智能學習分組：從通用模型到大數據框架

謝濤 農李巧 高楠

[摘? ?要] 學習分組是協作學習活動設計的首要階段。隨著學習場所的快速變化、多模態交互過程復雜性的增加，采用傳統的隨機分組、教師指派或學生自我選擇等方法進行協作學習分組的效率十分低下。研究提出基于智能技術構建自適應的協作學習小組。首先，闡述了學習分組的價值，即構建合理的協作學習環境、兼顧學生的個體差異和促進教育資源優質公平;其次，總結了影響智能學習分組的因素，包括個體屬性、小組學術與物理構成以及學習者與環境的交互;最后，描述了經典場景下智能學習分組的通用模型，并討論了大數據背景下智能學習分組的前景與挑戰。針對大數據驅動智能學習分組的穩定性問題，基于機器學習中的集成學習思想構建了大數據共識分組框架。此框架有望為人工智能促進未來規模化的個性化教育提供支持。

[關鍵詞] 分組; 人工智能; 智能學習; 教育大數據; 協作學習

[中圖分類號] G434? ? ? ? ? ? [文獻標志碼] A

[作者簡介] 謝濤（1983—），男，四川巴中人。副教授，博士，主要從事智能教育關鍵技術與應用研究。E-mail：xietao@swu.edu.cn。

一、引? ?言

分組學習把社會心理學的合作規律引進教學中，強調人際之間的交往對于認知發展的促進作用。分組學習讓生生和師生之間通過自主探究、相互啟發來提高學生綜合素質、提升學習質量，形成一種生動活潑、全員參與的學習氛圍。分組學習的前提是將學生按照特定的標準劃分到合適的小組中，即學習分組。學習分組是構建協作學習團隊的首要任務，小組同伴對團隊中成員的學習，甚至對整個團隊目標完成都有著重要的影響[1]。在大多數教學場景中，主要通過人工方式來完成學習分組。但考慮到學生在認知、社會、文化、心理等方面的差異，人工分組是一件十分困難且耗時的工作。隨著計算機技術的發展，大多數學習分組可以通過算法來實現。基于算法的學習分組主要經歷了適用于小規模班級教學的半智能化階段到可以應用于大規模開放教育的全智能化階段。選擇合適的智能分組算法在個性化學習導航、精準化學習資源推薦和智能化學生模型構建等方面有著極其重要的作用。例如：實現學習資源推薦需要基于歷史訪問數據對學生偏好進行相似性計算，學生被分為若干組，組內學生盡可能相似，組間學生盡可能分離。這種分組結構可以作為機器推理過程中的重要知識。然而，學習分組過程總是伴隨著不同的分組類型、技術采納和小組規模的艱難平衡，這為智能學習分組的成功實施帶來了新的巨大挑戰。

二、學習分組的概念

學習分組在傳統教學中應用十分廣泛。《辭海》對“分”的解釋為，區劃開、由機構內獨立出的部分;對“組”下的定義為，結合、構成，因工作和學習的需要結合成的小單位[2]。由夸美紐斯提出的班級授課制可知，學生作為個體在大班級中屬于“分”的獨立個體，按照一定的標準劃分為“組”后，便成為學習小組。組內成員可以開展基于共同學習任務的合作，組間則體現分組的平等性或競爭關系。分組將學生參與的課堂教學組織成一個完整而又相互作用的系統，不但使學生的個性得以發展，還可以提升小組的學習績效。學習分組的產物通常被稱為學習共同體，意為小范圍、自然形成、以整體為本位的聯合。共同體強調人與人之間的緊密關系和社會聯接，建立在自然基礎上的群體之中。共同體與教育的結合是在尊重個體差異性的基礎上，使每個人都能展現其社會影響。因此，趙建華認為，學習分組是“由兩個或兩個以上的個體組成，個體間相互依賴、積極互動、彼此影響，有調節成員行為的價值與規范”[3]。

