劉清堂 曹天生 尹興翰 胡慶玲 李小娟

摘要：邊緣討論參與行為制約了在線協(xié)作會話的效能發(fā)揮，如何識別并矯正邊緣討論參與行為是當前亟需解決的問題。為此，文章依托教學系統(tǒng)設計理論、學習干預模型等，構建了面向邊緣討論參與行為的人機協(xié)同學習干預模型，包含識別、歸因、干預、評估四個模塊。隨后，文章進行了此模型的教學應用，并通過干預前后對比實驗驗證了模型的應用效果，結果表明：人機協(xié)同學習干預模型能有效矯正邊緣討論參與行為，模型中的歸因和干預模塊具有較高的接受度。面向邊緣討論參與行為的人機協(xié)同學習干預模型的設計與實踐，可以為在線協(xié)作會話中的干預研究、人機協(xié)同學習干預的理論探索、個性化學習服務等提供參考。

關鍵詞：邊緣討論參與行為；人機協(xié)同；學習干預；在線協(xié)作

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）05—0105—09 【DOI】10.3969/j.issn.1009-8097.2024.05.011

邊緣討論參與行為是指學習者在討論參與過程中出現(xiàn)的討論數(shù)量少或討論質量低的行為，這使在線協(xié)作會話中協(xié)作構建知識的機會減少，甚至會影響群體滿意度、降低群體凝聚力^[1]。目前，邊緣討論參與行為的識別多依賴教師經驗^[2]，較少進行機器自動識別，同時也少有針對性的干預機制。為此，本研究從人機協(xié)同的視角，設計以識別和矯正邊緣討論參與行為為目標導向的人機協(xié)同學習干預模型并進行教學應用，以驗證模型的應用效果，為提升在線協(xié)作會話的學習體驗和學習效果提供參考。

一 相關研究

1 邊緣討論參與行為

當前，討論參與的相關研究主要從討論數(shù)量和討論質量兩個維度開展^[3]：①討論數(shù)量方面的研究開展較早，主要采用發(fā)言條數(shù)或字數(shù)等。例如，Strauss等^[4]依據(jù)個體發(fā)言字數(shù)，來判斷小組成員是否平等地參與討論活動。從討論數(shù)量維度來衡量討論參與的方法雖然方便快捷，但難以挖掘深層次的語義信息。②討論質量方面的研究從語義角度出發(fā)，可分為句子級別和詞語級別。其中，句子級別側重基于分析框架對句子進行編碼分析，如Gunawardena等^[5]從社會知識建構的角度出發(fā)提出了交互分析模型（Interaction Analysis Model，IAM），包含分享、理解、協(xié)商、修改、應用五個層次。而詞語級別多采用自動化分析的方式，如吳林靜等^[6]借助文心分析軟件統(tǒng)計相關詞語的頻次，量化在線討論質量；劉清堂等^[7]從信息論的角度，基于關鍵詞/短語策略提出計算帖子信息量（即描述信息潛在可能流動價值的統(tǒng)計量）的方法，以此計算和預測在線討論質量?？偟膩碚f，討論數(shù)量、討論質量都能在一定程度上描述討論參與的情況，將兩者融合使用可以更全面地描述討論參與。

邊緣討論參與行為的識別多依據(jù)教師經驗，如王辭曉等^[8]基于協(xié)作會話數(shù)據(jù)，將部分學習者劃分為邊緣者。目前，研究者對邊緣討論參與行為也缺少定量的界定。Janssen等^[9]使用基尼系數(shù)來衡量小組是否存在不平等參與的現(xiàn)象，其基尼系數(shù)的計算方法為：對于一個組，將實際活動中每個組員偏離小組成員討論參與平均值的數(shù)值進行相加，然后將此總和除以該值的最大可能值?？紤]到基尼系數(shù)是用來衡量一個國家或地區(qū)居民收入差距的常用指標，故本研究采用基尼系數(shù)這一指標，參考上述基尼系數(shù)的計算方法，將邊緣討論參與行為定義為：一段時間內，當小組成員討論參與（討論數(shù)量或討論質量）的基尼系數(shù)≥0.4（即出現(xiàn)不平等參與現(xiàn)象）時，討論數(shù)量或討論質量處于各小組排序末尾27%的參與行為。其中，27%是劃分低績效組的常用比例。

