智能協(xié)作學習環(huán)境中學習者的提問能力對認知過程的影響研究

[摘" "要] 人工智能技術的快速發(fā)展推動了智能協(xié)作學習環(huán)境的興起。在此背景下，學習者的提問能力尤為關鍵，它能夠直接增強學習者與智能系統(tǒng)的互動，提升學習體驗和效果。然而，目前鮮有研究關注學習者的提問能力對其認知過程的影響。文章旨在探索智能協(xié)作學習環(huán)境中，學習者的提問能力如何影響他們的認知過程。通過對學習者提問數(shù)據(jù)和在線協(xié)作話語的分析，研究發(fā)現(xiàn)學習者的提問能力對認知過程存在影響，具體表現(xiàn)為：高提問能力學習者表現(xiàn)出更高水平的智能信息整合能力，能夠更多地轉(zhuǎn)述和應用從智能系統(tǒng)中獲得的意見；高提問能力學習者呈現(xiàn)出“共識解釋發(fā)展”的認知建構方式，而低提問能力學習者呈現(xiàn)出“辯證論證”的認知建構方式；高提問能力學習者展現(xiàn)出持續(xù)的高認知水平，而低提問能力學習者在協(xié)作啟動階段容易陷入無關話題困擾，討論效率不高?；诖?，文章提出了提升學習者人工智能素養(yǎng)與提問能力、細化共識解釋與辯證論證教學策略以及開展智能協(xié)作學習環(huán)境下的縱向研究等建議。

[關鍵詞] 智能協(xié)作學習環(huán)境； 提問能力； 認知過程； 認知特征； 認知模式； 認知軌跡

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 于爽（1998—），女，河北唐山人。博士研究生，主要從事協(xié)作分析及干預研究。E-mail：yushuang@mails.ccnu.edu.cn。葉俊民為通信作者，E-mail：jmye@mail.ccnu.edu.cn。

一、引" "言

ChatGPT、Gemini和EduTEP等生成式人工智能的迅速發(fā)展，代表著新一輪科技革命的演進態(tài)勢，深刻地改變了知識獲取、思維方式和教育方式，人類已進入了一個強調(diào)智能問答和對話的數(shù)字化時代[1]。同時，這些技術的快速發(fā)展極大地豐富了教育手段，推動了智能協(xié)作學習環(huán)境的興起。智能協(xié)作學習環(huán)境是一個集成了人工智能技術、協(xié)作學習理論和教育軟件工具的系統(tǒng)，旨在促進學習者之間的有效交流、合作和知識構建。在智能協(xié)作學習環(huán)境中，提問能力尤為重要，因為它能夠直接增強學習者與智能系統(tǒng)的互動[2]，提升學習體驗和效果[3]。盡管提問在教育過程中的重要性已被廣泛認識，但在智能協(xié)作學習環(huán)境中，學習者的提問能力如何影響認知過程的研究仍然相對缺乏，這不利于充分理解學習者如何在智能協(xié)作環(huán)境中建構知識。本研究旨在通過實證研究，探討在智能協(xié)作學習環(huán)境中學習者的提問能力對其認知過程的影響，為優(yōu)化學習環(huán)境設計、提升教學質(zhì)量及深化學習者的學習體驗提供有力支撐與實踐指導。

二 、文獻綜述

（一）智能協(xié)作學習環(huán)境中學習者的提問能力

隨著人工智能技術的迅猛發(fā)展，教育手段不斷豐富，推動了智能協(xié)作學習環(huán)境的興起。這些環(huán)境通過集成先進的算法和搭建用戶友好的界面，為學習者提供個性化的學習支持和互動， 進一步促進了學習者在在線協(xié)作學習環(huán)境下的學習效果[4-5]。在這些環(huán)境中，學習者通常需要與智能系統(tǒng)進行交互，而提問能力在這一過程中發(fā)揮著至關重要的作用，因為它直接影響問答系統(tǒng)反饋的質(zhì)量和效果[6]。因此，學習者提問能力是充分發(fā)揮智能協(xié)作學習環(huán)境優(yōu)勢的關鍵。此外，關于學習者提問能力的評估，研究表明學習者所提問題的認知水平能夠反映其提問能力的高低[7]。本研究將學習者的提問能力定義為學習者向智能協(xié)作學習環(huán)境中的智能系統(tǒng)（如智能輔導系統(tǒng)、智能問答系統(tǒng)和機器人等）提問時表現(xiàn)出來的認知水平。

