基金项目：国家社会科学基金“十四五”规划2021年度教育学一般课题“技术赋能高校工科生融创学习设计研究”（BCA210084）。
作者简介：孙妍妍，博士，副教授，硕士生导师，华东师范大学教育学部教育信息技术学系，上海数字化教育装备工程技术研究中心（上海 200062）；黄颖芬、温思凡，硕士研究生，华东师范大学教育学部教育信息技术学系（上海 200062）。
引用:孙妍妍,黄颖芬,温思凡(2025).生成式人工智能支持下人机协同学习的互动模式分析[J].现代远程教育研究,37(3):102-112.
摘要：人机协同是未来教育的发展趋势，以ChatGPT为代表的生成式人工智能（GAI）重构了人机协同学习的交互方式，但已有研究对学习小组与GAI的互动模式尚缺乏系统性讨论。基于对GAI支持下的人机协作学习对话文本进行分析发现，应用、分析、示例是学生向GAI提问中最常见的三种问题类型。在“生—机”交互中，学习者群体涌现出探索式提问、优化提问、信息综合三种主要交互行为，每种行为均呈现出清晰的认知参与方式转换模式；在“生—生”交互中，涌现出任务理解、主题探讨、非任务交流三种主要交互行为，其认知参与方式转换模式不典型。根据提问类型的共现关系与人机互动行为，学习小组与GAI协同完成学习任务时表现出主导分析型、整合思考型和答案导向型三种互动模式，主导分析型模式以深入探究和批判性思维为核心，整合思考型模式突出组内交流对多元信息整合与反思性思考的关键作用，答案导向型模式则侧重围绕GAI提供的信息展开人机互动。为提升生成式人工智能支持下的人机协同学习效果，应以思维技能与创新意识为中心促进高认知学习，以提问为中心促进人机协同对话式学习，并根据学习任务需求调整教学设计。
关键词：人机协同；生成式人工智能；认知建模；对话式学习；互动模式
生成式人工智能（Generative Artificial Intelligence，GAI）已成为推动教育领域变革的重要力量。以ChatGPT为代表的GAI重构了人机协同（Human-Machine Collaboration）方式，以更智能的交互与更大范围内的知识共享赋能学习者协同创新。它打破了局限于人机互补的人机协同，生成式对话让更高层次的交互与共融成为现实，并形成了人机智能整体（刘邦奇等，2024），以超越个体的群体思维形成集体智慧（戴岭等，2023a；Smith，1994）。人机协同是未来教育的基本特征（戴岭等，2023b），然而现有研究对协作学习小组如何与GAI交互还缺乏系统性讨论。
一、问题的提出
人机协同是指人与机器之间的协同合作，以完成单独一方难以完成的任务（Wilson et al.，2018）。其发展经历了三个阶段：在发展初期，机器主要承担重复性、标准化的工作，人类的角色更多是监督和控制（Parasuraman et al.，2000）；在发展中期，人机之间逐渐转化为合作伙伴关系，除了执行标准化任务，机器还可以与人类互动并进行决策，共同解决问题（Hollnagel et al.，2005）；在智能时代，人机协同可以达到高度融合，机器具备自主学习和适应能力，与人类共同学习、共同提升（Wilson et al.，2018）。以预设路径为指导的适应性自主学习模式是智能技术支持下人机协同学习的常见模式。例如，使用智能教学系统辅助英语写作教学（刘应亮等，2022），使用自适应学习系统提高基础薄弱学生的数学成绩（Pane et al.，2014），使用智能虚拟病人系统提高医学生的临床实践与决策能力（Kononowicz et al.，2019）。这些实践均应用了预设路径的学习系统，机器的反馈虽有灵活性，但其角色仍受预定框架限制。
