季瑜 等 | 从混沌到有序：面向问题解决的人机协作知识建构研究

关注“在线学习”

获取更多资讯！

刊载信息

季瑜，杨雅，李文锋，季顺鑫，& 詹泽慧.(2026).从混沌到有序：面向问题解决的人机协作知识建构研究. 中国远程教育(1),103-124.

从混沌到有序：面向问题解决的人机协作知识建构研究
季瑜, 杨雅, 李文锋, 季顺鑫, 詹泽慧

【摘要】生成式人工智能（Generative Artificial Intelligence，GenAI）以“类主体”形式嵌入学习者群体网络后，其如何改变知识建构的社会性过程缺乏系统探讨。本研究构建了面向问题解决的人机协作知识建构模型，并基于此开展了一项为期8周的教学实验。作为样本的21名大二学生分为4个小组参与实验，通过在群聊环境中接入ChatGPT开展人机对话，以辅助完成产品的设计与开发。基于对交互数据的分析，本研究发现：1）人机交互呈现单轮问答型、多轮追问型、单点辐射型、并列交叉型、散点聚合型和接力问答型六种基础类型；2）认知网络分析表明，“问”反映的思维水平随对话的深入由低阶向高阶发展，而“答”主要提供事实性和概念性知识，二者存在认知层级错位；3）滞后序列分析显示，在“知识—思维”认知结构的驱动下，认知行为、社会行为以及元认知行为间的动态跃迁能够促进高水平的知识建构。由此表明，在协作学习场景中通过协调“人—技”双重关系，可实现知识建构从混沌状态向有序状态的转变。

【关键词】生成式人工智能; 人机协作知识建构; 问题解决; 认知网络分析; 滞后序列分析

一、

引言

自人类文明诞生之日起，技术向人类提供了理解问题的逻辑框架，成为人类确证“存在”的一部分。随着技术的智能性增强，以ChatGPT为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类全部知识，表现出不弱于人类的问题解决能力（季瑜 等, 2024）。个体通过高质量的人机交互获取知识并应用知识解决复杂问题。知识建构被视为社会性、互动性的过程，属于发生在“我—他”间的交互。GenAI能力的泛化使知识的社会性建构逐渐从“人—人”向“人—机”转变，呈现出高度动态性、复杂性和生成性（Wu et al., 2024）。然而，学习者在与GenAI的交互中可能出现观点零散、逻辑跳跃和认知割裂等现象，导致问题解决过程缺乏清晰的结构和方向。这种“混沌状态”不仅增加了学习者的认知负荷，也削弱了人机协作在知识建构中的有效性（Li et al., 2024）。语言互动的质量——以提问、解释和反馈为标志——显著地影响了认知加工和协作结果（吴秀圆 & 郑旭东, 2017）。混沌而零散的信息如何在“人机社群”中通过问答交互转化为有序、系统的认知结构？这一问题仍有待深入探讨。作为一个心理过程，知识构建并不能被直接观察到，但通过话语分析可以表征群体知识建构活动。鉴于此，本研究尝试通过质性内容分析、认知网络分析和滞后序列分析，揭示人机协作知识建构的交互类型、认知发展与行为表征，从“人”“技”视角寻求适宜的教学策略促进人机群智涌现。

二、

文献综述

（一）面向问题解决的知识建构

人类历史上具有里程碑意义的创新主要源于群体协作（陈丽 & 徐亚倩, 2023）。个体认知激活是协作问题解决的基础。学习者通过提取先验知识参与对话，重构知识的组织模式，这将直接影响群体认知资源的丰富度（Chen et al., 2021）。同时，社会性协商构成了协作问题解决的核心动力。Stahl（2000）强调，社会交互过程中异质性观点的涌入、批判性问题的改进以及论证链的逻辑性等将显著促进概念系统的结构性转变。此外，群体智慧的生成标志着认知层级的跃迁。个体基于“认知脚手架”，通过元认知对话引导异质性观点的创造性整合（Cress & Kimmerle, 2023）。然而，传统知识建构中易出现以下问题（季瑜 等, 2024; 魏非 等, 2025）：一是缺乏异质观点，难以触发认知冲突与协商；二是知识碎片化，缺乏深度整合与概念重构；三是监控机制薄弱，难以动态调适认知策略；四是工作记忆超载，抑制高阶思维发展。

GenAI在教育领域的应用为知识建构提供了新的范式。人机问答式交互的本质是一种知识社会性建构。GenAI通过持续的人机双向反馈解析复杂语境并输出个性化知识，利用语义差异化的观点激活学习者的认知网络（Li et al., 2025）。它既可模拟专家或导师提供最近发展区内的认知支架，也可模拟学伴生成多样化问题变体（Dwivedi et al., 2023）。当前，GenAI正在催生“辅助创造力”新范式，通过拓展创意可能性空间重构人机共创的逻辑。已有研究证实GenAI通过提供实时查询、产生新想法和促进合作等增强学生创造力（Ji et al., 2025）。然而，人机协作过程中依然需要警惕学生的“元认知懒惰”现象，即技术主导的知识建构可能导致认知依赖（季瑜 等, 2025）。因此，有必要提升学生的AI素养，引导学生反思社会协作过程，促进思维的高阶转向。

