生成式人工智能赋能的非线性学习智能体模型建构

摘要：该研究探讨了生成式人工智能（AIGC）赋能的非线性学习智能体模型建构，分析了非线性学习的特点，并预设了自学、混合和协作三种学习场境。基于这些场境推导出智能体模型的功能需求，进而抽象出模型的核心能力。该文界定了非线性学习智能体的含义、数学表达式及核心算法，并阐述智能体模型的核心是一个改进的马尔可夫决策过程，旨在能够为学习者提供个性化、动态优化的学习支持，有效提升非线性学习的效率，为AIGC在教育领域的应用提供了新的模型构建方法，对推动教育信息化和个性化学习具有重要意义。

关键词：生成式人工智能；非线性学习；智能体模型；个性化学习；教育信息化

中图分类号：G434 文献标识码：A

* 本文系国家社会科学基金教育学国家重点项目“中国数字教育实践的理论建构研究”（项目批准号：ACA240018）研究成果。

生成式人工智能（Generative Artificial Intelligence，简称AIGC）是人工智能领域的一个重要分支，它不仅能够创造新的内容，而且还能分析或处理现有数据[1]。AIGC可以生成文本、图像、音频等多种形式的内容，其核心在于通过学习大量数据来理解和模仿人类的创造过程。随着AIGC技术的迅速发展，教育行业正经历一场深刻的变革[2]。在此背景下，非线性学习理论逐渐受到关注。这一理论强调学习过程的自主性、碎片化和跳跃性，打破了传统线性学习的局限，更符合现代学习者的需求[3]。AIGC技术的引入，使得非线性学习的实施变得更加可行和高效。然而，如何利用AIGC构建支持非线性学习的智能体模型，仍然是一个亟待解决的问题。

尽管AIGC在教育中的潜力巨大，当前的应用仍存在许多挑战和不足。特别是在非线性学习环境中，如何构建一个支持个性化、互动性强的智能体模型仍是一个亟待解决的问题。本研究的目的在于填补这一空白，通过深入分析非线性学习理论，结合AIGC技术，提出一种新型的智能体模型。研究意义在于，不仅能够丰富非线性学习的理论应用，还能为实际教学提供可行的创新模式，促进教育现代化和个性化发展。

一、理论基础与核心概念介绍

（一）非线性学习理论缘起与理论原理

非线性学习理论的提出源于对传统线性教学模式的深刻反思。王继新等人在2009年首次提出了非线性学习的概念，为这一领域的研究奠定了基础[4]。他们定义非线性学习为一种打破传统线性学习模式的新型学习方式，强调学习过程的动态性、灵活性和个体差异性。具体而言，非线性学习是以非线性科学的思想方法为指导，以教育认知与神经科学为基石，以现代信息科学与技术为支撑，以复杂领域知识之习得为主要目标的一种学习形态。这一定义强调了非线性学习的跨学科特性，体现了其在当代学习研究中的重要地位。

非线性学习理论的发展汲取了多种既有教育理论的精华，并在此基础上进行了创新和发展。其中，皮亚杰的建构主义理论[5]和戴维·科尔布的体验式学习理论[6]为非线性学习理论提供了重要的思想启发和理论基础。建构主义理论强调学习者主动构建知识的过程，这与非线性学习强调学习者自主选择和主动参与的理念高度一致。皮亚杰认为，学习不是简单的知识传递，而是学习者基于已有经验主动建构新知识的过程。这一观点为非线性学习中强调学习者主动性的特征提供了理论依据。

从理论基础来看，非线性学习主要遵循三个基本原理：时空变换原理、混沌原理和自组织原理[7]。时空变换原理体现了非线性学习在时间和空间两个维度上的同时展开，实现了从“因时而异”和“因事而异”到“因人而异”的跨越，达到真正意义上的个性化学习。混沌原理揭示了非线性学习系统对初始条件的高度敏感性，强调了学习过程中细微变化可能带来的巨大影响。自组织原理则说明非线性学习系统是一个开放的、能与外界进行物质和能量交换的系统，能够通过自组织形成新的有序结构。

（二）非线性学习的特点及相关研究

非线性学习具有几个显著特点：（1）学习时间的碎片性：学习者可以在不同时间片段内围绕同一主题进行学习。（2）学习空间的多样性：包括实体空间、虚拟空间和交往空间。（3）学习内容的非系统性：学习者可以从任意点切入知识体系。（4）拖拉式的信息传递：学习者主动获取知识而非被动接受。（5）知识建构的主动性：特别适合复杂领域和非结构化知识的学习。

