面向调节学习支持的智能教学代理设计与实证研究

2024-12-05 00:00吴林静陈梦凡高喻徐静刘清堂
电化教育研究 2024年11期

[摘 要] 向学习者提供必要的调节学习支持是协作学习能够顺利开展并取得成功的关键因素之一,但依赖于教师根据经验提供个性化调节学习支持费时费力,难以推广。文章以调节学习理论为基础,设计了面向调节学习支持的智能教学代理模型,并进一步设计了支架式调节和反馈式调节两种不同类型的代理调节策略。为了验证智能教学代理模型的有效性,文章以某师范院校开设的“现代教育技术应用”课程为对象,研发了面向调节学习支持的智能教学代理,并进行了实证研究。研究结果显示:智能教学代理能够促进和提升学习者的协作学习过程。具体来说,支架反馈式代理能够促进建构更多数量的话语,使学习者的协作话语分布更为均衡和稳定,并产生更为丰富的协作行为转换模式。但支架式代理对协作话语的数量有轻微的抑制作用,在行为模式的丰富性上也略低于支架反馈式代理。研究结论对于智能教学代理系统的研发和协作学习活动的组织均有一定的参考价值和启示作用。

[关键词] 智能教学代理; 调节学习; 支架式调节; 反馈式调节; 协同知识构建

[中图分类号] G434 [文献标志码] A

[作者简介] 吴林静(1987—),女,湖北松滋人。副教授,博士,主要从事人工智能与教育应用、学习分析研究。E-mail:wlj_sz@126.com。

一、引 言

2017年7月,国务院印发《新一代人工智能发展规划》,明确提出要发展智能教育,构建包含智能学习、交互式学习的新型教育体系[1]。作为新型教育理念与学习方式变革的重要领域,计算机支持的协作学习已越来越普遍。但协作学习并非总是高效且有益的,学习者在小组协作过程中常常会出现“搭便车”、参与不均衡、社交孤立等现象。如果学习者缺乏调节学习的技能与策略,那么协作学习就很难达到预期的效果。此时,往往需要通过外部手段(如教师或代理)给予提示或其他支持来进行干预[2],帮助协作成员共同监控协作学习中的各种障碍与挑战,促进群体知识建构[3]。然而,通过教师进行干预虽然准确率高,但是费时费力,难以大规模推广。智能教学代理能够根据需要为学习者提供各种语言和非语言学习线索,是一种高效的协作学习支持工具[4]。然而,当前对于支持调节学习的智能教学代理的研究尚在起步阶段,其运行机制及对协作学习过程的影响均有待进一步深入探索。因此,本研究以人工智能技术和调节学习理论为基础,探索面向调节学习支持的智能教学代理的作用机制,从而引导学习者开展协作学习,实现协同知识建构。

二、相关研究综述

(一)调节学习理论

自我调节学习思想起源于美国心理学家班杜拉的社会认知理论[5]。Zimmerman进一步将自我调节学习定义为学习者在一定程度上从元认知、动机和行为方面积极主动地参与学习活动的过程[6]。J?覿rvel?覿等人拓展了自我调节学习的概念,将调节学习分为自我调节、同伴调节和共享调节三种不同的类型[7]。当前对调节学习的研究主要集中于以下几个方面:(1)调节学习的内涵及概念框架。Zimmerman将自我调节学习过程分为三个主要的阶段:预先计划、行为表现和自我反思[8]。Lee则认为,社会共享调节学习过程可以划分为计划和目标设定、调度和角色分配、任务和内容监控、任务和内容评估[9]。(2)调节学习工具的设计与应用。王靖等将共享调节干预分为脚本工具、感知工具和系统化环境[3]。尹兴瀚等指出,群体感知工具对促进社会调节学习有着重要作用[10]。(3)调节学习过程的分析与评估。研究者侧重于探索学习者在调节学习过程中所表现出的模式和特征,常见的分析方法主要包括自报告[10]、基于多模态数据的综合分析法[11]和基于数据挖掘技术的调节学习模式挖掘等[12]。已有研究成果极大地丰富了调节学习理论的核心内容。然而,如何运用人工智能技术,向学习者提供个性化、动态的调节学习支持服务则尚处在起步阶段。

