基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗？

郑兰琴 高蕾 黄梓宸

[摘   要] 近年来，人工智能技术迅猛发展，对教育教学产生了巨大的冲击和影响，最引人注目的是基于生成式人工智能技术的对话机器人的兴起。为进一步提高在线协作学习绩效，研究旨在检验基于生成式人工智能技术的对话机器人对在线协作学习绩效、批判性思维意识及其知识激活量和贡献度的影响。研究邀请大学生参与在线协作学习，综合采用定量和定性相结合的研究方法，深度分析对话机器人的影响。研究结果表明，基于生成式人工智能技术的对话机器人不仅在其知识激活量、贡献度方面明显优于传统媒体，而且也能够显著提升在线协作学习绩效和批判性思维意识。文章深入分析和讨论了研究结果，并提出若干启示和建议。

[关键词] 在线协作学习； 生成式人工智能技术； 对话机器人； 贡献度； 学习绩效

[中图分类号] G434            [文献标志码] A

[作者简介] 郑兰琴（1979—），女，山西五台人。副教授，博士，主要从事人工智能与教育、计算机支持的协作学习、学习分析技术等研究。E-mail：bnuzhenglq@bnu.edu.cn。

一、引   言

（一）研究背景与意义

近年来，人工智能技术发展如火如荼。人工智能是指计算机能够模拟人类的智能，如人类的学习能力、问题解决能力等[1]。人工智能技术按照采用的模型可以分为决策式人工智能和生成式人工智能技术，决策式人工智能也称为判别式人工智能，主要学习数据的条件概率分布并对新的场景进行判断和预测；而生成式人工智能主要学习数据中的联合概率分布并归纳总结，从而生成新的内容，如文本、图片、音频、视频等[2]。人工智能技术经历了机器学习、神经网络、大语言模型的发展历程。

目前，生成式人工智能技术已经在各个行业（如金融、医疗、教育等）受到广泛关注，特别是在教育领域，可以采用生成式人工智能技术辅助教育者进行教学、学习、管理、决策等。在互联网+教育时代，越来越多的学习者选择在线协作学习作为主要的学习方式之一。然而，学习者在进行在线协作学习时会遇到各种各样的问题，如学习绩效低下[3]、批判性思维意识较弱[4]。为了解决这些问题，本研究旨在采用基于生成式人工智能技术的对话机器人来帮助提升在线协作学习绩效和批判性思维意识，同时，本研究还比较了基于生成式人工智能技术的对话机器人与传统媒体在知识激活量和贡献度方面的差异。本研究的理论和现实意义包括两方面：从理论层面探索新型媒体对于协作学习的贡献度和人机协作的新模式；从实践层面探索如何利用基于生成式人工智能技术的对话机器人提升学习绩效。

（二）研究目标与研究问题

本研究的主要目标是检验基于生成式人工智能技术的对话机器人与传统媒体相比，是否能够显著提升知识激活量、贡献度、在线协作学习绩效和批判性思维意识。本研究的传统媒体指的是没有对话机器人支持的传统搜索引擎。根据研究目标，提出以下研究问题：

（1）基于生成式人工智能技术的对话机器人能否显著提升知识激活量？

（2）基于生成式人工智能技术的对话机器人能否显著提升贡献度？

（3）基于生成式人工智能技术的对话机器人能否显著提升在线协作学习绩效？

（4）基于生成式人工智能技术的对话机器人能否显著提升批判性思维意识？

二、文献综述

（一）在线协作学习研究现状

在线协作学习已经成为互联网时代一种重要的学习方式，并在高等教育领域被广泛采用。在线协作学习是指为了共同的学习目标、由多名学习者通过互联网进行同步或者异步的在线学习并协同解决问题的一种学习方式[5]。研究表明，精心设计并合理实施在线协作学习能够提升学习绩效[6]、问题解决技能等[7]。在线协作学习分为同步和异步两种方式，并在一线教学实践中备受青睐。