（二）學習者的認知過程

學習者的認知過程通常是指他們在獲取、處理、存儲和應用知識時所經(jīng)歷的心理活動，這一過程反映了學習者在建構知識時的努力程度[8]。通過分析學習者在協(xié)作互動討論中的言語行為，研究者可以有效地探究其認知過程[9]。認知過程是一個動態(tài)發(fā)展的復雜過程[10-11]，其評估方法亟須超越傳統(tǒng)的頻數(shù)統(tǒng)計，深入探究認知要素之間的相互作用及其狀態(tài)的演變。換句話說，應該采用模式與軌跡分析，以全面深刻地洞察認知過程。認知網(wǎng)絡分析作為網(wǎng)絡模式分析的常用方法，通過量化會話中認知編碼的共現(xiàn)頻率，揭示編碼要素間的相互關聯(lián)關系，為構建學習者的認知模式提供了有力支撐[12]。此外，隱馬爾可夫模型（HMM）基于貝葉斯統(tǒng)計，通過分析學習者顯性學習行為數(shù)據(jù)的時序特征，能夠挖掘其背后的潛在行為模式，該模型能夠有效分析學習者的認知軌跡，從而動態(tài)追蹤學習者在學習過程中的認知狀態(tài)變化[13-14]。因此，為深入揭示學習者認知過程的復雜性，本研究結合特征、模式和軌跡三個維度，綜合探討學習者在協(xié)作學習中的認知過程。

（三）學習者的提問能力對認知過程的影響

學習者提問能力對學習效果的影響已受到廣泛關注，研究顯示提問能力與學生的理解能力[15]、學習投入度[16]以及師生關系[17]等變量存在積極聯(lián)系。盡管如此，關于提問能力如何在認知過程中發(fā)揮作用，尤其是在智能協(xié)作學習環(huán)境中如何發(fā)揮作用，研究仍然較少。Ha等人的研究通過為博物館游客提供移動智能問答工具，發(fā)現(xiàn)游客提問數(shù)量的增加顯著促進了小組討論的活躍度[3]。但該研究主要關注提問次數(shù)，未能充分考慮提問水平的差異，也未深入探討提問能力對認知過程的深層次影響。然而，探討學習者的提問能力對認知過程的影響對于優(yōu)化智能協(xié)作學習環(huán)境、提升學習者個性化學習效果具有重要意義。本研究旨在從特征、模式和軌跡三個維度，探討智能協(xié)作學習環(huán)境中學習者的提問能力對認知過程的影響。研究將圍繞以下三個問題展開：

RQ1：智能協(xié)作學習環(huán)境中，不同水平的提問能力如何影響學習者的認知特征？

RQ2：智能協(xié)作學習環(huán)境中，不同水平的提問能力如何影響學習者的認知模式？

RQ3：智能協(xié)作學習環(huán)境中，不同水平的提問能力如何影響學習者的認知軌跡？

三、研究設計

（一）研究對象與活動

本研究在2022—2023學年秋季，于華中地區(qū)某師范大學的 “面向?qū)ο蟮能浖こ獭闭n程中進行，研究對象為55名軟件工程專業(yè)的大三學生，年齡在18至21歲之間。研究設計了一個為期五周的在線協(xié)作學習活動，主題為“學習分析系統(tǒng)的需求分析設計”。學生被隨機分配成11個小組，每組5人，任務是協(xié)作完成一份關于學習分析系統(tǒng)的需求分析文檔。

（二）智能協(xié)作學習環(huán)境設計

在本研究的協(xié)作學習活動中，小組成員通過QQ平臺進行討論。為了提升學習效果，研究團隊在QQ平臺的基礎上，引入了一個智能輔導系統(tǒng)（如圖1所示），以此構建智能協(xié)作學習環(huán)境。智能輔導系統(tǒng)的角色被定義為輔助者，旨在提供必要的信息支持和問題解答，而不直接參與學生協(xié)作學習過程。在與智能輔導系統(tǒng)的互動中，小組成員作為基本的交互單元，通過系統(tǒng)提出問題并接收反饋。

