關(guān)注“在線學(xué)習(xí)”

獲取更多資訊！

刊載信息

季瑜，楊雅，李文鋒，季順鑫，& 詹澤慧.(2026).從混沌到有序：面向問題解決的人機協(xié)作知識建構(gòu)研究. 中國遠程教育(1),103-124.

從混沌到有序：面向問題解決的人機協(xié)作知識建構(gòu)研究
季瑜, 楊雅, 李文鋒, 季順鑫, 詹澤慧

【摘要】生成式人工智能（Generative Artificial Intelligence，GenAI）以“類主體”形式嵌入學(xué)習(xí)者群體網(wǎng)絡(luò)后，其如何改變知識建構(gòu)的社會性過程缺乏系統(tǒng)探討。本研究構(gòu)建了面向問題解決的人機協(xié)作知識建構(gòu)模型，并基于此開展了一項為期8周的教學(xué)實驗。作為樣本的21名大二學(xué)生分為4個小組參與實驗，通過在群聊環(huán)境中接入ChatGPT開展人機對話，以輔助完成產(chǎn)品的設(shè)計與開發(fā)?；趯换?shù)據(jù)的分析，本研究發(fā)現(xiàn)：1）人機交互呈現(xiàn)單輪問答型、多輪追問型、單點輻射型、并列交叉型、散點聚合型和接力問答型六種基礎(chǔ)類型；2）認知網(wǎng)絡(luò)分析表明，“問”反映的思維水平隨對話的深入由低階向高階發(fā)展，而“答”主要提供事實性和概念性知識，二者存在認知層級錯位；3）滯后序列分析顯示，在“知識—思維”認知結(jié)構(gòu)的驅(qū)動下，認知行為、社會行為以及元認知行為間的動態(tài)躍遷能夠促進高水平的知識建構(gòu)。由此表明，在協(xié)作學(xué)習(xí)場景中通過協(xié)調(diào)“人—技”雙重關(guān)系，可實現(xiàn)知識建構(gòu)從混沌狀態(tài)向有序狀態(tài)的轉(zhuǎn)變。

【關(guān)鍵詞】生成式人工智能; 人機協(xié)作知識建構(gòu); 問題解決; 認知網(wǎng)絡(luò)分析; 滯后序列分析

一、

引言

自人類文明誕生之日起，技術(shù)向人類提供了理解問題的邏輯框架，成為人類確證“存在”的一部分。隨著技術(shù)的智能性增強，以ChatGPT為代表的生成式人工智能（Generative Artificial Intelligence，GenAI）以概念化世界的方式提取人類全部知識，表現(xiàn)出不弱于人類的問題解決能力（季瑜 等, 2024）。個體通過高質(zhì)量的人機交互獲取知識并應(yīng)用知識解決復(fù)雜問題。知識建構(gòu)被視為社會性、互動性的過程，屬于發(fā)生在“我—他”間的交互。GenAI能力的泛化使知識的社會性建構(gòu)逐漸從“人—人”向“人—機”轉(zhuǎn)變，呈現(xiàn)出高度動態(tài)性、復(fù)雜性和生成性（Wu et al., 2024）。然而，學(xué)習(xí)者在與GenAI的交互中可能出現(xiàn)觀點零散、邏輯跳躍和認知割裂等現(xiàn)象，導(dǎo)致問題解決過程缺乏清晰的結(jié)構(gòu)和方向。這種“混沌狀態(tài)”不僅增加了學(xué)習(xí)者的認知負荷，也削弱了人機協(xié)作在知識建構(gòu)中的有效性（Li et al., 2024）。語言互動的質(zhì)量——以提問、解釋和反饋為標(biāo)志——顯著地影響了認知加工和協(xié)作結(jié)果（吳秀圓 & 鄭旭東, 2017）?；煦缍闵⒌男畔⑷绾卧凇叭藱C社群”中通過問答交互轉(zhuǎn)化為有序、系統(tǒng)的認知結(jié)構(gòu)？這一問題仍有待深入探討。作為一個心理過程，知識構(gòu)建并不能被直接觀察到，但通過話語分析可以表征群體知識建構(gòu)活動。鑒于此，本研究嘗試通過質(zhì)性內(nèi)容分析、認知網(wǎng)絡(luò)分析和滯后序列分析，揭示人機協(xié)作知識建構(gòu)的交互類型、認知發(fā)展與行為表征，從“人”“技”視角尋求適宜的教學(xué)策略促進人機群智涌現(xiàn)。

二、

文獻綜述

（一）面向問題解決的知識建構(gòu)

人類歷史上具有里程碑意義的創(chuàng)新主要源于群體協(xié)作（陳麗 & 徐亞倩, 2023）。個體認知激活是協(xié)作問題解決的基礎(chǔ)。學(xué)習(xí)者通過提取先驗知識參與對話，重構(gòu)知識的組織模式，這將直接影響群體認知資源的豐富度（Chen et al., 2021）。同時，社會性協(xié)商構(gòu)成了協(xié)作問題解決的核心動力。Stahl（2000）強調(diào)，社會交互過程中異質(zhì)性觀點的涌入、批判性問題的改進以及論證鏈的邏輯性等將顯著促進概念系統(tǒng)的結(jié)構(gòu)性轉(zhuǎn)變。此外，群體智慧的生成標(biāo)志著認知層級的躍遷。個體基于“認知腳手架”，通過元認知對話引導(dǎo)異質(zhì)性觀點的創(chuàng)造性整合（Cress & Kimmerle, 2023）。然而，傳統(tǒng)知識建構(gòu)中易出現(xiàn)以下問題（季瑜 等, 2024; 魏非 等, 2025）：一是缺乏異質(zhì)觀點，難以觸發(fā)認知沖突與協(xié)商；二是知識碎片化，缺乏深度整合與概念重構(gòu)；三是監(jiān)控機制薄弱，難以動態(tài)調(diào)適認知策略；四是工作記憶超載，抑制高階思維發(fā)展。

GenAI在教育領(lǐng)域的應(yīng)用為知識建構(gòu)提供了新的范式。人機問答式交互的本質(zhì)是一種知識社會性建構(gòu)。GenAI通過持續(xù)的人機雙向反饋解析復(fù)雜語境并輸出個性化知識，利用語義差異化的觀點激活學(xué)習(xí)者的認知網(wǎng)絡(luò)（Li et al., 2025）。它既可模擬專家或?qū)熖峁┳罱l(fā)展區(qū)內(nèi)的認知支架，也可模擬學(xué)伴生成多樣化問題變體（Dwivedi et al., 2023）。當(dāng)前，GenAI正在催生“輔助創(chuàng)造力”新范式，通過拓展創(chuàng)意可能性空間重構(gòu)人機共創(chuàng)的邏輯。已有研究證實GenAI通過提供實時查詢、產(chǎn)生新想法和促進合作等增強學(xué)生創(chuàng)造力（Ji et al., 2025）。然而，人機協(xié)作過程中依然需要警惕學(xué)生的“元認知懶惰”現(xiàn)象，即技術(shù)主導(dǎo)的知識建構(gòu)可能導(dǎo)致認知依賴（季瑜 等, 2025）。因此，有必要提升學(xué)生的AI素養(yǎng)，引導(dǎo)學(xué)生反思社會協(xié)作過程，促進思維的高階轉(zhuǎn)向。

