基于生成式人工智能的人智交互学习过程与模式研究学术报告

本报告旨在向国内学界同仁介绍一篇发表于《中国电化教育》2024年8月（总第451期）的学术论文。该研究由汪靖（浙江大学教育学院）、陈恬妮（浙江大学教育学院）与杨玉芹（华中师范大学人工智能教育学部，通讯作者）合作完成。研究标题为《思维与调节的融合共创：生成式人工智能支持的人智交互过程与模式研究》。此项工作受国家社科基金“十四五”规划2021年教育学青年课题资助。

一、 学术背景与研究目的

本研究聚焦于教育技术学领域，特别是人工智能与教育深度融合背景下的人智交互（Human-AI Interaction, HAI）研究。随着以ChatGPT为代表的生成式人工智能（Generative AI）技术的迅猛发展，教育形态正经历深刻变革。对话教育理论强调对话是知识创生的重要来源，而生成式AI为人机对话赋予了新的内涵，将对话主体从人际扩展至人机，交互层次也从传统人机交互演进至更深度的“人智交互”。尽管前景广阔，但当前研究对于人智交互场景下，特别是围绕具体学习任务（如写作）展开的、自然发生的对话过程本质与内在机制尚缺乏深入探究。学习者如何与AI对话？这些对话呈现出何种模式？其背后的学习发生机制是什么？这些都是亟待回答的问题。

基于此，本研究以大学英语议论文写作为具体情境，旨在探究学生在自然状态下与生成式人工智能进行协同写作时的对话行为与过程。其核心研究目标是：第一，揭示人智协同写作在不同对话阶段的特点；第二，辨析不同写作水平学习者在人智交互行为上的差异；第三，识别并归纳出人智交互过程中的不同对话模式，从而阐明其背后隐含的学习发生与知识协同建构机制。

二、 研究设计与工作流程

本研究采用了严谨的实证研究设计，工作流程清晰，主要包括以下几个步骤：

1. 研究对象与数据收集：研究采用整群随机抽样方法，最终选取了Z大学53名本科生作为参与者（男生26人，女生27人）。研究首先收集了所有参与者基于同一主题的平时英语写作成绩作为基线水平。核心数据收集环节在受控环境中进行：参与者被要求使用生成式人工智能工具围绕两个议论文主题（“智慧与孤独”和“虚拟现实和真实体验”）分两轮（分别为20分钟和40分钟）进行对话。每轮对话结束后，参与者需提交相应主题的作文及完整的、未经编辑的人机对话文本记录。最终，研究共收集到参与者发言文本14，213字，构建了丰富的分析语料库。

2. 对话行为编码框架的构建与实施：为深入分析对话文本，研究团队对Alyssa Friend Wise教授提出的ASIMEC-F编码框架进行了适应性修订，使其适用于人智对话场景。修订后的编码框架包含两个核心维度：信息获取与调节互动。每个维度下又细分为不同层次的二级编码。具体为：信息获取维度包含“简单指示”、“复杂指示”、“提及概念”、“讨论概念”、“提及外部资源”、“讨论外部资源”；调节互动维度包含“简单回应”、“综合回应”和“转折话题”。两位编码员经过培训与试分析，对全部数据进行了独立编码，编码一致性良好（Kappa=0.81），并通过协商解决了分歧，确保了编码的可靠性。

3. 数据分析方法：研究采用了多层次的数据分析方法以回答不同研究问题。

   • 频次差异比较：首先，比较了学生第一轮与第二轮对话中各编码行为的频次与比例，以观察交互行为随阶段推进的变化。其次，依据平时写作成绩将学生分为高、中、低三个写作水平组，比较了三组学生在对话行为频次与比例上的差异。
   • 认知网络分析（Epistemic Network Analysis, ENA）：这是一种创新的分析方法，用于揭示不同话语行为之间的共现关系及其结构模式。研究使用ENA在线工具，以移动窗口（本研究设定为5行对话）为单位，为每位学生的对话序列构建网络模型。通过可视化不同群体（不同阶段、不同水平组）的平均网络图、网络质心分布图及网络叠减图，可以直观地展示其话语行为的结构特征与差异。
   • 二维象限分类法：为了识别不同的交互模式，研究计算了每位学生在“信息获取”和“调节互动”两个维度的加权得分（根据二级编码深浅赋值），并绘制了以两个维度为轴的二维象限图。根据学生在图中的分布位置，聚类出不同的人智交互类型。

三、 主要研究发现

研究通过上述系统分析，得出了以下几项重要发现：

1. 人智协同写作对话的阶段性特征：对比两轮对话发现，学生的对话行为发生了显著变化。从第一轮到第二轮，简单指示、提及概念等浅层行为比例显著下降，而复杂指示、讨论外部资源、转折话题等更主动、更复杂的对话行为比例显著上升。认知网络分析进一步显示，第一轮对话的网络连接主要集中在“简单指示”与“提及概念/外部资源”之间，表明初期互动多为信息获取和初步理解。而第二轮对话中，“复杂指示”与“转折话题”的连接更为突出，显示出学生开始尝试引导AI进行多维度的思考与内容生成。这表明，随着对话阶段的推进和互动经验的积累，学生的对话能动性有所增强。

