思維與調節的融合共創：生成式人工智能支持的人智交互過程與模式研究

摘要：人智交互作為人工智能時代新型的人機關系，其隱含的對話特征、過程及教育屬性有待厘清。該研究聚焦于人智協同寫作對話的過程與模式，運用認知網絡分析法，旨在揭示人智交互的對話行為與學習發生機制。通過對學生在自然狀態下的人智交互話語文本進行編碼，研究分析了不同寫作對話階段、不同寫作水平的學習者的特點，識別出了四種人智交互對話模式，即惰性接收被動對話型、搜索依賴主動對話型、共享調節協作對話型和思辨創造共生對話型，這些模式呈現出人智互動的漸深關系和知識轉化與創生的遞進層次。研究認為，人智交互要追求人智共生的學習型對話，通過人機共享調節的協作學習和高階思維的參與，促進學習者的能動決策和素養發展。未來研究需進一步探索人智交互的教育場景，實現對話教育和人智交互在理論和實踐層面的互促共進。

關鍵詞：人智交互；對話教育；自我調節和共享調節；議論文寫作

中圖分類號：G434 文獻標識碼：A

* 本文系國家社科基金“十四五”規劃2021年教育學青年課題“‘互聯網+’背景下學生自主學習及家校指導策略研究”（課題編號：CCA210257）階段性研究成果。

① 楊玉芹為本文通訊作者。

一、問題提出

技術演進促成了對話教育的時空解域與智能融合，互聯網技術的發展進一步打破了時間和空間的限制。隨著以ChatGPT為代表的生成式人工智能技術（Generative AI）的迅猛發展，教育和課堂正在產生革命性的變化。人工智能在對話教育中扮演了重要角色，將對話教育在主體上從人際對話擴展到人機對話，在階段上從人機交互進化到人智交互。對話教育將對話視為知識創生的重要來源，蘇格拉底提問法（產婆術）通過由淺入深、層層遞進的啟發式教學激發個體的深層反思和推理，進而探究現象背后的真理[1]。生成式人工智能支持下的人智交互為對話教育開辟了新的研究視域，在人智對話中，知識能夠被發現、改變、綜合、評估和創造，知識的動態流轉成為可能[2]。然而，針對人智交互場景下對話式學習的本質和機制研究仍然不足。因此，本研究旨在探究學生在自然狀態下與生成式人工智能的對話行為與過程，以期識別出人智交互的對話模式，發現其對話背后的學習發生和人智協同構建知識的機制。

二、文獻綜述

（一）人機交互到人智交互的嬗變

從計算機時代到人工智能時代，人機關系經歷了嬗變，即從簡單的人機交互（Human-Computer Interaction，HCI）轉向更為復雜的人智交互（Human-AI Interaction，HAII）。人機共生是人機協同的更高階段，而人智交互是人機交互的高度深化。隨著人工智能技術經歷機器學習、神經網絡、大語言模型的發展歷程，人智交互的關系也逐步深化，實現更高層次的交互、協作與共生。2022年末生成式人工智能產品的出現，使人工智能首次實現“涌現”特征，人工智能以更自然的方式嵌入人類的社會交互場景，在文本生成、知識問答、邏輯推理等方面具有巨大的應用價值[3]。智能技術的發展賦予了人工智能自主化特征，使其具備人的認知能力，如感知、學習、推理等。人工智能能夠與人類合作，擔負著雙重角色，不僅是簡單的輔助工具，更是合作者，實現相互理解、合作和共同決策[4]。李政濤指出，人智交互關系將影響未來的人機教育關系，人機之間的對話將從替代思維走向共生思維，實現“雙向超越”[5]。汪靖等學者提出了人機共生模式，將生成式人工智能外腦和人類內腦創生融合的過程比作DNA的雙螺旋結構，兩者因為對方的反饋而不斷演進成長，相互配合，提升效率與效果[6]。

人智交互時的知識轉換與創生有其特殊機制。例如袁一鳴等指出，知識的轉化從情境空間拓展到了神經網絡：人機交互時，知識的轉化仍發生在人際之間，互聯網只能為知識的傳遞提供網絡空間；然而，人工智能基于算法架構的神經網絡與訓練模型，能夠完成對知識的理解、學習和解釋。通過與人類的交互反饋，人工智能可以自動優化其響應策略，從而豐富了知識轉化的形式[7]。因此，人智交互不僅促進了知識的傳遞與共享，還通過人工智能的深度學習與理解能力，拓展了知識的轉化維度和創新潛力。

已有研究開始關注人智交互過程中學習發生的過程與機制。如有研究進行了人機共學模式的實驗，通過特定的交互模式設計，建立人智合作伙伴關系。人機共學需要人智共享學習目標，分享雙方的知識和經驗，識別和適應各自在知識層面的差異，增進對任務和彼此的理解，從而提高團隊效能[8]。同時，有研究探索了小學生在英語學習場景下的人智交互，發現人工智能支持的深度學習法可以增強人工智能提供的個性化反饋，深化人智交互關系，被動和機械的互動則會減損學習效果[9]。有學者進一步指出，在人智交互學習的過程中，需要將重點放在如何與人工智能合作上，面對人工智能帶來的片面和充滿不確定性的信息，學生要培養在復雜情境中工作的能力[10]。