（二）認知網(wǎng)絡(luò)分析和滯后序列分析在知識建構(gòu)中的應(yīng)用

認知網(wǎng)絡(luò)分析（Epistemic Network Analysis，ENA）通過建模認知要素間動態(tài)關(guān)聯(lián)網(wǎng)絡(luò)，揭示群體認知演化規(guī)律與復(fù)雜特征（Shaffer et al., 2016）。有研究提出“認知—調(diào)節(jié)”知識建構(gòu)模型，發(fā)現(xiàn)批判性反饋對認知網(wǎng)絡(luò)重構(gòu)具有催化作用（Dam?a et al., 2010）。還有研究提出信息共享、觀點協(xié)商、調(diào)節(jié)活動、積極溝通四維編碼框架，發(fā)現(xiàn)高、低水平群體在信息共享與觀點協(xié)商維度差異顯著（Zhang et al., 2022）。隨著研究視角轉(zhuǎn)向人機協(xié)作知識建構(gòu)，有研究構(gòu)建人機對話認知網(wǎng)絡(luò)模型（如觀點構(gòu)建、聚焦、挑戰(zhàn)等九類），發(fā)現(xiàn)智能代理的即時反饋可以促進學(xué)習(xí)者的認知重構(gòu)（Chu et al., 2025）。還有研究聚焦學(xué)生向ChatGPT提出的問題，發(fā)現(xiàn)ChatGPT在問題解決過程中承擔(dān)知識供給的作用（季瑜 等, 2024）。可以發(fā)現(xiàn)，在協(xié)作知識建構(gòu)過程中，群體認知網(wǎng)絡(luò)隨著認知沖突的激化逐步轉(zhuǎn)向分布式網(wǎng)狀形態(tài)，但現(xiàn)有研究缺少對人機交互過程中知識與思維的動態(tài)映射進行細粒度的刻畫。

滯后序列分析（Lag Sequential Analysis，LSA）旨在通過識別行為序列的時序關(guān)系來刻畫知識建構(gòu)的動態(tài)過程，但這一方法的前提是具備可操作的行為編碼框架。Gunawardena等（1997）提出的交互分析模型（Interaction Analysis Model， IAM）包括信息共享與比較、矛盾探索、意義協(xié)商、綜合修正與應(yīng)用陳述。這一經(jīng)典模型成為后續(xù)研究的重要參照框架。譬如，有研究基于IAM增加了知識建構(gòu)的無關(guān)行為（Sun et al., 2021），更加貼近真實交互場景。還有研究將知識建構(gòu)行為細化為提問、澄清、闡釋、沖突等，經(jīng)LSA發(fā)現(xiàn)學(xué)生通過澄清與闡釋完成知識內(nèi)化，且反思性獨白多于對話互動（Pena-Shaff & Nicholls, 2004）。郝祥軍等（2019）基于IAM分析混合式學(xué)習(xí)場景中的知識建構(gòu)行為，發(fā)現(xiàn)問題支架能有效引導(dǎo)知識建構(gòu)的方向。此外，還有學(xué)者基于增強現(xiàn)實環(huán)境提出由問題空間、概念空間及二者關(guān)系構(gòu)建的模型，驗證了增強現(xiàn)實可促進學(xué)生的知識建構(gòu)（Lin et al., 2013）。上述編碼框架的應(yīng)用已從傳統(tǒng)課堂拓展至混合式學(xué)習(xí)和增強現(xiàn)實環(huán)境，體現(xiàn)出“行為階段化—認知外顯化—分析精細化”的演進邏輯。但這些框架多聚焦于“人—人”互動，尚未揭示人機協(xié)作知識建構(gòu)的行為表征規(guī)律。

綜上，當(dāng)前研究呈現(xiàn)以下特征：1）分析框架從靜態(tài)維度劃分轉(zhuǎn)向動態(tài)過程建模，但忽略了不同要素間的聯(lián)系；2）研究視角從人際協(xié)作拓展至人機協(xié)同，但缺少適用性的編碼框架；3）缺少從主體間性意義生成角度考察群體互動行為軌跡。認知發(fā)展是行為表征的內(nèi)在基礎(chǔ)，行為表征是認知發(fā)展的外在體現(xiàn)（張立國 等, 2017）。ENA與LSA在方法論層面具有互補性——前者刻畫認知結(jié)構(gòu)的演變，后者揭示行為序列的互動節(jié)奏。本研究將基于“認知—行為”視角解決以下問題：1）如何構(gòu)建面向問題解決的人機協(xié)作知識建構(gòu)模型？2）人機協(xié)作知識建構(gòu)過程中有哪些交互類型？3）人機協(xié)作知識建構(gòu)過程中知識與思維具有何種關(guān)聯(lián)？4）在“知識—思維”認知結(jié)構(gòu)的驅(qū)動下，人機協(xié)作知識建構(gòu)行為如何表征？

三、

研究設(shè)計

（一）研究被試

教學(xué)實驗共8周，有21位不同專業(yè)的大二學(xué)生（2男，19女）參與，并劃分為4個小組。研究者在各小組的微信群中通過設(shè)置編程應(yīng)用接口（Application Program Interface，API）接入ChatGPT，要求各小組通過人機對話輔助產(chǎn)品的設(shè)計與開發(fā)。預(yù)調(diào)查發(fā)現(xiàn)，研究被試對ChatGPT、DeepSeek等的使用技巧依舊欠缺，表現(xiàn)為不會使用Prompt指令、一問一答即對話結(jié)束等。助教在實驗前闡釋了GenAI工具應(yīng)用場景、使用方法及倫理責(zé)任等，并要求各小組成員練習(xí)與ChatGPT對話以加強學(xué)習(xí)效果。

（二）學(xué)習(xí)活動與任務(wù)設(shè)計

技術(shù)與人的互動不是機械的，而是通過人的選擇、參與和反饋，形成一種動態(tài)的共生關(guān)系。ChatGPT通過語言、文字、符號等延伸和拓展人類認知，而人類則通過具身經(jīng)驗實現(xiàn)知識熵的創(chuàng)造性增值。鑒于知識建構(gòu)具有復(fù)雜性、生成性與動態(tài)性等特征，本研究基于珠串模型（詹澤慧 等, 2023）和“HMC-PISC”模型（季瑜 等, 2024），提出人機協(xié)作知識建構(gòu)模型（Human-Machine Collaborative Knowledge Construction Model，HMCKCM），如圖1所示。發(fā)散與收斂思維的交替運用可以激發(fā)群體的創(chuàng)造性潛能；人機通過可解釋性交互重構(gòu)問題空間，實現(xiàn)認知對齊；學(xué)生的認知活動呈現(xiàn)“知識→思維→應(yīng)用”的動態(tài)遞進式演化，由初始的混沌探索逐步走向有序的理解。

圖1 人機協(xié)作知識建構(gòu)模型

1. 問題識別與建構(gòu)

學(xué)生在小組內(nèi)公開個人理解以促進群體想法流轉(zhuǎn)，借助情境化經(jīng)驗感知并理解現(xiàn)象，從而錨定痛點與難點問題。ChatGPT則通過提供相關(guān)信息與概念線索，將學(xué)生感知中的模糊現(xiàn)象轉(zhuǎn)化為結(jié)構(gòu)化問題描述，為后續(xù)概念制品的創(chuàng)建確定可能的方向。

2. 想法生成與重構(gòu)

學(xué)生通過挖掘問題本質(zhì)逐步提出支持性觀點，并在多輪“提問—生成—篩選”的循環(huán)中對觀點可行性進行論證，而后將不同范疇的觀點加以聯(lián)結(jié)與整合。ChatGPT在此過程中不僅對學(xué)生凝練的觀點進行批判性審查，還通過理答交互提供多維度的知識補充與反饋，從而強化論證的深度與廣度。

3. 想法評估與選擇

學(xué)生基于前期涌現(xiàn)的多元觀點，提出多個潛在的問題解決方案。小組通過群體協(xié)商與對話逐步收斂思維，確保問題解決方案的趨同性。ChatGPT通過多模態(tài)評估矩陣對方案進行評估，在群體風(fēng)險識別與價值判斷的基礎(chǔ)上確定最終方案，各小組據(jù)此進一步細化和分解任務(wù)。

4. 創(chuàng)意物化與推廣

學(xué)生使用3D one、Lasermaker等工具構(gòu)建產(chǎn)品原型。ChatGPT通過提供實時反饋、資源推薦及設(shè)計優(yōu)化建議，輔助學(xué)生提升原型制作的效率與質(zhì)量。學(xué)生隨后根據(jù)用戶反饋進行多輪迭代，并利用Midjourney、Runway等GenAI工具生成配圖、演示視頻等，實現(xiàn)產(chǎn)品原型的多維度、多感官呈現(xiàn)與推廣。