（二）认知网络分析和滞后序列分析在知识建构中的应用

认知网络分析（Epistemic Network Analysis，ENA）通过建模认知要素间动态关联网络，揭示群体认知演化规律与复杂特征（Shaffer et al., 2016）。有研究提出“认知—调节”知识建构模型，发现批判性反馈对认知网络重构具有催化作用（Damşa et al., 2010）。还有研究提出信息共享、观点协商、调节活动、积极沟通四维编码框架，发现高、低水平群体在信息共享与观点协商维度差异显著（Zhang et al., 2022）。随着研究视角转向人机协作知识建构，有研究构建人机对话认知网络模型（如观点构建、聚焦、挑战等九类），发现智能代理的即时反馈可以促进学习者的认知重构（Chu et al., 2025）。还有研究聚焦学生向ChatGPT提出的问题，发现ChatGPT在问题解决过程中承担知识供给的作用（季瑜 等, 2024）。可以发现，在协作知识建构过程中，群体认知网络随着认知冲突的激化逐步转向分布式网状形态，但现有研究缺少对人机交互过程中知识与思维的动态映射进行细粒度的刻画。

滞后序列分析（Lag Sequential Analysis，LSA）旨在通过识别行为序列的时序关系来刻画知识建构的动态过程，但这一方法的前提是具备可操作的行为编码框架。Gunawardena等（1997）提出的交互分析模型（Interaction Analysis Model， IAM）包括信息共享与比较、矛盾探索、意义协商、综合修正与应用陈述。这一经典模型成为后续研究的重要参照框架。譬如，有研究基于IAM增加了知识建构的无关行为（Sun et al., 2021），更加贴近真实交互场景。还有研究将知识建构行为细化为提问、澄清、阐释、冲突等，经LSA发现学生通过澄清与阐释完成知识内化，且反思性独白多于对话互动（Pena-Shaff & Nicholls, 2004）。郝祥军等（2019）基于IAM分析混合式学习场景中的知识建构行为，发现问题支架能有效引导知识建构的方向。此外，还有学者基于增强现实环境提出由问题空间、概念空间及二者关系构建的模型，验证了增强现实可促进学生的知识建构（Lin et al., 2013）。上述编码框架的应用已从传统课堂拓展至混合式学习和增强现实环境，体现出“行为阶段化—认知外显化—分析精细化”的演进逻辑。但这些框架多聚焦于“人—人”互动，尚未揭示人机协作知识建构的行为表征规律。

综上，当前研究呈现以下特征：1）分析框架从静态维度划分转向动态过程建模，但忽略了不同要素间的联系；2）研究视角从人际协作拓展至人机协同，但缺少适用性的编码框架；3）缺少从主体间性意义生成角度考察群体互动行为轨迹。认知发展是行为表征的内在基础，行为表征是认知发展的外在体现（张立国 等, 2017）。ENA与LSA在方法论层面具有互补性——前者刻画认知结构的演变，后者揭示行为序列的互动节奏。本研究将基于“认知—行为”视角解决以下问题：1）如何构建面向问题解决的人机协作知识建构模型？2）人机协作知识建构过程中有哪些交互类型？3）人机协作知识建构过程中知识与思维具有何种关联？4）在“知识—思维”认知结构的驱动下，人机协作知识建构行为如何表征？

三、

研究设计

（一）研究被试

教学实验共8周，有21位不同专业的大二学生（2男，19女）参与，并划分为4个小组。研究者在各小组的微信群中通过设置编程应用接口（Application Program Interface，API）接入ChatGPT，要求各小组通过人机对话辅助产品的设计与开发。预调查发现，研究被试对ChatGPT、DeepSeek等的使用技巧依旧欠缺，表现为不会使用Prompt指令、一问一答即对话结束等。助教在实验前阐释了GenAI工具应用场景、使用方法及伦理责任等，并要求各小组成员练习与ChatGPT对话以加强学习效果。

（二）学习活动与任务设计

技术与人的互动不是机械的，而是通过人的选择、参与和反馈，形成一种动态的共生关系。ChatGPT通过语言、文字、符号等延伸和拓展人类认知，而人类则通过具身经验实现知识熵的创造性增值。鉴于知识建构具有复杂性、生成性与动态性等特征，本研究基于珠串模型（詹泽慧 等, 2023）和“HMC-PISC”模型（季瑜 等, 2024），提出人机协作知识建构模型（Human-Machine Collaborative Knowledge Construction Model，HMCKCM），如图1所示。发散与收敛思维的交替运用可以激发群体的创造性潜能；人机通过可解释性交互重构问题空间，实现认知对齐；学生的认知活动呈现“知识→思维→应用”的动态递进式演化，由初始的混沌探索逐步走向有序的理解。

图1 人机协作知识建构模型

1. 问题识别与建构

学生在小组内公开个人理解以促进群体想法流转，借助情境化经验感知并理解现象，从而锚定痛点与难点问题。ChatGPT则通过提供相关信息与概念线索，将学生感知中的模糊现象转化为结构化问题描述，为后续概念制品的创建确定可能的方向。

2. 想法生成与重构

学生通过挖掘问题本质逐步提出支持性观点，并在多轮“提问—生成—筛选”的循环中对观点可行性进行论证，而后将不同范畴的观点加以联结与整合。ChatGPT在此过程中不仅对学生凝练的观点进行批判性审查，还通过理答交互提供多维度的知识补充与反馈，从而强化论证的深度与广度。