該智能輔導系統(tǒng)由研究團隊自主研發(fā)，旨在根據(jù)學生的提問，為其匹配合適的同伴導師，幫助學生解決在線協(xié)作學習過程中的問題。系統(tǒng)具備以下兩個基本功能：（1）推薦同伴導師。系統(tǒng)根據(jù)學生提出的問題，利用深度學習算法推薦合適的同伴導師。這些同伴導師是已經(jīng)學習過該門課程的8名學生，他們具備相關的課程學習經(jīng)歷，被認為在知識和能力上優(yōu)于當前的學習者[18]。（2）提供討論環(huán)境。系統(tǒng)為學生提供了一個與同伴導師進行討論的環(huán)境，學習者在這個環(huán)境中與推薦的同伴導師進行在線交流，以解決學習中的疑惑。通過這種設計，智能輔導系統(tǒng)旨在促進學習者之間的有效溝通，提高協(xié)作學習的質(zhì)量和效率。

（三）研究工具

為了測量學習者的提問能力，以布魯姆認知目標分類框架作為參考，將小組成員提出的問題分為六個認知層次：記憶、理解、應用、分析、綜合和評價，并為每個層次分配了1至6分的評分標準[15，19]。具體的編碼細節(jié)詳見表1。

本研究采用ICAP框架[20-21]對學習者在線協(xié)作學習的話語數(shù)據(jù)進行編碼，以測量其認知行為。ICAP框架將學習者的認知活動分為被動、主動、建構和交互四個類別。被動行為指的是學習者僅孤立記憶信息，如閱讀學習材料，而不涉及與具體學習活動或?qū)W習任務直接相關的行為，這類行為在討論中難以觀察，因此，不便于編碼。此外，鑒于協(xié)作討論中可能存在與任務無關的言辭，本研究引入了“任務外”這一維度[22]，以全面反映討論內(nèi)容。因此，本研究中的認知過程分析編碼表包括主動、建構、交互及“任務外”四個維度，具體編碼細則見表2。

（四）數(shù)據(jù)收集和分析

在為期五周的在線協(xié)作學習活動中，本研究從兩個維度收集了數(shù)據(jù)：一是小組學生在智能系統(tǒng)內(nèi)提出的問題，共計有效問題241個；二是各小組在QQ平臺上的討論文本數(shù)據(jù)，累計有效消息2493條。首先，采用內(nèi)容分析法對這些數(shù)據(jù)進行編碼。為確保編碼的準確性和一致性，遵循了Shaffer和Ruis提出的編碼原則[23]。編碼工作前，對兩位研究生進行專業(yè)培訓，然后，他們隨機選取了數(shù)據(jù)集的30%作為試編碼樣本。在編碼過程中，他們參考表1（針對提問能力）和表2（針對認知行為），分別以問題和消息為分析單位進行編碼。編碼完成后，通過計算得出認知行為與提問能力的Cohen's Kappa值分別為0.854和0.87，顯示了編碼工作的高一致性。針對編碼過程中出現(xiàn)的不一致，兩位編碼員進行了討論，并征詢了專家意見，通過協(xié)商最終達成共識。在此基礎上，每位編碼員各自獨立完成了剩余35%數(shù)據(jù)的編碼工作。

通過對各組所提問題及其得分進行整理和分析，發(fā)現(xiàn)各組所提問題的平均得分為37. 73。根據(jù)小組總分是否高于平均分，將學習者分為高提問能力學習者和低提問能力學習者[24]。最終，得到了高提問能力學習者（2、3、4、9、11組）和低提問能力學習者（1、5、6、7、8、10組）這兩個群體。

最后，從特征、模式和軌跡三個維度，采用Mann-Whitney U檢驗、認知網(wǎng)絡分析方法（ENA）和隱馬爾可夫模型（HMM）對高、低提問能力學習者的認知過程進行差異分析。其中，利用在線工具（https：//www.epistemicnetwork.org/）比較了這兩類學習者的認知網(wǎng)絡差異；使用Python中的HMM包進行隱馬爾可夫分析，借助BIC（貝葉斯信息準則）確定最優(yōu)隱藏狀態(tài)數(shù)量[25]，以揭示學習者顯性認知行為背后所隱藏的認知狀態(tài)軌跡變化。具體而言，本研究中分析所依賴的顯性行為數(shù)據(jù)為表2所列舉的9種認知行為，而隱性狀態(tài)則對應于協(xié)作學習過程中所經(jīng)歷的各個階段[26]。圖2顯示了本研究的數(shù)據(jù)收集與分析過程。