在研究方面，国内外学者的关注点存在一定差异。国外研究多集中于理论构建和实证研究，探讨非线性学习的本质特征和内在机制。例如，一些研究者利用复杂系统理论来解释非线性学习过程[8]。相比之下，国内研究则更多关注非线性学习理论在实际教学中的应用[9]，尤其是在信息化教学环境下如何实施非线性学习。随着深度学习和自适应控制系统等技术的发展，非线性学习理论在解释学习过程的复杂性和动态性方面展现出了新的潜力。这些技术为非线性学习提供了更加精确和个性化的支持，推动了理论的进一步发展和应用。

总的来说，非线性学习理论的研究仍在不断深化和扩展。未来的研究方向可能包括非线性学习的评价机制、在不同学科中的应用策略、与新兴技术的融合等方面。这些研究将进一步推动非线性学习理论的发展，为教育实践提供更有力的指导。

（三）生成式人工智能和智能体在教育中的应用

生成式人工智能是一种能够生成文本、图像、音频等内容的技术，近年来在教育中得到了广泛应用[10]。其应用场境包括内容生成（自动生成教学材料，如课件、练习题和参考答案）、个性化推荐（根据学生的学习行为和偏好，推荐个性化的学习资源）、实时反馈（在学习过程中，提供即时的反馈和指导，帮助学生改进学习效果）[11]。

智能体（Agent）是一种能够感知环境、做出决策并执行行动的自主实体[12]。智能体的概念最早出现在人工智能领域，广泛应用于机器人、虚拟助手和自动化系统中。智能体的发展经历了从简单规则系统到复杂自主系统的演变。近年来，随着深度学习和强化学习等技术的发展，智能体的能力得到了显著提升。智能体在教育中的应用包括智能辅导系统、虚拟实验室和自动评估系统等。在本文中，智能体指的是一种能够支持非线性学习的生成式人工智能系统，具有感知、决策和行动能力，能够为学生提供个性化的学习路径、实时反馈和协作支持。

二、理论导向的模型预测

在非线性学习环境下，构建了三种主要的学习模式：自学模式、混合模式和协作模式。这三种模式既独立又互补，共同构成了完整的非线性学习场境。为了更好地展示这些模式及其共性需求，图1清晰地呈现了非线性学习场境的整体结构。概念图中心展示了非线性学习场境，三种学习模式（自学模式、混合模式、协作模式）从中心扩展出来，每种模式都包含了其独特的特点和应用场境。同时，共性需求（智能评估、实时反馈、学习分析）位于图的中心，与各个模式相连，展示了智能体模型需要满足的共性功能。以下内容将详细介绍每种学习模式及其具体应用场境，并预测智能体模型所需的功能。

（一）场境预设

1.自学模式：个性化学习路径支持

自学模式是非线性学习的典型场境，其核心在于学习者的高度自主性。在这种模式下，学习者具有多样化的需求和个性化的学习节奏，这就要求智能体模型能提供高度个性化的学习支持。下页图2展示了自学模式下个性化学习路径支持的整体框架。

个性化学习路径支持的关键在于动态路径规划和智能内容推荐。动态路径规划能够实时调整学习序列，以适应学习者的进度和表现，这符合学习者对自主性的客观规律。生成式AI在这一过程中发挥关键作用，它能基于学习者模型和知识图谱，生成符合个体需求的学习路径，从而可以最大化学习效果。

智能内容推荐则进一步强化了个性化特征。传统的内容推荐往往局限于预设的学习资源，难以满足高度个性化的需求。生成式AI的引入使得系统能够动态创造和调整学习内容，大大增强了推荐的灵活性和针对性。这不仅能提供更加个性化的学习材料，还能根据学习者的实时反馈进行内容调整，提供精准的学习支持。

在技术实现层面，知识图谱构建和智能体是核心组件。知识图谱为路径规划提供结构化的知识表示，而智能体算法则能从海量学习数据中提取模式，不断优化推荐策略。这些技术共同支撑了整个个性化学习路径支持系统，确保系统能持续适应学习者的变化，提供动态优化的学习体验。