（三）編碼框架與編碼過程

1. “知識—思維”認知編碼框架

思維的緣由是遇到了某種困惑或懷疑（郅庭瑾, 2007）。思維是以知識、經(jīng)驗為基礎(chǔ)的對客觀事物的間接反應(yīng)（朱智賢 & 林崇德, 1986, p.12），它源于問題，并因問題而得到持續(xù)不斷的發(fā)展。從問題與知識的映射關(guān)系來看，事實性問題→事實性知識，概念性問題→概念性知識，程序性問題→程序性知識，元認知問題→元認知知識（季瑜 等, 2024）。學(xué)生通過“問”獲取知識，而“問”本身可以反映學(xué)生當(dāng)前思維水平的變化（詹澤慧 等, 2024）。SOLO分類理論可以將思維能力運用映射為建構(gòu)性問題解決過程，個體的思維發(fā)展水平表現(xiàn)為前—零散結(jié)構(gòu)、單點—橫向結(jié)構(gòu)、多點—交叉結(jié)構(gòu)、關(guān)聯(lián)—多向結(jié)構(gòu)以及抽象拓展—綜合結(jié)構(gòu)五個層次水平（詹澤慧 等, 2023）?；诖耍狙芯繕?gòu)建“知識—思維”動態(tài)關(guān)聯(lián)的認知編碼框架（如表1所示），以表征人機協(xié)作知識建構(gòu)的認知效能。

表1 “知識—思維”認知編碼框架

2. 人機協(xié)作知識構(gòu)建行為編碼

知識碎片的疊加并不必然引發(fā)系統(tǒng)性涌現(xiàn)效應(yīng)。在人機社群中各主體間形成高度依賴的互構(gòu)關(guān)系，直接作用于知識建構(gòu)的行為取向。本研究基于IAM（Gunawardena et al., 1997）和問題解決行為模型（Tan et al., 2018），構(gòu)建面向問題解決的人機協(xié)作知識建構(gòu)行為編碼表（如表2所示）。

表2 人機協(xié)作知識構(gòu)建行為編碼表

表2中，認知行為承載著知識加工的核心功能，通過認知負載分配的方式促進知識的流轉(zhuǎn)與構(gòu)建；社會行為通過人機交互重塑群體協(xié)作模式，優(yōu)化成員互動質(zhì)量，實現(xiàn)群體任務(wù)分配；元認知行為是指人機協(xié)同實現(xiàn)對認知活動的監(jiān)控、調(diào)整與優(yōu)化，確保知識建構(gòu)的方向與節(jié)奏。

（四）數(shù)據(jù)采集與數(shù)據(jù)分析

本研究依據(jù)“人—人”以及“人—機”兩種交互方式，共收集3,138條問答數(shù)據(jù)、文本，167,809字。為確保編碼框架的信度，兩份編碼框架的核心維度均源于前期已有的成熟框架，結(jié)合研究情境進行適當(dāng)調(diào)整。而后，本研究邀請5位教育技術(shù)領(lǐng)域的專家對編碼框架與具體條目進行嚴(yán)格審查，以確保編碼框架的內(nèi)容效度和結(jié)構(gòu)穩(wěn)定性。

兩名具有相似經(jīng)驗的研究人員依據(jù)編碼框架對隨機抽取的30%的問答數(shù)據(jù)進行獨立編碼。比對兩份編碼的結(jié)果顯示：在“知識—思維”認知編碼框架下，Cohen’s Kappa值為0.95，表明編碼員間一致性極高，為后續(xù)認知網(wǎng)絡(luò)分析（ENA）奠定堅實基礎(chǔ)；在人機協(xié)作知識建構(gòu)行為編碼框架下，Cohen’s Kappa值為0.82，顯示該編碼體系具有較高一致性，可為后續(xù)滯后序列分析（LSA）提供可靠支持。對于編碼中不一致之處，兩位研究人員經(jīng)討論協(xié)商后最終達成一致。

實驗后，本研究邀請三位專家從新穎性、原創(chuàng)性和流暢性三個維度對概念制品（教具）所反映的團隊創(chuàng)造力評分。獨立樣本t檢驗顯示，第一、二組和第三、四組在產(chǎn)品評分上的差異具有統(tǒng)計學(xué)意義（p＜0.05），故研究者將其分別歸為高水平組（HG）和低水平組（LG）。而后，本研究分別將認知編碼數(shù)據(jù)和行為編碼數(shù)據(jù)導(dǎo)入ENA-web和GSEQ 5.1，解析“知識—思維”結(jié)構(gòu)的演化關(guān)系和人機協(xié)作知識建構(gòu)行為的特征。

四、

研究結(jié)果

（一）人機問答式交互類型

觀點持續(xù)而充分的交互是群體知識涌現(xiàn)的前提，當(dāng)學(xué)生清晰地表達與問題解決相關(guān)的知識時，將會產(chǎn)生更大范圍的遷移和聯(lián)結(jié)（胡金艷 等, 2024）。本研究基于微信群人機對話記錄，采用質(zhì)性內(nèi)容分析方法識別人機問答式交互類型。首先，將對話拆分為“問題—回應(yīng)”輪次單元，而后對每條記錄進行初步開放式編碼，標(biāo)注其功能與特點。隨后，研究者通過歸納和比較，將具有相似功能和交互模式的編碼合并，演繹出六種典型人機問答式交互類型（如圖2所示）。其中，單輪問答型與多輪追問型強調(diào)學(xué)生與ChatGPT的一對一交互，單點輻射型、并列交叉型、散點聚合型、接力問答型強調(diào)多個學(xué)習(xí)者與ChatGPT非線性、多層次的交互。表3展示了每一交互類型下知識與思維的具體數(shù)量。

圖2 人機問答式交互類型

注：淺灰色圓表示對話發(fā)起者，深灰色圓表示信息接收者，黑色方塊表示ChatGPT。

表3 不同交互類型下知識與思維的數(shù)量

單輪問答型如圖2（a）所示。學(xué)習(xí)者為解決一個特定的知識需求或疑問，與ChatGPT或小組成員進行一次性、直接性的交互。學(xué)生通過信息檢索刺激先前知識經(jīng)驗，并借助ChatGPT的反饋驗證某些觀點，知識類型以Fa與Co居多，問題反映出學(xué)生的思維處于Pt和Un。

多輪追問型如圖2（b）所示。學(xué)習(xí)者與ChatGPT進行多階段、遞進式的對話，通過不斷擴展和深化初始問題，逐步實現(xiàn)對復(fù)雜問題的全面理解。問題一般源自個體對初始概念的理解，并隨著對話的遞進轉(zhuǎn)向“怎么做”及“如何做得更好”。因此，各類知識要素均有涉及，思維水平逐漸轉(zhuǎn)向Mu、Re和Ex。

單點輻射型如圖2（c）所示。這是由一名學(xué)習(xí)者發(fā)起、多名學(xué)習(xí)者在同一時空圍繞核心問題與ChatGPT進行多角度、多層次的知識問答，實現(xiàn)觀點的一致性理解與構(gòu)造。此交互類型涉及不同的知識元素，思維水平也呈現(xiàn)均衡發(fā)展。

并列交叉型如圖2（d）所示。多個獨立學(xué)習(xí)者圍繞不同的問題在同一時間與ChatGPT交互，不同問題間逐漸顯現(xiàn)出內(nèi)在聯(lián)系，實現(xiàn)問題的趨同。盡管知識類型以Fa與Co為主，但是思維處于高階水平（如Mu、Re和Ex），表明問題具有一定的深度和廣度。

散點聚合型如圖2（e）所示。多名學(xué)習(xí)者通過頭腦風(fēng)暴確定幾個關(guān)鍵問題后，由一名代表與ChatGPT進行多輪對話，其他學(xué)習(xí)者作為觀察者參與整個過程，負責(zé)篩選和整理可利用的創(chuàng)意點。知識類型以Co、Pr和Me為主，思維水平也均有體現(xiàn)。

