第四章 培养协作学习和协作技能：生成式人工智能的贡献
引言
与其他人进行小组合作可以有效地学习，不仅可以培养特定领域的知识，还可以培养团队学习和工作所需的知识和技能（例如 Hattie，2009[1]；Pai、Sears 和 Maeda，2014[2]；Tenenbaum 等人，2020[3]）。与此同时，团体在合作过程中遇到挑战（例如 Barron，2003[4]；Rummel、Spada 和 Hauser，2009[5]；Strauß 和 Rummel，2021[6]），因此已努力设计支持来帮助团体应对这些挑战。学习科学领域的工作，尤其是计算机支持的协作学习 (CSCL) 领域，有着开发和测试基于计算机的协作学习支持的悠久传统。现在，此类工作已通过探索机器学习模型的使用的研究得到了扩展，机器学习模型在协作学习的背景下属于“生成人工智能”（GenAI）这一术语。然而，目前对 CSCL 中 GenAI 的前景缺乏清晰的了解。因此，本章阐述了生成式人工智能系统目前如何用于在协作学习期间支持小组，并分析其在支持协作学习方面的有效性。为此，我们回顾了当前利用 GenAI 支持协作学习的广泛研究样本。
为了了解如何设计 GenAI 来支持协作学习，并确定需要什么来为团体提供对其当前需求敏感的支持，阐明协作期间的学习如何发生是很有用的。因此，我们首先简要概述协作学习的核心机制，并说明为什么团体会从支持中受益。借鉴之前专注于利用计算机技术支持团体的工作，我们提出了最著名的 CSCL 方法来支持团体。这使我们能够将 GenAI 置于更广泛的教学支持背景中，将其与该领域之前的工作进行比较，并确定该技术在为群体提供个性化（即适应性）支持方面所带来的潜力
本章的主体描述了目前如何使用 GenAI 系统为团体提供支持。在这里，我们阐述了 GenAI 在协作过程中可以发挥的作用（例如充当信息存储库或作为教师/导师）、GenAI 可以支持协作的哪些方面（例如提供知识或促进社交互动）、这种支持是否会影响特定领域知识和有效协作知识方面的学习，以及 GenAI 工具基于什么理由确定何时以及如何支持团体。
我们的评论说明了 GenAI 在支持协作学习方面的潜力，并强调需要进行更系统的努力来确定 GenAI 应如何设计来支持协作，特别是在它如何影响协作过程和后续学习方面。尽管还需要更多的研究，但未来使用 GenAI 设计有效支持的努力可以利用学习科学研究的既定见解。我们对这一章进行了展望，其中我们讨论了 GenAI 支持设计的潜在前进方向，该技术如何与现有的团体支持类型相结合，以及我们如何研究 GenAI 支持的好处并加深我们对其对协作和学习过程的影响的理解。重要的是，我们指出了在此过程中需要解决的几个问题。
计算机支持的协作学习：自适应脚手架
为学习小组提供自适应（个性化）支持并非全新的研究理念。计算机支持的协作学习（CSCL）相关研究可追溯至20世纪90年代，早期研究主要聚焦非自适应支持模式（Jeong, Hmelo-Silver and Jo, 2019[27]; Rummel, 2018[28]）。尽管已有研究证实，非自适应支持能够有效赋能协作学习、优化学习成效（Chen et al., 2018[29]; Jeong, Hmelo-Silver and Jo, 2019[27]; Lou, Abrami and d’Apollonia, 2001[30]; Talan, 2021[31]），但自适应支持始终是协作学习支持领域的核心研究热点与发展重点。
小组个性化支持的核心理论基础为脚手架理论。“脚手架”概念源自建筑施工隐喻，特指为学习者提供辅助工具与方法，帮助其完成原本无法独立达成的学习任务（Kollar et al., 2025[32]; Reiser and Tabak, 2014[33]）。脚手架理论的核心原则是：学习者在获得外部支持的基础上，仍需独立完成任务的各核心环节，开展自主探究与实践（Reiser and Tabak, 2014[33]）。学习脚手架的供给主体多元，既包括教师、纸质学习材料等传统载体，也涵盖数字化学习环境等新型载体。具体而言，脚手架可通过拆解问题解决流程、引导学习者聚焦任务核心、启发深度思考与自主阐释等方式助力学习（Reiser and Tabak, 2014[33]）。
由于不同学习者的先验知识、学习能力、认知基础存在显著差异，适配性、个性化是脚手架理论的核心基本原则，这一原则同样适用于小组协作学习场景。自适应支持会根据学习者个体、学习小组特征及协作互动状态动态调整，学界将所有可能影响小组学习目标达成（如领域新知识习得）的特征定义为“核心关联特征”（Tetzlaff, Schmiedek and Brod, 2021[34]）。该理念与CSCL领域的外部协作脚本研究高度契合（Fischer et al., 2013[35]; Kollar, Wecker and Fischer, 2018[36]; Fischer et al., 2007[37]）。
