智能導學系統(tǒng)人機交互機制研究

高紅麗 楊磊 徐升 隆舟 劉凱 胡祥恩

【摘要】討論是一種常見和重要的學習形式，加入虛擬代理可以為討論過程提供適應性支持。討論中的論辯式知識建構有利于學習者獲得知識，但已有研究中論辯支架的作用效果并不一致。本研究以47名大學生為被試，以智能討論系統(tǒng)為實驗平臺，比較內容相關與內容獨立支架條件、內容相關支架條件和控制條件下討論效果的差異。內容相關與內容獨立支架條件下，計算機首先對被試的討論內容進行自動分類，然后由虛擬代理提供不同類型觀點（內容相關支架），并進一步詢問態(tài)度和理由（內容獨立支架）;內容相關支架條件下，虛擬代理僅提供不同類型觀點;控制條件下，被試單獨發(fā)表觀點，沒有虛擬代理的參與。結果表明，與控制條件相比，虛擬代理提供不同類型的觀點時討論廣度（類型數）得到提升，被試主觀上覺得對討論問題的理解更為全面。與僅提供不同類型觀點的內容相關支架條件相比，當虛擬代理提供不同類型的觀點并詢問被試的態(tài)度和理由時，被試對虛擬代理給出的觀點更多地持同意態(tài)度，但在討論過程中提到的類型數更少。內容相關的支架可以促進與討論主題相關的認知加工;加上內容獨立的支架時，可以促進被試的論辯加工，但對討論主題相關的認知加工反而有負面作用。

【關鍵詞】? 人工智能教育應用;智能導學系統(tǒng);小組討論;認知多樣性;論辯式知識建構;支架;內容相關支架;內容獨立支架

【中圖分類號】? G40-057? ? ? ?【文獻標識碼】? A? ? ? ?【文章編號】? 1009-458x（2021）1-0050-08

一、引言

教育部頒布的《教育信息化 2.0 行動計劃》強調，要以人工智能等技術為基礎，推動教育模式變革和生態(tài)重構（教育部， 2018）?！爸悄芑I跑教育信息化2.0”逐漸成為相關領域研究者的共識，教學自動化已具有邏輯必然性和現實可能性（張志禎， 等， 2019）。但人工智能技術并不能直接解決教育中的理論問題。近年來我國人工智能教育應用研究的發(fā)文數量增長迅速，但實證研究仍相對不足（劉凱， 等， 2018），尚難以支撐大規(guī)模教育智能化實踐的需求，研究先行是解決當前問題的基本思路（張志禎， 等， 2019）。

在教育領域，不管是課堂之中還是課堂之外，討論都是一種常見的學習形式。在討論過程中，成員之間的新舊知識進行相互作用，實現了意義建構和知識創(chuàng)新。但是無干預的學生討論常局限于分享和比較信息階段，較少提議或討論不同的觀點，知識建構多停留在較低層次，交互不夠深入，質量不高（李梅， 楊娟， 劉英群， 2016; 鄭勤華， 李秋劼， 陳麗， 2016）。提供同步和異步交流工具進而創(chuàng)建更方便、高效的在線學習環(huán)境可能會為解決這些問題提供幫助（張思， 等， 2017）。

隨著技術的發(fā)展，研究者開始嘗試加入虛擬代理與真人進行互動，為討論活動提供自動化的適應性支持。在這個過程中，智能代理與人類學習者之間的交互機制是一個關鍵問題。本研究在計算機自動識別當前討論內容所屬類型的基礎上，虛擬代理首先提供不同類型觀點，然后進一步詢問被試對該觀點的態(tài)度和理由，引發(fā)論辯式知識建構以引導被試的深層認知加工。

二、相關研究

（一）學生在論辯式知識建構中存在的問題

論辯是參與各方為證明己方立場或反駁對方立場而展開的話語交際，其目的是通過批判性討論消除雙方的意見分歧（黃華新， 等， 2017）。圖爾敏模型是論辯研究的奠基性成果，該模型包括主張（claim）、依據（data，facts，后來改為grounds）、保證（warrant）、支援（backing）、模態(tài)限定詞（modal qualifier，后來改為modality）和例外（rebuttal）六個要素（王建芳， 2016）?；趥鹘y(tǒng)的圖爾敏模型，Wolfe等人（Wolfe， Gao， Wu， & Albrecht， 2018）提出的論辯圖式中包括主張（claim）、理由（reasons）和保證（warrant）三個要素。

