其可观测性离不开人、技术与世界的交互背景。

同时，由于实际工作中取得成功的路径是多样的，不同个体面对同一工作任务会体现出不同的能力整合模式，因而不存在标准的能力要素组态。当前多数自动化评价奉行计算主义路线，将评价建立于可量化、可标准化判断的循证基础之上，即便借助神经网络算法挖掘特征间的潜在关联，也很难充分捕捉真实工作世界中蕴含的复杂变化。为此，研究团队尝试利用GAI的技术特性突破现有自动化评价方法的局限，开发基于GAI的职业行动能力评价方法。

1.基本原理

GAI赋能职业行动能力评价的关键在于突破对固定编码框架的依赖，将评价依据从孤立的表现特征拓展为情境性的行动特征。GAI通过海量数据的统计关联学习，形成对复杂语义与情境的深层感知，无需预设固定特征体系，即可直接处理文本、视频、操作轨迹等非结构化数据。其关键优势体现在两方面：一是动态关联性捕捉，能够自主识别多模态数据间的时空关联与意义逻辑，将行动过程置于整体工作场景中解读，避免了能力拆解导致的评价偏差；二是情境化意义建构，能够学习人类评价者的隐性共识与价值取向，结合具体工作情境动态建立行动表现与能力水平的关联。

2.实现路径

该评价方法采用纸笔与实操两种表现性评价方式。评价者基于典型工作任务设计工作要素完备、工作过程完整的开放式评价任务，允许受试者通过多种路径解决问题。纸笔测试聚焦表征意向性，要求受试者提交详尽的问题解决方案文本，详述解决思路与缘由，以反映其职业认知特征。实操测试关注运动意向性，受试者需针对同一评价任务进行实操。评价者采集实践过程的音视频数据、设备运行数据与操作日志以及工作制品等，实现对情境变化与受试者行动过程的连续、全面捕捉。

数据分析环节，核心是通过GAI对两项测试数据做联合分析，以统一解读表征意向性与运动意向性特征。为此，本研究在COMET职业能力模型基础上建立了“整体性量规—分析性量规”二层次质性观测框架，替代行为类型编码与量化统计的传统方法。其中，整体性量规具有综合性特点，用于反映COMET职业能力模型的八项子能力指标（直观性/展示、功能性、使用价值导向、经济性、工作过程导向、社会接受度和环保性），如“是否考虑到并有意提供方便的保养和维修”。分析性量规则为两项测试中的具体观测点，为整体性量规的评价提供循证证据。具体评价流程如下：①基于多模态大模型搭建质性描述系统，对采集的音视频、文本等非结构化数据进行情境性的质性描述；②按照“先分析性量规、后整体性量规”的顺序，利用GAI对二层次观测框架中的各项指标做循证推理与评价；③通过GAI对COMET职业能力模型的八项子能力指标评分；④可视化呈现评分结果，并提供个性化反馈。

未来，研究团队将联合中国科学院软件研究所，依托国家重点研发计划“多模态多传感器融合的实验过程跟踪分析与智能评测”项目开展实验研究，验证该评价方法的应用效果。

四、结语

GAI赋能职业教育不仅是对传统授课方式的优化和简化，还是对职业教育的学习内容和学习方式的系统化再造，把复杂工作现实转变为学习者可以驾驭的学习情境，让学习者在完整的行动过程中进行知识的自我建构和实践反思，从而实现真正意义上的职业学习。此外，随着GAI在职业教育中的深入应用，我们还需要高度重视由此可能带来的数据安全、算法偏见等伦理风险。《建议》明确提出“加强人工智能治理，完善相关法律法规、政策制度、应用规范、伦理准则”。未来，应在推进GAI与职业教育教学深度融合的同时，建立符合职业教育类型特色的GAI应用标准与治理框架，确保技术发展始终服务于人。

（赵志群，博士，北京师范大学教育学部，教授，博士生导师）