傳統學習分組通常采用隨機分組、教師指派或學生自我選擇等方法。隨機分組沒有固定的標準，學生被隨機分配到小組中。隨機分組大多數形成的是異質小組（Heterogeneous Group），一般由不同學習能力、學習風格、學習成績、性別、種族的學生組成[4]。教師指派分組往往憑借其主觀經驗，根據學生表現、任務類型或教學目標，既可以把學生分為同質小組，也可以分為異質小組。學生自我選擇分組是學生以自組織的方式構成小組。學生傾向于選擇那些興趣愛好相同、社會關系好或知識水平相當的同伴作為組員，形成的是同質小組（Homogeneous Group）[5]。隨機分組最簡單，卻是一種效率極低的分組方法，小組成員難以掌控分組的質量，無法直接解決小組結構變化和社會動力學帶來的協作學習問題。學生自我選擇可形成統一的小組目標和學術氛圍，但難以控制組員的知識、技能和個性等在小組中分布的均衡性，缺少傾聽不同觀點、彼此爭辯的機會，難以產生不同的問題解決思路和方法。教師指派分組雖然可以避免隨機分組和學生自我選擇分組的缺點，但教師經驗主導無法對學習者興趣、技能、心理素質、個性等因素進行綜合衡量。教師確定分組人數、指派組長不利于調動組內其他成員的參與度，如果組員能力差異較大，容易出現由能力較強的組員主導整個小組活動，從而影響其他組員在小組中的存在感。

三、學習分組的價值取向

18世紀末，英國牧師倍爾等提出“導生制”。教師只面向班里一部分學生，即“導生”，“導生”向班內其他學生轉授教師講過的內容[6]。約翰·霍普金斯大學教授斯萊文（Slavin）提出，“學習小組成績分享法”和“切塊拼接法”，可謂學習分組思想的進一步發展[7]。在我國，《詩經·衛風》中的“有匪君子，如切如磋，如琢如磨”，《學記》中的“相觀而善謂之摩”“獨學而無友，則孤陋而寡聞”，近代陶行知的“小先生”制等均反映了學習分組的思想[8]。可見，學習分組在教育教學中有著極其重要的作用。

（一）分組是協作學習的基礎

協作學習主要以小組為基本組成單位，將傳統面對面教學中單向知識信息傳遞轉變為教學各個動態因素間的多邊交流，拓展師生、生生間的信息來源。合理的分組被認為是協作學習取得成功的前提，它影響學習體念、學習有效性和學習效率[9]。學習科學家認為，協作學習至少包含以下幾個層面的內容：協作學習是以小組活動為主體的一種教學活動，協作學習是一種同伴之間的合作互助活動，協作學習是一種目標導向活動，協作學習以各個小組在達成目標過程中的總體成績為獎勵依據，協作學習由教師分配學習任務和控制教學進程[10]。有效的協作需要有一定的物理邊界，即小組有特定的小組規模和成員配置。協作學習把學習者分為多個組別，組內成員有共同的學習目標，需要通過小組成員的共同努力來實現[11]。顯然，不同的教學方式對小組的構成有著不同的要求，協作任務的差異性決定小組成員的流動性，而構建科學合理的小組正是協作學習成功的必要前提。

（二）分組兼顧學生的個體差異

由于學生的認知水平、地區、民族、個性、學習風格、學習方法、文化背景存在差異，尊重學生個體差異才有構建合作、對話、互動課堂的可能性。學習者異質性的存在使學習者之間相互依存、相互協作、相互關愛、相互吸引。因此，在學習小組中，接受異質、容納異質、利用異質、發掘異質、優化異質是分組學習的重要特點。分組學習在充分考慮學生差異的基礎上，從學生的知識和能力水平、興趣愛好、學習風格等出發，將具有類似特征的學生集中到一起，將具有不同特征的學生分配到水平相當的小組中進行學習[12]。教師會根據學生的特點提供區別化、層次化、針對性的教學指導，以促進每一個學生得到更好的發展。分組學習既考慮已有知識和能力水平的智力因素，也包含興趣愛好、學習風格等非智力因素，具體表現在學習速度、學習方式、興趣愛好、學習動機、學習能力、學習毅力、學習方法等方面。分組學習尊重學生個體差異，在強調教學的獨特性和多樣性的同時，將學生的個性差異視為一種可以開發的教育資源，發掘學生個性潛能的生長點[13]。分組學習是一個動態的過程，強調將教與學有機結合起來，以實現教學相長。分組改善了學習條件，符合學生的心理特征和認知規律，調節了教學中學生水平參差不齊的問題，避免了傳統教學“一刀切”、基礎差的學生“跟不上”、基礎好的學生“吃不飽”的尷尬局面。

