基于生成式人工智能技術的對話機器人能促進在線協作學習績效嗎？

鄭蘭琴 高蕾 黃梓宸

[摘 ? 要] 近年來，人工智能技術迅猛發展，對教育教學產生了巨大的沖擊和影響，最引人注目的是基于生成式人工智能技術的對話機器人的興起。為進一步提高在線協作學習績效，研究旨在檢驗基于生成式人工智能技術的對話機器人對在線協作學習績效、批判性思維意識及其知識激活量和貢獻度的影響。研究邀請大學生參與在線協作學習，綜合采用定量和定性相結合的研究方法，深度分析對話機器人的影響。研究結果表明，基于生成式人工智能技術的對話機器人不僅在其知識激活量、貢獻度方面明顯優于傳統媒體，而且也能夠顯著提升在線協作學習績效和批判性思維意識。文章深入分析和討論了研究結果，并提出若干啟示和建議。

[關鍵詞] 在線協作學習； 生成式人工智能技術； 對話機器人； 貢獻度； 學習績效

[中圖分類號] G434 ? ? ? ? ? ?[文獻標志碼] A

[作者簡介] 鄭蘭琴（1979—），女，山西五臺人。副教授，博士，主要從事人工智能與教育、計算機支持的協作學習、學習分析技術等研究。E-mail：bnuzhenglq@bnu.edu.cn。

一、引 ? 言

（一）研究背景與意義

近年來，人工智能技術發展如火如荼。人工智能是指計算機能夠模擬人類的智能，如人類的學習能力、問題解決能力等[1]。人工智能技術按照采用的模型可以分為決策式人工智能和生成式人工智能技術，決策式人工智能也稱為判別式人工智能，主要學習數據的條件概率分布并對新的場景進行判斷和預測；而生成式人工智能主要學習數據中的聯合概率分布并歸納總結，從而生成新的內容，如文本、圖片、音頻、視頻等[2]。人工智能技術經歷了機器學習、神經網絡、大語言模型的發展歷程。

目前，生成式人工智能技術已經在各個行業（如金融、醫療、教育等）受到廣泛關注，特別是在教育領域，可以采用生成式人工智能技術輔助教育者進行教學、學習、管理、決策等。在互聯網+教育時代，越來越多的學習者選擇在線協作學習作為主要的學習方式之一。然而，學習者在進行在線協作學習時會遇到各種各樣的問題，如學習績效低下[3]、批判性思維意識較弱[4]。為了解決這些問題，本研究旨在采用基于生成式人工智能技術的對話機器人來幫助提升在線協作學習績效和批判性思維意識，同時，本研究還比較了基于生成式人工智能技術的對話機器人與傳統媒體在知識激活量和貢獻度方面的差異。本研究的理論和現實意義包括兩方面：從理論層面探索新型媒體對于協作學習的貢獻度和人機協作的新模式；從實踐層面探索如何利用基于生成式人工智能技術的對話機器人提升學習績效。

（二）研究目標與研究問題

本研究的主要目標是檢驗基于生成式人工智能技術的對話機器人與傳統媒體相比，是否能夠顯著提升知識激活量、貢獻度、在線協作學習績效和批判性思維意識。本研究的傳統媒體指的是沒有對話機器人支持的傳統搜索引擎。根據研究目標，提出以下研究問題：

（1）基于生成式人工智能技術的對話機器人能否顯著提升知識激活量？

（2）基于生成式人工智能技術的對話機器人能否顯著提升貢獻度？

（3）基于生成式人工智能技術的對話機器人能否顯著提升在線協作學習績效？

（4）基于生成式人工智能技術的對話機器人能否顯著提升批判性思維意識？

二、文獻綜述

（一）在線協作學習研究現狀

在線協作學習已經成為互聯網時代一種重要的學習方式，并在高等教育領域被廣泛采用。在線協作學習是指為了共同的學習目標、由多名學習者通過互聯網進行同步或者異步的在線學習并協同解決問題的一種學習方式[5]。研究表明，精心設計并合理實施在線協作學習能夠提升學習績效[6]、問題解決技能等[7]。在線協作學習分為同步和異步兩種方式，并在一線教學實踐中備受青睞。