现有研究表明，不同学习小组对支持力度的适配需求存在显著差异，并非所有小组都能从同等强度的支持中获益。过度精细化的支持会引发专长逆转效应（Kalyuga, Rikers and Paas, 2012[38]）与过度脚本化问题（Dillenbourg, 2002[39]），反而抑制高能力学习者的自主探究与能力发挥；而先验经验薄弱的学习者若获得的支持不足，则会陷入协作困境，无法开展高效的小组互动（Dillenbourg, 2002[39]）。由此可见，依据小组真实学习需求动态调整支持策略与力度，是保障协作学习质量的关键。
在协作学习自适应支持的设计与开发过程中，研究人员与技术开发者需要统筹多项核心决策。Rummel（2018[28]）提出的CSCL设计维度框架，为自适应支持的研发提供了系统化的概念指导（图4.1）。
首先，开发者需要明确自适应支持的核心目标，即支持最终需要助力小组达成何种学习成果，包括领域特定知识习得、协作技能提升、协作过程体验优化等多元维度。其次，需确定支持的落地载体与作用对象，也就是Rummel（2018[28]）提出的支持“对象”。例如，为实现小组知识共建目标，可针对小组互动过程提供支持，引导组员开展深度研讨、观点碰撞（Weinberger and Fischer, 2006[40]）；也可通过辅助小组开展认知监控、引导组员相互纠错、弥补认知偏差等方式达成学习目标。
除此以外，开发者还需确定支持的实施模式，核心分为三类：固定模式，即所有小组在统一时间接收同质化支持；可适应模式，即由小组自主选择适配的支持内容；自适应模式，即系统根据小组实时学习状态，自主判定支持时机与支持强度。同时，设计决策还涵盖支持时机、接收主体、可用性等多个辅助维度。
自适应协作学习系统的核心基础是协作过程模型，该模型界定了协作学习的前置条件、理想状态与规范流程，支撑自动化支持系统完成数据研判与干预决策（Deiglmayr and Spada, 2010[41]）。自适应协作支持的早期研究始于21世纪10年代，主要依托传统符号人工智能、基于规则的算法技术实现。
完整的自适应支持运行流程包含三大核心环节，贯穿协作学习全过程：系统采集小组及个体的协作数据、研判小组是否存在支持需求、匹配并落地针对性干预策略，最终助力小组达成学习目标（Deiglmayr and Spada, 2011[42]; Molenaar, 2022[43]; Walker, Rummel and Koedinger, 2009[44]）。
图4.1 CSCL设计维度
CSCL设计维度
1) 目标 —— 为什么？
☐ 知识获取（如领域特定、领域通用）
☐ 协作成果（如问题解决、制品产出）
☐ 情感成果
☐ ……
2) 对象 —— 什么？
☐ 认知的（如领域特定知识辅助）
☐ 元认知的（如学习反思引导）
☐ 社会的（如互动行为管理）
☐ ……
3) 传递者 —— 谁？
☐ 教师
☐ 数字系统
☐ 同伴学习者
☐ ……
4) 接受者 —— 为谁？
☐ 个人
☐ 小组
☐ ……
5) 中介 —— 如何落地？
☐ 直接（由个人/小组直接获取）
☐ 间接（面向教师、家长间接赋能）
6) 实施方式
☐ 固定/静态（统一标准化模式）
☐ 自适应（系统动态匹配）
☐ 可适应（小组自主选择）
7) 粒度
☐ 任务层级
☐ 步骤层级
☐ 回合层级（如发言互动回合）
8) 指向性
☐ 隐含（提供赋能条件、资源支撑）
☐ 显性：通用建议
☐ 显性：具体定制化建议
9) 数据基础 —— 研判依据？
☐ 无状态信息（仅轻量化提醒）
☐ 原始状态数据展示
☐ 聚合数据展示（如均值统计）
☐ 状态解读与评估（如优劣判定）
10) 时机
☐ 协作开展前
☐ 协作进行中
☐ 协作结束后
11) 可用性
☐ 全程可见
☐ 诊断触发式（弹窗提醒）
☐ 按需获取
12) 强制性
☐ 无需配套操作
☐ 基础操作触发（如点击确认）
☐ 特定互动操作触发
来源：Rummel, N. (2018[28]), One framework to rule them all? Carrying forward the conversation started by Wise and Schwarz, International Journal of Computer-Supported Collaborative Learning, 13(1), pp. 123-129.