(二)智能教学代理

智能教学代理是指利用自然语言处理、机器学习等人工智能技术来模拟教师的程序或系统,通过计算机与学习者进行交互、提供个性化的教学支持和反馈来促进学习过程。它可以作为辅导教师或学习伙伴[13],利用语言、表情等手段与学习者交流,融入在线学习环境中为学习者提供支持、改善学习体验[14]。当前围绕智能教学代理的研究主要从以下两个方面开展:(1)智能代理的功能与角色。Baylor根据智能教学代理与学习者的不同交互形式,将其功能归纳为调整交互、激发反思、提供协作、提供适当的教学辅助[15]。在角色方面,智能教学代理可以作为一种嵌入式认知支架[16],也可以是提供语言和非语言线索的静态视觉图像或会话同伴,并且可以与智能系统相结合向学习者提供自适应支架和反馈[4]。(2)智能教学代理的应用效果。有研究者指出,无论是专家型代理还是同伴型代理,都能够通过增强交流来促进学习[17]。Sikstr?觟m等通过元分析发现,智能教学代理能够从元认知、自我调节、自我效能和动机方面启动学生的人际沟通过程[18];Dever等的实验表明,学习者在与智能代理交互后显示出更高的学习能力[19]。综上所述,智能教学代理被认为能够显著促进学习者的学习过程和学习效果。但从功能和角色上来看,已有研究更多地关注面向独立学习者的会话代理,而面向协作学习的调节学习支持代理的研究则较为少见。

(三)研究目标的确立

针对当前的智能代理难以适应协作学习场景的不足,本研究拟以协作学习为应用场景,以调节学习理论为基础,以提升学习者的协作学习能力为目标,设计面向调节学习过程支持的智能教学代理,并探索不同的调节策略对学习者协作学习过程的影响,为协作学习活动的组织和智能化服务提供参考。

三、面向调节学习支持的智能教学代理

(一)面向调节学习支持的智能教学代理模型设计

为了实现上述研究目标,本研究构建了如图1所示的面向调节学习支持的智能教学代理模型。

图1 面向调节学习支持的智能教学代理模型

在该模型中,智能教学代理的理论基础主要包括调节学习理论、社会认知理论和知识建构理论。其中,调节学习理论用于指导智能教学代理的调节过程;社会认知理论用于分析学习者的社会交互过程;知识建构理论则用于分析代理的调节效果。根据调节学习理论,智能教学代理在计划、监控、调节、评价四个阶段对学习者的协作学习进行支持与干预。根据社会认知理论,学习者的认知加工过程正是在与环境和同伴的社会交互过程中不断发展的。因此,本研究依据社会认知理论从个体、同伴和群体三种不同的粒度来分析学习者协作过程中的社会交互过程。为了量化代理的最终调节效果,以知识建构理论为基础,对学习者的知识建构过程进行分析,具体的分析维度包括认知、调节和社会情绪。调节效果可以进一步反馈给教学代理,从而优化调节过程,实现教学代理的正向迭代与优化。

(二)智能教学代理的调节策略设计

已有研究显示,在协作学习中使用支持元认知调节的协作脚本能够对学习者的团队计划和知识建构产生积极影响[10];此外,协作学习中的群体感知工具能够影响学习者的元认知和社会共享调节,从而促进认知、元认知和社会情感的发展[20]。基于上述结论,本研究设计了两种类型的代理调节策略,分别为支架式调节策略和反馈式调节策略。其中,支架式调节策略以调节学习理论为基础,根据调节学习理论中的调节过程框架来制定策略支架,共包括计划、监控、评价和调节四个阶段。反馈式调节策略以群体感知理论为基础,帮助学习者了解自身和小组当前的协作状态,具体包括个体和小组两种粒度的行为与语义分布情况。两种调节策略的说明与示例见表1。

表1 智能教学代理的调节策略

(三)智能教学代理的技术框架

基于上述策略,本研究进一步提出了如图2所示的智能教学代理技术框架。

图2 面向调节学习支持的智能教学代理技术框架

在该框架中,学习者通过各类协作会话支持平台开展协作学习活动。面向调节学习的智能教学代理通过数据采集接口从协作会话支持平台中采集学习者的学习过程数据,经过分析和处理后,再通过反馈接口反馈给协作会话支持平台,实现对学习者调节学习过程的干预。智能教学代理内部主要包含三个模块,分别是数据采集模块、数据分析模块和智能调节模块。数据采集模块主要负责采集学习者的协作过程数据,具体包括小组ID、发言者、发言内容和发言时间,以及小组的协作成果等。数据分析模块的核心功能是对采集到的数据进行多粒度、多维度的分析。数据分析模块的结果将进一步提供给智能调节模块,以便代理向学习者提供智能化干预和反馈。智能调节代理的调节策略主要包括两种:支架式调节策略和反馈式调节策略。具体策略的应用方法与表1中的调节策略一致。