（三）分組促進教育資源優質公平

資源作為課堂教學中的重要組成要素，包括物質資源和人力資源[14]。物質資源有教材、教學資料、音像、儀器、多媒體設備、智能學習軟件、大數據、遠程教育以及網絡信息等。人力資源包括教師、學生、校外專家等[15]。良好的分組可以讓每個學生有接觸優質教育資源的機會。分組學習把學生差異作為教學的重要資源，充分利用學生的認知特點、學習興趣和學習風格，發現每個學生的專長和才智，開發學生的多元智能，使生生、師生之間相互學習、相互激勵、取長補短、互幫互助、實現小組成員之間的優勢互補，盡可能地發揮其差異資源的豐富性和潛在性，讓每個小組成員都得到最優發展。分組學習讓教師的目光不再僅僅聚焦于“尖子生”或性格活躍的學習者身上，瓦解了傳統教學中人力資源分配不均的問題[16]。由此可見，學習分組無疑是解決教育資源公平分配的重要策略。

四、智能學習分組的通用模型

智能學習分組是利用相關智能技術將學生自動分配到合適的小組中。它涉及與分組有關的教學策略、算法、技術和方法，根據特定的標準將學習者劃分到不同簇群，其目的是使組員能更好地與同伴交互并使學習收獲最大化。

（一）影響智能學習分組的因素

1. 個體屬性

個體屬性大體可以分為學術、認知和社會三個維度。Lei等人提出，智能學習分組至少要考慮六個個體屬性，包括性別、種族、成員之間的熟悉程度、能力、動機水平和來源[17]。Liu等人認為，在進行學習分組時應考慮學術成果[18]。一般情況下，有較高學術成果的學生有更好的同伴交互習慣，也可能有更好的知識交換過程和學習結果。Lin等人發現，社交網絡可能會對小組學習績效產生重要影響[19]。不同的學習任務和學習目標，分組所依據的個體屬性不同，有研究建議將學習者知識水平、技能、能力、學習風格、人格特征、團隊角色和社會交互作為分組依據[20]。在進行學習分組時還應考慮個體在小組中扮演的角色。Yeh等人提出8種角色：監管員、信息提供員、小組指導員、氣氛營造員、意見提供者、提醒者、麻煩制造者和問題解決者[21]。在小組中扮演特定角色會使學生擁有集體責任感，從而有利于營造團隊氛圍并進行協作知識構建。

2. 小組學術構成

Maqtary等人指出，小組學術構成包括學習目標和學習任務[20]。學習任務的類型和復雜度不同，完成這些任務所需小組屬性也不同，有些任務需要形成同質小組，而有些需要形成異質小組、混合小組或均衡小組。在異質小組中，組內成員具有不同的能力、才能、興趣和認知水平。Scheurell認為，最有效的協作小組需由擁有不同能力、性別和學術背景等的異質學生組成[22]。理想情況下的分組應為小組間體現出極小的區別，而小組內則應盡可能有較大的差異。同質小組的含義與異質小組截然相反，由具有相似認知結構、能力、經驗和興趣的學生構成。研究者發現，同質小組比較容易完成一些固定的學習目標，然而當設置靈活的學習任務時構建異質小組的效果明顯優于同質小組[23]。異質小組比同質小組的學習效能更高，具有更高的知識獲取和概念吸收質量。異質小組的學生比同質小組的學生更容易調整學習狀態，更快地、毫無沖突地承擔角色和責任。相反，同質小組需要更多時間才能建立共識并開展有效的協作[24]。但學業成績的異質性可能限制教師的教學滿足所有學生的學術和情感需求，更高的異質性會導致更低的小組參與和協作[25]。混合小組是同質小組、異質小組的折中，既包含部分共同特征，也包含部分不同特征。Garshasbi等人呼吁構建組內同質、組間異質的小組，組間異質可以促進小組完成學習任務，決定了小組的學習速率和質量;組內同質確保每個小組構建的公平性以使每個小組都具備能獲得成功的條件[26]。均衡小組是由個性、能力等較強的學生與個性、能力較弱的學生組成一組，總體上各個組具有相似的小組成員構成[27]。

