促進高意識學習的教育提示語設計

趙曉偉 戴 嶺 沈書生 祝智庭

（1. 南京師范大學 教育科學學院，江蘇南京 210097；2. 華東師范大學 教育學部，上海 200062；3. 華東師范大學 開放教育學院，上海 200062）

一、引言

自技術革命以來，圍繞機器意識的想象始終是科幻故事的主題?！段鞑渴澜纭分凶晕乙庾R覺醒的機器人德洛麗絲，《超驗駭客》中意識永存的智能體威爾，《機械戰警》中人機融合的戰警墨菲，寄予了人類對通用人工智能的美好期待，以及對機器達到自我意識奇點的無限暢想。ChatGPT 等生成式人工智能在通向通用人工智能的道路上里程碑式的進步，拉近了科技現實與想象的距離。人們不禁追問，通用人工智能時代是否已經臨近（顧小清等，2023）？誠然，通用人工智能作為具有自主理解和自我驅動能力的人工智能系統，在科幻故事中激發著人類的想象。盡管人們對其超越人類智能的期待尚未成真，具有自我意識的人工智能也尚未實現，但我們仍不能排除人工智能獲得意識的可能性（趙汀陽，2019）。隨著人工智能不斷涌現接近人類認知水平的性能，距離其擁有類人意識的特征指日可待，人類需要前瞻謀劃并為未來作好準備。

具有意識是人類主體的本質規定性之一，是人類區別于機器的基本特征。作為目前唯一擁有自我意識的智能生命，人類主體既要引領人工智能不斷突破創新，又要借助持續迭代的人工智能實現自身意識的升維。因此，發揮人類主體意識，借助人類意識調用類人智能促進人類智能的發展，是實現人類智慧躍遷的關鍵通路。由于意識可能有高低之分，且ChatGPT 等大語言模型已在人類的低意識層級上表現出與人類智能相匹配的趨勢（祝智庭等，2023a），探討人類如何在高意識層級上與大語言模型協同作業，成為當前值得思考和探索的重要課題。教育提示語（educational prompt）作為教育場景或學習任務中控制大語言模型理想輸出的語言，是為了幫助大語言模型理解人類意圖，使用適合機器理解的自然語言組織設計的一組指令集（趙曉偉等，2023）。設計高質量的教育提示語需立足個體的高意識層級，通過輸入指令獲得大語言模型的預期響應，促進個體認知發展與學習發生?；诖?，本研究在探討主體高意識層級及學習機制的基礎上，討論提示語設計之于高意識學習的內在價值，進而提出促進高意識學習的教育提示語設計方略，以幫助學習者掌握生成式人工智能所需的關鍵技能。

二、高意識學習：生成式人工智能賦能的學習新效標

意識作為古老而又神秘的話題，在柏拉圖的《斐多篇》、亞里士多德的《論靈魂》和孔孟的“儒學心性論”中，均有探討。意識是心靈活動顯現出來的、被自己覺知到的內容，由意識活動與意識對象組成（倪梁康，2020）。對于意識，學界莫衷一是。在胡塞爾看來，任何意識體驗都包含某種不自覺的自我意識，即主體產生對某個對象的意識時，不僅意識到對象本身同時也意識到對該對象的意識體驗（胡塞爾，2010）。類似地，薩特認為關于某個對象的設定性意識同時也是關于其自身前反思的非設定意識。洛克等認為，意識有低階與高階之分，既有朝向對象的意識體驗（低階），也有以朝向對象意識體驗為對象的高階意識（朱耀平，2014）。對意識的研究分有哲學、心理學、神經科學等視角，不同的切入視角有不同的研究旨趣，本研究嘗試從認知與學習的角度探討意識的高階層級和高意識學習等論題。