四、實驗結果

在智能協(xié)作學習環(huán)境下，本研究探索了高、低提問能力學習者在認知特征、模式和軌跡上的差異，得到如下結果：

（一）高、低提問能力學習者的認知特征差異

針對研究問題一，本研究采用Mann-Whitney U 檢驗分析高、低提問能力學習者在認知行為特征上的差異。表3的數(shù)據(jù)顯示，高提問能力學習者在“重復”“轉(zhuǎn)述”“推理”“解釋”“支持”等認知行為上的占比高于低提問能力學習者。低提問能力學習者在“提問”“建立在他人之上”“質(zhì)疑和爭辯”“任務外”等認知行為上的占比則超過高提問能力學習者。進一步分析兩組學習者在9種認知行為上的顯著性差異，Mann-Whitney U檢驗的結果顯示，僅在“轉(zhuǎn)述”和“推理”行為上，兩組學習者存在統(tǒng)計學上的顯著差異；在其他行為類型上，兩組之間的差異不具有統(tǒng)計學意義。

（二）高、低提問能力學習者的認知模式差異

針對研究問題二，本研究采用ENA探究高、低提問能力學習者的認知模式差異。圖3展示了兩組學習者的平均網(wǎng)絡比較結果。圖中，連接的權重反映了高、低提問能力學習者在認知行為編碼要素間的關系強度的對比，線條越粗，表示編碼要素間聯(lián)系越緊密。研究發(fā)現(xiàn)，相比于高提問能力學習者，低提問能力學習者在“推理—提問”“提問—建立在他人之上”“建立在他人之上—質(zhì)疑和爭辯”上有更強的聯(lián)系。相反，高提問能力學習者在“重復—推理”“推理—支持”“推理—建立在他人之上”“轉(zhuǎn)述—推理”上展示出更強的聯(lián)系。為了進一步分析兩種類型小組在ENA空間投影點分布上的差異，本研究采用Mann-Whitney U檢驗。檢驗結果表明，在α=0.05的顯著性水平下，X軸上的分布差異具有統(tǒng)計學意義（U=26，p=0.05，r=0.73），而Y軸上的分布差異則不顯著（U=376，p=0.82，r=0.04）。

（三）高、低提問能力學習者的認知軌跡差異

針對研究問題三，本研究采用HMM探究高、低提問能力學習者在認知軌跡上的差異。HMM分析結果顯示，高提問能力學習者的最佳隱性狀態(tài)數(shù)為5種，而低提問能力學習者為6種，這些隱藏狀態(tài)的具體描述見表4。從表4中可以看出，與高提問能力學習者相比，低提問能力學習者還包含一個討論啟動階段，而該階段涉及較多無關話題。

通過分析每個隱藏狀態(tài)中不同認知行為的比例，描繪了兩種類型學習者的認知軌跡變化，如圖4所示。從圖4中可以看出，高提問能力學習者的五個狀態(tài)均包含對他人觀點的支持行為，而低提問能力學習者僅在部分狀態(tài)（狀態(tài)4、5和6）中表現(xiàn)出高水平的互動。此外，圖中箭頭上的數(shù)值代表隱藏狀態(tài)之間的轉(zhuǎn)換概率，數(shù)值越大表示轉(zhuǎn)換概率越大。圖4顯示，低提問能力學習者更可能從個人問題解決狀態(tài)（狀態(tài)3）和集體問題解決狀態(tài)（狀態(tài)6）轉(zhuǎn)移到集體觀點探索狀態(tài)（狀態(tài)5）。相比之下，高提問能力學習者則更傾向于從狀態(tài)1過渡到狀態(tài)2，這兩個狀態(tài)主要涉及圍繞材料內(nèi)容和導師建議的討論。此外，高提問能力學習者更可能從狀態(tài)4轉(zhuǎn)移到狀態(tài)5，這兩個狀態(tài)主要包含對他人觀點的支持、質(zhì)疑和補充行為。

