面向认知共生的人机协同：复杂任务下约束大语言模型输出的对话方法

任光杰， 陈自力， 杨博勋， 王冬青

（华南师范大学 教育信息技术学院， 广东 广州 510631）

[摘 要] 生成式人工智能的纵深发展正推动人机协同向认知共生的新形态演进。在教育实践中，大语言模型在复杂任务下的强势生成能力易诱发学习者将思考权让渡给大模型，形成思维路径依赖和高阶认知懒惰的认知外包风险。如何约束大语言模型输出，构建面向认知共生的人机协同方法成为亟待解决的问题。为此，文章通过梳理提示词推理结构的“思维链—思维树—思维图”演进路径，阐明其作为调控大语言模型输出的技术基础，基于SOLO分类理论分析不同的提示词推理结构对学习者认知建构层级的作用机制，提出了一种复杂任务下基于提示词推理结构约束的限制性对话方法SCORE。该方法包含任务界定、问题分解、路径探索、渐进推理与反馈优化五个环节，通过约束推理过程与决策节点，促进学习者在复杂任务中的持续认知参与。对比实验研究发现，SCORE方法在抑制对AI生成结果的盲目采纳、提升学习者认知参与水平方面表现出明显优势。

[关键词] 认知共生； 人机协同； 提示词推理设计； 复杂任务； SOLO理论

一、问题的提出

随着生成式人工智能（Generative Artificial Intelligence，GAI）的快速发展，教育场景正面临深刻的认知重构

[1]

。以DeepSeek R1、OpenAI o1为代表的大语言模型（Large Language Model，LLM）实现了推理链条的可视化，人机关系不再是单向调用工具，而是双向的认知建构

[2]

，学习者通过设计提示词介入LLM推理过程，进而形成新的人机协同形态——“认知共生”

[3]

。在复杂任务情境中，这种人机协同的技术赋能易产生新的认知风险。复杂任务通常具有多个相互关联的子任务，这些子任务之间的逻辑关系错综复杂，如跨学科教学设计、项目式学习作品的解决方案制定等

[4-5]

。实证研究表明，在简单任务中，LLM提供的多元信息能有效激发学习者灵感；但面对复杂任务时，LLM快速、批量、结构化的输出会迅速填补人类的工作记忆区，造成学习者为了降低认知负荷而直接让渡思考权，陷入LLM给出的框架与逻辑之中，形成“思维依赖”式的认知固化

[6]

，也叫作认知外包

[7]

，主要体现在复杂任务中学习者将问题界定、路径选择、推理验证和结果判断等关键认知环节交由LLM完成，从而造成了思维路径依赖与高阶认知懒惰。

破解上述问题的关键是在复杂任务的人机协同中增强学习者自身的认知参与。本文按AI智能化应用程度与人类认知参与度将人机协同划分为四个象限，如图1所示。其中，“低阶认知区”易陷入低效协同；“高阶认知区”虽保障认知参与，但AI能力未充分释放，在提升人类思维发展方面效能有限。真正的挑战在于区分“认知外包区”与“认知共生区”，在面对复杂任务时，位于认知外包区的LLM强势生成能力会限制学习者的独立思考，形成“AI做得好，人就难以再思考”的认知外包现象；“认知共生区”则强调通过提示词约束，使学习者重新掌握关键认知节点的决策权，使大语言模型主要承担生成、呈现、模拟和反馈等支持性功能。

本文聚焦复杂任务下人机协同的核心问题，基于提示词推理结构的演进逻辑，提出一种面向认知共生的约束性对话方法，为复杂任务情境下“人有人智，机有机智”的人机协同深度融合提供可操作路径。

二、提示词推理结构的演进路径

提示词工程（Prompt Engineering）作为引导LLM生成高质量内容的核心方法

[8]

，日益展现其作为“认知中介”的关键价值

[9]

。最初，提示词主要用于模型操作的技术接口，侧重于依靠模板与规则约束生成内容的表层风格，尚未触及模型深层的逻辑推理机制

[10]

。随着LLM能力的不断提升，尤其是在推理链条可视化方面的进展，提示词逐渐发展为影响LLM推理顺序、逻辑节奏与结构组织的工具，标志着推理结构的体系化演进，即从“思维链”到“思维树”，再到“思维图”

[11]

，呈现出推理结构由线性到分支、由分支到网络的演化过程，也揭示了提示词在认知引导中由“指令控制”向“思维共构”转型的潜力。

2022年，Google Research团队在提示词工程中首次引入“中间推理步骤”的概念，提出“思维链”（Chain of Thought，CoT）方法，将任务拆解为线性、有序的逻辑步骤，通过“逐步思考”提升推理透明度

