事件驱动学习：让现实变化进入教育过程

环境变化成为新任务的依据

事件改变知识、技术、专业角色、工作方法、社会 关系和决策要求。

大学记录并核验变化，明确受影响的领域， 提出需要开展教学、科研或项目工作的具体问题。

事件处理流程将当前外部信号与基础知识、 教学方案、专业能力和大学资源关联起来。

1. 1
   信号

   关于变化的初步信息。
2. 2
   核验

   确定来源、事实和可信边界。
3. 3
   背景

   事件与领域、时间、参与者和流程的关系。
4. 4
   重要程度

   确定对知识、任务、角色和教学方案的影响。
5. 5
   系统性问题

   提出有待研究或设计的关联问题。
6. 6
   任务

   将问题分解为不同角色的行动。
7. 7
   临时团队

   针对事件任务组建的跨学科工作组。
8. 8
   成果

   形成可核验的知识、方案、模型或原型。
9. 9
   更新

   将成果纳入教学方案、研究、项目或个人发展路径。

大学从哪里接收信号

根据影响范围评价事件

重要程度取决于事件对知识、方法、专业角色、 教学方案、研究、项目以及大学资源的影响。

事件需要明确问题结构

系统性问题将事件涉及的事实、参与者、矛盾、限制和可能 后果联系起来。

问题表述决定后续工作需要哪些学科、角色、方法和资源。 开展下一步工作。

• 发生了什么变化
• 哪些流程受到影响
• 哪些人需要处理这个问题
• 涉及哪些利益
• 需要哪些知识
• 有哪些限制条件
• 可能产生哪些后果
• 需要形成什么成果

同一个问题产生不同类型的任务

围绕事件组建临时团队

团队成员由问题结构、预期成果、时效窗口 和可用的专业能力决定。

事件驱动任务接入既有教育体系

事件与学科、模块、专业能力、项目以及参与者的个人 目标建立关联。

参与者获得难度不同的任务，依据自身的角色和 发展路径参与工作。

参与者层面的详细介绍见文章 《专业能力图谱》 与 《个人教育发展路径》.

将现实事件与基础及应用知识关联

解释事件需要基础理论、近期研究、分析方法、 专业标准以及实际数据。

在大学 5.0 模型中，News-Driven Learning 一词用于 指称把现实环境中的变化与 教学和项目任务联系起来的事件驱动逻辑。

自主 AI 智能体的出现

组织开始使用自主智能体

成果回到系统

完成事件驱动任务会形成新的知识、数据、方法、专业能力与项目 方案。

这些成果更新教学方案、研究、个人发展路径、 数字孪生以及大学内部的后续事件。

教学系统的关联可参阅以下文章 《EduOS「Lad」》、 《教育数据分析》 以及 《大学数字孪生》.

同一情境下的五种视图

情境：自主 AI 智能体进入专业工作。不同角色 参与事件周期的不同层次。

事件驱动学习的基本规则

• 每个事件都有可核验的来源和得到证实的描述。
• 根据事件对教学方案、研究、项目和专业能力的影响确定其重要程度。
• 先明确系统性问题，再设定任务。
• 按角色分配任务，并明确预期成果。
• 临时团队依据问题各方面所需的能力组建。
• 事件关联参与者的现有发展路径。
• 运用基础知识来解释当前信号。
• 日程安排和资源要符合时效窗口。
• AI 智能体支持周期中的各个阶段；教学和专业内容方面的决策由 人作出。
• 成果更新教学方案、专业能力图谱、研究、项目实践和 数字孪生。

事件驱动学习连接现实背景与教育架构

事件周期将科学、技术、经济及 社会环境的变化转化为结构化的教学、科研与项目 任务。

大学形成一个工作流程，使基础知识、参与者的专业能力、 资源、日程安排与智能体支持能够围绕当前问题协调工作。

事件驱动模块的成果回到教学方案、专业能力图谱、研究、 项目和数字孪生之中，为大学下一轮发展提供依据。

关于原创研究模型

事件驱动学习研究由 Sergey Shatokhin 在 IWXA 实验室的大学 5.0 模型与 EduOS「Lad」架构框架下开展。

该模型将现实环境的变化与基础知识、个人 发展路径、项目任务、团队、资源、数字孪生及智能体 支持关联起来。

• 作者简介
• 大学 5.0
• 专业能力图谱
• 个人教育发展路径
• 学生的一天
• 日程安排作为统筹协调
• EduOS「Lad」
• 数字孪生