面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理設(shè)計與實證研究

[摘 要] 向?qū)W習(xí)者提供必要的調(diào)節(jié)學(xué)習(xí)支持是協(xié)作學(xué)習(xí)能夠順利開展并取得成功的關(guān)鍵因素之一，但依賴于教師根據(jù)經(jīng)驗提供個性化調(diào)節(jié)學(xué)習(xí)支持費時費力，難以推廣。文章以調(diào)節(jié)學(xué)習(xí)理論為基礎(chǔ)，設(shè)計了面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理模型，并進一步設(shè)計了支架式調(diào)節(jié)和反饋式調(diào)節(jié)兩種不同類型的代理調(diào)節(jié)策略。為了驗證智能教學(xué)代理模型的有效性，文章以某師范院校開設(shè)的“現(xiàn)代教育技術(shù)應(yīng)用”課程為對象，研發(fā)了面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理，并進行了實證研究。研究結(jié)果顯示：智能教學(xué)代理能夠促進和提升學(xué)習(xí)者的協(xié)作學(xué)習(xí)過程。具體來說，支架反饋式代理能夠促進建構(gòu)更多數(shù)量的話語，使學(xué)習(xí)者的協(xié)作話語分布更為均衡和穩(wěn)定，并產(chǎn)生更為豐富的協(xié)作行為轉(zhuǎn)換模式。但支架式代理對協(xié)作話語的數(shù)量有輕微的抑制作用，在行為模式的豐富性上也略低于支架反饋式代理。研究結(jié)論對于智能教學(xué)代理系統(tǒng)的研發(fā)和協(xié)作學(xué)習(xí)活動的組織均有一定的參考價值和啟示作用。

[關(guān)鍵詞] 智能教學(xué)代理； 調(diào)節(jié)學(xué)習(xí)； 支架式調(diào)節(jié)； 反饋式調(diào)節(jié)； 協(xié)同知識構(gòu)建

[中圖分類號] G434 [文獻標(biāo)志碼] A

[作者簡介] 吳林靜（1987—），女，湖北松滋人。副教授，博士，主要從事人工智能與教育應(yīng)用、學(xué)習(xí)分析研究。E-mail：wlj_sz@126.com。

一、引 言

2017年7月，國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，明確提出要發(fā)展智能教育，構(gòu)建包含智能學(xué)習(xí)、交互式學(xué)習(xí)的新型教育體系[1]。作為新型教育理念與學(xué)習(xí)方式變革的重要領(lǐng)域，計算機支持的協(xié)作學(xué)習(xí)已越來越普遍。但協(xié)作學(xué)習(xí)并非總是高效且有益的，學(xué)習(xí)者在小組協(xié)作過程中常常會出現(xiàn)“搭便車”、參與不均衡、社交孤立等現(xiàn)象。如果學(xué)習(xí)者缺乏調(diào)節(jié)學(xué)習(xí)的技能與策略，那么協(xié)作學(xué)習(xí)就很難達(dá)到預(yù)期的效果。此時，往往需要通過外部手段（如教師或代理）給予提示或其他支持來進行干預(yù)[2]，幫助協(xié)作成員共同監(jiān)控協(xié)作學(xué)習(xí)中的各種障礙與挑戰(zhàn)，促進群體知識建構(gòu)[3]。然而，通過教師進行干預(yù)雖然準(zhǔn)確率高，但是費時費力，難以大規(guī)模推廣。智能教學(xué)代理能夠根據(jù)需要為學(xué)習(xí)者提供各種語言和非語言學(xué)習(xí)線索，是一種高效的協(xié)作學(xué)習(xí)支持工具[4]。然而，當(dāng)前對于支持調(diào)節(jié)學(xué)習(xí)的智能教學(xué)代理的研究尚在起步階段，其運行機制及對協(xié)作學(xué)習(xí)過程的影響均有待進一步深入探索。因此，本研究以人工智能技術(shù)和調(diào)節(jié)學(xué)習(xí)理論為基礎(chǔ)，探索面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理的作用機制，從而引導(dǎo)學(xué)習(xí)者開展協(xié)作學(xué)習(xí)，實現(xiàn)協(xié)同知識建構(gòu)。