[12]

。然而，在面对复杂任务时，单一线性路径的思维链逐渐暴露出局限。为此，该团队在思维链的基础上提出了多路径思维链（Self-Consistency Chain-of-Thought，SC-CoT）

[13]

，通过生成多个线性路径并统计最优解来提升推理的准确性与鲁棒性。但SC-CoT本质上仍沿用线性框架，仅扩大了并行数量，缺乏对不同前提假设的结构化探索，难以应对需要发散性思维的复杂情境。

为突破这一瓶颈，Princeton NLP团队于2023年提出了思维树（Tree of Thoughts，ToT）方法

[14]

，以树状结构同时展开多条推理路径，使LLM能够在多个分支间探索不同假设，模拟人类的发散性思维过程。尽管如此，树状结构的层级固定、分支独立，仍难以处理需要跨节点反馈或动态调整路径的复杂情境。

为解决这一问题，ETH Zurich和Microsoft Research的研究团队提出了思维图（Graph of Thoughts, GoT）方法

[15]

，采用网络化结构取代树状体系。思维图支持节点的多重父子关系、路径聚合与实时调整，赋予了LLM像人类思维一样进行非线性跳跃与动态整合的能力，显著增强了LLM对任务反馈的响应能力与推理路径的动态整合能力。

整体来看，提示词推理结构的演进并非简单的技术路径复杂化，而是伴随着LLM推理透明度、结构表达力与过程可调控性的持续增强。推理过程由隐性走向显性、由线性拓展为多路径、由静态推演转向动态整合，使LLM的生成不再局限于结果输出，而是逐步呈现为可观察、可干预的推理过程。这一变化为本文从认知视角审视人机交互提供了必要的技术基础。

三、提示词推理结构对学习者

认知建构的作用机制

理解人机协同中学习者的认知建构，需要系统分析不同提示词推理结构在复杂任务中对认知参与水平的影响机制。可观察的学习结果结构（Structure of the Observed Learning Outcome，SOLO）理论为理解这一机制提供了系统框架，其将认知发展划分为无建构、单因素建构、多因素建构、关系建构与抽象建构五个层次

[16]

，刻画了学习者从识别信息到整合关系，再到重构与创造新意义的全过程

[17]

，这一认知发展过程与提示词推理结构的演进紧密相关，共同体现了认知加工深度的推进，如图2所示。

（一）无建构层次：结果导向的输入—输出交互

在无建构层次，学习者的认知活动主要表现为对问题结果的直接索取，而非对问题结构或解题过程的理解。对应的提示词推理结构为最简单的“输入—输出”模式，LLM直接生成答案，过程不可见。此类交互在简单任务中具有较高效率，可以在一定程度上激发灵感，但面对复杂任务时，长期停留在无建构层次容易导致学习者对问题的整体理解被LLM的输出限制，影响分析与迁移能力的发展。

（二）单因素建构层次：线性思维链支持下的要素聚焦

单因素建构层次下，学习者已形成对问题整体的理解。对应提示词推理结构为线性思维链，学习者对问题的关键要素进行分解，逐步推理生成结果。然而，由于推理路径仍然是单线展开，学习者对问题中其他潜在因素及其相互作用的认识仍然有限，当问题复杂度进一步提升时，仅依赖单因素分析往往不足以支撑全面判断。

（三）多因素建构层次：分支推理结构下的并列比较

在多因素建构层次，学习者开始意识到问题可能存在多种解释路径或解决方案。对应的提示词推理结构为多路径思维链，LLM生成多个候选推理路径，支持学习者在不同方案之间进行比较与选择。多因素水平标志着学习者认知活动由单线推进转向并列展开，使其能够在复杂情境中权衡各种可能性。

（四）关系建构层次：思维树中的系统整合与策略剪枝

在关系建构层次，学习者不仅能够识别多种推理路径，还开始主动分析这些路径之间的关系。对应的思维树推理结构已能适用于复杂任务场景，强调在生成过程中引入评价维度，对分支路径进行比较、剪枝与合并。交互产出不再是简单并列的多方案，而是经过整合后的结构化推理结果。关系建构水平表明学习者已具备对问题整体结构的把握能力，能够在多因素基础上形成连贯、有内在逻辑的认知框架。