3. 小組物理構成

小組的物理構成包括小組的規模、分組數量和分組策略等。Qiu等人發現，規模較小的小組，其協作學習效率較高，小組成員能夠更好地協作和交流，教師更容易對小組提供差異化指導[28]。Lou等人認為，最優配置的小組應該有3～4人，如果小組成員超過10人，其學習效果與沒有分組基本沒有差異[29];但也有研究發現，包含2～6人的協作學習小組更為常見，當小組規模超過6人時，小組結構和粘性就會下降，從而影響協作參與度和學習效果[30]。Abuseileek進一步發現，具有5人的小組其協作學習最為理想[31]。另外，傳統的分組策略通常將所有的學習者分組之后，小組結構一般不會發生改變。但是，學生的認知結構、情感狀態和人際交互等都會隨著學習目標和任務的變化而改變。如果小組成員之間不具有互補的知識結構或可變化的社交關系，則不足以預測小組的學習效果。因此，智能學習分組應根據學習任務的變化，對小組物理構成進行相應的調整。智能學習分組既要支持靜態分組，也要支持動態分組。分配成員的過程在學習任務期間可以是靜態的，但也可根據學習任務的變化自適應性地調整分組策略，以滿足不同學習任務的需求。

4. 學習者與環境的交互

隨著信息技術的發展，學習者與學習環境的交互模式也需要被考慮到智能學習分組中。智能學習既支持學習者在任何時間、任何地點的自定步調學習，也支持虛擬和現實學習場景的無縫轉化。學習者可以根據當前的情境自主選擇學習內容，同時學習環境可以記錄學習者特征、環境屬性、學習時間、學習行為和學習地點偏好等信息。其中，學習者特征可以讓學習者通過移動設備自行提交，環境信息可以利用移動設備自帶的GPS、RFID等功能實時獲取，學習者行為信息可以從學習者與同伴之間的交流、與系統之間的交互等過程中提取。在充分考慮學習者所在學習環境的前提下，才能制定符合學習者需求的分組策略。因此，智能分組是一種可定制方案，即教師可以根據學習環境的不同，定義分組的數量、規模和類型。

（二）通用模型

在已有的計算機支持協作學習的研究中，較為通用的智能學習分組模型包含數據輸入、分組優化和結果輸出三部分，如圖1所示。這種思想認為，不是所有的因素都與協作學習目的直接相關，而是依賴協作任務的情境和教師對協作過程的設計。因此，需要從大量影響智能學習分組的因素中遴選出有效因素的集合，然后將其作為智能算法的輸入，通過控制算法的參數實現不同的分組結果。通用模型的輸入主要以個體屬性、小組學術與物理構成和學習者與環境交互子集的優化組合作為學習分組算法的數據源。在早期的學習分組算法研究中，一般采用動態優化算法，如基因算法、蟻群優化、粒子群優化算法[32]等。這類算法主要利用學習者的多個屬性將其劃分到當前情境最優的協作學習小組中。例如：基因算法通過適應性函數來保證小組間績效的均衡性，使每一個小組的成員擁有不同的知識和技能水平。近期的研究多采用機器學習算法（如聚類和分類等）實現智能學習分組。聚類算法通過無監督的方式將沒有事先標注組別的數據通過一定的特征相似性度量聚到一起;分類算法則需要在訓練階段有明確的類別，在測試階段根據已訓練好的模型將數據劃分到已知的類別中。模型的輸出一般是分組類型（如同質小組、異質小組、混合小組和均衡小組等）、分組數目、小組規模和子組等。通用模型的主要缺陷是由于算法復雜度的限制，能用于分組的數據量很少，一般多用于班級規模的協作學習，且分組一旦形成將難以動態修改。

五、基于大數據的智能學習分組

（一）大數據時代智能學習分組的前景

一方面，智能學習分組可用于大規模個性化學習資源推薦。個性化學習推薦系統的主要目標是將大量的學習資源、學習同伴等對象在有限時間內推薦給最合適的目標學習者，降低學習者的認知負載。隨著數據不斷增長，新用戶不斷到來，新的學習行為不斷產生，冷啟動問題成為個性化學習推薦系統的主要瓶頸。簡言之，冷啟動是指對于新到來的學生，在沒有先驗知識、歷史行為數據的前提下，幾乎不可能為其推薦最合適的學習對象;學生所發表的意見、上傳的資料只能被少量的用戶評級或回復，但這些項目很難被及時地推薦給其他學習者。近年來，有研究提出，將學習者先進行分組，然后為每個組提供一個公共的推薦項目列表，即形成分組推薦系統[33]。分組推薦系統所提供的項目一般可以滿足大量的組內成員的需求，不需要過度依賴于歷史數據，可以很好地解決數據稀疏性和冷啟動問題。