二、相關(guān)研究綜述

（一）調(diào)節(jié)學(xué)習(xí)理論

自我調(diào)節(jié)學(xué)習(xí)思想起源于美國心理學(xué)家班杜拉的社會認(rèn)知理論[5]。Zimmerman進一步將自我調(diào)節(jié)學(xué)習(xí)定義為學(xué)習(xí)者在一定程度上從元認(rèn)知、動機和行為方面積極主動地參與學(xué)習(xí)活動的過程[6]。J？覿rvel？覿等人拓展了自我調(diào)節(jié)學(xué)習(xí)的概念，將調(diào)節(jié)學(xué)習(xí)分為自我調(diào)節(jié)、同伴調(diào)節(jié)和共享調(diào)節(jié)三種不同的類型[7]。當(dāng)前對調(diào)節(jié)學(xué)習(xí)的研究主要集中于以下幾個方面：（1）調(diào)節(jié)學(xué)習(xí)的內(nèi)涵及概念框架。Zimmerman將自我調(diào)節(jié)學(xué)習(xí)過程分為三個主要的階段：預(yù)先計劃、行為表現(xiàn)和自我反思[8]。Lee則認(rèn)為，社會共享調(diào)節(jié)學(xué)習(xí)過程可以劃分為計劃和目標(biāo)設(shè)定、調(diào)度和角色分配、任務(wù)和內(nèi)容監(jiān)控、任務(wù)和內(nèi)容評估[9]。（2）調(diào)節(jié)學(xué)習(xí)工具的設(shè)計與應(yīng)用。王靖等將共享調(diào)節(jié)干預(yù)分為腳本工具、感知工具和系統(tǒng)化環(huán)境[3]。尹興瀚等指出，群體感知工具對促進社會調(diào)節(jié)學(xué)習(xí)有著重要作用[10]。（3）調(diào)節(jié)學(xué)習(xí)過程的分析與評估。研究者側(cè)重于探索學(xué)習(xí)者在調(diào)節(jié)學(xué)習(xí)過程中所表現(xiàn)出的模式和特征，常見的分析方法主要包括自報告[10]、基于多模態(tài)數(shù)據(jù)的綜合分析法[11]和基于數(shù)據(jù)挖掘技術(shù)的調(diào)節(jié)學(xué)習(xí)模式挖掘等[12]。已有研究成果極大地豐富了調(diào)節(jié)學(xué)習(xí)理論的核心內(nèi)容。然而，如何運用人工智能技術(shù)，向?qū)W習(xí)者提供個性化、動態(tài)的調(diào)節(jié)學(xué)習(xí)支持服務(wù)則尚處在起步階段。

（二）智能教學(xué)代理

智能教學(xué)代理是指利用自然語言處理、機器學(xué)習(xí)等人工智能技術(shù)來模擬教師的程序或系統(tǒng)，通過計算機與學(xué)習(xí)者進行交互、提供個性化的教學(xué)支持和反饋來促進學(xué)習(xí)過程。它可以作為輔導(dǎo)教師或?qū)W習(xí)伙伴[13]，利用語言、表情等手段與學(xué)習(xí)者交流，融入在線學(xué)習(xí)環(huán)境中為學(xué)習(xí)者提供支持、改善學(xué)習(xí)體驗[14]。當(dāng)前圍繞智能教學(xué)代理的研究主要從以下兩個方面開展：（1）智能代理的功能與角色。Baylor根據(jù)智能教學(xué)代理與學(xué)習(xí)者的不同交互形式，將其功能歸納為調(diào)整交互、激發(fā)反思、提供協(xié)作、提供適當(dāng)?shù)慕虒W(xué)輔助[15]。在角色方面，智能教學(xué)代理可以作為一種嵌入式認(rèn)知支架[16]，也可以是提供語言和非語言線索的靜態(tài)視覺圖像或會話同伴，并且可以與智能系統(tǒng)相結(jié)合向?qū)W習(xí)者提供自適應(yīng)支架和反饋[4]。（2）智能教學(xué)代理的應(yīng)用效果。有研究者指出，無論是專家型代理還是同伴型代理，都能夠通過增強交流來促進學(xué)習(xí)[17]。Sikstr？觟m等通過元分析發(fā)現(xiàn)，智能教學(xué)代理能夠從元認(rèn)知、自我調(diào)節(jié)、自我效能和動機方面啟動學(xué)生的人際溝通過程[18]；Dever等的實驗表明，學(xué)習(xí)者在與智能代理交互后顯示出更高的學(xué)習(xí)能力[19]。綜上所述，智能教學(xué)代理被認(rèn)為能夠顯著促進學(xué)習(xí)者的學(xué)習(xí)過程和學(xué)習(xí)效果。但從功能和角色上來看，已有研究更多地關(guān)注面向獨立學(xué)習(xí)者的會話代理，而面向協(xié)作學(xué)習(xí)的調(diào)節(jié)學(xué)習(xí)支持代理的研究則較為少見。