根據論辯式知識建構（argumentative knowledge construction），學習者通過建構論點對學習材料進行詳細闡述進而獲得知識（Wecker & Fischer， 2014）。在計算機支持的協(xié)作學習領域，許多研究者秉持一個共同的信念，論辯是促使學習者獲得領域特異性知識（domain specific knowledge）的有力途徑（Noroozi， Weinberger， Biemans， Mulder， & Chizari， 2012; Wecker & Fischer， 2014）。然而，學習者在論辯式知識建構中存在三個維度的問題（Weinberger， Stegmann， Fischer， & Mandl， 2007）：第一是建構有助于解決問題的論點時有困難;第二是學習者建構的論點缺少重要成分，如依據（data）或保證（warrant）;第三是學習者很少在學習同伴的基礎上建構論點。在一個智能導學系統(tǒng)中，虛擬代理要求被試產生支持或反對乳腺癌風險檢查的論點。結果表明，一半以上的被試不能達到論證的最小標準（給出1個或多個有理由支持的論點）。研究結果表明（Cedillos-Whynott， Wolfe， Widmer， Brust-Renck， Weil， & Reyna， 2016）：論辯要素越多，被試的學習效果越好。

（二）論辯支架的積極和消極作用

基于論辯可以促進獲得和理解領域特異性知識這樣一個假定，研究者開發(fā)出各種提高論辯質量的工具或干預措施。Noroozi等人（2013）的研究表明，交互討論腳本促進了討論中的論辯式知識建構，有腳本條件下的學習者對論辯的領域一般性和領域特異性知識顯著高于無腳本的條件。鄭曉麗等人（2014）的研究發(fā)現，爭論式教學支架可以促進協(xié)作學習小組的知識加工及社會性元認知。王小根等（2019）使用半結構化的微協(xié)作腳本引發(fā)了在線知識建構中的功能性沖突。這些研究表明，協(xié)作腳本對提升學習效果是有效的。

但是，腳本也經常因為束縛了自然產生的協(xié)作活動而帶來意想不到的負面影響。比如認知腳本阻礙學習者的認知投入和個體的知識獲得。同步聊天環(huán)境中的論辯腳本可以促進論辯知識的獲得，而對特定領域的知識獲得沒有影響。很可能是由于學習者深度聚焦于論辯活動而沒有關注問題的內容，因此，高度結構化的加工定向干預可能會給論辯式知識建構的不同加工維度帶來副作用（Noroozi， et al.， 2012）。

Wecker和Fischer（2014）對論辯與領域特異性知識獲得的元分析結果表明，因論辯測量的指標類型不同，干預對論辯有小到中等程度的統(tǒng)計上的顯著影響，而對領域特異性知識獲得沒有影響。Vogel等人（2017）的元分析結果表明，與不提供腳本支持相比，計算機支持的協(xié)作學習腳本大體上可以提高學習效果，對領域特異性知識有較小的積極作用（d = 0.20），對協(xié)作技能有較大的積極作用（d = 0.95）。這些研究結果對論辯會影響領域特異性知識獲得這一理論假定提出了挑戰(zhàn)。Noroozi等人（2018）認為，計算機支持的論辯支架可以促進群體交互式討論中的論辯，這是一階論辯支架。要幫助學生獲得可以遷移到相似任務的論辯能力，還需要二階論辯支架。

（三）內容獨立和內容相關支架

進一步分析表明，以往研究中的腳本一般是為協(xié)作學習活動提供相對形式化的獨立于內容的支持。根據Wolfe等人（Wolfe， Gao， Wu， & Albrecht， 2018）的論辯圖式，主張（claim）和理由（reasons）是論辯中不可缺少的元素，而保證（warrant）在論辯過程中會經常省略?；诖?，本研究中虛擬代理提供“你同意我的觀點嗎？”“有什么理由能支持你的想法呢？”兩個論辯支架，以詢問被試的態(tài)度和理由。這種支架是形式化的，獨立于討論內容，因而屬于內容獨立的支架。