相比传统预设路径的人机协同学习，GAI支持下的人机协同学习（下文简称“GAI人机协同学习”）过程更具动态性，其不仅能够即时提供信息与指导，还能通过持续的有意义交流促进学生的知识内化与深度思考，提高学生的高阶思维能力（Tan et al.，2023；Vasconcelos et al.，2023；Zhu et al.，2023）。它借助技术与世界交互的过程（郝祥军等，2022），通过知识分布式加工与共享延展了学习者的认知边界（郭炯等，2019；方海光等，2022）。李海峰等人（2023）设计的基于ChatGPT的人机协同深度探究性学习模型及智能助教，能显著提高学生的学习绩效与批判性思维。吴忭等人（2024）在基于课程的本科生科研体验教学模式中加入了ChatGPT智能学伴，显著提高了学生的科研知识与科研情感，但同时也发现人机协同的合作与互补关系还需提高。以上研究结果证实了GAI人机协同学习的效果，也说明预设路径的自适应学习存在一定局限。
GAI的对话功能为人机协同学习提供了新模式，它通过自然语言处理实现了学习者与机器的自由对话。可以进行对话式学习是GAI支持下的人机协同学习与传统人机协同学习模式的本质区别。在人机协同对话式学习中，学习者的提问引导着人机融合与人机共创。这种新的协同方式增强了GAI人机协同学习的社群性（何文涛等，2023）。在此类协作学习中，GAI从辅助的角色转变为社群协同伙伴，可以围绕共同的任务目标与学习者互动，在对话中根据学习者需求生成相关内容，作为协作学习小组的成员参与讨论、提供信息和观点（Lo，2023）。但是，以ChatGPT为代表的GAI的自然对话能力，是基于学习大量数据中的模式而非逻辑推理（陈静远等，2023），其提供的信息反馈质量与学习者的提问息息相关。这改变了传统人机协同学习中机器与学习者的角色分工与责任划分（Atchley et al.，2024）。
目前，针对计算机支持下协作学习的研究主要聚焦于学习者间的互动，计算机只是智能学习环境中的辅助工具。在传统对话式学习中，学习路径并无预设，学习者可以透过他者视角更好地审视自身，进而构建意义（黎琼锋等，2009）。人机协同对话式学习的效果取决于学习者的主动性与智能性（Baker，2016）。因此，学习者的主导性在GAI人机协同环境中表现出更强优势。除了寻求指导和讲解的指导型对话，学习者还能够与GAI进行探究型、批判型、辩论型和谈话型对话（戴岭等，2023c），有助于其主动探究、批判性思考及自我审视等能力的培养。虽然GAI在协作学习中充当协作者的潜力已被研究者认同（Atchley et al.，2024），但现有研究对学习者在协作小组中与GAI的互动模式的讨论还不充分，了解人机协同中的小组互动模式，对指导GAI支持下的人机协同学习设计至关重要。为此，本研究以人机协同学习中的小组互动模式为主要研究主题，具体围绕以下两个子问题开展：
（1）学习小组与GAI协同完成学习任务时，是如何提问的？
（2）学习小组与GAI协同完成学习任务时，呈现出怎样的互动模式？
二、研究设计
1.数据来源
《现代教育技术前沿》是华东某大学的一门面向硕士生开设的课程，旨在帮助学生了解教育技术学前沿研究领域，以教师讲授与小组协作相结合的方式进行授课。在“STEAM教育”单元的小组协作课上，教师让选修该门课的21名学生随机分成7个三人小组，围绕“在STEAM课程中，如何平衡科学、技术、工程、艺术、数学的学习内容，以最大程度地促进学生的综合学习及创新能力培养”这一问题进行讨论，以小组名义形成共同观点后提交课程作业。讨论在接入了聊天机器人Bot（使用ChatGPT3.5模型）的微信群中进行。教师除了鼓励学生将Bot当作协作伙伴外对小组讨论全程无干预。讨论时长为1小时，全程采用录屏录音软件记录协作过程，形成了两份研究数据：（1）学生与ChatGPT的交互记录日志，学生共向ChatGPT提问108次；（2）小组协作的话语数据，共1914条对话文本。
2.数据处理
（1）学生与ChatGPT交互的问题类型划分
本研究聘请两名资深教授对学生与ChatGPT的交互记录日志中的学生提问进行了分析与讨论，决定根据提问的目的性将其分为知识、分析、应用、比较、创造、示例、原题七种问题类型（见表1）。两名研究者据此类别独立编码，编码结果的Cohen’s Kappa值为0.952，分类一致性较高。
表1 学生与ChatGPT交互的问题类型
（2）小组协作中的交互行为
