孫妍妍等｜生成式人工智能支持下人機協同學習的互動模式分析

基金項目：國家社會科學基金“十四五”規劃2021年度教育學一般課題“技術賦能高校工科生融創學習設計研究”（BCA210084）。

作者簡介：孫妍妍，博士，副教授，碩士生導師，華東師范大學教育學部教育信息技術學系，上海數字化教育裝備工程技術研究中心（上?！?00062）；黃穎芬、溫思凡，碩士研究生，華東師范大學教育學部教育信息技術學系（上海　200062）。

引用:孫妍妍,黃穎芬,溫思凡(2025).生成式人工智能支持下人機協同學習的互動模式分析[J].現代遠程教育研究,37(3):102-112.

摘要：人機協同是未來教育的發展趨勢，以ChatGPT為代表的生成式人工智能（GAI）重構了人機協同學習的交互方式，但已有研究對學習小組與GAI的互動模式尚缺乏系統性討論。基于對GAI支持下的人機協作學習對話文本進行分析發現，應用、分析、示例是學生向GAI提問中最常見的三種問題類型。在“生—機”交互中，學習者群體涌現出探索式提問、優化提問、信息綜合三種主要交互行為，每種行為均呈現出清晰的認知參與方式轉換模式；在“生—生”交互中，涌現出任務理解、主題探討、非任務交流三種主要交互行為，其認知參與方式轉換模式不典型。根據提問類型的共現關系與人機互動行為，學習小組與GAI協同完成學習任務時表現出主導分析型、整合思考型和答案導向型三種互動模式，主導分析型模式以深入探究和批判性思維為核心，整合思考型模式突出組內交流對多元信息整合與反思性思考的關鍵作用，答案導向型模式則側重圍繞GAI提供的信息展開人機互動。為提升生成式人工智能支持下的人機協同學習效果，應以思維技能與創新意識為中心促進高認知學習，以提問為中心促進人機協同對話式學習，并根據學習任務需求調整教學設計。

關鍵詞：人機協同；生成式人工智能；認知建模；對話式學習；互動模式

生成式人工智能（Generative Artificial Intelligence，GAI）已成為推動教育領域變革的重要力量。以ChatGPT為代表的GAI重構了人機協同（Human-Machine Collaboration）方式，以更智能的交互與更大范圍內的知識共享賦能學習者協同創新。它打破了局限于人機互補的人機協同，生成式對話讓更高層次的交互與共融成為現實，并形成了人機智能整體（劉邦奇等，2024），以超越個體的群體思維形成集體智慧（戴嶺等，2023a；Smith，1994）。人機協同是未來教育的基本特征（戴嶺等，2023b），然而現有研究對協作學習小組如何與GAI交互還缺乏系統性討論。

一、問題的提出

人機協同是指人與機器之間的協同合作，以完成單獨一方難以完成的任務（Wilson et al.，2018）。其發展經歷了三個階段：在發展初期，機器主要承擔重復性、標準化的工作，人類的角色更多是監督和控制（Parasuraman et al.，2000）；在發展中期，人機之間逐漸轉化為合作伙伴關系，除了執行標準化任務，機器還可以與人類互動并進行決策，共同解決問題（Hollnagel et al.，2005）；在智能時代，人機協同可以達到高度融合，機器具備自主學習和適應能力，與人類共同學習、共同提升（Wilson et al.，2018）。以預設路徑為指導的適應性自主學習模式是智能技術支持下人機協同學習的常見模式。例如，使用智能教學系統輔助英語寫作教學（劉應亮等，2022），使用自適應學習系統提高基礎薄弱學生的數學成績（Pane et al.，2014），使用智能虛擬病人系統提高醫學生的臨床實踐與決策能力（Kononowicz et al.，2019）。這些實踐均應用了預設路徑的學習系統，機器的反饋雖有靈活性，但其角色仍受預定框架限制。