然而，在线协作学习有时候难以取得理想的效果，主要原因在于很多学习者在协作学习中只进行简单的信息交流与分享、在线协作学习不深入[8]、小组成员常常出现跑题偏题的现象[9]、学习者缺乏及时的反馈导致会放弃协作学习[10]。为提高协作学习绩效，非常有必要为学习者提供及时、个性化的反馈。反馈指的是由代理（比如教师、同伴、父母、自己、机器等）提供的关于个人绩效或想法方面的信息[11]。在协作学习领域，研究者通过多种方式为学习者提供个性化的反馈。比如：Martinez- Maldonado利用手持式仪表盘的分析结果为学习者提供个性化的反馈[12]；Tan 和 Chen通过同伴互动的方式提供反馈并提升协同知识建构水平[13]；还有研究者利用会话代理为学习者提供反馈，从而增强学生在协作学习中的动机和参与程度[14]。然而，鲜有研究基于生成式人工智能技术的对话机器人为参与在线协作学习的学习者提供全方位、个性化的反馈。本研究旨在利用基于生成式人工智能技术的对话机器人为学习者在协作学习过程中提供实时、个性化的反馈，同时比较基于生成式人工智能技术的对话机器人与没有对话机器人的差异。

（二）生成式人工智能技术及其影响

生成式人工智能技術是通过分析训练样本、学习其模式和分布、生成作品的一种人工智能技术，它主要包括两大类，即生成式对抗网络模型和生成式预训练语言模型[15]。生成式对抗网络模型包括生成模型和判别模型，生成模型主要捕捉样本数据的分布并合成数据，判别模型主要判断输入是生成的样本还是真实数据，通过这两个模型的博弈并最终达到一种平衡[16]。生成式预训练语言模型是典型的预训练—微调模型，其原理是，首先，通过监督学习训练微调模型，其次，收集比较性数据并训练奖励模型，最后，通过强化学习算法对奖励模型进行调优[17]。

生成式人工智能技术目前已经对学习、教学、管理、研究等方面产生前所未有的影响和冲击。首先，生成式人工智能技术引起了学习方式的变革。祝智庭等学者提出，以自主学习为驱动力、以自监督学习为保障、以思维技能为核心、以创新意识为生命力、以情感为催化剂的高意识生成式学习将成为当今人工智能时代的学习新范式[18]。其次，生成式人工智能技术对教学产生深远的影响。基于生成式人工智能技术的工具赋能个性化教学，让每个学生都拥有私人学习助理，并对教学方式、教学内容、教学评价产生革命性影响，形成教师—机器—学生、智能化教学内容生成、多元评价的新型教学模式[19]。最后，生成式人工智能技术对管理和研究也将产生显著的影响，比如，有学者认为，生成式人工智能技术将变革学校管理的模式，一些机械性的工作交给机器去自动完成，采用生成式人工智能工具还可以提供多模态的数据、资源等，为学校科学合理制定决策提供强有力的证据[20]。

（三）对话机器人研究现状

对话机器人是人机对话系统的一种。人机对话技术旨在通过各种技术使得机器能够最大程度地模仿人类的对话，从而与人进行最自然的交流[21]。目前的人机对话系统主要包括两种类型，一种是面向开放领域的非任务型对话系统，另一种是面向垂直领域特定任务的任务型对话系统。非任务型对话系统的构建方法有三种，即基于生成的方法、基于检索的方法、二者混合的方法；任务型对话系统的构建方法主要有两种，一种是采用端到端的方法，另一种是采用管道的方法[22]。由于端到端的方法需要搜集大规模的训练数据，可扩展性不强，还需要較多的人为干预[23]。因此，大多数研究采用管道的方法构建任务型对话系统。目前，流行的对话系统就是对话机器人。

基于管道方法构建的任务型对话机器人主要由四个功能模块组成，即自然语言理解、对话状态跟踪、对话策略学习和自然语言生成。自然语言理解模块主要把原始的用户信息转换为语义槽从而理解对话领域和用户的意图；对话状态跟踪模块主要基于对话历史和当前的状态迭代地校准和更新对话状态；对话策略学习模块主要基于对话最新状态决定下一步对话系统的动作；自然语言生成模块则把选择好的对话行为转换为用户可以理解的自然语言。其中，对话状态跟踪和对话策略学习可以合并为一个模块即对话管理模块，这也是任务型对话机器人的核心模块[24]。