2 人機協(xié)同學習干預

學習干預是指針對學習者在學習過程中出現(xiàn)的問題，依據(jù)學習者的學習狀態(tài)提供支持性服務^[10]。學習干預的實施主體通常為教師和機器，而單一的教師干預或機器干預往往無法應對復雜的教育問題。對此，武法提等^[11]從技術發(fā)展、實踐現(xiàn)狀、價值取向三個角度闡述了教師干預和機器干預的優(yōu)勢與不足，以此說明人機協(xié)同學習干預的必要性。人機協(xié)同學習干預是指在學習干預的過程中人類和機器相互協(xié)作，以實現(xiàn)共同的干預目標。

目前，針對人機協(xié)同學習干預的研究主要包括：①實踐環(huán)節(jié)上，武法提等^[12]提出了問題診斷、策略匹配、策略實施、效果驗證四個環(huán)節(jié)，并明確了教師與機器在各個環(huán)節(jié)的互補職能，如在問題診斷環(huán)節(jié)，當機器診斷結果的置信度低于教師預設的閾值時，由教師進行修正。②干預對象上，符雪姣等^[13]構建了包含班級整體教學干預、小組分層教學干預、個體特征教學干預三個層次的人機協(xié)同干預機制，闡述了教師和機器面對不同層次干預對象的職能區(qū)別。③干預范圍上，孫眾等^[14]根據(jù)使用理論，將課堂教學分析與改進的研究回路分為低干預區(qū)和高干預區(qū)。低干預區(qū)規(guī)則明確，其中的問題能被所匹配的策略解決，由機器干預；高干預區(qū)規(guī)則模糊，其中的問題不能被機器所匹配的策略解決，由教師干預。此外，有研究者進行了人機協(xié)同學習干預的實踐案例分析，如楊華利等^[15]將小學英語寫作作為學習干預的具體場景，指出教師干預在于定位知識薄弱點、精準講解知識點等，而機器干預在于提供知識補救練習、供給學習材料等。

綜上所述，已有研究多從宏觀的理論層面為人機協(xié)同學習干預提供了研究基礎，主要聚焦于教師和機器的分工協(xié)作問題，如機器適合邏輯性、重復性的工作，而教師靈活性、創(chuàng)造性地解決問題^[16]，這為本研究構建人機協(xié)同學習干預模型提供了重要參考。

二 人機協(xié)同學習干預模型的構建

1 理論基礎

教學系統(tǒng)設計理論是教育技術學的主要理論基礎，可指導人機協(xié)同學習干預模型的構建。一般而言，教學系統(tǒng)設計的環(huán)節(jié)主要包含鑒定（分析）、設計、選擇、實施、評價、修正等^[17]。以此為參考，本研究中的“鑒定”指甄別出具有邊緣討論參與行為的學習者，“設計”指設計干預框架，“選擇”指選擇干預策略，“實施”指實施干預，“評價”指檢驗干預效果，“修正”指動態(tài)修正模型。此外，學習干預模型包含通用理論模型和針對具體學習問題的具體模型：在通用理論模型方面，李彤彤等^[18]提出了學習干預循環(huán)結構模型，包含狀態(tài)識別、策略匹配、干預實施、成效分析四個環(huán)節(jié)；武法提等^[19]在精準學習干預模型中指出應明確問題的根本成因，針對原因對癥下藥，選擇更貼切的干預策略。而在具體模型方面，楊雪等^[20]提出了針對在線學習拖延的干預模型，包含問題歸因、個性化的干預策略等。