（三）研究目標(biāo)的確立

針對當(dāng)前的智能代理難以適應(yīng)協(xié)作學(xué)習(xí)場景的不足，本研究擬以協(xié)作學(xué)習(xí)為應(yīng)用場景，以調(diào)節(jié)學(xué)習(xí)理論為基礎(chǔ)，以提升學(xué)習(xí)者的協(xié)作學(xué)習(xí)能力為目標(biāo)，設(shè)計面向調(diào)節(jié)學(xué)習(xí)過程支持的智能教學(xué)代理，并探索不同的調(diào)節(jié)策略對學(xué)習(xí)者協(xié)作學(xué)習(xí)過程的影響，為協(xié)作學(xué)習(xí)活動的組織和智能化服務(wù)提供參考。

三、面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理

（一）面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理模型設(shè)計

為了實現(xiàn)上述研究目標(biāo)，本研究構(gòu)建了如圖1所示的面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理模型。

圖1 面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理模型

在該模型中，智能教學(xué)代理的理論基礎(chǔ)主要包括調(diào)節(jié)學(xué)習(xí)理論、社會認(rèn)知理論和知識建構(gòu)理論。其中，調(diào)節(jié)學(xué)習(xí)理論用于指導(dǎo)智能教學(xué)代理的調(diào)節(jié)過程；社會認(rèn)知理論用于分析學(xué)習(xí)者的社會交互過程；知識建構(gòu)理論則用于分析代理的調(diào)節(jié)效果。根據(jù)調(diào)節(jié)學(xué)習(xí)理論，智能教學(xué)代理在計劃、監(jiān)控、調(diào)節(jié)、評價四個階段對學(xué)習(xí)者的協(xié)作學(xué)習(xí)進行支持與干預(yù)。根據(jù)社會認(rèn)知理論，學(xué)習(xí)者的認(rèn)知加工過程正是在與環(huán)境和同伴的社會交互過程中不斷發(fā)展的。因此，本研究依據(jù)社會認(rèn)知理論從個體、同伴和群體三種不同的粒度來分析學(xué)習(xí)者協(xié)作過程中的社會交互過程。為了量化代理的最終調(diào)節(jié)效果，以知識建構(gòu)理論為基礎(chǔ)，對學(xué)習(xí)者的知識建構(gòu)過程進行分析，具體的分析維度包括認(rèn)知、調(diào)節(jié)和社會情緒。調(diào)節(jié)效果可以進一步反饋給教學(xué)代理，從而優(yōu)化調(diào)節(jié)過程，實現(xiàn)教學(xué)代理的正向迭代與優(yōu)化。

（二）智能教學(xué)代理的調(diào)節(jié)策略設(shè)計

已有研究顯示，在協(xié)作學(xué)習(xí)中使用支持元認(rèn)知調(diào)節(jié)的協(xié)作腳本能夠?qū)W(xué)習(xí)者的團隊計劃和知識建構(gòu)產(chǎn)生積極影響[10]；此外，協(xié)作學(xué)習(xí)中的群體感知工具能夠影響學(xué)習(xí)者的元認(rèn)知和社會共享調(diào)節(jié)，從而促進認(rèn)知、元認(rèn)知和社會情感的發(fā)展[20]。基于上述結(jié)論，本研究設(shè)計了兩種類型的代理調(diào)節(jié)策略，分別為支架式調(diào)節(jié)策略和反饋式調(diào)節(jié)策略。其中，支架式調(diào)節(jié)策略以調(diào)節(jié)學(xué)習(xí)理論為基礎(chǔ)，根據(jù)調(diào)節(jié)學(xué)習(xí)理論中的調(diào)節(jié)過程框架來制定策略支架，共包括計劃、監(jiān)控、評價和調(diào)節(jié)四個階段。反饋式調(diào)節(jié)策略以群體感知理論為基礎(chǔ)，幫助學(xué)習(xí)者了解自身和小組當(dāng)前的協(xié)作狀態(tài)，具體包括個體和小組兩種粒度的行為與語義分布情況。兩種調(diào)節(jié)策略的說明與示例見表1。