接力問答型如圖2（f）所示。小組內(nèi)部按照預(yù)定的順序（如學(xué)號、座位號等），由下一位同學(xué)基于上一位同學(xué)與ChatGPT的互動，接力問答、發(fā)散觀點。這可以有效減少學(xué)生搭便車的存在，并平衡群體成員之間的協(xié)作水平。知識以Fa和Me為主，思維處于Pt和Un。

（二）認知發(fā)展

本研究將高、低水平組的問答式交互數(shù)據(jù)分別導(dǎo)入ENA-web，發(fā)現(xiàn)兩組的認知結(jié)構(gòu)存在顯著性差異（p＜0.05），適宜通過ENA探究知識與思維的關(guān)系。

1. 高、低水平組“知識—思維”認知網(wǎng)絡(luò)特征

表4展示了HG與LG的認知網(wǎng)絡(luò)結(jié)構(gòu)及其疊減圖。從整體布局來看，知識節(jié)點聚合于x軸上方，而思維節(jié)點則分散在x軸下方。兩組的認知網(wǎng)絡(luò)結(jié)構(gòu)顯示，Co節(jié)點作為網(wǎng)絡(luò)聯(lián)通的橋梁，串聯(lián)各類知識與思維，構(gòu)成多個嵌套的三角形。這表明學(xué)生通過與ChatGPT對話不斷修正群體思維，形成了以概念理解為中心的問題加工方式，建構(gòu)起具有邏輯性和層次感的知識結(jié)構(gòu)。

表4 高、低水平組“知識—思維”認知網(wǎng)絡(luò)結(jié)構(gòu)

從認知網(wǎng)絡(luò)結(jié)構(gòu)圖中的節(jié)點大小及其連線來看，HG與LG具有相似的形狀結(jié)構(gòu)，其共性點有三。其一，在知識節(jié)點方面，F(xiàn)a和Co的節(jié)點規(guī)模最大，表明這兩類知識是問題解決的基礎(chǔ)。Fa使學(xué)生的前經(jīng)驗與現(xiàn)結(jié)構(gòu)在意會交互中結(jié)合，Co幫助學(xué)生構(gòu)建起對事物的直觀理解和認知。其二，在思維節(jié)點方面，Re、Mu與Un的節(jié)點規(guī)模最大，其中Re反映出學(xué)生通過問答實現(xiàn)不同知識點間的深層聯(lián)系，Un和Mu則反映出學(xué)生通過有限的經(jīng)驗理解復(fù)雜問題，并通過甄別篩選信息將孤立的知識點縱向連接起來。其三，在連線結(jié)構(gòu)上，“問”所反映出的五類思維水平與四類知識均有連線，說明人機問答式交互有助于小組獲取不同類別的知識并促進思維由低向高的循序轉(zhuǎn)化。其差異點亦有三。其一，在知識節(jié)點方面，Pr的節(jié)點規(guī)模表現(xiàn)為HG＞LG，而Me的節(jié)點規(guī)模則為HG＜LG。這表明HG聚焦于與機器交互獲取Pr，從而熟練地運用流程、方法等解決問題，而LG更加關(guān)注Me，試圖通過持續(xù)反思以優(yōu)化協(xié)作問題解決的路徑。其二，在思維節(jié)點方面，HG的五類思維水平上的節(jié)點規(guī)模均顯著大于LG，表明HG能夠提出“好問題”，以確保機器輸出信息的精確性和匹配度。其三，在連線結(jié)構(gòu)上，Ex與其他知識與思維節(jié)點的連線在HG中更加復(fù)雜和緊密，反映出學(xué)生通過高度抽象和演繹歸納的方法，構(gòu)建出更加復(fù)雜和全面的認知體系。此外，認知疊減圖也反映出，LG居y軸左側(cè)，構(gòu)成Co、Me和Re連接的三角形，HG居y軸右側(cè)，節(jié)點間連線豐富且多樣，表明LG在處理具體任務(wù)和構(gòu)建連貫知識結(jié)構(gòu)方面較為困難。

2. 高、低水平組“知識—思維”四階段的認知網(wǎng)絡(luò)特征

本研究以人機協(xié)作知識建構(gòu)的四個階段為分析單元，繪制HG與LG的認知網(wǎng)絡(luò)結(jié)構(gòu)及其疊減圖（如表5所示）。按照知識建構(gòu)歷時性來看，HG與LG從階段1到3的認知網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度和連接強度逐漸增加，Co和Fa逐漸減小，Pr和Me逐漸增大，Mu、Re與Ex逐漸增大，而Pt和Un卻逐漸變小。這表明“問”所反映的思維水平由具體到抽象，且ChatGPT呈現(xiàn)給學(xué)生的知識容量及其抽象程度也在遞增。有趣的是，HG與LG在階段4的認知結(jié)構(gòu)呈現(xiàn)斷崖式簡化，節(jié)點間的連線和交互度顯著下降。

表5 高、低水平組“知識—思維”四階段的認知網(wǎng)絡(luò)結(jié)構(gòu)

在階段1，HG與LG的知識節(jié)點以Fa和Co為主，表明學(xué)生依賴與ChatGPT交互獲取具體事實和概念去解析復(fù)雜的現(xiàn)象，這是構(gòu)建高級認知結(jié)構(gòu)的基礎(chǔ)。Pt和Un較為突出，反映學(xué)生面對復(fù)雜問題處于混沌狀態(tài)，對于知識的運用并不成熟。HG傾向通過多輪追問去激活先驗知識，在ChatGPT的引導(dǎo)下明確自己要做什么，故“問”所反映的思維節(jié)點Pt比LG的更大。而LG的知識節(jié)點Fa和Pr比HG的更小，表明學(xué)生還未找準(zhǔn)問題的痛點和難點。

在階段2，HG與LG的知識節(jié)點大小均是Co＞Fa＞Pr＞Me，其中Co和Fa依舊占據(jù)核心地位，思維節(jié)點以Un、Mu和Re最大，但Un和Pt相較于階段1逐漸變小，而Re明顯變大。這表明兩組學(xué)生不斷嘗試將多個知識點縱向關(guān)聯(lián)，思維水平逐漸復(fù)雜和抽象。他們從混沌的認知結(jié)構(gòu)中逐步厘清層次、梳理脈絡(luò)，實現(xiàn)對問題本質(zhì)的多角度理解。HG的Mu明顯變大，F(xiàn)a、Co與Mu的連線，以及Un與Mu的連線增粗，說明學(xué)生開始批判性地看待不同要素之間與背后的關(guān)聯(lián)和邏輯關(guān)系。有趣的是，LG的Mu變小，F(xiàn)a和Pr變大，這表明LG的學(xué)生依舊在激活先驗知識結(jié)構(gòu)，具有一定的滯后性。

在階段3，HG與LG的知識節(jié)點仍以Co為主，F(xiàn)a相較于前一階段減小，而Pr和Me則變大。這一變化表明，學(xué)生更側(cè)重于對自身認知過程的反思與理解，并更加關(guān)注“如何做得更好”。思維節(jié)點Un、Mu和Re依舊最大并占據(jù)核心位置，Ex相較于上一階段顯著增大并與多個知識和思維節(jié)點相關(guān)聯(lián)。這說明學(xué)生通過反向操作和反饋機制，在多個知識點之間建立了深層聯(lián)系，逐步建構(gòu)起較為有序的認知結(jié)構(gòu)。HG的每一類知識與四類思維（除Pt）均有復(fù)雜且密切的連線，且連線更粗；而LG以Co為中心發(fā)散連接于Re、Mu和Un，這表明問題的深度和廣度不足，無法引導(dǎo)ChatGPT供給更多類型的知識。