为了深入了解小组协作中的交互行为，本研究采用扎根研究归纳了话语数据中的学生与机器、学生与学生的交互行为。首先，由两名研究者通读所有对话文本，初步形成学生在协作中使用GAI的行为印象。接着，根据扎根研究三阶段，依次对1914条对话文本进行了开放式编码、轴心式编码和选择性编码。在开放式编码阶段，依据对话文本中所反映的行为意义，共形成了原题提问、问题逻辑分析、尝试性提问等21个开放式编码，归纳出了问题探索、功能探索、完善性提问等11个主题。在轴心式编码阶段，合并上一阶段产生的意义相近的主题，重点关注对话中核心的6个行为概念。在选择式编码阶段，基于前两个阶段的内容，抽象出更概括性的“生—机”交互行为和“生—生”交互行为两类认知行为。学生在GAI参与的协作讨论中的交互行为如表2所示。两名研究人员按照交互行为对相同的对话文本独立编码，其结果的Cohen’s Kappa值为0.919，表明编码归类的一致性较高。
表2 小组协作中的交互行为
（3）交互与认知参与类型划分
Tang等人（2022）基于连接主义学习环境中的认知参与框架，将移动学习环境中的认知参与分为由低到高的四个层次：互动、路径寻找、意义构建、创新。互动是认知参与的最低层次，指交换信息等基本交互；在路径寻找层次中，学习者通过交流来获取知识与增强理解，推动任务开展；在意义构建层次中，学习者汇集各种信息形成观点；创新是认知参与的最高层次，学习者能够提出当前讨论中的新想法（Wang et al.，2014）。该框架的核心维度旨在描述学习者在协作学习中的认知参与，并且不依赖特定的技术环境，因此可以作为描述GAI环境中互动方式的分析框架。
本研究对以上认知参与框架进行了改进，考虑了小组成员之间交互和人机（人与ChatGPT）交互的区别，将小组协作的话语数据中暗含的认知参与分为了13种方式，分别归入5个交互层次中，如表3所示。
表3 交互与认知参与类型
本研究抽取了15%的话语数据，聘请两名研究人员分别独立完成认知参与方式分类，Cohen’s Kappa值为0.917，分类一致性较高，不一致的分类通过讨论协商达到一致。剩余85%的话语数据的分类由两名研究者分工完成。
3.研究方法
基于以上数据处理结果，本研究采用认知网络分析（Epistemic Network Analysis，ENA）法和滞后序列分析（Lag Sequential Analysis，LSA）法对协作中的认知过程进行建模。认知网络分析法通过量化话语数据来描述个人或团体认知框架，使用滑动窗口机制计算认知元素的共现，并将共现关系呈现在二维坐标系中（Shaffer，2004）。本研究使用认知网络分析法网络工具（http://app.）对每组提问类型数据进行认知网络建模，比较组间差异并形成共现问题类型，同时使用认知网络建模比较不同共现问题类型间的人机交互行为差异。滞后序列分析法主要用于分析两个或多个事件在序列上的滞后关系，即通过统计方法检验某一滞后序列的显著性（杨现民等，2016）。本研究使用滞后序列分析法对扎根研究归纳的“生—机”“生—生”认知行为中的认知参与进行建模，识别不同交互行为中的典型认知转换规律。
三、研究结果
1.学习小组提问模式分析
表4展示了各组在人机协作中提出问题的类型分布情况。其中，“应用”“分析”和“示例”是出现频次最高的提问类型。为进一步了解各小组提问方式的差异，本研究根据各小组与ChatGPT的交互问题类型进一步绘制了整体认知网络分析图（如图1所示）。两个小组的质心越接近，置信区间重叠越多，表示两组提问类型在整体上越相似。根据质心之间的距离和置信区间的重叠程度，可将所有小组划分为三类：1、3、5、6组之间的置信区间重叠较多，表明在所提问题的类型上没有显著差异，因此归为第一类；第2组与其他组的置信区间没有重叠，归为第二类；4、7组的置信区间有较多重叠，且与其他组重叠极小，意味着在问题类型上存在某些特征的相似性，自成第三类。
表4 各类型问题的数量及占比
图1 各组问题类型认知网络图