依据Molenaar（2022[43]）的研究，自适应支持的运行流程可拆解为检测、诊断、行动三大核心环节。首先，系统采集学习者个体、学习小组、协作过程的全维度数据，通过数据处理转化为能够表征协作状态的核心指标，例如小组成员领域知识分布、互动频次、观点产出质量等。早期自动化数据处理主要依托计算语言学的文本分类机器学习技术实现（Rosé et al., 2008[45]）。
Rosé等（2008[45]）基于跨学科研究实践，探索了文本分类技术在协作对话分析中的应用，通过多维度编码方案实现知识共建过程的自动化分析，突破了传统仅解析对话内容的局限，为小组支持需求研判提供了技术支撑。同时，研究人员强调，自动化协作评估指标的构建需严格把控外部有效性，确保指标能够真实、精准反映协作过程本质，避免研判偏差。
系统生成的协作状态指标会与预设的理想目标状态进行比对，完成协作质量诊断，最终根据比对结果匹配对应的支持干预策略（Molenaar, 2021[46]; Molenaar, 2022[43]）。Deiglmayr和Spada（2010[41]）重点强调了规则体系构建的重要性，提出以IF-THEN产生式规则作为系统运行核心逻辑，明确不同协作状态、不同学习场景下的适配支持方案，例如“若小组协作状态不佳，则触发基础支持策略”“若小组具备深度互动潜力，则推送进阶引导支持”。
基于脚手架核心理论，自适应协作学习系统遵循“按需赋能、动态渐隐”的原则。系统仅在小组存在协作困境、能力不足时提供支持，且会随着小组协作能力、自主学习能力的提升，逐步降低支持力度、精简支持内容，必要时可根据小组状态回升支持强度（Reiser and Tabak, 2014[33]）。常见的渐隐方式包括逐步移除操作提示、减少干预频次等（Wecker and Fischer, 2011[49]），确保脚手架不会长期依赖，最终实现小组自主协作、独立学习。
当前学界针对小组协作的自适应支持方式主要分为三类，各类方式均以优化小组互动模式、赋能知识共建、内化良性协作习惯为核心目标，部分技术还可辅助教师开展协作教学管理：
1. 自适应协作脚本（Edwards et al., 2025[50]; Karakostas and Demetriadis, 2011[51]; Rummel, Mullins and Spada, 2012[52]; Rummel et al., 2008[53]）；
2. 适配协作学习场景的自适应辅导系统（Diziol et al., 2010[54]; Walker, Rummel and Koedinger, 2009[44]; 2011[55]; 2014[56]; Sottilare et al., 2017[57]）；
3. 协作会话智能体类虚拟智能体与聊天机器人（Earle-Randell et al., 2025[58]; Araujo et al., 2025[59]; Burkhard et al., 2022[60]; Vizcaíno, 2005[61]; Kuhail et al., 2023[62]; Wollny et al., 2021[63]）。
上述自适应支持技术的核心作用机制包含双向调控：一方面主动引导小组开展深度研讨、观点交互、知识共建等良性协作行为；另一方面主动识别并抑制低效互动、无效讨论、认知脱节等不良协作模式（Earle-Randell et al., 2025[58]; Fischer et al., 2013[35]; Vizcaíno, 2005[61]; Vogel et al., 2017[12]）。在持续的自适应干预中，帮助学习者内化规范、高效的协作模式，逐步提升自主协作能力（Fischer et al., 2013[35]; Kollar, Fischer and Hesse, 2006[64]）。除此之外，部分支持系统聚焦教师教学辅助，助力教师实时监控小组协作状态、统筹协调协作进度、精准干预协作问题（Chounta and Avouris, 2016[65]; Han et al., 2021[66]; van Leeuwen, Teasley and Wise, 2022[67]; Yang et al., 2022[68]）。
