AI学伴支持的个性化协作式学习实证研究

2025年中共中央、国务院发布《教育强国建设规划纲要（2024—2035年）》明确提出，“探索数字赋能大规模因材施教、创新性教学的有效途径，主动适应学习方式变革”^[1]。社会对人才培养的期待已从标准化知识传授转向综合素养的协同发展，这对教育供给体系提出了根本性挑战。然而，我国基础教育仍以标准化教学与分科组织为特征，整体育人逻辑未能适应新时代的人才培养目标^[2]。这种结构性滞后不仅阻碍了教学质量的提升，也削弱了对不同学生发展路径的支持能力，从而在“起点公平”逐步改善的同时，形成了过程支持不足、结果公平受阻的深层困境^[3]。因此，回应这一困境的根本路径，不在于局部的教学改良，而是以“育人方式”为核心的学习模式创新。育人方式的变革是提升教育体系适应性、创造性与公平性的内生动力^[4]。如何在人工智能支持下创新学习模式以回应新时代对创新人才的需求是新时代教育改革的核心议题。

融入生成式人工智能（Generative Artificial Intelligence， GAI）等新一代技术优势，以个性化、协作式为特征的学习模式应运而生^[5]，其旨在设计人与机器、人与人的对话模式，破除以往在教学中对话主客体不平衡的弊端^[6]，进而演变为以学生为中心、人机协同的学习新样态，让学习者获得适切的个性化学习服务、更好的学习效果。有关学习技术（CTCL）的研究表明，个性化协作式学习通过精准识别认知起点、激发主体内认知冲突，能够显著提升学生的学业成绩，为因材施教奠定基础^[7]。随着研究的不断深入，GAI驱动的AI学伴为该学习模式的大规模实现提供了可能。本研究引入个性化以关注学习者的多样化需求，辅以协作式学习来优化学习者的个体发展；基于学生认知起点开发AI学伴支持的个性化协作式学习模式，将GAI从“信息工具”转化为“认知伙伴”；秉承“教育创新+人工智能”的教育理念保证创新教学模式的有效性，并为实现大规模因材施教提供有效的实践路径。

（一）研究对象

本研究的研究对象为中国东部F小学六年级7个班的学生，其中4个班共194名学生参与教学实验之前的认知起点测查工作，剩余3个班共132名学生参与教学实验。选取小学数学“圆柱的认识”这一单元作为教学内容，研究周期持续8周，最后一周在对照组、实验1组、实验2组开展2课时的教学实验。

（二）研究方法与变量控制

本研究采用准实验研究法、问卷调查法和访谈法，对照组实施常态化讲授式教学、实验1组实施技术支持的个性化学习、实验2组实施AI学伴支持的个性化协作式学习。为确保干预效应的准确性，三组均使用苏教版小学数学教材，由同一教师执教，教学内容、进度与环境一致；学生均来自同一年级，前测学业成绩、高阶认知的单因素方差分析结果显示差异不显著（p>0.05），表明研究对象同质性良好。

（三）研究工具

1. 认知诊断测查问卷

认知诊断测查问卷的编制基于二阶诊断法^[20]，在表象阶（“是什么”）的基础上，在理由阶追问学生作出相应解答的原因（“为什么”），并基于此找到学生对于该学习内容的若干认知起点类型。同时，认知起点测查结果不仅揭示了学生对学习内容的认知基础，更为后续AI学伴的私有知识库开发提供重要的数据支撑。

2. 学业成就调查问卷

本研究对学业成就的调查包含前后测学业成绩问卷、前后测高阶认知问卷、学习投入量表和协作能力量表。前后测学业成绩问卷、前后测高阶认知问卷由研究者与授课教师团队经过多轮研讨与修订后编制完成，问卷内容涵盖了实验教学的所有知识点，总分为100分。前后测学业成绩问卷、前后测高阶认知问卷由3名教育学研究生依据统一评分细则背靠背评阅，前后测的肯德尔和谐系数W值均大于0.8，表明评分者间一致性良好。

学习投入量表基于Elmaadaway等开发的量表^[21]改编，协作能力量表则改编自Hebles等的研究成果^[22]。对量表进行信度分析，显示Cronbach's α值均大于0.9，表明量表信度较高。此外，为精准反映实验干预对学习投入、协作能力的真实效应，避免对学生造成额外干扰，两份量表仅在实验干预结束后发放。　　

3. 访谈提纲

在实验结束后，对实验2组的15名学生开展访谈，旨在进一步探究学生的学习经历。访谈包括以下四个问题：AI学伴是如何回应你的学习需求的？你和AI学伴的讨论为你带来了哪些影响？在小组讨论过程中，意见不统一时AI学伴是如何帮助你们解决的？在小组学习过程中，你如何根据自己的表现进行反思？