目前，任务型对话机器人已经在各个领域崭露头角，发挥重要作用。比如：研究者开发了任务型对话机器人帮助用户预定餐厅[25]；有研究者构建了进行疾病自动诊断的任务型对话机器人[26]；有研究者开发了任务型对话机器人作为语言教学助手辅助学生进行语言学习[27]。在协作学习领域，研究者开发了任务型对话系统支持协作学习并提供反馈。比如：Tegos等学者开发了会话代理支持学习者在同伴贡献的基础上阐述对重要概念的推理过程[28]；还有学者开发了在线会话代理激发学生在协作学习中的动机和参与程度[14]；Nguyen比较了专家型会话代理和同伴型会话代理在协作学习中的作用，发现这两种类型的代理都能促进在线讨论和系统性思维[29]。然而，已有的任务型对话系统尚未采用生成式人工智能技术，大多只能简单地回答用户的问题，这种浅表层次的交互不仅导致学习者厌烦、对话无法持续、对话效率不高，而且难以激发学习者的积极性和主动性、无法引导学习者深入学习，导致学习者常常忽略对话系统的存在。本研究主要采用基于生成式人工智能技术的对话机器人支持在线协作学习，考察其与传统媒体的差异。

三、研究设计

（一）研究对象

本研究一共招募在校大学生30人，学生所学专业包括计算机科学、教育技术学、教育学、心理学等。参与本研究的30名大学生分为5个实验组和5个控制组，实验组和控制组分别有15人，每个小组3名学生。为检测已有知识水平是否存在差异，所有学生都经过了前测。根据前测结果，发现实验组和控制组在已有知识水平方面没有显著性差异（t=0.254，p=0.806）。所有学生都签署知情同意书，他们在研究过程中可以随时退出实验。

（二）研究假设

根据研究目的和研究问题，提出如下研究假设：

（1）基于生成式人工智能技术的对话机器人能够显著提升知识激活量。

（2）基于生成式人工智能技术的对话机器人能够显著提升贡献度。

（3）基于生成式人工智能技术的对话机器人能够显著提升在线协作学习绩效。

（4）基于生成式人工智能技术的对话机器人能够显著提升批判性思维意识。

（三）研究方法

本研究采用定量研究与定性研究相结合的研究方法开展研究。定量研究的方法包括准实验法和问卷调查法，定性研究的方法采用访谈法。通过准实验法旨在比较基于生成式人工智能技术的对话机器人与传统媒体在知识激活量、贡献度、在线协作学习绩效和批判性思维意识方面的差异。问卷调查法旨在了解学生批判性思维意识的状况。访谈法旨在深入调查学习者使用对话机器人的真实感受。统计分析方法旨在检验实验组和控制组的差异。

（四）研究流程

本研究的流程包括三个阶段。第一阶段主要进行前测，即对所有学生开展关于人工智能技术和大数据等已有知识的测试。根据测试结果进行分组，确保实验组和控制组在已有知识基础方面没有显著性差异。第二阶段首先进行培训，包括对在线协作学习平台、基于生成式人工智能技术的对话机器人的使用方法进行演示和培训；其次，正式开展在线协作学习，在线协作学习的任务包括三个子任务，即讨论人工智能的关键技术及其应用，大数据与人工智能之间的关系，对给定的四个案例进行深入分析并评价其利弊、对学习的影响及其改进方案。当每个小组完成既定任务后，形成的主要观点和解决方案作为小组作品上传到在线协作学习平台。为避免干扰变量的影响，所有实验组和控制组的在线协作学习任务、时长、要求等都完全相同，差异仅仅在于使用的媒体手段不同。实验组开展基于生成式人工智能技术的对话机器人支持的在线协作学习（如图1所示），而控制组开展传统的在线协作学习（如图2所示）。第三个阶段主要进行后测和访谈，即对学习者的批判性思维意识进行后测，并对所有实验组进行面对面的半结构化访谈，从而了解学习者使用对话机器人的感受。

图1   利用文心一言支持的在线协作学习

图2   传统的在线协作学习

（五）研究工具

本研究所采用的研究工具包括前测题目、批判性思维意识问卷。前测题目由有经验的老师编制，并由两位研究助理进行评判，采用Kappa值计算评分者信度，结果为0.89，表明一致性良好。批判性思维意识问卷改编自Yeh学者[30]，一共由20个题目组成，采用五点量表的方式。批判性思维意识问卷的Cronbach's α值为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术的对话机器人采用文心一言3.5，文心一言是百度研发的基于知识增强大语言模型的对话机器人，能够进行对话、创作、回答问题、方便高效地获取信息[31]。

