人工智能优化课堂中的小组合作学习框架设计

刘珊珊

摘  要 小组合作学习是课堂教学中常采用的教学组织方式，然而在活动前的异质分组、角色分工与责任分配，活动中的监控和指导及活动后的评价与激励方面存在一些问题。人工智能技术在教育应用中的独特优势具备解决课堂中小组合作学习问题的能力。提出利用人工智能技术优化小组合作学习框架，旨在为改善课堂中小组合作学习效果提供理论指导。

关键词 小组合作学习;人工智能技术;大数据;深度学习

中图分类号：G434    文献标识码：B

文章编号：1671-489X（2021）18-0074-03

AI Optimized Framework Design of Cooperative Learning in Classroom//LIU Shanshan

Abstract Group cooperative learning is often used in classroom tea-

ching. However， there are many problems in heterogeneous grouping，

role division and responsibility allocation before activities， monito-ring and guidance in activities， and evaluation and incentive after

activities. The unique advantages of artificial intelligence technology

in the application of education have the ability to solve the problem of cooperative learning in the classroom. This paper proposes to opti-

mize the framework of group cooperative learning by using artificial intelligence technology in order to improve the effect of cooperative learning in classroom.

Key words group cooperative learning; artificial intelligence tech-nology; big data; deep learning

1  問题的提出

自20世纪90年代初引进美国的合作学习法，我国学者经历了近30年的实践探索，发现课堂中学生之间的关系比任何其他要素对学生学习的成绩、社会化和发展的影响都更强有力[1]。同时，合作学习对学生的高阶思维培养具有独特的组织形式优势[2]。因此，学生之间的小组合作学习成为课堂教学中非常流行的教学方式。然而在现实教学实践中，小组合作学习却存在诸多问题，例如：在活动前对学生的情况不加以考虑即贸然组织小组合作学习;活动过程中学生参与程度不均衡，出现“能者代劳”而其他组员坐“顺风车”的情况，教师在活动过程中缺乏指导和监控;活动后的评价机制不完善;等等。这些问题都影响着小组合作学习的效果。

随着人工智能技术的快速发展，人工智能技术在教育中的应用也取得巨大进展。人工智能在教育应用中有智能化、自动化、个性化、多元化和协同化的典型特征[3]。这些在教育中所显现的特征，使利用人工智能技术辅助小组合作学习活动的开展，进而优化合作效果，成为一种可能。

2  文献综述

2.1  小组合作学习出现问题的原因

小组合作学习是指学生在小组或团队中为了完成共同的目标与任务，有明确的责任分工的互助性学习[4]。小组合作学习具有四个基本特征：以异质小组为基本形式，以小组明确的目标达成为标准，以小组成员相互依赖的合作性活动为主体，以小组总体成绩作为评价和奖励的依据。在课堂教学实践中出现种种问题的原因基本已被探明，除了教师主观上对合作学习的内涵和组织方式理解得不够深入以外，更多的是教师虽有意识改进，但是受客观条件制约难以实施的。

2.1.1  小组合作前的异质分组  小组的构成直接影响小组学习活动的开展与学习成绩的好坏，小组合作有效性的一个潜在障碍就是小组异质的不充分[5]，因为小组合作中的异质分组需要综合考虑学生的学习成绩、性别、能力、气质和性格及家庭背景等因素，但基于教师的个人认知能力，无法对一个班的学生就以上因素进行准确分析和评价，再给出最优的分组策略。不仅是因为教师无法记住多种分组要素，还因为不同的活动任务常常需要变化小组人员数量，同时如学习成绩等要素还会随着时间产生变化。

2.1.2  小组合作中的指导与监控  在合作学习过程中，教师的干预会显著影响合作学习的成效[6]。在小组合作过程中需要教师给予及时、适度的组织和调控，以保证小组合作学习的顺利进行。即在活动过程中，教师要对学生的学习情况进行监控，发现问题要进行有针对性的指导。但是在现实课堂中，一位教师面对多个小组，无法全程跟踪活动的开展情况，大部分时间是巡视活动或重点跟进个别小组的任务完成情况，以确定全班整体活动进度，很容易忽视在小组合作学习过程中遇到问题的其他小组。同时由于课堂中的小组合作时间较短，学生缺乏合作学习方法的训练，常常会发生为了完成任务而“能者代劳”的情况，其他学生在合作学习中体会不到合作的乐趣和成就感而产生学习兴趣下降。