传统自适应协作支持系统大多依托固定产生式规则完成诊断与干预决策，虽具备理论有效性，但长期存在落地推广难的问题。核心原因在于：高效协作学习的边界条件复杂多元，规则体系难以全面覆盖；同时，协作状态的动态、精准自动化评估技术尚未成熟，数据分析与状态研判存在误差（Wise, Knight and Shum, 2021[69]）。而大型语言模型（LLM）驱动的生成式人工智能技术的出现，打破了传统技术瓶颈，为协作学习自适应支持的创新发展提供了全新路径，重新激活了该领域的研究与应用活力。
使用生成式人工智能支持协作学习
依托计算机技术打造协作学习自适应脚手架的研究已有数十年积淀，而ChatGPT、Gemini、Co-Pilot、Claude、Le Chat、DeepSeek等大语言模型的普及，为该领域注入了全新动能，被学界视为新型教学脚手架，具备重塑、变革传统教育模式的巨大潜力（Gong et al., 2024[70]; Boudia, C. and Bengueddach, 2024[71]; Lai et al., 2024[72]; Yan et al., 2024[73]）。尽管生成式人工智能并非专属教育技术，但其超强的个性化适配能力，突破了传统自适应支持的局限性，能够实现更灵活、更精准、更贴合小组需求的协作赋能。
在协作学习场景中，生成式人工智能（以LLM为核心）具备多重核心优势：可兼容文本、语音、图像等多模态输入，能够精准留存对话上下文语境，输出类人化、连贯、高质量的内容素材（Jong et al., 2024[74]; Boudia, C. and Bengueddach, 2024[71]; Cress and Kimmerle, 2023[75]; Lai et al., 2024[72]）。同时，该技术可实现协作过程的自动化评估，实时输出定制化、自适应的脚手架支持，涵盖个性化反馈、学习指导、错误修正等多元赋能形式，全方位助力小组优化协作模式、深化知识习得（Gong et al., 2024[70]; Lai et al., 2024[72]; Suciati et al., 2024[76]; Güner and Er, 2025[77]; Chu, Xu and Zhai, 2024[78]）。
沿用Molenaar（2022[43]）提出的检测-诊断-行动核心框架，生成式人工智能可完整落地自适应协作支持全流程：一是精准检测学习者、小组及协作过程的核心特征；二是比对协作实时状态与理想目标状态，完成专业化诊断；三是匹配并推送适配的脚手架支持策略。
在检测与诊断环节，LLM依托强大的自然语言处理能力，可替代传统计算语言学方法，实现协作数据的智能化分析与标注（Zheng et al., 2021[79]）。系统基于标准化编码方案对小组互动行为、对话内容、任务完成状态进行分类标注，再结合产生式规则生成针对性支持方案。当前学界对LLM标注的有效性尚未形成统一结论：部分研究表明，LLM标注结果与人工编码的契合度较高，评分者间信度可达0.7以上，具备良好的实用性（Amarasinghe et al., 2023[80]）；也有研究指出，LLM整体标注精度有限，仅对部分特定协作行为的标注效果优异（Huang et al., 2025[81]; Yin et al., 2025[82]; Wang et al., 2023[83]）。
总体而言，LLM融入协作分析流程具备显著应用潜力，但仍存在精准度不稳定、持续诊断能力不足等短板，易因分类误差导致支持策略适配失误。对此，Wong等（2025[84]）提出多模态融合解决方案，通过整合语音、文本等多维度输入数据，有效提升自动化编码与协作诊断的精准度，为优化生成式人工智能自适应支持效果提供了可行路径。
生成式人工智能在支持协作学习中的角色及其支持内容