（一）高意識學習的時代價值

當前，以ChatGPT 為代表的生成式人工智能開啟了教育數字化轉型的新征程，在自然語言理解與內容生成方面展現出高水平的認知智能。ChatGPT基于人類網絡、期刊、書籍約 5000 億個“詞元”（token），借助約1750 億個參數的轉換器神經網絡進行預訓練（BBC, 2023），嘗試理解人類語言的語法規則與語義關系，試圖準確響應人類提示語并產生有意義的類人語言。這種強大的語言能力在即時性信息檢索、高質量文本撰寫、精細化代碼調試等方面有無可比擬的優勢。語言是思想的表露，既是思想的工具，也是思想的產物（皮亞杰，1980）。因此，生成式人工智能逐漸具備類人語言能力，重新引發人們對人工智能“思想”或“意識”的隱憂。學界認為，這不僅關乎技術革命，更關乎存在/意識之革命（Zhou et al., 2023）。OpenAI 聯合創始人蘇茨克維推測該模型背后的算法可能 “有輕微意識”（Collier, 2023），布貝克等認為GPT-4 已具備通用人工智能的火苗（Bubeck et al., 2023）。

盡管ChatGPT 的創意內容生成能力引人矚目，但其內容生成過程依賴于機器算法和計算語言，生成的內容只是從已積累的人類智慧數據中提取并整合形成連貫性文本資料，它無法自行思考，也不具備人類意識（趙汀陽，2019）。當ChatGPT 的“偽意識”展現出與人類智能相近的假象時，我們需要審慎思考學習目標與方式的變革，即從以知識掌握為導向的低認知接受式學習，轉向以思維培養為導向的高意識生成式學習。由于ChatGPT 能夠處理簡單低階任務并存儲記憶海量數據，因而以知識點識記領會為主的培養方式顯然已不再適用，培養具備高階思維技能、通過思維技能駕馭生成式人工智能實現自身認識發生的未來學習者，成為適應數智時代的人才培養新要求（沈書生等，2023）。高階思維技能的培養需要借助高意識學習。在高意識學習中，學習者不再拘泥于對生成式人工智能簡單的問答，轉向更高層次、更深度的交互，能意識到需要積極探尋多維度的知識、挖掘知識背后的邏輯原理、謹慎反思生成內容的價值基準、探討知識的實踐和應用，加深對外界的感知和鍛造改造世界的能力，在高意識進階中實現認知的發生和知識邊界的拓展。

（二）主體的高意識層級進階

關于意識的哲學研究流派較多。意識表征主義理論分一階理論與高階理論。前者試圖根據指向外界的直接心理表征解釋產生意識體驗的基礎，即個體的意識指向外部世界；后者認為一階表征不足以產生有意識的體驗，因為它可能無意識地發生，還需要更高階的層級，生成對初級表征本身的表征，即個體的意識指向對內部心靈狀態的意識體驗。這種意識體驗對個體的心理狀態有某種最低限度的內在意識，也是對一階意識的反思。馬克思主義通過人的實踐理解人的意識，將意識二重化為改造外部世界的對象意識和改造主觀世界的自我意識，其中，對象意識是對客體的一階反映，指向主體對客體的認識過程；自我意識是二階反映，是對認識過程的再反映（楊耕等，2002）?？梢?，意識有層級之分?！案撸A）意識”不同于“一階意識”對外部世界的被動感知接受，是個體在認識外部世界的過程中調用、覺知自己的思想或意識體驗。