四、面向调节学习支持的智能教学代理

实证研究

(一)研究问题

为了验证调节学习支持的智能教学代理的应用效果,本研究采用准实验研究法探究该智能教学代理对学习者协作会话过程的影响。具体的研究问题如下:

1. 面向调节学习支持的智能教学代理对学习者协作会话中的行为参与有何影响?

2. 面向调节学习支持的智能教学代理对学习者协作会话中的行为分布有何影响?

3. 面向调节学习支持的智能教学代理对学习者的协作会话行为模式有何影响?

(二)研究对象

本研究是在某师范院校开设的师范生必修课程“现代教育技术应用”中进行的。课程的持续时间为8周,旨在培养师范生在教学中运用信息技术的意识和能力。课程要求学习者每周围绕一个主题进行在线协作探究,并提交相关作品。共有72人注册该课程(其中男生19人、女生53人),均为师范类专业大三学生。

(三)实验设计

为了更好地探究不同类型的代理对协作学习过程的影响,本研究主要设计了两种类型的代理:第一种仅使用表1中的支架式调节策略(下文简称为支架式代理),根据不同的阶段向学习者提供学习支架;第二种同时使用支架式调节策略和反馈式调节策略(下文简称为支架反馈式代理),向学习者提供学习支架以及不同粒度的行为反馈和小组粒度的语义反馈。研究采用单因素完全随机实验,自变量为不同类型的智能教学代理,包括不使用智能代理、支架式代理和支架反馈式代理。因变量为协作学习的过程与结果,具体包括学习者在协作会话中的行为参与、行为分布和行为模式。72名同学被随机分为3大组,每组24人,分别对应无代理组、支架式代理组、支架反馈式代理组。每个大组又被随机分为5个小组,每个小组包含4或5名学习者。所有学习者以在线协作学习的方式完成教师每周安排的小组协作任务。在课程中,教师共发布了四个小组协作学习任务,分别为面向信息素养培养的主题探究方案设计、信息化环境下的教学设计、微课制作、信息化教学软件的应用。学习者以小组为单位围绕上述主题展开探究,并协作完成人工制品。

(四)数据采集与编码

本实验采用QQ作为协作会话支持平台,通过QQ数据采集接口对各小组所创建的QQ群中的会话数据进行实时采集,并存储至智能代理的数据存储模块中。本实验共采集到8,709条会话数据,并采用由Ouyang等提出的协同知识建构编码框架[21]对会话数据进行内容分析。该框架包括认知、调节、社会情绪三大维度,结合三种不同的社会交互粒度(个体、同伴和群体)形成的协作会话编码表,见表2。两名编码员经过培训后对编码测试集进行独立编码,编码一致性系数为0.817(Cohen's Kappa),说明编码具有较高的信度。其中,维度的话语数量占比不足5%。因此,后续分析中删除了该维度。

(五)数据分析结果

1. 代理对学习者协作会话行为参与的影响

为了探究不同类型调节学习智能教学代理对协作会话中行为参与的影响,本研究使用频数统计和卡方检验对知识建构元素进行统计分析,其结果见表3。

从表3的结果中可以看出,支架式代理组、支架反馈式代理组和无代理组在认知和调节维度的个体、同伴、群体层面之间的频数分布均存在显著性差异(p<0.05)。

进一步进行频数比较分析发现,在各个分析维度和调节层次上,支架式代理组各类会话行为的频数均接近或略低于无代理组;支架反馈式代理组的频数则显著高于无代理组。这一现象意味着支架式代理对学习者协作会话的行为参与有轻微的抑制作用,而支架反馈式代理则具有一定的促进作用。

2. 代理对学习者协作会话行为分布的影响

为了探索不同类型的调节学习智能教学代理对协作会话行为分布的影响,本研究拟通过信息熵理论对行为分布进行量化研究。信息熵的概念由Shannon提出,其作用是衡量信息系统的不确定性[22]。信息熵的计算公式如式(1)所示:

H(A)=-∑a∈Ap(a)logp(a) 式(1)

其中,A为事件a的状态空间,p(a)为事件a出现的概率,H(A)表示A系统的信息熵。

从信息熵的计算方式可以看出,在A系统中,a的分布越均衡,则H(A)越大;反之,H(A)越小。以每个小组作为一个信息系统,以各种知识建构元素为事件,计算该小组知识建构过程的信息熵,其结果见表4。

从表4的结果中可以看出,无代理组的信息熵平均值最低,且标准差最大;支架反馈式代理组的信息熵平均值位于第二,标准差居中;支架式代理组的信息熵平均值最高,且标准差最小。这一结果反映出无代理组在协同知识建构过程中的协作会话行为的类别分布最不均衡且不稳定,而支架式代理组则最为均衡和稳定,支架反馈式代理组居中。

3. 代理对学习者协作会话行为模式的影响

为了探索不同类型调节学习智能教学代理对协作会话行为模式的影响,研究使用滞后序列分析对学习者协作会话的行为转换模式进行探索,其结果如图3所示。该图展示了所有Z值大于1.96、频数超过15次的显著行为转换序列。图中不同的扇形区域代表着认知和调节维度上不同层次的协作知识建构元素。图3(a)为无代理组的序列行为模式;图3(b)为支架式代理组;图3(c)为支架反馈式代理组。

进一步对上述三个子图进行差异分析,结果显示:无代理组共有23个显著的行为转换序列,其中频数最高的是“个体.新想法贡献”—“个体.批评总结”(SE.NIC—SE.CS,频数=57)。支架式代理组共有20个显著转换,频数最高的是“同伴.任务理解”—“群体.任务理解”(SO.TU—CO.TU,频数=26)。支架反馈式代理组有29个显著的行为转换序列,行为模式最为丰富,其中频数最高的是“个体.目标设定和计划”的自循环(SE.GSP—SE.GSP,频数=62)。上述差异体现出无代理组的学习者出现了大量个体层面的认知行为;支架式代理组则以同伴和群体间的任务理解见长;而支架反馈式代理组则出现了大量个体层面的调节行为。

此外,与无代理组相比,支架式代理组和支架反馈式代理组所特有的行为转换序列是“个体.新想法贡献”—“同伴.批评与总结”(SE.NIC—CO.CS)。而无代理组所特有的行为转换序列是“同伴.目标设定和规划”—“个体.监测和反思”(CO.GSP-SE.MR)。这一差异体现出与无代理相比,代理对协作学习过程的干预使得学习者更多地从个体的认知活动转换为同伴间的调节活动。

最后,与无代理组和支架式代理组相比,支架反馈式代理组的学习者拥有更为复杂多样的行为转换模式,且元素之间的双向转换和群体层面的转换显著多于前两者。这一现象说明支架反馈式代理对学习者的行为模式具有更显著的调节作用。

五、讨论与启示

(一)结论与讨论

首先,支架反馈式代理能够显著促进学习者的行为参与,而支架式代理则对行为参与有轻微的抑制作用。统计检验结果显示,支架反馈式代理能够显著促进建构话语的产生。支架式代理对话语数量的增加则并无促进作用,甚至还出现了轻微的抑制现象。对学习者的话语内容进行深入分析发现,与无代理组相比,支架式代理组的学习者在进行协作会话时更倾向于按照代理给出的支架来调节学习过程,使得会话过程中与支架不符合的话语数量大大减少。而支架反馈式代理在提供调节支架之外,还向学习者提供了学习状态的反馈信息,使学习者可以针对性地进行调节,从而在一定程度上显著促进了话语的数量。

其次,代理可以促使学习者的协作会话行为分布更为均衡和稳定,尤其是支架式代理效果更为显著。各小组信息熵的结果显示,无代理组中五个小组的知识建构过程的信息熵平均值最小,且标准差最大。这说明各小组之间的协作会话行为分布最不稳定。支架式反馈式代理的各小组信息熵平均值有所提升,标准差则显著减小。这意味着在支架反馈式代理的干预下,各小组学习者的协作会话行为分布开始趋向稳定,类别分布更为均衡。而支架式代理的效果则更为明显,信息熵平均值进一步提升,标准差则进一步下降。因此,在协作学习过程中引入调节学习代理可以增强学习者行为分布的稳定性,帮助他们形成更加稳定的知识建构模式。