3. 想法评估与选择

学生基于前期涌现的多元观点，提出多个潜在的问题解决方案。小组通过群体协商与对话逐步收敛思维，确保问题解决方案的趋同性。ChatGPT通过多模态评估矩阵对方案进行评估，在群体风险识别与价值判断的基础上确定最终方案，各小组据此进一步细化和分解任务。

4. 创意物化与推广

学生使用3D one、Lasermaker等工具构建产品原型。ChatGPT通过提供实时反馈、资源推荐及设计优化建议，辅助学生提升原型制作的效率与质量。学生随后根据用户反馈进行多轮迭代，并利用Midjourney、Runway等GenAI工具生成配图、演示视频等，实现产品原型的多维度、多感官呈现与推广。

（三）编码框架与编码过程

1. “知识—思维”认知编码框架

思维的缘由是遇到了某种困惑或怀疑（郅庭瑾, 2007）。思维是以知识、经验为基础的对客观事物的间接反应（朱智贤 & 林崇德, 1986, p.12），它源于问题，并因问题而得到持续不断的发展。从问题与知识的映射关系来看，事实性问题→事实性知识，概念性问题→概念性知识，程序性问题→程序性知识，元认知问题→元认知知识（季瑜 等, 2024）。学生通过“问”获取知识，而“问”本身可以反映学生当前思维水平的变化（詹泽慧 等, 2024）。SOLO分类理论可以将思维能力运用映射为建构性问题解决过程，个体的思维发展水平表现为前—零散结构、单点—横向结构、多点—交叉结构、关联—多向结构以及抽象拓展—综合结构五个层次水平（詹泽慧 等, 2023）。基于此，本研究构建“知识—思维”动态关联的认知编码框架（如表1所示），以表征人机协作知识建构的认知效能。

表1 “知识—思维”认知编码框架

2. 人机协作知识构建行为编码

知识碎片的叠加并不必然引发系统性涌现效应。在人机社群中各主体间形成高度依赖的互构关系，直接作用于知识建构的行为取向。本研究基于IAM（Gunawardena et al., 1997）和问题解决行为模型（Tan et al., 2018），构建面向问题解决的人机协作知识建构行为编码表（如表2所示）。

表2 人机协作知识构建行为编码表

表2中，认知行为承载着知识加工的核心功能，通过认知负载分配的方式促进知识的流转与构建；社会行为通过人机交互重塑群体协作模式，优化成员互动质量，实现群体任务分配；元认知行为是指人机协同实现对认知活动的监控、调整与优化，确保知识建构的方向与节奏。

（四）数据采集与数据分析

本研究依据“人—人”以及“人—机”两种交互方式，共收集3,138条问答数据、文本，167,809字。为确保编码框架的信度，两份编码框架的核心维度均源于前期已有的成熟框架，结合研究情境进行适当调整。而后，本研究邀请5位教育技术领域的专家对编码框架与具体条目进行严格审查，以确保编码框架的内容效度和结构稳定性。

两名具有相似经验的研究人员依据编码框架对随机抽取的30%的问答数据进行独立编码。比对两份编码的结果显示：在“知识—思维”认知编码框架下，Cohen’s Kappa值为0.95，表明编码员间一致性极高，为后续认知网络分析（ENA）奠定坚实基础；在人机协作知识建构行为编码框架下，Cohen’s Kappa值为0.82，显示该编码体系具有较高一致性，可为后续滞后序列分析（LSA）提供可靠支持。对于编码中不一致之处，两位研究人员经讨论协商后最终达成一致。

实验后，本研究邀请三位专家从新颖性、原创性和流畅性三个维度对概念制品（教具）所反映的团队创造力评分。独立样本t检验显示，第一、二组和第三、四组在产品评分上的差异具有统计学意义（p＜0.05），故研究者将其分别归为高水平组（HG）和低水平组（LG）。而后，本研究分别将认知编码数据和行为编码数据导入ENA-web和GSEQ 5.1，解析“知识—思维”结构的演化关系和人机协作知识建构行为的特征。

四、

研究结果

（一）人机问答式交互类型

观点持续而充分的交互是群体知识涌现的前提，当学生清晰地表达与问题解决相关的知识时，将会产生更大范围的迁移和联结（胡金艳 等, 2024）。本研究基于微信群人机对话记录，采用质性内容分析方法识别人机问答式交互类型。首先，将对话拆分为“问题—回应”轮次单元，而后对每条记录进行初步开放式编码，标注其功能与特点。随后，研究者通过归纳和比较，将具有相似功能和交互模式的编码合并，演绎出六种典型人机问答式交互类型（如图2所示）。其中，单轮问答型与多轮追问型强调学生与ChatGPT的一对一交互，单点辐射型、并列交叉型、散点聚合型、接力问答型强调多个学习者与ChatGPT非线性、多层次的交互。表3展示了每一交互类型下知识与思维的具体数量。

图2 人机问答式交互类型

注：浅灰色圆表示对话发起者，深灰色圆表示信息接收者，黑色方块表示ChatGPT。

表3 不同交互类型下知识与思维的数量

单轮问答型如图2（a）所示。学习者为解决一个特定的知识需求或疑问，与ChatGPT或小组成员进行一次性、直接性的交互。学生通过信息检索刺激先前知识经验，并借助ChatGPT的反馈验证某些观点，知识类型以Fa与Co居多，问题反映出学生的思维处于Pt和Un。