2 人機協(xié)同學習干預模型

依據(jù)教學系統(tǒng)設計理論，參考學習干預的通用理論模型和針對具體學習問題的具體模型，本研究認為構建人機協(xié)同學習干預模型時需重點解決以下問題：如何確定干預對象？依據(jù)什么干預？怎樣干預？如何檢驗并修正干預模型？針對這些問題，本研究設計了包含識別、歸因、干預、評估四個模塊的面向邊緣討論參與行為的人機協(xié)同學習干預模型。問題與模塊的對應關系如下：如何確定干預對象——邊緣討論參與行為的自動識別；依據(jù)什么干預——歸因對話；怎樣干預——人機協(xié)同學習干預引擎；如何檢驗并修正干預模型——人機協(xié)同學習干預效果評估，具體如圖1所示。

（1）邊緣討論參與行為的自動識別

識別邊緣討論參與行為是干預模型的第一步。機器自動采集會話數(shù)據(jù)后，機器分別計算小組成員討論數(shù)量的基尼系數(shù)和討論質量的基尼系數(shù)，若存在一種系數(shù)≥0.4，則認為小組出現(xiàn)了不平等參與現(xiàn)象。之后，機器篩選此小組中在討論數(shù)量或討論質量上排名為后27%的學習者，若學習者存在其中一種情況，就認為此學習者存在邊緣討論參與行為——若不存在邊緣討論參與行為，則此學習者進入下一次數(shù)據(jù)采集。其中，討論數(shù)量指學習者的發(fā)言字數(shù)，而討論質量指學習者發(fā)言所包含的信息量。信息量的計算主要分為兩步：第一步，將小組成員的發(fā)言記錄進行分詞處理，并過濾掉無關字符，如“的、了”等，隨后統(tǒng)計詞的頻數(shù)。第二步，按照公式（1）計算IQ（S_n），即S_n學習者的信息量。其中，TF_D表示小組詞典D中所有關鍵詞/短語出現(xiàn)的頻數(shù)之和，tf_kwi表示S_n學習者發(fā)言記錄中第i個關鍵詞/短語出現(xiàn)的頻數(shù)。

公式（1）

（2）歸因對話

要想矯正邊緣討論參與行為，就需要厘清發(fā)生原因。不同學習者出現(xiàn)同一學習問題的原因具有多樣性、相似性、開放性和涌現(xiàn)性，而機器的干預策略是有限的，因此將原因進行歸類，可以為同一類原因提供有針對性的干預指導。

福格行為模型（Fogg Behavior Model，F(xiàn)BM）常用來解釋行為發(fā)生的機理，幫助研究者理解行為發(fā)生背后的深層次原因。FBM認為：一種行為的發(fā)生，必須同時具備動機、實施行為的能力、實施行為的觸發(fā)因素三個要素。FBM的應用，需根據(jù)具體的應用場景進行調整，如殷寶媛等^[21]提出了基于FBM的學習行為發(fā)生模型，將觸發(fā)因素調整為任務和環(huán)境。為細化原因的類別，本研究使用理論導向和數(shù)據(jù)導向相結合的方法開展分析^[22]，通過開放式問卷調查，向50多名學習者詢問了邊緣討論參與行為發(fā)生的可能原因，共收集了247條文本數(shù)據(jù)。之后，本研究依托FBM，通過扎根理論的開放式、關聯(lián)式、選擇式編碼對這些數(shù)據(jù)進行編碼（編碼工具為Nvivo 11），并結合編碼結果將FBM的觸發(fā)因素調整為環(huán)境，形成了邊緣討論參與行為的初始化原因庫。后續(xù)隨著應用的開展，初始化原因庫將被不斷更新。

對話是了解個體心理活動的常見手段，通過對話能夠了解個體對自身經歷的感受和認知^[23]。學習者與機器的歸因對話可能存在一些實踐問題，如鑒于原因的開放性和涌現(xiàn)性，原因庫中可能不存在此學習者的原因類別，導致機器識別學習者的原因錯誤。為此，本研究采用了以下形式的歸因對話：由教師監(jiān)管機器執(zhí)行歸因對話流程，機器將學習者陳述的原因通過自然語言處理技術歸類至原因庫的開放式編碼類別；當機器不能正確歸類原因時，便由教師接管此輪對話。