学习模式下个性化学习路径的支持充分发挥了学习者的自主性，实现了高效、个性化的非线性学习过程。这种方法不仅提高了学习效率，还增强了学习者的学习动机，为非线性学习提供了有力的技术支持。

2.混合模式：线上线下结合支持

混合模式将线上学习与传统线下教学相结合，为非线性学习提供了更加灵活和全面的学习环境。如图3所示，这种模式的核心在于实现线上线下学习的无缝衔接和互补，创造一种连贯、整合的学习体验。

在混合模式中，智能体面临的主要挑战是跨场境学习追踪和资源调配。跨场境学习追踪的独特性在于需要整合来自线上和线下的多源异构数据，构建完整的学习轨迹。这要求系统具备强大的数据采集和分析能力，能够处理从课堂参与到在线互动等各种形式的学习行为数据，实现学习经历的全面记录和分析。

资源调配在虚实结合环境中呈现出特殊性。智能体需要在动态变化的学习场境中，为学习者提供最适合的学习资源和活动。这涉及到根据学习场境和学习者状态，动态决策应该不管是在线上还是线下进行特定的学习活动，以及如何选择和分配相应的学习资源。生成式AI在这方面发挥了关键作用，能够基于学习情境动态生成或调整学习内容，实现个性化学习体验。

混合环境下的学习活动设计是支持流程中的关键环节。智能体需要根据学习目标和场境特点，灵活地安排线上和线下活动，并确保它们之间的有机衔接。这种设计不仅要考虑知识传递的效果，还要充分利用线上线下环境的优势，创造沉浸式和交互式的学习体验。

技术支撑方面，AR/VR技术和物联网的应用为混合学习环境提供了新的可能性。这些技术能够创造沉浸式的学习体验，有效弥补线上学习的局限性，同时实现线上线下数据的无缝采集，为全面的学习行为分析奠定基础。

3.协作模式：智能协同学习支持

协作模式在非线性学习中扮演着越来越重要的角色，它强调多人协作、跨空间合作以及知识的共建与分享。如图4所示，这种模式下的智能体学习支持框架旨在促进高效的团队协作和知识构建。

在协作学习中，多人协作和跨时空团队合作是两个突出特点。学习者不再局限于传统的面对面交流，而是可以跨越时间和空间的限制进行合作。这种模式为学习者提供了更加灵活和多样化的学习机会，同时也对智能体提出了更高的要求。

动态团队组建是协作学习中的一个关键环节。智能体需要基于学习者的知识背景、学习风格和协作能力，形成最优的团队组合。这个过程不仅需要对个体特征的深入理解，还需要考虑团队整体的协同效应。生成式AI在此过程中可以通过模拟不同团队组合的协作场境，预测可能的协作成效，从而优化团队构成，为有效的团队协作奠定基础。

集体知识图谱的构建是协作模式中一个独特而重要的功能。在协作学习过程中，每个学习者都在不断贡献新的知识和见解。智能体需要实时整合这些分散的知识点，构建一个动态演化的知识网络。这不仅能够促进知识的有效共享和传播，还能帮助团队成员更好地理解复杂的知识结构和关系。

在技术支撑方面，社交网络分析和群体智能算法的应用为协作学习提供了有力支持。这些技术能够帮助识别团队中的互动模式和知识流动路径，优化集体决策过程，从而提高协作学习的质量和效果。

（二）功能需求汇总

在设计非线性学习智能体的功能架构时，面临的核心挑战不仅在于确定具体功能，更在于如何构建一个有机统一、相互支持的功能生态系统。图5展示了功能的基本分类，但功能之间的复杂交互和潜在的协同效应才是本节需要深入探讨的重点。

跨模式功能整合的挑战：尽管图5将功能分为自学、混合、协作三种模式和共性功能，但在实际应用中，这些功能并非截然分离。最大的挑战在于如何实现这些功能的无缝整合，从软件设计的角度要有一定的冗余度和耦合性。也使得学习者在不同模式下能有一致性和连贯性的体验感。

动态平衡与自适应机制：另一个关键难点是在个性化和标准化之间寻求动态平衡。虽然个性化是非线性学习的核心特征，但过度个性化可能导致学习者偏离既定的教育目标。智能体需要一个复杂的自适应机制，不断调整个性化的程度，以确保学习者在享受定制化学习体验的同时，仍能达成必要的学习标准。这种机制需要综合考虑学习者的个人特征、学习进展、课程要求等多方面因素，是一个多目标优化问题。