多轮追问型如图2（b）所示。学习者与ChatGPT进行多阶段、递进式的对话，通过不断扩展和深化初始问题，逐步实现对复杂问题的全面理解。问题一般源自个体对初始概念的理解，并随着对话的递进转向“怎么做”及“如何做得更好”。因此，各类知识要素均有涉及，思维水平逐渐转向Mu、Re和Ex。

单点辐射型如图2（c）所示。这是由一名学习者发起、多名学习者在同一时空围绕核心问题与ChatGPT进行多角度、多层次的知识问答，实现观点的一致性理解与构造。此交互类型涉及不同的知识元素，思维水平也呈现均衡发展。

并列交叉型如图2（d）所示。多个独立学习者围绕不同的问题在同一时间与ChatGPT交互，不同问题间逐渐显现出内在联系，实现问题的趋同。尽管知识类型以Fa与Co为主，但是思维处于高阶水平（如Mu、Re和Ex），表明问题具有一定的深度和广度。

散点聚合型如图2（e）所示。多名学习者通过头脑风暴确定几个关键问题后，由一名代表与ChatGPT进行多轮对话，其他学习者作为观察者参与整个过程，负责筛选和整理可利用的创意点。知识类型以Co、Pr和Me为主，思维水平也均有体现。

接力问答型如图2（f）所示。小组内部按照预定的顺序（如学号、座位号等），由下一位同学基于上一位同学与ChatGPT的互动，接力问答、发散观点。这可以有效减少学生搭便车的存在，并平衡群体成员之间的协作水平。知识以Fa和Me为主，思维处于Pt和Un。

（二）认知发展

本研究将高、低水平组的问答式交互数据分别导入ENA-web，发现两组的认知结构存在显著性差异（p＜0.05），适宜通过ENA探究知识与思维的关系。

1. 高、低水平组“知识—思维”认知网络特征

表4展示了HG与LG的认知网络结构及其叠减图。从整体布局来看，知识节点聚合于x轴上方，而思维节点则分散在x轴下方。两组的认知网络结构显示，Co节点作为网络联通的桥梁，串联各类知识与思维，构成多个嵌套的三角形。这表明学生通过与ChatGPT对话不断修正群体思维，形成了以概念理解为中心的问题加工方式，建构起具有逻辑性和层次感的知识结构。

表4 高、低水平组“知识—思维”认知网络结构

从认知网络结构图中的节点大小及其连线来看，HG与LG具有相似的形状结构，其共性点有三。其一，在知识节点方面，Fa和Co的节点规模最大，表明这两类知识是问题解决的基础。Fa使学生的前经验与现结构在意会交互中结合，Co帮助学生构建起对事物的直观理解和认知。其二，在思维节点方面，Re、Mu与Un的节点规模最大，其中Re反映出学生通过问答实现不同知识点间的深层联系，Un和Mu则反映出学生通过有限的经验理解复杂问题，并通过甄别筛选信息将孤立的知识点纵向连接起来。其三，在连线结构上，“问”所反映出的五类思维水平与四类知识均有连线，说明人机问答式交互有助于小组获取不同类别的知识并促进思维由低向高的循序转化。其差异点亦有三。其一，在知识节点方面，Pr的节点规模表现为HG＞LG，而Me的节点规模则为HG＜LG。这表明HG聚焦于与机器交互获取Pr，从而熟练地运用流程、方法等解决问题，而LG更加关注Me，试图通过持续反思以优化协作问题解决的路径。其二，在思维节点方面，HG的五类思维水平上的节点规模均显著大于LG，表明HG能够提出“好问题”，以确保机器输出信息的精确性和匹配度。其三，在连线结构上，Ex与其他知识与思维节点的连线在HG中更加复杂和紧密，反映出学生通过高度抽象和演绎归纳的方法，构建出更加复杂和全面的认知体系。此外，认知叠减图也反映出，LG居y轴左侧，构成Co、Me和Re连接的三角形，HG居y轴右侧，节点间连线丰富且多样，表明LG在处理具体任务和构建连贯知识结构方面较为困难。

2. 高、低水平组“知识—思维”四阶段的认知网络特征

本研究以人机协作知识建构的四个阶段为分析单元，绘制HG与LG的认知网络结构及其叠减图（如表5所示）。按照知识建构历时性来看，HG与LG从阶段1到3的认知网络结构的复杂程度和连接强度逐渐增加，Co和Fa逐渐减小，Pr和Me逐渐增大，Mu、Re与Ex逐渐增大，而Pt和Un却逐渐变小。这表明“问”所反映的思维水平由具体到抽象，且ChatGPT呈现给学生的知识容量及其抽象程度也在递增。有趣的是，HG与LG在阶段4的认知结构呈现断崖式简化，节点间的连线和交互度显著下降。