（3）人機協(xié)同學習干預引擎

進行歸因之后，需要干預引擎的介入。本研究的人機協(xié)同學習干預引擎包含融合教師干預策略與機器干預策略的策略庫、教師與機器干預實施的協(xié)同機制等。這些用于干預實施的主體獲取不同的原因后，以對話形式呈現(xiàn)具有針對性的干預策略。

為針對原因設計干預策略，本研究首先借鑒已有研究中的教師干預策略和機器干預策略。具體來說，現(xiàn)有的教師干預策略集中在認知與元認知調節(jié)、動機激發(fā)、社交推動等方面^[24]，而機器干預策略集中在電子郵件發(fā)送、學業(yè)任務資源推送、電子徽章頒發(fā)、窗口彈出、數(shù)字儀表盤呈現(xiàn)等方面^[25][26]。接著，本研究參考教師情感支持、情感反應理論等相關學理，提出關心、理解等相關策略。隨后，研究人員與具有多年參與在線協(xié)作會話活動經驗的學習者進行討論，并采用德爾菲法對具有多年組織活動經驗的教育技術學和心理學專家進行意見征詢，根據(jù)專家意見多次協(xié)商并修改干預策略，以保證其合適性。最后，本研究建立了邊緣討論參與行為初始化原因庫與初始化干預策略庫的對應關系，如圖2所示。

圖2 ?邊緣討論參與行為初始化原因庫與初始化干預策略庫的對應關系

初始化干預策略庫針對邊緣討論參與行為的初始化原因庫而設計。初始化原因庫包含三大類（選擇式編碼），如動機；每類包含若干項（關聯(lián)式編碼），如缺乏認知；每項包含若干小項（開放式編碼），如對話題不感興趣。借鑒殷寶媛等^[27]提出的任務支持、對話支持、社會支持三類干預策略，本研究的初始化干預策略庫可歸納為內容支持類、社會支持類、情感支持類、行為引導類四種干預大類，每類包含若干項干預策略。其中，內容支持類指推送相關內容的支持策略^[28]；社會支持類指通過施加社會影響干預學習者的支持策略；情感支持類借鑒人類教師的情感支持方式^[29]，彌補機器干預情感介入的不足；行為引導類指針對原因，提出個性化解決措施，可理解為前三類策略的補充或兜底。具體來說，干預策略針對開放式編碼的原因開展，對應關系如下：①動機方面，對“缺乏興趣”中開放式編碼“對話題不感興趣”的干預策略是自我監(jiān)控圖表、趣味化案例、個體與群體的比較。其中，自我監(jiān)控圖表通過呈現(xiàn)討論軌跡，激活自我提升的動機和興趣^[30]；趣味化案例能調動討論和學習的積極性，提升興趣^[31]；個體與群體的比較促使個體根據(jù)自己與群體的差異進行自我判斷和調節(jié)，激發(fā)興趣和動機^[32]。對“社交影響”中開放式編碼“組內關系緊張”的干預策略是說明，“組內關系陌生”的干預策略是“活動+說明”，“被伙伴拒絕”的干預策略是“關心+理解+鼓勵+說明”。例如，“被伙伴拒絕”時，除了要表達關心、理解，給予鼓勵，還要在小組內說明：小組是一個學習共同體，每位學習者都需要參與到合作中^[33]。②能力方面，“缺乏認知”中開放式編碼“對話題缺少了解”的干預策略是知識推送、推薦榜樣伙伴，“認為話題缺少價值”的干預策略是趣味化案例、說明，而“任務難度高”的干預策略是認知支架、推薦榜樣伙伴。這些策略能有效提升認知水平，如知識推送能直接推送相關知識^[34]；推薦榜樣伙伴依托社會學習理論，通過觀察榜樣行為、獲得榜樣社會支持等方式提升認知^[35]；認知支架能降低學習梯度^[36]。“身心狀態(tài)不佳”中開放式編碼“生理狀態(tài)不佳”的干預策略是“關心+提示”，而“心理狀態(tài)不佳”的干預策略是“關心+提示”。有研究表明，情感支持能通過情感反應增加趨近行為^[37]?；诖耍深A實施的主體表示關心的情感支持，同時也希望被干預者能調整好狀態(tài)，以更好地投入會話活動?！皞€人不傾向討論”中開放式編碼“缺少自信”的干預策略是鼓勵，“性格喜好”的干預策略是“尊重+說明”，而“依賴老師和同學”的干預策略是“尊重+理解+說明”。以“缺少自信”為例，需要鼓勵學習者，提升其自信^[38]。③環(huán)境方面，“缺乏發(fā)言機會”中開放式編碼“發(fā)言內容被他人說過”的干預策略是“理解+說明”，而“有同學太積極”的干預策略是“理解+說明”。以“有同學太積極”為例，需給予理解，同時要在小組內說明：討論機會是公平的，彼此需尊重發(fā)言空間、創(chuàng)設發(fā)言機會^[39]?！叭狈τ懻撨M程”中開放式編碼“忙于其他事情”的干預策略是“理解+提示”，而“不清楚任務”的干預策略是“說明+提示”。“缺乏討論氛圍”中開放式編碼“組員不積極”的干預策略是提示、角色分工，而“氛圍嚴肅”的干預策略是“提示+活動”。以“氛圍嚴肅”為例，在小組內建議大家在輕松的氣氛中討論，并開展成語接龍的活動以活躍氣氛。