然而，在線協作學習有時候難以取得理想的效果，主要原因在于很多學習者在協作學習中只進行簡單的信息交流與分享、在線協作學習不深入[8]、小組成員常常出現跑題偏題的現象[9]、學習者缺乏及時的反饋導致會放棄協作學習[10]。為提高協作學習績效，非常有必要為學習者提供及時、個性化的反饋。反饋指的是由代理（比如教師、同伴、父母、自己、機器等）提供的關于個人績效或想法方面的信息[11]。在協作學習領域，研究者通過多種方式為學習者提供個性化的反饋。比如：Martinez- Maldonado利用手持式儀表盤的分析結果為學習者提供個性化的反饋[12]；Tan 和 Chen通過同伴互動的方式提供反饋并提升協同知識建構水平[13]；還有研究者利用會話代理為學習者提供反饋，從而增強學生在協作學習中的動機和參與程度[14]。然而，鮮有研究基于生成式人工智能技術的對話機器人為參與在線協作學習的學習者提供全方位、個性化的反饋。本研究旨在利用基于生成式人工智能技術的對話機器人為學習者在協作學習過程中提供實時、個性化的反饋，同時比較基于生成式人工智能技術的對話機器人與沒有對話機器人的差異。

（二）生成式人工智能技術及其影響

生成式人工智能技術是通過分析訓練樣本、學習其模式和分布、生成作品的一種人工智能技術，它主要包括兩大類，即生成式對抗網絡模型和生成式預訓練語言模型[15]。生成式對抗網絡模型包括生成模型和判別模型，生成模型主要捕捉樣本數據的分布并合成數據，判別模型主要判斷輸入是生成的樣本還是真實數據，通過這兩個模型的博弈并最終達到一種平衡[16]。生成式預訓練語言模型是典型的預訓練—微調模型，其原理是，首先，通過監督學習訓練微調模型，其次，收集比較性數據并訓練獎勵模型，最后，通過強化學習算法對獎勵模型進行調優[17]。

生成式人工智能技術目前已經對學習、教學、管理、研究等方面產生前所未有的影響和沖擊。首先，生成式人工智能技術引起了學習方式的變革。祝智庭等學者提出，以自主學習為驅動力、以自監督學習為保障、以思維技能為核心、以創新意識為生命力、以情感為催化劑的高意識生成式學習將成為當今人工智能時代的學習新范式[18]。其次，生成式人工智能技術對教學產生深遠的影響。基于生成式人工智能技術的工具賦能個性化教學，讓每個學生都擁有私人學習助理，并對教學方式、教學內容、教學評價產生革命性影響，形成教師—機器—學生、智能化教學內容生成、多元評價的新型教學模式[19]。最后，生成式人工智能技術對管理和研究也將產生顯著的影響，比如，有學者認為，生成式人工智能技術將變革學校管理的模式，一些機械性的工作交給機器去自動完成，采用生成式人工智能工具還可以提供多模態的數據、資源等，為學校科學合理制定決策提供強有力的證據[20]。

（三）對話機器人研究現狀

對話機器人是人機對話系統的一種。人機對話技術旨在通過各種技術使得機器能夠最大程度地模仿人類的對話，從而與人進行最自然的交流[21]。目前的人機對話系統主要包括兩種類型，一種是面向開放領域的非任務型對話系統，另一種是面向垂直領域特定任務的任務型對話系統。非任務型對話系統的構建方法有三種，即基于生成的方法、基于檢索的方法、二者混合的方法；任務型對話系統的構建方法主要有兩種，一種是采用端到端的方法，另一種是采用管道的方法[22]。由于端到端的方法需要搜集大規模的訓練數據，可擴展性不強，還需要較多的人為干預[23]。因此，大多數研究采用管道的方法構建任務型對話系統。目前，流行的對話系統就是對話機器人。

