李海峰（新疆师范大学教育科学学院）与王炜（同单位）于2023年12月在《开放教育研究》（Open Education Research）期刊发表了题为《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》的原创性研究论文。该研究聚焦生成式人工智能（Generative AI）教育应用背景下学生依赖ChatGPT完成作业导致的”智能知识喂养”（Intelligent Knowledge Feeding）问题，提出了一种创新的人机协同深度探究性学习模型及教学模式。

学术背景

随着ChatGPT等生成式人工智能技术的快速发展，教育领域面临新的挑战：学生直接利用AI生成作业导致学术剽窃、盲目信任AI反馈信息、批判性思维退化等问题。研究基于人机协同学习理论（Human-Computer Collaborative Learning Theory）、社会建构主义理论（Social Constructivism）和涟漪拓展探究法（Ripple Expansion Inquiry Method），旨在构建能够促进深度学习的人机协同系统。研究目标包括：（1）开发人机协同深度探究性学习模型；（2）设计基于ChatGPT和QQ的智慧助教系统；（3）验证该模式对学生高阶思维能力和学习动机的影响。

研究流程与方法

研究采用准实验设计（Quasi-experimental Design），分为理论构建、系统开发和教学实验三个阶段：

1. 理论模型构建

研究团队提出了包含四个核心组件的人机协同深度探究性学习模型： - 素养发展目标：聚焦批判性思维、问题解决等6大核心素养 - 智能问题生成：通过教师预设和AI自动生成两类问题触发探究 - 认知冲突驱动：设计”启动-推进-持续”三阶段认知冲突机制 - 支持系统：包含学习画像分析、智能监控评价和协同环境构建

该模型创新性地解决了原生ChatGPT系统存在的”主体性参与启动效应残缺”问题，赋予AI主动发起深度讨论的能力。

2. 系统开发

基于ChatGPT API和QQ平台开发的人机协同学习系统包含： - 服务器架构：远程服务器（ChatGPT+QQ）与本地服务器（学习分析模块）通过API对接 - 数据库系统：采用SQLite存储会话数据，Excel管理作业任务 - 智慧助教功能：实现智能归纳、任务提醒、绩效反馈等核心功能 - 创新交互设计：突破原生ChatGPT的被动应答模式，增加主动质疑、持续追问等交互功能

系统特别开发了”认知冲突引擎”，能根据会话内容自动识别冲突状态，并通过深度追问策略维持认知冲突。

3. 教学实验

实验选取A大学化学专业两个平行班（实验组n=40，对照组n=42）进行为期3周的对比研究： - 教学内容：《现代教育技术》课程中的”教学设计”章节 - 实验设计： - 实验组：采用人机协同深度探究性教学模式 - 对照组：传统翻转课堂（Flipped Classroom）模式 - 测量工具： - 学习绩效：使用教学设计作品评价量规（两位教师盲评） - 能力量表：包括问题解决能力、批判性思维等6个维度 - 动机量表：区分内在动机与外在动机

实验严格控制教师、学习环境等干扰变量，采用单因素协方差分析（ANCOVA）处理数据。

主要结果

研究获得以下关键发现（效应量η²均达到中等效应水平）： 1. 学习绩效：实验组教学设计作品得分（调整后M=87.94）显著高于对照组（85.90），p<0.05 2. 高阶思维能力： - 问题解决能力（实验组22.40 vs 对照组21.38） - 批判性思维（21.94 vs 20.77）显著提升 - 创造性思维未呈现显著差异（22.69 vs 22.18） 3. 学习心理因素： - 学习态度（31.48 vs 29.95）和自我效能感（34.50 vs 32.67）显著改善 - 内在动机显著增强（13.17 vs 12.39），外在动机无显著变化

质性数据分析显示，82.5%的实验组学生认为智慧助教”能像教师一样引发深度思考”，显著高于传统AI工具的反馈评价。

结论与价值

该研究证实： 1. 人机协同深度探究性教学模式能有效转化”智能知识喂养”为深度学习 2. 智慧助教系统通过认知冲突机制促进学生高阶思维发展 3. AI教育应用需要从工具性使用转向认知协同的范式变革

研究的科学价值在于： - 构建了首个整合协同学理论与社会建构主义的人机协同学习模型 - 开发了具有认知冲突诱发功能的AI教育应用原型系统 - 为生成式人工智能的教育整合提供了实证依据

实践价值体现在： - 为破解AI时代的浅层学习困境提供解决方案 - 设计的智慧助教系统可直接应用于在线教育平台 - 提出的”涟漪拓展探究法”可迁移至其他学科教学

研究亮点

1. 理论创新：首次将认知冲突机制系统整合到人机协同学习模型中
2. 技术创新：开发了具有主动探究能力的智慧助教系统
3. 方法创新：结合准实验研究与深度访谈的多维度验证
4. 应用价值：提出的”在地化知识转化”策略解决了AI教育本土化问题

研究同时指出，该模式对创造性思维的促进效果需要更长期的干预才能显现，这为后续研究指明了方向。论文最后建议，未来研究应关注：（1）认知冲突强度的量化控制；（2）跨学科应用的适应性调整；（3）人机协同中的情感计算优化。这些发现为人工智能与教育深度融合提供了重要的理论框架和实践路径。