另一方面，智能學習分組可用于構建大規模開放學習者模型。從傳統班級教學到翻轉課堂，再到大規模在線開放課程，用數據來刻畫學習過程、學習狀態、情感體驗和元認知水平是學習者模型所要解決的主要問題。學習者模型主要從學習者與學習平臺、課程資源等交互數據中構建，用于教師更好地理解學生的知識和技能水平。而開放學習者模型除了學習模型的標準含義外，還要求學習者建模的結果可以被學習者直接使用。組員可以通過眾包提供一些額外的基礎信息，甚至修改和完善已有的學習者模型，從而增加學習者模型服務的精準度。常用的學習者模型有重疊模型、刻板模型、基于本體的學生模型和基于機器學習的學生模型。在這些模型中，分組包含兩層含義：將大量歷史數據對象劃分到若干個簇群，或將新到來的數據對象劃分到已知的簇群中。

（二）大數據對智能學習分組的挑戰

1. 多源數據異構

大數據時代，學習者屬性、學習環境、學習資源的差異化程度更加明顯。學習者的背景既有在校學生也有成人學生，他們可能有不同的認知信念、學習偏好和情感追求，甚至有較大的種族、文化差異。學習資源可能既包括文本媒體類型，也包括動畫、視頻、VR等多模態資源。有效的智能分組隨著大規模異構數據的到來變得更加困難。大數據時代，用于學習分組的數據不限于教師診斷和學生自我報告，更會利用大量的認知測評、社會行為和實踐技能等數據。利用多模態數據進行智能學習分組更是一個懸而未決的難題。顧小清等人認為，智能教育主要面臨多源情境數據的獲取、多模態數據的兼容性等挑戰，從而影響精準教學干預和學習結果解釋的科學性[34]。數據采集時需要結合教育大數據平臺，收集線上線下學習者的認知、身體、心理、行為、學習過程及學習狀態數據，整合機器學習、語音分析、表情和動作識別等技術，構建智能學習分組系統中基于教育過程和學習者行為的量化標準。數據采集需要對學習者的學習狀態、學習偏好、協作交互和學習績效等做出分析和建模，為學習者智能分組策略的設計、小組生成、小組成員的精準劃分與動態調整提供全景化和模式化操作。針對多源數據的非結構化、稀疏和高維特點，需要采用多角色、多層級、跨平臺的教育數據采集框架，實現數據源接入、數據清洗、模型構建、模型訓練、模型評估、模型發布、任務調度等一體化功能。

2. 分組結果的穩定性

大數據具有量大、快速變化等特征。海量和高速動態數據可能會導致許多已有的智能學習分組模型失效。例如：基因算法隨著迭代次數的增加，執行效率變得越來越低，面對海量多模態數據時將變得異常困難。在能處理大數據的模型中，智能學習分組難以實現分組的通用性和穩定性。通用性是指分組算法能處理大量異構數據的分組問題;穩定性是指分組結果可以達到一個穩定的狀態，不會隨著分組模型和參數選擇的不同而不同。但實際上，智能學習分組極大地依賴算法方面的假設。構建同質或異質小組目標不同，算法選擇的標準亦不同;對于同一個分組問題，不同算法的參數導致分組結果會出現差異;即使使用相同的參數設置，不同的數據屬性也會導致不同的分組結果。例如：使用k-NN和k-Means算法可能得到如圖2所示的兩個完全不同的結果，會給教學人員帶來極大的困擾。