本研究中知识激活量的算法根据基于信息流的协作学习交互分析方法计算得出[32]，该算法采用信息熵模型计算知识点的激活量。媒体的贡献度则由媒体提供的知识点激活量与所有知识点激活总量（即包括学习者的激活量与媒体激活量的总和）的比值计算得出。为了保证分析的客观性，由两人背对背对所有组的信息流进行分析，采用Kappa值计算评分者信度，结果为0.83，表明一致性良好。

在线协作学习的绩效主要根据评价量规对小组作品的质量进行评价，评价量规包括论点、论据、论证、结果四个维度，每个维度的满分为25分，总分为100分。每个小组的作品均由两位研究者根据评价量规进行独立打分，采用Kappa值计算評分者信度，结果为0.84，表明一致性良好。另外，本研究对所有实验组进行了半结构化的深度访谈，主要包括对话机器人的作用和贡献、对协作学习绩效的影响、对批判性思维意识的影响等方面了解使用者的感受和想法，从而印证实验的结果。对于访谈记录，本研究采用主题分析法，由两人背对背分析每个组分访谈记录，采用Kappa值计算评分者信度，结果为0.88，表明一致性良好。

四、研究结果

（一）知识激活量

知识激活量主要测量基于生成式人工智能技术的对话机器人和传统媒体在知识点方面的激活程度。首先，所有知识激活量的数据满足正态分布（p> 0.05）。其次，采用独立样本t检验来检查实验组和控制组在知识激活量方面的差异。根据统计结果，发现控制组（M=220.90，SD=104.03）和实验组（M=670.85， SD=330.53）在知识激活量方面具有显著性差异（t= 2.903，p=0.02），并且实验组的知识激活量显著高于控制组。因此，基于生成式人工智能技术的对话机器人确实能够显著提升知识激活量。

（二）贡献度

媒体贡献度主要测量媒体对激活知识的贡献程度。首先，所有的数据满足正态分布（p>0.05）。其次，采用独立样本t检验来检查实验组和控制组在贡献度方面的差异。根据统计结果，发现控制组（M=0.59，SD=0.23）和实验组（M=0.86，SD=0.05）在贡献度方面具有显著性差异（t=2.589，p=0.03），并且实验组的贡献度显著高于控制组。因此，基于生成式人工智能技术的对话机器人确实能够显著提升贡献度。

（三）在线协作学习绩效

在线协作学习绩效的得分是小组作品质量的评价得分。首先，所有的数据满足正态分布（p>0.05）。其次，检查执行协方差分析的条件，即方差是否齐性。统计分析结果表明，后测的协作学习绩效的方差齐性（F =0.167， p=0.694）。另外，组别和前测的交互作用也不显著（F=1.868， p=0.221），即满足平行性检验。最后，采用协方差分析法检查实验组和控制组在协作学习绩效方面的差异。根据统计结果，发现控制组（M= 79.00， SD=4.30）和实验组（M=86.80，SD=4.43）在协作学习绩效存在显著性差异（F=7.112，p=0.032）。因此，基于生成式人工智能技术的对话机器人对于提升在线协作学习绩效具有显著影响。

（四）批判性思维意识

批判性思维意识主要测量基于生成式人工智能技术的对话机器人和传统媒体对学习者在批判性思维意识方面的影响。首先，检测控制组和实验组在已有的批判性思维意识方面是否有显著差异。根据前测结果表明，控制组和实验组在批判性思维意识方面没有显著性差异（t=0.346，p=0.733）。其次，检查执行协方差分析的条件，即方差是否齐性。统计分析结果表明，后测的批判性思维意识的方差满足齐性（F=0.865，p=0.360）。另外，组别和前测的交互作用也不显著（F=0.001，p=0.971），即满足平行性检验。最后，采用协方差分析法检查实验组和控制组在批判性思维意识方面的差异。根据统计结果，发现控制组（M=3.51，SD=0.32）和实验组（M=4.27，SD=0.42）在批判性思维意识具有显著性差异（F=15.01，p=0.001）。因此，基于生成式人工智能技术的对话机器人对于批判性思维意识的提升具有显著影响。