表1 智能教學(xué)代理的調(diào)節(jié)策略

（三）智能教學(xué)代理的技術(shù)框架

基于上述策略，本研究進一步提出了如圖2所示的智能教學(xué)代理技術(shù)框架。

圖2 面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理技術(shù)框架

在該框架中，學(xué)習(xí)者通過各類協(xié)作會話支持平臺開展協(xié)作學(xué)習(xí)活動。面向調(diào)節(jié)學(xué)習(xí)的智能教學(xué)代理通過數(shù)據(jù)采集接口從協(xié)作會話支持平臺中采集學(xué)習(xí)者的學(xué)習(xí)過程數(shù)據(jù)，經(jīng)過分析和處理后，再通過反饋接口反饋給協(xié)作會話支持平臺，實現(xiàn)對學(xué)習(xí)者調(diào)節(jié)學(xué)習(xí)過程的干預(yù)。智能教學(xué)代理內(nèi)部主要包含三個模塊，分別是數(shù)據(jù)采集模塊、數(shù)據(jù)分析模塊和智能調(diào)節(jié)模塊。數(shù)據(jù)采集模塊主要負(fù)責(zé)采集學(xué)習(xí)者的協(xié)作過程數(shù)據(jù)，具體包括小組ID、發(fā)言者、發(fā)言內(nèi)容和發(fā)言時間，以及小組的協(xié)作成果等。數(shù)據(jù)分析模塊的核心功能是對采集到的數(shù)據(jù)進行多粒度、多維度的分析。數(shù)據(jù)分析模塊的結(jié)果將進一步提供給智能調(diào)節(jié)模塊，以便代理向?qū)W習(xí)者提供智能化干預(yù)和反饋。智能調(diào)節(jié)代理的調(diào)節(jié)策略主要包括兩種：支架式調(diào)節(jié)策略和反饋式調(diào)節(jié)策略。具體策略的應(yīng)用方法與表1中的調(diào)節(jié)策略一致。

四、面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理

實證研究

（一）研究問題

為了驗證調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理的應(yīng)用效果，本研究采用準(zhǔn)實驗研究法探究該智能教學(xué)代理對學(xué)習(xí)者協(xié)作會話過程的影響。具體的研究問題如下：

1. 面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理對學(xué)習(xí)者協(xié)作會話中的行為參與有何影響？

2. 面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理對學(xué)習(xí)者協(xié)作會話中的行為分布有何影響？

3. 面向調(diào)節(jié)學(xué)習(xí)支持的智能教學(xué)代理對學(xué)習(xí)者的協(xié)作會話行為模式有何影響？

（二）研究對象

本研究是在某師范院校開設(shè)的師范生必修課程“現(xiàn)代教育技術(shù)應(yīng)用”中進行的。課程的持續(xù)時間為8周，旨在培養(yǎng)師范生在教學(xué)中運用信息技術(shù)的意識和能力。課程要求學(xué)習(xí)者每周圍繞一個主題進行在線協(xié)作探究，并提交相關(guān)作品。共有72人注冊該課程（其中男生19人、女生53人），均為師范類專業(yè)大三學(xué)生。

（三）實驗設(shè)計

為了更好地探究不同類型的代理對協(xié)作學(xué)習(xí)過程的影響，本研究主要設(shè)計了兩種類型的代理：第一種僅使用表1中的支架式調(diào)節(jié)策略（下文簡稱為支架式代理），根據(jù)不同的階段向?qū)W習(xí)者提供學(xué)習(xí)支架；第二種同時使用支架式調(diào)節(jié)策略和反饋式調(diào)節(jié)策略（下文簡稱為支架反饋式代理），向?qū)W習(xí)者提供學(xué)習(xí)支架以及不同粒度的行為反饋和小組粒度的語義反饋。研究采用單因素完全隨機實驗，自變量為不同類型的智能教學(xué)代理，包括不使用智能代理、支架式代理和支架反饋式代理。因變量為協(xié)作學(xué)習(xí)的過程與結(jié)果，具體包括學(xué)習(xí)者在協(xié)作會話中的行為參與、行為分布和行為模式。72名同學(xué)被隨機分為3大組，每組24人，分別對應(yīng)無代理組、支架式代理組、支架反饋式代理組。每個大組又被隨機分為5個小組，每個小組包含4或5名學(xué)習(xí)者。所有學(xué)習(xí)者以在線協(xié)作學(xué)習(xí)的方式完成教師每周安排的小組協(xié)作任務(wù)。在課程中，教師共發(fā)布了四個小組協(xié)作學(xué)習(xí)任務(wù)，分別為面向信息素養(yǎng)培養(yǎng)的主題探究方案設(shè)計、信息化環(huán)境下的教學(xué)設(shè)計、微課制作、信息化教學(xué)軟件的應(yīng)用。學(xué)習(xí)者以小組為單位圍繞上述主題展開探究，并協(xié)作完成人工制品。

（四）數(shù)據(jù)采集與編碼

本實驗采用QQ作為協(xié)作會話支持平臺，通過QQ數(shù)據(jù)采集接口對各小組所創(chuàng)建的QQ群中的會話數(shù)據(jù)進行實時采集，并存儲至智能代理的數(shù)據(jù)存儲模塊中。本實驗共采集到8，709條會話數(shù)據(jù)，并采用由Ouyang等提出的協(xié)同知識建構(gòu)編碼框架[21]對會話數(shù)據(jù)進行內(nèi)容分析。該框架包括認(rèn)知、調(diào)節(jié)、社會情緒三大維度，結(jié)合三種不同的社會交互粒度（個體、同伴和群體）形成的協(xié)作會話編碼表，見表2。兩名編碼員經(jīng)過培訓(xùn)后對編碼測試集進行獨立編碼，編碼一致性系數(shù)為0.817（Cohen's Kappa），說明編碼具有較高的信度。其中，維度的話語數(shù)量占比不足5%。因此，后續(xù)分析中刪除了該維度。

