分享自:

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

期刊:中国电化教育

这篇文档属于类型a,即报告了一项原创性研究。以下是针对该研究的学术报告:


生成式人工智能支持的人智交互过程与模式研究

作者与机构
本研究由汪靖(浙江大学教育学院)、陈恬妮(浙江大学教育学院)和杨玉芹(华中师范大学人工智能教育学部)合作完成,发表于《中国电化教育》2024年8月总第451期,是国家社科基金“十四五”规划2021年教育学青年课题的阶段性成果。

学术背景
随着以ChatGPT为代表的生成式人工智能(Generative AI)技术快速发展,教育领域正经历革命性变革。人智交互(Human-AI Interaction, HAI)作为新型人机关系,其对话特征、过程机制及教育属性亟待厘清。传统人机交互(Human-Computer Interaction, HCI)研究多聚焦工具性功能,而人智交互更强调协作与共生。然而,现有研究对交互模式、知识创生机制及学习效果的影响仍缺乏系统性探索。

本研究以议论文写作为场景,结合认知网络分析法(Epistemic Network Analysis, ENA),旨在揭示:(1)人智协同写作对话的阶段特征;(2)不同写作水平学习者的交互差异;(3)人智交互的典型模式及其认知机制。研究试图填补对话教育理论与生成式AI实践之间的鸿沟,为智能时代的教育设计提供依据。

研究设计与方法
研究分为数据收集、编码分析、网络建模三阶段,具体流程如下:

  1. 研究对象与数据收集

    • 采用整群随机抽样,从Z大学60名报名者中最终纳入53名本科生(男26人,女27人),专业覆盖人文科学(17人)、社会科学(9人)、自然科学(19人)和生物医学(8人)。
    • 参与者首先提交一篇英语习作,由Grammarly和有道软件评分作为基线写作水平。随后在受控环境中进行两轮人智对话:第一轮主题为“智慧与孤独”(20分钟),第二轮为“虚拟现实与真实体验”(40分钟)。最终收集对话文本14,213字,单轮对话平均9.04条,标准差8.37。
  2. 编码框架开发

    • 基于Alyssa Friend Wise的ASIMEC-F框架修订,形成5个一级编码(信息获取、调节互动等)和9个二级编码(如简单指示、复杂指示、讨论概念等)。编码员一致性检验Kappa=0.81,通过协商达成共识。
    • 示例:
      • 复杂指示:“我认为虚拟现实的定义是……请据此补充论据”
      • 综合回应:“你的观点未考虑文化影响,请分层论证”
  3. 数据分析方法

    • 频次差异比较:按写作阶段(第一轮vs第二轮)和写作水平(低/中/高)分组统计行为频次,卡方检验显著性。
    • 认知网络分析:使用ENA工具(窗口大小=5行)构建对话行为共现网络,通过质心位置和连线强度揭示模式差异。
    • 二维象限分类:以信息获取(X轴)和调节互动(Y轴)得分划分交互类型。

主要结果
1. 阶段差异
- 第二轮对话中,复杂指示(24.23%→10.67%)、话题转折(43.46%→15.11%)显著增加(p<0.001),表明后期交互更主动。
- 认知网络显示:初期以“简单指示-提及概念”为主(如直接生成文章),后期转向“复杂指示-转折话题”联动(如要求AI驳论或润色)。

  1. 写作水平差异

    • 中水平组表现最优:复杂指示(25.49%)、讨论概念(23.53%)和综合回应(12.55%)显著高于低水平组(p<0.001)。其认知网络节点连接更密集,体现多元交互策略。
    • 高水平组虽在传统写作中优异,但人智交互中未显著优于中水平组,提示生成式AI可能重塑能力评价标准。
  2. 四类交互模式

    • 惰性接收被动型(41.51%):依赖AI直接输出,如“帮我写一篇关于XX的文章”。
    • 搜索依赖主动型(26.42%):频繁索取外部资源,但缺乏深度整合。
    • 共享调节协作型(18.87%):与AI共同规划写作框架,如“我们的引言需加入案例”。
    • 思辨创造共生型(13.21%):质疑AI逻辑并推动知识迭代,如“你的结论忽略……请重新论证”。

结论与价值
1. 理论贡献
- 提出人智交互的“双螺旋”知识创生模型(类比DNA结构),揭示浅层(信息传递)与深层(思辨共生)交互的认知差异。
- 验证共享调节(Shared Regulation)对协同写作的关键作用,强调元认知能力在人智协作中的桥梁功能。

  1. 实践意义
    • 教育设计:需针对不同模式设计干预支架,如为惰性型提供结构化提问模板,为思辨型嵌入苏格拉底提问法(Socratic Questioning)。
    • 素养培养:人工智能素养(AI Literacy)应涵盖批判性评估、协作决策等高阶能力,而非仅技术操作。

研究亮点
1. 方法论创新:首次将ENA应用于人智对话分析,通过网络叠减图直观呈现阶段与群体差异。
2. 现象发现:中等水平学生的“弯道超车”效应,反映生成式AI对传统能力评价体系的挑战。
3. 模式分类:四象限框架为后续研究提供可操作化的测量工具。

其他价值
研究警示技术依赖可能导致“跨越过程性”认知风险(如直接复制AI文本),呼吁教育者关注交互质量而非仅效率。未来需探索跨文化场景下的人智对话机制,以及多模态(如语音/图像)交互的认知影响。


这篇报告系统梳理了研究的背景、方法、结果与价值,尤其通过数据细节(如频次百分比、Kappa值)和典型案例强化论证,符合学术传播的严谨性要求。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com