季瑜 等 | 從混沌到有序：面向問題解決的人機協作知識建構研究

關注“在線學習”

獲取更多資訊！

刊載信息

季瑜，楊雅，李文鋒，季順鑫，& 詹澤慧.(2026).從混沌到有序：面向問題解決的人機協作知識建構研究. 中國遠程教育(1),103-124.

從混沌到有序：面向問題解決的人機協作知識建構研究
季瑜, 楊雅, 李文鋒, 季順鑫, 詹澤慧

【摘要】生成式人工智能（Generative Artificial Intelligence，GenAI）以“類主體”形式嵌入學習者群體網絡后，其如何改變知識建構的社會性過程缺乏系統探討。本研究構建了面向問題解決的人機協作知識建構模型，并基于此開展了一項為期8周的教學實驗。作為樣本的21名大二學生分為4個小組參與實驗，通過在群聊環境中接入ChatGPT開展人機對話，以輔助完成產品的設計與開發。基于對交互數據的分析，本研究發現：1）人機交互呈現單輪問答型、多輪追問型、單點輻射型、并列交叉型、散點聚合型和接力問答型六種基礎類型；2）認知網絡分析表明，“問”反映的思維水平隨對話的深入由低階向高階發展，而“答”主要提供事實性和概念性知識，二者存在認知層級錯位；3）滯后序列分析顯示，在“知識—思維”認知結構的驅動下，認知行為、社會行為以及元認知行為間的動態躍遷能夠促進高水平的知識建構。由此表明，在協作學習場景中通過協調“人—技”雙重關系，可實現知識建構從混沌狀態向有序狀態的轉變。

【關鍵詞】生成式人工智能; 人機協作知識建構; 問題解決; 認知網絡分析; 滯后序列分析

一、

引言

自人類文明誕生之日起，技術向人類提供了理解問題的邏輯框架，成為人類確證“存在”的一部分。隨著技術的智能性增強，以ChatGPT為代表的生成式人工智能（Generative Artificial Intelligence，GenAI）以概念化世界的方式提取人類全部知識，表現出不弱于人類的問題解決能力（季瑜 等, 2024）。個體通過高質量的人機交互獲取知識并應用知識解決復雜問題。知識建構被視為社會性、互動性的過程，屬于發生在“我—他”間的交互。GenAI能力的泛化使知識的社會性建構逐漸從“人—人”向“人—機”轉變，呈現出高度動態性、復雜性和生成性（Wu et al., 2024）。然而，學習者在與GenAI的交互中可能出現觀點零散、邏輯跳躍和認知割裂等現象，導致問題解決過程缺乏清晰的結構和方向。這種“混沌狀態”不僅增加了學習者的認知負荷，也削弱了人機協作在知識建構中的有效性（Li et al., 2024）。語言互動的質量——以提問、解釋和反饋為標志——顯著地影響了認知加工和協作結果（吳秀圓 & 鄭旭東, 2017）。混沌而零散的信息如何在“人機社群”中通過問答交互轉化為有序、系統的認知結構？這一問題仍有待深入探討。作為一個心理過程，知識構建并不能被直接觀察到，但通過話語分析可以表征群體知識建構活動。鑒于此，本研究嘗試通過質性內容分析、認知網絡分析和滯后序列分析，揭示人機協作知識建構的交互類型、認知發展與行為表征，從“人”“技”視角尋求適宜的教學策略促進人機群智涌現。

二、

文獻綜述

（一）面向問題解決的知識建構

人類歷史上具有里程碑意義的創新主要源于群體協作（陳麗 & 徐亞倩, 2023）。個體認知激活是協作問題解決的基礎。學習者通過提取先驗知識參與對話，重構知識的組織模式，這將直接影響群體認知資源的豐富度（Chen et al., 2021）。同時，社會性協商構成了協作問題解決的核心動力。Stahl（2000）強調，社會交互過程中異質性觀點的涌入、批判性問題的改進以及論證鏈的邏輯性等將顯著促進概念系統的結構性轉變。此外，群體智慧的生成標志著認知層級的躍遷。個體基于“認知腳手架”，通過元認知對話引導異質性觀點的創造性整合（Cress & Kimmerle, 2023）。然而，傳統知識建構中易出現以下問題（季瑜 等, 2024; 魏非 等, 2025）：一是缺乏異質觀點，難以觸發認知沖突與協商；二是知識碎片化，缺乏深度整合與概念重構；三是監控機制薄弱，難以動態調適認知策略；四是工作記憶超載，抑制高階思維發展。

GenAI在教育領域的應用為知識建構提供了新的范式。人機問答式交互的本質是一種知識社會性建構。GenAI通過持續的人機雙向反饋解析復雜語境并輸出個性化知識，利用語義差異化的觀點激活學習者的認知網絡（Li et al., 2025）。它既可模擬專家或導師提供最近發展區內的認知支架，也可模擬學伴生成多樣化問題變體（Dwivedi et al., 2023）。當前，GenAI正在催生“輔助創造力”新范式，通過拓展創意可能性空間重構人機共創的邏輯。已有研究證實GenAI通過提供實時查詢、產生新想法和促進合作等增強學生創造力（Ji et al., 2025）。然而，人機協作過程中依然需要警惕學生的“元認知懶惰”現象，即技術主導的知識建構可能導致認知依賴（季瑜 等, 2025）。因此，有必要提升學生的AI素養，引導學生反思社會協作過程，促進思維的高階轉向。

（二）認知網絡分析和滯后序列分析在知識建構中的應用

認知網絡分析（Epistemic Network Analysis，ENA）通過建模認知要素間動態關聯網絡，揭示群體認知演化規律與復雜特征（Shaffer et al., 2016）。有研究提出“認知—調節”知識建構模型，發現批判性反饋對認知網絡重構具有催化作用（Dam?a et al., 2010）。還有研究提出信息共享、觀點協商、調節活動、積極溝通四維編碼框架，發現高、低水平群體在信息共享與觀點協商維度差異顯著（Zhang et al., 2022）。隨著研究視角轉向人機協作知識建構，有研究構建人機對話認知網絡模型（如觀點構建、聚焦、挑戰等九類），發現智能代理的即時反饋可以促進學習者的認知重構（Chu et al., 2025）。還有研究聚焦學生向ChatGPT提出的問題，發現ChatGPT在問題解決過程中承擔知識供給的作用（季瑜 等, 2024）。可以發現，在協作知識建構過程中，群體認知網絡隨著認知沖突的激化逐步轉向分布式網狀形態，但現有研究缺少對人機交互過程中知識與思維的動態映射進行細粒度的刻畫。