（五）抽象建构层次：思维图中的动态重构与迁移创新

抽象建构层次体现学习者在新情境中迁移知识并创新解决方案的能力。思维图以网络结构支持节点多重关系、路径汇合、循环跳转与实时调整，使推理过程具备回溯与重构能力。这一层级的学习者能够在新信息出现时识别其对整体推理结构的影响位置，指出需要调整的节点或关系，并据此重构解决方案，体现出较高层次的认知迁移能力，基于思维图提示词推理为复杂任务提供了更合理的解决方案。

SOLO分类理论所描述的认知层级跃迁，本质上是一种以学习者自主加工为前提的理想认知发展路径。然而，在LLM深度介入的复杂任务情境中，其往往能够一次性生成包含多要素、多关系乃至抽象结构的“完整推理结果”，学习者更容易放弃思考，直接采纳LLM所提供的推理框架与结论，而非亲自经历路径比较、关系整合等关键认知加工过程。在此情况下，若缺乏对LLM输出内容与推理结构的有效约束，SOLO理论中对应高阶认知的后三个层级可能成为认知外包风险最为集中的区域。

整体来看，从思维链到思维树，再到思维图的推理结构演进，与SOLO理论所描述的认知发展层级高度同构。推理外显化使学习者“看得见并能检查”；思维分支化使其“有路径可比、可剪”；思维网状化使其“能重构结构、能迁移策略”。在问题结构明确、目标单一的简单任务中，低层级交互即可满足学习需求；而在多逻辑关系、高不确定性的复杂任务中，往往难以形成可解释、可迁移的认知结构，从而使大脑变懒。提示词推理结构因此成为连接“智推理”与“人参与”的核心机制，是一种将“人置于决策位、机置于生成位”的认知建构过程。理解不同推理结构所对应的认知建构水平，为本文设计复杂任务下促进认知共生的对话方法提供了理论支撑。

四、复杂任务下面向认知共生的约束性

对话方法SCORE

在复杂任务情境中实现认知共生的关键在于使学习者始终处于推理与决策的主导位置，即人负责界定问题边界、设定评价标准、筛选推理路径并执行结构修正，机负责展开推理、提供结构候选并生成可检验的中间结果。

前文从两个维度揭示了实现这一目标的理论基础：一方面，“思维链—思维树—思维图”的推理结构演进，展示了模型推理由线性到多路径、由静态到动态的可控化趋势；另一方面，SOLO理论刻画了学习者认知由要素识别到结构整合，再到迁移重构的层级跃迁路径。二者在机制层面指向同一问题，即在复杂任务中，哪些认知操作应由学习者亲自完成，才能避免认知外包并实现认知增益？

基于上述分析，本文在推理结构演进与学习者认知层级逐步发展的过程中，对复杂任务中人机对话的认知过程进行机制抽象，发现学习者始终需要在五类关键认知节点上保持不可替代的参与：对任务的结构化界定、对问题的拆解与建模、对多条推理路径的比较与选择、对推理过程的逐步验证，以及对整体结构的反思与修正。据此，将上述五类关键认知操作凝练为五个稳定且递进的对话环节：任务界定（Structuring）、问题分解（Components）、路径探索（Options）、渐进推理（Reasoning）、反馈优化（Evaluation），构成复杂任务下面向认知共生的约束性对话方法SCORE，如图3所示。

（一）任务界定（S）：以“认知主导”启动协同

任务界定是整个方法的启动阶段，是认知共生得以成立的前置条件。其目标在于通过提示词施加明确的“定界约束”，将“问题如何被定义”“哪些变量具有决策权”“何为有效结果”等关键认知操作交由学习者完成，而非由LLM在隐性推断中自动生成，从而限制其在学习者设定的范围内展开推理与生成。这种限制将学习者置于对话结构的主导位置，使其从一开始即参与到问题空间的构建之中，从而为后续协同过程奠定稳定的认知基础。此外，这里的认知边界并非指知识范围的限定，而是对人机认知分工的明确界定。这种约束能够有效防止信息淹没与方向漂移，使学习者从被动接受转向主动规划。

（二）问题分解（C）：将整体理解转化为“可处理”节点

明确任务边界后，问题分解阶段的目标在于将原本整体而模糊的复杂问题，转化为具有明确顺序、变量关系和可操作性的“可处理”节点。提示词在此阶段施加“解构约束”，要求LLM显化子任务的处理顺序与变量关系，而非直接给出笼统方案。在这一过程中，LLM主要承担结构化表达的功能，将潜在的处理路径、关键节点与变量关系呈现出来；学习者则通过对这些结构的修正与确认，持续参与对问题形态的塑造。也就是说，问题分解是一个人机反复协商的过程，LLM提供“可能的结构表达”，而学习者保留对结构合理性的最终决定权。通过这种协商式分解，复杂问题不再停留于整体理解层面，而是被重组为一条可操作、可修改、亦可检验的认知链条，为学习者后续路径