在階段4，HG與LG的知識節(jié)點依舊是以Co和Fa為主，但知識與思維節(jié)點間的關(guān)聯(lián)明顯減弱。這種減弱并不意味著學(xué)生的問題解決受到阻礙，反而說明學(xué)生的認知結(jié)構(gòu)已由初期的混沌狀態(tài)轉(zhuǎn)化為穩(wěn)定的形態(tài)。此時，學(xué)生將更多注意力集中在原型產(chǎn)品的制作上，從而減少了與ChatGPT的交互頻率。在HG中，Co和Fa節(jié)點增大，Me節(jié)點減小，說明學(xué)生已形成穩(wěn)定的知識結(jié)構(gòu)；Pt相較上一階段增大，表明學(xué)生通過單輪問答型對話實現(xiàn)對某些觀點和信息的驗證。值得注意的是，LG的Co與Un之間呈現(xiàn)一字型，且線條極粗，這表明學(xué)生的問題較單一，依舊陷于同義反復(fù)，僅聚焦概念的理解。

（三）行為表征

本研究通過LSA評估高、低水平組在人機協(xié)作知識建構(gòu)過程中的行為表征。若行為之間轉(zhuǎn)換的調(diào)整殘差超過1.96，則可認為是顯著的（Wang et al., 2020）。圖3（a）和圖3（b）展示了各組的行為轉(zhuǎn)換序列圖，內(nèi)層為元認知行為，中層為社會行為，外層為認知行為。HG與LG具有相同的行為轉(zhuǎn)換序列。QPG→PCE，PCE→QPG，表明問答行為是人機協(xié)作知識建構(gòu)的基礎(chǔ)。ESM→ESM，表明人機協(xié)作知識建構(gòu)具有社會屬性，群體成員與機器之間通過情感支持與激勵維持團隊的運行。MSR→PGS（CTA），表明小組在監(jiān)督與自我調(diào)節(jié)后，會重新設(shè)定計劃與目標(biāo)，以及通過消解群體分歧或沖突達成目標(biāo)一致性。

圖3 知識建構(gòu)行為轉(zhuǎn)換序列

HG顯著的行為序列具有以下特征。一是三個圈層行為之間動態(tài)躍遷，如(ISU)→QPG→PCE→QPG→CEI→ISU→(CTA)→(MSR)→(CTA)→PGS→DCR（括號內(nèi)的行為可省略）等多個層級行為序列。這表明學(xué)生通過構(gòu)建認知行為會邁向社會行為與元認知行為，因為社會性交互與元認知調(diào)控能促進問題的表征與解決。二是認知行為由低到高轉(zhuǎn)化（ISU→QPG→PCE→KIC；QPG→PCE→QPG →CEI→ISU→QPG→KIC），其中CEI與KIC為高階認知行為，發(fā)生頻率較高，表明學(xué)生通過多輪對話建立起知識間的跨范疇聯(lián)結(jié)。LG顯著的行為序列中：KIC→KIC，結(jié)合聊天記錄發(fā)現(xiàn)KIC主要發(fā)生在“人—人”之間，表現(xiàn)出對ChatGPT的不信任；KIC（ESM）→ESM，表明高階知識建構(gòu)行為的發(fā)生更需要情感支持與激勵；CTA→CTA，學(xué)生反復(fù)明確自身的任務(wù)以確保順利推進，但這種做法反而會降低團隊穩(wěn)定性；DCR→DCR，解決群體認知沖突成為LG的主要任務(wù)；CEI→MSR→PGS，人機協(xié)同改進方案后需要再次確定問題解決的進度并調(diào)整問題解決的方式，進而重新設(shè)定任務(wù)與目標(biāo)；DCR→PGS→MSR→CTA，表明LG更傾向于重新定位目標(biāo)和規(guī)劃，通過自我監(jiān)督與調(diào)控確保進度，并實現(xiàn)沖突的消解以及任務(wù)的再次分配；QPG→PCE→RCI，學(xué)生在人機問答式交互后會對機器呈現(xiàn)的信息或方案進行批判性反思與改進。

五、

研究討論與建議

（一）研究討論

1. 人機協(xié)作知識建構(gòu)模型的反思

結(jié)合教學(xué)實踐與數(shù)據(jù)分析結(jié)果，本研究對人機協(xié)作知識建構(gòu)模型進行了反思和細化。在問題識別與建構(gòu)階段，若學(xué)生的理解停留于直覺性陳述，則難以形成群體信息共享。教師應(yīng)通過大量的案例與支架引導(dǎo)學(xué)生對于事實性知識和概念性知識的理解，并強調(diào)問題本質(zhì)的界定需依靠小組協(xié)商而非機器輸出。在想法生成與重構(gòu)階段，觀點的多樣性和沖突是知識深化的前提。然而，ChatGPT的輸出基于概率生成，可能導(dǎo)致冗余與趨同，故觀點的涌現(xiàn)依賴于群體成員在同一時空通過單點輻射型、并列交叉型、散點聚合型等交互方式對既有觀點反復(fù)進行論證。在想法評估與選擇階段，ChatGPT能基于知識庫提供方案的合理性診斷，但其評估缺乏創(chuàng)造性與批判性。因此，方案的優(yōu)化需要依賴學(xué)生的多渠道驗證與協(xié)商，同時階段性匯報與外部反饋對于防止“邊緣性參與”具有重要價值。在創(chuàng)意物化與推廣階段，學(xué)生的知識體系逐步成形，其對ChatGPT的依賴性顯著下降，重心轉(zhuǎn)向“如何做出來”和“如何做得更好”。此時教師與助教的反饋對產(chǎn)品迭代至關(guān)重要，而真正的創(chuàng)新仍需人類的判斷?？紤]到不同專業(yè)學(xué)生在原型開發(fā)與推廣上的時間與資源限制，實踐中應(yīng)適當(dāng)延長開發(fā)周期，以平衡產(chǎn)品質(zhì)量與協(xié)作效率。

2. 人機問答式交互類型是群體知識建構(gòu)的基礎(chǔ)

聯(lián)通主義強調(diào)，“管道”比“管道”中的內(nèi)容更重要（Siemens, 2005; 田浩 等, 2020）。當(dāng)學(xué)生通過問答式交互獲取構(gòu)造之物（即知識），便會借助“管道”將構(gòu)造物進行推演、聯(lián)系與抽象化。在問答式交互過程中，學(xué)生構(gòu)造知識存在兩種取向。一種是機器的觀點至上，學(xué)生遵從ChatGPT對于問題的理解與分析，但這類知識對于學(xué)生而言是外在的，體現(xiàn)在單輪問答型和接力問答型，以獲取Fa、Co、Pr為主，思維水平較低；另一種是批判性地看待機器的觀點，學(xué)生對于ChatGPT提供的基于概率組合的知識表現(xiàn)出不信任或質(zhì)疑，此時個體會結(jié)束對話尋求其他途徑獲取Pr和Me，或者通過多輪對話（如多輪追問型、并列交叉型等）實現(xiàn)知識的批判性理解。需要強調(diào)的是，這六種交互類型均涉及Fa和Co，這些知識有助于激活學(xué)生先前的知識與經(jīng)驗。

在混沌初期，學(xué)生通過事實性問題和概念性問題建立起對事物的認識，但問題的表述往往零散、跳躍，通過與ChatGPT交互逐步轉(zhuǎn)化為結(jié)構(gòu)化的問題描述（季瑜 等, 2024）。多輪問答的起始問題一般是事實性問題或概念性問題，由此不斷發(fā)散和聯(lián)系，聚焦怎么做以及如何做得更好。另外，問答式交互類型表現(xiàn)最為突出的是多輪追問型，這種持續(xù)性的單人單機交互表現(xiàn)出更高的傳遞性，個人的思維水平隨著問答式交互的過程而不斷延展和深化。而多人單機的持續(xù)交互以單點輻射型、并列交叉型、散點聚合型為主，這些交互類型同樣具有較高的傳遞性，使想法和觀點在人機社群中快速發(fā)散和收斂，但這對個人時間與空間的要求較高。傳遞性高的網(wǎng)絡(luò)結(jié)構(gòu)更容易實現(xiàn)知識的快速傳遞，且能提高人機社交網(wǎng)絡(luò)的凝聚性（徐亞倩 & 陳麗, 2024）。