滯后序列分析（Lag Sequential Analysis，LSA）旨在通過識別行為序列的時序關系來刻畫知識建構的動態過程，但這一方法的前提是具備可操作的行為編碼框架。Gunawardena等（1997）提出的交互分析模型（Interaction Analysis Model， IAM）包括信息共享與比較、矛盾探索、意義協商、綜合修正與應用陳述。這一經典模型成為后續研究的重要參照框架。譬如，有研究基于IAM增加了知識建構的無關行為（Sun et al., 2021），更加貼近真實交互場景。還有研究將知識建構行為細化為提問、澄清、闡釋、沖突等，經LSA發現學生通過澄清與闡釋完成知識內化，且反思性獨白多于對話互動（Pena-Shaff & Nicholls, 2004）。郝祥軍等（2019）基于IAM分析混合式學習場景中的知識建構行為，發現問題支架能有效引導知識建構的方向。此外，還有學者基于增強現實環境提出由問題空間、概念空間及二者關系構建的模型，驗證了增強現實可促進學生的知識建構（Lin et al., 2013）。上述編碼框架的應用已從傳統課堂拓展至混合式學習和增強現實環境，體現出“行為階段化—認知外顯化—分析精細化”的演進邏輯。但這些框架多聚焦于“人—人”互動，尚未揭示人機協作知識建構的行為表征規律。

綜上，當前研究呈現以下特征：1）分析框架從靜態維度劃分轉向動態過程建模，但忽略了不同要素間的聯系；2）研究視角從人際協作拓展至人機協同，但缺少適用性的編碼框架；3）缺少從主體間性意義生成角度考察群體互動行為軌跡。認知發展是行為表征的內在基礎，行為表征是認知發展的外在體現（張立國 等, 2017）。ENA與LSA在方法論層面具有互補性——前者刻畫認知結構的演變，后者揭示行為序列的互動節奏。本研究將基于“認知—行為”視角解決以下問題：1）如何構建面向問題解決的人機協作知識建構模型？2）人機協作知識建構過程中有哪些交互類型？3）人機協作知識建構過程中知識與思維具有何種關聯？4）在“知識—思維”認知結構的驅動下，人機協作知識建構行為如何表征？

三、

研究設計

（一）研究被試

教學實驗共8周，有21位不同專業的大二學生（2男，19女）參與，并劃分為4個小組。研究者在各小組的微信群中通過設置編程應用接口（Application Program Interface，API）接入ChatGPT，要求各小組通過人機對話輔助產品的設計與開發。預調查發現，研究被試對ChatGPT、DeepSeek等的使用技巧依舊欠缺，表現為不會使用Prompt指令、一問一答即對話結束等。助教在實驗前闡釋了GenAI工具應用場景、使用方法及倫理責任等，并要求各小組成員練習與ChatGPT對話以加強學習效果。

（二）學習活動與任務設計

技術與人的互動不是機械的，而是通過人的選擇、參與和反饋，形成一種動態的共生關系。ChatGPT通過語言、文字、符號等延伸和拓展人類認知，而人類則通過具身經驗實現知識熵的創造性增值。鑒于知識建構具有復雜性、生成性與動態性等特征，本研究基于珠串模型（詹澤慧 等, 2023）和“HMC-PISC”模型（季瑜 等, 2024），提出人機協作知識建構模型（Human-Machine Collaborative Knowledge Construction Model，HMCKCM），如圖1所示。發散與收斂思維的交替運用可以激發群體的創造性潛能；人機通過可解釋性交互重構問題空間，實現認知對齊；學生的認知活動呈現“知識→思維→應用”的動態遞進式演化，由初始的混沌探索逐步走向有序的理解。

圖1 人機協作知識建構模型

1. 問題識別與建構

學生在小組內公開個人理解以促進群體想法流轉，借助情境化經驗感知并理解現象，從而錨定痛點與難點問題。ChatGPT則通過提供相關信息與概念線索，將學生感知中的模糊現象轉化為結構化問題描述，為后續概念制品的創建確定可能的方向。

2. 想法生成與重構

學生通過挖掘問題本質逐步提出支持性觀點，并在多輪“提問—生成—篩選”的循環中對觀點可行性進行論證，而后將不同范疇的觀點加以聯結與整合。ChatGPT在此過程中不僅對學生凝練的觀點進行批判性審查，還通過理答交互提供多維度的知識補充與反饋，從而強化論證的深度與廣度。

3. 想法評估與選擇

學生基于前期涌現的多元觀點，提出多個潛在的問題解決方案。小組通過群體協商與對話逐步收斂思維，確保問題解決方案的趨同性。ChatGPT通過多模態評估矩陣對方案進行評估，在群體風險識別與價值判斷的基礎上確定最終方案，各小組據此進一步細化和分解任務。

4. 創意物化與推廣

學生使用3D one、Lasermaker等工具構建產品原型。ChatGPT通過提供實時反饋、資源推薦及設計優化建議，輔助學生提升原型制作的效率與質量。學生隨后根據用戶反饋進行多輪迭代，并利用Midjourney、Runway等GenAI工具生成配圖、演示視頻等，實現產品原型的多維度、多感官呈現與推廣。

（三）編碼框架與編碼過程

1. “知識—思維”認知編碼框架

思維的緣由是遇到了某種困惑或懷疑（郅庭瑾, 2007）。思維是以知識、經驗為基礎的對客觀事物的間接反應（朱智賢 & 林崇德, 1986, p.12），它源于問題，并因問題而得到持續不斷的發展。從問題與知識的映射關系來看，事實性問題→事實性知識，概念性問題→概念性知識，程序性問題→程序性知識，元認知問題→元認知知識（季瑜 等, 2024）。學生通過“問”獲取知識，而“問”本身可以反映學生當前思維水平的變化（詹澤慧 等, 2024）。SOLO分類理論可以將思維能力運用映射為建構性問題解決過程，個體的思維發展水平表現為前—零散結構、單點—橫向結構、多點—交叉結構、關聯—多向結構以及抽象拓展—綜合結構五個層次水平（詹澤慧 等, 2023）。基于此，本研究構建“知識—思維”動態關聯的認知編碼框架（如表1所示），以表征人機協作知識建構的認知效能。