為了進行高質量的協(xié)作活動，學習者在加工具體內容時也需要支架。內容相關的支架有三種水平：最高水平的支架是為加工問題解決任務中的內容相關信息提供支持;中等水平的支架是僅提供內容相關信息，而沒有為加工過程提供引導;最低水平的支架是沒有額外的內容相關支持。當腳本可以促進交互活動或者與額外的特定內容支架相結合時，更有利于領域特異性知識獲得（Vogel， Wecker， Kollar， & Fischer， 2017）。本研究中被試發(fā)表觀點后，計算機對被試的觀點進行識別，并由虛擬代理給出不同類型的觀點，這些觀點都是圍繞討論主題的展開，屬于內容相關信息。然后詢問被試對該觀點的態(tài)度和理由（內容獨立支架），以引發(fā)被試的論辯式知識建構。將內容相關和內容獨立支架相結合，探討其對討論效果的影響。

三、研究方法

（一）研究設計

本研究為單因素組間設計，自變量是論辯支架，包括內容相關與內容獨立支架、內容相關支架和控制條件。在內容相關與內容獨立支架條件下，被試發(fā)表觀點后計算機自動識別當前討論的內容，然后由虛擬代理給出不同類型的觀點（內容相關支架），并進一步詢問被試的態(tài)度和理由（內容獨立支架），如：“你同意我的觀點嗎？”“有什么理由能支持你的想法呢？”在內容相關支架條件下，被試發(fā)表觀點后計算機自動識別當前的討論內容，然后虛擬代理僅給出不同類型的觀點，不再詢問態(tài)度和理由。在控制條件下被試獨自發(fā)表觀點，沒有虛擬代理的參與。

因變量是討論效果，主要包括討論過程的交互質量、深度廣度、自評討論效果等指標。具體如下所述：

1. 交互質量評估

編碼框架以交互分析模型（interaction analysis model，IAM）（Gunawardena， Lowe， & Anderson， 1997）為基礎，由兩位熟悉討論主題的研究人員進行編碼。在共享和比較信息階段，有陳述觀點、表示同意、提供證據或例子、澄清細節(jié)的提問和回答以及修正觀點五種類型。在發(fā)現和探索不一致階段，有識別和表達不一致、表達不同類型觀點、為不同類型觀點提供證據、提出和回答問題以澄清不一致的來源和程度以及修正所提出的不同類型觀點五種類型。

2. 討論過程的深度和廣度

由計算機對各組討論文本中的每個句子進行標注。未涉及關鍵詞列表中任意一個關鍵詞的信息被標記為無效觀點，有效觀點被標注為相對應的類型。在這種分類的基礎上，可以計算以下因變量指標：①討論廣度，即被試在討論過程中所涉及的類型數量;②討論深度，即討論過程中平均每個類型下的觀點數量（等于觀點數除以類型數）（Nijstad， Stroebe， & Lodewijkx， 2002）;③有效觀點比例，等于有效觀點數除以句子總數。

3. 討論效果自評

討論效果自評主要是通過后測問卷題目，從虛擬代理提供觀點的幫助性、總體討論效果和進一步討論意愿幾個方面進行自我評定。

（二）研究對象

招募大學生被試47名，分為內容相關與內容獨立支架組、內容相關支架組和控制組?？刂平M由1名被試單獨發(fā)表觀點，其他兩組由1名被試和虛擬代理進行討論。共記錄到有效問卷46份（男生9份，女生37份），其中內容相關支架組1名被試未記錄到有效問卷數據。所有被試均簽署知情同意書，實驗結束后獲得適當報酬。

（三）實驗材料

1. 討論主題

討論主題是開放式問題“人工智能將會給人類帶來怎樣的影響？”大學生被試對該主題都有一定的興趣和關注程度。

2. 語料庫

（1）觀點庫。本研究所用觀點庫有八個類型，每個類型下有一個典型觀點，觀點庫的形成過程見高紅麗等人（2019）的研究。

（2）應答語。表示贊同的應答語有：嗯，嗯嗯，是，是的，對，對的，同意。表示轉折的應答語有：嗯，不過;嗯嗯，不過。

（3）詢問態(tài)度和理由。虛擬代理提供不同類型觀點后，詢問被試是否同意并說出理由，所用句子包括：“你們（大家）贊同（認同）（同意）我的觀點（我說的）（這個觀點）嗎？”“有什么依據（原因、理由）能支撐（支持）你的想法呢？”