五、研究結論與建議

（一）研究結論

1.高提問能力學習者表現(xiàn)出高水平的智能信息整合能力

通過分析高、低提問能力學習者在認知行為特征方面的差異，發(fā)現(xiàn)高提問能力學習者在“轉(zhuǎn)述”方面顯著高于低提問能力學習者，這表明高提問能力學習者展現(xiàn)了更高水平的智能信息整合能力，他們更傾向于將與智能輔導系統(tǒng)互動獲得的信息應用于在線協(xié)作討論中。這一發(fā)現(xiàn)與Liu等人的研究結果[27]相一致，他們指出，高提問能力的學習者會持續(xù)對智能系統(tǒng)生成的內(nèi)容進行批判性分析、反思和選擇，并有選擇性地將其整合到學習任務中。此外，我們的研究在Ouyang等人[28]的基礎上進行了拓展。Ouyang等人的研究[28]表明，教師支架對學習者的認知行為具有即時和延遲的效應。我們的研究進一步發(fā)現(xiàn)，在智能協(xié)作學習環(huán)境中，智能輔導系統(tǒng)作為認知支架，對學習者的討論同樣具有延遲效應。高提問能力學習者在與智能輔導系統(tǒng)互動后，會在小組討論中進一步探討和深化這些觀點，從而形成更深入的認知結構。

2. 低提問能力學習者呈現(xiàn)出“辯證論證”的認知建構方式

通過分析高、低提問能力學習者在認知網(wǎng)絡方面的差異，揭示了高、低提問能力學習者在認知互動中的特定模式。具體來說，高提問能力學習者在“轉(zhuǎn)述—推理”“推理—支持”“推理—建立在他人之上”的聯(lián)系更為緊密，這表明他們更注重通過對話達成共識。這種模式與Asterhan和Schwarz所描述的“共識解釋發(fā)展”類型的認知建構方式[29]相吻合，該方式強調(diào)了通過合作性對話來加強和鞏固共同理解。相比之下，低提問能力學習者在“建立在他人之上—質(zhì)疑和爭辯”之間的聯(lián)系更為顯著，這反映出他們更傾向于通過質(zhì)疑和辯護來探索和挑戰(zhàn)觀點，這與“辯證論證”的認知建構方式相符，這種方式通過批判性思維促進概念的變化和發(fā)展。此外，本研究的發(fā)現(xiàn)補充并拓展了Ha等人的研究[3]，與該研究相比，本研究通過分析認知網(wǎng)絡，進一步揭示了高、低提問能力學習者在認知互動中的模式差異，為理解學習者如何在智能協(xié)作環(huán)境中建構知識提供了新的視角。

3. 高提問能力學習者展現(xiàn)出持續(xù)的高認知水平

通過對比高、低提問能力學習者的認知軌跡，本研究發(fā)現(xiàn)，與低提問能力學習者相比，高提問能力學習者在學習過程中表現(xiàn)出了持續(xù)的高認知水平。他們傾向于在深入討論學習材料和導師建議后，轉(zhuǎn)移到更深層次的認知狀態(tài)，并在每個學習階段都展現(xiàn)出對他人觀點的支持和補充等高水平認知行為。這一發(fā)現(xiàn)與Wu等人的研究[30]形成了有趣的對比。Wu等人的研究表明，跨學科團隊在認知投入方面隨時間呈現(xiàn)下降趨勢[30]，這可能表明跨學科團隊在維持高水平認知參與方面遇到了挑戰(zhàn)。相比之下，本研究中的高提問能力學習者似乎能夠更好地維持其認知參與度，這可能是由于他們能夠有效地將提問作為一種工具，以促進深入思考和持續(xù)的協(xié)作學習。這為教育實踐提供了寶貴的啟示，即通過培養(yǎng)學習者的提問能力，可以促進更深層次的認知參與和更有效的協(xié)作學習。