（四）AI学伴支持的个性化协作式学习设计

本研究基于学习技术（CTCL）研究范式，构建了AI学伴支持的个性化协作式学习，包括学习内容分解、认知起点诊断、学习资源开发、人机协同教学设计、AI学伴系统开发五个环节。前两个环节聚焦“学生要学什么”与“学生认知起点是什么”，第三环节确保学习资源与认知起点的精准匹配，第四环节围绕认知起点设计学习过程，第五环节通过开发AI学伴系统，为个性化协作式学习的落地提供技术支持。

1. 学习内容分解

本研究依据布鲁姆认知目标分类学（修订版）^[23]、义务教育数学课程标准（2022版）（以下简称“课标”），以深入挖掘学生的学习需求为核心，对分解的具体学习内容进行对应学习目标的分层，构建了“圆柱的认识”这一单元的学习内容分析框架（见表1）。其中，“√”表示的是课标对学习内容的具体要求，“☆”表示的是研究者与一线教师通过商议，期待学生在完成学习后所达到的认知发展目标。这一过程为开展认知起点诊断、个性化资源开发及构建学习内容库奠定基础。

2. 认知起点诊断

认知起点诊断结果显示，当前学段学生在“圆柱的认识”中呈现出可群簇、可分类、可分析的认知起点特征，主要表现为对图形特征的误识别、几何关系的泛化、测量规则的误解与计算公式的混淆。经归类，共识别出5种认知起点类型、18个具体内容，见表2。

3. 学习资源开发

个性化学习资源旨在充分尊重学习者的个体差异，支持学习者依据自身实际情况定制学习内容，满足其个性化需求。图1展示了与认知起点所匹配的互动式学习资源，帮助学生通过动态操控直观地观察圆柱形态随参数变化的规律。此外，结合学习内容的知识结构，本研究构建了差异化的学习任务与资源，从而形成了个性化的学习路径。

4. 人机协同教学设计

AI学伴支持的个性化协作式学习强调认知冲突与认知互动的相互作用，而认知冲突的良性激发与消解也是个性化协作式学习得以深入的前提^[24]。基于此，本研究将“认知冲突—认知共识”机制转化为具体教学阶段，形成完整的学习过程（如图2所示）。

具体包括：（1）新课导入阶段，教师结合生活实例，以促使学生在进入新知学习前建立与学习内容的初步关联。（2）个性化学习阶段，学生依次经历三个环节：情境创设环节，学生需完成一份自主学习任务单，为与AI学伴交互提供内容基础；AI学伴冲突对话环节，通过提示、追问等方式，让学生在认知冲突中意识到自己的“认知缺口”；个性化自主学习环节，AI学伴系统推送个性化学习资源，帮助学生实现认知发展。（3）个性化协作式学习阶段，聚焦于个体学习成果的社会化建构。学生在小组内利用协作支架（如“我之前认为……，现在发现这个问题需要完善，因为……”），在比较与反思中识别观点的异同，自主判断小组内部是否达成认知共识，动态决定AI学伴是否介入。AI学伴通过引导提问、提示及多轮对话，帮助学生澄清模糊概念，整合多元观点，形成群体性学习成果。（4）课堂小结阶段，教师对学生的学习过程进行针对性反馈，师生共同回顾学习成果，巩固学习内容。

5. AI学伴系统开发

本研究秉持“教育创新+人工智能”的理念，以学习技术（CTCL）作为教育创新的理论基础，开发用于支持个性化协作式学习的AI学伴系统。该系统以认知起点作为AI学伴引导和理解的中介，通过构建私有知识库（学习内容库、认知起点库、学习资源库），结合大语言模型和检索增强等技术生成对话引导规则，保障了学习者与AI学伴之间的交互质量。

本研究中AI学伴的核心功能是良性激发并消解认知冲突，为此设计了AI学伴冲突对话、AI学伴共识对话。AI学伴冲突对话通过提问、追问的方式（如“你同意我的观点吗？并解释原因”“你还能想到其他方法吗？”），根据学生输入内容判断其认知状态，动态调取相应的反馈规则，进而有意义地激发学生深层次的认知需求。AI学伴共识对话指向学习小组和AI学伴构成的学习社区通过有序的学习活动，不断实现社会知识建构的过程。例如，AI学伴根据学生的提问判断小组协作的状态，当小组成员出现认知冲突时，AI学伴提出“你现在有什么问题？”“你不同意X组员观点的原因是什么？”等引导性问题；当讨论陷入沉默或趋同时，AI学伴则发出“请整理出组内的统一观点”等提示。