3. “知識—思維”可以表征問題解決的有效性

從人機協(xié)作知識建構(gòu)的階段來看，小組成員在階段1獲取的知識點和思維路徑呈現(xiàn)零散分布、缺乏體系化特征（混沌）；而由階段2到階段3，學(xué)生通過多輪人機對話不斷實現(xiàn)觀點聯(lián)結(jié)與整合，其認知結(jié)構(gòu)逐漸走向有序，表現(xiàn)為知識與思維間的連線愈發(fā)緊密和粗壯；進入階段4后，知識與思維節(jié)點間的復(fù)雜連接斷層。這一現(xiàn)象并不意味著學(xué)生的認知受阻，而是表明其在前期已形成較為系統(tǒng)化的知識結(jié)構(gòu)，此時人機對話更多用于回憶遺忘的知識或驗證不確定的信息。與預(yù)期不同的是，隨著問題解決進程的推進，本應(yīng)顯著減小的Fa與Co節(jié)點依然占據(jù)主導(dǎo)，而Pr和Me節(jié)點的增幅有限。ChatGPT為了降低響應(yīng)的容錯率，會“沿著主流軌道”給出中規(guī)中矩的答案（Alrishan, 2023）。雖然“問”反映出較高的思維水平，但ChatGPT的回應(yīng)依舊聚焦于Fa與Co。值得注意的是，當(dāng)ChatGPT作為“認知擾動者”提出反常識觀點時，群體認知網(wǎng)絡(luò)會出現(xiàn)新的次級聚類，節(jié)點間的關(guān)聯(lián)度與強度可能被重構(gòu)。

HG與LG在整體上均遵循了由基礎(chǔ)知識積累逐步向高階認知結(jié)構(gòu)演進的共同軌跡，但兩者在速度與質(zhì)量上表現(xiàn)出明顯差異。首先，在速度方面，HG在每個階段的問答節(jié)奏更快，其交互類型以多輪問答型、散點聚合型、并列交叉型為主。學(xué)生能夠借助Prompt提出高質(zhì)量問題，且提出的問題能夠與當(dāng)前問題解決的實際需求相匹配，充分發(fā)揮機器的供給者作用。相較之下，LG的問答交互類型有限，且較少通過“問”來獲取有效的信息，機器的供給作用被忽視。這一差異可能源于學(xué)生對于ChatGPT的信任不足，以及ChatGPT在回答中過度聚焦于以Fa和Co為主，削弱了學(xué)生探究的動機。其次，在質(zhì)量方面，HG通過有效的問答式交互不斷獲取并鞏固Co與Fa，確保群體具備堅實的知識基礎(chǔ)，并在各階段均能調(diào)動Pr與Me，實現(xiàn)知識的靈活運用與問題解決。相反，LG由于團隊凝聚力對機器不信任，提出的問題質(zhì)量不高，經(jīng)常陷入同義反復(fù)，難以正確表征和解決問題。一小組雖嘗試通過接力問答型交互來防止“搭便車”現(xiàn)象，并確保組員在同一時空內(nèi)參與人機互動，但整體成效仍有限。

4. “知識—思維”的螺旋驅(qū)動誘發(fā)知識建構(gòu)行為

兩組認知行為以QPG與PCE間的轉(zhuǎn)換為主，意味著快節(jié)奏的問答式交互可以加速信息傳遞的頻率，通過問的量變引起知識建構(gòu)的質(zhì)變。這與已有研究一致，即高頻行為CEI、KIC有助于學(xué)生調(diào)用細粒度的認知加工，實現(xiàn)有效的協(xié)作知識建構(gòu)（Zhao et al., 2024）。具體而言，HG展現(xiàn)出更積極的認知行為鏈條（如ISU→QPG→PCE→CEI→KIC），并伴隨“探索性行為序列”（如連續(xù)發(fā)散提問），表現(xiàn)出低階認知行為向高階行為的躍遷。學(xué)生通過人機交互將新舊知識關(guān)聯(lián)起來，實現(xiàn)概念的闡述、澄清、理解（Zhao et al., 2024）。相較之下，LG的CEI、KIC行為是人類群體的自我建構(gòu)，這依賴于群體成員之間的鼓勵（ESM），表現(xiàn)出對機器回應(yīng)的有限信任。值得注意的是，LG的ISU行為轉(zhuǎn)換頻率顯著低于HG。既有研究表明，較低的信息共享頻率容易導(dǎo)致群體任務(wù)表現(xiàn)失?。℉eo et al., 2010），而本研究結(jié)果也印證了這一點：若缺乏有效的信息共享，群體成員難以對機器供給的異質(zhì)性觀點進行批判性思考，反而容易陷入對既有觀點的重復(fù)論證。

早期的人機協(xié)作行為呈現(xiàn)出碎片化與隨意性的特征（混沌），但隨著協(xié)作推進，學(xué)生的知識建構(gòu)行為由認知行為頻繁躍遷至社會行為和元認知行為，顯現(xiàn)出“知識共建—社會交互—共享調(diào)節(jié)”的有序模式。這與已有研究結(jié)論一致，即社會行為與元認知行為可以在協(xié)作問題解決過程中顯著促進學(xué)生的成功（Lodewyk et al., 2009），具體表現(xiàn)為ESM、PGS、MSR、CTA與DCR間的動態(tài)關(guān)聯(lián)。在任務(wù)分配與目標(biāo)設(shè)定過程中，小組成員不可避免地產(chǎn)生分歧，而積極的社會交互有助于維系觀點的秩序流通。同時，元認知行為在問題解決過程中發(fā)揮調(diào)節(jié)作用，通過目標(biāo)設(shè)定、策略調(diào)整及反思改進等確保協(xié)作問題解決的方向、進度與質(zhì)量。有趣的是，HG的認知行為、社會行為與元認知行為間的聯(lián)系與轉(zhuǎn)化更加緊密，學(xué)生在尋求信息或幫助時，組員（機器）會主動共享信息，相互幫助、相互鼓勵。反觀LG，三類行為間的“斷聯(lián)”導(dǎo)致知識建構(gòu)一直處于較低水平，這可能是概念制品的新穎性與原創(chuàng)性較低的主要原因。

（二）研究建議

1. 從個體人到社會人：人機協(xié)作關(guān)系的確定與調(diào)整

人機協(xié)作可以促生知識的涌現(xiàn)，但富有創(chuàng)造力的“靈感迸發(fā)”并非機器所擅長，真正具有原創(chuàng)性、獨特性的見解依然需要人類去發(fā)掘與判斷。第一，在不同人機問答式交互類型下挖掘認知與行為特征，需要依托更大規(guī)模的數(shù)據(jù)與更長周期的實驗支持。在教學(xué)中持續(xù)關(guān)注人機問答式交互類型，可以確保學(xué)生在協(xié)作知識建構(gòu)的不同階段，以恰當(dāng)?shù)慕换シ绞将@得高質(zhì)量信息。第二，平等和分布式的協(xié)作關(guān)系以及最小的等級控制可以鼓勵學(xué)生積極參與人機協(xié)作知識建構(gòu)（Zhang et al., 2009）。未來可聚焦人機角色分工，以及機器在群體協(xié)作中如何引發(fā)人類認知、心理、情感等的變化。第三，人類群體與機器的社會交互必然會產(chǎn)生分歧或沖突，可開發(fā)基于角色輪轉(zhuǎn)的對話協(xié)議提升群體協(xié)商的有效性。例如設(shè)定“機器主持人”角色動態(tài)分配發(fā)言權(quán)，強制觸發(fā)邊緣成員的ESM行為以維持網(wǎng)絡(luò)凝聚力。第四，在混合式學(xué)習(xí)場景中，時空的錯位可能會引發(fā)學(xué)生的元認知行為失調(diào)，因此，有必要開發(fā)群體感知工具或元認知支持工具，促進群體智能邁向更高級、更有序的認知序列。