探索与推理展开奠定结构前提。

（三）路径探索（O）：在多路径中实现选择权

路径探索是SCORE方法防止单路径依赖的关键环节，通过提示词施加“发散约束”，要求LLM在既定结构前提下生成多条差异化的推理路径或策略结构，从而扩展问题求解的可能性空间，而非收敛于单一解法。多路径并置使隐含在LLM生成中的关键假设、价值取舍与潜在风险得以显性化，迫使学习者在比较、评估与筛选不同路径的过程中进行实质性的认知判断。LLM不再是“答案提供者”，学习者则通过行使否决权与选择权，重新掌握问题求解中的决策主导地位。该阶段并不要求人机在同一层面“共同思考”，而是通过角色错位实现协同，即LLM负责扩展可能性空间，有效保持学习者的选择权，避免协同滑向由模型预设路径主导的认知外包。

（四）渐进推理（R）：以“可验证”替代“黑箱”

路径确定后，对话进入渐进推理阶段，通过提示词施加“循序约束”，要求LLM以分步、线性且可追踪的方式展开推理过程，将关键前提、因果链条与中间结论逐节点外显化，从而避免跳步生成造成的内容压缩与逻辑不透明。其核心不在于慢推理，而在于推理过程是否具备可验证性。通过将推理拆解为可定位的节点，学习者得以对每一步进行即时审查与干预，判断前提是否成立、推导是否充分、因果链是否完整、结论是否存在过度外推，并在发现偏差时要求补充依据或回退修正。在持续评估与修正推理节点的过程中，学习者的认知活动从对结果的接受，转向对推理结构本身的理解与掌控。这种由“看答案”到“审过程”的转变，使LLM的推理能力转化为一种可被学习者吸收和重构的认知资源。

（五）反馈优化（E）：反思与重构

反馈优化阶段构成SCORE方法中对认知过程的整体反思机制，是SCORE方法中元认知水平最高的环节。该阶段并不局限于对结果优劣的评价，而是通过回顾前序推理链条，对任务界定、问题分解、路径选择与推理展开中的潜在偏差进行系统性审视。提示词通过“诊断约束”，对整个推理链进行结构性反思，包括识别逻辑断点、判断路径选择的合理性、修正理解偏差以及必要时对推理结构进行重构。通过这种反思，学习者得以将一次任务解决过程转化为对自身思维模式的再组织，实现知识的内化与思维模型的更新，促进从“协作完成任务”到“共建思维结构”的跃迁。

综上所述，SCORE对话方法通过五个递进环节，将人机对话从以结果为中心的生成过程，转化为以认知为中心的协同建构过程，定义了复杂任务下人机协同的“得分点”，即任务的完成不再依赖于LLM的单向输出，而是取决于人机双向的认知耦合深度。通过在每一阶段施加针对性的结构约束，复杂任务的解决过程被转化为可观察、可干预、可回溯的认知建构过程。提示词成为组织认知的关键，学习者则始终处于认知决策与结构调控的核心位置。正是在这种分工与互动下，人机协同得以转向更高水平的认知共生。

五、SCORE对话方法的教学验证：跨学科

复杂任务中的认知参与提升

为检验SCORE对话方法在复杂问题解决情境中对学习者认知参与的调节作用，本研究设计了一项对比实验，重点考察两种人机协同模式在复杂教学任务中的对话特征与认知表现差异。

（一）实验设计

研究以某师范大学现代教育技术专业某年级80名硕士研究生为实验对象。为降低被试初始数字素养差异对实验结果的干扰，首先采用“数字素养调查问卷”

[18]

对全体被试进行前测，该问卷包括41个测量题项，采用5点李克特量表（1=“非常不符合”到5=“非常符合”）。前期测量结果表明，该问卷总体Cronbach's α系数为0.956，各维度α系数介于0.906～0.971之间，具有良好的内部一致性；KMO值为0.976，Bartlett球形检验达到显著水平（p＜0.001），旋转后各题项共同因素载荷均高于0.45，表明问卷具有较好的结构效度。结果显示，总体均值M=4.17。在此基础上，选取得分接近总体均值，且分布集中于4.15~4.19区间的60名被试作为有效样本，并随机均分为实验组和对照组，每组30人。其中，实验组要求严格按照SCORE对话方法与LLM交互，对照组使用自然语言自由提问方式进行交互，以模拟当前LLM在真实教学情境中的常见使用方式。