表5 高、低水平组“知识—思维”四阶段的认知网络结构

在阶段1，HG与LG的知识节点以Fa和Co为主，表明学生依赖与ChatGPT交互获取具体事实和概念去解析复杂的现象，这是构建高级认知结构的基础。Pt和Un较为突出，反映学生面对复杂问题处于混沌状态，对于知识的运用并不成熟。HG倾向通过多轮追问去激活先验知识，在ChatGPT的引导下明确自己要做什么，故“问”所反映的思维节点Pt比LG的更大。而LG的知识节点Fa和Pr比HG的更小，表明学生还未找准问题的痛点和难点。

在阶段2，HG与LG的知识节点大小均是Co＞Fa＞Pr＞Me，其中Co和Fa依旧占据核心地位，思维节点以Un、Mu和Re最大，但Un和Pt相较于阶段1逐渐变小，而Re明显变大。这表明两组学生不断尝试将多个知识点纵向关联，思维水平逐渐复杂和抽象。他们从混沌的认知结构中逐步厘清层次、梳理脉络，实现对问题本质的多角度理解。HG的Mu明显变大，Fa、Co与Mu的连线，以及Un与Mu的连线增粗，说明学生开始批判性地看待不同要素之间与背后的关联和逻辑关系。有趣的是，LG的Mu变小，Fa和Pr变大，这表明LG的学生依旧在激活先验知识结构，具有一定的滞后性。

在阶段3，HG与LG的知识节点仍以Co为主，Fa相较于前一阶段减小，而Pr和Me则变大。这一变化表明，学生更侧重于对自身认知过程的反思与理解，并更加关注“如何做得更好”。思维节点Un、Mu和Re依旧最大并占据核心位置，Ex相较于上一阶段显著增大并与多个知识和思维节点相关联。这说明学生通过反向操作和反馈机制，在多个知识点之间建立了深层联系，逐步建构起较为有序的认知结构。HG的每一类知识与四类思维（除Pt）均有复杂且密切的连线，且连线更粗；而LG以Co为中心发散连接于Re、Mu和Un，这表明问题的深度和广度不足，无法引导ChatGPT供给更多类型的知识。

在阶段4，HG与LG的知识节点依旧是以Co和Fa为主，但知识与思维节点间的关联明显减弱。这种减弱并不意味着学生的问题解决受到阻碍，反而说明学生的认知结构已由初期的混沌状态转化为稳定的形态。此时，学生将更多注意力集中在原型产品的制作上，从而减少了与ChatGPT的交互频率。在HG中，Co和Fa节点增大，Me节点减小，说明学生已形成稳定的知识结构；Pt相较上一阶段增大，表明学生通过单轮问答型对话实现对某些观点和信息的验证。值得注意的是，LG的Co与Un之间呈现一字型，且线条极粗，这表明学生的问题较单一，依旧陷于同义反复，仅聚焦概念的理解。

（三）行为表征

本研究通过LSA评估高、低水平组在人机协作知识建构过程中的行为表征。若行为之间转换的调整残差超过1.96，则可认为是显著的（Wang et al., 2020）。图3（a）和图3（b）展示了各组的行为转换序列图，内层为元认知行为，中层为社会行为，外层为认知行为。HG与LG具有相同的行为转换序列。QPG→PCE，PCE→QPG，表明问答行为是人机协作知识建构的基础。ESM→ESM，表明人机协作知识建构具有社会属性，群体成员与机器之间通过情感支持与激励维持团队的运行。MSR→PGS（CTA），表明小组在监督与自我调节后，会重新设定计划与目标，以及通过消解群体分歧或冲突达成目标一致性。

图3 知识建构行为转换序列

HG显著的行为序列具有以下特征。一是三个圈层行为之间动态跃迁，如(ISU)→QPG→PCE→QPG→CEI→ISU→(CTA)→(MSR)→(CTA)→PGS→DCR（括号内的行为可省略）等多个层级行为序列。这表明学生通过构建认知行为会迈向社会行为与元认知行为，因为社会性交互与元认知调控能促进问题的表征与解决。二是认知行为由低到高转化（ISU→QPG→PCE→KIC；QPG→PCE→QPG →CEI→ISU→QPG→KIC），其中CEI与KIC为高阶认知行为，发生频率较高，表明学生通过多轮对话建立起知识间的跨范畴联结。LG显著的行为序列中：KIC→KIC，结合聊天记录发现KIC主要发生在“人—人”之间，表现出对ChatGPT的不信任；KIC（ESM）→ESM，表明高阶知识建构行为的发生更需要情感支持与激励；CTA→CTA，学生反复明确自身的任务以确保顺利推进，但这种做法反而会降低团队稳定性；DCR→DCR，解决群体认知冲突成为LG的主要任务；CEI→MSR→PGS，人机协同改进方案后需要再次确定问题解决的进度并调整问题解决的方式，进而重新设定任务与目标；DCR→PGS→MSR→CTA，表明LG更倾向于重新定位目标和规划，通过自我监督与调控确保进度，并实现冲突的消解以及任务的再次分配；QPG→PCE→RCI，学生在人机问答式交互后会对机器呈现的信息或方案进行批判性反思与改进。