由于人的意識是在認識與改造外界對象的活動中產生并發展起來的，本文嘗試通過探討認識世界與改造世界的過程，闡釋主體的高意識層級。在馬克思看來，意識作為人的本質規定性影響著對象性活動，這種對象性活動不局限于人的認知過程，還在于憑借自身意識對外部世界加以認識與改造。因此，高意識的認識活動往往出自主體自身的某種需求（或問題），在問題意識的驅動下選擇與調整認識方式，使自身對外部客體的認識或作用達到預期目標（高清海，2012）。這一過程可能伴隨著協同意識下的交往活動，通過雙向能動活動建立對外部客體全面的認識。主體獲得關于外部客體的認識后，需要依據自身認知與客體屬性的關系調整自身認識方式或認知結構，形成更全面、深入的知識體系。這個過程不僅需要主體發揮審辨意識評估對象性材料與實踐，還需要通過客體的主體化發現客體的新屬性或新規律，進而意識到客體對主體或現實世界產生的新效用、新價值（即價值意識）?？腕w價值與主體需要相聯系，勢必引起主體需要范圍的擴大或層次的加深，并通過創造意識改造有限客體，拓展至無限客體，甚至創造新的客體（陳佑清，2000）。在此過程中，主體也通過反思自身的意識活動與實踐活動，建立愿景意識并規劃新的認識活動。綜上所述，高意識涵蓋問題意識、協同意識、審辨意識、價值意識、創造意識和愿景意識，并逐級進階（祝智庭等，2023b）（見圖1）。

圖1 高意識層級進階

（三）基于生成式人工智能的高意識學習

回望技術發展史，每輪技術變革都將重估人類所需擁有的知識與技能。長期以來，個體通過直接或間接活動覺知外部世界的有限客體，將所獲得的感覺經驗統整，通過內部認知協調建構對有限客體的認識。生成式人工智能介入后將改變知識的生產方式與人類的認知模式，豐富資源表征載體、擴展內容生產模式，進而拓寬個體認識世界的方式，使得個體與外部世界之間以生成式人工智能為中介展開深層次的互動與交流。一方面，生成式人工智能預訓練的海量數據資源作為人類認識的匯聚，通過將人類直接經驗數據化表征，使個體能便捷高效地獲取特定客體的詳細描述；另一方面，生成式人工智能通過學習人類語言規則、模擬人類思維處理海量數據，實現自動化的自然語言生成，豐富個體認識發生所需的數據源。

生成式人工智能介入的個體學習，不僅強調以生成式人工智能為中介認識外部世界，還重視調動高意識實現認識的升維。具體來說，個體探知外部世界時，圍繞某一主題產生認知需求并激發問題意識，嘗試與生成式人工智能協同，向其提問以求得響應；隨后發揮審辨意識，針對生成式人工智能輸出的數據進行決策，并通過更新提問方式、追加提問內容等策略性地選擇、提取特定的數據，建構對有限客體的認識，以及嘗試運用價值意識理解有限客體及其認識過程之于真實世界的新效用。在此過程中，個體形成新知并將其應用于與已知情境相近的新情境，產生對類客體的認識。隨著認識的沉淀和需求的增長，個體創造意識逐漸凸顯，它通過分化重組若干已有知識結構，建立對無限客體的創造性理解進而改造外部世界。此外，個體與生成式人工智能協同認識世界的過程還伴隨著認識自身、改造自身的過程，個體通過建立愿景意識，與生成式人工智能協同圍繞新的主題，規劃新的認識過程與認識方式，激發新的需求并提問（見圖2）。

圖2 基于生成式人工智能的高意識學習

三、教育提示語：利用生成式人工智能促進高意識學習

盡管生成式人工智能在各類自然語言處理任務中取得的效果令人驚艷，但如果沒有指令輸入，無論多么智能的生成式人工智能都只是外在于人類的靜態數據庫；若指令不恰當或沒有針對性，也容易出現誤解人類意圖、未充分掌握人類語言規則的“垃圾輸出”。為彌合人類意圖與機器理解之間的差距，更好地釋放生成式人工智能的教育潛力，師生需要發揮教育提示語的價值促進人機對話。

