《人机共创的教学特征：认知发展与角色交互研究》是由华南师范大学教育信息技术学院的季瑜、杨雅、詹泽慧合作完成的一项原创性研究，发表于《开放教育研究》2024年第6期。该研究聚焦生成式人工智能（如ChatGPT）融入教育场景后的人机协同机制，通过构建理论模型与实证分析，揭示了人机共创过程中认知发展与角色交互的特征规律，为智能时代创新型人才培养提供了重要启示。

研究背景与学术定位

本研究属于教育技术与学习科学的交叉领域。随着ChatGPT等生成式人工智能的普及，其作为”类主体”（quasi-agent）嵌入学习社群的能力引发学界关注。然而，现有研究多聚焦ChatGPT对学习成绩、动机等单维度影响，缺乏对其支持创造性问题解决（Creative Problem Solving, CPS）的微观证据。基于斯宾诺莎知识论与创造性问题解决的”知识-思维”双螺旋结构，研究团队提出”面向人机协同的创造性问题解决模型”（HMC-PISC模型），旨在回答三个核心问题：(1)如何构建人机协同的CPS模型？(2)人机共创中学习者的认知发展特征？(3)角色交互如何影响共创过程？

研究方法与创新设计

研究采用混合方法设计，包含理论建模与8周教学实验。36名大二学生参与”设计思维与STEM教育”课程，其中21人分为4个接入ChatGPT的实验组。研究创新性地结合认知网络分析（Epistemic Network Analysis, ENA）与社会网络分析（Social Network Analysis, SNA），对3,146条人机交互对话（168,827字）进行多维度编码：
1. 编码框架：将交互问题分为知识型（事实性/概念性/程序性/元认知问题）与非知识型（推进性/调控性/无意义问题），构建七维度分析体系。
2. 双模分析：
- ENA：通过SVD降维构建”事实再认-概念理解”（x轴）与”程序方法-调控推进”（y轴）的二维平面，可视化认知网络演变。
- SNA：基于入-出度划分边缘者、追随者等五种角色，分析群体交互结构。
3. 创造力评估：采用同感评估技术（Consensual Assessment Technique）对STEM教具的新颖性、原创性、流畅性进行专家评分，据此将小组分为高/低水平组。

核心发现与结果分析

1. 认知发展特征

• 整体结构：全体学生的认知网络呈”房子形”网状结构，知识型问题（特别是概念性/程序性/元认知问题）构成强连接三角（连线强度0.76-0.89），体现”以问求知”的基础作用。
  
• 组间差异：
  
  • 高水平组：认知轨迹呈”の”形，质心在四象限循环移动，侧重知识型问题（占比68.3%），元认知问题（ME）与程序问题（PR）的共现频率达41.2次/千字。
    
  • 低水平组：轨迹呈”ㄑ”形停滞于第三象限，非知识型问题占比57.1%，调控性问题（RC）与推进问题（AD）的连接强度（β=0.63）显著高于知识型问题（β=0.29）。
    
• 阶段演化：在HMC-PISC模型的四个阶段中，知识型问题在前两阶段占比超70%（阶段1达76.4%），后两阶段非知识型问题主导（阶段4占62.8%），体现”知识奠基→行动调控”的转换规律。

2. 角色交互机制

• 高水平组：表现为”平衡群体”，ChatGPT作为”供给者”（出度均值113.0）促进”人-机-人”观点流通。组长担任驾驶者（如HS2-1入-出度254.0-436.0），组员核心者占比62.5%，形成五边形内嵌五角星的紧密网络。
  
• 低水平组：分化为两种类型：
  
  • 分散群体（第四组）：ChatGPT边缘化（入-出度40.0-39.0），”人-人”交互占比83.4%，角色单一化。
    
  • 权力斗争群体（第六组）：组长（LS6-1）与组员（LS6-5）权利竞争（入度比52.0:28.0），ChatGPT交互频率仅为高水平组的18.7%。
    

3. 模型验证

通过叠减分析发现，高水平组的认知网络复杂度指数（CNI=3.71）显著高于低水平组（CNI=2.15），且其社会网络密度（0.48 vs 0.31）与聚类系数（0.52 vs 0.29）均更优，证实两类问题的协同调用对创造性成果（教具创造力评分r=0.82, p<0.01）具有预测作用。

理论贡献与实践价值

1. 理论创新：

   • 提出HMC-PISC模型，将人机协同CPS划分为问题识别、想法生成、方案评估、创意物化四阶段，揭示”人类智能-机器智能”双螺旋演进路径。
     
   • 构建”知识型-非知识型”问题协同框架，证实元认知问题（ME）在认知网络中的枢纽作用（中介中心度0.43）。
     

2. 教育应用：

   • 技术整合：建议通过多智能体训练提升ChatGPT的垂直领域适应性，例如在STEM教育中开发学科专属API。
     
   • 教学策略：提出”三为路径”：
     *可为*：筛选适宜AIGC工具，建立信息过滤机制；
     *有为*：培养AI素养，掌握Prompt工程技巧；
     *能为*：设计角色轮换机制，强化共同体文化。
     

3. 方法论启示：创新性融合ENA与SNA，开发”认知-社会”双模分析框架，为学习分析提供新范式。例如通过ENA的质心轨迹量化认知发展（如”の”形轨迹的转折点对应关键学习事件），结合SNA的角色动力学解释群体效能差异。

研究亮点与展望

本研究首次从微观交互层面揭示ChatGPT支持CPS的认知机制，其创新性体现在：
1. 发现认知网络的”房子形”稳态结构与”の/ㄑ”形发展轨迹的预测价值；
2. 识别ChatGPT作为”供给者”与”边缘者”的双重角色张力；
3. 开发可迁移的分析框架，适用于其他AIGC工具（如Claude、Gemini）的教育应用评估。

未来研究可拓展至多模态人机交互（如语音/视觉通道），并探索认知网络结构与脑神经活动的关联性。本文为构建”人类主导-机器增强”的新型教育范式提供了实证基础与理论脚手架。