3. 分組過程的可解釋性

基于大數據的智能學習分組過程可解釋性差。可解釋性被定義為向人類解釋或提供可理解的術語的能力，它既是人類與決策模型之間的接口，也是決策模型的精準代理[35]。換句話說，可解釋性是人類可以理解的語言和工具。在智能學習分組中，可解釋性可以幫助大數據專家和教師更好地理解學習分組過程，尋找系統各元素之間的相關性。盡管近年來的機器學習（如神經網絡等）模型取得了巨大成功，但一般而言，越復雜的模型，可解釋性越差。它如同一個黑盒，當輸入給定數據會產生不同的分組結果，但是由于不清楚其具體決策過程和依據，智能學習分組的可靠性會受到一定的質疑。當然，影響分組可解釋性的因素也可能是人為的。由于不同的研究者觀察問題的角度不同，給“可解釋性”賦予的含義不同，所提出的可解釋性方法各有側重。

（三）大數據共識分組框架

在上述所有的挑戰中，分組穩定性問題可能給教師決策過程帶來極大的困擾，因為教師使用不同的方法、技術和策略可能產生不同的學習分組;分組穩定性問題也可能誤導推薦系統的知識推理過程，導致同一個組的學習者得到不同的推薦項目或不同組的學習者得到相同的推薦項目。因此，分組穩定性問題是影響分組質量的關鍵因素，亟須得到解決。本研究針對分組穩定性問題提出大數據共識分組框架，如圖3所示。共識分組是指不依賴單個算法的能力或避免單個數據集主導整個智能學習分組的過程，而是將算法獨立地運行在數據集的內部，最后通過協商產生最終的分組結果。數據集內部協商的過程被稱為共識。共識分組基于機器學習中的集成學習思想，將多個次優的分組結果進行組合，最終得到一個更好、更穩定的分組結果。共識分組認為，數據是多視圖的，而非單視圖的，數據是協同工作的，而非孤立存在的，共識分組的核心并非分組算法本身，而是分組結果的協商過程。共識分組框架中數據源來自學習者日常的多模態數據，包括網絡訪問、交互行為、物聯網、攝像頭等，通過語義抽取和融合構建描述學習的多維數據模型。該框架的主體是共識分組模型，將標準化的數據首先分割為n個不相交的子集，對每一個子集使用機器學習算法實現分組，最后通過一組共識分組函數決定最終的分組結果。運行在每一個數據子集上的機器學習算法可以從簡單的k-Means聚類算法到復雜的神經網絡分類模型。該框架的輸出是一個組內同質、組間異質的簇群劃分，可以顯示實時和歷史分組情況，也可以通過共識過程區分正常和風險學習者。

六、結? ?語

本文的主要貢獻是勾勒出了智能學習分組的藍圖，強調了學習分組在未來個性化教育（如協作學習、個性化學習推薦系統）中的重要性，并提出了既可用于協作學習，也可以用于復雜智慧環境下的智能學習分組技術框架，以期在未來的規模化、個性化教育中為教學過程和管理提供智能決策。本文所呈現的分組模型已通過算法實現。下一步工作將重點介紹算法設計細節和智能學習分組的有效性。

[參考文獻]

[1] 何文濤，梁晨，龐興會，路璐.協作學習活動設計的困境與出路[J].電化教育研究，2021，42（3）：103-110.

[2] 夏征農，陳至立.辭海[M].6版.上海：上海辭書出版社，2010.

[3] 趙建華.計算機支持的協作學習[M].上海：上海教育出版社，2006.

[4] FU Q K， HWANG G J. Trends in mobile technology-supported collaborative learning： a systematic review of journal publications from 2007 to 2016[J]. Computers & education， 2018， 119（4）： 129-143.

[5] CHEN C M， KUO C H. An optimized group formation scheme to promote collaborative problem-based learning[J]. Computers & education， 2019， 133（5）： 94-115.

[6] 吳鵬澤.基于導生制的主題教學設計與應用[J].教育研究，2011（12）：103-106.

[7] SLAVIN R E. Educational psychology： theory and practice[M]. New Jersey：Prentice Hall，2019.

[8] 周洪宇.陶行知畫傳[M].山東：山東教育出版社，2017.

[9] KROUSKA A， VIRVOU M. An enhanced genetic algorithm for heterogeneous group formation based on multi-characteristics in social-networking-based learning[J]. IEEE transactions on learning technologies， 2019， 13（3）： 465-476.

[10] FU Q K， HWANG G J. Trends in mobile technology-supported collaborative learning： a systematic review of journal publications from 2007 to 2016[J]. Computers & education， 2018， 119： 129-143.