表1 “知識—思維”認知編碼框架

2. 人機協作知識構建行為編碼

知識碎片的疊加并不必然引發系統性涌現效應。在人機社群中各主體間形成高度依賴的互構關系，直接作用于知識建構的行為取向。本研究基于IAM（Gunawardena et al., 1997）和問題解決行為模型（Tan et al., 2018），構建面向問題解決的人機協作知識建構行為編碼表（如表2所示）。

表2 人機協作知識構建行為編碼表

表2中，認知行為承載著知識加工的核心功能，通過認知負載分配的方式促進知識的流轉與構建；社會行為通過人機交互重塑群體協作模式，優化成員互動質量，實現群體任務分配；元認知行為是指人機協同實現對認知活動的監控、調整與優化，確保知識建構的方向與節奏。

（四）數據采集與數據分析

本研究依據“人—人”以及“人—機”兩種交互方式，共收集3,138條問答數據、文本，167,809字。為確保編碼框架的信度，兩份編碼框架的核心維度均源于前期已有的成熟框架，結合研究情境進行適當調整。而后，本研究邀請5位教育技術領域的專家對編碼框架與具體條目進行嚴格審查，以確保編碼框架的內容效度和結構穩定性。

兩名具有相似經驗的研究人員依據編碼框架對隨機抽取的30%的問答數據進行獨立編碼。比對兩份編碼的結果顯示：在“知識—思維”認知編碼框架下，Cohen’s Kappa值為0.95，表明編碼員間一致性極高，為后續認知網絡分析（ENA）奠定堅實基礎；在人機協作知識建構行為編碼框架下，Cohen’s Kappa值為0.82，顯示該編碼體系具有較高一致性，可為后續滯后序列分析（LSA）提供可靠支持。對于編碼中不一致之處，兩位研究人員經討論協商后最終達成一致。

實驗后，本研究邀請三位專家從新穎性、原創性和流暢性三個維度對概念制品（教具）所反映的團隊創造力評分。獨立樣本t檢驗顯示，第一、二組和第三、四組在產品評分上的差異具有統計學意義（p＜0.05），故研究者將其分別歸為高水平組（HG）和低水平組（LG）。而后，本研究分別將認知編碼數據和行為編碼數據導入ENA-web和GSEQ 5.1，解析“知識—思維”結構的演化關系和人機協作知識建構行為的特征。

四、

研究結果

（一）人機問答式交互類型

觀點持續而充分的交互是群體知識涌現的前提，當學生清晰地表達與問題解決相關的知識時，將會產生更大范圍的遷移和聯結（胡金艷 等, 2024）。本研究基于微信群人機對話記錄，采用質性內容分析方法識別人機問答式交互類型。首先，將對話拆分為“問題—回應”輪次單元，而后對每條記錄進行初步開放式編碼，標注其功能與特點。隨后，研究者通過歸納和比較，將具有相似功能和交互模式的編碼合并，演繹出六種典型人機問答式交互類型（如圖2所示）。其中，單輪問答型與多輪追問型強調學生與ChatGPT的一對一交互，單點輻射型、并列交叉型、散點聚合型、接力問答型強調多個學習者與ChatGPT非線性、多層次的交互。表3展示了每一交互類型下知識與思維的具體數量。

圖2 人機問答式交互類型

注：淺灰色圓表示對話發起者，深灰色圓表示信息接收者，黑色方塊表示ChatGPT。

表3 不同交互類型下知識與思維的數量

單輪問答型如圖2（a）所示。學習者為解決一個特定的知識需求或疑問，與ChatGPT或小組成員進行一次性、直接性的交互。學生通過信息檢索刺激先前知識經驗，并借助ChatGPT的反饋驗證某些觀點，知識類型以Fa與Co居多，問題反映出學生的思維處于Pt和Un。

多輪追問型如圖2（b）所示。學習者與ChatGPT進行多階段、遞進式的對話，通過不斷擴展和深化初始問題，逐步實現對復雜問題的全面理解。問題一般源自個體對初始概念的理解，并隨著對話的遞進轉向“怎么做”及“如何做得更好”。因此，各類知識要素均有涉及，思維水平逐漸轉向Mu、Re和Ex。

單點輻射型如圖2（c）所示。這是由一名學習者發起、多名學習者在同一時空圍繞核心問題與ChatGPT進行多角度、多層次的知識問答，實現觀點的一致性理解與構造。此交互類型涉及不同的知識元素，思維水平也呈現均衡發展。

并列交叉型如圖2（d）所示。多個獨立學習者圍繞不同的問題在同一時間與ChatGPT交互，不同問題間逐漸顯現出內在聯系，實現問題的趨同。盡管知識類型以Fa與Co為主，但是思維處于高階水平（如Mu、Re和Ex），表明問題具有一定的深度和廣度。

散點聚合型如圖2（e）所示。多名學習者通過頭腦風暴確定幾個關鍵問題后，由一名代表與ChatGPT進行多輪對話，其他學習者作為觀察者參與整個過程，負責篩選和整理可利用的創意點。知識類型以Co、Pr和Me為主，思維水平也均有體現。

接力問答型如圖2（f）所示。小組內部按照預定的順序（如學號、座位號等），由下一位同學基于上一位同學與ChatGPT的互動，接力問答、發散觀點。這可以有效減少學生搭便車的存在，并平衡群體成員之間的協作水平。知識以Fa和Me為主，思維處于Pt和Un。

（二）認知發展

本研究將高、低水平組的問答式交互數據分別導入ENA-web，發現兩組的認知結構存在顯著性差異（p＜0.05），適宜通過ENA探究知識與思維的關系。

1. 高、低水平組“知識—思維”認知網絡特征

表4展示了HG與LG的認知網絡結構及其疊減圖。從整體布局來看，知識節點聚合于x軸上方，而思維節點則分散在x軸下方。兩組的認知網絡結構顯示，Co節點作為網絡聯通的橋梁，串聯各類知識與思維，構成多個嵌套的三角形。這表明學生通過與ChatGPT對話不斷修正群體思維，形成了以概念理解為中心的問題加工方式，建構起具有邏輯性和層次感的知識結構。