相比傳統預設路徑的人機協同學習，GAI支持下的人機協同學習（下文簡稱“GAI人機協同學習”）過程更具動態性，其不僅能夠即時提供信息與指導，還能通過持續的有意義交流促進學生的知識內化與深度思考，提高學生的高階思維能力（Tan et al.，2023；Vasconcelos et al.，2023；Zhu et al.，2023）。它借助技術與世界交互的過程（郝祥軍等，2022），通過知識分布式加工與共享延展了學習者的認知邊界（郭炯等，2019；方海光等，2022）。李海峰等人（2023）設計的基于ChatGPT的人機協同深度探究性學習模型及智能助教，能顯著提高學生的學習績效與批判性思維。吳忭等人（2024）在基于課程的本科生科研體驗教學模式中加入了ChatGPT智能學伴，顯著提高了學生的科研知識與科研情感，但同時也發現人機協同的合作與互補關系還需提高。以上研究結果證實了GAI人機協同學習的效果，也說明預設路徑的自適應學習存在一定局限。

GAI的對話功能為人機協同學習提供了新模式，它通過自然語言處理實現了學習者與機器的自由對話?？梢赃M行對話式學習是GAI支持下的人機協同學習與傳統人機協同學習模式的本質區別。在人機協同對話式學習中，學習者的提問引導著人機融合與人機共創。這種新的協同方式增強了GAI人機協同學習的社群性（何文濤等，2023）。在此類協作學習中，GAI從輔助的角色轉變為社群協同伙伴，可以圍繞共同的任務目標與學習者互動，在對話中根據學習者需求生成相關內容，作為協作學習小組的成員參與討論、提供信息和觀點（Lo，2023）。但是，以ChatGPT為代表的GAI的自然對話能力，是基于學習大量數據中的模式而非邏輯推理（陳靜遠等，2023），其提供的信息反饋質量與學習者的提問息息相關。這改變了傳統人機協同學習中機器與學習者的角色分工與責任劃分（Atchley et al.，2024）。

目前，針對計算機支持下協作學習的研究主要聚焦于學習者間的互動，計算機只是智能學習環境中的輔助工具。在傳統對話式學習中，學習路徑并無預設，學習者可以透過他者視角更好地審視自身，進而構建意義（黎瓊鋒等，2009）。人機協同對話式學習的效果取決于學習者的主動性與智能性（Baker，2016）。因此，學習者的主導性在GAI人機協同環境中表現出更強優勢。除了尋求指導和講解的指導型對話，學習者還能夠與GAI進行探究型、批判型、辯論型和談話型對話（戴嶺等，2023c），有助于其主動探究、批判性思考及自我審視等能力的培養。雖然GAI在協作學習中充當協作者的潛力已被研究者認同（Atchley et al.，2024），但現有研究對學習者在協作小組中與GAI的互動模式的討論還不充分，了解人機協同中的小組互動模式，對指導GAI支持下的人機協同學習設計至關重要。為此，本研究以人機協同學習中的小組互動模式為主要研究主題，具體圍繞以下兩個子問題開展：

（1）學習小組與GAI協同完成學習任務時，是如何提問的？

（2）學習小組與GAI協同完成學習任務時，呈現出怎樣的互動模式？

二、研究設計

1.數據來源

《現代教育技術前沿》是華東某大學的一門面向碩士生開設的課程，旨在幫助學生了解教育技術學前沿研究領域，以教師講授與小組協作相結合的方式進行授課。在“STEAM教育”單元的小組協作課上，教師讓選修該門課的21名學生隨機分成7個三人小組，圍繞“在STEAM課程中，如何平衡科學、技術、工程、藝術、數學的學習內容，以最大程度地促進學生的綜合學習及創新能力培養”這一問題進行討論，以小組名義形成共同觀點后提交課程作業。討論在接入了聊天機器人Bot（使用ChatGPT3.5模型）的微信群中進行。教師除了鼓勵學生將Bot當作協作伙伴外對小組討論全程無干預。討論時長為1小時，全程采用錄屏錄音軟件記錄協作過程，形成了兩份研究數據：（1）學生與ChatGPT的交互記錄日志，學生共向ChatGPT提問108次；（2）小組協作的話語數據，共1914條對話文本。

2.數據處理

（1）學生與ChatGPT交互的問題類型劃分

本研究聘請兩名資深教授對學生與ChatGPT的交互記錄日志中的學生提問進行了分析與討論，決定根據提問的目的性將其分為知識、分析、應用、比較、創造、示例、原題七種問題類型（見表1）。兩名研究者據此類別獨立編碼，編碼結果的Cohen’s Kappa值為0.952，分類一致性較高。