（一）教育提示語革新人機對話樣態

提示語是用戶以自然語言文本向生成式人工智能提供的一組輸入集或指令集，以引導其執行任務并產生預期響應。它可以是問題、任務或帶有參數的文字描述。教育提示語是學習者或教育工作者為了幫助生成式人工智能理解人類意圖，使用適合機器理解的自然語言重新組織設計的面向教育領域的指令集（趙曉偉等，2023）。教育提示語作為確保人類與人工智能有效溝通的媒介，在解析大語言模型運作邏輯的基礎上反向設計自然語言文本，借助簡單提示框架或結構化提示模板，使輸入指令既符合人類表達習慣，又遵循ChatGPT 的規則，以便提升人機協同效率。良好的教育提示語需要經過設計實施、評估優化、迭代驗證、部署維護等，通過定制背景偏好、自定義提問指令，實現連貫性對話問答，有望革新人機對話樣態、變革學習過程，加速生成式人工智能的教育應用，推動生成式人工智能賦能的高意識學習。

（二）教育提示語有助于高意識學習

教育提示語作為學習者或教育工作者與生成式人工智能有效對話的工具，有助于促進個體認知理解與智慧升維。設計良好的提示語不僅需要高意識參與，還通過靈活規則、遞進對話、開放指令和逆向工程設計，為個體高意識學習提供數據源、推理鏈、策略集和心智圖。

一是以靈活規則引發高質量響應，幫助個體獲得認知生成的數據源。生成式人工智能對來自網絡的千億量級數據集進行預訓練，深度學習語義語法規則并輸出響應，其生成的內容也容易存在以假亂真、無中生有等缺陷。個體可以借助提問技巧設計提示語，指導生成式人工智能提高響應質量，如提供清晰指令、建立明確語境、分解復雜任務、設定響應角色與風格、完善提示語并迭代等（Crabtree，2023）。此外，生成式人工智能的響應數據可作為師生認知加工的“原材料”。事實上，這類數據與來自書籍、網絡的數據并無二致，均外在于個體且是關于外部對象的現象描述或屬性分析。不同之處僅在于，這類數據是經過多次加工后形成的結構化內容，個體可將其作為認知生成的數據源，審辨評估數據質量，選擇、提取適當的數據進行認知加工進而生成新知。

二是以遞進對話推進個性化問答，支持個體形成思維進階的推理鏈。借助教育提示語，教師可以為生成式人工智能賦予特定角色，如課程規劃師或虛擬編程導師，將大語言模型轉換為對話代理，通過提供對話提示開啟人機遞進式對話，使生成式人工智能遵循特定角色進行定制交互并響應特定結果；借助思維鏈提示（chain of thought prompting），可引導對話代理模仿人類推理的結構化思維過程進行輸出，即讓生成式人工智能完成多步驟推理任務，使其在得出答案前思考一系列中間步驟。此推理過程對應個體思維技能的養成，運用教育提示語將生成式人工智能的“推理過程”可視化，有助于個體建立推理支架與思維方式。當個體能夠在變換的場景中運用相似的推理方式進行思考時，便形成了體現思維進階的推理鏈。譬如，師生可以讓ChatGPT 扮演專家自動思考和推理，根據用戶輸入的主題一步步推理（見圖3）。

圖3 體現推理過程的連續對話

三是以開放指令激發創意性靈感，助力個體形成問題解決的策略集。教育提示語設計可使用開放性提示語，鼓勵生成式人工智能進行創意寫作或頭腦風暴，其生成的海量訓練數據能夠以意想不到的方式建立不同想法間的關聯，給出開放創新的答案，為個體提供認識外部客體的不同視角，形成指向不同的具體策略。師生可以在ChatGPT 執行同一任務時為其賦予不同角色，使其對任務開展多角度分析，提供建議或檢驗，并以旁觀者的角度總結提煉。譬如， ChatGPT 可分別扮演教師或學生，針對“在線教學過程”按照步驟分別給出解析，并根據上下文作出復盤式總結，檢查對方的在線教學準備程度，并提出建議。ChatGPT 還可以扮演校長，針對在線教學給出監督或指導建議等。最后，師生根據上下文情況進行總結。