基于管道方法構建的任務型對話機器人主要由四個功能模塊組成，即自然語言理解、對話狀態跟蹤、對話策略學習和自然語言生成。自然語言理解模塊主要把原始的用戶信息轉換為語義槽從而理解對話領域和用戶的意圖；對話狀態跟蹤模塊主要基于對話歷史和當前的狀態迭代地校準和更新對話狀態；對話策略學習模塊主要基于對話最新狀態決定下一步對話系統的動作；自然語言生成模塊則把選擇好的對話行為轉換為用戶可以理解的自然語言。其中，對話狀態跟蹤和對話策略學習可以合并為一個模塊即對話管理模塊，這也是任務型對話機器人的核心模塊[24]。

目前，任務型對話機器人已經在各個領域嶄露頭角，發揮重要作用。比如：研究者開發了任務型對話機器人幫助用戶預定餐廳[25]；有研究者構建了進行疾病自動診斷的任務型對話機器人[26]；有研究者開發了任務型對話機器人作為語言教學助手輔助學生進行語言學習[27]。在協作學習領域，研究者開發了任務型對話系統支持協作學習并提供反饋。比如：Tegos等學者開發了會話代理支持學習者在同伴貢獻的基礎上闡述對重要概念的推理過程[28]；還有學者開發了在線會話代理激發學生在協作學習中的動機和參與程度[14]；Nguyen比較了專家型會話代理和同伴型會話代理在協作學習中的作用，發現這兩種類型的代理都能促進在線討論和系統性思維[29]。然而，已有的任務型對話系統尚未采用生成式人工智能技術，大多只能簡單地回答用戶的問題，這種淺表層次的交互不僅導致學習者厭煩、對話無法持續、對話效率不高，而且難以激發學習者的積極性和主動性、無法引導學習者深入學習，導致學習者常常忽略對話系統的存在。本研究主要采用基于生成式人工智能技術的對話機器人支持在線協作學習，考察其與傳統媒體的差異。

三、研究設計

（一）研究對象

本研究一共招募在校大學生30人，學生所學專業包括計算機科學、教育技術學、教育學、心理學等。參與本研究的30名大學生分為5個實驗組和5個控制組，實驗組和控制組分別有15人，每個小組3名學生。為檢測已有知識水平是否存在差異，所有學生都經過了前測。根據前測結果，發現實驗組和控制組在已有知識水平方面沒有顯著性差異（t=0.254，p=0.806）。所有學生都簽署知情同意書，他們在研究過程中可以隨時退出實驗。

（二）研究假設

根據研究目的和研究問題，提出如下研究假設：

（1）基于生成式人工智能技術的對話機器人能夠顯著提升知識激活量。

（2）基于生成式人工智能技術的對話機器人能夠顯著提升貢獻度。

（3）基于生成式人工智能技術的對話機器人能夠顯著提升在線協作學習績效。

（4）基于生成式人工智能技術的對話機器人能夠顯著提升批判性思維意識。

（三）研究方法

本研究采用定量研究與定性研究相結合的研究方法開展研究。定量研究的方法包括準實驗法和問卷調查法，定性研究的方法采用訪談法。通過準實驗法旨在比較基于生成式人工智能技術的對話機器人與傳統媒體在知識激活量、貢獻度、在線協作學習績效和批判性思維意識方面的差異。問卷調查法旨在了解學生批判性思維意識的狀況。訪談法旨在深入調查學習者使用對話機器人的真實感受。統計分析方法旨在檢驗實驗組和控制組的差異。