本章聚焦生成式人工智能模型在小组协作脚手架搭建中的应用模式、实施路径与实际成效，通过梳理国内外期刊、会议的相关实证研究，系统剖析GenAI赋能协作学习的核心特征。现有研究普遍以LLM为技术核心，较少结合传统成熟的协作脚本、教学智能体等模式开展融合创新。基于现有文献梳理，本文从四大维度展开分析：GenAI的协作赋能角色、协作支持的核心对象、知识习得赋能成效、自适应设计原理。
通过系统梳理当前研究成果，本文归纳出生成式人工智能融入协作学习场景、赋能小组协作的四种核心角色（图4.2），各角色具备差异化的赋能逻辑与应用场景，具体如下：
图4.2 GenAI支持协作学习的角色
GenAI可作为小组协作的智能信息库，承担轻量化搜索引擎的功能，为小组任务探究、知识共建提供多元化信息支撑（Chu, Xu and Zhai, 2024[78]; Darmawansah et al., 2025[85]; Feng, 2025[86]）。在协作学习前期，小组成员可通过GenAI检索、整合、梳理任务相关的专业信息、理论知识与案例素材，为后续观点研讨、论证构建、问题解决奠定基础。
例如Darmawansah等（2025[85]）将ChatGPT应用于论证式知识共建协作场景，明确划分协作阶段：第一阶段由小组依托ChatGPT完成主题信息搜集与梳理，搭建论证框架；第二阶段依托前期储备的信息素材开展小组深度讨论、观点辩驳与论证优化，有效提升小组知识共建的效率与质量。
GenAI可基于小组协作过程、任务成果、互动特征等数据，定制个性化学习材料，实现精准化赋能（Naik et al., 2024[87]）。同时，可直接承接部分小组任务，释放小组探究精力，聚焦核心学习环节。
在个性化材料生成方面，Naik等（2024[87]）设计了对比案例赋能模式：小组先自主完成问题解决方案，系统通过专属提示词指令，依托ChatGPT生成差异化的替代解决方案，形成对照案例。小组成员通过对比自主方案与AI生成方案的优劣，深度剖析问题解决的底层逻辑，深化领域知识理解，突破固有思维局限（Alfieri, Nokes-Malach and Schunn, 2013[88]），再通过小组研讨完成方案优化与认知升华。
在任务辅助方面，Wei等（2025[89]）将GenAI工具应用于创意协作场景，依托大模型的文本、图像、视频生成能力，根据小组输入自动生成叙事文本、故事板、创意图像等素材，辅助小组完成创意类协作任务，提升协作产出质量。
（三）教师/协作促进者
GenAI可替代传统教师与课堂促进者角色，全程监控小组协作过程，动态识别协作问题，精准提供干预与引导，为协作过程搭建全方位脚手架（Cai et al., 2024[90]; Feng, 2025[86]; Liu et al., 2024[91]）。该模式下，AI独立于小组之外，以观察者、监督者、引导者的身份赋能协作，核心作用是规范协作流程、均衡参与度、深化研讨质量、引导反思优化。
Cai等（2024[90]）开发的ChatGPT协作赋能机器人，依托预设规则实现全方位协作管控：实时监控小组成员参与频次与贡献度，针对参与不均衡、部分成员边缘化的问题，及时发出提醒，引导全员参与互动；基于Tuckman协作阶段理论搭建标准化讨论脚本，通过追问、纠偏、话题牵引等方式，引导小组聚焦核心任务，推进深度知识建构。
Feng（2025[86]）则构建了按需赋能的AI支持模式，小组可自主申请获取协作摘要、过程反馈、问题解答等支持。研究数据显示，小组的AI交互需求以认知类互动为主，集中于任务咨询、格式优化、知识答疑等场景。除此之外，该角色的AI工具还可实现多重赋能：依托小组规范监控协作行为、引导小组开展协作反思（Ko and Foltz, 2025[93]）；辅助学习者解读学习分析数据、优化协作策略（Echeverria et al., 2025[94]）；为知识共建文本提供精准反馈、优化内容质量（Cao et al., 2025[95]）；规范同伴反馈流程、提升互评有效性（Greisel et al., 2025[96]）。
（四）导师/对话伙伴
GenAI可作为专属导师与对话伙伴，通过持续性、个性化的交互式对话，助力学习者深化领域知识、锻炼批判性思维，区别于侧重流程管控的教师角色。该模式以认知赋能为核心，通过沉浸式对话互动推进个体与小组的知识建构。