（二）人工智能時代的對話教育

教育與對話相生相成的關系由來已久，從蘇格拉底和孔子“問與答”的哲學思想開始萌芽，到“主體教育學”向“關系教育學”的轉變，“對話教學論”成為當代教育理念的體現[11]。教育是對話性的，它不僅通過對話來實現，而且以對話為目的[12]。魯珀特·韋格里夫（Rupert Wegerif）從形式、認識論和本體論三個角度闡釋了對話教育的定義。在形式上，對話教育是一種以對話的形式展開的教學活動；在認識論層面，對話教育強調話語的意義是在語境中構建的，學生以對話的形式參與持續的共同探究過程；在本體論層面，對話一種是建構知識，改變自身，轉變社會現實的方式[13]。

人工智能為對話教育提供了技術支持，利用傳統機器學習算法、深度學習算法和混合算法，人工智能構建了對話分析模型，開發了包括ASR引擎（語音文字轉錄）和人工智能聊天機器人等人工智能系統[14]。通過對傳統課堂環境和在線環境中師生和人機互動的分析和支持，人工智能豐富和轉化了教育對話，使學習者能利用數字工具構建知識和理解[15]。語言學習領域是人工智能支持對話教育的典型應用場景之一。以人工智能聊天機器人為例，它支持重復練習，與人類對話者的互動相似，能提供個性化的學習材料，支持隨時隨地訪問，能夠減少學生的學習焦慮[16]。然而，早期的人工智能在運用中存在不少障礙，很少有機器人能夠與學生進行有意義的學習對話[17]。

生成式人工智能的技術突破使深度多維的對話教育成為可能。相比于傳統的智能系統，生成式人工智能基于大規模的人類語言數據集對用戶進行響應，并在與用戶的交流中不斷學習[18]，提高了交互的準確性和真實性。許多學者指出，生成式人工智能有望在對話教育領域實現新的突破，實現“生機、師機、師機生、生機生”等多維、多元對話[19]；提升基于對話的智能教學系統的水平，支持對話式學習和深度學習[20]；構建對話式學習的新模式[21]等。

綜上所述，已有研究表明，在人工智能時代的對話教育，與前文所述的人智交互存在諸多共性，其本質都強調了人類與人工智能間的互動和協作。人工智能憑借強大的理解和響應力，有望提供更個性化和適應性強的學習場域，在交互和對話中促進信息交流、知識構建和認知增益。學習者的學習效果取決于人智交互時雙方的角色和合作的程度。盡管兩者之間存在密切關系，但是如何具體實現和優化人智交互中的對話學習過程仍未得到充分闡明。目前很少有研究從對話的視角出發，分析人智交互過程中的動態交互模式、對話質量，以及這些因素如何影響學習者的認知發展和學習表現。

（三）研究目的與研究問題

本研究以議論文寫作的真實場景為背景，探究學習者在人智交互時的話語行為和對話模式。選擇議論文寫作作為研究情境的原因是，它作為一種嵌入社會背景的活動，需要在多種觀點和分歧中決策，其本質也是一種對話互動[22]。議論文寫作不僅能夠較好地反映出寫作者的邏輯推理能力和批判性思維，而且也是培養學生核心素養和高階思維能力的有效方式。

本研究試圖運用認知網絡分析法，創新地分析人智交互過程中的對話數據，構建人智對話行為的認知網絡，并對不同對話網絡的特點進行分析比較。本研究試圖回答以下三個問題：

（1）人智交互的不同階段，人智協同寫作對話具有哪些特點？

（2）不同寫作水平的學生在人智交互時的對話行為具有怎樣的差異性？

（3）人智協同寫作對話過程中，產生了哪些交互類型？

三、研究設計

（一）研究對象

本研究運用整群隨機抽樣的方法。在發放研究邀請函后，從Z大學英語課程的四個班級的報名者中隨機抽取60位本科生作為參與者，其中七名參與者因時間等因素退出研究。最后的研究對象為53名學生，包括26名男性，27名女性。年齡平均值為18.73歲，標準差為1.32。在專業分布上，人文科學類17人，社會科學類9人，自然科學類19人，生物醫學類8人。

（二）數據收集

首先，本研究要求參與者提交同一主題的一篇大學英語課堂習作，并運用有道和Grammarly兩個英語寫作評分軟件打分，取平均分作為參與者的平時寫作成績。在人智對話環節，所有參與者統一集中在教室中，使用生成式人工智能工具進行兩輪對話。第一輪對話的主題是“智慧與孤獨”，對話時間為20分鐘。第二輪對話的主題是“虛擬現實和真實體驗”，對話時間為40分鐘。每輪對話結束后，參與者需提交相應主題的英語作文以及該輪的對話記錄。經統計，共收到參與者發言14213字。單輪最大發言條數為23條，平均值為9.04條，標準差為8.37。

（三）數據分析

本研究首先以Alyssa Friend Wise教授的ASIMeC-F編碼框架作為基礎，并針對人智對話的特征對編碼框架進行了修訂，以對參與者的兩輪人智對話數據進行內容分析。ASIMeC-F編碼框架最初用于分析在線討論中的知識建構過程，后來被用于分析學生在討論中的話語行為，以揭示學生承擔的功能及角色[23]。已有的實證研究表明，ASIMeC-F編碼框架是評估在線討論中會話功能實現情況的非常可靠的工具[24]。由于人工智能逐漸被視作教育中的人性化代理，因而，我們可以合理地假設人智交互類似于人際交互[25]，學生對人工智能代理的感知也類似于學生在線討論時對同伴的感知。因此，將學生在線討論中的知識建構過程的編碼框架應用于人智交互分析，可以獲得人工智能支持學習的新視角。

基于ASIMeC-F編碼框架和人智協同寫作的對話數據，本研究形成了5個一級編碼和9個二級編碼。其中，一級編碼涵蓋信息獲取和調節互動兩個維度，二級編碼則體現出一級編碼在對話層次上的深淺。具體內容如表1所示。