（五）數(shù)據(jù)分析結(jié)果

1. 代理對學(xué)習(xí)者協(xié)作會話行為參與的影響

為了探究不同類型調(diào)節(jié)學(xué)習(xí)智能教學(xué)代理對協(xié)作會話中行為參與的影響，本研究使用頻數(shù)統(tǒng)計和卡方檢驗對知識建構(gòu)元素進行統(tǒng)計分析，其結(jié)果見表3。

從表3的結(jié)果中可以看出，支架式代理組、支架反饋式代理組和無代理組在認(rèn)知和調(diào)節(jié)維度的個體、同伴、群體層面之間的頻數(shù)分布均存在顯著性差異（p<0.05）。

進一步進行頻數(shù)比較分析發(fā)現(xiàn)，在各個分析維度和調(diào)節(jié)層次上，支架式代理組各類會話行為的頻數(shù)均接近或略低于無代理組；支架反饋式代理組的頻數(shù)則顯著高于無代理組。這一現(xiàn)象意味著支架式代理對學(xué)習(xí)者協(xié)作會話的行為參與有輕微的抑制作用，而支架反饋式代理則具有一定的促進作用。

2. 代理對學(xué)習(xí)者協(xié)作會話行為分布的影響

為了探索不同類型的調(diào)節(jié)學(xué)習(xí)智能教學(xué)代理對協(xié)作會話行為分布的影響，本研究擬通過信息熵理論對行為分布進行量化研究。信息熵的概念由Shannon提出，其作用是衡量信息系統(tǒng)的不確定性[22]。信息熵的計算公式如式（1）所示：

H（A）=-∑a∈Ap（a）logp（a） 式（1）

其中，A為事件a的狀態(tài)空間，p（a）為事件a出現(xiàn)的概率，H（A）表示A系統(tǒng)的信息熵。

從信息熵的計算方式可以看出，在A系統(tǒng)中，a的分布越均衡，則H（A）越大；反之，H（A）越小。以每個小組作為一個信息系統(tǒng)，以各種知識建構(gòu)元素為事件，計算該小組知識建構(gòu)過程的信息熵，其結(jié)果見表4。

從表4的結(jié)果中可以看出，無代理組的信息熵平均值最低，且標(biāo)準(zhǔn)差最大；支架反饋式代理組的信息熵平均值位于第二，標(biāo)準(zhǔn)差居中；支架式代理組的信息熵平均值最高，且標(biāo)準(zhǔn)差最小。這一結(jié)果反映出無代理組在協(xié)同知識建構(gòu)過程中的協(xié)作會話行為的類別分布最不均衡且不穩(wěn)定，而支架式代理組則最為均衡和穩(wěn)定，支架反饋式代理組居中。

3. 代理對學(xué)習(xí)者協(xié)作會話行為模式的影響

為了探索不同類型調(diào)節(jié)學(xué)習(xí)智能教學(xué)代理對協(xié)作會話行為模式的影響，研究使用滯后序列分析對學(xué)習(xí)者協(xié)作會話的行為轉(zhuǎn)換模式進行探索，其結(jié)果如圖3所示。該圖展示了所有Z值大于1.96、頻數(shù)超過15次的顯著行為轉(zhuǎn)換序列。圖中不同的扇形區(qū)域代表著認(rèn)知和調(diào)節(jié)維度上不同層次的協(xié)作知識建構(gòu)元素。圖3（a）為無代理組的序列行為模式；圖3（b）為支架式代理組；圖3（c）為支架反饋式代理組。

進一步對上述三個子圖進行差異分析，結(jié)果顯示：無代理組共有23個顯著的行為轉(zhuǎn)換序列，其中頻數(shù)最高的是“個體.新想法貢獻”—“個體.批評總結(jié)”（SE.NIC—SE.CS，頻數(shù)=57）。支架式代理組共有20個顯著轉(zhuǎn)換，頻數(shù)最高的是“同伴.任務(wù)理解”—“群體.任務(wù)理解”（SO.TU—CO.TU，頻數(shù)=26）。支架反饋式代理組有29個顯著的行為轉(zhuǎn)換序列，行為模式最為豐富，其中頻數(shù)最高的是“個體.目標(biāo)設(shè)定和計劃”的自循環(huán)（SE.GSP—SE.GSP，頻數(shù)=62）。上述差異體現(xiàn)出無代理組的學(xué)習(xí)者出現(xiàn)了大量個體層面的認(rèn)知行為；支架式代理組則以同伴和群體間的任務(wù)理解見長；而支架反饋式代理組則出現(xiàn)了大量個體層面的調(diào)節(jié)行為。