Ahlström等（2025[97]）将AI数字角色融入虚拟现实协作场景，设置飓风疏散者、气候科学家等虚拟角色，小组通过与AI角色沉浸式对话交互，采集任务所需核心信息，完成协作探究。此类AI角色以叙事互动为核心，侧重场景赋能与信息供给，而非直接的教学干预。
在苏格拉底式对话赋能场景中，Goda等（2024[99]）、Dang等（2025[98]）开发的LLM聊天机器人，摒弃直接答疑的模式，以结构化提问、开放式追问、反思引导为核心，启发学习者自主梳理推理逻辑、开展批判性思考、深化知识阐释，有效锻炼学习者的高阶思维能力。
需要说明的是，该模式属于协作学习的边缘应用场景。传统协作学习强调多人人类互动，而此类场景以人机互动为核心，但由于人机互动催生的认知过程（论证阐释、自我反思、逻辑梳理）与人人协作高度契合，因此具备纳入协作学习研究范畴的价值，但其是否属于严格意义上的协作学习，仍有待学界进一步探讨。
GenAI可直接融入学习小组，作为独立组员参与全程协作，承担同伴角色，同步开展互动研讨、知识输出、问题推进等工作（Hernandez-Leo et al., 2025[101]; Liu et al., 2024[91]; Zhu et al., 2023[102]）。AI组员的核心作用分为两类：一是输出专业领域知识，补充小组认知短板；二是主动带动互动氛围，均衡小组参与度，优化协作节奏。
Liu等（2024[91]）将ChatGPT智能体设置为跨学科协作小组的工程师角色，为小组研讨提供专业知识支撑，补齐小组专业认知缺口，助力跨学科问题解决。Hernandez-Leo等（2025[101]）的研究中，AI同伴全程参与知识共建活动，主动输出观点、点评组员答案、参与深度研讨，倒逼学习者开展批判性思考，有效激活小组协作活力。An等（2024[103]）的研究进一步证实，AI组员可精准识别小组互动失衡问题，主动引导沉默成员参与讨论，优化小组协作生态。
支持的对象
基于Rummel（2018[28]）的CSCL设计维度框架，GenAI在承担不同赋能角色时，可针对性作用于协作学习的多元维度，覆盖认知、元认知、社会行为、社会情感等核心层面（图4.3）。部分研究允许小组自主选择AI工具的使用方式，灵活适配协作需求；对于未明确标注支持对象的研究，可根据研究成果与实践场景反向推断其核心赋能维度。
图4.3 GenAI支持的对象及示例
认知赋能是GenAI协作支持的核心维度，主要通过供给领域知识、补充学习资源、启发认知思考、推进知识共建等方式落地（Chu, Xu and Zhai, 2024[78]; Darmawansah et al., 2025[85]; Feng, 2025[86]; Lin et al., 2024[105]; Zhu et al., 2023[102]）。一方面，AI可直接提供任务所需的学科知识、理论素材，填补小组认知空白；另一方面，可通过提问、延伸、拆解问题等方式，引导学习者细化认知、深化理解，推动新知识的内化与重构（Dang et al., 2025[98]）。
同时，GenAI可承接小组部分基础性、重复性任务，如素材整理、视频制作、故事创编等，减少小组机械性工作负担，让学习者聚焦高阶认知探究（Wei et al., 2025[89]）。此外，AI可针对性赋能小组社会认知互动，引导组员开展观点辩驳、互补完善、协同探究，优化知识共建模式；还可通过高亮方案重点、设置反思问题等方式，引导小组复盘协作成果、梳理认知漏洞，深化反思性学习（An et al., 2024[103]; Darmawansah et al., 2025[85]; Naik et al., 2024[87]）。
GenAI可聚焦协作元认知能力培养，通过精准反馈、互评赋能、反思引导等方式，助力学习者监控、评估、优化自身学习过程与协作行为（dal Ponte, Dushyanthen and Lyons, 2023[106]; Feng, 2025[86]; Gong et al., 2024[70]）。AI可自动评估小组任务成果，精准指出方案优势、漏洞与优化方向，小组基于反馈完成迭代优化，实现认知升级。同时，学习者可主动向AI申请成果点评、内容优化建议，实现个性化元认知赋能。
