人工智能增强协作学习模型:在商业与管理教育中整合生成式人工智能的概念框架

《International Journal of Management Education》:The AI-augmented collaborative learning model: A conceptual framework for integrating generative AI in business and management education

【字体: 大 中 小 】 时间:2026年08月28日 来源:International Journal of Management Education 8.0

编辑推荐:

   •生成式人工智能放大了商业与管理教育中的四个系统性张力。 •ACL 模型将五个理论透镜整合为四个相互关联的支柱。 •协作智能被定义为学生 -AI 网络元能力。 •第四支柱将评估从产品转向过程与网络评分标准。 •六项命题验证议程规定了变量、工具和设计。 引言 生成式人工智能(

  

•生成式人工智能放大了商业与管理教育中的四个系统性张力。
•ACL 模型将五个理论透镜整合为四个相互关联的支柱。
•协作智能被定义为学生 -AI 网络元能力。
•第四支柱将评估从产品转向过程与网络评分标准。
•六项命题验证议程规定了变量、工具和设计。

引言
生成式人工智能(GenAI)正在重构商业与管理教育运行的条件,该领域已迅速认识到,其教学影响需要紧急且集体的研究(Bozkurt 等人,2023)。管理教育期刊中最近的社论和实证研究记录了这一转变的规模:AI 工具现已嵌入案例分析、写作、分析和团队审议中(Clegg & Sarkar, 2024; Gupta 等人,2024; Hyde 等人,2024; Larson 等人,2024; Lim 等人,2023; Ratten & Jones, 2023; Valcea 等人,2024)。对于商学院而言,这项技术创造了一种无法通过导入通用高等教育模板来解决的双重压力。一方面,雇主和认证机构要求具备 AI 素养的毕业生,能够运用 AI 进行数据解读、战略前瞻和运营效能提升(AACSB International, 2025; Contreras, 2025)。另一方面,管理教育的核心使命——在模糊情境下培养批判性判断、伦理推理和创造性综合能力——恰恰是那些缺乏良好脚手架支持的 AI 集成所威胁要使其空洞化的(Hyde 等人,2024; Izak 等人,2025; Valcea 等人,2024)。

生成式人工智能并没有制造这些张力;它放大了它们。管理教育长期以来一直受到“知行鸿沟”的批评(Pfeffer & Sutton, 2000; 引用于 Valcea 等人,2024),以及偏离实践智慧的倾向(Sch?n, 1983/2017)。如今,这项技术为案例分析和本体实践旨在培养的深度审议工作提供了一个无摩擦的替代品(Christensen & Hansen, 1987; Larson 等人,2024),呼应并加速了 Ghoshal(2005)关于糟糕的管理理论摧毁良好的管理实践的警告:曾经这类理论只能通过教科书缓慢传播,如今生成式模型可以按需制造看似合理但不可靠的分析(Hyde 等人,2024; Lim 等人,2023)。

作为回应,第一波实践导向的框架已经出现。这些包括将 Kolb 的体验循环应用于生成式人工智能(Lee, 2025; Salinas-Navarro 等人,2024)、混合型教师加 AI 课程设计方案(Memon & Kwan, 2025)、以人为本的人工智能优先(HCAIF)框架(AACSB International, 2025),以及利兹商学院的全课程整合(Contreras, 2025)。这些贡献是有价值且必要的;它们表明该领域正在超越孤立的实验。然而,它们尚未提供能够解释为何需要特定设计选择,或这四个系统性挑战如何在单个课堂活动系统中相互作用的理论架构。由此产生的差距不在于“什么有效”,而在于“为什么应该有效”——随着工具演变的速度快于实践驱动模板的重写速度,这种差距变得至关重要(Bearman & Ajjawi, 2023; Markauskaite 等人,2022)。

为了弥补这一差距,我们引入了 AI 增强协作学习(ACL)模型。该模型建立在新兴的实践框架之上,为其成功且有思想地实施提供了所需的稳健理论架构。它提供了一种整体方法,将生成式人工智能不仅作为生产力工具,还作为学习过程中的协作助手进行整合。该模型解决了这项技术创造的诸多悖论之一——Lim 等人(2023)称之为教育工作者的“悖论视角”——通过提供一个框架来增强而非替代人类智能。该框架还为教育工作者提供了一个工具,用于构建学习体验,同时推进学生在人工智能方面的技术能力和关键的人类中心技能。

本文的新颖之处在于其架构,而非新主题。我们提供了三个相互关联的贡献。首先,我们组装了一个多理论基础,在四个分析层面运作——设计理念、课堂系统、互动过程和个人认知——并结合了一个教育者能力透镜(AI-TPACK),将其他理论操作化为教师实践。其次,我们综合了这四个支柱,使教学、伦理和评估成分相互关联,而非独立存在。第三,我们将教学分析的单位从单个学生重新定位为学生 -AI 网络,并将协作智能定义为由此产生的元能力。正式定义将在第 6 节提供。

本文的目标是构建一个理论扎实的、第二波教学框架,用于将生成式人工智能整合到商业与管理教育中。基于 Jaakkola(2020)的概念文章类型学,我们将本文定位为理论综合,遵循 Lim(2026)的顺序:阐述理论差距、选择互补的基础、开发新颖构念并指定启示。我们解决了三个研究问题:
•RQ1. 哪些理论透镜的组合能够解释生成式人工智能在商业与管理教育中创造的课堂动态,以及为什么这些透镜优于替代方案?
•RQ2. 如何将这些透镜综合为一个整合的教学框架,其支柱能够解决生成式人工智能放大的四个系统性挑战——对教学连贯性的威胁、素养到能力的差距、普遍的伦理风险以及评估危机?
•RQ3. 如何在管理课程中将人机协作操作化为可评估的教学元技能——“协作智能”?