（四）研究流程

本研究的流程包括三個階段。第一階段主要進行前測，即對所有學生開展關于人工智能技術和大數據等已有知識的測試。根據測試結果進行分組，確保實驗組和控制組在已有知識基礎方面沒有顯著性差異。第二階段首先進行培訓，包括對在線協作學習平臺、基于生成式人工智能技術的對話機器人的使用方法進行演示和培訓；其次，正式開展在線協作學習，在線協作學習的任務包括三個子任務，即討論人工智能的關鍵技術及其應用，大數據與人工智能之間的關系，對給定的四個案例進行深入分析并評價其利弊、對學習的影響及其改進方案。當每個小組完成既定任務后，形成的主要觀點和解決方案作為小組作品上傳到在線協作學習平臺。為避免干擾變量的影響，所有實驗組和控制組的在線協作學習任務、時長、要求等都完全相同，差異僅僅在于使用的媒體手段不同。實驗組開展基于生成式人工智能技術的對話機器人支持的在線協作學習（如圖1所示），而控制組開展傳統的在線協作學習（如圖2所示）。第三個階段主要進行后測和訪談，即對學習者的批判性思維意識進行后測，并對所有實驗組進行面對面的半結構化訪談，從而了解學習者使用對話機器人的感受。

圖1 ? 利用文心一言支持的在線協作學習

圖2 ? 傳統的在線協作學習

（五）研究工具

本研究所采用的研究工具包括前測題目、批判性思維意識問卷。前測題目由有經驗的老師編制，并由兩位研究助理進行評判，采用Kappa值計算評分者信度，結果為0.89，表明一致性良好。批判性思維意識問卷改編自Yeh學者[30]，一共由20個題目組成，采用五點量表的方式。批判性思維意識問卷的Cronbach's α值為0.864，表明具有良好的信度。另外，本研究基于生成式人工智能技術的對話機器人采用文心一言3.5，文心一言是百度研發的基于知識增強大語言模型的對話機器人，能夠進行對話、創作、回答問題、方便高效地獲取信息[31]。

本研究中知識激活量的算法根據基于信息流的協作學習交互分析方法計算得出[32]，該算法采用信息熵模型計算知識點的激活量。媒體的貢獻度則由媒體提供的知識點激活量與所有知識點激活總量（即包括學習者的激活量與媒體激活量的總和）的比值計算得出。為了保證分析的客觀性，由兩人背對背對所有組的信息流進行分析，采用Kappa值計算評分者信度，結果為0.83，表明一致性良好。

在線協作學習的績效主要根據評價量規對小組作品的質量進行評價，評價量規包括論點、論據、論證、結果四個維度，每個維度的滿分為25分，總分為100分。每個小組的作品均由兩位研究者根據評價量規進行獨立打分，采用Kappa值計算評分者信度，結果為0.84，表明一致性良好。另外，本研究對所有實驗組進行了半結構化的深度訪談，主要包括對話機器人的作用和貢獻、對協作學習績效的影響、對批判性思維意識的影響等方面了解使用者的感受和想法，從而印證實驗的結果。對于訪談記錄，本研究采用主題分析法，由兩人背對背分析每個組分訪談記錄，采用Kappa值計算評分者信度，結果為0.88，表明一致性良好。

四、研究結果

（一）知識激活量

知識激活量主要測量基于生成式人工智能技術的對話機器人和傳統媒體在知識點方面的激活程度。首先，所有知識激活量的數據滿足正態分布（p> 0.05）。其次，采用獨立樣本t檢驗來檢查實驗組和控制組在知識激活量方面的差異。根據統計結果，發現控制組（M=220.90，SD=104.03）和實驗組（M=670.85， SD=330.53）在知識激活量方面具有顯著性差異（t= 2.903，p=0.02），并且實驗組的知識激活量顯著高于控制組。因此，基于生成式人工智能技術的對話機器人確實能夠顯著提升知識激活量。

（二）貢獻度

媒體貢獻度主要測量媒體對激活知識的貢獻程度。首先，所有的數據滿足正態分布（p>0.05）。其次，采用獨立樣本t檢驗來檢查實驗組和控制組在貢獻度方面的差異。根據統計結果，發現控制組（M=0.59，SD=0.23）和實驗組（M=0.86，SD=0.05）在貢獻度方面具有顯著性差異（t=2.589，p=0.03），并且實驗組的貢獻度顯著高于控制組。因此，基于生成式人工智能技術的對話機器人確實能夠顯著提升貢獻度。