兩位編碼員首先對編碼框架進行了討論，以更好地理解不同編碼之間的差異。然后，他們隨機選擇了10人的人智對話記錄進行試分析，先獨立進行內容分析，再集中討論并達成共識。在試分析結束后，兩位研究者分別對所有數據進行獨立內容分析，結果顯示出較好的一致性（Kappa=0.81），并對內容分析結果差異部分進行討論協商，最終達成了一致認識。

然后，為揭示不同階段的對話行為差異以及不同寫作水平學生的對話行為差異，本研究進行了兩類分析：（1）頻次差異比較和（2）認知網絡分析。基于上述編碼框架，本研究首先對兩個階段的人智協同寫作對話進行了頻次差異比較。接著，為探究不同寫作水平的學生在對話行為上的差異，本研究基于參與者的平時寫作成績對其進行寫作能力分級。參與者的寫作平均分為70.80分（滿分100分），標準差為9.34。70分以下的22人被劃為低寫作水平組，70至80分的23人為中水平組，80分以上的8人為高寫作水平組。在此基礎上，我們比較了三組寫作水平學生在人智交互時的對話行為頻數和比例。其次，本研究使用認知網絡分析在線工具對學生的對話行為進行分析。ENA算法使用移動窗口為數據中的每一行構建網絡模型。在本研究中，我們將窗口大小設定為5行。最終，編碼結果以網絡圖的形式進行可視化，其中每個編碼被表示為一個節點，節點的共現表示不同話語行為之間的聯系，粗線表示節點之間的聯系更強，而細線表示連接較弱。由于節點在網絡中的位置是固定的，個人和群體網絡都通過質心在二維空間中呈現，并且可以通過四個象限中的節點加以解釋[26]，以此呈現學生在不同寫作階段和不同水平下的認知網絡特征。

最后，為了挖掘不同的交互模式，本研究采用二維象限法對學生的人智協同寫作對話進行分類，通過編碼框架中的兩個維度—信息獲取和調節互動—確定象限。信息獲取維度側重于學生對信息的獲取、加工和整合，學生通過發出指令來指導和豐富內容的生成，拓展對話的深度和廣度，指導生成式人工智能響應寫作任務的需求。調節互動維度則強調學生對所生成內容的評價和對話方向的管理調整。接下來，根據二級編碼對話語行為進行1分或2分的賦分（例如，簡單指示-1分，復雜指示-2分），計算每個學生在兩個維度下話語數量和得分的加權平均值。最后，繪制二維象限圖，以信息獲取分數為X軸，調節互動分數為Y軸，以揭示每位學生在兩個維度上的交互表現。

四、研究結果

（一）不同寫作階段的對話行為對比

1.不同寫作階段對話行為的頻次

學生在兩個寫作階段的對話行為頻數和比例顯示，相比于第一階段，學生的第二階段對話出現了顯著變化，包括更多的復雜指示（24.23% vs. 10.67%）、對外部資源的討論（2.69% vs. 1.33%）和話題的轉折（43.46% vs. 15.11%）。與此同時，簡單指示（67.69% vs. 80.89%）、提及概念（27.31% vs. 65.78%）和提及外部資源（6.54% vs. 18.22%）的比例明顯下降。上述轉變表明，學生的話語行為在兩個階段間出現了顯著的變化，χ2（df =8，N=1055）=102.816，p<0.001。這些研究結果表明，人智協同寫作對話的形式能隨著對話階段的推進和互動的增加，助推學生的能動思考。

2.不同寫作階段對話行為的認知網絡差異

認知網絡分析進一步展示了兩個寫作階段對話行為之間的聯系，以及兩個階段的具體差異。圖1（a）展示了兩個寫作階段的認知網絡質心，揭示了學生的對話行為的關聯在不同寫作階段存在顯著差異，在橫軸上有顯著性（t=6.20，p<0.05，d=1.52）。

圖1（b）為兩個對話階段的認知網絡疊減圖，更清晰地展示了階段間的區別。在第一輪對話中，參與者的對話行為主要集中在簡單指示和提及概念、提及外部資源之間共現。在該輪對話中，學生們基本圍繞概念解釋、中英翻譯或直接生成作文輸出指令。例如，“圍繞‘智慧與孤獨’寫一篇文章。”“請羅列對“智慧”和“孤獨”不同的關系的介紹和論述。”相比之下，在第二輪對話中，簡單指示與轉折話題的連接更為突出。例如，從要求生成式人工智能翻譯和提煉寫作材料，“用英文概括此段的大意，每句話包含一個關鍵詞”；到要求生成式人工智能輸出觀點，“用英文針對這兩句話作出駁論”；再到要求生成式人工智能生成段落文字，“根據以下段落大意……撰寫開頭段，最后一句要引出虛擬技術不足，要求中英對照，50字左右”。部分同學在第二輪對話中強化了人工智能對寫作過程的指導，要求人工智能提供寫作提綱、幫助拓寬寫作思路等，例如，“現在我要寫一篇文章來反駁‘現實生活經驗不再那么重要’的觀點。你覺得我能做些什么？”。

因此，從認知網絡的差異看，初期的人智互動反映出學生獲取信息和構建初步理解的過程，后期則顯示出探索新視角和進行更多維度的思考的追求。不過，從元素共現的角度看，整體對話仍集中在相對淺層的維度，缺少與人工智能的討論和回應。

（二）不同寫作水平學生的對話行為對比

1.不同寫作水平學生的對話行為頻次

不同寫作水平學生的對話行為的頻數和比例表明，相較于低水平組，中水平組學生有更多的復雜指示（25.49% vs. 5.33%）、討論概念（23.53% vs. 12.67%）、簡單回應（6.27% vs. 2.67%）和綜合回應（12.55% vs. 2.67%）。這些差異在統計學上具有顯著意義，χ2（df =8，N=857）=70.400，p<0.001。