（4）前后測問卷。前測問卷從是否學過相關課程、興趣程度、關注程度、過去一周瀏覽次數等方面進行評估。后測問卷從討論過程中是否充分表達自己的觀點、計算機觀點的幫助程度、整體討論效果、進一步討論的意愿幾個方面進行五級評分。

（四）實驗平臺

本研究所用平臺為智能討論系統(tǒng)（高紅麗， 等， 2019），在該平臺上完成前測問卷、在線討論、后測問卷等全部實驗流程。在線討論階段，虛擬代理以代號“GX07”作為ID顯示在相應區(qū)域，被試可與虛擬代理進行同步交流。虛擬代理可自動識別被試當前討論內容所屬的類型，并與被試進行適應性對話（如圖1所示）。

（五）研究過程

整個實驗過程在有隔斷的實驗室進行，實驗前主試在后臺管理界面建立討論組。被試來到實驗室后，主試介紹保密原則和大致實驗流程，然后請被試簽署知情同意書。

1. 前測問卷階段

被試輸入ID和討論組號后，進入總指導語界面。歡迎被試的到來，介紹討論主題、實驗流程和保密原則，然后進入前測問卷界面。被試提交前測問卷后進入討論界面指導語。

2. 在線討論階段

（1）控制條件

告知討論時間（15分鐘）和討論主題，請被試圍繞討論問題從深度和廣度兩個維度發(fā)表看法。該條件下被試的文本記錄如表1所示。

（2）內容相關與內容獨立支架

當滿足給定條件時，計算機自動識別被試當前討論內容所屬的類型，然后由虛擬代理提供反饋，同時進入論辯模式（如圖2所示）。在論辯模式中，如果被試提供了有效觀點，50%的概率給以贊同應答語;如果1分鐘后沒人說話，虛擬代理會鼓勵被試多說一些。當滿足給定條件時，退出當前論辯，虛擬代理再次給出不同類型的觀點并詢問被試的態(tài)度和理由，進入下一輪論辯。在整個討論過程中，同一類型的觀點僅出現1次。八個類型觀點呈現完畢后，如果被試輸入@g，虛擬代理會反饋：“我想說的都說完了，你再想想?！?/p>

為了增加被試對虛擬代理所說內容的注意程度，指導語中提醒被試盡量記住GX07的主要觀點，討論結束后需要進行回憶。該條件下的討論過程如表2所示。

（3）內容相關支架

內容相關支架條件下虛擬代理僅提供不同類型的觀點，不再詢問被試的態(tài)度和理由，也沒有鼓勵被試多說的提示（見圖2，黑色虛線方框表示兩種條件下的差異）。但是后臺程序仍設置論辯模式，目的是保證計算機給出觀點的頻率相同。該條件下的討論過程如表3所示。

15分鐘后提示討論時間已到，自動結束討論，進入后測問卷界面。被試提交問卷后，呈現結束語，感謝被試的參與。

四、研究結果

（一）內容相關支架組、控制組在討論效果上的差異比較

1. 討論過程深度廣度的差異比較

對被試在討論過程中的各指標進行獨立樣本t檢驗。結果表明，內容相關支架組的類型數（m=5.94）顯著多于控制組（m=4.43），t（29）=3.74，P<0.01，d=1.35;內容相關支架組的句子數（m=19.24）顯著多于控制組（m=11.14），t（29）=2.93，P<0.01，d=1.05;內容相關支架組的有效觀點比例（m=0.61）顯著低于控制組（m=0.87），t（29）=-3.40，P<0.05，d=-1.21;觀點數和平均每個類型下的觀點數在兩組之間沒有顯著差異。詳見表4。

2. 自評討論效果的差異比較

對兩種條件下被試的前測水平進行獨立樣本t檢驗，結果表明兩組被試在前測水平各指標上均沒有顯著差異。以討論效果自評的后測問卷題目得分為因變量指標，進行兩種條件的獨立樣本t檢驗。結果表明，在對問題理解全面性條目上，內容相關支架組得分（m=4.13）顯著高于控制條件（m=3.64），t（28）=2.11，P<0.05，d=0.79。在其他條目上，兩組得分沒有顯著差異。