在同伴反馈场景中，GenAI形成了两类成熟赋能模式（Greisel et al., 2025[96]）：一是人机反馈融合模式，AI与同伴分别生成点评内容，同伴整合两类反馈形成最终优化建议；二是反馈优化模式，AI针对同伴的原始点评内容进行修正、完善、补充，提升同伴反馈的专业性与精准度。此外，AI还可引导学习者复盘同伴反馈、依托反馈优化学习成果，持续强化元认知能力（Noroozi et al., 2025[96]）。
在协作过程反思方面，AI可依托预设小组规范，全程监控小组互动行为，抓取典型协作案例，在协作结束后引导组员复盘互动问题、总结协作经验，助力小组优化协作模式、提升自我调控能力（Ko and Foltz, 2025[96]）。
GenAI可针对性调控小组协作的社会行为，聚焦参与均衡性、话题聚焦度、流程规范性三大核心维度，优化小组互动生态（Cai et al., 2024[90]; Gong et al., 2024[70]; Liu et al., 2024[91]）。在参与度调控方面，AI实时统计组员贡献频次，精准识别沉默成员与过度主导成员，通过智能提醒均衡全员参与度，避免协作边缘化、一言堂等问题（An et al., 2025[109]）。
在话题管控方面，AI可实时识别离题讨论、无效互动，及时牵引小组回归核心任务，保障协作效率（Cai et al., 2024[90]）。在流程协调方面，AI可充当协作主持人，拆解任务阶段、明确阶段目标、规范发言秩序、解读任务要求，引导小组有序推进协作（Liu et al., 2024[91]）；同时可实时总结小组认知成果、梳理未解决问题、推送后续探究方向，持续赋能小组高效协作（Lin et al., 2024[105]）。
GenAI具备赋能协作社会情感发展的潜力，可通过情绪调节、正向激励、氛围营造等方式，缓解协作焦虑、激发学习动机、维系积极的协作心态（Dang et al., 2025[98]; Feng, 2025[86]）。但从现有研究来看，当前学界对GenAI赋能协作社会情感维度的探索较为有限，专门针对情绪调控、动机激励、团队氛围建设的系统化应用研究仍较为匮乏，是未来重要的研究方向。
生成式人工智能支持对知识获取的影响
GenAI通过多元角色、多元维度赋能小组协作，最终目标是优化协作互动模式、赋能学习者成长，核心涵盖两大学习成果：领域特定知识习得、协作技能提升。值得注意的是，GenAI的赋能效果并非由技术本身决定，而是取决于学习者、小组与AI工具的互动模式，不同互动行为会催生差异化的认知过程与协作效果，最终影响知识共建与能力发展。这一认知契合教育领域经典的媒体/方法辩论核心观点，为当代智能教育应用研究提供了重要理论支撑（Clark, 1994[110]; Kozma, 1994[111]; Tennyson, 1994[112]; Weidlich et al., 2025[113]; Sailer et al., 2024[114]）。本文结合现有实证研究，系统梳理GenAI对协作学习成果的赋能成效。
现有验证GenAI知识赋能效果的实证研究，多采用课堂准实验、实地实验的严谨研究设计，且主要聚焦计算机编程领域，形成了差异化的研究结论。
Lin等（2024[105]）以大学生Arduino编程学习为研究场景，设置AI支持组与无支持对照组，AI工具通过前期信息赋能、中期认知总结、后期方向引导的全流程赋能模式助力小组协作。实验结果显示，GenAI支持对学生编程知识习得呈现中等程度正向效应（η² = 0.035），能够显著提升小组知识共建质量与个体知识掌握水平。
Naik等（2024[116]）开展的个性化反思赋能研究显示，依托ChatGPT定制的小组反思提示，虽能够推动全体学生编程知识小幅提升，但未呈现统计学显著差异，个性化反思赋能的核心优势未得到充分验证。