相較于中水平組，高水平組有更多的簡單指示（78.05% vs.65.88%）、提及概念（39.02% vs. 33.33%）、轉折話題（41.46% vs. 28.63%）。與此同時，高水平組的復雜指示（17.07% vs. 25.49%）和簡單回應（1.22% vs. 12.55%）減少。然而，這些差異在統計學上并不顯著，χ2（df =8，N=726）=10.255，p=0.248。

相較于低水平組，高水平組在復雜指示（17.07% vs. 5.33%）、討論概念（26.83% vs. 12.67%）、提及外部資源（14.63% vs. 9.33%）、綜合回應（9.76% vs. 2.67%）和轉折話題（41.46 vs. 26.67%）上都有顯著增加，χ2（df =8，N=507）=30.982，p<0.001。

綜上所述，中-低和高-低水平組學生之間的差異明顯。寫作能力會影響學生的話語行為，相較于低水平學生，更高水平的學生使用更復雜的指令，進行概念討論，并給予更多回應和反饋。從話語行為的角度看，除了討論概念、提及外部資源和轉折話題三個維度隨著寫作水平的提高遞增外，其他維度的最高頻次都出現在中水平組。同時，中水平和低水平組的學生在人數相似的情況下，中水平組的話語數量明顯更多。這些結果都表明，在本次人智協同寫作對話中，中水平組學生有更為積極的交互表現，其話語行為分布也更加均衡。

2.不同寫作水平學生的認知網絡分析

認知網絡分析更具象地展示了三組寫作水平的學生話語行為間的聯系。圖2（a）為三組學生的認知網絡質心分布，其中，低水平與中水平的學生在橫軸上存在顯著差異（t=-2.05，p<0.05，d=0.61），在縱軸上也存在顯著差異（t=4.30，p<0.001，d=1.27）。低水平與高水平的學生在橫軸（t=-1.03，p=0.33，d=0.50）和縱軸上（t=0.24，p=0.81，d=0.12）均不存在顯著差異。中水平與高水平學生在縱軸上存在顯著差異（t=-2.57，p<0.05，d=1.03）。

如圖2（b）和圖2（d）所示，高-低水平組之間的話語結構相似度較高，都集中在簡單指示、提及概念和轉折話題上。平均網絡的比較結果顯示，中水平組（圖2（c））的共現類型最為豐富。下頁圖2（e）為中-低水平組疊減圖，表明與低水平組相比，中水平組在簡單指示與討論概念、復雜指示和轉折話題之間具有更強的關聯性。下頁圖2（f）為高-中水平組疊減圖，可見中水平組在簡單指示和討論概念之間的聯系更為突出，而高水平組在簡單指示、提及概念和轉折話題方面的關聯更加明顯。

綜上所述，頻次分析和認知網絡分析的結果都顯示了中水平組學生在人智協同寫作對話中的突出表現。中水平組學生的簡單指示和提及概念的聯系最為緊密，其他節點之間的聯系也更均衡，說明他們能通過多樣化的話語行為展現更復雜的交互模式。雖然高水平組與低水平組在認知網絡上沒有明顯差異，但是在頻數分布上存在顯著差異，這表明雖然兩者話語行為的整體關聯情況相似，但是高水平組在具體維度上更具深度。

（三）交互對話類型

圖3揭示了人智協同寫作對話的四種類型：高獲取-高互動、低獲取-高互動、低獲取-低互動、高獲取-低互動。

1.高獲取-高互動型

在第一象限中，有10位學生（占比18.87%）呈現出高獲取-高互動的特征。這些學生在人智交互中，不滿足于簡單的信息獲取，而是通過具有主體意識的指令進行概念的討論和資源的綜合評價，激發新知，指向高階思維發展。例如，學生W對概念發表觀點，并要求生成式人工智能評價：“什么樣的人可以被稱作智慧的人？我認為……，因此我說他們是孤獨的。你認為我的看法及論證過程有什么問題。”對于生成式人工智能的回答，他也進行了批判性回應：“對于你說的……，我提出質疑。如果……，那么你的觀點沒有問題。但是我認為不能局限于此……”

進一步觀察第一象限，我們發現有2位學生在調節互動維度方面表現出色，表明他們在過程管理和提供反饋方面有較高能力。例如，學生P與生成式人工智能合作，共同完成了標題擬定、框架規劃、開頭設計、論據擴充、表達潤色、中英翻譯、修改整合等任務。對話的話題經歷了多次轉換，而且輸出了很多協商性話語。例如，“我們的開頭引入部分還可以有所改進。我認為可以加入……”，這體現出人智共享調節的特點。總的來說，高獲取-高互動類型下，學生既有思辨創造的共生對話，也有共享調節型的協作對話。

2.低獲取-高互動型

在第二象限中，7位學生（占比13.21%）呈現出低獲取-高互動的特征。他們有意識地將生成式人工智能視為對話伙伴，積極地給予反饋和回應。例如，“我今天想寫一篇關于虛擬現實的文章，但我不知道怎么開始，你能幫幫我嗎？”“你的幫助很有用，謝謝！”他們嘗試在不斷轉換話題中獲取信息。然而，由于缺乏對寫作過程的自我調節和元認知，他們的信息獲取呈零散和碎片化的特點。例如，“我是不是應該總結一下虛擬現實的好處和壞處，然后提出一些措施？這個點應該怎么寫？”因此，低獲取-高互動類型的學生雖然采取主動對話態度，但也依賴于生成式人工智能的建議。