（二）內容相關支架組、內容相關與內容獨立支架組在討論效果上的差異比較

1. 討論過程交互質量的差異比較

對交互質量評估中的每個類型進行獨立樣本t檢驗。結果表明，在被試尋求幫助的“@g”上，內容相關與內容獨立支架組（m=2.19）顯著低于內容相關支架組（m=5.76），t（31）=-3.28，P<0.01，d=-1.15。在“表示同意”類型上，內容相關與內容獨立支架組（m=4.19）顯著高于內容相關支架組（m=2.35），t（31）=2.63，P<0.05，d=0.92。在“階段1提問和回答”上，內容相關與內容獨立支架組（m=0.25）顯著低于內容相關支架組（m=2.12），t（31）=-2.29，P<0.05，d=-0.81。在其他類型上，兩組之間沒有顯著差異。詳見表5。

2. 討論過程深度廣度的差異比較

對討論過程文本中的類型數、觀點數、句子數、平均每類型下觀點數、有效觀點比例等進行兩組之間的獨立樣本t檢驗。結果表明，內容相關與內容獨立支架組的類型數（m=4.94）顯著低于內容相關支架組（m=5.94），t（31）=-2.54，P<0.05，d=-0.88。在其他指標上，兩組沒有顯著差異。

3. 自評討論效果的差異比較

對兩種條件下被試的前測水平進行獨立樣本t檢驗，結果表明兩組被試在前測水平各指標上均沒有顯著差異。對后測問卷中被試對他人觀點幫助性、討論效果、再討論意愿的自我評定得分進行兩種條件下的差異比較。結果表明，在“計算機GX07所說的話給我提供了不同的視角”條目上，內容相關與內容獨立支架組（m=3.88）顯著高于內容相關支架組（m=3.19），t（30）=2.17，P<0.05，d=0.77。在其他條目上，兩組之間沒有顯著差異。

五、討論

（一）內容相關支架組、控制組的差異分析

內容相關支架條件下，計算機自動識別被試當前討論內容的所屬類型，然后由虛擬代理給出不同類型下的差異觀點;控制條件下，被試單獨發(fā)表觀點，沒有虛擬代理的參與。結果表明，與控制組相比，該條件下被試在討論過程中提到更多的類型數，被試主觀上認為對問題的理解也更加全面，這與之前研究結果相一致（Nijstad， et al.， 2002; 高紅麗等， 2019）。Nijstad等人（2002）的研究表明，計算機提供含有語義差異的觀點可以促進被試產生更多具有語義差異的觀點（增加廣度）。根據群體觀點產生的聯(lián)想記憶搜索模型（Nijstad & Stroebe， 2006），差異性的刺激觀點可以激活更大范圍的知識，進而產生語義差異性觀點，提升討論的廣度。高紅麗等人（2019）的研究表明，與相似條件相比，差異條件下被試的討論廣度（類型數量）增加;被試主觀上認為差異條件下虛擬代理提供的觀點對自己更有幫助，對討論問題的理解也更為全面、深入。

在虛擬代理僅提供差異觀點的內容相關支架條件下，被試所說的句子數顯著大于控制條件，但是有效觀點的比例顯著低于控制條件。通過查看討論記錄發(fā)現，控制組中的被試因為是獨自一個人，沒有交互對象，基本上是圍繞問題在發(fā)表觀點，觀點的有效比例較高。在內容相關支架條件下，被試可以與計算機交互。指導語中告知被試，覺得沒有思路時可以“@g”尋求幫助。“@g”在討論文本中是一個單獨的句子，但不是觀點，因而使得被試有效觀點的比例顯著降低。

（二）內容相關支架組、內容相關與內容獨立支架組的差異分析

在內容相關與內容獨立支架條件下，計算機對被試當前討論內容進行自動分類，然后由虛擬代理給出不同類型的觀點，并詢問被試對該觀點的態(tài)度和理由;內容相關支架條件下，虛擬代理僅給出不同類型的觀點。從對討論過程文本進行交互質量編碼的結果來看，在內容相關與內容獨立支架條件下，被試對虛擬代理提供的觀點更多地表達了同意態(tài)度?？赡艿脑蚴牵嬎銠C所用的觀點庫來自于之前實驗中被試提供的出現頻率較高的觀點。也就是說，對這些觀點的爭議比較少。另一種可能原因是，如Cedillos-Whynott等人（2016）的研究結果中提到的，被試不善于提出反對意見并給出理由，許多被試缺乏論證的技能，需要增強論辯教育來促進學習。