表1　學生與ChatGPT交互的問題類型

（2）小組協作中的交互行為

為了深入了解小組協作中的交互行為，本研究采用扎根研究歸納了話語數據中的學生與機器、學生與學生的交互行為。首先，由兩名研究者通讀所有對話文本，初步形成學生在協作中使用GAI的行為印象。接著，根據扎根研究三階段，依次對1914條對話文本進行了開放式編碼、軸心式編碼和選擇性編碼。在開放式編碼階段，依據對話文本中所反映的行為意義，共形成了原題提問、問題邏輯分析、嘗試性提問等21個開放式編碼，歸納出了問題探索、功能探索、完善性提問等11個主題。在軸心式編碼階段，合并上一階段產生的意義相近的主題，重點關注對話中核心的6個行為概念。在選擇式編碼階段，基于前兩個階段的內容，抽象出更概括性的“生—機”交互行為和“生—生”交互行為兩類認知行為。學生在GAI參與的協作討論中的交互行為如表2所示。兩名研究人員按照交互行為對相同的對話文本獨立編碼，其結果的Cohen’s Kappa值為0.919，表明編碼歸類的一致性較高。

表2　小組協作中的交互行為

（3）交互與認知參與類型劃分

Tang等人（2022）基于連接主義學習環境中的認知參與框架，將移動學習環境中的認知參與分為由低到高的四個層次：互動、路徑尋找、意義構建、創新?；邮钦J知參與的最低層次，指交換信息等基本交互；在路徑尋找層次中，學習者通過交流來獲取知識與增強理解，推動任務開展；在意義構建層次中，學習者匯集各種信息形成觀點；創新是認知參與的最高層次，學習者能夠提出當前討論中的新想法（Wang et al.，2014）。該框架的核心維度旨在描述學習者在協作學習中的認知參與，并且不依賴特定的技術環境，因此可以作為描述GAI環境中互動方式的分析框架。

本研究對以上認知參與框架進行了改進，考慮了小組成員之間交互和人機（人與ChatGPT）交互的區別，將小組協作的話語數據中暗含的認知參與分為了13種方式，分別歸入5個交互層次中，如表3所示。

表3　交互與認知參與類型

本研究抽取了15%的話語數據，聘請兩名研究人員分別獨立完成認知參與方式分類，Cohen’s Kappa值為0.917，分類一致性較高，不一致的分類通過討論協商達到一致。剩余85%的話語數據的分類由兩名研究者分工完成。

3.研究方法

基于以上數據處理結果，本研究采用認知網絡分析（Epistemic Network Analysis，ENA）法和滯后序列分析（Lag Sequential Analysis，LSA）法對協作中的認知過程進行建模。認知網絡分析法通過量化話語數據來描述個人或團體認知框架，使用滑動窗口機制計算認知元素的共現，并將共現關系呈現在二維坐標系中（Shaffer，2004）。本研究使用認知網絡分析法網絡工具（http://app.）對每組提問類型數據進行認知網絡建模，比較組間差異并形成共現問題類型，同時使用認知網絡建模比較不同共現問題類型間的人機交互行為差異。滯后序列分析法主要用于分析兩個或多個事件在序列上的滯后關系，即通過統計方法檢驗某一滯后序列的顯著性（楊現民等，2016）。本研究使用滯后序列分析法對扎根研究歸納的“生—機”“生—生”認知行為中的認知參與進行建模，識別不同交互行為中的典型認知轉換規律。

三、研究結果

1.學習小組提問模式分析

表4展示了各組在人機協作中提出問題的類型分布情況。其中，“應用”“分析”和“示例”是出現頻次最高的提問類型。為進一步了解各小組提問方式的差異，本研究根據各小組與ChatGPT的交互問題類型進一步繪制了整體認知網絡分析圖（如圖1所示）。兩個小組的質心越接近，置信區間重疊越多，表示兩組提問類型在整體上越相似。根據質心之間的距離和置信區間的重疊程度，可將所有小組劃分為三類：1、3、5、6組之間的置信區間重疊較多，表明在所提問題的類型上沒有顯著差異，因此歸為第一類；第2組與其他組的置信區間沒有重疊，歸為第二類；4、7組的置信區間有較多重疊，且與其他組重疊極小，意味著在問題類型上存在某些特征的相似性，自成第三類。