（三）在線協作學習績效

在線協作學習績效的得分是小組作品質量的評價得分。首先，所有的數據滿足正態分布（p>0.05）。其次，檢查執行協方差分析的條件，即方差是否齊性。統計分析結果表明，后測的協作學習績效的方差齊性（F =0.167， p=0.694）。另外，組別和前測的交互作用也不顯著（F=1.868， p=0.221），即滿足平行性檢驗。最后，采用協方差分析法檢查實驗組和控制組在協作學習績效方面的差異。根據統計結果，發現控制組（M= 79.00， SD=4.30）和實驗組（M=86.80，SD=4.43）在協作學習績效存在顯著性差異（F=7.112，p=0.032）。因此，基于生成式人工智能技術的對話機器人對于提升在線協作學習績效具有顯著影響。

（四）批判性思維意識

批判性思維意識主要測量基于生成式人工智能技術的對話機器人和傳統媒體對學習者在批判性思維意識方面的影響。首先，檢測控制組和實驗組在已有的批判性思維意識方面是否有顯著差異。根據前測結果表明，控制組和實驗組在批判性思維意識方面沒有顯著性差異（t=0.346，p=0.733）。其次，檢查執行協方差分析的條件，即方差是否齊性。統計分析結果表明，后測的批判性思維意識的方差滿足齊性（F=0.865，p=0.360）。另外，組別和前測的交互作用也不顯著（F=0.001，p=0.971），即滿足平行性檢驗。最后，采用協方差分析法檢查實驗組和控制組在批判性思維意識方面的差異。根據統計結果，發現控制組（M=3.51，SD=0.32）和實驗組（M=4.27，SD=0.42）在批判性思維意識具有顯著性差異（F=15.01，p=0.001）。因此，基于生成式人工智能技術的對話機器人對于批判性思維意識的提升具有顯著影響。

（五）訪談結果

為進一步了解學習者使用基于生成式人工智能技術的對話機器人的感受和想法，對所有的實驗組進行了半結構化訪談。首先，受訪者表明，該對話機器人對于提升知識和技能很有幫助，通過與其對話，不僅能夠學習到很多新知識，而且能夠調整或改變學習者的想法，提升知識的激活量。比如，有受訪者談到“文心一言提供了大量的知識，非常智能，我以前對于生成式人工智能技術了解甚微，通過與其對話，學習了很多關于生成式人工智能技術的知識，受益匪淺。”還有受訪者表明“文心一言還能幫助糾正一些誤區，它不斷調整和改變我原來的想法，讓我更加準確地理解相關知識，直到我滿意為止”。

其次，在貢獻度方面，受訪者普遍認為，相對于傳統媒體，對話機器人的貢獻度更大，它不僅能夠提供更加有針對性的信息，還能提高效率。比如，受訪者提到“文心一言能夠提供更具體、更有用的信息，并點對點進行解答。”還有受訪者表明，“文心一言的整合能力很強，效率很高，這方面的貢獻度比其他媒體更大”。

再次，在提升協作學習績效方面，受訪者普遍認為，對話機器人不僅能夠幫助提供全方位的信息，而且能夠對小組作品提供修改意見。比如，有受訪者認為，“文心一言提供的信息包羅萬象，更具有啟發性，能夠激發我產生新的想法。”還有受訪者認為，“文心一言對我們的小組作品提供了有價值的建議和反饋，幫助我們不斷修改和優化小組作品，作品質量提升很大。”