3.低獲取-低互動型

在第三象限中，22位學生（5人坐標重疊，占比41.51%）呈現出低獲取-低互動的特征。他們對話的目的主要是完成任務，而不是建構和獲取新知識，對話數量也相對較少，試圖以最少的努力滿足最低的學習要求。此類學生在人數上占比最多，反映出接近半數的學習者惰性被動型對話的特點，這與前文中提到不同寫作階段中認知網絡的整體對話仍集中在淺層維度的特點相呼應。

4.高獲取-低互動型

在第四象限中，有14位學生（占比26.42%）呈現出高獲取-低互動的特點。他們人智交互的對話行為主要圍繞提及外部資源和概念展開。舉例來說，在學生B與人工智能的11輪次的對話中，提及資源就有5次。例如，“請根據‘數字化體驗的劣勢’這一主題，給出相關的論文，并標注作者、年份、大致內容。”“請給出‘社交隔離和數字社交’的實例、新聞報道。”這類學生以搜索獲取型對話為主，注重信息搜索而非對話交流，強調人工智能的工具性，而對認知屬性缺乏認識，缺乏對寫作任務的整體把握，也未能展示出人與人工智能之間的合作關系。

五、討論與結論

（一）研究發現與討論

1.人智協同寫作對話的特征

本研究發現人智協同寫作對話主要表現為淺層話語行為。大部分同學傾向于依賴生成式人工智能，將其作為提供論點和論據、分析寫作材料的資料庫，甚至直接依賴生成式人工智能替代自己生成文本，進行復制粘貼以代替思考。這一結果也呼應了智能時代的一大教育隱憂，即技術發展可能削弱學生自主性和增強惰性。學生選擇了“拿來主義”而非主動學習，缺乏對材料的深入研讀和分析，更缺乏對生成式人工智能回答的評價和創造。生成式人工智能“跨越過程性”的效率指向容易替代學生自身的認知過程[27]。人智交互時，高度擬人化的生成式人工智能集成了社會規范和期望，以“泛化他者”的身份與學生互動，向學生展示各領域的成果。表面上學生是在發號施令，實為簡單接受信息而非轉化信息，削弱了學生的深度思考，導致淺表理解和低通路遷移，難以提升思維和認知水平。因此，這種人智交互本質上是一種人智分離，難以達到協同的效果。

2.寫作水平與對話行為的關聯

本研究發現，中等寫作水平的學生在人智協同寫作對話中表現最佳，而傳統紙筆寫作模式下的高水平學生在人智交互中并沒有表現出色。這可能是因為，傳統寫作技能注重文體把握和表達修飾，但是這些方面可以由生成式人工智能輕松實現提升。面對生成式人工智能強大的響應能力，以往沒有優勢的學生也能使用有效的指令，在人智協同寫作中實現“彎道超車”。 這一結果凸顯了加強高效人智協同的必要性。人工智能技術對傳統的知識觀進行了深刻重塑，通過數據和信息處理，改變了知識生產方式，開辟了創造“無限知識”的新途徑。知識生產的主體發展為人、機器和人機協同的共生[28]。學生采用的學習方法，以及自身預期和人工智能的角色表現的匹配程度將決定學生從生成式人工智能使用中獲得的收益[29]。

結合中等寫作水平學生的對話行為和高獲取-高交互維度下的學生特點，共享調節學習有望促進高效的人智交互。共享調節是集體成員圍繞共同的目標進行共同理解、制定計劃、監控和反思的過程，并對認知、元認知和動機等維度進行集體協調[30]。通過學習者與機器的共享調節，人智交互能實現寫作前的信息加工、寫作中的互動對話、寫作后的評價反饋[31]，共同完成寫作計劃、起草、修改的遞歸過程。人智共享調節需要建立在學習者的自我意識和自我調節學習能力基礎之上，學習者不斷思考人智交互生成內容的目的和結構，反思其對整體信息的貢獻，掌握交互結果的決策權，引導人智交互往符合預期的方向發展[32]。

3.人智協同寫作的交互和認知深化需求

有近三成的學生的對話側重資源獲取和信息搜集，體現出互聯網Web1.0時代“搜索式學習”的典型特征，是一種單向式、非分享的、非智能互補的人機交互[33]。但是，搜索式學習并未充分發揮出生成式人工智能賦能教育的優勢。本研究發現，有部分學生能將自我意識延伸到技術中，將生成式人工智能視為建設性的對話伙伴，通過提問、追問、反問等方式達到高獲取-高交互，深化了交互和認知層次，實現了思辨和創造。生成式人工基于算法提供答案，存在信息準確性和倫理風險等問題[34]。因此，除了單純的信息獲取外，學習者本身也該做出貢獻，對信息進行審視。學習者與生成式人工智能進行深度交互，在對話中探索復雜的想法、了解事物的真相、解決問題、揭示假設、分析概念等行為體現了蘇格拉底倡導的對話學習方式。蘇格拉底提問法強調通過論證引發認知沖突，促進個體學習和集體知識的共同進化[35]。可以想見，在人智間開展思辨創造共生對話，也有望實現知識的有效轉化。思辨創造共生對話需要學習者發揮批判性思維、反思性思維等高階認知能力和素養，這也是智能時代，教育要培養的核心素養和面向未來的關鍵能力。