在上述策略中，“+”表示復合型的策略，如“理解+提示”。“、”表示一種原因有多種針對性策略，可讓學習者自主選擇。隨著應用的開展，初始化干預策略庫及其與原因的對應關系將被不斷更新。此外，有研究表明，干預后學習者可能出現(xiàn)壓力過大、情緒消極等負面影響^[40]。因此在干預之前，可設置一個讓學習者自主選擇干預與否的環(huán)節(jié)。實施干預策略的干預實施主體，可以設計教師與機器協(xié)同機制：當教師發(fā)現(xiàn)機器能夠將原因歸類到開放式編碼時，由機器針對開放式編碼原因提供干預策略；當教師發(fā)現(xiàn)機器不能正確歸類原因時，則由教師針對原因提供預設或新增的干預策略。

（4）人機協(xié)同學習干預效果評估

邊緣討論參與行為的干預是一個系統(tǒng)性的、循環(huán)往復的過程，其基本過程為：一次會話活動結束后，開展識別、歸因和干預，隨后小組再次開展會話活動，自動采集會話數(shù)據(jù)后開展評估。人機協(xié)同學習干預效果的評估保證了干預模型的閉環(huán)結構，并不斷優(yōu)化干預模型。評估的主要內容為：①機器檢驗干預效果，指小組再次開展會話后，機器檢驗被干預之后的學習者是否繼續(xù)出現(xiàn)邊緣討論參與行為；②教師調整歸因對話，指之前的歸因對話模塊如果出現(xiàn)機器不能正確歸類學習者原因的情況，就需由教師調整歸因對話，如擴展語料庫或增加開放式編碼等；③教師修正干預引擎，指教師將新增的干預策略添加至干預策略庫，或添加干預策略與開放式編碼的鏈接關系等。

三 面向邊緣討論參與行為的人機協(xié)同學習干預模型應用

1 應用過程

為驗證面向邊緣討論參與行為的人機協(xié)同學習干預模型的應用效果，本研究選取華中地區(qū)H大學參加2023年春季學期“現(xiàn)代教育課程應用”課程的50名本科生為研究對象，開展了模型的教學應用。邊緣討論參與行為的定義涉及小組，為識別并矯正此行為，本研究將研究對象隨機分為9個小組，每組5～7人，各組每周都要在QQ群聊中開展45分鐘的會話。參考已有針對具體問題（如拖延^[41]、學習績效預警^[42]）的干預應用實驗流程，本研究采用干預前后對比實驗的形式，開展了三周的在線協(xié)作會話活動，且每兩周之間施加干預，共干預兩次。