最后，關于對話機器人對于批判性思維意識的影響，受訪者普遍認為，該對話機器人有助于提升批判性思維意識。比如，有受訪者認為“文心一言提供的回答非常多，因此，我需要去判斷它提供的內容是否正確，到底哪些回答是合理的，這需要我不斷批判、質疑它的回答。”還有受訪者認為，“當我使用文心一言的時候，我并不能完全信任它，我會嘗試用其他的方式去驗證或者反駁它提供的答案”。

五、討 ? 論

（一）知識激活量和貢獻度提升的原因

本研究結果表明，與傳統媒體相比，對話機器人確實能夠提升知識點的激活量。主要的原因有幾方面。第一，當學習者在協作學習中遇到問題時，與傳統媒體相比，對話機器人在大多數情況下能夠提供更加精準、全面的回答，因此，激活了更多的知識點，激活量相應提高。而傳統媒體提供的回答不夠精準、主題不聚焦，很多與學習者提出的問題相關度不高或者不相關，因此，難以激活相關的知識點而導致激活量較低。第二，對話機器人能夠對作品進行全面、較為客觀地評價，同時還能提供修改建議，而傳統媒體卻無法實現。因此，對話機器人提供的信息中蘊含的知識總量以及對協作學習的支持力度都遠遠高于傳統媒體。另外，本研究也發現，對話機器人在貢獻度方面確實高于傳統媒體的貢獻度。主要的原因在于，對話機器人確實能夠激活更多的知識點，學習者對它的依賴程度也高于傳統媒體，因此，基于生成式人工智能技術的對話機器人對于協作學習的貢獻度也高于傳統媒體。

（二）在線協作學習績效提高的原因

本研究結果表明，利用基于生成式人工智能技術的對話機器人確實有助于提升在線協作學習績效。首先，該對話機器人從不同視角提供了精準的觀點，而且有些觀點較為新穎獨特，幫助學習者腦洞大開，啟迪心智。其次，當學習者找不到證據時，對話機器人能夠提供事實性和理論性證據，學習者經過判斷后，在完成小組作品時選擇了合適且充分的證據。再次，在論證過程中，對話機器人幫助學習者采用多種方法論證提出觀點和想法，供學習者參考。最后，對話機器人對于每個實驗組提出的結論進行評價和檢查，并提出修改建議，從而幫助學習者得出正確全面的結論。然而，控制組的學習者卻得不到這些支持和幫助，傳統媒體的功能不夠強大，因此，實驗組學習者的協作學習績效明顯高于控制組。

（三）批判性思維意識提升的原因

本研究發現，基于生成式人工智能技術的對話機器人對于提升學習者的批判性思維意識具有顯著影響。分析其中的原因，主要有兩方面：第一，由于該對話機器人功能強大，無論對于學習者的問題還是小組作品的評價，都能夠提供全面的回答。然而，學習者需要從中選擇適合、正確的回答或建議。因此，學習者需要調用批判性思維意識去質疑、批判對話機器人的回答。第二，對話機器人雖然能夠提供較為全面的回答，但是學習者卻無法完全信任提供的回答。因此，學習者需要采用其他方式去檢驗對話機器人的回答或建議，這也增強了學習者的批判性思維意識。

六、結論與啟示

（一）研究結論

本研究通過實證研究的方法檢驗了基于生成式人工智能技術的對話機器人在知識激活量、貢獻度以及對于在線協作學習績效和批判性思維意識的影響。研究結果表明，與傳統的媒體相比，基于生成式人工智能技術的對話機器人確實在知識激活量、貢獻度方面明顯優于傳統媒體，而且也能夠顯著提升在線協作學習績效和批判性思維意識。區別于傳統的研究僅僅關注媒體對學習者成績的影響，本研究采用基于信息流的分析方法在協作學習情境下檢驗基于生成式人工智能技術的對話機器人的激活量和貢獻度，從而客觀地分析新媒體的價值和作用。這也是本研究的創新點和主要學術貢獻。當然，由于受制于研究樣本和情境所限，本研究得出的研究結論尚不能推廣，這也是本研究的不足之處。未來，將繼續擴大研究樣本、拓寬研究情境，從而檢驗研究結論的可重復性。