2. 從一般性到精確性：機器賦能知識建構(gòu)的有效性

機器的智能性愈高，對問題解決不同階段的支持性愈強。“問”所反映出的思維水平與“答”所呈現(xiàn)的知識元素（如Fa、Co）并不匹配，這制約了問題解決的有效性。因此，針對具體的學(xué)科或課程，應(yīng)接入專家知識庫，通過“投喂”高質(zhì)量的數(shù)據(jù)，增強信息回應(yīng)的有效性。并且，采用層次分析法構(gòu)建四維評估矩陣（事實性/概念性/程序性/元認知知識），通過分析對話序列中的語義框架（如疑問詞類型、修飾語復(fù)雜度）實時調(diào)整輸出權(quán)重。例如，當(dāng)檢測到“如何優(yōu)化……”類問題時，自動提升Pr的生成概率。此外，機器生成的信息中可能包含“擾動性觀點”，這類觀點易導(dǎo)致群體認知失衡。為降低機器帶來的“認知擾動”，可考慮開發(fā)雙通道生成模型：主通道保持常規(guī)邏輯推理的穩(wěn)定性，輔通道則按照預(yù)設(shè)比例輸出異質(zhì)性觀點。

考慮到“問”的思維水平與“答”的知識元素的關(guān)聯(lián)性，可通過長短期記憶網(wǎng)絡(luò)分析對話序列中的概念密度、思維動詞頻次等指標(biāo)，實時監(jiān)測學(xué)習(xí)者所處的認知階段，動態(tài)調(diào)整機器回應(yīng)策略。同時，為防止機器過度主導(dǎo)知識建構(gòu)，嘗試通過計算學(xué)生群體在對話中的原創(chuàng)性貢獻率（如新概念提出頻次）來降低依賴性，當(dāng)貢獻率低于閾值時，自動切換至蘇格拉底式提問模式，強制觸發(fā)深層思考。由于人機協(xié)作知識建構(gòu)三類行為之間的動態(tài)躍遷可以促進高水平的知識建構(gòu)，可以開發(fā)包含機器情感支持的共享調(diào)節(jié)訓(xùn)練系統(tǒng)，通過多模態(tài)數(shù)據(jù)實時檢測群體認知失衡風(fēng)險以及邊緣學(xué)習(xí)者，及時觸發(fā)機器的調(diào)節(jié)行為。

六、

總結(jié)

本研究發(fā)現(xiàn)，機器的加入能增強網(wǎng)絡(luò)節(jié)點的多樣性，其通過制造創(chuàng)造性混沌使群體認知邁向更高級的有序結(jié)構(gòu)。本研究的核心貢獻有四。其一，HMCKCM的核心要點并不在于繁復(fù)的操作步驟，而在于把握以下四個核心要點：一是從信息混沌到問題聚焦的有效轉(zhuǎn)化；二是通過人機優(yōu)勢互補實現(xiàn)觀點涌現(xiàn)與優(yōu)化；三是在多元評估中平衡機器與人類的創(chuàng)新判斷；四是在產(chǎn)品物化階段突出教師與學(xué)生的主體性。其二，人機問答式交互類型包括單輪問答型等六種，隨著GenAI性能的拓展及其應(yīng)用場景的深化，未來還會出現(xiàn)更多的交互類型，深刻把握每一種交互類型的特征和形式有助于提升知識建構(gòu)的有效性。其三，本研究開發(fā)的“知識—思維”認知網(wǎng)絡(luò)編碼表可以表征知識構(gòu)建的效能，“問”所反映的思維水平與“答”所呈現(xiàn)的知識元素密切關(guān)聯(lián)，但并不完全匹配。其四，本研究構(gòu)建的人機協(xié)作知識構(gòu)建行為編碼表，可用于觀察“知識—思維”認知結(jié)構(gòu)如何驅(qū)動人機協(xié)作知識構(gòu)建行為的序列變化，認知行為、社會行為以及元認知行為間的動態(tài)躍遷有助于群體知識建構(gòu)。

當(dāng)然，本研究提出的模型僅在“產(chǎn)品設(shè)計”情境下初步驗證，尚未在跨場景或跨人群中檢驗遷移性，也缺乏與純?nèi)藚f(xié)作模式的對比證據(jù)，這些都是未來研究需要解決的關(guān)鍵問題。

參考文獻

陳麗, & 徐亞倩. （2023）. 聯(lián)通主義的哲學(xué)觀及其對教育變革的啟示. 教育研究, 44（1）, 16-25.

郝祥軍, 王帆, & 汪云華. （2019）. 問題支架促進在線知識交互的途徑假設(shè)與驗證. 中國遠程教育（3）, 34-42, 92-93.

胡金艷, 楊霞, 高興啟, 滿其峰, & 張義兵. （2024）. 知識建構(gòu)社區(qū)中多主體模擬支持的觀點涌現(xiàn)模型構(gòu)建：復(fù)雜性科學(xué)的視角. 電化教育研究, 45（1）, 100-107.

季瑜, 楊雅, & 詹澤慧. （2024）. 人機共創(chuàng)的教學(xué)特征：認知發(fā)展與角色交互研究. 開放教育研究, 30（6）, 88-101.

季瑜, 鐘明軒, 呂思妍, 李通德, & 詹澤慧. （2025）. 人機協(xié)同環(huán)境下自我調(diào)節(jié)學(xué)習(xí)能力測評量表的編制與應(yīng)用. 現(xiàn)代教育技術(shù), 35（9）, 35-45.

田浩, 陳麗, 黃洛穎, & 王瑞雪. （2020）. cMOOC學(xué)習(xí)者知識流動特征與交互水平關(guān)系研究. 中國遠程教育（8）, 15-24, 76.

魏非, 楊可欣, & 祝智庭. （2025）. 協(xié)同探究智創(chuàng)：生成式人工智能時代的學(xué)習(xí)新模式. 開放教育研究, 31（2）, 14-23.

吳秀圓, & 鄭旭東. （2017）. 會話分析：社會學(xué)視角下課堂協(xié)作學(xué)習(xí)的多層次探索. 電化教育研究, 38（10）, 93-99.

徐亞倩, & 陳麗. （2024）. 聯(lián)通主義課程觀：課程即生成式知識社區(qū). 遠程教育雜志, 42（5）, 43-52, 76.

詹澤慧, 季瑜, 梅虎, 李通德, & 李圓敏. （2023）. 打開創(chuàng)新人才培養(yǎng)的“黑箱”：創(chuàng)新性問題解決的過程模型與技術(shù)賦能. 現(xiàn)代遠程教育研究, 35（5）, 75-85, 103.

詹澤慧, 鐘煊妍, 鄒萱萱, 陳利, & 高瑞翔. （2024）. 高考跨學(xué)科命題透視：特點、問題與改進建議——基于對2016—2023年210份全國卷的分析. 現(xiàn)代遠程教育研究, 36（3）, 74-86.

張立國, 謝佳睿, & 王國華. （2017）. 基于問題解決的深度學(xué)習(xí)模型. 中國遠程教育（8）, 27-33, 79.

郅庭瑾. （2007）. 為思維而教. 教育研究, 28（10）, 44-48.

朱智賢, & 林崇德. （1986）. 思維發(fā)展心理學(xué). 北京師范大學(xué)出版社.

Alrishan, A. M. H. (2023). Determinants of intention to use ChatGPT for professional development among Omani EFL pre-service teachers. International Journal of Learning, Teaching and Educational Research, 22(12), 187-209.

Chen, W. L., Tan, J. S. H., & Pi, Z. L. (2021). The spiral model of collaborative knowledge improvement: An exploratory study of a networked collaborative classroom. International Journal of Computer-Supported Collaborative Learning, 16, 7-35.

Chu, X. Y., Wang, M. J., Spector, J. M., Chen, N. S., Chai, C. S., Hwang, G. J., & Zhai, X. S. (2025). Enhancing the flipped classroom model with generative AI and Metaverse technologies: Insights from lag sequential and epistemic network analysis. Educational Technology Research and Development, 73, 1539-1567.

Cress, U., & Kimmerle, J. (2023). Co-constructing knowledge with generative AI tools: Reflections from a CSCL perspective. International Journal of Computer-Supported Collaborative Learning, 18(4), 607-614.

Dam?a, C. I., Kirschner, P. A., Andriessen, J. E. B., Erkens, G., & Sins, P. H. M. (2010). Shared epistemic agency: An empirical study of an emergent construct. The Journal of the Learning Sciences, 19(2), 143-186.

Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., ... Wright, R. (2023). Opinion paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.

Gunawardena, C. N., Lowe, C. M. A., & Anderson, T. (1997). Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing. Journal of Educational Computing Research, 17(4), 397-431.

Heo, H., Lim, K. Y., & Kim, Y. (2010). Exploratory study on the patterns of online interaction and knowledge co-construction in project-based learning. Computers & Education, 55(3), 1383-1392.

Ji, Y., Zhong, M. X., Lyu, S. Y., Li, T. T., Niu, S. J., & Zhan, Z. H. (2025). How does AI literacy affect individual innovative behavior: The mediating role of psychological need satisfaction, creative self-efficacy, and self-regulated learning. Education and Information Technologies, 30, 16133-16162.

Li, T. T., Ji, Y., & Zhan, Z. H. (2024). Expert or machine? Comparing the effect of pairing student teacher with in-service teacher and ChatGPT on their critical thinking, learning performance, and cognitive load in an integrated-STEM course. Asia Pacific Journal of Education, 44(1), 45-60.

Li, T. T., Zhan, Z. H., Ji, Y., & Li, T. D. (2025). Exploring human and AI collaboration in inclusive STEM teacher training: A synergistic approach based on self-determination theory. The Internet and Higher Education, 65, 101003.

Lin, T. J., Duh, H. B. L., Li, N., Wang, H. Y., & Tsai, C. C. (2013). An investigation of learners’ collaborative knowledge construction performances and behavior patterns in an augmented reality simulation system. Computers & Education, 68, 314-321.

Lodewyk, K. R., Winne, P. H., & Jamieson‐Noel, D. L. (2009). Implications of task structure on self‐regulated learning and achievement. Educational Psychology, 29(1), 1-25.

Pena-Shaff, J. B., & Nicholls, C. (2004). Analyzing student interactions and meaning construction in computer bulletin board discussions. Computers & Education, 42(3), 243-265.

Shaffer, D. W., Collier, W., & Ruis, A. R. (2016). A tutorial on epistemic network analysis: Analyzing the structure of connections in cognitive, social, and interaction data. Journal of Learning Analytics, 3(3), 9-45.

Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of Instructional Technology & Distance Learning, 2, 3-10.

Stahl, G. (2000). Collaborative information environments to support knowledge construction by communities. AI & Society, 14, 71-97.

Sun, Z., Lin, C. H., Lv, K. Y., & Song, J. (2021). Knowledge-construction behaviors in a mobile learning environment: A lag-sequential analysis of group differences. Educational Technology Research and Development, 69, 533-551.

Tan, J. P. L., Caleon, I., Ng, H. L., Poon, C. L., & Koh, E. (2018). Collective creativity competencies and collaborative problem-solving outcomes: Insights from the dialogic interactions of Singapore student teams. In E. Care, P. Griffin, & M. Wilson (Eds.), Assessment and teaching of 21st century skills. Educational assessment in an information age (pp. 95-118). Springer.

Wang, C., Fang, T., & Gu, Y. (2020). Learning performance and behavioral patterns of online collaborative learning: Impact of cognitive load and affordances of different multimedia. Computers & Education, 143, 103683.

Wu, T. T., Lee, H. Y., Li, P. H., Huang, C. N., & Huang, Y. M. (2024). Promoting self-regulation progress and knowledge construction in blended learning via ChatGPT-based learning aid. Journal of Educational Computing Research, 61(8), 3-31.

Zhang, J. W., Scardamalia, M., Reeve, R., & Messina, R. (2009). Designs for collective cognitive responsibility in knowledge-building communities. Journal of the Learning Sciences, 18(1), 7-44.

Zhang, S., Gao, Q. Q., Sun, M. Y., Cai, Z. H., Li, H. H., Tang, Y. L., & Liu, Q. T. (2022). Understanding student teachers’ collaborative problem solving: Insights from an epistemic network analysis (ENA). Computers & Education, 183, 104485.

Zhao, J. H., Yang, Q. F., Lian, L. W., & Wu, X. Y. (2024). Impact of pre-knowledge and engagement in robot-supported collaborative learning through using the icapb model. Computers & Education, 217, 105069.

From Chaos to Order: A Study on Human-Machine Collaborative Knowledge Construction for Problem Solving

Ji Yu, Yang Ya, Li Wenfeng, Ji Shunxin, Zhan Zehui

Abstract:With Generative Artificial Intelligence (GenAI) embedded as a quasi-agent within learner communities, its influence on the social processes of knowledge construction remains underexplored. The study developed a Human-Machine Collaborative Knowledge Construction Model (HMCKCM) oriented toward problem-solving and conducted an eight-week teaching experiment based on this model. The sample of 21 sophomore students was divided into four groups to participate in the experiment, engaging in human-machine dialogues by integrating ChatGPT into a group chat environment to assist in the design and development of products. Based on the analysis of interaction data, the study found that: 1) six fundamental types of human-machine interaction, single-turn Q&A, multi-turn probing, single-point radiation, parallel crossover, scattered convergence, and relay Q&A; 2) epistemic network analysis indicates that learners’ questioning progresses from lower-to higher-order thinking levels, while AI-generated responses mainly provide factual and conceptual knowledge, resulting in a cognitive-level mismatch between questions and answers; 3) lag sequential analysis shows that, driven by the “knowledge-thinking” cognitive structure, dynamic transitions across cognitive, social, and metacognitive behaviors promote higher-level knowledge construction. The study highlights that, in collaborative learning settings, optimizing the “human-technology” interplay facilitates the transformation of knowledge construction from an initial state of chaos to a more structured process.

Keywords:generative artificial intelligence; human-machine collaborative knowledge construction; problem solving; epistemic network analysis; lag sequential analysis

作者簡介

季瑜，華南師范大學(xué)教育信息技術(shù)學(xué)院博士研究生（廣州 510631）。

楊雅，華南師范大學(xué)教育信息技術(shù)學(xué)院本科生（廣州 510631）。

李文鋒，華南師范大學(xué)教育信息技術(shù)學(xué)院碩士研究生（廣州 510631）。

季順鑫，華南師范大學(xué)教育信息技術(shù)學(xué)院博士研究生（廣州 510631）。

詹澤慧，華南師范大學(xué)教育信息技術(shù)學(xué)院教授（通訊作者：zhanzehui@m.scnu.edu.cn 廣州 510631）。

基金項目

國家自然科學(xué)基金2023年度面上項目“基于事理圖譜的計算思維智能導(dǎo)訓(xùn)模型及可解釋性研究”（項目編號：62277018）

責(zé)任編輯：郝丹

期刊簡介

《中國遠程教育》創(chuàng)刊于1981年，是教育部主管、國家開放大學(xué)主辦的綜合性教育理論學(xué)術(shù)期刊，是中文社會科學(xué)引文索引（CSSCI） 來源期刊、全國中文核心期刊、中國人文社會科學(xué)期刊AMI綜合評價（A刊） 核心期刊、中國科學(xué)評價研究中心（RCCSE） 核心期刊、中國期刊方陣雙效期刊、人大復(fù)印報刊資料重要轉(zhuǎn)載來源期刊，面向國內(nèi)外公開發(fā)行。

本刊關(guān)注重大教育理論與政策，推動科技賦能教育，反映國際學(xué)術(shù)前沿，聚焦本土教育改革，注重學(xué)術(shù)研究規(guī)范，提倡教育原創(chuàng)研究。

地址

北京市海淀區(qū)西四環(huán)中路45號

郵編

電話

010-68182514

電郵

zzs@ouchn.edu.cn

網(wǎng)址

cjde.ouchn.edu.cn

本文轉(zhuǎn)自｜中國遠程教育微刊

聲明：轉(zhuǎn)載此文是出于傳遞更多信息之目的。若有來源標(biāo)注錯誤或侵犯了您的合法權(quán)益，請作者持權(quán)屬證明與我們聯(lián)系，我們將及時更正、刪除，謝謝。