此外，與無代理組相比，支架式代理組和支架反饋式代理組所特有的行為轉(zhuǎn)換序列是“個體.新想法貢獻”—“同伴.批評與總結(jié)”（SE.NIC—CO.CS）。而無代理組所特有的行為轉(zhuǎn)換序列是“同伴.目標(biāo)設(shè)定和規(guī)劃”—“個體.監(jiān)測和反思”（CO.GSP-SE.MR）。這一差異體現(xiàn)出與無代理相比，代理對協(xié)作學(xué)習(xí)過程的干預(yù)使得學(xué)習(xí)者更多地從個體的認(rèn)知活動轉(zhuǎn)換為同伴間的調(diào)節(jié)活動。

最后，與無代理組和支架式代理組相比，支架反饋式代理組的學(xué)習(xí)者擁有更為復(fù)雜多樣的行為轉(zhuǎn)換模式，且元素之間的雙向轉(zhuǎn)換和群體層面的轉(zhuǎn)換顯著多于前兩者。這一現(xiàn)象說明支架反饋式代理對學(xué)習(xí)者的行為模式具有更顯著的調(diào)節(jié)作用。

五、討論與啟示

（一）結(jié)論與討論

首先，支架反饋式代理能夠顯著促進學(xué)習(xí)者的行為參與，而支架式代理則對行為參與有輕微的抑制作用。統(tǒng)計檢驗結(jié)果顯示，支架反饋式代理能夠顯著促進建構(gòu)話語的產(chǎn)生。支架式代理對話語數(shù)量的增加則并無促進作用，甚至還出現(xiàn)了輕微的抑制現(xiàn)象。對學(xué)習(xí)者的話語內(nèi)容進行深入分析發(fā)現(xiàn)，與無代理組相比，支架式代理組的學(xué)習(xí)者在進行協(xié)作會話時更傾向于按照代理給出的支架來調(diào)節(jié)學(xué)習(xí)過程，使得會話過程中與支架不符合的話語數(shù)量大大減少。而支架反饋式代理在提供調(diào)節(jié)支架之外，還向?qū)W習(xí)者提供了學(xué)習(xí)狀態(tài)的反饋信息，使學(xué)習(xí)者可以針對性地進行調(diào)節(jié)，從而在一定程度上顯著促進了話語的數(shù)量。

其次，代理可以促使學(xué)習(xí)者的協(xié)作會話行為分布更為均衡和穩(wěn)定，尤其是支架式代理效果更為顯著。各小組信息熵的結(jié)果顯示，無代理組中五個小組的知識建構(gòu)過程的信息熵平均值最小，且標(biāo)準(zhǔn)差最大。這說明各小組之間的協(xié)作會話行為分布最不穩(wěn)定。支架式反饋式代理的各小組信息熵平均值有所提升，標(biāo)準(zhǔn)差則顯著減小。這意味著在支架反饋式代理的干預(yù)下，各小組學(xué)習(xí)者的協(xié)作會話行為分布開始趨向穩(wěn)定，類別分布更為均衡。而支架式代理的效果則更為明顯，信息熵平均值進一步提升，標(biāo)準(zhǔn)差則進一步下降。因此，在協(xié)作學(xué)習(xí)過程中引入調(diào)節(jié)學(xué)習(xí)代理可以增強學(xué)習(xí)者行為分布的穩(wěn)定性，幫助他們形成更加穩(wěn)定的知識建構(gòu)模式。

最后，面向調(diào)節(jié)學(xué)習(xí)的智能教學(xué)代理能夠促進學(xué)習(xí)者產(chǎn)生更為豐富的會話行為模式。從無代理組到支架式代理組再到支架反饋式代理組，學(xué)習(xí)者的顯著行為轉(zhuǎn)換序列的數(shù)量呈現(xiàn)增加的趨勢，意味著學(xué)習(xí)者的認(rèn)知加工模式更為豐富。此外，在上述三種代理條件下，學(xué)習(xí)者在不同調(diào)節(jié)層面的行為轉(zhuǎn)換同樣顯著增加。這一現(xiàn)象意味著代理的干預(yù)，尤其是支架反饋式代理能夠促進學(xué)習(xí)者產(chǎn)生更多不同社交層次之間的認(rèn)知調(diào)節(jié)行為。