（一）学业成就分析

本研究中对照组、实验1组和实验2组的学业成就数据分析见表3、表4。实验2组在学习投入、学业成绩、高阶认知、协作能力四个维度均高于对照组、实验1组。进一步分析发现，实验2组的学习投入均分比对照组高出11.34分（p<0.001），高于实验1组6.24分（p<0.05）；实验1组均分比对照组高出5.10分（p<0.05）。实验2组的学业成绩比对照组高出23.23分（p<0.001），高于实验1组10.85分（p<0.05）；实验1组均分比对照组高出12.38分（p<0.05）。实验2组后测高阶认知显著高于对照组30.81分（p<0.001），高于实验1组15.96分（p<0.05），实验1组也显著高于对照组14.85分（p<0.05）。实验2组的协作能力均分比对照组高出28.94分（p<0.001），高于实验1组10.19分（p<0.001）；实验1组均分比对照组高出18.75分（p<0.05）。

以上结果表明，AI学伴支持的个性化协作式学习相较于传统讲授式教学和技术支持的基于认知发展的个性化学习模式，有效提升了学生的学习投入、学业成绩、高阶认知、协作能力。   

（二）变量关系分析

本研究通过Pearson相关分析探究AI学伴支持的个性化协作式学习对实验2组学生后测的学习投入、学业成绩、高阶认知、协作能力之间的关系，见表5。学习投入与后测成绩之间具有相关性（r=0.321，p<0.05）。学习投入与高阶认知之间具有相关性（r=0.378，p<0.05）。学习投入与协作能力之间呈高度相关（r=0.560，p<0.01）。学习投入在AI学伴支持的个性化协作式学习中，与学业成绩、高阶认知、协作能力均具有相关性。另外，后测成绩与高阶认知之间呈高度相关（r=0.694，p<0.01）。这一发现表明，学业成绩的提升不仅依赖于学习投入，还取决于认知加工的深度，这与AI学伴通过激发认知冲突促进学生认知发展的学习模式所契合。

相比之下，后测成绩与协作能力、高阶认知与协作能力的相关性不显著（p>0.05）。这一结果可能与两方面因素有关：其一，本研究的学业成绩评价体系主要基于个人测验，协作过程产出的成果未直接计入成绩；其二，协作能力在短期内的提升更多体现在社会化互动和群体知识建构层面，未及时转化为学业成绩或高阶认知得分。

综上所述，相关分析结果揭示了AI学伴支持的个性化协作式学习在不同维度间的复杂关系。学习投入在AI学伴干预下与学业成绩、高阶认知和协作能力均显著正相关，说明它是联结外部支持与内在发展机制的重要中介。高阶认知与学业成绩的高度相关进一步表明，成绩提升不仅依赖于学习投入，更取决于认知加工的深度，这与AI学伴通过激发认知冲突促进知识建构的作用机制所契合。而协作能力虽未与成绩和高阶认知表现出显著相关，却与学习投入密切相关，这表明协作要通过提升学习过程的投入质量发挥间接效应，其价值更可能体现在长周期或创新性学习的情境之中。

（三）学习体验分析

多数学生在访谈中表示，AI学伴通过追问、提示等方式制造了“思考的停顿”，促使他们重新审视已有的理解，从而形成认知冲突。“AI学伴问我圆柱的底面是不是圆，我当时犹豫了，后来发现自己刚开始判断错了。”这种即时的对话不仅帮助学生意识到自身的认知起点，还为小组讨论提供了新的思路与话题。有学生提到：“它（AI学伴）不会直接给答案，会让我们先想一想，这样大家讨论的时候就有话说了。”AI学伴冲突对话在课堂中为学生创造了自我纠正、观点碰撞的机会，推动了对学习内容的更深层次建构。另外，学生普遍认为，AI学伴在小组协作中能够帮助成员厘清概念、组织思路并引导讨论的深入。例如，一位学生提到：“我们组有时候讨论不出结果，AI学伴就会提醒我们根据题目条件再想一遍。”另有学生表示，“AI学伴支持的个性化协作式学习会给每个人说话的机会”，避免了部分成员缺乏参与的现象。通过在讨论中提供结构化的提示、引入不同视角，AI学伴促进了小组成员之间的有效沟通、共同建构，有助于提升协作的针对性与效率。