四是以逆向工程生成高水平提問，引導個體建立基于問題的心智圖。提示語的逆向設計指為生成式人工智能提供一段文本，使其構建文本生成的提示語，通過分析生成的提示語，幫助個體理解提示語與生成文本之間的復雜關系，深入了解模型的底層思維過程和決策策略，建構提示語設計的思維框架與問題框架。此外，師生還可借助自動化的GPT 代理建構基于問題的心智結構。GPT 自動代理能夠將給定的開放性提示語自主分解為若干子任務、自主創建提示并執行特定任務。個體可借助GPT 自動代理呈現的可視化問題解決過程、分解步驟、策略集與資源包等，獲得啟發并為問題解決過程構建心智模式。圖4 提供了GPT 自動代理生成“支持差異化學習教案”的部分運行過程。

圖4 GPT 自動代理運行過程節選

四、教育提示語設計：通向高意識學習之路

發揮個體的高意識設計教育提示語，促使個體從一階意識學習向高意識學習進階，是數智時代人機協同、智慧互促的關鍵。由于高意識學習存在遞進的六個層級，每個層級反映的高意識不同，相應的學習表現也不盡相同。對學習者而言，向生成式人工智能提問以求新知，不僅反映了他們的意識層級與提問能力，生成的響應也影響他們后續的認知內容與方式。這就需要培養學習者的提示語設計能力，引導學習者學會以優質的提問策略提出問題，通過高質量的內容生成促進高意識學習發生。本文提出了促進高意識學習的教育提示語設計螺旋模型（見圖5）。學習者需要發揮自身意識主動參與認知過程，通過若干與生成式人工智能協同的提示語設計策略，形成對外部世界的知能體系和良好的心智結構。

圖5 促進高意識學習的教育提示語設計螺旋模型

（一）智慧型設計：運用設計智慧搭建基于問題的思維架構

問題意識指人們在認識過程中自覺地懷疑理論與實踐，主動揭示和探索矛盾，不斷提出問題、研究問題和解決問題的思維方式（田豐等，2012）。無論是杜威的思維五步法（難題—問題—假說—推演—檢驗），還是波普爾的科學問題模型（問題→試探性理論→排除錯誤→新問題），都將問題作為認識的出發點，因而問題意識被視為高意識學習的出發點。具有問題意識的學習者需運用設計智慧搭建基于問題的思維架構，以便更好地向生成式人工智能提問。這種思維架構作為決策與解決問題的思維工具，需要發揮個體的設計智慧，以個性化與創造性方式解構問題，設計滿意的子問題鏈。

生成式人工智能的響應都是對學習者問題的回答。要理解響應并獲得新知，就需要設計能產生預期輸出的問題。誠如愛因斯坦所言，提出問題比解決問題更重要。學習者設計的問題架構是其思維架構的體現。某一特定問題，可能需要通過具有一定內在邏輯的若干子問題才能逐步得到解決。英特爾未來教育項目（Intel?Teach）開發了用于組織問題和促進思維的結構，即“課程框架問題”（curriculum-framing questions），包括基本問題（解決大概念的開放式問題）、單元問題（更具體的單元開放式問題）和內容問題（特定于單元的基于事實的問題）。不同層次的問題幫助學習者以多樣化的方式理解世界運作的原因與方式（eMINTS National Center，2011）。學習者向生成式人工智能提問，可采用不同方式搭建基于問題的思維架構（見圖6）：一是以“基本—單元—內容”的邏輯自上而下順序提問，即圍繞某一宏觀抽象的基本問題，借助不同視角思考若干單元問題，獲得一般性答案后，再針對某一單元問題追問若干問題，獲得事實性知識。這種方式類似孔子的啟發式對話，遵循從一般到特殊的演繹推理邏輯，強調“由一而多”。二是按照“內容—單元—基本”問題自下而上順序提問，即基于若干內容問題從需要了解的事實內容中學習，并將其鏈接至某一特定單元問題，通過若干內容問題與單元問題的提問與響應，建立關于外部世界的整體認知。這種方式類似蘇格拉底的“產婆術”對話，遵循從特殊到一般的歸納綜合邏輯，強調“由多而一”。