表4 高、低水平組“知識—思維”認知網絡結構

從認知網絡結構圖中的節點大小及其連線來看，HG與LG具有相似的形狀結構，其共性點有三。其一，在知識節點方面，Fa和Co的節點規模最大，表明這兩類知識是問題解決的基礎。Fa使學生的前經驗與現結構在意會交互中結合，Co幫助學生構建起對事物的直觀理解和認知。其二，在思維節點方面，Re、Mu與Un的節點規模最大，其中Re反映出學生通過問答實現不同知識點間的深層聯系，Un和Mu則反映出學生通過有限的經驗理解復雜問題，并通過甄別篩選信息將孤立的知識點縱向連接起來。其三，在連線結構上，“問”所反映出的五類思維水平與四類知識均有連線，說明人機問答式交互有助于小組獲取不同類別的知識并促進思維由低向高的循序轉化。其差異點亦有三。其一，在知識節點方面，Pr的節點規模表現為HG＞LG，而Me的節點規模則為HG＜LG。這表明HG聚焦于與機器交互獲取Pr，從而熟練地運用流程、方法等解決問題，而LG更加關注Me，試圖通過持續反思以優化協作問題解決的路徑。其二，在思維節點方面，HG的五類思維水平上的節點規模均顯著大于LG，表明HG能夠提出“好問題”，以確保機器輸出信息的精確性和匹配度。其三，在連線結構上，Ex與其他知識與思維節點的連線在HG中更加復雜和緊密，反映出學生通過高度抽象和演繹歸納的方法，構建出更加復雜和全面的認知體系。此外，認知疊減圖也反映出，LG居y軸左側，構成Co、Me和Re連接的三角形，HG居y軸右側，節點間連線豐富且多樣，表明LG在處理具體任務和構建連貫知識結構方面較為困難。

2. 高、低水平組“知識—思維”四階段的認知網絡特征

本研究以人機協作知識建構的四個階段為分析單元，繪制HG與LG的認知網絡結構及其疊減圖（如表5所示）。按照知識建構歷時性來看，HG與LG從階段1到3的認知網絡結構的復雜程度和連接強度逐漸增加，Co和Fa逐漸減小，Pr和Me逐漸增大，Mu、Re與Ex逐漸增大，而Pt和Un卻逐漸變小。這表明“問”所反映的思維水平由具體到抽象，且ChatGPT呈現給學生的知識容量及其抽象程度也在遞增。有趣的是，HG與LG在階段4的認知結構呈現斷崖式簡化，節點間的連線和交互度顯著下降。

表5 高、低水平組“知識—思維”四階段的認知網絡結構

在階段1，HG與LG的知識節點以Fa和Co為主，表明學生依賴與ChatGPT交互獲取具體事實和概念去解析復雜的現象，這是構建高級認知結構的基礎。Pt和Un較為突出，反映學生面對復雜問題處于混沌狀態，對于知識的運用并不成熟。HG傾向通過多輪追問去激活先驗知識，在ChatGPT的引導下明確自己要做什么，故“問”所反映的思維節點Pt比LG的更大。而LG的知識節點Fa和Pr比HG的更小，表明學生還未找準問題的痛點和難點。

在階段2，HG與LG的知識節點大小均是Co＞Fa＞Pr＞Me，其中Co和Fa依舊占據核心地位，思維節點以Un、Mu和Re最大，但Un和Pt相較于階段1逐漸變小，而Re明顯變大。這表明兩組學生不斷嘗試將多個知識點縱向關聯，思維水平逐漸復雜和抽象。他們從混沌的認知結構中逐步厘清層次、梳理脈絡，實現對問題本質的多角度理解。HG的Mu明顯變大，Fa、Co與Mu的連線，以及Un與Mu的連線增粗，說明學生開始批判性地看待不同要素之間與背后的關聯和邏輯關系。有趣的是，LG的Mu變小，Fa和Pr變大，這表明LG的學生依舊在激活先驗知識結構，具有一定的滯后性。

在階段3，HG與LG的知識節點仍以Co為主，Fa相較于前一階段減小，而Pr和Me則變大。這一變化表明，學生更側重于對自身認知過程的反思與理解，并更加關注“如何做得更好”。思維節點Un、Mu和Re依舊最大并占據核心位置，Ex相較于上一階段顯著增大并與多個知識和思維節點相關聯。這說明學生通過反向操作和反饋機制，在多個知識點之間建立了深層聯系，逐步建構起較為有序的認知結構。HG的每一類知識與四類思維（除Pt）均有復雜且密切的連線，且連線更粗；而LG以Co為中心發散連接于Re、Mu和Un，這表明問題的深度和廣度不足，無法引導ChatGPT供給更多類型的知識。

在階段4，HG與LG的知識節點依舊是以Co和Fa為主，但知識與思維節點間的關聯明顯減弱。這種減弱并不意味著學生的問題解決受到阻礙，反而說明學生的認知結構已由初期的混沌狀態轉化為穩定的形態。此時，學生將更多注意力集中在原型產品的制作上，從而減少了與ChatGPT的交互頻率。在HG中，Co和Fa節點增大，Me節點減小，說明學生已形成穩定的知識結構；Pt相較上一階段增大，表明學生通過單輪問答型對話實現對某些觀點和信息的驗證。值得注意的是，LG的Co與Un之間呈現一字型，且線條極粗，這表明學生的問題較單一，依舊陷于同義反復，僅聚焦概念的理解。

（三）行為表征

本研究通過LSA評估高、低水平組在人機協作知識建構過程中的行為表征。若行為之間轉換的調整殘差超過1.96，則可認為是顯著的（Wang et al., 2020）。圖3（a）和圖3（b）展示了各組的行為轉換序列圖，內層為元認知行為，中層為社會行為，外層為認知行為。HG與LG具有相同的行為轉換序列。QPG→PCE，PCE→QPG，表明問答行為是人機協作知識建構的基礎。ESM→ESM，表明人機協作知識建構具有社會屬性，群體成員與機器之間通過情感支持與激勵維持團隊的運行。MSR→PGS（CTA），表明小組在監督與自我調節后，會重新設定計劃與目標，以及通過消解群體分歧或沖突達成目標一致性。