在绘制认知网络图时，原始数据结构以小组号为关键标识，每一行记录了该组提出的一个问题及类型。图2展示了三类小组的认知网络图，节点表示问题类型，节点之间有连线表示有问题类型共现，连线越粗表示共同出现的问题类型越多。其中，第一类以“应用—分析—示例”为主要共现问题类型，将其命名为主导分析型；第二类以“应用—比较—原题”为主要共现问题类型，将其命名为整合思考型；第三类以“原题—创造—示例”为主要共现问题类型，将其命名为答案导向型。
图2 三类小组认知网络图对比
2.学习小组人机交互特征分析
表5展示了各小组交互行为的分布情况。其中，“生—机”交互行为（探索式提问、优化提问、信息综合）的发生频率均高于“生—生”交互行为（任务理解、主题探讨、非任务交流）。
表5 各小组交互行为的数量及占比
为深入分析人机交互特征，研究以探索式提问、优化提问、信息综合、任务理解、主题探讨、非任务交流6种交互行为为中心，将话语数据中每种交互行为中的学生认知参与方式按时序排列，使用广义序列查询器（Generalized Sequential Querier）进行滞后序列分析，解读不同交互行为中的认知参与方式转换模式。LSA结果中序列残差表的p值如表6所示。结果表明，三类“生—机”交互行为（探索式提问、优化提问、信息综合）的认知参与序列残差均为显著（p＜0.05），说明这些认知参与之间的转换频率具有统计学意义，存在显著的认知参与方式转换模式。而三类“生—生”交互行为（任务理解、主题探讨、非任务交流）的认知参与转换频率在统计上不显著（p＞0.05），即不具备显著的认知参与方式转换模式。
表6 认知参与序列残差表p值
（*p＜0.01。）
对于三类认知参与方式转换模式显著的“生—机”交互行为，本研究再次生成了调整后的序列残差表（采用p＜0.05的显著水平，即Z-Score>1.96），在此基础上绘制探索式提问、优化提问和信息综合的认知参与序列转换图（见图3至图5）。图中的节点表示认知参与方式，箭头代表认知的转换方向，数值表示调整后的残差值（Z-Score）。
（1）探索式提问
在探索式提问中，学习者的认知参与以“分析”作为起点，逐步转向“反思”“创造”等更具创造性的认知参与方式，结束于“总结”和“提问ChatGPT”（如图3所示）。“创造”是关键节点，不仅促进了对既有信息的总结（创造→总结），还激发了新问题的产生，从而驱动整个探索过程向前发展（创造→评论成员→求助ChatGPT→提问ChatGPT）。在提问ChatGPT前，学习者基于先前讨论的成果进行创造性思考，在其他组员对ChatGPT评议和验证之后，小组再统一对ChatGPT发出请求，说明探索式提问并非学习者无序的发问，而源于一系列连贯的认知活动。此过程很好地体现了交互行为的目的，即构建有意义的问题并向ChatGPT提问。
图3 探索式提问的认知参与序列转换图
（2）优化提问
优化提问的认知参与序列转换图如图4所示。方框内部呈现的循环认知参与模式（提问ChatGPT→创造→总结→提问ChatGPT），体现出“优化”的特点，即提问之后进一步创造和总结，并继续提问。这意味着向ChatGPT提问可能会引发学习者找到问题解决新的思考路径：可能是现有信息的总结整合，也可能是新想法的提出。在一系列的认知参与后，优化提问的终点总是指向对ChatGPT回答的评价（评论ChatGPT）。学习小组通过不同的认知参与来评估ChatGPT的回答，并判断是否对问题进一步优化迭代，直到小组获得满意的答案。
图4 优化提问的认知参与序列转换图
（3）信息综合
信息综合的认知参与序列转换图如图5所示，其中包含更多认知参与之间的频繁转换。“评论”和“请求”等系列认知参与表示了小组成员间以及成员与ChatGPT之间的信息交流。提问行为在系列认知参与之后具有了连续性（提问ChatGPT→提问ChatGPT）。连续的“反思”“总结”和“分析”表明了小组成员的深入交流与思考过程。与此同时，学习小组有连续阐述观点的行为（解释→解释，Z-Score为4.8）。研究人员进一步分析相关话语数据发现，此类行为包含两种主要情况：一是此时小组内部的意见一致，成员在做观点和信息的汇总；二是小组内部存在分歧，成员对此展开辩论而连续阐释不同的观点。这类互动包含了频繁的信息交换与传递，推动小组形成最终观点。
图5 信息综合的认知参与序列转换图