（二）研究啟示

本研究的發(fā)現(xiàn)對于運用人工智能技術(shù)、大語言模型技術(shù)來支持和干預(yù)協(xié)作學(xué)習(xí)活動的組織和開展具有重要的實踐意義。第一，運用人工智能和代理技術(shù)來支持協(xié)作學(xué)習(xí)活動是技術(shù)可行的。非侵入式和伴隨式的數(shù)據(jù)采集與分析不會對學(xué)習(xí)者產(chǎn)生額外的干擾，且學(xué)習(xí)者能夠從干預(yù)中獲益，大大減輕了教師的工作量和工作負(fù)擔(dān)，具有良好的技術(shù)可行性。第二，教師可以通過引入面向調(diào)節(jié)學(xué)習(xí)的智能教學(xué)代理來支持學(xué)習(xí)者的協(xié)作會話過程，提升其行為參與，使其認(rèn)知元素分布更為穩(wěn)定、認(rèn)知模式更為豐富，使學(xué)習(xí)者出現(xiàn)更為均衡的個體、同伴和群體等不同社交層面的認(rèn)知調(diào)節(jié)活動。第三，盡管代理被證明能夠使學(xué)習(xí)者受益，對代理所使用的調(diào)節(jié)策略仍需精心設(shè)計，對其可能帶來的負(fù)面影響仍需重點關(guān)注。支架式代理對學(xué)習(xí)者的行為參與有一定的抑制作用。在運用智能代理時，教師需要審慎地選擇調(diào)節(jié)策略，并對其可能的負(fù)面影響予以預(yù)防和干預(yù)。

（三）研究局限與未來研究方向

本研究主要存在以下不足之處：第一，研究情景較為單一，僅在一門課程中進行了應(yīng)用；第二，代理所使用的調(diào)節(jié)策略僅包含兩種類型，尚未覆蓋其他類型的調(diào)節(jié)策略；第三，數(shù)據(jù)采集手段的和方式不夠多樣化，導(dǎo)致對學(xué)習(xí)者協(xié)作過程的分析不夠全面。針對上述不足，擬從以下幾個方面進一步深化該研究：首先，擬進一步拓展代理的應(yīng)用情景，選擇更多不同類型的課程以驗證代理的效果；其次，結(jié)合智能教學(xué)代理模型和生成式人工智能技術(shù)，探索更多的代理調(diào)節(jié)策略對協(xié)作學(xué)習(xí)的潛在影響；最后，引入更為豐富的數(shù)據(jù)采集手段，如問卷、訪談、腦電、皮膚電等多模態(tài)數(shù)據(jù)，更為全面地評估智能代理對協(xié)作學(xué)習(xí)過程的影響。

[參考文獻]

[1] 中華人民共和國國務(wù)院. 新一代人工智能發(fā)展規(guī)劃[EB/OL]. （2017-07-20）[2024-08-29]. https：//www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2] 王辭曉，伍瀟貝. 基于關(guān)鍵角色互動特征識別的協(xié)作學(xué)習(xí)預(yù)警研究[J]. 電化教育研究， 2024，45（7）：81-89.

[3] 王靖，崔鑫. 如何支持與評價協(xié)作學(xué)習(xí)中的共享調(diào)節(jié)？——基于2007—2020年國內(nèi)外共享調(diào)節(jié)研究的系統(tǒng)性文獻綜述[J]. 遠(yuǎn)程教育雜志，2020，38（6）：86-95.

[4] JOHNSON W， LESTER J. Face-to-face interaction with pedagogical agents， twenty years later[J]. International journal of artificial intelligence in education， 2016，26：25-36.

[5] BANDURA A. Social foundations of thought and action： a social cognitive theory [M]. Englewood Cliffs， NJ， US： Prentice-Hall， Inc， 1986.

[6] ZIMMERMAN B. A social cognitive view oifDe/mO6rCCVaNyL8+EY1pJEeXUwfpzGsyj+lW6HOB0=f self-regulated academic learning [J]. Journal of educational psychology， 1989，81：329-39.

[7] J？魧RVEL？魧 S， HADWIN A. New frontiers： regulating learning in CSCL[J]. Educational psychologist， 2013， 48： 25-39.

[8] ZIMMERMAN B J. Becoming a self-regulated learner：an overview[J]． Theory into practice，2002，41（2）：64-70．

[9] LEE A. Socially shared regulation in computer-supported collaborative learning[D]. New Jersey： The State University of New Jersey， 2014.

[10] 尹興翰，葉俊民，于爽，等. 群體感知工具對社會調(diào)節(jié)學(xué)習(xí)的驅(qū)動因素與作用機制研究——基于扎根理論的質(zhì)性分析[J]. 電化教育研究，2024，45（5）：42-50，66.