圖3 知識建構行為轉換序列

HG顯著的行為序列具有以下特征。一是三個圈層行為之間動態躍遷，如(ISU)→QPG→PCE→QPG→CEI→ISU→(CTA)→(MSR)→(CTA)→PGS→DCR（括號內的行為可省略）等多個層級行為序列。這表明學生通過構建認知行為會邁向社會行為與元認知行為，因為社會性交互與元認知調控能促進問題的表征與解決。二是認知行為由低到高轉化（ISU→QPG→PCE→KIC；QPG→PCE→QPG →CEI→ISU→QPG→KIC），其中CEI與KIC為高階認知行為，發生頻率較高，表明學生通過多輪對話建立起知識間的跨范疇聯結。LG顯著的行為序列中：KIC→KIC，結合聊天記錄發現KIC主要發生在“人—人”之間，表現出對ChatGPT的不信任；KIC（ESM）→ESM，表明高階知識建構行為的發生更需要情感支持與激勵；CTA→CTA，學生反復明確自身的任務以確保順利推進，但這種做法反而會降低團隊穩定性；DCR→DCR，解決群體認知沖突成為LG的主要任務；CEI→MSR→PGS，人機協同改進方案后需要再次確定問題解決的進度并調整問題解決的方式，進而重新設定任務與目標；DCR→PGS→MSR→CTA，表明LG更傾向于重新定位目標和規劃，通過自我監督與調控確保進度，并實現沖突的消解以及任務的再次分配；QPG→PCE→RCI，學生在人機問答式交互后會對機器呈現的信息或方案進行批判性反思與改進。

五、

研究討論與建議

（一）研究討論

1. 人機協作知識建構模型的反思

結合教學實踐與數據分析結果，本研究對人機協作知識建構模型進行了反思和細化。在問題識別與建構階段，若學生的理解停留于直覺性陳述，則難以形成群體信息共享。教師應通過大量的案例與支架引導學生對于事實性知識和概念性知識的理解，并強調問題本質的界定需依靠小組協商而非機器輸出。在想法生成與重構階段，觀點的多樣性和沖突是知識深化的前提。然而，ChatGPT的輸出基于概率生成，可能導致冗余與趨同，故觀點的涌現依賴于群體成員在同一時空通過單點輻射型、并列交叉型、散點聚合型等交互方式對既有觀點反復進行論證。在想法評估與選擇階段，ChatGPT能基于知識庫提供方案的合理性診斷，但其評估缺乏創造性與批判性。因此，方案的優化需要依賴學生的多渠道驗證與協商，同時階段性匯報與外部反饋對于防止“邊緣性參與”具有重要價值。在創意物化與推廣階段，學生的知識體系逐步成形，其對ChatGPT的依賴性顯著下降，重心轉向“如何做出來”和“如何做得更好”。此時教師與助教的反饋對產品迭代至關重要，而真正的創新仍需人類的判斷。考慮到不同專業學生在原型開發與推廣上的時間與資源限制，實踐中應適當延長開發周期，以平衡產品質量與協作效率。

2. 人機問答式交互類型是群體知識建構的基礎

聯通主義強調，“管道”比“管道”中的內容更重要（Siemens, 2005; 田浩 等, 2020）。當學生通過問答式交互獲取構造之物（即知識），便會借助“管道”將構造物進行推演、聯系與抽象化。在問答式交互過程中，學生構造知識存在兩種取向。一種是機器的觀點至上，學生遵從ChatGPT對于問題的理解與分析，但這類知識對于學生而言是外在的，體現在單輪問答型和接力問答型，以獲取Fa、Co、Pr為主，思維水平較低；另一種是批判性地看待機器的觀點，學生對于ChatGPT提供的基于概率組合的知識表現出不信任或質疑，此時個體會結束對話尋求其他途徑獲取Pr和Me，或者通過多輪對話（如多輪追問型、并列交叉型等）實現知識的批判性理解。需要強調的是，這六種交互類型均涉及Fa和Co，這些知識有助于激活學生先前的知識與經驗。

在混沌初期，學生通過事實性問題和概念性問題建立起對事物的認識，但問題的表述往往零散、跳躍，通過與ChatGPT交互逐步轉化為結構化的問題描述（季瑜 等, 2024）。多輪問答的起始問題一般是事實性問題或概念性問題，由此不斷發散和聯系，聚焦怎么做以及如何做得更好。另外，問答式交互類型表現最為突出的是多輪追問型，這種持續性的單人單機交互表現出更高的傳遞性，個人的思維水平隨著問答式交互的過程而不斷延展和深化。而多人單機的持續交互以單點輻射型、并列交叉型、散點聚合型為主，這些交互類型同樣具有較高的傳遞性，使想法和觀點在人機社群中快速發散和收斂，但這對個人時間與空間的要求較高。傳遞性高的網絡結構更容易實現知識的快速傳遞，且能提高人機社交網絡的凝聚性（徐亞倩 & 陳麗, 2024）。

3. “知識—思維”可以表征問題解決的有效性

從人機協作知識建構的階段來看，小組成員在階段1獲取的知識點和思維路徑呈現零散分布、缺乏體系化特征（混沌）；而由階段2到階段3，學生通過多輪人機對話不斷實現觀點聯結與整合，其認知結構逐漸走向有序，表現為知識與思維間的連線愈發緊密和粗壯；進入階段4后，知識與思維節點間的復雜連接斷層。這一現象并不意味著學生的認知受阻，而是表明其在前期已形成較為系統化的知識結構，此時人機對話更多用于回憶遺忘的知識或驗證不確定的信息。與預期不同的是，隨著問題解決進程的推進，本應顯著減小的Fa與Co節點依然占據主導，而Pr和Me節點的增幅有限。ChatGPT為了降低響應的容錯率，會“沿著主流軌道”給出中規中矩的答案（Alrishan, 2023）。雖然“問”反映出較高的思維水平，但ChatGPT的回應依舊聚焦于Fa與Co。值得注意的是，當ChatGPT作為“認知擾動者”提出反常識觀點時，群體認知網絡會出現新的次級聚類，節點間的關聯度與強度可能被重構。