3.人机交互的三种互动模式
三类小组交互行为的认知网络图如图6a-c所示，主导分析型小组在探索式提问、主题探讨、信息综合行为间连接性较强，整合思考型小组在主题探讨、信息综合、探索式提问行为间的连接性较强，答案导向型小组在优化提问、主题探讨、信息综合行为间连接性较强。三类小组中的非任务交流均与其他交互行为有较为紧密的连接。
三类小组两两相比的叠减图（Overly Plot）如图6d-f所示，展示了不同类别小组在交互行为上的差异：主导分析型小组的主要交互行为为探索式提问，整合思考型小组的主要交互行为信息综合，答案导向型小组的主要交互行为为优化提问。主题讨论作为主要的“生—生”交互行为，在三类小组中都与“生—机”交互中的三个交互行为有较强连接性。
图6 三种类型交互行为平均网络图对比
根据提问类型的共现关系与“人机”互动行为，学习小组与GAI协同完成学习任务时表现出三种互动模式。
（1）主导分析型互动模式
在主导分析型互动模式中，学习小组呈现出强主导性。小组向ChatGPT提问时共现关系最强的是应用、分析、示例三类问题，探索式提问是学习者在此模式中的核心行为。在人机协同的过程中，小组将GAI作为辅助工具，协助其深入挖掘与分析信息。在提问时，学习小组成员往往已经明确了问题讨论的方向，更倾向于让GAI解释某种现象背后的逻辑、给出具体做法并提供具体例子。学习小组成员经过创造性思考和协商讨论后，向GAI提出有意义的请求。并针对其回答进行成员间的观点交换，评估后形成阶段讨论结果。
主导分析型互动模式是一种高意识生成式学习模式（祝智庭等，2023）。在人机协同学习中，高层次认知参与是有效学习的核心（Chi，2009）。主导分析型互动模式以分析与创造等高层次认知参与作为人机互动中的关键节点，发挥了GAI促进学生高阶思维发展与深度学习的潜力（Holmes et al.，2019）。
（2）整合思考型互动模式
在整合思考型互动模式中，学习小组成员间的交流在人机协同中起到了关键作用。学习小组提问时共现关系最强的三类问题是应用、比较、原题，信息综合是他们在人机互动时的关键行为。虽然学习小组成员也多次向人工智能询问原题，但他们把握着讨论的整体方向。反思、分析、总结等认知参与作为重要节点体现了学习小组成员间的积极交流和信息分享，推动着小组的认知延展。在整合思考型模式中，学习小组能够通过组间积极交流来整合GAI提供的多元信息，而信息整合和反思性思考是协作学习环境中促进深度学习的关键，推动了更深层次的知识建构和批判性思维的发展（Webb，2009；Holmes et al.，2019）。
（3）答案导向型互动模式
在答案导向型互动模式中，学习小组更倾向于围绕GAI提供的信息展开人机互动，提问共现关系最强的是原题、创造、示例三类问题，他们希望GAI在原有讨论题目的基础上给出创造性观点、设计方案，并提供具体示例。GAI给出的答案可以为小组成员提供灵感、激发新观点、引导讨论的方向。优化提问是答案导向型互动模式中的关键互动行为，其认知参与特点在于不断对问题进行深入挖掘和精细化，以获取更准确和全面的回答。
学习小组在答案导向型互动模式中的主导性较低。他们在人机交互中的重点是向ChatGPT询问原题及原题的变体，再对机器给出答案探讨后继续提问。这说明他们更倾向提出表层问题，与GAI的协同互动主要集中在信息获取和整理上（Kalyuga，2008）。学习小组在优化提问的过程中也涉及对信息组合后的创新，但整个过程与分析、反思等认知参与没有显著关联，缺乏更深的认知加工。答案导向型模式部分体现了生成式学习的理念，即通过对ChatGPT给出信息进行创造与总结来建构知识（Osborne et al.，1983），但缺乏高层次的分析和理解。
四、研究建议
基于研究结果，笔者对提升GAI人机协同学习效果提出以下建议：
1.以思维技能与创新意识为中心促进高认知人机协同