（二）啟示和建議

本研究對于實踐具有如下啟示。第一， 本研究發現基于生成式人工智能技術的對話機器人對于提升在線協作學習績效具有積極的促進作用。因此，實踐者和研究者可以充分利用其強大功能輔助教師備課與教學、輔助學生學習、幫助管理人員制定決策，協助研究人員創生全新的研究問題和解決方案等。

第二，基于生成式人工智能技術的對話機器人有時候提供的信息不正確或者具有偏差，這主要是因為它的智能畢竟還達不到像人類一樣的智能，而且這類對話機器人不具有責任意識。因此，需要辯證地看待并合理利用，特別是要對其提供的信息進行甄選。研究者和實踐者也不能盲目地相信對話機器人的回答，需要去偽存真，選擇并利用正確的信息解決實際問題。

第三，不能過度依賴基于生成式人工智能技術的對話機器人，否則陷入平庸，難以進步和創新。正確的做法是在生成式人工智能技術的支持下，進一步提升批判性思維技能和創新能力，把重復性的工作交給人工智能技術以減輕工作負擔和壓力，研究者和實踐者重點從事創造性勞動，從而創造更新的技術、更優的方法和更好的解決方案。

第四，由于基于生成式人工智能技術的對話機器人采用通用的大型語言模型，研發成本巨大。因此，如果在教育場景中使用，需要把通用大語言模型私有化、微型化從而適用于不同的教育場景，這樣一方面能夠降低成本，另一方面還能提供更精準、更高效、更個性化的教學和學習支持服務。

第五，人類應該與擁有生成式人工智能的機器有機協作。未來，需要進一步探索人機協作的新路徑和新方法，從而提升效率和效果。人機協作的過程中，人類更多地進行價值判斷、制定決策、情感交流、藝術審美等，機器則更多地提供信息、分析數據、過程監控等[19]。人類扮演的角色包括設計者、決策者、導師、促進者、干預者等，而智能機器則扮演同伴、助教、分析者、評價者、監控者等，通過人機協作生成混合智能，從而助力實現更高的學習目標。

[參考文獻]

[1] STUART R， PETER N. Artificial intelligence： a modern approach[M]. 3rd ed. Upper Saddle River， NJ： PrenticeHall，2016.

[2] 丁磊.生成式人工智能[M].北京：中信出版集團，2023.

[3] CHEN C M， WANG J Y， ZHAO R H. An effective method for incentivizing groups implemented in a collaborative problem-based learning system to enhance positive peer interaction and learning performance[J]. Interactive learning environments，2022，30（3）：435-454.

[4] ZHANG S， LI H， WEN Y， et al. Exploration of a group assessment model to foster student teachers' critical thinking[J]. Thinking skills and creativity， 2023，47：101239.

[5] REEVES T C， HERRINGTON J， OLIVER R. A development research agenda for online collaborative learning[J]. Educational technology research and development， 2004，52（4）：53-65.

[6] NG P M L， CHAN J K Y， LIT K K. Student learning performance in online collaborative learning[J]. Education and information technologies， 2022，27（6）：8129-8145.

[7] ROSEN Y， WOLF I， STOEFFLER K. Fostering collaborative problem solving skills in science： the animalia project[J]. Computers in human behavior， 2020，104：105922.

[8] YANG X， LI J， XING B. Behavioral patterns of knowledge construction in online cooperative translation activities[J]. The internet and higher education， 2018，36：13-21.

[9] WU S Y. Construction and evaluation of an online environment to reduce off-topic messaging[J]. Interactive learning environments， 2022，30（3）：455-469.

[10] HERNANDEZ-SELLES N， MUNOZ-CARRIL P C， GONZALEZ-SANMAMED M. Computer-supported collaborative learning： an analysis of the relationship between interaction， emotional support and online collaborative tools[J]. Computers & education， 2019，138： 1-12.