4.人智交互對話模式及發生機制識別

綜合不同階段和不同水平學生的交互表現和交互類型劃分結果，我們可以總結出不同的人智交互模式和對話類型。已有研究基于ICAP 框架分析基于計算機系統的交互水平[36]，ICAP框架基于不同的行為表現和知識變化，分出四種由淺至深的認知參與和學習模式，前兩種模式屬于淺層學習，包括被動學習和主動學習，后兩種模式為深度學習，包括建構學習和互動學習[37]。參考這些分類，并結合本研究數據，本研究歸納出四種人智交互對話模式。低獲取-高交互和高獲取-低交互是搜索依賴主動對話型的一體兩面，因此歸為一類。如表2所示，從左至右，學習者與生成式人工智能的交互更加深入，對話行為更加復雜，對話關系從機器主導走向學習者主導轉變，學習者能夠逐步接收、整合、建構和生成知識，實現深層人智交互。

圖4進一步總結和展示了人和人工智能在交互對話中的知識動態和人智關系。在人智交互的層面上，淺層交互包括惰性接收被動對話型和搜索依賴主動對話型，展現了學生希望從人工智能處獲得具有權威性的“硬知識”的傾向。深層交互包括共享調節協作對話型和思辨創造共生對話型，二者互補互促，并無優劣之分。在這種交互中，知識在人與機器之間動態流轉，成為一種更為流動和適應性強的“軟知識”[38]。這兩種交互層次反映了人工智能參與度和功能質量深淺的差異。

同時，這兩種交互層次體現了學生在對話中的主動程度和承擔的職責大小，也反映了eqgWxS4AiB2EQqSEKTyf/ABYnOmf+8B/xt+SduTX1T4=對不同思維水平的要求。安德森將認知的目標分為六個層面，包括記憶、理解、應用、分析、評價、創造[39]。前兩個層面涉及基本的信息處理，側重于淺層學習，后四個層面則需要更高層次的思維技能，側重于深層學習。人智淺層交互通常只涉及低階思維的運用，如記憶和理解。而深層交互要求學習者在機器的幫助下，積極發揮主體意識，進行批判性思考和創造性問題解決，從而促進學習者高階思維的培養和人智共生關系的形成。

（二）啟示和建議

1.利用針對性支架，拓寬人智對話空間

一個世紀以前，布伯（Martin Buber）富有洞見地提出兩種對話關系，“我-它”關系將包括技術在內的世界視為利用的對象，“我-你”則是對話雙方以交互的方式建構出直接的、有意義的關系[40]。毋庸諱言，技術，作為對話的媒介，不斷地擴展著人類的理解。因此，未來需要深入挖掘技術在拓寬對話空間中的作用，在學生與技術之間建立“我-你”關系，將人工智能等技術視為人類智能的延伸，不斷打開對話空間，增強和擴展人類的反思智能[41]。但是，值得警醒的是，本研究發現這種對話空間尚未打開。因此，未來的人智交互需要教師的適時干預，在個體層面培養學生的自主調節能力和共享調節能力的同時，在技術層面要通過教學設計營造良好的交互環境，提供適應性教學腳手架，優化不同學習者的交互體驗和學習效果。例如，對于惰性接收型學習者，可以提供結構化的對話指令指導和示例，引導學習者學會提問，并設置不同的互動情境，激發其主動學習和交流的意愿。對于搜索依賴型學習者，可以提供半結構化的指令指導，引導其利用人工智能反饋，有意識地反思和評估自己的學習進程[42]，提高其信息評估力和元認知能力。還可以動員共享調節型和思辨創造型學習者與前兩者互促協作，形成探究共同體。

2.創新對話教育方式，提升人智交互質量

本次研究結果證實，人智交互為人機協同認知打開了關鍵通路，是人智協同學習的本質特征[43]，交互層次的深淺又直接影響最終的學習效果。人智交互在某種程度上是對口頭式對話教學的回歸。在理論層面上，對話教育和人智交互之間有待進一步探討。目前，有研究提出了對話式教育技術理論框架，綜合考慮了技術、教育對話、認知、思維等要素，強調文化在其中的關鍵作用，促進個體和集體的身份構建[44]。在人工智能時代，需要發揮對話理論和技術理論的教育價值，推動人智交互理論和實踐的共同進步。在實踐層面上，需要發展適應于人智交互的對話式學習方法。蘇格拉底提問法是培養批判性思維最重要的教學方法之一，因此，可以在生成式人工智能中嵌入蘇格拉底提問法形成啟發式教學，根據人機會話的日志數據及時智能地為學習者提供支架，也可以通過教學幫助學生掌握蘇格拉底提問法，并由學生主動運用在與人工智能的交互中，促進學生個性化學習和高階思維發展。

3.更新人才培養需求，提升人工智能素養

培養人工智能使用素養成為新的教育目標。有學者將人工智能素養定義為一套使個人能夠批判性地評估人工智能技術的能力，能與人工智能進行有效的溝通和協作，將人工智能作為在線、家庭和工作場所的工具[45]，強調了與人工智能交互的能力；有學者將人的技術化作為人工智能素養的本質，建構了人工智能知識、情感、思維三維評價體系[46]；也有研究建構了數字交互素養（Digital Interaction Literacy），包括理解功能原則、有意識地使用和用戶組群相關能力，關注人工智能對使用者的心理影響[47]。

未來，也應更加全面地探索高階思維在人智交互中的表現方式和培養方式。數字時代的寫作模式發生了本質性轉換，傳統的紙筆寫作發展為基于互聯網的多模態寫作，由此，誕生了21世紀新讀寫素養（New Literacy）。而在人工智能時代，新讀寫素養需要再次迭代，更加注重批判性思維和創造力。人工智能能夠全面地回答，而過度依賴人工智能會導致高階思維能力培養乏力的問題。同時人工智能提供的回答質量參差不齊，學習者需要去偽存真、質疑創新。