[11] 蘇友， 李艷燕， 包昊罡. 國際視野下社會調(diào)節(jié)學(xué)習(xí)研究歷程、焦點及趨勢[J]. 現(xiàn)代遠(yuǎn)程教育研究，2020，32（6）：33-43.

[12] 高喻，吳林靜，王慧敏，等. 協(xié)作學(xué)習(xí)中學(xué)習(xí)者自我調(diào)節(jié)學(xué)習(xí)模式挖掘與軌跡分析[J]. 電化教育研究，2022，43（7）：89-96，105.

[13] 詹澤慧. 遠(yuǎn)程教育中的智能教學(xué)代理：角色、設(shè)計要素與應(yīng)用方式[J]. 現(xiàn)代遠(yuǎn)程教育研究，2011（4）：76-82.

[14] 何克抗. 教學(xué)代理與自適應(yīng)學(xué)習(xí)技術(shù)的新發(fā)展——對美國《教育傳播與技術(shù)研究手冊》（第四版）的學(xué)習(xí)與思考之六[J]. 開放教育研究，2017，23（5）：11-20.

[15] BAYLOR A. Expanding preservice teachers' metacognitive awareness of instructional planning through pedagogical agents[J]. Educational technology research and development，2002，50（2）：5-22．

[16] CASTRO-ALONSO J， WONG R， ADESOPE O， et al. Effectiveness of multimedia pedagogical agents predicted by diverse theories： a meta-analysis [J]. Educational psychology review，2021，33（3）：989-1015．

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

[18] SIKSTR？魻M P， VALENTINI C， SIVUNEN A， et al． How pedagogical agents communicate with students： a two-phase systematic review[J]. Computers & education， 2022，188：104564.

[19] DEVER D， SONNENFELD N， WIEDBUSCH M， et al. A complex systems approach to analyzing pedagogical agents' scaffolding of self-regulated learning within an intelligent tutoring system[J]. Metacognition and learning， 2023，18：1-33.

[20] 毛子琪，李艷燕，張慕華. CSCL中群體感知工具能提升學(xué)習(xí)效果嗎？——基于2002—2021年國內(nèi)外35篇實證研究文獻的元分析[J]. 現(xiàn)代教育技術(shù)，2023（3）：65-74.

[21] OUYANG F， WU M， ZHANG L， et al. Making strides towards AI-supported regulation of learning in collaborative knowledge construction [J]. Computers in human behavior， 2023，142：107650.

[22] SHANNON C E， WEAVER W. The mathematical theory information[M]. Urbana： University of Illinois Press，1949.

Design and Empirical Research of Intelligent Pedagogical Agents for

Regulated Learning Support

WU Linjing， CHEN Mengfan， GAO Yu， XU Jing， LIU Qingtang

（Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079）

[Abstract] Providing learners with the necessary regulated learning support is one of the key factors for the successful implementation and achievement of collaborative learning. However， relying on teachers to provide personalized regulated learning support based on their experience is time-consuming and labor-intensive， and difficult to promote. Based on regulated learning theory， this study designed an intelligent pedagogical agent model for regulated learning support and further designed two different types of agent regulation strategies， namely scaffolding regulation and feedback regulation. To verify the effectiveness of the intelligent pedagogical agent model， this paper took the "Modern Educational Technology Application" course offered by a normal university as the subject， developed an intelligent pedagogical agent for regulated learning support， and conducted empirical research. The results show that the intelligent pedagogical agent could promote and enhance the learner's collaborative learning process. Specifically， the scaffolding and feedback agent could promote a greater number of constructive discourses， make the distribution of learners' collaborative discourses more balanced and stable， and generate richer collaborative behavior transition patterns. However， the scaffolding agent has a slight suppressive effect on the quantity of collaborative discourses and is slightly lower than the scaffolding feedback agent in collaborative behavior transition patterns. The findings of the study provide reference and insights on the development of intelligent pedagogical agent systems and the organization of collaborative learning activities.

[Keywords] Intelligent Pedagogical Agents; Regulated Learning; Scaffolding Regulation; Feedback Regulation; Collaborative Knowledge Construction

DOI：10.13811/j.cnki.eer.2024.11.008

基金項目：2022年度國家自然科學(xué)基金項目“數(shù)據(jù)驅(qū)動的在線學(xué)習(xí)協(xié)作會話過程監(jiān)測與干預(yù)機制研究”（項目編號：72174070）；2024年度華中師范大學(xué)中央高校基本科研業(yè)務(wù)費項目“人工智能賦能社會認(rèn)知調(diào)節(jié)過程動態(tài)感知與智能干預(yù)研究”（項目編號：CCNU24ai019）