最后,面向调节学习的智能教学代理能够促进学习者产生更为丰富的会话行为模式。从无代理组到支架式代理组再到支架反馈式代理组,学习者的显著行为转换序列的数量呈现增加的趋势,意味着学习者的认知加工模式更为丰富。此外,在上述三种代理条件下,学习者在不同调节层面的行为转换同样显著增加。这一现象意味着代理的干预,尤其是支架反馈式代理能够促进学习者产生更多不同社交层次之间的认知调节行为。

(二)研究启示

本研究的发现对于运用人工智能技术、大语言模型技术来支持和干预协作学习活动的组织和开展具有重要的实践意义。第一,运用人工智能和代理技术来支持协作学习活动是技术可行的。非侵入式和伴随式的数据采集与分析不会对学习者产生额外的干扰,且学习者能够从干预中获益,大大减轻了教师的工作量和工作负担,具有良好的技术可行性。第二,教师可以通过引入面向调节学习的智能教学代理来支持学习者的协作会话过程,提升其行为参与,使其认知元素分布更为稳定、认知模式更为丰富,使学习者出现更为均衡的个体、同伴和群体等不同社交层面的认知调节活动。第三,尽管代理被证明能够使学习者受益,对代理所使用的调节策略仍需精心设计,对其可能带来的负面影响仍需重点关注。支架式代理对学习者的行为参与有一定的抑制作用。在运用智能代理时,教师需要审慎地选择调节策略,并对其可能的负面影响予以预防和干预。

(三)研究局限与未来研究方向

本研究主要存在以下不足之处:第一,研究情景较为单一,仅在一门课程中进行了应用;第二,代理所使用的调节策略仅包含两种类型,尚未覆盖其他类型的调节策略;第三,数据采集手段的和方式不够多样化,导致对学习者协作过程的分析不够全面。针对上述不足,拟从以下几个方面进一步深化该研究:首先,拟进一步拓展代理的应用情景,选择更多不同类型的课程以验证代理的效果;其次,结合智能教学代理模型和生成式人工智能技术,探索更多的代理调节策略对协作学习的潜在影响;最后,引入更为丰富的数据采集手段,如问卷、访谈、脑电、皮肤电等多模态数据,更为全面地评估智能代理对协作学习过程的影响。

[参考文献]

[1] 中华人民共和国国务院. 新一代人工智能发展规划[EB/OL]. (2017-07-20)[2024-08-29]. https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm.

[2] 王辞晓,伍潇贝. 基于关键角色互动特征识别的协作学习预警研究[J]. 电化教育研究, 2024,45(7):81-89.

[3] 王靖,崔鑫. 如何支持与评价协作学习中的共享调节?——基于2007—2020年国内外共享调节研究的系统性文献综述[J]. 远程教育杂志,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] 尹兴翰,叶俊民,于爽,等. 群体感知工具对社会调节学习的驱动因素与作用机制研究——基于扎根理论的质性分析[J]. 电化教育研究,2024,45(5):42-50,66.

[11] 苏友, 李艳燕, 包昊罡. 国际视野下社会调节学习研究历程、焦点及趋势[J]. 现代远程教育研究,2020,32(6):33-43.

[12] 高喻,吴林静,王慧敏,等. 协作学习中学习者自我调节学习模式挖掘与轨迹分析[J]. 电化教育研究,2022,43(7):89-96,105.

[13] 詹泽慧. 远程教育中的智能教学代理:角色、设计要素与应用方式[J]. 现代远程教育研究,2011(4):76-82.

[14] 何克抗. 教学代理与自适应学习技术的新发展——对美国《教育传播与技术研究手册》(第四版)的学习与思考之六[J]. 开放教育研究,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,李艳燕,张慕华. CSCL中群体感知工具能提升学习效果吗?——基于2002—2021年国内外35篇实证研究文献的元分析[J]. 现代教育技术,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

基金项目:2022年度国家自然科学基金项目“数据驱动的在线学习协作会话过程监测与干预机制研究”(项目编号:72174070);2024年度华中师范大学中央高校基本科研业务费项目“人工智能赋能社会认知调节过程动态感知与智能干预研究”(项目编号:CCNU24ai019)