HG與LG在整體上均遵循了由基礎知識積累逐步向高階認知結構演進的共同軌跡，但兩者在速度與質量上表現出明顯差異。首先，在速度方面，HG在每個階段的問答節奏更快，其交互類型以多輪問答型、散點聚合型、并列交叉型為主。學生能夠借助Prompt提出高質量問題，且提出的問題能夠與當前問題解決的實際需求相匹配，充分發揮機器的供給者作用。相較之下，LG的問答交互類型有限，且較少通過“問”來獲取有效的信息，機器的供給作用被忽視。這一差異可能源于學生對于ChatGPT的信任不足，以及ChatGPT在回答中過度聚焦于以Fa和Co為主，削弱了學生探究的動機。其次，在質量方面，HG通過有效的問答式交互不斷獲取并鞏固Co與Fa，確保群體具備堅實的知識基礎，并在各階段均能調動Pr與Me，實現知識的靈活運用與問題解決。相反，LG由于團隊凝聚力對機器不信任，提出的問題質量不高，經常陷入同義反復，難以正確表征和解決問題。一小組雖嘗試通過接力問答型交互來防止“搭便車”現象，并確保組員在同一時空內參與人機互動，但整體成效仍有限。

4. “知識—思維”的螺旋驅動誘發知識建構行為

兩組認知行為以QPG與PCE間的轉換為主，意味著快節奏的問答式交互可以加速信息傳遞的頻率，通過問的量變引起知識建構的質變。這與已有研究一致，即高頻行為CEI、KIC有助于學生調用細粒度的認知加工，實現有效的協作知識建構（Zhao et al., 2024）。具體而言，HG展現出更積極的認知行為鏈條（如ISU→QPG→PCE→CEI→KIC），并伴隨“探索性行為序列”（如連續發散提問），表現出低階認知行為向高階行為的躍遷。學生通過人機交互將新舊知識關聯起來，實現概念的闡述、澄清、理解（Zhao et al., 2024）。相較之下，LG的CEI、KIC行為是人類群體的自我建構，這依賴于群體成員之間的鼓勵（ESM），表現出對機器回應的有限信任。值得注意的是，LG的ISU行為轉換頻率顯著低于HG。既有研究表明，較低的信息共享頻率容易導致群體任務表現失敗（Heo et al., 2010），而本研究結果也印證了這一點：若缺乏有效的信息共享，群體成員難以對機器供給的異質性觀點進行批判性思考，反而容易陷入對既有觀點的重復論證。

早期的人機協作行為呈現出碎片化與隨意性的特征（混沌），但隨著協作推進，學生的知識建構行為由認知行為頻繁躍遷至社會行為和元認知行為，顯現出“知識共建—社會交互—共享調節”的有序模式。這與已有研究結論一致，即社會行為與元認知行為可以在協作問題解決過程中顯著促進學生的成功（Lodewyk et al., 2009），具體表現為ESM、PGS、MSR、CTA與DCR間的動態關聯。在任務分配與目標設定過程中，小組成員不可避免地產生分歧，而積極的社會交互有助于維系觀點的秩序流通。同時，元認知行為在問題解決過程中發揮調節作用，通過目標設定、策略調整及反思改進等確保協作問題解決的方向、進度與質量。有趣的是，HG的認知行為、社會行為與元認知行為間的聯系與轉化更加緊密，學生在尋求信息或幫助時，組員（機器）會主動共享信息，相互幫助、相互鼓勵。反觀LG，三類行為間的“斷聯”導致知識建構一直處于較低水平，這可能是概念制品的新穎性與原創性較低的主要原因。

（二）研究建議

1. 從個體人到社會人：人機協作關系的確定與調整

人機協作可以促生知識的涌現，但富有創造力的“靈感迸發”并非機器所擅長，真正具有原創性、獨特性的見解依然需要人類去發掘與判斷。第一，在不同人機問答式交互類型下挖掘認知與行為特征，需要依托更大規模的數據與更長周期的實驗支持。在教學中持續關注人機問答式交互類型，可以確保學生在協作知識建構的不同階段，以恰當的交互方式獲得高質量信息。第二，平等和分布式的協作關系以及最小的等級控制可以鼓勵學生積極參與人機協作知識建構（Zhang et al., 2009）。未來可聚焦人機角色分工，以及機器在群體協作中如何引發人類認知、心理、情感等的變化。第三，人類群體與機器的社會交互必然會產生分歧或沖突，可開發基于角色輪轉的對話協議提升群體協商的有效性。例如設定“機器主持人”角色動態分配發言權，強制觸發邊緣成員的ESM行為以維持網絡凝聚力。第四，在混合式學習場景中，時空的錯位可能會引發學生的元認知行為失調，因此，有必要開發群體感知工具或元認知支持工具，促進群體智能邁向更高級、更有序的認知序列。

2. 從一般性到精確性：機器賦能知識建構的有效性

機器的智能性愈高，對問題解決不同階段的支持性愈強。“問”所反映出的思維水平與“答”所呈現的知識元素（如Fa、Co）并不匹配，這制約了問題解決的有效性。因此，針對具體的學科或課程，應接入專家知識庫，通過“投喂”高質量的數據，增強信息回應的有效性。并且，采用層次分析法構建四維評估矩陣（事實性/概念性/程序性/元認知知識），通過分析對話序列中的語義框架（如疑問詞類型、修飾語復雜度）實時調整輸出權重。例如，當檢測到“如何優化……”類問題時，自動提升Pr的生成概率。此外，機器生成的信息中可能包含“擾動性觀點”，這類觀點易導致群體認知失衡。為降低機器帶來的“認知擾動”，可考慮開發雙通道生成模型：主通道保持常規邏輯推理的穩定性，輔通道則按照預設比例輸出異質性觀點。

考慮到“問”的思維水平與“答”的知識元素的關聯性，可通過長短期記憶網絡分析對話序列中的概念密度、思維動詞頻次等指標，實時監測學習者所處的認知階段，動態調整機器回應策略。同時，為防止機器過度主導知識建構，嘗試通過計算學生群體在對話中的原創性貢獻率（如新概念提出頻次）來降低依賴性，當貢獻率低于閾值時，自動切換至蘇格拉底式提問模式，強制觸發深層思考。由于人機協作知識建構三類行為之間的動態躍遷可以促進高水平的知識建構，可以開發包含機器情感支持的共享調節訓練系統，通過多模態數據實時檢測群體認知失衡風險以及邊緣學習者，及時觸發機器的調節行為。