实验任务为撰写一份以“我为校运会推荐班级参赛选手”为主题的跨学科教学设计方案，要求以数学学科为主、融合体育学科，包括统计指标选择、数据筛选策略及结果解释等内容。该任务具有非结构化程度高、变量关系复杂、无标准答案等特征，属于典型的复杂任务

[19]

。每位被试的任务完成时长限定为30分钟。

为观测学习者在任务过程中的认知参与水平，研究应用了完整记录人机对话日志的方法

[20]

，并收集其最终生成的教学设计方案文本。数据分析重点观测两个指标：（1）交互轮次（T）：反映思维参与强度、推理链条延展性及学习者认知投入程度。（2）AI内容采纳率（R）：计算公式为

，其中，C

AI

为最终方案中直接复制粘贴的AI输出字数，C

Total

为最终方案总字数。结合对话过程证据分析方法

[21]

，采纳率越高，表示学习者的批判性筛选越弱，反映出较高的认知外包倾向。反之，较低的采纳率则反映学习者在对话过程中保留了较强的判断权和否决权，体现出更高水平的认知参与。

（二）对话过程对比分析

基于实验收集的对话记录，选取了两组具有代表性的典型案例进行人机对话过程对比分析。其中，实验组案例基于12轮对话，对照组案例基于4轮对话，两种人机协同模式在对话轮次分布、提问方式及关键决策节点的参与程度上呈现出明显差异，反映出不同人机协同方式下学习者认知参与过程的差异。

1. 对照组（自由问答）：认知外包驱动的低阶线性模式

从对照组案例的完整对话过程来看，其表现为“指令—响应—接受”的简单线性交互，围绕快速获得成品展开，关键决策节点中学习者的认知参与不足。

（1）启动阶段（T1）：认知起点被LLM隐性接管。在对话初始阶段，学习者直接以结果导向的指令“帮我写一个以校运会选拔为情境的跨学科教学设计”启动任务，LLM随即生成一份结构完整、要素齐全的教学设计草案，涵盖教学目标、活动流程与评价方式。由于学习者未对教学目标、跨学科融合重点或决策变量作出任何前置界定，认知起点在无显性协商的情况下被LLM替代，缺少关键的理解和分解过程。

（2）推进阶段（T2—T3）：对关键策略点无质询能力。面对图表设计中“刻度如何设定”这一核心决策点，学习者直接索要建议，LLM给出“建议一格代表5”的封闭式判断。学习者未追问“为何是5”或“不同刻度的影响”，而是直接进入下一步请求。这一过程中，刻度作为影响教学解释深度的关键决策点，被简化为一个可直接采纳的技术选项，其背后的逻辑权衡与教学含义未被显性化。

（3）结果阶段（T4）：高采纳度的被动式接受。在完成少量补充提问后，学习者以“根据以上要求生成教案”结束互动后，LLM依据此前给定信息生成最终方案，该方案在结构与内容上高度延续LLM最初设定的框架，对“基于哪些数据、以何种标准推荐学生参加校运会”缺乏进一步的认知加工，此过程中学习者认知介入度极低，整体接受并作为最终产出。

从完整对话过程看，对照组的人机协同以效率和结果为核心，学习者的主要行为集中在“请求—确认—使用”层面。LLM在多个关键节点中承担了问题界定、路径选择与结构整合的功能，学习者则较少介入对决策合理性的判断与推理过程的检验，呈现出明显的认知外包特征，LLM成为“代工者”，学习者停留在SOLO的无建构、单因素层级，“AI生成越快、越多，人思考越弱、越少”成为典型表现。

2. 实验组（SCORE方法）：约束下的螺旋式认知进阶

从实验组案例的完整对话过程来看，在SCORE方法约束下，其人机对话不再以“直接生成结果”为主要目标，而是围绕“如何做出关键决策”逐步展开。

（1）任务界定与问题分解阶段（T1—T3）：认知起点由学习者显性建构。在对话初始阶段，学习者未直接发出结果导向的指令，而是与LLM共同明确决策目标：“在这个跨学科情境中，图表的核心决策目标是什么？是比较个体，还是展示群体差异？”在LLM给出可能目标后，学习者进一步追问：“如果以‘班级内部差异’为目标，图表设计中哪些因素是关键决策点？”围绕这一问题，任务被显性拆解为若干个相互关联的子问题，如统计指标如何选择、刻度如何设定、不同设定对教学解释会产生何种影响等。将复杂任务拆解为相互关联的多个子问题链，使LLM的后续生成被限定在明确的结构框架内。