整体来看，AI学伴支持的个性化协作式学习能够在一定程度上增强学生对抽象概念的深层次理解，并在小组讨论中促进观点交流、认知冲突有效消解。然而，不同小组在使用频率、互动方式、讨论策略上的差异，影响个性化协作式学习的成效。后续研究将深化对小组讨论策略的探讨，并优化AI学伴在群体层面的嵌入方式，以充分发挥其在课堂教学中支持个性化协作式学习的潜力。

（一）AI学伴支持的个性化协作式学习显著提升了学生的学业成就

根据上述实验结果，本研究证实了AI学伴支持的个性化协作式学习相较于传统讲授式教学和技术支持的基于认知发展的个性化学习模式，有效提升了学生的学习投入、学业成绩、高阶认知、协作能力。结果显示，在学习投入上提升11.34分；在学业成绩上提升23.23分；在高阶认知上提升30.81分；在协作能力上提升了28.94分，且在四个维度上，均存在极其显著性差异（p<0.001）。相较于常态化的讲授式教学和技术支持的个性化学习，该学习模式做到了体验、成绩、认知、能力的整体跃升。此外，相关性分析进一步揭示了这些效应的内在特征：学习投入在学业成绩、高阶认知、协作能力中起到关键作用；高阶认知与学业成绩的强相关（r=0.694**）表明成绩提升依赖于深层认知加工，而协作能力虽未与成绩直接相关，却与学习投入密切相关，表现其价值主要体现在过程性支持与长周期迁移。

（二）AI学伴更富成效的关键在于基于认知起点构建的私有知识库

研究发现，AI学伴在支持个性化协作式学习中的有效性，根本上依赖于其基于学生认知起点构建的私有知识库。该知识库以学习技术（CTCL）范式中的“认知起点”为基石，将学生在特定学习内容上的即时认知状态作为核心数据输入，通过多轮交互不断更新与修正，实现对学生个体化学习需求的精准诊断。这一机制不仅确保了AI学伴在对话中能够生成与学生认知起点相契合的个性化反馈，还使其在协作情境中能够针对不同小组的异质特征进行差异化支持，从而帮助学生实现科学的认知共识。与基于通用大模型开发的AI学伴不同，基于学生认知起点构建的私有知识库具备“学生专属”与“动态迭代”两大特征。前者保证了AI学伴生成内容的个性化，避免了因信息泛化而削弱学习效果；后者则使AI学伴能够在学习过程中持续整合学生学习的过程性数据和成果数据，从而在课堂不同阶段提供连贯的认知支持。

（三）AI学伴支持的个性化协作式学习为实现大规模因材施教提供了实践路径

基于学习者认知起点所设计的AI学伴，在AI学伴支持的个性化协作学习过程中，既强调了学习者在诸多学习要素中的中心位置，也关注到了各要素和学习者之间的互动关系，为实现“大规模因材施教”提供了实践路径。与传统依赖教师单向调控的教学模式相比，AI学伴支持的个性化协作学习能够在课堂精准感知和响应学生的认知状态，为每个学习者提供个性化的即时反馈，促进其主动参与学习过程。这一学习模式突破了教师在大规模课堂中受限于时间与精力难以兼顾群体与个体的瓶颈，实现了对学生差异化需求的即时响应。另外，将学习者个体认知状态与生成式人工智能结合的创新路径，以教育理论创新为内核、以智能技术创新为介质，为突破传统教育规模化与个性化难以兼容的根本矛盾提供了解决方案。

本研究从个性化学习出发，通过基础研究的深化实现了基于个性化的社会化学习，并通过准实验研究法探究AI学伴支持的个性化协作式学习在学生学习投入、学业成绩、高阶认知、协作能力四项指标中的影响。研究发现为实现大规模因材施教提供了一条可能的路径，但同时也存在一定的不足。首先，脚本角色的设定尚未充分体现个性化协作式学习的独特需求，有待进一步细化不同的认知伙伴类型，如支持者、反对者、总结者等；其次，缺乏对学习者在协作论证中的角色变化进行过程性追踪；最后，对小组内部知识建构过程缺乏细粒度的深入分析，因而未能揭示AI学伴在促进群体知识涌现中的作用机制。这些均是后续研究需要加以关注的研究议题。

随着教育理念愈发趋向能力发展、素养提升等，学习技术（CTCL）开始将研究视角由“理解性学习”进阶至“创新性学习”，力图构建更能契合新时代创新人才培养需求的价值进阶。这不仅体现了学习技术（CTCL）在基础研究层面的理论深化，也为实现面向未来的创新性学习模式提供了结构清晰、机制可行的方案。在个性化、社会化与生态化的技术支持视角下，理解性与创新性的协同推进，或将成为新时代教育质量提升、人才价值实现的重要路径支撑。

校      对：潘霞

审      核：郭   炯