表4　各類型問題的數量及占比

圖1　各組問題類型認知網絡圖

在繪制認知網絡圖時，原始數據結構以小組號為關鍵標識，每一行記錄了該組提出的一個問題及類型。圖2展示了三類小組的認知網絡圖，節點表示問題類型，節點之間有連線表示有問題類型共現，連線越粗表示共同出現的問題類型越多。其中，第一類以“應用—分析—示例”為主要共現問題類型，將其命名為主導分析型；第二類以“應用—比較—原題”為主要共現問題類型，將其命名為整合思考型；第三類以“原題—創造—示例”為主要共現問題類型，將其命名為答案導向型。

圖2　三類小組認知網絡圖對比

2.學習小組人機交互特征分析

表5展示了各小組交互行為的分布情況。其中，“生—機”交互行為（探索式提問、優化提問、信息綜合）的發生頻率均高于“生—生”交互行為（任務理解、主題探討、非任務交流）。

表5　各小組交互行為的數量及占比

為深入分析人機交互特征，研究以探索式提問、優化提問、信息綜合、任務理解、主題探討、非任務交流6種交互行為為中心，將話語數據中每種交互行為中的學生認知參與方式按時序排列，使用廣義序列查詢器（Generalized Sequential Querier）進行滯后序列分析，解讀不同交互行為中的認知參與方式轉換模式。LSA結果中序列殘差表的p值如表6所示。結果表明，三類“生—機”交互行為（探索式提問、優化提問、信息綜合）的認知參與序列殘差均為顯著（p＜0.05），說明這些認知參與之間的轉換頻率具有統計學意義，存在顯著的認知參與方式轉換模式。而三類“生—生”交互行為（任務理解、主題探討、非任務交流）的認知參與轉換頻率在統計上不顯著（p＞0.05），即不具備顯著的認知參與方式轉換模式。

表6　認知參與序列殘差表p值

（*p＜0.01。）

對于三類認知參與方式轉換模式顯著的“生—機”交互行為，本研究再次生成了調整后的序列殘差表（采用p＜0.05的顯著水平，即Z-Score>1.96），在此基礎上繪制探索式提問、優化提問和信息綜合的認知參與序列轉換圖（見圖3至圖5）。圖中的節點表示認知參與方式，箭頭代表認知的轉換方向，數值表示調整后的殘差值（Z-Score）。

（1）探索式提問

在探索式提問中，學習者的認知參與以“分析”作為起點，逐步轉向“反思”“創造”等更具創造性的認知參與方式，結束于“總結”和“提問ChatGPT”（如圖3所示）?！皠撛臁笔顷P鍵節點，不僅促進了對既有信息的總結（創造→總結），還激發了新問題的產生，從而驅動整個探索過程向前發展（創造→評論成員→求助ChatGPT→提問ChatGPT）。在提問ChatGPT前，學習者基于先前討論的成果進行創造性思考，在其他組員對ChatGPT評議和驗證之后，小組再統一對ChatGPT發出請求，說明探索式提問并非學習者無序的發問，而源于一系列連貫的認知活動。此過程很好地體現了交互行為的目的，即構建有意義的問題并向ChatGPT提問。

圖3　探索式提問的認知參與序列轉換圖

（2）優化提問

優化提問的認知參與序列轉換圖如圖4所示。方框內部呈現的循環認知參與模式（提問ChatGPT→創造→總結→提問ChatGPT），體現出“優化”的特點，即提問之后進一步創造和總結，并繼續提問。這意味著向ChatGPT提問可能會引發學習者找到問題解決新的思考路徑：可能是現有信息的總結整合，也可能是新想法的提出。在一系列的認知參與后，優化提問的終點總是指向對ChatGPT回答的評價（評論ChatGPT）。學習小組通過不同的認知參與來評估ChatGPT的回答，并判斷是否對問題進一步優化迭代，直到小組獲得滿意的答案。