六、結語

本研究對學生利用生成式人工智能進行議論文寫作的過程進行分析和比較，集中展示了學生在人智交互對話過程中的模式、特點及其對學習者知識轉化和認知發展的影響。研究發現，在自然狀態下，學生的人智對話整體呈現出淺層特點，存在被動接收和搜索依賴的傾向，這可能折損學習者的能動性。此外，人智交互對話模式除了簡單的信息獲取，更有以思辨和創造為導向的深層次對話，后者能促進知識的動態建構和人機融合，體現了人智共生對話的理想狀態。

在高等教育研究中，它既作為一種具體技術出現，同時，又是一種隱喻、一種抽象理想和一種社會想象[48]。本研究通過對話教育理論與人智交互的綜合視角，揭示了人智協同學習對話的可能形態，以及背后的知識建構路徑，豐富了人工智能在教育中的角色認知，為設計有效的人智協同學習活動和支撐機制提供了經驗借鑒。

同時，本研究呈現了學習者的話語行為、生成式人工智能技術和寫作活動之間的動態關系。后人文主義語言觀認為，意義的構建是人類和非人類實體的代理（例如技術）、語言和認知之間的相互連接和作用的結果[49]。本研究通過認知網絡分析法具象化了這種連接，呈現出人智對話的顯性空間，以及不同模式下人智交互話語具體而細微的差異。生成式人工智能支持下的英語議論文寫作也能轉型為引用多種資源的非線性、多方向的學習過程[50]。未來需要進一步拓展教育的人智對話空間，發揮對話教育理論的價值，優化不同類型學習者的人智交互體驗，更新人工智能素養的內涵，培養學生的批判性思維和協作學習能力。

參考文獻：

[1] Hsu F H，Lin I H，Yeh H C，et al.Effect of Socratic Reflection Prompts via video-based learning system on elementary school students’ critical thinking skills [J].Computers & Education，2022，183：104497.

[2] Clark D.Learning and the Metaverse：What this Technology Means for L&D [M]. London：Kogan Page Publishers，2023.

[3] 宋士杰，趙宇翔等.從ELIZA到ChatGPT：人智交互體驗中的AI生成內容（AIGC）可信度評價[J].情報資料工作，2023，44（4）：35-42.

[4][33] 許為，高在峰等.智能時代人因科學研究的新范式取向及重點[J].心理學報，2024，56（3）：363-382.

[5][19] 邱燕楠，李政濤.挑戰·融合·變革：“ChatGPT與未來教育”會議綜述[J].現代遠程教育研究，2023，35（3）：3-12+21.

[6][31] 汪靖，米爾外提·卡馬勒江等.人機共生的復合腦：基于生成式人工智能輔助寫作教學的應用發展及模式創新[J].遠程教育雜志，2023，41（4）：37-44.

[7] 袁一鳴，陶成煦等.人智交互情境下的知識轉化模型：內涵深化及外延拓展[EB/OL].http：//kns.cnki.net/kcms/detail/11.1762.G3.20240124.0831.002. html，2024-01-24.

[8][42] Schoonderwoerd T A J，Van Zoelen E M，et al.Design patterns for human-AI co-learning：A wizard-of-Oz evaluation in an urbansearch-and-rescue task [J].International Journal of Human-Computer Studies，2022，164：102831.

[9][25][29] Wang X，Liu Q，et al.What matters in AI-supported learning：A study of human-AI interactions in language learning using cluster analysis and epistemic network analysis [J].Computers & Education，2023，194：104703.

[10] Bearman M，Ajjawi R.Learning to work with the black box：Pedagogy for a world with artificial intelligence [J].British Journal of Educational Technology， 2023，54（5）：1160-1173.

[11] 張華.對話教學：涵義與價值[J].全球教育展望，2008，（6）：7-16.

[12] Cress U.，Rosé C.，et al.，eds.International handbook of computer-supported collaborative learning [M].New York：Springer，2021.

[13] Wegerif R，Major L.The theory of educational technology：Towards a dialogic foundation for design [M].New York：Taylor & Francis，2023.

[14] Wang D，Tao Y，Chen G.Artificial intelligence in classroom discourse： A systematic review of the past decade [J].International Journal of Educational Research，2024，123：102275.

[15] Major L，Warwick P，et al.Classroom dialogue and digital technologies：A scoping review [J].Education and information technologies，2018，23：1995-2028.

[16] Jeon J，Lee S，Choe H.Beyond ChatGPT：A conceptual framework and systematic review of speech-recognition chatbots for language learning [J]. Computers & Education，2023，206：104898.

[17] Kim N Y，Cha Y，Kim H S.Future English learning：Chatbots and artificial intelligence [J].Multimedia-Assisted Language Learning，2019，22（3）：32-53.

[18] Kohnke L，Moorhouse B L，Zou D.ChatGPT for language teaching and learning [J].Relc Journal，2023，54（2）：537-550.

[20] 陳凱泉，胡曉松等.對話式通用人工智能教育應用的機理、場景、挑戰與對策[J].遠程教育雜志，2023，41（3）：21-41.

[21] 戴嶺，趙曉偉等.智慧問學：基于ChatGPT的對話式學習新模式[J].開放教育研究，2023，29（6）：42-51+111.

[22] Aull L，Ross V.From cow paths to conversation：Rethinking the argumentative essay [J].Pedagogy：Critical Approaches to Teaching Literature，Language， Composition，and Culture，2020，20（1）：21-34.

[23] Wise A F，Saghafian M，Padmanabhan P.Towards more precise design guidance：Specifying and testing the functions of assigned student roles in online discussions [J].Educational Technology Research and Development，2012，60：55-82.