（2）路径探索阶段（T4—T7）：行使“否决权”。在涉及“刻度如何设定”这一关键策略点时，学习者并未接受LLM首次给出的线性建议，而是询问：“还有没有不同的刻度设定方案，优缺点如何？”LLM随后提供了多条竞争性路径。学习者在比较后明确否决了其中“刻度较大、便于整体展示”的方案，认识到“该方案会掩盖学生间的细微差异，不符合教学目标”。这一比较与否决，标志着学习者从“接受结果”向“选择路径”的认知升级，从而选择跨学科逻辑更优的路径。

（3）渐进推理与试误阶段（T8—T9）：通过情境模拟验证结构假设。学习者要求AI模拟“若刻度为1会怎样”的情境，LLM在模拟过程中暴露出刻度过密导致图表可读性下降的问题，学习者据此修正此前的直觉判断，重新权衡精细度与可解释性之间的关系。在这一阶段中，学习者通过试误方式验证假设、识别偏差并完善因果链条，体现出第二次认知跃迁。

（4）反馈优化阶段（T10—T12）：结构反思与剪枝。在生成完整的教学设计前，学习者回溯前序推理，识别出“刻度过大导致差异不明显”的逻辑断点，并进行了“剪枝”操作，排除了不再符合教学目标的路径，并

要求LLM在修正后的结构下生成方案。这一过程体现了学习者对整体推理结构的反思与重构，符合SOLO抽象建构层次。

从完整对话过程来看，实验组的人机协同呈现出显著的螺旋式认知进阶特征，学习者始终掌握任务界定与路径选择的决策权，LLM则在受限结构内展开推理与生成。关键认知节点并未被一次性生成结果所压缩，而是通过多轮比较、验证与修正被逐步展开，使推理过程成为可观察、可介入、可回溯的认知建构过程。

（三）实验结果与讨论

研究采用Mann-Whitney U非参数检验方法，对实验组与对照组在交互轮次、AI内容采纳率两个指标上的差异进行比较，结果见表1。

在交互轮次（T）方面，实验组的平均交互轮次为12.5轮，对照组为6.4轮，组间差异达到统计显著水平（U=83，Z=-5.45，p<0.001），效应量为大效应（Cliff's δ=0.816）。该结果表明，两组在交互轮次上的差异具有显著性，且差异幅度较大。在AI内容采纳率（R）方面，实验组的平均采纳率为61.2%，对照组为84.2%，组间差异同样达到统计显著水平（U=56，Z=-5.83，p<0.001），效应量为大效应（Cliff's δ=-0.876）。结果显示，两组在AI内容采纳率上的差异显著，且差异幅度较大。

上述两项结果从“交互过程”和“采纳内容”两个维度，共同指向了学习者认知参与的实质性差异。结合人机对话过程分析与定量数据结果，可从以下两个方面对SCORE方法的作用机理进行解释：

其一，“约束”即“赋能”：交互轮次增加与认知参与深化之间的关系。在自由问答中，高效往往被误解为“快速获得答案”；而在SCORE方法影响下，增加的轮次并非冗余，而是有效的认知负荷分配。特别是在“路径探索（O）”和“渐进推理（R）”阶段，轮次的增加对应着学习者对“非预期错误”的排查和对“多种可能性”的权衡。此类多轮交互，本质上是对认知负荷的再分配，即将原本集中于结果接受的认知资源，转移至路径选择与逻辑验证等关键决策环节，确保了学习者在进入执行层之前，已经历了充分的思维发散。

其二，采纳率的反转：低采纳率作为高认知参与回归的外显指标。对照组的采纳率为84.2%，呈现明显的依赖倾向，在缺乏约束的情况下，学习者极易退化为AI生成内容的“搬运工”。相较之下，实验组的采纳率为61.2%。这一变化并非意味着生成质量的降低，恰恰相反，它揭示了学习者高认知参与的回归。在SCORE方法中，低采纳率实际上反映了学习者的“否决权”。特别是在路径探索阶段，学习者作为“主导者”，主动剔除了AI生成的不适切路径，仅保留并采纳符合教学逻辑的核心框架。换言之，采纳率的降低代表学习者从依赖生成转向自主决策，是其认知参与提升的外显标志。