五、

研究讨论与建议

（一）研究讨论

1. 人机协作知识建构模型的反思

结合教学实践与数据分析结果，本研究对人机协作知识建构模型进行了反思和细化。在问题识别与建构阶段，若学生的理解停留于直觉性陈述，则难以形成群体信息共享。教师应通过大量的案例与支架引导学生对于事实性知识和概念性知识的理解，并强调问题本质的界定需依靠小组协商而非机器输出。在想法生成与重构阶段，观点的多样性和冲突是知识深化的前提。然而，ChatGPT的输出基于概率生成，可能导致冗余与趋同，故观点的涌现依赖于群体成员在同一时空通过单点辐射型、并列交叉型、散点聚合型等交互方式对既有观点反复进行论证。在想法评估与选择阶段，ChatGPT能基于知识库提供方案的合理性诊断，但其评估缺乏创造性与批判性。因此，方案的优化需要依赖学生的多渠道验证与协商，同时阶段性汇报与外部反馈对于防止“边缘性参与”具有重要价值。在创意物化与推广阶段，学生的知识体系逐步成形，其对ChatGPT的依赖性显著下降，重心转向“如何做出来”和“如何做得更好”。此时教师与助教的反馈对产品迭代至关重要，而真正的创新仍需人类的判断。考虑到不同专业学生在原型开发与推广上的时间与资源限制，实践中应适当延长开发周期，以平衡产品质量与协作效率。

2. 人机问答式交互类型是群体知识建构的基础

联通主义强调，“管道”比“管道”中的内容更重要（Siemens, 2005; 田浩 等, 2020）。当学生通过问答式交互获取构造之物（即知识），便会借助“管道”将构造物进行推演、联系与抽象化。在问答式交互过程中，学生构造知识存在两种取向。一种是机器的观点至上，学生遵从ChatGPT对于问题的理解与分析，但这类知识对于学生而言是外在的，体现在单轮问答型和接力问答型，以获取Fa、Co、Pr为主，思维水平较低；另一种是批判性地看待机器的观点，学生对于ChatGPT提供的基于概率组合的知识表现出不信任或质疑，此时个体会结束对话寻求其他途径获取Pr和Me，或者通过多轮对话（如多轮追问型、并列交叉型等）实现知识的批判性理解。需要强调的是，这六种交互类型均涉及Fa和Co，这些知识有助于激活学生先前的知识与经验。

在混沌初期，学生通过事实性问题和概念性问题建立起对事物的认识，但问题的表述往往零散、跳跃，通过与ChatGPT交互逐步转化为结构化的问题描述（季瑜 等, 2024）。多轮问答的起始问题一般是事实性问题或概念性问题，由此不断发散和联系，聚焦怎么做以及如何做得更好。另外，问答式交互类型表现最为突出的是多轮追问型，这种持续性的单人单机交互表现出更高的传递性，个人的思维水平随着问答式交互的过程而不断延展和深化。而多人单机的持续交互以单点辐射型、并列交叉型、散点聚合型为主，这些交互类型同样具有较高的传递性，使想法和观点在人机社群中快速发散和收敛，但这对个人时间与空间的要求较高。传递性高的网络结构更容易实现知识的快速传递，且能提高人机社交网络的凝聚性（徐亚倩 & 陈丽, 2024）。

3. “知识—思维”可以表征问题解决的有效性

从人机协作知识建构的阶段来看，小组成员在阶段1获取的知识点和思维路径呈现零散分布、缺乏体系化特征（混沌）；而由阶段2到阶段3，学生通过多轮人机对话不断实现观点联结与整合，其认知结构逐渐走向有序，表现为知识与思维间的连线愈发紧密和粗壮；进入阶段4后，知识与思维节点间的复杂连接断层。这一现象并不意味着学生的认知受阻，而是表明其在前期已形成较为系统化的知识结构，此时人机对话更多用于回忆遗忘的知识或验证不确定的信息。与预期不同的是，随着问题解决进程的推进，本应显著减小的Fa与Co节点依然占据主导，而Pr和Me节点的增幅有限。ChatGPT为了降低响应的容错率，会“沿着主流轨道”给出中规中矩的答案（Alrishan, 2023）。虽然“问”反映出较高的思维水平，但ChatGPT的回应依旧聚焦于Fa与Co。值得注意的是，当ChatGPT作为“认知扰动者”提出反常识观点时，群体认知网络会出现新的次级聚类，节点间的关联度与强度可能被重构。

HG与LG在整体上均遵循了由基础知识积累逐步向高阶认知结构演进的共同轨迹，但两者在速度与质量上表现出明显差异。首先，在速度方面，HG在每个阶段的问答节奏更快，其交互类型以多轮问答型、散点聚合型、并列交叉型为主。学生能够借助Prompt提出高质量问题，且提出的问题能够与当前问题解决的实际需求相匹配，充分发挥机器的供给者作用。相较之下，LG的问答交互类型有限，且较少通过“问”来获取有效的信息，机器的供给作用被忽视。这一差异可能源于学生对于ChatGPT的信任不足，以及ChatGPT在回答中过度聚焦于以Fa和Co为主，削弱了学生探究的动机。其次，在质量方面，HG通过有效的问答式交互不断获取并巩固Co与Fa，确保群体具备坚实的知识基础，并在各阶段均能调动Pr与Me，实现知识的灵活运用与问题解决。相反，LG由于团队凝聚力对机器不信任，提出的问题质量不高，经常陷入同义反复，难以正确表征和解决问题。一小组虽尝试通过接力问答型交互来防止“搭便车”现象，并确保组员在同一时空内参与人机互动，但整体成效仍有限。