功能的可扩展性设计：考虑到教育科技的快速发展，功能架构的可扩展性至关重要。我们需要设计一个开放的功能框架，能够轻松集成新的技术和功能模块。这要求智能体具有模块化的结构设计，以及标准化的数据接口。同时，如何确保新功能的加入不会破坏现有功能的稳定性，也是一个需要深入研究的问题。

跨学科知识的整合：非线性学习常常涉及跨学科的知识整合。智能体需要具备复杂的知识图谱和推理能力，能够识别不同学科知识点之间的联系，并据此为学习者提供多角度的学习建议。这种跨学科的知识整合能力，不仅需要强大的数据库支持，还需要先进的语义分析和知识推理算法。

数据驱动与隐私保护的矛盾：实现上述功能，尤其是高度个性化和精准分析，需要收集和分析大量的学习数据。然而，这不可避免地引发了数据隐私和安全的问题。如何在充分利用数据以提升学习效果的同时，又能有效保护学习者的隐私，是一个需要慎重考虑的伦理和技术难题。这可能需要采用先进的数据加密、匿名化技术，以及制定严格的数据使用政策。

三、非线性学习智能体模型建构

（一）模型架构

非线性学习理论强调学习过程的复杂性、个体差异性和知识获取的多样性，这些特性与传统线性学习模型形成鲜明对比。传统模型往往假设学习是一个线性、均质的过程，难以适应现代教育中学习者的多元需求和学习环境的动态变化。为了更好地支持非线性学习，我们提出了一个基于强化学习的智能体模型，其核心是将非线性学习过程形式化为马尔可夫决策过程。如图6所示，该模型架构包含三个相互关联的层次：基础设施层、核心功能层和应用层。

这种三层架构的设计源于对非线性学习本质的深入理解。基础设施层对应于学习环境的构建，为非线性学习提供了灵活多变的技术支持。它包括大数据处理、云计算和人工智能等组件，这些技术使得学习资源的动态调配和个性化推荐成为可能，从而支持了非线性学习中的资源多样性和学习路径的灵活性。核心功能层作为智能体的“大脑”，直接体现了非线性学习的核心特征。例如，学习路径生成器通过动态规划算法，根据学习者的实时表现和目标调整学习路径，体现了非线性学习的自适应性。知识图谱构建模块则通过复杂网络的形式表征知识结构，支持了非线性学习中知识获取的多样性和关联性。应用层通过支持多种学习模式（如自主学习、协作学习等），体现了非线性学习的灵活性和互动性，使学习者能够在不同的学习情境中自由切换。

生成式AI在这个架构中扮演了关键角色，为每一层都带来了创新性的解决方案。在基础设施层，生成式AI通过智能资源分配算法，优化了学习资源的使用效率。在核心功能层，AI驱动的内容生成系统能够根据学习者的需求实时创造个性化的学习材料，大大增强了学习路径的多样性和针对性。在应用层，AI支持的智能对话系统和虚拟学习助手提供了更加自然和高效的人机交互体验，使得非线性学习过程更加流畅和个性化。这种全方位的AI赋能，使得本模型能够更好地适应非线性学习的复杂性和动态性，为现代教育技术的发展提供了新的可能性。

（二）模型实现

1.模型构建过程

非线性学习智能体模型的构建是一个循环迭代的过程，如下页图7所示。这个过程包含四个关键步骤，每个步骤都融合了教育理论和先进技术，共同构成了一个完整的学习支持系统。

理论基础与问题形式化：本文意将非线性学习理论与马尔可夫决策过程（MDP）相结合[13]。基于皮亚杰的认知发展理论和维果茨基的最近发展区理论，将学习过程形式化为一个动态的状态转换问题[14]。这种形式化为后续的算法设计奠定了基础。

个性化学习策略构建：采用强化学习方法，特别是Q-learning算法，来构建和优化个性化学习策略[15]。这种方法能够通过持续的交互和反馈，逐步改进学习策略，体现了建构主义学习理论的核心思想。

知识表征与学习路径生成：使用动态知识图谱来表征知识结构，这种方法能够有效捕捉知识点之间的复杂关系。基于这种表征，我们设计了动态学习路径生成算法，为每个学习者创建个性化的学习路径。