為實現(xiàn)模型提及的機器功能，本研究編寫了程序實現(xiàn)邊緣討論參與行為的自動識別和機器檢驗干預效果的功能；開發(fā)了預設的對話流程，以實現(xiàn)歸因和干預模塊中的機器功能。對話流程包含從關聯(lián)式編碼至開放式編碼的原因確認、提供針對性干預策略等。為方便對方理解，對話流程中的文本采用口語化的表達形式，如將“缺乏認知”口語化表達為“對知識點認識不足”，隨后將對話流程接入QQ平臺。教師和機器通過一個QQID接收和發(fā)送文本，在識別出具有邊緣討論參與行為的學習者后，QQID會與這些學習者進行一對一私聊形式的對話。人機協(xié)同歸因與干預的對話案例如圖3所示，可以看出：一般情況下是由機器來對話，只有當學習者脫離預設的對話流程時，教師才接管此輪對話，隨后再次由機器執(zhí)行對話流程，教師補充發(fā)言。對于機器和教師提供的針對性干預策略，此學習者表示了認可和感謝。機器和教師在對話中的分工主要為：機器執(zhí)行對話流程，負責邏輯性較強的工作；教師進行監(jiān)管和補充，解決靈活度較大的問題。

2 應用結果分析

（1）學習干預的應用效果分析

實驗的第一周，出現(xiàn)了6名具有邊緣討論參與行為的學習者，第二周又出現(xiàn)了4位，分別編號1～10。在小組在線協(xié)作會話活動中，這些學習者被干預前后發(fā)言的信息量情況、發(fā)言的字數(shù)情況分別如圖4、圖5所示，可以看出：10名具有邊緣討論參與行為的學習者被干預后發(fā)言的信息量顯著大于被干預前（t=5.018，df=9，p=0.001＜0.01）、發(fā)言的字數(shù)也顯著多于被干預前（t=4.583，df=9，p=0.001＜0.01）。另外，經過干預后，這些學習者都不再出現(xiàn)邊緣討論參與行為，說明人機協(xié)同學習干預模型能有效矯正邊緣討論參與行為。通過歸因對話，人機協(xié)同學習干預模型能獲取學習者為何出現(xiàn)邊緣討論參與行為的深層次原因，進一步針對具體的原因提出個性化干預策略，可有效促進這些學習者積極參與討論活動。

（2）歸因和干預模塊的接受度分析

本研究的人機協(xié)同學習干預模型包含識別、歸因、干預、評估四個模塊，被干預者主要接觸以對話形式呈現(xiàn)的歸因和干預模塊。為了解被干預者對歸因和干預模塊的主觀感受，本研究對具有邊緣討論參與行為的學習者進行了歸因和干預模塊的接受度調查：首先，參考Davis等^[43]開發(fā)的問卷，設計了包含感知有用性、感知易用性、滿意度、持續(xù)使用意愿四個部分的接受度調查問卷，每個部分設有5個題項，如“持續(xù)使用意愿”部分有一題項為：“我希望在其他討論活動中也有這種對話。”調查問卷采用李克特五點量表計分，用1～5分表示從“非常不認同”到“非常認同”。之后，面向10名被干預者開展具體的接受度問卷調查。其中，有9名被干預者返回了問卷數(shù)據(jù)，其分析結果表明：感知有用性（Cronbachs α=0.95）的均值為4.20、感知易用性（Cronbachs α=0.94）的均值為4.31、滿意度（Cronbachs α=0.96）的均值為4.27、持續(xù)使用意愿（Cronbachs α=0.85）的均值為4.16，表明歸因和干預模塊具有較高的接受度。究其原因，可能在于歸因和干預模塊突出被干預者的主體地位，如被干預者可以自主選擇干預策略。

