From Generative AI to Agentic AI in Higher Education: A Structured Literature Synthesis of Instructional, Human Agency, and Governance Tensions
本文综合了关于高等教育从反应式生成式人工智能向主动式智能体人工智能转型的碎片化文献，旨在识别关键的教学、代理权与治理方面的张力，并最终开发出 AIRA-G 框架，以指导机构的准备就绪度与问责制。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
大局观：从智能计算器到自动驾驶汽车
想象一下，高等教育是一座繁忙的城市。长期以来，大学一直将生成式人工智能（GenAI）视为一个非常聪明、快速的计算器或私人助理。你向它提问（“帮我总结这本书”），它就会给你一个答案。它在等待你按下按钮。
但本文指出，我们正在向代理式人工智能（Agentic AI）转型。这不再仅仅是一个计算器，它更像是一辆自动驾驶汽车或一位巡回导游。它不仅仅是等待提问，它还可以：
- 自主规划路线。
- 检查交通状况（数据）并调整计划。
- 与其他车辆（系统）对话以进行协调。
- 在无需你每一步都下达指令的情况下，决定下一步去哪里。
作者认为，大学尚未为这种转变做好准备。他们有关于学生如何使用计算器的规则，但对于如何管理一辆正在带领整个班级行驶的“自动驾驶汽车”，他们还没有规则。
四大核心张力（“交通拥堵”）
本文识别了从“计算器”转向“自动驾驶汽车”时发生的四个主要问题（张力）。
1. 转变：从工具到队友
- 类比： 想象一把锤子。你挥动它去敲钉子，它完全按照你的指令行动。现在想象一个机器人建筑工人，它会决定敲哪颗钉子、何时休息以及如何建造墙壁。
- 问题： AI 正在从你手中的一种工具转变为与教师和学生并肩工作的“分布式行动者”。问题在于：我们应该让这个机器人承担多少驾驶权？ 如果 AI 决定了教学计划或批改了测试卷，那么谁才是真正的掌控者？
2. 陷阱：个性化 vs. 真正的学习
- 类比： 想象一位私人厨师，专门烹饪你渴望的食物。如果你只吃自己渴望的东西，你可能会生病，因为你没有摄入你需要的蔬菜。
- 问题： 代理式 AI 非常擅长实现学习的“个性化”（给你想要的一切）。但如果它让学习变得过于轻松，或者只给你已经掌握的知识，你可能会停止对困难概念的钻研。本文警告说，如果 AI 让一切都变得轻而易举，学生可能会停止进行真正学习所需的“脑力劳动”。我们需要确保 AI 不仅仅是一个捷径，而是一位真正的老师。
3. 平衡：辅助 vs. 拐杖
- 类比： 想想自行车上的辅助轮。它们在你准备好独自骑行之前帮助你保持平衡。但如果你永远带着辅助轮，你就永远学不会如何独立平衡。
- 问题： AI 可以帮助学生学得更快（辅助轮）。但存在“认知卸载”（cognitive offloading）的风险——即利用 AI 来代替你思考。如果学生依赖 AI 来写作、解题或思考，他们可能会丧失自身完成这些任务的能力。目标是“校准代理权”：将 AI 作为助手，而不是大脑的替代品。
4. 风险：打破一扇窗户 vs. 震动整栋建筑
- 类比： 如果一个学生使用了错误的计算器，他只会得到一个错误的数学答案（打破了一扇窗户）。但如果学校系统中的一辆自动驾驶汽车被黑客攻击或做出了错误决策，它可能会导致整个校车失控、泄露学生隐私，甚至不公平地开除一名学生（震动了整栋建筑）。
- 问题： 当 AI 仅作为一种工具时，风险很小（一个错误的答案）。但当 AI 作为一个连接学生档案、成绩和学校数据库的“代理”时，风险会呈爆炸式增长。这不再仅仅关乎作弊，更关乎安全、隐私，以及当系统出错时谁来承担责任。
解决方案：AIRA-G 框架
作者提出了一个新的方法，供大学决定是否使用这些新型 AI 系统。他们称之为 AIRA-G 框架。
可以将其想象为 AI 的红绿灯系统。在大学允许新的 AI “自动驾驶汽车”进入其城市之前，必须通过四个检查点（维度）：
- 自主性检查（Autonomy Check）： 这个 AI 能自主做多少事？它只是回答问题，还是在做决策？
- 学习检查（Learning Check）： 这真的有助于学生学习，还是仅仅让过程变快了？
- 人类检查（Human Check）： 它会让学生变得更聪明、更独立，还是让他们变得懒惰和依赖？
- 安全检查（Safety Check）： 大学是否准备好应对这些风险？能否保护数据？如果系统崩溃了，能否修复？
基于这些检查，AI 会被归入四个区域（Zones）：
- 区域 A（绿灯 - 低风险）： AI 仅作为辅助工具（如 FAQ 机器人）。行动： 允许使用，但要告知学生其性质。
- 区域 B（黄灯 - 受导向）： AI 协助教师进行规划或提供反馈，但由人类进行审核。行动： 允许使用，但需保持人类在场监督。
- 区域 C（橙灯 - 受控试点）： AI 正在做出重大建议（如指导学生选课）。行动： 在严格的规则和日志记录下，在小范围内进行谨慎测试。
- 区域 D（红灯 - 停止）： AI 正在做出高风险决策（如评定期末考试成绩或决定谁能毕业），且缺乏足够的安全保障。行动： 目前不要使用。这太危险了。
总结
本文并不是在说“禁止 AI”或“全盘接受 AI”。它是在说：“不要再把 AI 仅仅视为一种简单的工具，而要开始将其视为一个拥有自身权力的合作伙伴。”
大学需要停止询问“这个工具酷不酷？”，而要开始询问“我们的学校是否有能力治理这位合作伙伴？”他们需要检查 AI 是否安全，是否真的有助于学习，以及人类是否仍然掌握着驾驶权。AIRA-G 框架就是他们进行安全决策的地图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。