4. “知识—思维”的螺旋驱动诱发知识建构行为

两组认知行为以QPG与PCE间的转换为主，意味着快节奏的问答式交互可以加速信息传递的频率，通过问的量变引起知识建构的质变。这与已有研究一致，即高频行为CEI、KIC有助于学生调用细粒度的认知加工，实现有效的协作知识建构（Zhao et al., 2024）。具体而言，HG展现出更积极的认知行为链条（如ISU→QPG→PCE→CEI→KIC），并伴随“探索性行为序列”（如连续发散提问），表现出低阶认知行为向高阶行为的跃迁。学生通过人机交互将新旧知识关联起来，实现概念的阐述、澄清、理解（Zhao et al., 2024）。相较之下，LG的CEI、KIC行为是人类群体的自我建构，这依赖于群体成员之间的鼓励（ESM），表现出对机器回应的有限信任。值得注意的是，LG的ISU行为转换频率显著低于HG。既有研究表明，较低的信息共享频率容易导致群体任务表现失败（Heo et al., 2010），而本研究结果也印证了这一点：若缺乏有效的信息共享，群体成员难以对机器供给的异质性观点进行批判性思考，反而容易陷入对既有观点的重复论证。

早期的人机协作行为呈现出碎片化与随意性的特征（混沌），但随着协作推进，学生的知识建构行为由认知行为频繁跃迁至社会行为和元认知行为，显现出“知识共建—社会交互—共享调节”的有序模式。这与已有研究结论一致，即社会行为与元认知行为可以在协作问题解决过程中显著促进学生的成功（Lodewyk et al., 2009），具体表现为ESM、PGS、MSR、CTA与DCR间的动态关联。在任务分配与目标设定过程中，小组成员不可避免地产生分歧，而积极的社会交互有助于维系观点的秩序流通。同时，元认知行为在问题解决过程中发挥调节作用，通过目标设定、策略调整及反思改进等确保协作问题解决的方向、进度与质量。有趣的是，HG的认知行为、社会行为与元认知行为间的联系与转化更加紧密，学生在寻求信息或帮助时，组员（机器）会主动共享信息，相互帮助、相互鼓励。反观LG，三类行为间的“断联”导致知识建构一直处于较低水平，这可能是概念制品的新颖性与原创性较低的主要原因。

（二）研究建议

1. 从个体人到社会人：人机协作关系的确定与调整

人机协作可以促生知识的涌现，但富有创造力的“灵感迸发”并非机器所擅长，真正具有原创性、独特性的见解依然需要人类去发掘与判断。第一，在不同人机问答式交互类型下挖掘认知与行为特征，需要依托更大规模的数据与更长周期的实验支持。在教学中持续关注人机问答式交互类型，可以确保学生在协作知识建构的不同阶段，以恰当的交互方式获得高质量信息。第二，平等和分布式的协作关系以及最小的等级控制可以鼓励学生积极参与人机协作知识建构（Zhang et al., 2009）。未来可聚焦人机角色分工，以及机器在群体协作中如何引发人类认知、心理、情感等的变化。第三，人类群体与机器的社会交互必然会产生分歧或冲突，可开发基于角色轮转的对话协议提升群体协商的有效性。例如设定“机器主持人”角色动态分配发言权，强制触发边缘成员的ESM行为以维持网络凝聚力。第四，在混合式学习场景中，时空的错位可能会引发学生的元认知行为失调，因此，有必要开发群体感知工具或元认知支持工具，促进群体智能迈向更高级、更有序的认知序列。

2. 从一般性到精确性：机器赋能知识建构的有效性

机器的智能性愈高，对问题解决不同阶段的支持性愈强。“问”所反映出的思维水平与“答”所呈现的知识元素（如Fa、Co）并不匹配，这制约了问题解决的有效性。因此，针对具体的学科或课程，应接入专家知识库，通过“投喂”高质量的数据，增强信息回应的有效性。并且，采用层次分析法构建四维评估矩阵（事实性/概念性/程序性/元认知知识），通过分析对话序列中的语义框架（如疑问词类型、修饰语复杂度）实时调整输出权重。例如，当检测到“如何优化……”类问题时，自动提升Pr的生成概率。此外，机器生成的信息中可能包含“扰动性观点”，这类观点易导致群体认知失衡。为降低机器带来的“认知扰动”，可考虑开发双通道生成模型：主通道保持常规逻辑推理的稳定性，辅通道则按照预设比例输出异质性观点。

考虑到“问”的思维水平与“答”的知识元素的关联性，可通过长短期记忆网络分析对话序列中的概念密度、思维动词频次等指标，实时监测学习者所处的认知阶段，动态调整机器回应策略。同时，为防止机器过度主导知识建构，尝试通过计算学生群体在对话中的原创性贡献率（如新概念提出频次）来降低依赖性，当贡献率低于阈值时，自动切换至苏格拉底式提问模式，强制触发深层思考。由于人机协作知识建构三类行为之间的动态跃迁可以促进高水平的知识建构，可以开发包含机器情感支持的共享调节训练系统，通过多模态数据实时检测群体认知失衡风险以及边缘学习者，及时触发机器的调节行为。