四 結語

為識別與矯正邊緣討論參與行為，本研究設計了面向邊緣討論參與行為的人機協(xié)同學習干預模型：機器負責自動識別，教師監(jiān)管機器執(zhí)行歸因對話，教師與機器協(xié)同實施干預并協(xié)同評估干預效果。之后，本研究將此模型應用于在線協(xié)作會話活動，開展了干預前后對比實驗的案例分析，驗證了其應用效果：人機協(xié)同學習干預模型能有效矯正邊緣討論參與行為，模型中的歸因和干預模塊具有較高的接受度。本研究的不足之處在于雖然應用案例分析結果驗證了模型的有效性，但尚未在大規(guī)模研究樣本中進一步檢驗。后續(xù)將擴大研究樣本規(guī)模，延長研究周期，提升模型的實踐價值，并嘗試將多模態(tài)的人機對話加入學習干預模型，以提供更好的學習服務。

參考文獻

[1][4]Strauss S， Rummel N. Promoting regulation of equal participation in online collaboration by combining a group awareness tool and adaptive prompts. But does it even matter？[J]. International Journal of Computer-Supported Collaborative Learning， 2021，（1）：67-104.

[2][8]王辭曉，張文梅.聯(lián)通主義學習中協(xié)作問題解決的角色互動研究[J].電化教育研究，2022，（10）：86-93.

[3]彭敏軍，陸新生，劉引紅.基于數(shù)量和質量的在線學習參與度考量方法研究[J].現(xiàn)代教育技術，2011，（1）：103-106.

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

[6]吳林靜，高喻，涂鳳嬌，等.基于語義的在線協(xié)作會話學習投入自動分析模型及應用研究[J].電化教育研究，2022，（3）：77-84.

[7]劉清堂，黃景修，蔣志輝，等.面向在線討論的時間序列建模實驗[J].現(xiàn)代教育技術，2019，（5）：39-45.

[9]Janssen J， Erkens G， Kirschner P A. Group awareness tools： Its what you do with it that matters[J]. Computers in Human Behavior， 2011，（3）：1046-1058.

[10][18]李彤彤，黃洛穎，鄒蕊，等.基于教育大數(shù)據(jù)的學習干預模型構建[J].中國電化教育，2016，（6）：16-20.

[11]武法提，田浩.人機協(xié)同的精準學習干預：動力機制、邏輯理路與實踐模型[J].開放教育研究，2023，（2）：81-90.

[12][19]武法提，高姝睿，田浩.人機智能協(xié)同的精準學習干預：動因、模型與路向[J].電化教育研究，2022，（4）：70-76.

[13][34]符雪姣，曾明星，張友福.人機協(xié)同精準教學整體框架與關鍵環(huán)節(jié)設計[J].開放教育研究，2023，（2）：91-102.

[14]孫眾，于子淳.人工智能課堂教學分析與改進：人在回路的協(xié)同機制[J].電化教育研究，2023，（1）：116-122.

[15]楊華利，郭盈，黃濤，等.人機協(xié)同支持下的小學英語寫作教學研究[J].現(xiàn)代教育技術，2020，（4）：74-80.

[16]祝智庭，彭紅超.創(chuàng)新發(fā)展技術賦能的智慧教育——訪我國智慧教育開拓者祝智庭教授[J].教師教育學報，2021，（4）：21-29.

[17][21][27][30]殷寶媛，武法提.學習習慣在線干預的原理與模型設計[J].電化教育研究，2019，（12）：72-79.

[20][25][41]楊雪，姜強，趙蔚，等.大數(shù)據(jù)時代基于學習分析的在線學習拖延診斷與干預研究[J].電化教育研究，2017，（7）：51-57.

[22][24]陳向東，劉冠群.共享調節(jié)學習中的教師干預：QCA的視角[J].遠程教育雜志，2020，（6）：73-85.