圖4　優化提問的認知參與序列轉換圖

（3）信息綜合

信息綜合的認知參與序列轉換圖如圖5所示，其中包含更多認知參與之間的頻繁轉換?！霸u論”和“請求”等系列認知參與表示了小組成員間以及成員與ChatGPT之間的信息交流。提問行為在系列認知參與之后具有了連續性（提問ChatGPT→提問ChatGPT）。連續的“反思”“總結”和“分析”表明了小組成員的深入交流與思考過程。與此同時，學習小組有連續闡述觀點的行為（解釋→解釋，Z-Score為4.8）。研究人員進一步分析相關話語數據發現，此類行為包含兩種主要情況：一是此時小組內部的意見一致，成員在做觀點和信息的匯總；二是小組內部存在分歧，成員對此展開辯論而連續闡釋不同的觀點。這類互動包含了頻繁的信息交換與傳遞，推動小組形成最終觀點。

圖5　信息綜合的認知參與序列轉換圖

3.人機交互的三種互動模式

三類小組交互行為的認知網絡圖如圖6a-c所示，主導分析型小組在探索式提問、主題探討、信息綜合行為間連接性較強，整合思考型小組在主題探討、信息綜合、探索式提問行為間的連接性較強，答案導向型小組在優化提問、主題探討、信息綜合行為間連接性較強。三類小組中的非任務交流均與其他交互行為有較為緊密的連接。

三類小組兩兩相比的疊減圖（Overly Plot）如圖6d-f所示，展示了不同類別小組在交互行為上的差異：主導分析型小組的主要交互行為為探索式提問，整合思考型小組的主要交互行為信息綜合，答案導向型小組的主要交互行為為優化提問。主題討論作為主要的“生—生”交互行為，在三類小組中都與“生—機”交互中的三個交互行為有較強連接性。

圖6　三種類型交互行為平均網絡圖對比

根據提問類型的共現關系與“人機”互動行為，學習小組與GAI協同完成學習任務時表現出三種互動模式。

（1）主導分析型互動模式

在主導分析型互動模式中，學習小組呈現出強主導性。小組向ChatGPT提問時共現關系最強的是應用、分析、示例三類問題，探索式提問是學習者在此模式中的核心行為。在人機協同的過程中，小組將GAI作為輔助工具，協助其深入挖掘與分析信息。在提問時，學習小組成員往往已經明確了問題討論的方向，更傾向于讓GAI解釋某種現象背后的邏輯、給出具體做法并提供具體例子。學習小組成員經過創造性思考和協商討論后，向GAI提出有意義的請求。并針對其回答進行成員間的觀點交換，評估后形成階段討論結果。

主導分析型互動模式是一種高意識生成式學習模式（祝智庭等，2023）。在人機協同學習中，高層次認知參與是有效學習的核心（Chi，2009）。主導分析型互動模式以分析與創造等高層次認知參與作為人機互動中的關鍵節點，發揮了GAI促進學生高階思維發展與深度學習的潛力（Holmes et al.，2019）。

（2）整合思考型互動模式

在整合思考型互動模式中，學習小組成員間的交流在人機協同中起到了關鍵作用。學習小組提問時共現關系最強的三類問題是應用、比較、原題，信息綜合是他們在人機互動時的關鍵行為。雖然學習小組成員也多次向人工智能詢問原題，但他們把握著討論的整體方向。反思、分析、總結等認知參與作為重要節點體現了學習小組成員間的積極交流和信息分享，推動著小組的認知延展。在整合思考型模式中，學習小組能夠通過組間積極交流來整合GAI提供的多元信息，而信息整合和反思性思考是協作學習環境中促進深度學習的關鍵，推動了更深層次的知識建構和批判性思維的發展（Webb，2009；Holmes et al.，2019）。

（3）答案導向型互動模式

在答案導向型互動模式中，學習小組更傾向于圍繞GAI提供的信息展開人機互動，提問共現關系最強的是原題、創造、示例三類問題，他們希望GAI在原有討論題目的基礎上給出創造性觀點、設計方案，并提供具體示例。GAI給出的答案可以為小組成員提供靈感、激發新觀點、引導討論的方向。優化提問是答案導向型互動模式中的關鍵互動行為，其認知參與特點在于不斷對問題進行深入挖掘和精細化，以獲取更準確和全面的回答。