（二）研究建議

1. 提升學習者人工智能素養(yǎng)與提問能力，優(yōu)化智能問答系統(tǒng)協(xié)作學習體驗

在智能化教育不斷推進的今天，學習者與智能系統(tǒng)的交互日益成為學習過程中的重要組成部分。具備高水平人工智能素養(yǎng)的學習者能夠更深入地理解AI技術的工作原理和應用場景，這不僅增強了他們對技術潛力的認識，也使他們能夠更加負責任和有效地使用這些工具。同時，提問能力是獲取信息和深化理解的關鍵。通過精準和深入的提問，學習者能夠更有效地與智能系統(tǒng)進行交流，激發(fā)更豐富的信息回饋，促進知識的深入理解和應用。因此，教師應通過設計包含AI元素的課程內(nèi)容、開展針對性的提問技巧訓練、實施基于問題的學習活動以及提供持續(xù)的反饋和指導，來提升學習者的人工智能素養(yǎng)和提問能力。此外，教師自身也應不斷學習和更新關于AI技術的知識，以便更好地指導學習者，共同探索智能化教育的無限可能。

2. 細化共識解釋與辯證論證教學策略，實現(xiàn)不同提問水平學習者認知能力的均衡提升

鑒于不同水平提問能力的學習者在協(xié)作討論時展現(xiàn)出不同的認知建構方式，建議教育者采取不同的教學策略。其中，對于已經(jīng)具備辯證論證認知建構方式的低提問能力學習者，教育者應通過進一步的指導和激勵，強化學習者的合作性對話技巧，幫助他們更深入地鞏固和擴展共同理解。同時，鼓勵這些學習者參與更高層次的思維挑戰(zhàn)，如批判性思維和創(chuàng)造性問題解決，以激發(fā)他們提問和認知的深度。對于高提問能力學習者，繼續(xù)支持他們通過共同解釋與發(fā)展的認知建構方式，深化對復雜概念的理解，并促進認知結構的動態(tài)變化。通過這樣的教學方法，可以為所有學習者提供定制化的學習支持，優(yōu)化他們與智能問答系統(tǒng)的協(xié)作學習體驗，并促進每個學習者的認知能力得到最大程度的發(fā)展。

3. 關注時間序列，開展智能協(xié)作學習環(huán)境下的縱向研究

追蹤學習過程的時間序列對于優(yōu)化學習者的認知發(fā)展軌跡至關重要。本研究發(fā)現(xiàn)，高提問能力學習者展現(xiàn)出了持續(xù)的高認知水平，而低提問能力學習者在討論初期面臨聚焦核心議題的挑戰(zhàn)，這表明在教學中應特別關注低提問能力學習者的初始學習階段。為此，建議教師加強對學習初期的引導與支持，通過設計針對性的問題引導和思維激發(fā)活動，幫助學習者迅速進入高效的討論狀態(tài)。同時，研究者應重視時間序列分析的應用，以追蹤和識別學習者在不同學習階段的特點和需求，從而及時調(diào)整教學策略，提供個性化的教學支持。通過這些綜合措施，期望能夠促進低提問能力學習者在初始階段的認知發(fā)展，幫助他們克服學習障礙，逐步提升其認知水平，最終實現(xiàn)所有學習者認知能力的均衡提升。

六、結 束 語

本研究探討了智能協(xié)作學習環(huán)境中學習者的提問能力對認知特征、模式和軌跡的影響。研究發(fā)現(xiàn)，高提問能力學習者在智能信息整合方面表現(xiàn)更佳，他們更頻繁且有效地利用系統(tǒng)提供的指導性建議來輔助學習，而低提問能力學習者則較少這樣做。同時，高提問能力學習者展現(xiàn)出更緊密的協(xié)同行為聯(lián)系，而低提問能力學習者則在辯證論證行為上有更多的聯(lián)系。此外，高提問能力學習者能夠持續(xù)展現(xiàn)高水平的認知行為，而低提問能力學習者在協(xié)作學習的啟動階段容易偏離主題，導致討論效率不高。

本研究存在兩個不足之處。首先，研究僅選取了軟件工程專業(yè)的學習小組，這可能使得研究結果在學科上具有特定性。未來的研究可以擴大樣本范圍，包括更多學科領域，以增強研究的適用性和普遍性。其次，智能輔導系統(tǒng)的設計主要側重于根據(jù)學習者的問題推薦導師，而沒有采用當前流行的先進智能輔導系統(tǒng)，如ChatGPT。這種設計受限于當時的技術水平，未能充分利用先進智能技術的潛在優(yōu)勢。因此，未來的研究可以探討采用更先進的智能輔導系統(tǒng)，以更全面地優(yōu)化學習者的學習體驗和效果。

[參考文獻]

[1] 戴嶺，趙曉偉，祝智庭. 智慧問學：基于ChatGPT的對話式學習新模式[J]. 開放教育研究，2023，29（6）：42-51，111.