本文的其余部分按如下顺序进行。第 2 节回顾围绕生成式人工智能给管理教育带来的四个系统性挑战的文献。第 3 节综合第一波实践框架留下的理论差距,并推导出对第二波框架的五个要求。第 4 节阐述 ACL 模型的五个理论基础,证明所选透镜相对于替代方案的合理性,并呈现正式的理论到支柱映射(表 2)。第 5 节指定四个支柱,并说明它们在 MBA 战略课程中的共同运作(5.1)。第 6 节将协作智能定义为模型的目标构念。第 7 节发展本文的讨论和启示,包括模型对四个系统性挑战的回应及其对抗工具过时性的持久性。第 8 节承认局限性并制定基于命题的实证验证议程。第 9 节总结。

章节片段
高等教育和商学院中的 AI 颠覆
AI 整合到高等教育中具有一种有据可查的二元性。Crompton 和 Burke(2023)对 2016-2022 年间 138 篇文章进行的 PRISMA 引导系统综述,记录了 AIEd 出版物的快速增长、14 个不同的学科领域集群以及四种主导 AI 功能——评估、预测、个性化反馈和聊天机器人——同时记录了在教育者研究、理论驱动设计和公平性方面持续存在的差距。在管理教育内部,最初的恐慌已经

综合差距:从实践框架到理论架构
上述回顾的四类文献揭示了一个汇聚的问题。第一波活跃的实践导向框架——HCAIF 框架(AACSB International, 2025)、利兹模型(Contreras, 2025)、体验循环的改编(Lee, 2025; Salinas-Navarro 等人,2024)、混合型教师加 AI 课程设计方案(Memon & Kwan, 2025),以及像 Riapina(2024)这样的商业沟通框架——提供了整合的路线图,但依赖于单一、松散指定的理论

ACL 模型的理论基础
ACL 模型借鉴了五个理论基础,每个理论都因其执行的独特分析任务及其所呈现的分析尺度而进行选择。遵循理论综合设计(Jaakkola, 2020)和 Lim(2026)关于理论选择应根据所述差距进行证明的标准,选择这五个透镜是因为,在组合下,它们满足了第 3 节推导出的五个要求;我们不声称没有其他组合可以做到这一点,只声称这种组合

AI 增强协作学习(ACL)模型
ACL 模型在第 4 节的理论架构基础上实例化为四个相互关联的支柱——教学意向性、发展性支架、伦理护栏以及人机协作的真实性评估——旨在在单个课程内或整个课程体系内共同运作。图 1 描绘了该模型。该图的三个特征值得评论。首先,这四个支柱建立在一个共同的理论基础之上(第 4 节指定的五个基础),表明共享

协作智能作为 ACL 模型的目标构念
ACL 模型的三个贡献汇聚于一个该框架旨在培养并评估的单一目标构念。我们将此构念称为协作智能,并给出其精确定义、有界范围和清晰理由,说明为何管理教育学者应将其视为对该领域概念词汇库有意义的补充。
定义:我们将协作智能定义为学生构建、批判和讨论中产生的、可评估的能力

讨论与启示
ACL 模型提供的不仅仅是一个整合 AI 的实践框架;它提供了一个理论透镜,用于在分布式认知时代重新理论化学习。该模型最重要的理论贡献,源自行动者网络理论并在第四支柱中操作化,是将基本分析单位从单个学生重新定位为学生 -AI 网络。这一转变挑战了教育理论中根深蒂固的以单一人类头脑为中心

局限性与实证验证议程
本文在 Jaakkola(2020)的意义上是一篇理论综合概念文章,在 Lim(2026)的意义上是一篇理论架构文章:它识别了理论差距,选择并证明了理论基础,开发了一个新颖构念(协作智能),并指定了教学和组织启示。Gilson 和 Goldberg(2015)在他们的概念贡献社论中,以及 Hirschheim(2008)在他的基于论证的审查标准中,论证了概念

结论
本文针对关于生成式人工智能在商业与管理教育中整合的三个研究问题提出了概念性答案。它综合了五个理论基础——社会技术系统理论、活动理论、行动者网络理论、建构主义与体验学习理论以及 AI-TPACK 实施框架——构成了 AI 增强协作学习模型,并指定了四个相互关联的支柱,分别针对四个系统性

数据可用性
未使用任何数据用于本文所述的研究。

伦理批准
本手稿是一篇概念论文,不报告涉及人类参与者、人类数据或人类组织的研究。因此,不需要机构审查委员会的伦理批准。作者确认本手稿遵守出版伦理委员会(COPE)指导的出版伦理原则。

关于手稿准备过程中生成式人工智能和 AI 辅助技术的声明
在工作准备过程中,作者使用了 Claude(Anthropic)和 ChatGPT(OpenAI)进行语言编辑、校对和润色,以及引用格式验证。在使用这些工具后,作者根据需要审查和编辑了内容,并对已发表文章的内容承担全部责任。

资助
本研究未获得公共、商业或非营利部门任何资助机构的专门拨款。

利益冲突
作者声明,他没有已知的竞争性财务利益或个人关系,这些关系可能会影响本文中报告的工作。

致谢
不适用。

阿特里拉·潘
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号