2.1.3  小组合作后的评价与激励  应该重视对小组合作学习的评价和奖励。当活动结束时，教师应根据自己的监控情况和合作学习小学对合作学习的反馈情况，对学生进行评价，以激励和小组评价为主。基于教学工学理论，影响课堂学习质量及社会心理气氛的因素主要有任务结构、奖励结构和权威结构，其中奖励结构被多方证明是合作学习赖以提高学业成绩的最为关键的因素[7]。与此同时，小组合作后的评价也是多方面的，可以从评价标准、评价内容、评价主体和评价方法等多方面进行。这些丰富的评价方式必然要考虑多种要素，在课堂中仅靠有限时间内的教师个人判断，难以进行系统科学的评价。

2.2  人工智能教育应用主要技术

2018年发布的《人工智能标准化白皮书》给出的人工智能定义为：人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能在教育领域的应用中主要的技术层级有数据层、算法层、感知层、认知层及应用层[8]。其中，数据层的代表技术是教育大数据，教育大数据产生于各种教育实践活动;算法层的代表技术是深度学习，主要用于数据的处理，进而进行预测行为和优化决策;感知层的代表技术是识别技术，用于对语音、文字、图像的识别与处理;认知层的代表技术是自然语言处理，主要用于实现系统与学习者的沟通交流;应用层指代的则是各类人工智能技术的集中体现。

2.3  人工智能与教师的协同方式

我国学者余胜泉教授在探索人机协同方式时提出人机协同分析教学框架，在教学过程中根据人工智能的智能程度和配合教师完成的工作性质，将人工智能和教师的关系分为AI代理、AI助手、AI教师和AI伙伴四种层次[9]。

2.4  人工智能技术在合作学习中的应用

研究者之前就考虑用计算机来辅助开展合作学习，称为计算机支持的协作学习（CSCL），目的是辅助、支持小组成员共同建構知识和解决问题[10]。CSCL的应用形式主要是在线合作学习，面向对象以学生为主。为了优化CSCL的应用模式，研究者对线上学生学习行为跟踪建立认知投入度分析框架来确保活动效果，也有研究者基于知识知觉进行CSCL活动工具的设计，后期更是出现了基于mCSCL（移动设备支持下的协作学习）的对协作伙伴的探索。

后期人工智能被应用在学习者的合作学习中，并以多种身份促进合作，例如：以协调者身份通过各种方式使用各种策略来促进学习者的深入对话和合作反思;以同伴身份成为学习者在合作过程中的伙伴，以促进学习者知识建构。同时，人们也在探索人工智能在合作学习环境中的作用，认为最强的生生在线交互可能发生在沉浸式学习环境中，以此来增强交互感和现场感，进而来促进生生之间的合作。

之前的研究者探究的计算机、通信技术和人工智能技术在合作学习中的应用主要集中在远程在线形式的合作学习，并以此证明了人工智能技术优化小组合作学习的可能性。但是研究者忽略了人工智能技术在课堂中小组合作学习中的应用。我国义务教育阶段的教学以学校中的课堂教学为主，小组合作学习也是课堂教学中促进学生知识建构和思维发展的主要形式，因此，利用人工智能技术优化小组合作学习，对增强合作学习的效果具有重要意义。

3  人工智能优化小组合作学习框架

对人工智能教育应用的主要技术特点和课堂中影响小组合作学习的关键环节进行整合，形成人工智能优化小组合作学习框架，如表1所示。

3.1  合作前的科学分组与分工

活动开展前的准备工作是合作学习顺利开展的重要基础，主要工作包括对学生进行异质分组，在分组的结果上进行角色分工和责任分配。学生在活动前了解自己的学习伙伴并明确彼此的角色和责任，有助于提升活动效率和质量。大数据支持下的异质分组除了考虑学生的基本信息，还需要分析学生成长过程中生成的多方面与活动分组有关的数据，借助深度学习算法对数据进行处理，对班级内的学生进行合理分工，根据学生的性格、能力、兴趣和成绩等多方面因素帮助教师进行角色分工和责任分配。在此过程中，人工智能的隐喻角色是“教师”，帮助教师借助数据更科学地进行决策。然而人工智能对应教师的角色是“AI代理”，意味着人工智能技术仅是辅助教师进行活动前的准备，教师还需要根据具体课程情况、任务性质和学生意愿对结果进行调整。

3.2  合作过程中全程监控与指导

在活动过程中，人工智能技术会对每一个小组进行全程监控、必要的指导与协作。通过语音识别、图像识别和表情识别，记录每位成员的发言次数、发言内容，监控学生的参与情况、交互质量和冲突管理;通过检测学生合作过程，在学生遇到问题时或是组织混乱时利用深度学习算法和自然语言处理提供必要的提示、相关的学习资源及指导，指明任务目标，促进学生深入探索与合作，在合作过程中提供相应的搜索工具、探究工具，帮助学生解决问题。在此过程中，人工智能监控功能的隐喻角色是“教师”，帮助教师跟踪监控小组活动的实时情况。人工智能指导功能的隐喻角色是“教师”，需要进行明确指导、给出权威意见和指明活动要求和规则;而当人工智能承担小组成员角色进行任务协助时，隐喻角色是“伙伴”。此时，教师可以在管理系统中观察小组合作学习的整体情况，当发现某一小组的合作活动出现问题，且靠其自身小组系统无法纠正时，要进行及时干预。