在本研究中，学习小组在人机协同完成学习任务时自发形成的三种互动模式都体现了生成式学习的理念，即学习小组利用GAI获得信息，经过筛选后通过高阶思维技能建构新知识（祝智庭等，2023）。这是基于人机协同环境中分布式认知的学习方式（Kaptelinin，1996），表明学生在学习中可以克服过度依赖人工智能技术、被动思考等GAI应用公认的问题（张黎等，2023；吴砥等，2023）。然而，学习小组的主导性在这三种互动模式中有所不同，主导性越高的学习小组在人机协同过程中越能够达到高认知学习状态。思维技能和创新意识是决定学生主导性的关键因素，影响着他们与ChatGPT互动的方式。
因此，在设计GAI人机协同学习活动时，应当注重培养学生的自我调节能力与高阶思维能力，避免其成为被动学习者。第一，教学设计中应有激发学生批判性思维与深度参与的学习活动，包含认知学习目标，这将鼓励学生在人机互动中进行反思、分析、总结等，表现出高层次认知参与（Anderson et al.，2001）。第二，教师通过提供明确的指导与结构化支持，例如任务分解、问题解决框架和即时反馈，能够促进GAI人机协同中学生的深度学习发生（Kay et al.，2011）。同时，教师应当创建促进学生之间互动交流协作的环境，利用群体智慧促进高认知人机协同（Webb，2009）。
2.以提问为中心促进人机协同对话式学习
本研究结果表明，提问是GAI人机协同学习中的关键行为，并与其他认知参与行为紧密相连。学习小组向ChatGPT的提问建立在群体的思维碰撞之上，是思维技能、创新意识在群体交流中的体现。在与GAI协同学习时，学生的提问能力并非只源自提问的技巧，而是思维能力与创新能力的综合体现，需要思维的“升维”（顾小清等，2023）。
因此，培养学生提出问题的能力重点在于两方面：一是具体提问技巧的提升。好的提问技巧有助于学生获得GAI的高质量响应。例如经过预先设计的教育提示语模板可以帮助学生建立向人工智能提问的思维框架，促进高意识学习的发生（赵晓伟等，2024）。二是思维技能与创新能力的提升。向GAI提问的能力是一种综合能力，提高提问能力的根本在于学生高阶思维能力的培养。
3.优化日常学习任务设计
在本研究中，学习小组人机协同完成学习任务时既无教师干预，也无预设的学习路径，一定程度上代表了高校环境中学习者对GAI的日常使用场景。李艳等人（2024）的调查研究结果显示，浙江大学七成大学生使用GAI，而科研活动与课程学习是最常见的使用场景。本研究结果表明，学习者有能力在使用GAI完成课程任务时发挥主体性，但这取决于学习任务的设计。一方面，GAI可以为学生迅速提供相关信息与新的思考视角；另一方面，它也可以为一些已有类似解决方案的问题直接提供答案。这对高校教师提出了新的挑战，需要重新审思学习任务设计的重心与师生的角色（王佑镁等，2023）。
在日常教学中，教师应当考虑到学生借助ChatGPT等GAI工具完成学习任务的情况。因此，学习任务的核心目标不应止步于机械的知识学习，还应注重学生的思维能力与创新能力培养。同时，教师还应在日常教学中注意培养学生的元认知能力，这可以让学生意识到自己的学习过程，反思GAI提供的信息，并在必要时修正自己的学习路径，最终帮助学生形成独立思考与终身学习的能力（Schraw et al.，1995）。
五、结语
本研究基于认知建模结果，分析了学习小组在GAI支持下的人机协同互动模式，为如何提升GAI人机协同学习效果提供了理论支撑。然而，研究结果仍有待进一步验证与完善。首先，本研究样本量较小，且实验课程相对局限，未来的研究可以扩大样本规模，并在更多样化的课程中进行实验，确保人机协同小组互动模式的普遍性和适用性。其次，研究选用了ChatGPT3.5模型，随着GAI技术的迅速发展，新的模型版本和其他大语言模型的出现可能会对人机协同小组的互动模式产生影响，因此基于本研究发现的互动模式可能需要根据不同模型的特性进行调整和拓展。本研究为人机协同学习中的小组互动模式提供了初步的理论基础，后续研究应当在更广泛的GAI模型和多样化的学习情境中深入验证，进一步形成相关理论框架。
参考文献：
[1]陈静远,胡丽雅,吴飞(2023).ChatGPT/生成式人工智能促进以知识点为核心的教学模式变革研究[J].华东师范大学学报(教育科学版),41(7):177-186.
