夜雨聆风2024年7月，发表于教育学国际顶刊《Educational Research Review》的一篇综述，筛选了近20年来（2004–2023）的2607篇文章，最后留下了26篇实证论文。得出一个基本结论：
当下，AI在诊断「协同学习质量」时，存在“反馈多于启示”“事实多于情感”的现状；通俗来讲，即是使用AI来“看管”协同学习，往往“看”得准，但“管”得少。
具体来说，AI能算准谁发了多少言、谁点了多少赞、谁写了多少字。认知层面的事，它最拿手。可是，学生们心里怎么想？情绪怎么样？跟同伴斗嘴还是帮衬？这些事儿，AI大多不知，也不过问。
更进一步，教师拿到的反馈多是“镜子”——照出了样子，却不说路子。AI给出的「警示（出问题了）」和「建议（该怎么做）」，加起来还不到一半。
总而言之，AI当了一面好镜子，却没做成一只好推手。
一、协同学习，难在哪儿？
“计算机支持的协同学习”（Computer-supported collaborative learning, CSCL）这词儿挺拗口，说白了，就是一帮人用电脑一起学。线上改文章、群里讨论、项目合作……这些都算。
它好处多：能碰撞想法、共解难题。可“坏处”也不少——人一多，心就散。有的偷懒，有的跑题，有的吵起来。老师看不过来，学生自己也不知道谁在拖后腿。
于是，“学习分析”来了。拿数据说话：谁发言多、谁进度慢、谁分数高。可过去的分析，慢，还死板。等结果出来，课都上完了（Wong & Li, 2020）。
天下武功，唯快不攻。
二、AI上阵，算得快
这些年，AI进了课堂。自然语言处理、机器学习、进化计算，都用上了（Chen et al., 2020; Gedrimiene et al., 2024）。能实时算，能自动给出反馈。比如，BERT（Bidirectional Encoder Representations from Transformers）这个模型，能自动识别学生讨论的语义深度，判断谁在深度思考、谁在浅层互动。老师一看便知（Zheng et al., 2023）。再比如，遗传编程能自动预测学生在协作学习中的成绩分数，并据此推送建议，帮学生把写作任务做得更好（Ouyang et al., 2023）。
听着挺美。可这篇综述说：好看，但不中用。
三、26项研究，深挖真相
原文作者搜索了六大论文库（Web of Science、ACM、EBSCO、Scopus、Wiley、Taylor & Francis），筛到最后26篇。每篇都得满足：①做了学习分析工具；②能自动给反馈；③在协同学习环境里试过；④有全文、实证研究。
结果怎样？往下看。
四、五句话讲清结果
（一）目标：光盯着认知，忘了“人情”
88%的工具，在线上跑。三类工具，三类用法：
第一类：只给学生自己看（62%）学生登录看板，能瞧见自己发了多少言、点了多少赞、讨论深不深。好比运动手环——数据给你，改不改，随你。
第二类：只给老师看（23%）老师后台看全班，哪个组跑题、谁不吭声，一目了然。好比驾校教练的中控台——学员看不见，教练心里有数。
第三类：师生都给看（23%）同一份数据，学生看自己的，老师看全班的。两边信息对称，好配合。
结果呢？
只给学生看的工具，12篇“盯”认知（脑子转没转），4篇“盯”行为，3篇“盯”社交，3篇“盯”情绪，元认知只有1篇。
只给老师看的工具，同样看重认知和行为（各3篇），社交略少（2篇）。
师生都看的工具，反倒社交互动最多（5篇），认知其次（4篇），情绪、元认知等深层状态的关注依然极度匮乏。
总的来说，AI只看“脑子转没转”，不关心“心里烦不烦”。可协同学习，情绪不对，啥都白搭（Järvenoja et al., 2020）。
缺了情绪和元认知，AI就是个算盘珠子。
（二）数据：自己看得清，同伴看不见
数据分三层：自己、同伴、小组。
自己这层——“行为数据”最多（12篇），比如登录几次、待了多久。“话语数据”次之（9篇），比如说了啥、说得深不深。
同伴这层——只有4篇收了互动数据。谁帮了谁？谁怼了谁？没人知道。
小组这层——话语数据最多（15篇），比如讨论记录、关键词。
结论：AI盯着个体和小组，却冷落了同伴之间的你来我往。个体数据（谁发言、谁待了多久）很足，小组数据（讨论记录、关键词）也够，可同伴之间谁帮了谁、谁怼了谁，只有4篇收了。协同学习的魂，在同伴。少了这层，AI再能算，也是半个“瞎子”。
算得出小组平均分，算不出同桌递的那块“橡皮”。
（三）设计：各画各的图，没人写心法
可视化：原始文本用得最多（17篇），就是直接把分析结果写成字。条形图（9篇）、饼图（5篇）、网络图（4篇）。时间线、雷达图这些，很少用。