六、

总结

本研究发现，机器的加入能增强网络节点的多样性，其通过制造创造性混沌使群体认知迈向更高级的有序结构。本研究的核心贡献有四。其一，HMCKCM的核心要点并不在于繁复的操作步骤，而在于把握以下四个核心要点：一是从信息混沌到问题聚焦的有效转化；二是通过人机优势互补实现观点涌现与优化；三是在多元评估中平衡机器与人类的创新判断；四是在产品物化阶段突出教师与学生的主体性。其二，人机问答式交互类型包括单轮问答型等六种，随着GenAI性能的拓展及其应用场景的深化，未来还会出现更多的交互类型，深刻把握每一种交互类型的特征和形式有助于提升知识建构的有效性。其三，本研究开发的“知识—思维”认知网络编码表可以表征知识构建的效能，“问”所反映的思维水平与“答”所呈现的知识元素密切关联，但并不完全匹配。其四，本研究构建的人机协作知识构建行为编码表，可用于观察“知识—思维”认知结构如何驱动人机协作知识构建行为的序列变化，认知行为、社会行为以及元认知行为间的动态跃迁有助于群体知识建构。

当然，本研究提出的模型仅在“产品设计”情境下初步验证，尚未在跨场景或跨人群中检验迁移性，也缺乏与纯人协作模式的对比证据，这些都是未来研究需要解决的关键问题。

参考文献

陈丽, & 徐亚倩. （2023）. 联通主义的哲学观及其对教育变革的启示. 教育研究, 44（1）, 16-25.

郝祥军, 王帆, & 汪云华. （2019）. 问题支架促进在线知识交互的途径假设与验证. 中国远程教育（3）, 34-42, 92-93.

胡金艳, 杨霞, 高兴启, 满其峰, & 张义兵. （2024）. 知识建构社区中多主体模拟支持的观点涌现模型构建：复杂性科学的视角. 电化教育研究, 45（1）, 100-107.

季瑜, 杨雅, & 詹泽慧. （2024）. 人机共创的教学特征：认知发展与角色交互研究. 开放教育研究, 30（6）, 88-101.

季瑜, 钟明轩, 吕思妍, 李通德, & 詹泽慧. （2025）. 人机协同环境下自我调节学习能力测评量表的编制与应用. 现代教育技术, 35（9）, 35-45.

田浩, 陈丽, 黄洛颖, & 王瑞雪. （2020）. cMOOC学习者知识流动特征与交互水平关系研究. 中国远程教育（8）, 15-24, 76.

魏非, 杨可欣, & 祝智庭. （2025）. 协同探究智创：生成式人工智能时代的学习新模式. 开放教育研究, 31（2）, 14-23.

吴秀圆, & 郑旭东. （2017）. 会话分析：社会学视角下课堂协作学习的多层次探索. 电化教育研究, 38（10）, 93-99.

徐亚倩, & 陈丽. （2024）. 联通主义课程观：课程即生成式知识社区. 远程教育杂志, 42（5）, 43-52, 76.

詹泽慧, 季瑜, 梅虎, 李通德, & 李圆敏. （2023）. 打开创新人才培养的“黑箱”：创新性问题解决的过程模型与技术赋能. 现代远程教育研究, 35（5）, 75-85, 103.

詹泽慧, 钟煊妍, 邹萱萱, 陈利, & 高瑞翔. （2024）. 高考跨学科命题透视：特点、问题与改进建议——基于对2016—2023年210份全国卷的分析. 现代远程教育研究, 36（3）, 74-86.

张立国, 谢佳睿, & 王国华. （2017）. 基于问题解决的深度学习模型. 中国远程教育（8）, 27-33, 79.

郅庭瑾. （2007）. 为思维而教. 教育研究, 28（10）, 44-48.

朱智贤, & 林崇德. （1986）. 思维发展心理学. 北京师范大学出版社.

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.

Damşa, 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

作者简介

季瑜，华南师范大学教育信息技术学院博士研究生（广州 510631）。

杨雅，华南师范大学教育信息技术学院本科生（广州 510631）。

李文锋，华南师范大学教育信息技术学院硕士研究生（广州 510631）。

季顺鑫，华南师范大学教育信息技术学院博士研究生（广州 510631）。

詹泽慧，华南师范大学教育信息技术学院教授（通讯作者：zhanzehui@m.scnu.edu.cn 广州 510631）。

基金项目

国家自然科学基金2023年度面上项目“基于事理图谱的计算思维智能导训模型及可解释性研究”（项目编号：62277018）

责任编辑：郝丹

期刊简介

《中国远程教育》创刊于1981年，是教育部主管、国家开放大学主办的综合性教育理论学术期刊，是中文社会科学引文索引（CSSCI） 来源期刊、全国中文核心期刊、中国人文社会科学期刊AMI综合评价（A刊） 核心期刊、中国科学评价研究中心（RCCSE） 核心期刊、中国期刊方阵双效期刊、人大复印报刊资料重要转载来源期刊，面向国内外公开发行。

本刊关注重大教育理论与政策，推动科技赋能教育，反映国际学术前沿，聚焦本土教育改革，注重学术研究规范，提倡教育原创研究。

地址

北京市海淀区西四环中路45号

邮编

电话

010-68182514

电邮

zzs@ouchn.edu.cn

网址

cjde.ouchn.edu.cn

本文转自｜中国远程教育微刊

声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与我们联系，我们将及时更正、删除，谢谢。