[2]戴岭,胡姣,祝智庭(2023a).ChatGPT赋能教育数字化转型的新方略[J].开放教育研究,29(4):41-48.
[3]戴岭,祝智庭(2023b).教育数字化转型的逻辑起点、目标指向和行动路径[J].中国教育学刊,(7):14-20.
[4]戴岭,赵晓伟,祝智庭(2023c).智慧问学:基于ChatGPT的对话式学习新模式[J].开放教育研究,29(6):42-51,111.
[5]方海光,孔新梅,李海芸等(2022).人工智能时代的人机协同教育理论研究[J].现代教育技术,32(7):5-13.
[6]顾小清,胡艺龄,郝祥军(2023).AGI临近了吗:ChatGPT热潮之下再看人工智能与未来教育发展[J].华东师范大学学报(教育科学版),41(7):117-130.
[7]郭炯,郝建江(2019).人工智能环境下的学习发生机制[J].现代远程教育研究,31(5):32-38.
[8]郝祥军,顾小清,张天琦等(2022).人机协同学习:实践模式与发展路向[J].开放教育研究,28(4):31-41.
[9]何文涛,路璐,周跃良等(2023).智能时代人机协同学习的本质特征与一般过程[J].中国远程教育,43(3):12-20.
[10]李海峰,王炜(2023).人机协同深度探究性教学模式——以基于ChatGPT和QQ开发的人机协同探究性学习系统为例[J].开放教育研究,29(6):69-81.
[11]黎琼锋,何洪(2009).对话,不仅仅是对话——教学中的对话及其价值意蕴[J].全球教育展望,38(10):21-25.
[12]李艳,许洁,贾程媛等(2024).大学生生成式人工智能应用现状与思考——基于浙江大学的调查[J].开放教育研究,30(1):89-98.
[13]刘邦奇,聂小林,王士进等(2024).生成式人工智能与未来教育形态重塑:技术框架、能力特征及应用趋势[J].电化教育研究,45(1):13-20.
[14]刘应亮,刘胜蓝,杨进才(2022).社会文化活动理论视域下人机协同教学及应用探索——以iWrite协同英语写作教学为例[J].中国电化教育,(11):108-116.
[15]王佑镁,王旦,梁炜怡等(2023).ChatGPT教育应用的伦理风险与规避进路[J].开放教育研究,29(2):26-35.
[16]吴忭,李凤鸣,胡艺龄(2024).生成式人工智能赋能本科生科研能力培养——ChatGPT支持的CUREs教学模式[J].现代远程教育研究,36(3):3-10,28.
[17]吴砥,李环,陈旭(2023).人工智能通用大模型教育应用影响探析[J].开放教育研究,29(2):19-25,45.
[18]杨现民,王怀波,李冀红(2016).滞后序列分析法在学习行为分析中的应用[J].中国电化教育,(2):17-23.32.
[19]张黎,周霖,赵磊磊(2023).生成式人工智能教育应用风险及其规避——基于教育主体性视角[J].开放教育研究,29(5):47-53.
[20]赵晓伟,戴岭,沈书生等(2024).促进高意识学习的教育提示语设计[J].开放教育研究,30(1):44-54.
[21]祝智庭,戴岭,胡姣(2023).高意识生成式学习:AIGC技术赋能的学习范式创新[J].电化教育研究,44(6):5-14.
[22]Anderson, L. W., & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives: Complete Edition[M]. Massachusetts: Addison Wesley Longman:63-65.
[23]Atchley, P., Pannell, H., & Wofford, K. et al. (2024). Human and AI Collaboration in the Higher Education Environment: Opportunities and Concerns[J]. Cognitive Research: Principles and Implications, 9(20):1-11.