（五）访谈结果

为进一步了解学习者使用基于生成式人工智能技术的对话机器人的感受和想法，对所有的实验组进行了半结构化访谈。首先，受访者表明，该对话机器人对于提升知识和技能很有帮助，通过与其对话，不仅能够学习到很多新知识，而且能够调整或改变学习者的想法，提升知识的激活量。比如，有受访者谈到“文心一言提供了大量的知识，非常智能，我以前对于生成式人工智能技术了解甚微，通过与其对话，学习了很多关于生成式人工智能技术的知识，受益匪浅。”还有受访者表明“文心一言还能帮助纠正一些误区，它不断调整和改变我原来的想法，让我更加准确地理解相关知识，直到我满意为止”。

其次，在贡献度方面，受访者普遍认为，相对于传统媒体，对话机器人的贡献度更大，它不仅能够提供更加有针对性的信息，还能提高效率。比如，受访者提到“文心一言能够提供更具体、更有用的信息，并点对点进行解答。”还有受访者表明，“文心一言的整合能力很强，效率很高，这方面的贡献度比其他媒体更大”。

再次，在提升协作学习绩效方面，受访者普遍认为，对话机器人不仅能够帮助提供全方位的信息，而且能够对小组作品提供修改意见。比如，有受访者认为，“文心一言提供的信息包罗万象，更具有启发性，能够激发我产生新的想法。”还有受访者认为，“文心一言对我们的小组作品提供了有价值的建议和反馈，帮助我们不断修改和优化小组作品，作品质量提升很大。”

最后，关于对话机器人对于批判性思维意识的影响，受访者普遍认为，该对话机器人有助于提升批判性思维意识。比如，有受访者认为“文心一言提供的回答非常多，因此，我需要去判断它提供的内容是否正确，到底哪些回答是合理的，这需要我不断批判、质疑它的回答。”还有受访者认为，“当我使用文心一言的时候，我并不能完全信任它，我会尝试用其他的方式去验证或者反驳它提供的答案”。

五、讨   论

（一）知识激活量和贡献度提升的原因

本研究结果表明，与传统媒体相比，对话机器人确实能够提升知识点的激活量。主要的原因有几方面。第一，当学习者在协作学习中遇到问题时，与传统媒体相比，对话机器人在大多数情况下能够提供更加精准、全面的回答，因此，激活了更多的知识点，激活量相应提高。而传统媒体提供的回答不够精准、主题不聚焦，很多与学习者提出的问题相关度不高或者不相关，因此，难以激活相关的知识点而导致激活量较低。第二，对话机器人能够对作品进行全面、较为客观地评价，同时还能提供修改建议，而传统媒体却无法实现。因此，对话机器人提供的信息中蕴含的知识总量以及对协作学习的支持力度都远远高于传统媒体。另外，本研究也发现，对话机器人在贡献度方面确实高于传统媒体的贡献度。主要的原因在于，对话机器人确实能够激活更多的知识点，学习者对它的依赖程度也高于传统媒体，因此，基于生成式人工智能技术的对话机器人对于协作学习的贡献度也高于传统媒体。

（二）在线协作学习绩效提高的原因

本研究结果表明，利用基于生成式人工智能技术的对话机器人确实有助于提升在线协作学习绩效。首先，该对话机器人从不同视角提供了精准的观点，而且有些观点较为新颖独特，帮助学习者脑洞大开，启迪心智。其次，当学习者找不到证据时，对话机器人能够提供事实性和理论性证据，学习者经过判断后，在完成小组作品时选择了合适且充分的证据。再次，在论证过程中，对话机器人帮助学习者采用多种方法论证提出观点和想法，供学习者参考。最后，对话机器人对于每个实验组提出的结论进行评价和检查，并提出修改建议，从而帮助学习者得出正确全面的结论。然而，控制组的学习者却得不到这些支持和帮助，传统媒体的功能不够强大，因此，实验组学习者的协作学习绩效明显高于控制组。