反馈机制与自适应调节：设计多层次的反馈系统，结合生成式AI技术，提供个性化和上下文相关的反馈。同时，通过持续监测和动态参数调整，确保整个学习过程的自适应性。

这四个步骤形成一个闭环系统，通过不断的迭代和优化，使模型能够持续适应学习者的需求和环境的变化。这种设计不仅体现了非线性学习的核心特征，也为个性化教育和终身学习提供了新的技术支持。

2.关键技术

生成式人工智能赋能的非线性学习智能体模型在传统智能体模型的基础上，通过融入先进的AI技术，实现了更高程度的个性化和适应性。如图8所示，这个模型的核心是强化学习与生成式AI的深度融合，围绕这个核心，我们构建了四大关键技术和四个生成式AI应用点，共同支撑起整个智能体系统。

在传统的非线性学习智能体模型中，强化学习、知识图谱、自适应算法和多模态交互已经是不可或缺的组成部分。强化学习通过Q-learning等算法实现学习策略的持续优化；动态知识图谱为复杂知识结构的表征和推理提供了基础；自适应算法确保了模型能够根据学习者的表现实时调整；而多模态交互技术则增强了学习体验的自然性和丰富性。

生成式AI的引入，为这些关键技术注入了新的活力。在内容生成方面，生成式AI能够根据学习者的需求和背景，动态创造个性化的学习资源，大大丰富了学习材料的多样性和针对性。在学习路径规划中，生成式AI通过分析海量学习数据，能够预测学习者的潜在学习轨迹，从而生成更加精准和灵活的动态学习路径。

智能反馈系统是生成式AI赋能的另一个重要领域。传统的反馈往往局限于预设的规则和模式，而生成式AI能够提供更加个性化和上下文相关的学习指导。它不仅能够解释学习者的错误，还能根据学习者的特点，生成针对性的改进建议和练习。

在交互增强方面，生成式AI极大地提升了人机交互的自然性和智能性。通过先进的自然语言处理技术，智能体能够理解和回应学习者的复杂查询，甚至能够进行有意义的对话，模拟真实教师的指导过程。

生成式AI的这些应用点与传统的关键技术并非简单叠加，而是实现了深度融合。例如，在强化学习过程中，生成式AI可以创造更加丰富的模拟环境，提升学习策略的泛化能力。在知识图谱构建中，生成式AI能够通过理解和生成文本内容，自动扩展和优化知识结构。

这种融合不仅提高了非线性学习智能体模型的性能，更重要的是拓展了其应用边界。例如，在处理开放性问题和创新性任务时，传统模型往往力不从心，而融入生成式AI后的模型则展现出了更强的创造力和适应性。这使得模型不仅能够支持知识获取，还能促进高阶思维能力的发展，更好地满足现代教育对培养创新人才的需求。

3.核心算法描述

非线性学习智能体模型的核心是一个改进的马尔可夫决策过程（MDP） [16]，它融入与集成了动态知识图谱和强化学习的概念。我们将这个改进的模型定义为：

这个算法的关键创新点包括：知识状态的连续表示：使用连续值 k 表示每个知识点的掌握程度。动态知识图谱集成：通过在状态转移函数中引入 G，实现了基于知识结构的学习路径生成。自适应奖励函数：考虑知识增益、学习效率和参与度的综合评估。知识关联学习：利用知识图谱 G 来影响状态转移，促进知识的关联理解。

这个核心算法通过结合教育学理论（如建构主义、最近发展区）和先进的机器学习技术，为非线性学习提供了坚实的技术基础。它能够适应学习的非线性特性，实现个性化学习路径生成、动态难度调整、知识关联学习等功能，从而支持深度学习和高阶思维能力的发展。

四、总结与展望

本研究提出了一种生成式人工智能赋能的非线性学习智能体模型，其主要创新点在于将非线性学习理论与生成式AI技术有机结合，构建了一个适应性强、个性化程度高的学习支持系统。模型的核心是一个改进的马尔可夫决策过程，通过集成动态知识图谱和强化学习算法，实现了个性化学习路径生成和知识关联学习。

未来研究可进一步探索模型的可解释性、小样本学习能力，以及在不同学科和教育阶段的适用性。同时，如何在保护学习者隐私的前提下优化模型性能，也是值得深入研究的方向。我们期待这一模型能为推动教育的个性化和智能化发展做出积极贡献。

参考文献：

[1] Jovanovi ， M.， & Campbell，M.Generative Artificial Intelligence：Trends and Prospects [J].Computer，2022，55（10）：107-111.