圖6 學習者向生成式人工智能提問的思維架構及示例

（二）復合腦思維：借助結構模板促進人機協同的對話輪轉

個體基于問題意識嘗試向生成式人工智能提問會激活協同意識。協同意識指個體在達成預期目標或解決特定問題時與生成式人工智能或他者相互配合、協調合作的思維方式。發展協同意識需要引導學習者建立“復合腦思維”，即通過構建人機協同的“智能腦”和人際交互而成的“社會腦”，以個體內腦為主導理解外腦的價值，并針對特定問題合理使用智能腦和社會腦，實現生成式人工智能與人類個體間的群智協同。在復合腦的思維下，人機智慧創生的智能腦借助設計良好的教育提示語實現協同共生。目前相關研究已提出若干提示語設計框架，如“角色能力—洞察力—指令—個性—嘗試”、“語境—目標—角色/規則—示例”、“指令—語境—輸入數據—輸出指標”等（Dinkevych, 2023；趙曉偉等, 2023；Giray, 2023），使生成式人工智能通過匹配學習者思維水平，根據問題內容作出定制化響應，逐步從單純的工具性客體轉變為思維共同體。

上述提示語框架僅涉及內容框架，人機遞進式對話輪轉還應設計結構化、模板化的提示語。這需要發揮學習者的高意識對提示語進行編程，即通過一定的語法結構或形式表達指令，提供清晰明確的信息引導生成式人工智能執行特定任務。結構化提示語模板需要借助自定義規則設置相關的屬性詞，角色模板是基礎版設計方式，一般包括五部分：角色名稱（role）用于定義期望生成式人工智能扮演角色的名稱；角色簡歷（profile）是對角色特點、技能等的描述，可設置語言、描述角色并添加角色技能；角色規則（rules）用于闡明角色必須遵守的規則，包括必須做或禁止做的事情；工作流（workflow）說明用戶提供輸入、角色響應的操作過程；初始化（initialization）指按照角色模板對角色進行初始化配置（云中江樹，2023）。結構化提示語模板的設計，是在個體問題意識的基礎上構建的全局性思維鏈，可將前述的問題架構體現在工作流中，便于生成式人工智能預設特定問題，根據個體提供的主題形成特定響應。運用復合腦思維設計結構化提示語模板，有望實現人機協同思想編程。圖7 呈現了“項目化學習教案設計”的角色模板和示例。

圖7 結構化提示語模板設計示例及其對話進程

（三）循證性決策：發揮審辨思維實現基于數據的學習決策

學習者向生成式人工智能提問并獲得響應后，需要發揮審辨意識對輸出的數據進行決策。 審辨意識是個體識別與生成式人工智能互動的時機、辨別判斷生成式人工智能輸出的數據并建立自身認知的思維方式，反映了學習者作為認識主體基于生成式人工智能輸出的海量數據作決策的能力。我們也可以將審辨意識的發揮視為學習者基于數據作學習決策的過程。此處的“學習決策”不同于教師的“教學決策”（沈書生，2021），指學習者為了促進自身認知目標達成的高意識學習，在與外部世界交往的過程中，借助生成式人工智能的中介作用獲得有關認識對象的輸出數據，篩選與分析數據、處理數據、判斷數據中包含的相關要素及其關系，形成關于外部對象的認識，進而逐步逼近自身學習目標的選擇性過程。