[11] 王靖，王琦，鄧雯心.協作知識建構中認知沖突消解支架設計與實證[J].電化教育研究，2021，42（9）：84-90，114.

[12] 約翰遜.合作學習[M].伍新春，鄭秋，張潔，譯.北京：北京師范大學出版社，2004：18-20.

[13] 張詩雅.課堂有效學習的指導策略研究[D].上海：上海師范大學，2015.

[14] 王鑒，王明娣.高效課堂的建構及其策略[J].教育研究，2015，36（3）：112-118.

[15] 王鑒.課堂研究概論[M].北京：人民教育出版社，2007.

[16] 李子建，邱德峰.學生自主學習：教學條件與策略[J].全球教育展望，2017，46（1）：47-57.

[17] LEI S A， KUESTERMEYER B N， WESTMEYER K A. Group composition affecting student interaction and achievement： instructors' perspectives[J]. Journal of instructional psychology， 2010， 37（4）： 317.

[18] LIU C C， TSAI C C. An analysis of peer interaction patterns as discoursed by on-line small group problem-solving activity[J]. Computers & education， 2008， 50（3）： 627-639.

[19] LIN J W， HUANG H H， CHUANG Y S. The impacts of network centrality and self-regulation on an e-learning environment with the support of social network awareness[J]. British journal of educational technology， 2015， 46（1）： 32-44.

[20] MAQTARY N， MOHSEN A， BECHKOUM K. Group formation techniques in computer-supported collaborative learning： a systematic literature review[J]. Technology， knowledge and learning， 2019， 24（2）： 169-190.

[21] YEH Y C. Analyzing online behaviors， roles， and learning communities via online discussions[J]. Journal of educational technology & society， 2010， 13（1）： 140-151.

[22] SCHEUERELL S. Virtual warrensburg： using cooperative learning and the internet in the social studies classroom[J]. The social studies， 2010， 101（5）： 194-199.

[23] OUNNAS A， DAVIS H C， MILLARD D E. A framework or semantic group formation in education[J]. Journal of educational technology & society， 2009， 12（4）： 43-55.

[24] MANSKE S， HECKING T， CHOUNTA I A， et al. Using differences to make a difference： a study on heterogeneity of learning groups[M]. Gothenburg， Sweden： The International Society of the Learning Sciences， 2015.

[25] EVERTSON C M， SANFORD J P， EMMER E T. Effects of class heterogeneity in junior high school[J]. American educational research journal， 1981， 18（2）： 219-232.

[26] GARSHASBI S， MOHAMMADI Y， GRAF S， et al. Optimal learning group formation： a multi-objective heuristic search strategy for enhancing inter-group homogeneity and intra-group heterogeneity[J]. Expert systems with applications， 2019， 11（3）： 506-521.

[27] CESARENI D， CACCIAMANI S， FUJITA N. Role taking and knowledge building in a blended university course[J]. International journal of computer-supported collaborative learning， 2016， 11（1）： 9-39.

[28] QIU M， MCDOUGALL D. Influence of group configuration on online discourse reading[J]. Computers & education，2015，87（9）：151-165.

[29] LOU Y， ABRAMI P C， D'APOLLONIA S. Small group and individual learning with technology： ameta-analysis[J]. Review of educational research， 2001， 71（3）： 449-521.

[30] JOLLIFFE W. Cooperative learning in the classroom： putting it into practice[M]. London： Sage， 2007.

[31] ABUSEILEEK A F. The effect of computer-assisted cooperative learning methods and group size on the EFL learners' achievement in communication skills[J]. Computers & education， 2012， 58（1）： 231-239.

[32] LIN Y T， HUANG Y M， CHENG S C. An automatic group composition system for composing collaborative learning groups using enhanced particle swarm optimization[J]. Computers & education， 2010， 55（4）： 1483-1493.

[33] DWIVEDI P， BHARADWAJ K K. e-Learning recommender system for a group of learners based on the unified learner profile approach[J]. Expert Systems， 2015， 32（2）： 264-276.

[34] 顧小清，李世瑾.人工智能教育大腦：以數據驅動教育治理與教學創新的技術框架[J].中國電化教育，2021（1）：80-88.

[35] 紀守領，李進鋒，杜天宇，等.機器學習模型可解釋性方法，應用與安全研究綜述[J].計算機研究與發展，2019，56（10）：2071.