[2] 王麗，李艷，陳新亞，等. ChatGPT支持的學生論證內(nèi)容評價與反饋——基于兩種提問設計的實證比較[J]. 現(xiàn)代遠程教育研究，2023，35（4）：83-91.

[3]" HA J， P？魪REZ CORT？魪S L E， SU M， et al． The impact of a gamified mobile question-asking app on museum visitor group interactions： an ICAP framing[J]． International journal of computer-supported collaborative learning，2021，16（3）：367-401．

[4] 鄭蘭琴，高蕾，黃梓宸． 基于生成式人工智能技術的對話機器人能促進在線協(xié)作學習績效嗎？[J]． 電化教育研究，2024，45（3）：70-76，84．

[5] GUO K， ZHONG Y， LI D， et al. Effects of chatbot-assisted in-class debates on students' argumentation skills and task motivation[J]. Computers amp; education， 2023， 203： 104862.

[6] LAI K. How well does ChatGPT handle reference inquiries？ An analysis based on question types and question complexities[J]. College amp; research libraries， 2023，84（6）：974.

[7] CIARDIELLO A V. Student questioning and multidimensional literacy in the 21st century[J]. The educational forum， 2000，64（3）： 215-222.

[8] KIM M K， WANG Y， KETENCI T. Who are online learning leaders？ Piloting a leader identification method （LIM）[J]. Computers in human behavior， 2020，105：106205.

[9] 吳林靜，涂鳳嬌，馬鑫倩，等. 人工智能視域下的在線協(xié)作會話分析：概念模型及應用[J]. 電化教育研究，2023，44（1）：70-76，99.

[10] OUYANG F， DAI X. Using a three-layered social-cognitive network analysis framework for understanding online collaborative discussions[J]. Australasian journal of educational technology， 2022，38（1）：164-181.

[11] GREENE B A. Measuring cognitive engagement with self-report scales： reflections from over 20 years of research[J]. Educational psychologist， 2015，50（1）：14-30.

[12]" GUO L M， DU J L， ZHENG Q H． Understanding the evolution of cognitive engagement with interaction levels in online learning environments： insights from learning analytics and epistemic network analysis[J]. Journal of computer assisted learning， 2023，39（3）： 984-1001.

[13] XIAO Y， HE Q， VELDKAMP B， et al. Exploring latent states of problem-solving competence using hidden Markov model on process data[J]. Journal of computer assisted learning， 2021，37（5）：1232-1247.

[14] SUN D， CHENG G， XU P， et al. Using HMM to compare interaction activity patterns of student groups with different achievements in MPOCs[J]. Interactive learning environments， 2019，27（55/66）：766-781.

[15] MAPLETHORPE L， KIM H， HUNTE M R， et al. Student-generated questions in literacy education and assessment[J]. Journal of literacy research， 2022，54（1）：74-97. .

[16] CHYR W L， SHEN P D， CHIANG Y C， et al. Exploring the effects of online academic help-seeking and flipped learning on improving students' learning[J]. Journal of educational technology amp; society， 2017，20（3）：11-23.

[17] WU J Y， NIAN M W. The dynamics of an online learning community in a hybrid statistics classroom over time： implications for the question-oriented problem-solving course design with the social network analysis approach[J]. Computers amp; education， 2021，166： 104120.

[18] ZHENG L. The impact of cross-age peer tutors on knowledge elaboration， knowledge convergence， and group performance in computer supported collaborative learning[C]// IEEE 15th International Conference on Advanced Learning Technologies. Vienna， Austria： IEEE，2015：175-179.

[19] ASLI S， SAFI Z， SHEHADEH-NASSER A， et al. Learning styles of a story about sustainability： their effect on the level of questioning of students in primary education[J]. Journal of baltic science education， 2023，22（6）：1011-1024.

