修订布鲁姆认知分类法以适用于人-人工智能系统中的双模式认知：增强认知框架
人机交互
2026-02-03 v1 计算机与社会
摘要
随着人工智能（AI）模型被常规性地整合到知识工作中，认知行为日益以两种不同的模式发生：单独使用生物资源，或分布在人-AI系统中。现有的对布鲁姆分类法的修订将AI视为一种需要与人类认知进行映射的外部能力，而非这种双模式结构的驱动因素，因此未能为每种模式指定明确的学习成果和评估目标。本文提出了增强认知框架（ACF），这是一个基于三个原则重构的分类法。首先，每个传统的布鲁姆层级都以两种模式（个体模式和分布式模式）运作，并配有特定模式的认知动词。其次，存在一种非对称的依赖关系，即有效的分布式认知通常需要个体认知基础，尽管在某些情况下，结构化的支架式教学可以逆转这一顺序。第三，第七个层级“编排”指定了一种治理能力，用于管理模式切换、信任校准和伙伴关系优化。我们系统地比较了现有的AI修订分类法与明确的评估实用性标准，并在所审查的框架中表明，ACF独特地为个体认知、分布式认知和模式治理生成了可作为独立目标进行评估的学习成果。该框架通过使依赖关系在结构上显式化，同时容纳合理的支架式教学方法，解决了“流畅性无能”这一AI时代核心的教学风险。
引用
@article{arxiv.2602.00697,
title = {Revising Bloom's Taxonomy for Dual-Mode Cognition in Human-AI Systems: The Augmented Cognition Framework},
author = {Kayode P. Ayodele and Enoruwa Obayiuwana and Aderonke R. Lawal and Ayorinde Bamimore and Funmilayo B. Offiong and Emmanuel A. Peter},
journal= {arXiv preprint arXiv:2602.00697},
year = {2026}
}