學習小組在答案導向型互動模式中的主導性較低。他們在人機交互中的重點是向ChatGPT詢問原題及原題的變體，再對機器給出答案探討后繼續提問。這說明他們更傾向提出表層問題，與GAI的協同互動主要集中在信息獲取和整理上（Kalyuga，2008）。學習小組在優化提問的過程中也涉及對信息組合后的創新，但整個過程與分析、反思等認知參與沒有顯著關聯，缺乏更深的認知加工。答案導向型模式部分體現了生成式學習的理念，即通過對ChatGPT給出信息進行創造與總結來建構知識（Osborne et al.，1983），但缺乏高層次的分析和理解。

四、研究建議

基于研究結果，筆者對提升GAI人機協同學習效果提出以下建議：

1.以思維技能與創新意識為中心促進高認知人機協同

在本研究中，學習小組在人機協同完成學習任務時自發形成的三種互動模式都體現了生成式學習的理念，即學習小組利用GAI獲得信息，經過篩選后通過高階思維技能建構新知識（祝智庭等，2023）。這是基于人機協同環境中分布式認知的學習方式（Kaptelinin，1996），表明學生在學習中可以克服過度依賴人工智能技術、被動思考等GAI應用公認的問題（張黎等，2023；吳砥等，2023）。然而，學習小組的主導性在這三種互動模式中有所不同，主導性越高的學習小組在人機協同過程中越能夠達到高認知學習狀態。思維技能和創新意識是決定學生主導性的關鍵因素，影響著他們與ChatGPT互動的方式。

因此，在設計GAI人機協同學習活動時，應當注重培養學生的自我調節能力與高階思維能力，避免其成為被動學習者。第一，教學設計中應有激發學生批判性思維與深度參與的學習活動，包含認知學習目標，這將鼓勵學生在人機互動中進行反思、分析、總結等，表現出高層次認知參與（Anderson et al.，2001）。第二，教師通過提供明確的指導與結構化支持，例如任務分解、問題解決框架和即時反饋，能夠促進GAI人機協同中學生的深度學習發生（Kay et al.，2011）。同時，教師應當創建促進學生之間互動交流協作的環境，利用群體智慧促進高認知人機協同（Webb，2009）。

2.以提問為中心促進人機協同對話式學習

本研究結果表明，提問是GAI人機協同學習中的關鍵行為，并與其他認知參與行為緊密相連。學習小組向ChatGPT的提問建立在群體的思維碰撞之上，是思維技能、創新意識在群體交流中的體現。在與GAI協同學習時，學生的提問能力并非只源自提問的技巧，而是思維能力與創新能力的綜合體現，需要思維的“升維”（顧小清等，2023）。

因此，培養學生提出問題的能力重點在于兩方面：一是具體提問技巧的提升。好的提問技巧有助于學生獲得GAI的高質量響應。例如經過預先設計的教育提示語模板可以幫助學生建立向人工智能提問的思維框架，促進高意識學習的發生（趙曉偉等，2024）。二是思維技能與創新能力的提升。向GAI提問的能力是一種綜合能力，提高提問能力的根本在于學生高階思維能力的培養。

3.優化日常學習任務設計

在本研究中，學習小組人機協同完成學習任務時既無教師干預，也無預設的學習路徑，一定程度上代表了高校環境中學習者對GAI的日常使用場景。李艷等人（2024）的調查研究結果顯示，浙江大學七成大學生使用GAI，而科研活動與課程學習是最常見的使用場景。本研究結果表明，學習者有能力在使用GAI完成課程任務時發揮主體性，但這取決于學習任務的設計。一方面，GAI可以為學生迅速提供相關信息與新的思考視角；另一方面，它也可以為一些已有類似解決方案的問題直接提供答案。這對高校教師提出了新的挑戰，需要重新審思學習任務設計的重心與師生的角色（王佑鎂等，2023）。

在日常教學中，教師應當考慮到學生借助ChatGPT等GAI工具完成學習任務的情況。因此，學習任務的核心目標不應止步于機械的知識學習，還應注重學生的思維能力與創新能力培養。同時，教師還應在日常教學中注意培養學生的元認知能力，這可以讓學生意識到自己的學習過程，反思GAI提供的信息，并在必要時修正自己的學習路徑，最終幫助學生形成獨立思考與終身學習的能力（Schraw et al.，1995）。