[24] Ha J，Pérez Cortés L E，et al.The impact of a gamified mobile question-asking app on museum visitor group interactions：an ICAP framing [J].International Journal of Computer-Supported Collaborative Learning，2021，16：367-401.

[26] Shaffer D W，Collier W，Ruis A R.A tutorial on epistemic network analysis：Analyzing the structure of connections in cognitive，social，and interaction data [J].Journal of Learning Analytics，2016，3（3）：9-45.

[27] 張敬威.ChatGPT的教育審思：他異關系技術的教育挑戰及應用倫理限度[J].電化教育研究，2023，44（9）：5-11+25.

[28][38] 顧小清，郝祥軍.從人工智能重塑的知識觀看未來教育[J].教育研究，2022，43（9）：138-149.

[30] 陳向東，羅淳等.共享調節：一種新的協作學習研究與實踐框架[J].遠程教育雜志，2019，37（1）：62-71.

[32] Hutson J，Plate D.Human-AI collaboration for smart education：reframing applied learning to support metacognition [EB/OL].https：//digitalcommons. lindenwood.edu/faculty-research-papers/480，2023-10-25.

[34] 王佑鎂，王旦等.“阿拉丁神燈”還是“潘多拉魔盒”：ChatGPT教育應用的潛能與風險[J].現代遠程教育研究，2023，35（2）：48-56.

[35] Kimmerle J，Moskaliuk J，et al.Learning and collective knowledge construction with social media：A process-oriented perspective [J]. Educational Psychologist，2015，50（2）：120-137.

[36] 周平紅，周洪茜等.深度學習視域下學習者協同知識建構歷程的社會認知網絡特征分析[J].電化教育研究，2021，42（9）：99-107.

[37] Chi M T H，Wylie R.The ICAP framework：Linking cognitive engagement to active learning outcomes [J].Educational psychologist，2014，49（4）：219-243.

[39] [美]安德森.皮連生譯.學習、教學和評估的分類學[M].上海：華東師范大學出版社，2000.

[40] 張瓊，張廣君.走向“關系本體論”——對話教學的基礎重構與應然取向[J].高等教育研究，2015，36（7）：75-80.

[41] Wegerif R，Major L.Buber，educational technology，and the expansion of dialogic space [J].Ai & Society，2019，34：109-119.

[43] 郝祥軍，張天琦等.智能時代的人機協同學習：形態、本質與發展[J].中國電化教育，2023，（10）：26-35.

[44] 史圣朋，魯珀特·韋格里夫等.人工智能時代的對話式教育技術理論[J].開放教育研究，2024，30（1）：24-32.

[45] Long D，Magerko B.What is AI literacy Competencies and design considerations [EB/OL].https：//dl.acm.org/doi/10.1145/3313831.3376727，2020-04-23.[46] 鐘柏昌，劉曉凡等.何謂人工智能素養：本質、構成與評價體系[J].華東師范大學學報（教育科學版），2024，42（1）：71-84.

[47] Carolus A，Augustin Y，et al.Digital interaction literacy model–Conceptualizing competencies for literate interactions with voice-based AI systems [J].Computers and Education：Artificial Intelligence，2023，4：100114.

[48] Bearman M，Ryan J，Ajjawi R.Discourses of artificial intelligence in higher education：A critical literature review [J].Higher Education，2023，86（2）：369-385.

[49] Ou A W，St hr C，Malmstr m H.Academic communication with AIpowered language tools in higher education：From a post-humanist perspective [J].System，2024，121：103225.

[50] Canagarajah S.Materializing‘competence’：Perspectives from international STEM scholars [J].The Modern Language Journal，2018，102（2）：268-291.

作者簡介：

汪靖：助理教授，博士，博士生導師，研究方向為自主學習和社會情感學習、高階思維、核心素養、學習科學。

陳恬妮：在讀博士，研究方向為寫作教學、核心素養、高階思維、語文課程與教學論。

楊玉芹：教授，博士，博士生導師，研究方向為學習科學、高階能力與情緒、學習分析與數據驅動的學習評價。

The Integration and Co-Creation of Cognition and Regulation： Exploring Processes and Patterns in Human-AI Interactions Facilitated by Generative Artificial Intelligence

Wang Jing1， Chen Tianni1， Yang Yuqin2

1.College of Education， Zhejiang University， Hangzhou 310028， Zhejiang 2.Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan 430079， Hubei

Abstract： Human-AI Interaction（HAII）represents a novel paradigm of human-computer relationships in the artificial intelligence era， necessitating a clear understanding of its dialogic features， processes， and educational implicmEuQWqBLVh46H7+tAqZ5g==cations. This study focuses on the processes and patterns of collaborative writing dialogues between humans and AI， using epistemic network analysis to reveal the dialogue behaviors and learning mechanisms in HAII. By encoding the HAII discourse text of students in a natural state， the characteristics of learners at different writing dialogue stages and different writing levels are analyzed， different dialogue types are divided， and four HAII dialogue patterns are identified， namely， the Passive Reception type， the Active Searching type， the Shared Regulation Collaboration type， and the Integrative Critical Creation type. These patterns highlight the growing depth of the human-AI relationship and the progressive stages of knowledge transformation and creation. This study advocates for an aspirational model of symbiotic learning dialogue in HAII， which can promote the active decision-making and literacy development of learners through human-AI shared regulation of collaborative learning and participation of higher-order thinking. It calls for future research to expand the exploration of educational scenarios involving HAII， with the aim of fostering a mutually beneficial progression between dialogue education and HAII on both theoretical and practical levels.

Keywords： human-AI interaction； dialogic education； self-regulation and shared regulation； argumentative writing