[20] WANG X， WEN M， ROS？魪 C P. Towards triggering higher-order thinking behaviors in MOOCs[C]//Proceedings of the Sixth International Conference on Learning Analytics amp; Knowledge. Edinburgh， United Kingdom： ACM， 2016： 398-407.

[21] 張思，何晶銘，上超望，等. 面向在線學習協(xié)同知識建構的認知投入分析模型及應用[J]. 遠程教育雜志，2020，38（4）：95-104.

[22] ZHOU J， YE J. Investigating cognitive engagement patterns in online collaborative learning： a temporal learning analytic study[J]. Interactive learning environments， 2024 （1）：1-17.

[23] SHAFFER D W， RUIS A R． How we code [C] // Proceedings of the Second International Conference on Quantitative Ethnography. California， USA： Springer， 2021：62-77.

[24] YE J M， ZHOU J． Exploring the relationship between learning sentiments and cognitive processing in online collaborative learning： a network analytic approach[J]． The Internet and higher education，2022，55：100875．

[25] 張思，高倩倩，馬鑫倩，等. 私播課論壇中學習者會話行為建模研究[J]. 電化教育研究，2021，42（11）：63-68，106.

[26] OUYANG F， XU W Q， CUKUROVA M． An artificial intelligence-driven learning analytics method to examine the collaborative problem-solving process from the complex adaptive systems perspective[J]． International journal of computer-supported collaborative learning，2023，18（1）：39-66．

[27]" LIU J Y， LI S R， DONG Q Y． Collaboration with generative artificial intelligence： an exploratory study based on learning analytics[J]． Journal of educational computing research，2024，62（5）：1234-1266．

[28] OUYANG F， DAI X Y， CHEN S． Applying multimodal learning analytics to examine the immediate and delayed effects of instructor scaffoldings on small groups'collaborative programming[J]． International journal of STEM education，2022，9（1）：45．

[29] ASTERHAN C S C， SCHWARZ B B. Argumentation and explanation in conceptual change： indications from protocol analyses of peer-to-peer dialog[J]. Cognitive science， 2009，33（3）：374-400.

[30] WU L J， YU S， LIU Q T， et al． Is cross-discipline better than same-discipline for cognitive engagement in computer supported collaborative learning？An empirical study using epistemic network analysis[J]． Journal of computing in higher education，2023（10）： 1-24.

Research on the Impact of Learners' Questioning Ability on Cognitive Processes in Intelligent Collaborative Learning Environments

YU Shuang1，" YE Junmin2，" WU Linjing1， YIN Xinghan1，" LUO Sheng2，" LIU Qingtang1

（1.Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079;

2.School of Computer， Central China Normal University， Wuhan Hubei 430079）

[Abstract] The rapid development of artificial intelligence technology has propelled the rise of intelligent collaborative learning environments. In this context， learners' questioning ability is particularly crucial， as they can directly enhance the interaction between learners and intelligent systems and improve the learning experience and outcomes. However， few studies have focused on the impact of learners' questioning ability on their cognitive processes. This study aims to explore how learners' questioning ability affects their cognitive processes in intelligent collaborative learning environments. Through the analysis of learners' questioning data and online collaborative discourses， it is found that learners' questioning ability has an impact on their cognitive processes， as shown in the following： learners with high questioning ability demonstrate a higher level of intelligent information integration and are capable of paraphrasing and applying the opinions obtained" from the intelligent system more effectively. Learners with high questioning ability exhibit a \"consensus explanation development\" cognitive construction mode， whereas learners with low questioning ability display a \"dialectical argumentation\" cognitive construction mode. Learners with high questioning ability demonstrate sustained high levels of cognitive engagement， whereas learners with low questioning ability tend to get caught up in irrelevant topics during the initiation phase of collaboration， resulting in inefficient discussions. Based on this， this study proposes recommendations to enhance learners' AI literacy and questioning ability， refine teaching strategies for consensus interpretation and dialectical argumentation， and conduct longitudinal studies in intelligent collaborative learning environments.

[Keywords] Intelligent Collaborative Learning Environments; Questioning Ability; Cognitive Processes; Cognitive Characteristics; Cognitive Pattern; Cognitive Trajectories