五、結語

本研究基于認知建模結果，分析了學習小組在GAI支持下的人機協同互動模式，為如何提升GAI人機協同學習效果提供了理論支撐。然而，研究結果仍有待進一步驗證與完善。首先，本研究樣本量較小，且實驗課程相對局限，未來的研究可以擴大樣本規模，并在更多樣化的課程中進行實驗，確保人機協同小組互動模式的普遍性和適用性。其次，研究選用了ChatGPT3.5模型，隨著GAI技術的迅速發展，新的模型版本和其他大語言模型的出現可能會對人機協同小組的互動模式產生影響，因此基于本研究發現的互動模式可能需要根據不同模型的特性進行調整和拓展。本研究為人機協同學習中的小組互動模式提供了初步的理論基礎，后續研究應當在更廣泛的GAI模型和多樣化的學習情境中深入驗證，進一步形成相關理論框架。

參考文獻：

[1]陳靜遠,胡麗雅,吳飛(2023).ChatGPT/生成式人工智能促進以知識點為核心的教學模式變革研究[J].華東師范大學學報(教育科學版),41(7):177-186.

[2]戴嶺,胡姣,祝智庭(2023a).ChatGPT賦能教育數字化轉型的新方略[J].開放教育研究,29(4):41-48.

[3]戴嶺,祝智庭(2023b).教育數字化轉型的邏輯起點、目標指向和行動路徑[J].中國教育學刊,(7):14-20.

[4]戴嶺,趙曉偉,祝智庭(2023c).智慧問學:基于ChatGPT的對話式學習新模式[J].開放教育研究,29(6):42-51,111.

[5]方海光,孔新梅,李海蕓等(2022).人工智能時代的人機協同教育理論研究[J].現代教育技術,32(7):5-13.

[6]顧小清,胡藝齡,郝祥軍(2023).AGI臨近了嗎:ChatGPT熱潮之下再看人工智能與未來教育發展[J].華東師范大學學報(教育科學版),41(7):117-130.

[7]郭炯,郝建江(2019).人工智能環境下的學習發生機制[J].現代遠程教育研究,31(5):32-38.

[8]郝祥軍,顧小清,張天琦等(2022).人機協同學習:實踐模式與發展路向[J].開放教育研究,28(4):31-41.

[9]何文濤,路璐,周躍良等(2023).智能時代人機協同學習的本質特征與一般過程[J].中國遠程教育,43(3):12-20.

[10]李海峰,王煒(2023).人機協同深度探究性教學模式——以基于ChatGPT和QQ開發的人機協同探究性學習系統為例[J].開放教育研究,29(6):69-81.

[11]黎瓊鋒,何洪(2009).對話,不僅僅是對話——教學中的對話及其價值意蘊[J].全球教育展望,38(10):21-25.

[12]李艷,許潔,賈程媛等(2024).大學生生成式人工智能應用現狀與思考——基于浙江大學的調查[J].開放教育研究,30(1):89-98.

[13]劉邦奇,聶小林,王士進等(2024).生成式人工智能與未來教育形態重塑:技術框架、能力特征及應用趨勢[J].電化教育研究,45(1):13-20.

[14]劉應亮,劉勝藍,楊進才(2022).社會文化活動理論視域下人機協同教學及應用探索——以iWrite協同英語寫作教學為例[J].中國電化教育,(11):108-116.

[15]王佑鎂,王旦,梁煒怡等(2023).ChatGPT教育應用的倫理風險與規避進路[J].開放教育研究,29(2):26-35.

[16]吳忭,李鳳鳴,胡藝齡(2024).生成式人工智能賦能本科生科研能力培養——ChatGPT支持的CUREs教學模式[J].現代遠程教育研究,36(3):3-10,28.

[17]吳砥,李環,陳旭(2023).人工智能通用大模型教育應用影響探析[J].開放教育研究,29(2):19-25,45.

[18]楊現民,王懷波,李冀紅(2016).滯后序列分析法在學習行為分析中的應用[J].中國電化教育,(2):17-23.32.

[19]張黎,周霖,趙磊磊(2023).生成式人工智能教育應用風險及其規避——基于教育主體性視角[J].開放教育研究,29(5):47-53.

[20]趙曉偉,戴嶺,沈書生等(2024).促進高意識學習的教育提示語設計[J].開放教育研究,30(1):44-54.

[21]祝智庭,戴嶺,胡姣(2023).高意識生成式學習:AIGC技術賦能的學習范式創新[J].電化教育研究,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.