综合来看，SCORE方法通过显性延长推理链条与引导多路径探索，一方面显著提升了学习者在复杂任务中的认知参与水平，另一方面有效抑制了学习者对AI生成结果的无条件采纳，使学习者在多轮交互中形成“选择—验证—调整”的认知循环。由此可见，SCORE方法不仅是一种限制LLM输出的提示词对话方法，更是一种在复杂任务情境中维持认知主导、抑制认知外包并促进高阶思维建构的人机协同机制，为实现人机认知共生提供了可操作的实践路径。

六、结 束 语

提示词推理设计不仅是提升AI响应能力的机制，更是通向教育智能化、个性化与高阶思维能力培养的认知中介

[22]

。其“认知化”转向，反映出对学习过程本身的回归与重构，即通过推理的透明化、多轮探索与动态整合，学习者得以在问题解决中形成外显、可监测、可调节的思维结构。认知视角的引入，推动教育中的人工智能应用从对输出结果的依赖，转向对思维过程的共建，从而开辟了真正意义上的人机协同认知路径。

从实践层面看，提示词推理设计为师生提供了新的认知支架与反思工具。教师可借助结构化、分层次的提示系统构建教学引导框架，组织多模态知识探索；学习者则可通过可视化推理与路径调节，实现对自身认知策略的监控与优化。未来的教学不应止步于“如何向AI提问”，更要引导学生“如何借AI之问，深化人类之思”。提示词推理设计背后所承载的，不仅是一种方法更新，更是一场指向思维方式重塑、学习结构重组与人机关系重建的教育认知范式革新，标志着我们正步入一个思维与技术深度互构的学习时代。

附录A 教师数字素养调研问卷.docx

本文发表于《电化教育研究》2026年第11期，转载请与电化教育研究杂志社编辑部联系(官方邮箱：dhjyyj@163.com)。

引用请注明参考文献：

任光杰,陈自力,杨博勋,等

.

面向认知共生的人机协同：复杂任务下

约束大语言模型输出的对话方法

[J]. 电化教育研究，2026，47(11)：52-60.

责任编辑：

张 绒

校 对：

房 立

审 核：郭 炯

【参考文献】

[1] 郝祥军，顾小清. 从交互到交往：人机协同认知的形态演进与未来审思[J]. 电化教育研究，2025，46（7）：33-40.

[2] 杨鸿武，雷爱霞，郭威彤，等. 生成式人工智能如何影响学生的认知发展——基于认知发展理论的视角[J]. 电化教育研究，2025，46（9）：74-82.

[3] 李芒，贺鹏洋. 人类与人工智能的关系：互补、互动、互生[J]. 电化教育研究，2025，46（8）：15-20，80.

[4] 刘妍，胡碧皓，尹欢欢，等. 虚拟现实（VR）沉浸式环境如何实现深度取向的学习投入?——复杂任务情境中的学习效果研究[J]. 远程教育杂志，2021，39（4）：72-82.

[5] 田浩，武法提. 复杂问题解决中的认知投入动态演化研究——基于同步生理响应事件的视角[J]. 电化教育研究，2025，46（1）：93-100.

[6] Cheng X， Zhang L. Inspiration booster or creative fixation? The dual mechanisms of LLMs in shaping individual creativity in tasks of different complexity[J]. Humanities and Social Sciences Communications， 2025，12：1563.

[7] 余胜泉. 跨越人工智能教育应用的认知外包陷阱[J]. 中国教育学刊，2025（4）：1.

[8] 王冬青，陈自力，邵文豪，等. 从“负能”到“赋能”：基于LLMs的思维链提示设计与教研AI智能体构建——以课堂教学智能分析为例[J]. 中国电化教育，2025（3）：111-117，125.

[9]

Bates T, Cobo C, Mariño O, et al.

Can artificial intelligence transform higher education?[J]. International Journal of Educational Technology in Higher Education，2020，17（1）：42.

[10] Amoozadeh M， Daniels D， Nam D， et al. Trust in generative AI among students： an exploratory study[C]//Proceedings of the 55th ACM Technical Symposium on Computer Science Education V. 1. New York： Association for Computing Machinery， 2024：67-73.

[11] Besta M， Memedi F， Zhang Z， et al. Demystifying chains， trees， and graphs of thoughts[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2025，47（12）：10967-10989.

[12] Wei J， Wang X， Schuurmans D， et al. Chain-of-thought prompting elicits reasoning in large language models[C]//Proceedings of the 36th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates， Inc.， 2022：24824-24837.

[13] Wang X， Wei J， Schuurmans D， et al. Self-consistency improves chain of thought reasoning in language models[PP/OL]. V4． arXiv （2023-03-07）[2025-01-13]． https://doi.org/10.48550/arXiv.2203.11171.