[11] HATTIE J， TIMPERLEY H. The power of feedback[J]. Review of educational research， 2007，77（1）：81-112.

[12] MARTINEZ-MALDONADO R. A handheld classroom dashboard： teachers' perspectives on the use of real-time collaborative learning analytics[J]. International journal of computer-supported collaborative learning， 2019，14：383-411.

[13] TAN J S H， CHEN W. Peer feedback to support collaborative knowledge improvement： what kind of feedback feed-forward？[J]. Computers & education， 2022，187：104467.

[14] XIE T， LIU R， CHEN Y， et al. MOCA： a motivational online conversational agent for improving student engagement in collaborative learning[J]. IEEE transactions on learning technologies， 2021，14（5）：653-664.

[15] JOVANOVIC M， CAMPBELL M. Generative artificial intelligence： trends and prospects[J]. Computer， 2022，55（10）：107-112.

[16] GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets[EB/OL].（2014-06-10）[2023-10-04]. https：//arxiv.org/abs/1406.2661.

[17] 劉聰，杜振東， 涂銘，等. ChatGPT原理與實踐：大型語言模型的算法、技術和私有化[M].北京：機械工業出版社，2023.

[18] 祝智庭，戴嶺，胡姣.高意識生成式學習：AIGC技術賦能的學習范式創新[J].電化教育研究，2023，44（6）：5-14.

[19] 楊宗凱，王俊，吳砥，等. ChatGPT/生成式人工智能對教育的影響探析及應對策略[J].華東師范大學學報 （教育科學版），2023，41（7）：26-35.

[20] CHIU T K F. The impact of Generative AI （GenAI） on practices， policies and research direction in education： a case of ChatGPT and Midjourney[J]. Interactive learning environments， 2023：1-17.

[21] MALLIOS S， BOURBAKIS N. A survey on human machine dialogue systems[C]//2016 7th International Conference on Information， Intelligence， Systems & Applications （IISA）. IEEE，2016：1-7.

[22] CHEN H， LIU X， YIN D， et al. A survey on dialogue systems： recent advances and new frontiers[J]. Acm sigkdd explorations newsletter， 2017，19（2）：25-35.

[23] 趙陽洋，王振宇，王佩，等.任務型對話系統研究綜述[J].計算機學報，2020，43（10）：1862-1896.

[24] NI J， YOUNG T， PANDELEA V， et al. Recent advances in deep learning based dialogue systems： a systematic survey[J]. Artificial intelligence review， 2023，56（4）：3055-3155.

[25] WEN T H， VANDYKE D， MRKSIC N， et al. A network-based end-to-end trainable task-oriented dialogue system[EB/OL]. （2017-04-24）[2023-10-04]. https：//arxiv.org/abs/1604.04562.

[26] LIAO K， LIU Q， WEI Z， et al. Task-oriented dialogue system for automatic disease diagnosis via hierarchical reinforcement learning[EB/OL]. （2020-04-29）[2023-10-04]. https：//arxiv.org/abs/2004.14254v1.

[27] LI K C， CHANG M， WU K H. Developing a task-based dialogue system for English language learning[J]. Education sciences， 2020， 10（11）：306.

[28] TEGOS S， DEMETRIADIS S， KARAKOSTAS A. Promoting academically productive talk with conversational agent interventions in collaborative learning settings[J]. Computers & education， 2015，87：309-325.

[29] NGUYEN H. Role design considerations of conversational agents to facilitate discussion and systems thinking[J]. Computers & education， 2023，192：104661.

[30] YEH Y C. A study of substitute teachers' professional knowledge， personal teaching efficacy， and teaching behavior in critical-thinking instruction[J]. Journal of chengchi university， 1999，78：55-84.

[31] 百度. 文心一言[EB/OL]. [2023-12-23]. https：//yiyan.baidu.com/welcome.

[32] 鄭蘭琴，楊開城，黃榮懷.基于信息流的協作學習交互分析方法的研究[J].中國電化教育，2010（5）：22-26.