2. 写作水平与对话行为的关联性：频次分析与认知网络分析均揭示了一个有趣且重要的现象：中等写作水平组的学生在人智交互对话中表现最为积极和均衡。与低水平组相比，中水平组学生使用了显著更多的复杂指示、讨论概念、综合回应等深层互动行为。认知网络图也显示，中水平组学生的对话网络节点连接最为丰富和均衡，特别是“简单指示”与“讨论概念”之间的连接非常紧密。相比之下，高水平组学生的表现并未显著优于中水平组，其网络结构与低水平组更为相似，均集中在“简单指示”、“提及概念”和“转折话题”上，但其在复杂指示、讨论概念等具体行为频次上仍高于低水平组。这表明，传统写作技能的优势未必直接转化为高效的人智协同能力，而中等水平的学生可能更善于利用AI工具来弥补自身不足，实现“弯道超车”。

3. 人智交互对话模式的识别与机制：通过二维象限分析，研究识别出四种典型的人智交互对话模式：

   • 惰性接收被动对话型（低获取-低互动）：占比最高（41.51%）。这类学生对话目的性单一，仅满足于从AI处获取基础信息或直接生成文本，缺乏深度互动与思考，体现了“拿来主义”倾向，人智关系呈“机器主导、人智分离”状态。
   • 搜索依赖主动对话型（高获取-低互动 & 低获取-高互动）：占比分别为26.42%和13.21%。前者主要表现为频繁要求AI提供外部资源或实例，将AI视为高级搜索引擎；后者虽积极回应和转换话题，但信息获取零散，缺乏系统调节。两者均显示出对AI建议的依赖，但主动程度不同。
   • 共享调节协作对话型（高获取-高互动，部分）：这类学生能与AI形成合作关系，共同规划写作任务（如拟定提纲、修改润色），进行过程性的协商与调整，体现了“学习者主导、人智协作”的特点。
   • 思辨创造共生对话型（高获取-高互动，部分）：这类学生将AI视为平等的对话伙伴，不仅进行复杂的信息加工，还能对AI的回应提出质疑、反驳，进行批判性思辨。例如，学生会对AI的观点提出质疑并要求论证，实现了“学习者主导、人智共生”的深度对话。

   研究进一步将这四种模式归纳为两个层次：浅层交互（惰性接收型、搜索依赖型）和深层交互（共享调节型、思辨创造型）。浅层交互主要对应知识的记忆、理解与整合（低阶思维），学习者倾向于从AI获取“硬知识”；深层交互则涉及分析、评价与创造（高阶思维），知识在人智间动态流转、迭代创生，形成“软知识”。这四种模式呈现出学习者能动性递增、人机关系从分离走向共生、认知层次从浅层学习走向深度学习的连续统。

四、 结论与价值

本研究得出结论：在自然状态下，学生与生成式AI的协同写作对话整体上仍以浅层交互为主，存在被动接收和搜索依赖的倾向，这可能折损学习者的自主性与深度思考能力。然而，研究也识别出了以“共享调节”和“思辨创造”为特征的深层交互模式，后者能够促进知识的动态建构与人机深度融合，是实现“人智共生”理想学习状态的关键路径。

本研究的科学价值在于：第一，创新性地将认知网络分析法应用于人智交互话语分析，直观揭示了不同交互模式的结构化特征。第二，从“对话教育”的理论视角切入，深化了对人智交互学习过程内在机制的理解，构建了从浅层到深层、从分离到共生的人智交互模式谱系。第三，揭示了写作能力与人智交互效能之间的非线性关系，为差异化教学干预提供了实证依据。

在应用价值方面，本研究为教育实践提供了重要启示：首先，教学设计需提供针对性支架（如结构化对话指令、半结构化反思提示），帮助学生（特别是惰性型和依赖型学习者）跨越交互壁垒，拓宽人智对话空间。其次，应创新对话教育方式，例如将苏格拉底提问法嵌入人机对话或教授给学生，以引导和促进深层次的思辨创造共生对话。最后，亟需更新人才培养需求，将“人工智能素养”作为核心目标，重点培养学生在人智协作中的批判性思维、元认知能力与共享调节能力，以应对智能时代的新挑战。

五、 研究亮点

本研究的亮点突出体现在以下几个方面： 1. 研究视角新颖：紧扣生成式AI教育应用的前沿，从“对话”这一微观互动过程切入，深入探究人智协同学习的内在机理。 2. 方法创新：成功引入并适配了认知网络分析法，使人智交互中复杂的、动态的话语行为模式得以可视化呈现和精确比较，研究方法具有前沿性。 3. 发现深刻：不仅描述了现象，更通过实证数据揭示了“中等水平学生表现最佳”、“浅层交互普遍存在”以及“深层交互可能路径”等重要发现，对理论和实践均有启发。 4. 理论构建：基于实证结果，提炼并命名了四种人智交互对话模式，并将其与知识转化层次、认知思维水平、人机关系阶段进行了系统关联，构建了一个具有解释力的初步理论框架。

六、 其他有价值内容

论文在讨论部分还进一步探讨了相关理论，如引用了布伯（Martin Buber）的“我-它”与“我-你”关系哲学，指出理想的人智交互应致力于建立“我-你”式的对话关系，将AI视为可拓展人类智能的伙伴。同时，研究也警示了技术可能带来的教育风险，如生成式AI的“跨越过程性”可能替代学生的认知过程，导致浅表学习和思维惰性。这些论述丰富了研究的理论深度与现实关切。研究最后展望了未来方向，包括拓展更多教育场景的人智对话研究，以及深化对话教育理论与技术实践的结合。