本研究結果同時表明，在內容獨立與內容相關支架條件下，被試主觀上覺得虛擬代理所說的話更多地提供了不同的視角，這可能是因為該條件下被試對虛擬代理提供的差異刺激更加專注。然而，這種專注也可能帶來負面作用。本研究中討論時間是15分鐘，在時間有限的情況下提出新觀點（討論廣度）和對現有觀點進行深加工（討論深度）是一對矛盾。因為該條件下被試大部分時間是在回答虛擬代理提出的問題，即表明態(tài)度并給出理由。這消耗了認知資源，使得被試沒有精力進行更多的觀點產生加工。而在內容相關支架條件下，計算機僅給出不同類型觀點，沒有進一步詢問態(tài)度和理由，被試可以更專注于觀點產生過程，因此在討論過程中提供的觀點類型數更多。這個結果提示我們，腳本可能會干擾被試的認知加工，帶來意想不到的負面作用（Noroozi， et al.， 2012）。

六、結論與展望

綜上所述，當虛擬代理提供不同類型的觀點（內容相關支架）時，與被試獨自發(fā)表觀點的控制組相比，討論廣度（類型數）得到提升;被試主觀上覺得對討論問題的理解更為全面。當虛擬代理提供不同類型的觀點（內容相關支架）并詢問被試的態(tài)度和理由（內容獨立支架）時，與僅提供不同類型觀點的內容相關支架條件相比，被試對虛擬代理給出的觀點更多地持同意態(tài)度，在討論過程中提到的類型數更少。內容相關的支架可以促進被試對討論主題相關的認知加工過程和效果，但加上內容獨立的論辯支架時，可以促進被試的論辯加工（更多地表達態(tài)度），對討論主題相關的認知加工過程反而有阻礙作用（類型數減少）。

本研究基于智能討論系統(tǒng)，對虛擬代理提供的內容相關支架和內容獨立支架的促進和干擾作用進行了分析。但虛擬代理所用觀點庫是從之前討論記錄中梳理的常見觀點，被試對這些觀點基本都持同意態(tài)度。今后應該考慮補充可能引起爭議的觀點，以引發(fā)更深入的論辯式知識建構。此外，目前的計算機自動分類局限在事先定好的八個類型上，每種類型下的觀點也是提前給定的，這種做法有一定的局限性。通用人工智能認為，智能是知識和資源相對不足情況下的適應能力，強調經驗的決定性作用。人工智能與教育科學相結合的研究領域不僅包括人類的學習和教育，也包括機器的學習和教育（劉凱， 等， 2018a）。根據胡祥恩教授提出的人工智能教育應用的理論框架，學習者和教育資源的改變具有對稱性（劉凱， 等， 2018b）。學習者在與教育資源的互動中不斷實現知識結構的優(yōu)化，教育資源也應該在這一過程中進行自我改進。就本研究而言，被試與智能討論系統(tǒng)也是一組對稱關系。被試在與虛擬代理互動的過程中不斷進行著新舊知識的相互作用，實現了意義建構和知識創(chuàng)新;智能討論系統(tǒng)在與被試交互的過程中也在逐漸積累更多的知識經驗，因而需要對原有的語料庫相應地進行動態(tài)、適應性的自我改進，以實現真正的智能。

[參考文獻]

高紅麗，楊磊，徐升，等. 2019. 智能討論系統(tǒng)中適應性認知多樣性對討論效果的影響[J]. 現代教育技術，29（8）：79-85.

黃華新，葉穎秀. 2017. 親子互動中的語用論辯[J]. 浙江大學學報：人文社會科學版，47（5）：129-139.

教育部. 關于印發(fā)《教育信息化2.0 行動計劃》的通知[EB/OL]. [2018-04-18]. http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20 180425_334188.html

李梅，楊娟，劉英群. 2016. 同伴在線互助學習交互行為分析[J]. 中國電化教育（5）：91-97.

劉凱，胡靜. 2018a. 人工智能教育應用理論框架：學習者與教育資源對稱性假設——訪智能導學系統(tǒng)專家胡祥恩教授[J]. 開放教育研究，24（6）：6-13.

劉凱，胡祥恩，王培. 2018b. 機器也需教育？ 論通用人工智能與教育學的革新[J]. 開放教育研究，24（1）：10-15.

王建芳. 2016. 基于論辯的論證結構研究：弗里曼模型與圖爾敏模型的比較[J]. 邏輯學研究（3）：42-56.