[2] Chen，L.，Chen，P.， & Lin，Z.Artificial Intelligence in Education：A Review [J]. IEEE Access，2020，8：75264-75278.

[3] 翟雪松，楚肖燕等.基于“生成式人工智能+元宇宙”的人机协同学习模式研究[J].开放教育研究， 2023，29（5）：26-36.

[4] 王继新，黄涛.论非线性学习的模式与方法[J].中国电化教育，2009，（4）： 6-8.

[5] PIAGET J.The psychology of intelligence[M].London：Routledge，1950.

[6] Kolb，D.A.Experiential learning：Experience as the source of learning and development [M].Englewood Cliffs：Prentice-Hall，1984.

[7] 王继新，郑旭东.非线性学习：数字化时代的学习创新[M].北京：高等教育出版社，2012.

[8] Chow，J.Nonlinear Learning Underpinning Pedagogy：Evidence，Challenges， and Implications [J].Quest，2013，65：469-484.

[9] 方琨.大数据背景下大学生非线性学习能力的解析与提升策略研究[J].中国教育信息化，2019，（13）：37-40.

[10] 刘明，郭烁等.生成式人工智能重塑高等教育形态：内容、案例与路径[J].电化教育研究，2024，45（6）：57-65.

[11] Harshvardhan，G.，Gourisaria，M.K.，Pandey，M.， & Rautaray，S.A comprehensive survey and analysis of generative models in machine learning [J].Comput.Sci.Rev，2020，38：100285.

[12] Ahmad，S.，Rahmat，M.K.，Mubarik，M.，Alam，M.M.， & Hyder，S.Artificial Intelligence and Its Role in Education [J].Sustainability，2021，13：12902.

[13] Harland，T.Vygotsky’s zone of proximal development and problembased learning：Linking a theoretical concept with practice through action research [J].Teaching in Higher Education，2003，8（2）：263-272.

[14] Geert，P.V.A dynamic systems model of basic developmental mechanisms：Piaget，Vygotsky，and beyond [J].Psychological Review，1998，105（4）：634-677.

[15] Tan，C.，Han，R.，Ye，R.， & Chen，K.Adaptive Learning Recommendation Strategy Based on Deep Q-learning [J].Applied Psychological Measurement， 2020，44（3）：251-266.

[16] Korsunsky，P.，Belogolovsky，S.，Zahavy，T.，Tessler，C.， & Mannor，S.Inverse Reinforcement Learning in Contextual MDPs [J].Machine Learning，2019， 110（10）：2295-2334.

作者简介：

黄红涛：工程师，博士，研究方向为智能教育系统的开发与优化、教育大数据的挖掘与应用。

余琳：工程师，博士，研究方向为数字化学习理论与实践、数据统计与分析。

王继新：教授，博士生导师，研究方向为数字化学习理论与实践。

Construction of a Nonlinear Learning Agent Model Empowered by Generative Artificial Intelligence

Huang Hongtao1， Yu Lin1，2， Wang Jixin1

1.Office of Informatization， Central China Normal University， Wuhan 430079， Hubei 2.School of Artificial Intelligence in Education， Central China Normal University， Wuhan 430079， Hubei

Abstract： This study explores the construction of a nonlinear learning agent model empowered by generative artificial intelligence （AIGC）. The research first analyzes the characteristics of nonlinear learning and presets three learning scenarios： self-learning， hybrid learning， and collaborative learning. Based on these scenarios， the functional requirements of the agent model are derived， and the core capabilities of the model are abstracted. The paper defines the concept， mathematical expression， and core algorithms of the nonlinear learning agent， emphasizing that the core of the agent model is an improved Markov decision process. The study aims to provide personalized， dynamically optimized learning support to learners， effectively enhancing the efficiency of nonlinear learning. This research offers a novel approach to model construction for AIGC applications in education， holding significant implications for advancing educational informatization and personalized learning.

Keywords： Generative Artificial Intelligence； nonlinear learning； agent model； personalized learning； educational informatization

收稿日期：2024年8月20日

责任编辑：赵云建