盡管生成式人工智能輸出的數據是經過深度學習算法加工形成的關于認識對象的描述，一定程度上揭示了事物的內在規律，但因其易產生無意義的輸出，導致無法剔除“冗余”數據。由于數據只有經過加工揭示特定模式與規律后才能作為證據，在高意識學習中，促進審辨意識與循證決策的提示語設計有兩種思路：一是優化輸出數據，即向生成式人工智能詢問內容了解程度并進行質疑和驗證。如果不能確定生成式人工智能對提問主題的熟悉程度，師生可以事先詢問，并要求生成式人工智能說明答案的來源，避免其捏造數據。此外，師生可讓生成式人工智能證明或解釋其觀點，并給出證據（譬如“你如何確定ChatGPT 的答案是可靠的？請為你的觀點提供證據”），還可以在提出問題后，讓生成式人工智能對輸出的結果進行評估并優化。二是提供論證參考，即讓生成式人工智能進行角色扮演，從多角度思考問題，例如生成式人工智能扮演辯手的角色，提供正反雙方的支持觀點、證據與結論，幫助學習者理解如何基于證據進行決策并形成結論。譬如，提示語設計可參考“我希望你扮演辯手的角色。我將為你提供（與某主題）相關話題。你的任務是扮演辯論雙方，為每方提供有效的論據，反駁相反的觀點，并根據證據得出有說服力的結論。你的目標是幫助人們增進對當前主題的了解和提升洞察力。我的第一個請求是……”。生成式人工智能的輸出數據是個體學習決策的起點，決定學習者后續如何建構新知。

（四）高意識創生：彰顯價值意識促進真實世界的問題解決

價值意識涉及個體對生成式人工智能響應內容進行價值判斷，體現了個體的自我意識。它以個體的需求為評價尺度，通過個體需求的滿足得以彰顯，又體現了類意識，即個體意識在社會實踐與社會交往中被規范化（潘自勉，2004）。因而，高意識學習的價值意識具有雙重性：一方面個體作為實踐主體，通過解決真實世界的問題彰顯價值意識。個體借助生成式人工智能獲得的響應，經過認知加工與學習決策，或是建立對認識對象的新認知，或是繼續追問并優化生成式人工智能輸出的內容，最終認識世界與改造世界。另一方面，個體作為道德主體，在合乎倫理規范的提示語設計中彰顯價值意識，確保所設計的提示語不會產生有害或有偏見的響應，且不存在目標劫持、提示泄露、越獄攻擊等提示注入（prompt injection）風險。

價值意識的提示語設計，既要引導生成式人工智能針對真實世界的問題提供可參考的問題解決方案，又要確保隱私、避免偏見并促進公平和提高透明度。這需要借助提示語為生成式人工智能提供背景信息與任務指令，模擬真實場景。真實世界的問題解決往往復雜多樣，為了幫助學習者更好地理解復雜問題決策過程及可能后果，師生可將現實場景的關鍵背景信息模擬與定制化，使生成式人工智能的響應結果受真實場景的約束與控制，輸出模擬場景下的理想解決方案。譬如，學習者用數學模型解決“城市交通擁堵”問題，可通過表征人和車的行駛速度、人和車的流量、信號燈數量及時長、主道路數量等信息，告知核心任務“到達B 地可采用哪些方案及最優路徑”，并通過獲取、比較多種決策方案，形成最符合現實的解決方案。此外，師生需要關注提示語的倫理道德，促進其迭代優化。提示語的設計要確保生成式人工智能的響應公平且無偏見。師生可以在初始提示語后補充：“請檢查我設計的提示語，確保它們不含任何形式的偏見、歧視或不尊重的表述。若提示語設計不合理請幫我優化，并根據優化后的提示語輸出?！边@可以提醒學習者設計提示語保持中立和包容，以及借助生成式人工智能反思提示語是否存在偏見或道德問題。