六、

總結

本研究發現，機器的加入能增強網絡節點的多樣性，其通過制造創造性混沌使群體認知邁向更高級的有序結構。本研究的核心貢獻有四。其一，HMCKCM的核心要點并不在于繁復的操作步驟，而在于把握以下四個核心要點：一是從信息混沌到問題聚焦的有效轉化；二是通過人機優勢互補實現觀點涌現與優化；三是在多元評估中平衡機器與人類的創新判斷；四是在產品物化階段突出教師與學生的主體性。其二，人機問答式交互類型包括單輪問答型等六種，隨著GenAI性能的拓展及其應用場景的深化，未來還會出現更多的交互類型，深刻把握每一種交互類型的特征和形式有助于提升知識建構的有效性。其三，本研究開發的“知識—思維”認知網絡編碼表可以表征知識構建的效能，“問”所反映的思維水平與“答”所呈現的知識元素密切關聯，但并不完全匹配。其四，本研究構建的人機協作知識構建行為編碼表，可用于觀察“知識—思維”認知結構如何驅動人機協作知識構建行為的序列變化，認知行為、社會行為以及元認知行為間的動態躍遷有助于群體知識建構。

當然，本研究提出的模型僅在“產品設計”情境下初步驗證，尚未在跨場景或跨人群中檢驗遷移性，也缺乏與純人協作模式的對比證據，這些都是未來研究需要解決的關鍵問題。

參考文獻

陳麗, & 徐亞倩. （2023）. 聯通主義的哲學觀及其對教育變革的啟示. 教育研究, 44（1）, 16-25.

郝祥軍, 王帆, & 汪云華. （2019）. 問題支架促進在線知識交互的途徑假設與驗證. 中國遠程教育（3）, 34-42, 92-93.

胡金艷, 楊霞, 高興啟, 滿其峰, & 張義兵. （2024）. 知識建構社區中多主體模擬支持的觀點涌現模型構建：復雜性科學的視角. 電化教育研究, 45（1）, 100-107.

季瑜, 楊雅, & 詹澤慧. （2024）. 人機共創的教學特征：認知發展與角色交互研究. 開放教育研究, 30（6）, 88-101.

季瑜, 鐘明軒, 呂思妍, 李通德, & 詹澤慧. （2025）. 人機協同環境下自我調節學習能力測評量表的編制與應用. 現代教育技術, 35（9）, 35-45.

田浩, 陳麗, 黃洛穎, & 王瑞雪. （2020）. cMOOC學習者知識流動特征與交互水平關系研究. 中國遠程教育（8）, 15-24, 76.

魏非, 楊可欣, & 祝智庭. （2025）. 協同探究智創：生成式人工智能時代的學習新模式. 開放教育研究, 31（2）, 14-23.

吳秀圓, & 鄭旭東. （2017）. 會話分析：社會學視角下課堂協作學習的多層次探索. 電化教育研究, 38（10）, 93-99.

徐亞倩, & 陳麗. （2024）. 聯通主義課程觀：課程即生成式知識社區. 遠程教育雜志, 42（5）, 43-52, 76.

詹澤慧, 季瑜, 梅虎, 李通德, & 李圓敏. （2023）. 打開創新人才培養的“黑箱”：創新性問題解決的過程模型與技術賦能. 現代遠程教育研究, 35（5）, 75-85, 103.

詹澤慧, 鐘煊妍, 鄒萱萱, 陳利, & 高瑞翔. （2024）. 高考跨學科命題透視：特點、問題與改進建議——基于對2016—2023年210份全國卷的分析. 現代遠程教育研究, 36（3）, 74-86.

張立國, 謝佳睿, & 王國華. （2017）. 基于問題解決的深度學習模型. 中國遠程教育（8）, 27-33, 79.

郅庭瑾. （2007）. 為思維而教. 教育研究, 28（10）, 44-48.

朱智賢, & 林崇德. （1986）. 思維發展心理學. 北京師范大學出版社.

Alrishan, A. M. H. (2023). Determinants of intention to use ChatGPT for professional development among Omani EFL pre-service teachers. International Journal of Learning, Teaching and Educational Research, 22(12), 187-209.

Chen, W. L., Tan, J. S. H., & Pi, Z. L. (2021). The spiral model of collaborative knowledge improvement: An exploratory study of a networked collaborative classroom. International Journal of Computer-Supported Collaborative Learning, 16, 7-35.

Chu, X. Y., Wang, M. J., Spector, J. M., Chen, N. S., Chai, C. S., Hwang, G. J., & Zhai, X. S. (2025). Enhancing the flipped classroom model with generative AI and Metaverse technologies: Insights from lag sequential and epistemic network analysis. Educational Technology Research and Development, 73, 1539-1567.

Cress, U., & Kimmerle, J. (2023). Co-constructing knowledge with generative AI tools: Reflections from a CSCL perspective. International Journal of Computer-Supported Collaborative Learning, 18(4), 607-614.

Dam?a, C. I., Kirschner, P. A., Andriessen, J. E. B., Erkens, G., & Sins, P. H. M. (2010). Shared epistemic agency: An empirical study of an emergent construct. The Journal of the Learning Sciences, 19(2), 143-186.

Dwivedi, Y. K., Kshetri, N., Hughes, L., Slade, E. L., Jeyaraj, A., Kar, A. K., Baabdullah, A. M., Koohang, A., Raghavan, V., Ahuja, M., Albanna, H., Albashrawi, M. A., Al-Busaidi, A. S., Balakrishnan, J., Barlette, Y., Basu, S., Bose, I., Brooks, L., Buhalis, D., ... Wright, R. (2023). Opinion paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.

Gunawardena, C. N., Lowe, C. M. 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.

Heo, H., Lim, K. Y., & Kim, Y. (2010). Exploratory study on the patterns of online interaction and knowledge co-construction in project-based learning. Computers & Education, 55(3), 1383-1392.

Ji, Y., Zhong, M. X., Lyu, S. Y., Li, T. T., Niu, S. J., & Zhan, Z. H. (2025). How does AI literacy affect individual innovative behavior: The mediating role of psychological need satisfaction, creative self-efficacy, and self-regulated learning. Education and Information Technologies, 30, 16133-16162.

Li, T. T., Ji, Y., & Zhan, Z. H. (2024). Expert or machine? Comparing the effect of pairing student teacher with in-service teacher and ChatGPT on their critical thinking, learning performance, and cognitive load in an integrated-STEM course. Asia Pacific Journal of Education, 44(1), 45-60.

Li, T. T., Zhan, Z. H., Ji, Y., & Li, T. D. (2025). Exploring human and AI collaboration in inclusive STEM teacher training: A synergistic approach based on self-determination theory. The Internet and Higher Education, 65, 101003.