[23]祝嘉鈺.基于會話代理的協(xié)作問題解決測評研究——路徑設計[D].上海：華東師范大學，2018：22-23.

[26][42]趙慧瓊，姜強，趙蔚，等.基于大數(shù)據(jù)學習分析的在線學習績效預警因素及干預對策的實證研究[J].電化教育研究，2017，（1）：62-69.

[28]胡水星，荊洲.在線學習干預的新發(fā)展：從學習分析儀表盤到教育智能體[J].遠程教育雜志，2022，（5）：83-92.

[29]喬紅曉.感知教師情感支持對中學生學習倦怠與學業(yè)求助行為的影響研究[D].開封：河南大學，2014：35-36.

[31][36]楊文理，鐘紹春，趙雪梅，等.基于學習分析的小學數(shù)學學習干預模型構建研究[J].中國電化教育，2022，（4）：125-133.

[32]張家華，繆佳佳，鄒柳聰.學習干預對在線學習者的影響及其學習行為序列差異[J].現(xiàn)代教育技術，2020，（3）：32-38.

[33][39]朱忠明.學習機會視角下的合作問題解決教學：價值透視與實踐路徑[J].中國教育學刊，2023，（10）：10-15.

[35]李月，姜強，趙蔚.基于過程挖掘的在線自主學習行為模式識別及干預實證研究[J].電化教育研究，2021，（5）：61-69.

[37]Horan S M， Martin M M， Weber K. Understanding emotional response theory： The role of instructor power and justice messages[J]. Communication Quarterly， 2012，（2）：210-233.

[38]曹雅寧，柯青，王笑語，等.MOOC平臺設計如何引導用戶深度參與學習——基于勸導技術理論的分析[J].中國遠程教育，2023，（11）：39-49.

[40]張家華，鄒琴，祝智庭.學習分析視角下在線學習干預模型應用[J].現(xiàn)代遠程教育研究，2017，（4）：88-96.

[43]Davis F D， Bagozzi R P， Warshaw P R. User acceptance of computer technology： A comparison of two theoretical models[J]. Management Science， 1989，（8）：982-1003.

Construction and Application of the Human-Machine Collaborative Learning

Intervention Model Faced for Edge Discussion Participation Behaviors

LIU Qing-Tang? ??CAO Tian-Sheng^{[Corresponding Author]}YIN Xing-Han??? HU Qing-Ling ???LI Xiao-Juan

（School of Educational Information Technology， Central China Normal University， Wuhan， Hubei， China 430000）

Abstract： The edge discussion participation behaviors restrict the effectiveness of online collaborative sessions， and how to identify and correct edge discussion participation behaviors is an urgent problem that needs to be solved at present. Therefore， based on the teaching system design theory and learning intervention models， this paper constructed the human-machine collaborative learning intervention model faced for edge discussion participation behaviors， which included four modules of recognition， attribution， intervention， and evaluation. Subsequently， the teaching application of this model was conducted， and the application effect of this model was verified through comparative experiments before and after intervention. The results showed that the human-machine collaborative learning intervention model could effectively correct edge discussion participation behaviors， and the attribution and intervention modules in the model had high acceptance. The design and practice of the human-machine collaborative learning intervention model faced for edge discussion participation behaviors could provide reference for the intervention research in online collaborative sessions， the theoretical exploration of human-machine collaborative learning intervention， the personalized learning services.

Keywords： edge discussion participation behavior; human-machine collaboration; learning intervention; online collaboration

*基金項目：本文為教育部人文社科規(guī)劃基金項目“智能導師情緒線索對大學生在線學習影響的作用機制研究”（項目編號：22YJAZH067）、2024年度河南省高校人文社會科學一般項目“高校教師技術融合能力分析及優(yōu)化策略研究”（項目編號：2024-ZZJH-092）的階段性研究成果。

作者簡介：劉清堂，教授，博士，研究方向為在線協(xié)作會話，郵箱為liuqtang@mail.ccnu.edu.cn。

收稿日期：2023年10月12日

編輯：小米