（三）批判性思维意识提升的原因

本研究发现，基于生成式人工智能技术的对话机器人对于提升学习者的批判性思维意识具有显著影响。分析其中的原因，主要有两方面：第一，由于该对话机器人功能强大，无论对于学习者的问题还是小组作品的评价，都能够提供全面的回答。然而，学习者需要从中选择适合、正确的回答或建议。因此，学习者需要调用批判性思维意识去质疑、批判对话机器人的回答。第二，对话机器人虽然能够提供较为全面的回答，但是学习者却无法完全信任提供的回答。因此，学习者需要采用其他方式去检验对话机器人的回答或建议，这也增强了学习者的批判性思维意识。

六、结论与启示

（一）研究结论

本研究通过实证研究的方法检验了基于生成式人工智能技术的对话机器人在知识激活量、贡献度以及对于在线协作学习绩效和批判性思维意识的影响。研究结果表明，与传统的媒体相比，基于生成式人工智能技术的对话机器人确实在知识激活量、贡献度方面明显优于传统媒体，而且也能够显著提升在线协作学习绩效和批判性思维意识。区别于传统的研究僅仅关注媒体对学习者成绩的影响，本研究采用基于信息流的分析方法在协作学习情境下检验基于生成式人工智能技术的对话机器人的激活量和贡献度，从而客观地分析新媒体的价值和作用。这也是本研究的创新点和主要学术贡献。当然，由于受制于研究样本和情境所限，本研究得出的研究结论尚不能推广，这也是本研究的不足之处。未来，将继续扩大研究样本、拓宽研究情境，从而检验研究结论的可重复性。

（二）启示和建议

本研究对于实践具有如下启示。第一， 本研究发现基于生成式人工智能技术的对话机器人对于提升在线协作学习绩效具有积极的促进作用。因此，实践者和研究者可以充分利用其强大功能辅助教师备课与教学、辅助学生学习、帮助管理人员制定决策，协助研究人员创生全新的研究问题和解决方案等。

第二，基于生成式人工智能技术的对话机器人有时候提供的信息不正确或者具有偏差，这主要是因为它的智能毕竟还达不到像人类一样的智能，而且这类对话机器人不具有责任意识。因此，需要辩证地看待并合理利用，特别是要对其提供的信息进行甄选。研究者和实践者也不能盲目地相信对话机器人的回答，需要去伪存真，选择并利用正确的信息解决实际问题。

第三，不能过度依赖基于生成式人工智能技术的对话机器人，否则陷入平庸，难以进步和创新。正确的做法是在生成式人工智能技术的支持下，进一步提升批判性思维技能和创新能力，把重复性的工作交给人工智能技术以减轻工作负担和压力，研究者和实践者重点从事创造性劳动，从而创造更新的技术、更优的方法和更好的解决方案。

第四，由于基于生成式人工智能技术的对话机器人采用通用的大型语言模型，研发成本巨大。因此，如果在教育场景中使用，需要把通用大语言模型私有化、微型化从而适用于不同的教育场景，这样一方面能够降低成本，另一方面还能提供更精准、更高效、更个性化的教学和学习支持服务。

第五，人类应该与拥有生成式人工智能的机器有机协作。未来，需要进一步探索人机协作的新路径和新方法，从而提升效率和效果。人机协作的过程中，人类更多地进行价值判断、制定决策、情感交流、艺术审美等，机器则更多地提供信息、分析数据、过程监控等[19]。人类扮演的角色包括设计者、决策者、导师、促进者、干预者等，而智能机器则扮演同伴、助教、分析者、评价者、监控者等，通过人机协作生成混合智能，从而助力实现更高的学习目标。

[參考文献]

[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：中信出版集团，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] 刘聪，杜振东， 涂铭，等. ChatGPT原理与实践：大型语言模型的算法、技术和私有化[M].北京：机械工业出版社，2023.

[18] 祝智庭，戴岭，胡姣.高意识生成式学习：AIGC技术赋能的学习范式创新[J].电化教育研究，2023，44（6）：5-14.

[19] 杨宗凯，王俊，吴砥，等. ChatGPT/生成式人工智能对教育的影响探析及应对策略[J].华东师范大学学报 （教育科学版），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] 赵阳洋，王振宇，王佩，等.任务型对话系统研究综述[J].计算机学报，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] 鄭兰琴，杨开城，黄荣怀.基于信息流的协作学习交互分析方法的研究[J].中国电化教育，2010（5）：22-26.