[24]Baker, R. S. (2016). Stupid Tutoring Systems, Intelligent Humans[J]. International Journal of Artificial Intelligence in Education, 26(2):600-614.
[25]Chi, M. T. H. (2009). Active-Constructive-Interactive: A Conceptual Framework for Differentiating Learning Activities[J]. Topics in Cognitive Science, 1(1):73-105.
[26]Hollnagel, E., & Woods, D. D. (2005). Joint Cognitive Systems: Foundations of Cognitive Systems Engineering[M]. Boca Raton: CRC Press:13-15.
[27]Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education Promises and Implications for Teaching and Learning[M]. Boston, MA: Center for Curriculum Redesign:102-114.
[28]Kalyuga, S. (2008). Managing Cognitive Load in Adaptive Multimedia Learning[M]. Hershey, PA: IGI Global:17-19.
[29]Kaptelinin, V. (1996). Distribution of Cognition Between Minds and Artifacts: Augmentation of Mediation?[J]. AI & Society, (10):15-25.
[30]Kay, R., & Lauricella, S. (2011). Exploring the Benefits and Challenges of Using Laptop Computers in Higher Education Classrooms: A Formative Analysis[J]. Canadian Journal of Learning and Technology, 37(1):1-18.
[31]Kononowicz, A. A., Woodham, L. A., & Edelbring, S. et al. (2019). Virtual Patient Simulations in Health Professions Education: Systematic Review and Meta-Analysis by the Digital Health Education Collaboration[EB/OL]. [2024-06-24]. https://www./2019/7/e14676
[32]Lo, C. K. (2023). What Is the Impact of ChatGPT on Education? A Rapid Review of the Literature[J]. Education Sciences, 13(4):410-425.
[33]Osborne, R. J., & Wittrock, M. C. (1983). Learning Science: A Generative Process[J]. Science Education, 67(4):489-508.
[34]Pane, J. F., Griffin, B. A., & McCaffrey, D. F. et al. (2014). Effectiveness of Cognitive Tutor Algebra at Scale[J]. Educational Evaluation and Policy Analysis, 36(2):127-144.
[35]Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A Model for Types and Levels of Human Interaction with Automation[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 30(3):286-297.
[36]Schraw, G., & Moshman, D. (1995). Metacognitive Theories[J]. Educational Psychology Review, (7):351-371.
[37]Shaffer, D. W. (2004). Pedagogical Praxis: The Professions as Models for Postindustrial Education[J]. Teachers College Record, 106(7):1401-1421.
[38]Smith, J. B. (1994). Collective Intelligence in Computer-Based Collaboration[M]. Boca Raton: CRC Press:4-6.
[39]Tan, S. C., Chen, W., & Chua, B. L. (2023). Leveraging Generative Artificial Intelligence Based on Large Language Models for Collaborative Learning[J]. Learning: Research and Practice, 9(2):125-134.
[40]Tang, Y., & Hew, K. F. (2022). Effects of Using Mobile Instant Messaging on Student Behavioral, Emotional, and Cognitive Engagement: A Quasi-Experimental Study[J]. International Journal of Educational Technology in Higher Education, 19(1):3-22.
[41]Vasconcelos, M. A. R., & Santos, R. P. D. (2023). Enhancing STEM Learning with ChatGPT and Bing Chat as Objects to Think with: A Case Study[J/OL]. [2024-06-24]. https:///10.29333/ejmste/12996.
[42]Wang, Z., Chen, L., & Anderson, T. (2014). A Framework for Interaction and Cognitive Engagement in Connectivist Learning Contexts[J]. International Review of Research in Open and Distributed Learning, 15(2):121-141.
[43]Webb, N. M. (2009). The Teacher’s Role in Promoting Collaborative Dialogue in the Classroom[J]. British Journal of Educational Psychology, 79(1):1-28.
[44]Wilson, H. J., & Daugherty, P. R. (2018). Collaborative Intelligence: Humans and AI Are Joining Forces[J]. Harvard Business Review, 96(4):114-123.
[45]Zhu, G., Fan, X., & Hou, C. et al. (2023). Embrace Opportunities and Face Challenges: Using ChatGPT in Undergraduate Students’ Collaborative Interdisciplinary Learning[J/OL]. [2024-06-24]. http:///abs/2305.18616.