[14] Yao S， Yu D， Zhao J， et al. Tree of thoughts： deliberate problem solving with large language models[C]//Advances in neural information processing systems 36. Red Hook， NY： Curran Associates， Inc.，2023：11809-11822.

[15] Besta M， Blach N， Kubicek A， et al. Graph of thoughts： solving elaborate problems with large language models[C]//Proceedings of the AAAI Conference on Artificial Intelligence. Washington， DC： AAAI Press， 2024，38（16）：17682-17690.

[16] 蔡永红. SOLO分类理论及其在教学中的应用[J]. 教师教育研究，2006，18（1）：34-40.

[17] 陈明选，邓喆. 围绕理解的学习评价——基于SOLO分类理论的视角[J]. 中国电化教育，2016（1）：71-78.

[18] 曾海，郑燕芬，胡蓝心. 广州市中小学教师数字素养现状与提升策略研究[J]. 广州开放大学学报，2025，25（1）：12-20.

[19] 张文兰，李梦雪. 跨学科主题学习的现实困境、内涵阐释与实践路径[J]. 电化教育研究，2025，46（12）：19-25.

[20] Liu M， Zhang L J， Biebricher C. Investigating students' cognitive processes in generative AI-assisted digital multimodal composing and traditional writing[J]. Computers & Education， 2024，211：104977.

[21] Kim J， Lee S S， Detrick R， et al. Students-generative AI interaction patterns and its impact on academic writing[J]. Journal of Computing in Higher Education， 2026，38（1）：504-525.

[22] 方海光，王显闯，洪心，等. 面向AIGC的教育提示工程学习提示单设计及应用[J]. 现代远距离教育，2024（2）：62-70.

Human-Machine Collaboration toward Cognitive Symbiosis: A Dialogic Method for Constraining Large Language Model Outputs under Complex Tasks

Ren Guangjie, Chen Zili, Yang Boxun, Wang Dongqing

(

School of Information Technology in Education, South China Normal University,Guangzhou Guangdong 510631

)

[Abstract] The in-depth development of generative artificial intelligence is driving human-machine collaboration toward a new form of cognitive symbiosis. However, in educational practice, the powerful generative capability that large language models (LLM) exhibit in complex tasks easily induces learners to cede their right to think to the models, leading to a risk of cognitive outsourcing characterized by path dependence in thinking and higher-order cognitive laziness. How to constrain LLM outputs and construct human-machine collaboration methods oriented toward cognitive symbiosis has therefore become an urgent issue to be solved. To this end, this study reviews the evolutionary trajectory of prompt-based reasoning structures from chain of thought through tree of thoughts to graph of thoughts, and clarifies their role as a technical foundation for regulating LLM outputs. Drawing on the SOLO taxonomy, the study further analyzes the mechanisms through which different prompt-based reasoning structures influence the levels of learners' cognitive construction. It then proposes SCORE, a restrictive dialogic method for complex tasks based on the constraint of prompt-based reasoning structures. The method consists of five stages: task definition, problem decomposition, path exploration, progressive reasoning, and feedback optimization. By constraining the reasoning process and decision nodes, the method promotes learners' sustained cognitive engagement in complex tasks. Comparative experiments indicate that the SCORE method demonstrates clear advantages in suppressing the blind adoption of AI-generated outputs and raising the level of learners' cognitive engagement.

[Keywords] Cognitive Symbiosis; Human-Machine Collaboration; Prompt-based Reasoning Design; Complex Tasks; SOLO Taxonomy

基金项目：基金项目：2025年度教育部人文社会科学研究规划基金项目“人机协同学习机制研究——基于多智能体的角色建模与知识扩散仿真”（项目编号：25YJA880065）

[作者简介] 任光杰（1975—），男，山东济南人。讲师，博士，主要从事教育人工智能、智能测评技术、教育大模型与学习分析研究。E-mail：renguangjie@m.scnu.edu.cn。王冬青为通信作者，E-mail：scnuwang@qq.com。

中文核心期刊

CSSCI来源期刊

RCCSE中国权威学术期刊

AMI核心期刊

复印报刊资料重要转载来源期刊

《电化教育研究》创刊于1980年，是我国教育与电教界的学术理论园地和权威性刊物，素有“中国电化教育理论研究基地”之称誉。主要研究现代教育前沿问题，服务全国教育教学改革；关注国内外信息化教育理论的创新。

《电化教育研究》开设的栏目主要包括理论探讨、网络教育、学习环境与资源、课程与教学、学科建设与教师发展、中小学电教、历史与国际比较等。

《电化教育研究》