Lin, T. J., Duh, H. B. L., Li, N., Wang, H. Y., & Tsai, C. C. (2013). An investigation of learners’ collaborative knowledge construction performances and behavior patterns in an augmented reality simulation system. Computers & Education, 68, 314-321.

Lodewyk, K. R., Winne, P. H., & Jamieson‐Noel, D. L. (2009). Implications of task structure on self‐regulated learning and achievement. Educational Psychology, 29(1), 1-25.

Pena-Shaff, J. B., & Nicholls, C. (2004). Analyzing student interactions and meaning construction in computer bulletin board discussions. Computers & Education, 42(3), 243-265.

Shaffer, D. W., Collier, W., & Ruis, A. R. (2016). A tutorial on epistemic network analysis: Analyzing the structure of connections in cognitive, social, and interaction data. Journal of Learning Analytics, 3(3), 9-45.

Siemens, G. (2005). Connectivism: A learning theory for the digital age. International Journal of Instructional Technology & Distance Learning, 2, 3-10.

Stahl, G. (2000). Collaborative information environments to support knowledge construction by communities. AI & Society, 14, 71-97.

Sun, Z., Lin, C. H., Lv, K. Y., & Song, J. (2021). Knowledge-construction behaviors in a mobile learning environment: A lag-sequential analysis of group differences. Educational Technology Research and Development, 69, 533-551.

Tan, J. P. L., Caleon, I., Ng, H. L., Poon, C. L., & Koh, E. (2018). Collective creativity competencies and collaborative problem-solving outcomes: Insights from the dialogic interactions of Singapore student teams. In E. Care, P. Griffin, & M. Wilson (Eds.), Assessment and teaching of 21st century skills. Educational assessment in an information age (pp. 95-118). Springer.

Wang, C., Fang, T., & Gu, Y. (2020). Learning performance and behavioral patterns of online collaborative learning: Impact of cognitive load and affordances of different multimedia. Computers & Education, 143, 103683.

Wu, T. T., Lee, H. Y., Li, P. H., Huang, C. N., & Huang, Y. M. (2024). Promoting self-regulation progress and knowledge construction in blended learning via ChatGPT-based learning aid. Journal of Educational Computing Research, 61(8), 3-31.

Zhang, J. W., Scardamalia, M., Reeve, R., & Messina, R. (2009). Designs for collective cognitive responsibility in knowledge-building communities. Journal of the Learning Sciences, 18(1), 7-44.

Zhang, S., Gao, Q. Q., Sun, M. Y., Cai, Z. H., Li, H. H., Tang, Y. L., & Liu, Q. T. (2022). Understanding student teachers’ collaborative problem solving: Insights from an epistemic network analysis (ENA). Computers & Education, 183, 104485.

Zhao, J. H., Yang, Q. F., Lian, L. W., & Wu, X. Y. (2024). Impact of pre-knowledge and engagement in robot-supported collaborative learning through using the icapb model. Computers & Education, 217, 105069.

From Chaos to Order: A Study on Human-Machine Collaborative Knowledge Construction for Problem Solving

Ji Yu, Yang Ya, Li Wenfeng, Ji Shunxin, Zhan Zehui

Abstract:With Generative Artificial Intelligence (GenAI) embedded as a quasi-agent within learner communities, its influence on the social processes of knowledge construction remains underexplored. The study developed a Human-Machine Collaborative Knowledge Construction Model (HMCKCM) oriented toward problem-solving and conducted an eight-week teaching experiment based on this model. The sample of 21 sophomore students was divided into four groups to participate in the experiment, engaging in human-machine dialogues by integrating ChatGPT into a group chat environment to assist in the design and development of products. Based on the analysis of interaction data, the study found that: 1) six fundamental types of human-machine interaction, single-turn Q&A, multi-turn probing, single-point radiation, parallel crossover, scattered convergence, and relay Q&A; 2) epistemic network analysis indicates that learners’ questioning progresses from lower-to higher-order thinking levels, while AI-generated responses mainly provide factual and conceptual knowledge, resulting in a cognitive-level mismatch between questions and answers; 3) lag sequential analysis shows that, driven by the “knowledge-thinking” cognitive structure, dynamic transitions across cognitive, social, and metacognitive behaviors promote higher-level knowledge construction. The study highlights that, in collaborative learning settings, optimizing the “human-technology” interplay facilitates the transformation of knowledge construction from an initial state of chaos to a more structured process.

Keywords:generative artificial intelligence; human-machine collaborative knowledge construction; problem solving; epistemic network analysis; lag sequential analysis

作者簡介

季瑜，華南師范大學教育信息技術學院博士研究生（廣州 510631）。

楊雅，華南師范大學教育信息技術學院本科生（廣州 510631）。

李文鋒，華南師范大學教育信息技術學院碩士研究生（廣州 510631）。

季順鑫，華南師范大學教育信息技術學院博士研究生（廣州 510631）。

詹澤慧，華南師范大學教育信息技術學院教授（通訊作者：zhanzehui@m.scnu.edu.cn 廣州 510631）。

基金項目

國家自然科學基金2023年度面上項目“基于事理圖譜的計算思維智能導訓模型及可解釋性研究”（項目編號：62277018）

責任編輯：郝丹

期刊簡介

《中國遠程教育》創刊于1981年，是教育部主管、國家開放大學主辦的綜合性教育理論學術期刊，是中文社會科學引文索引（CSSCI） 來源期刊、全國中文核心期刊、中國人文社會科學期刊AMI綜合評價（A刊） 核心期刊、中國科學評價研究中心（RCCSE） 核心期刊、中國期刊方陣雙效期刊、人大復印報刊資料重要轉載來源期刊，面向國內外公開發行。

本刊關注重大教育理論與政策，推動科技賦能教育，反映國際學術前沿，聚焦本土教育改革，注重學術研究規范，提倡教育原創研究。

地址

北京市海淀區西四環中路45號

郵編

電話

010-68182514

電郵

zzs@ouchn.edu.cn

網址

cjde.ouchn.edu.cn

本文轉自｜中國遠程教育微刊

聲明：轉載此文是出于傳遞更多信息之目的。若有來源標注錯誤或侵犯了您的合法權益，請作者持權屬證明與我們聯系，我們將及時更正、刪除，謝謝。