最要命的是“设计原则”——只有4篇（15%）提了。比如“社会导航原则”，让学生看到别人的互动，好反思自己（Chen et al., 2023）。其余85%，想起一出是一出，没有理论支撑，没有“章法”可言。
没有心法的工具，等于没魂魄的士兵。
（四）技术：NLP当家，但藏着掖着
26篇里只有14篇说了用什么技术。NLP占38%（10篇），机器学习23%（6篇），进化计算4%（1篇）。
NLP里，BERT、LDA、LSA这些模型，能分语义、提主题。可大多数文章没说具体怎么做的——预训练、特征提取、分析模型，这些全当秘密“捂着”。
“镜像”信息最多（69%），就是照镜子——学生协作咋样，给你看。“建议”信息42%，“警示”信息38%。还是“看”的多，“管”的少。
（五）效果：学习进步大，教学进步小
对学生：认知、行为、社会参与都提升了，小组表现、技能、动机也好了。
对老师：最明显的效果是让老师更清楚学生在干啥，但怎么干预、怎么教，给的建议少。
AI能当哨兵，但当不了将军。
五、缺什么？怎么补？
缺三样：
缺理论：得拿教育学、心理学撑腰，不能光靠算法“拍脑袋”。
缺多模态：光看文字不够，得加声音、表情、手势（Noroozi et al., 2019）。
缺可操作建议：别光说“注意，有人掉队了”，得说“你现在去问他一句‘你怎么看’”。
AI最好的姿势，是蹲下来跟老师说：我来算，你来教。
文献来源：
Ouyang, F., & Zhang, L. (2024). AI-driven learning analytics applications and tools in computer-supported collaborative learning: A systematic review. Educational Research Review, 44, 100616. https://doi.org/10.1016/j.edurev.2024.100616
【理论补充】
（一）社会共享调节理论（Socially Shared Regulation of Learning）
白话：一群人一起学，不光管自己，还得帮着管别人。谁分心了拉一把，谁卡住了帮一下。
出处：Järvelä, S., Kirschner, P. A., Hadwin, A., Järvenoja, H., Malmberg, J., Miller, M., & Laru, J. (2016). Socially shared regulation of learning in CSCL: Understanding and prompting individual-and group-level shared regulatory activities. International Journal of Computer-Supported Collaborative Learning, 11(3), 263–280.
（二）参考框架原则（Reference Framework Principle）
白话：给学生看别人的数据，让他跟自己比。比如“你发了3条，你同桌发了7条”——一对比，就知道该努力了。
出处：Jivet, I., Scheffel, M., Schmitz, M., Robbers, S., Specht, M., & Drachsler, H. (2020). From students with love: An empirical study on learner goals, self-regulated learning and sense-making of learning analytics in higher education. Internet and Higher Education, 47(1),100758.
（三）镜像、警示、建议三级反馈（Mirroring, Alerting, Suggesting）
白话：镜像——照镜子，让你看见自己（比如“你发言3次”）；警示——拍肩膀，提醒你出事了（比如“你离题了”）；建议——指条路，告诉你怎么办（比如“你试试问同伴一句”）。
出处：Ouyang, F., & Zhang, L. (2024). AI-driven learning analytics applications and tools in computer-supported collaborative learning: A systematic review. Educational Research Review, 44, 100616.
特别说明：千问对本文进行两轮内容与形式审稿。