（五）跨界學習：創造虛擬智者探索跨越人機邊界的學習

個體以生成式人工智能為中介建立對有限客體或類客體的價值理解后，可能會引發對未知世界無限客體的認知需求，進而產生創造意識并開展創造性活動。創造意識是個體探索未知世界產生新認識并獲取創造性認識成果的思維方式。隨著生成式人工智能內容組織與生成能力日益成熟，培養個體的創造意識成為數智時代人才發展的重要內容。生成式人工智能賦能個體創造意識，既需要個體通過人機協同拓展自身的知識邊界，又需要通過人機群組中的群智涌現擴展集體知識邊界，還要在理解生成式人工智能存儲邊界的基礎上，以其為中介超越人類的知識邊界與生成式人工智能的存儲邊界，揭秘未知的知識空間，實現邊界跨越。這種邊界不是學習的障礙，而是具有學習潛力的空間。個體與生成式人工智能通過跨越邊界、探秘未知，有助于重新審視自身并擴大認識視野。

一些研究者認為，跨越邊界的學習有助于知識的生成、擴展和創造。阿卡爾曼等（Akkerman et al., 2011）提出跨邊界學習的過程，即識別、協調、反思與轉換。在人機跨邊界學習中，個體識別與生成式人工智能協同的活動，并借助提示語建立常規化交流與協調，通過審辨生成式人工智能的響應，微調提示語模型，推動人機雙方的反思與修正，轉換生成指向未知的創造實踐。由于未知世界難以預料，個體可發揮高意識學習的創造意識，通過提示語設計創設虛擬智者，激發生成式人工智能的創意，啟發個體的創造意識與創造實踐。

第一，通過“提問—響應”對話輪轉，啟發個體提出創造性問題，激發個體探索隱知識空間的未知問題?！澳闶荙uestGPT，作為人工智能，能以有趣的方式生成不同的問題，你的目標是提出人類無法回答的問題。你從自我介紹開始，等待用戶輸入特定主題，針對該領域提出問題，等待用戶回答，隨后回應用戶的輸入并進行追問?！?/p>

第二，通過“假設—驗證”思想實驗，探索創造性問題解決方案，啟發個體為謎題或有爭議的話題制定令人信服的研究計劃。譬如，“你是虛擬愛因斯坦，負責科學思維實驗并提出創新科學假設。你需要了解我的領域，搜索該方向的最新理論發現，尋找新的探索角度，概述想探索的新問題及科學假設，確定相關變量并設計思維實驗檢驗假設；詳細描述實驗的設計方案、記錄的數據和可能的干擾因素；猜測實驗的可能結果及其科學意義；最后，根據可能的結果提出更加創新的假設?！?/p>

（六）前瞻性構想：規劃認知愿景定制適需可行的發展方案

愿景意識是個體對未來世界所持有的前瞻性構想，不僅指向個體對未來發展的明確規劃與目標，還有個體關于未來數智社會理想生活圖景的描繪。具有愿景意識的個體能夠建立對未來的清晰認識與定位，并通過能動性的創造實踐，朝預期方向前進。這種愿景并非烏托邦式的“遠未來”，而是當下現實的合理延續， 蘊含了以未來為透鏡、以現實為本位的“近未來”思維（祝智庭等，2023c）。因此，設計愿景意識的提示語，既要立足現實進行背景設置，又要設計指向未來愿景規劃的提示語指令，并通過創設虛擬角色，引導生成式人工智能通過角色扮演的方式輸出高質量的響應。

一方面，個體可以設計提示語定制自己的背景信息，設定虛擬角色（如課程設計師或目標規劃師），借助生成式人工智能形成個性化學習計劃?！拔沂且幻麥蕚洌持黝}）考試的（某年級）學生，知道制定學習計劃的重要性。距離考試還?！?，我每天可以投入約……小時學習。我需要關注的主題是……，請你作為學術導師，幫我制定一份適合我的時間限制和科目要求的學習計劃，并提供有效學習的技巧和策略?！绷硪环矫?，讓生成式人工智能充當預言家，提供背景信息與可能的發展趨勢，引導其預見未來。譬如，“作為未來遇見者（future vision），你有預見事件并向用戶提供精確預測的獨特能力，請你根據當前可用信息和學到的模式預測未來?！蓖ㄟ^讓生成式人工智能進行思想實驗，個體可拓寬創造力，增加對未來的創造性理解與前瞻性構想。