活动中人工智能借助教育大数据分析学生的表现，通过自然语言处理技术和深度学习技术与学生进行沟通，进行预测和干预，最后将活动中采集的多方面数据存入大数据系统中，为后续的活动评价及下次活动分组积累依据。在此阶段，人工智能对应教师的角色是“AI教师”，系统具备认知功能，能够在感知和认知方面显著增强教师的能力，进而突破教师的认知极限，使教师具有更大的教育创造力。

3.3  合作后的客观多维评价与虚拟奖励

合作活动后，在教师进行合作成果展示的同时，人工智能技术会通过活动过程中收集的数据，针对合作过程中每位成员的交互质量、任务完成情况、责任承担情况和贡献率等方面表现进行客观、科学和多维评价，以对学生的合作学习成果进行评价及肯定，给学生进行深入合作指明方向，提升学生的合作学习能力，增强学生合作的成就感和向心力，激发学生的合作兴趣和动力。同时，系统在小组活动过程中支持自我评价和生生匿名互评，学生在获得对小组合作成果的评价后，再根据提供的评价标准进行自我评价和生生匿名互评，有助于调整自己的学习状态和改进自己的合作技巧，对长时间培养合作能力有促进作用。评价环节的人工智能隐喻角色是“教师”，对于教师而言的角色是“AI助手”，帮助教师完成评价报告。

在活动结束后，人工智能可针对学生的表现给予积分激励，不同积分级别赋予不同的虚拟荣誉称号，以促进学生的合作动力。在激励阶段，对于教师而言的角色为“AI代理”。

整体优化框架基于教育大数据，数据来源于学生学习过程中的各种实践数据和多方面个性化数据，科学地进行数据挖掘，进而做出正确判断。

4  总结与展望

目前，课堂小组合作学习效果不理想，主要是因为活动前异质分组不充分，角色分工和责任分配不明确;活动中的监控和指导不及时;忽视活动后的评价和激励。人工智能技术在线上小组合作活动中的实践，有丰富经验并都取得了一定效果，运用其在教育领域的大数据技术、识别技术、深度学习算法和自然语言处理技术，可以构建优化课堂小组合作学习框架，辅助教师增强课堂中小学合作学习效果。框架基于教育大数据，在活动前、中和后期扮演者“教师”和“伙伴”的隐喻角色，同时在人机协同的理念下根据任务特征扮演“AI代理”“AI助手”和“AI教师”的角色，以减轻教师的工作负荷和扩展教师的认知能力，促进合作学习的效果，培养学生的合作学习能力。

教师对开展课堂中小组合作学习具有重要作用，一切技术手段都是为了辅助教师促进学生深入学习。教师应在教学过程中起主導作用，提升活动设计能力，根据数据做出适时合理判断是关键，而不应因为人工智能技术的介入而退位。教师应将人工智能作为强有力的辅助工具，在增强自身能力的同时发挥其作用，最终促进课堂合作学习效果的增强。■

参考文献

[1]王坦.论合作学习的基本理念[J].教育研究，2002（2）：

68-72.

[2]蔡歆，祁红.高阶思维培养：小组合作学习的升级之路[J].中小学管理，2019（9）：55-57，59.

[3]梁迎丽，刘陈.人工智能教育应用的现状分析、典型特征与发展趋势[J].中国电化教育，2018（3）：24-30.

[4]文涛.论有效的课堂小组合作学习[J].教育理论与实践，2002（12）：53-56.

[5]Veenman S， Kenter B， Post K. Cooperative learning in Dutch primary classrooms[J].Educational Studies， 2000，26（3）：281-301.

[6]李宝敏，宫玲玲.合作学习对学生学习成效的影响研究：基于国内外54项实验研究和准实验研究的元分析[J].教育发展研究，2019，39（24）：39-47.

[7]王坦.合作学习的理论基础简析[J].课程·教材·教法，

2005（1）：30-35.

[8]杨现民，张昊，郭利明，等.教育人工智能的发展难题与突破路径[J].现代远程教育研究，2018（3）：30-38.

[9]余胜泉，王琦.“AI+教师”的协作路径发展分析[J].电化教育研究，2019，40（4）：14-22，29.

[10]李艳燕，彭禹，陈凯亮，等.基于群体感知的CSCL学习分析工具功能研究[J].现代教育技术，2019，29（1）：72-78.