王小根，劉夢恒. 2019. 在線知識建構中有效引發(fā)功能性沖突研究[J]. 電化教育研究（9）：34-42.

張志禎，張玲玲，李芒. 2019. 人工智能教育應用的應然分析：教學自動化的必然與可能[J]. 中國遠程教育，528（1）：25-35.

鄭勤華，李秋劼，陳麗. 2016. MOOCs中學習者論壇交互中心度與交互質量的關系實證研究[J]. 中國電化教育（2）：58-63.

鄭曉麗，金會洙，李陽. 2014. 爭論式教學對知識加工及社會性元認知的影響：以基于社會性媒體的協(xié)作問題解決為例[J]. 開放教育研究，20（6）：50-63.

Cedillos-Whynott， E. M.， Wolfe， C. R.， Widmer， C. L.， Brust-Renck， P. G.， Weil， A.， & Reyna， V. F. （2016）. The effectiveness of argumentation in tutorial dialogues with an Intelligent Tutoring System for genetic risk of breast cancer. Behavior Research Methods， 48（3）， 857-868.

Gunawardena， C. N.， Lowe， C. A.， & Anderson， T. （1997）. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing. Journal of Educational Computing Research， 17（4）， 397-431.

Nijstad， B. A.， & Stroebe， W. （2006）. How the group affects the mind： A cognitive model of idea generation in groups. Personality and Social Psychology Review， 10（3）， 186-213.

Nijstad， B. A.， Stroebe， W.， & Lodewijkx， H. F. （2002）. Cognitive stimulation and interference in groups： Exposure effects in an idea generation task. Journal of Experimental Social Psychology， 38（6）， 535-544.

Noroozi， O.， Kirschner， P. A.， Biemans， H. J.， & Mulder， M. （2018）. Promoting argumentation competence： Extending from first-to second-order scaffolding through adaptive fading. Educational Psychology Review， 30（1）， 153-176.

Noroozi， O.， Weinberger， A.， Biemans， H. J.， Mulder， M.， & Chizari， M. （2012）. Argumentation-based computer supported collaborative learning （ABCSCL）： A synthesis of 15 years of research. Educational Research Review， 7（2）， 79-106.

Noroozi， O.， Weinberger， A.， Biemans， H. J.， Mulder， M.， & Chizari， M. （2013）. Facilitating argumentative knowledge construction through a transactive discussion script in CSCL. Computers & Education， 61， 59-76.

Vogel， F.， Wecker， C.， Kollar， I.， & Fischer， F. （2017）. Socio-cognitive scaffolding with computer-supported collaboration scripts： A meta-analysis. Educational Psychology Review， 29（3）， 477-511.

Wecker， C.， & Fischer， F. （2014）. Where is the evidence？ A meta-analysis on the role of argumentation for the acquisition of domain-specific knowledge in computer-supported collaborative learning. Computers & Education， 75（2）， 218-228.

Weinberger， A.， Stegmann， K.， Fischer， F.， & Mandl， H. （2007）. Scripting argumentative knowledge construction in computer-supported learning environments. In Scripting computer-supported collaborative learning （pp. 191-211）. Springer， Boston， MA.

Wolfe， C. R.， Gao， H.， Wu， M.， & Albrecht， M. （2018）. Most any reason is better than none： consequences of plausible and implausible reasons and warrants in brief written arguments. Written Communication， 35（3）： 255-285

Zhang， S.， Liu， Q.， Chen， W.， Wang， Q.， & Huang， Z. （2017）. Interactive networks and social knowledge construction behavioral patterns in primary school teachers online collaborative learning activities. Computers & Education， 104， 1-17.

收稿日期：2020-01-10

定稿日期：2020-07-31

作者簡介：高紅麗，博士，講師，新鄉(xiāng)醫(yī)學院心理學院（453003）。

楊磊（共同第一作者），博士研究生，華中師范大學心理學院（430079）。

徐升，博士研究生，華中師范大學心理學院（430079）。

隆舟，博士，講師，懷化學院教育科學學院（418000）。

劉凱，博士，講師，碩士生導師，渤海大學教育科學學院（121007）。

胡祥恩（通訊作者），博士，教授，博士生導師，華中師范大學心理學院院長（430079）。

責任編輯 單 玲