在对比案例赋能研究中，Naik等（2024[117]）设置自主生成案例、AI定制案例、无案例对照三组实验，结果显示AI生成的个性化对比案例无整体赋能效应，但存在显著的差异化适配效果：先验知识薄弱的学生可通过AI案例弥补认知短板、显著提升学习成效；而基础扎实的学生在自主生成案例的场景中，学习效果更优。
整体而言，GenAI对领域特定知识习得具备正向赋能潜力，但现有研究样本场景单一、干预模式差异化显著，叠加方法论局限，研究结论的普适性有限，仍需更多跨领域、大样本实证研究验证其赋能价值。
高效协作需要小组具备完善的互动、沟通、问题解决、反思调控等综合技能，是协作学习的核心培养目标。但相较于知识习得研究，当前聚焦GenAI赋能协作技能提升的实证研究数量稀少，相关成果较为匮乏。
Darmawansah等（2025[85]）以英语论证口语协作学习为场景，探究GenAI的赋能效果，AI通过信息检索、论证优化、句式重构等方式助力小组研讨。研究结果显示，GenAI脚手架对学生口语论证能力、论证复杂度提升呈现显著大效应（η² = 0.33），能够有效优化学生的协作表达与思辨能力。
Wei等（2025[89]）将ChatGPT、Midjourney、Runway等多类GenAI工具整合应用于数字故事创作协作任务，通过问卷测评学生协作问题解决技能。结果表明，使用GenAI工具开展协作的小组，其协作技能得分显著高于无AI支持小组，呈现较大正向效应（η² = 0.16），证实GenAI可有效赋能综合协作能力提升。
除核心技能与知识成果外，现有研究还探索了GenAI对小组协作表现、互动模式、角色分工、反思思维、团队动态感知、工具使用体验等附属维度的影响，但相关研究较为零散，尚未形成系统化结论（An et al., 2024[103]; Naik et al., 2024[116]; Gong et al., 2024[70]; Zhu et al., 2023[102]; Lin et al., 2024[105]; dal Ponte, Dushyanthen and Lyons, 2023[106]; Cai et al., 2024[90]）。总体而言，GenAI赋能协作技能提升的研究仍处于起步阶段，亟需深化拓展。
指导适应性的原理
学界普遍认为，基于规范教学原则设计的脚手架，才能真正实现高效赋能（Kollar et al., 2025[32]）。当前GenAI自适应协作支持的设计逻辑主要分为四类，分别依托模型自主适配、提示词指令、固定产生式规则、微调与上下文赋能实现个性化干预，各类模式的适配逻辑与应用场景各有差异。
该模式是当前主流的自适应设计方式，完全依托LLM自身能力完成协作监控、状态诊断、干预决策与支持输出，无需预设固定规则（Chu, Xu and Zhai, 2024[78]; Greisel et al., 2025[96]; Jong et al., 2024[74]）。系统的自适应行为完全取决于小组的协作状态、对话内容与主动需求：小组可自由发起提问、申请反馈、请求指导，LLM基于对话上下文与场景特征，自主生成个性化响应与支持策略（Chu, Xu and Zhai, 2024[78]; Wei et al., 2024[104]），适配灵活性极高，但干预专业性完全依赖模型本身的能力与精度。
研究人员通过精准设计提示词，明确界定LLM的角色定位、评估标准、响应风格、赋能方向，实现对模型自适应行为的人工约束与规范（An et al., 2024[103]; Dang et al., 2025[98]; dal Ponte, Dushyanthen and Lyons, 2023[106]; Feng, 2025[86]）。
dal Ponte等（2023[106]）在研究中，通过提示词将LLM定义为健康系统框架评估专家，明确规定方案评估的核心维度，包括评估方法的适配性、可行性，数据来源的相关性、可靠性等，让模型依据标准化准则完成个性化反馈。An等（2024[103]）通过提示词设定AI同伴角色，明确其对话引导、观点拓展、深度启发的核心职责，规范其小组互动行为。
此外，部分研究采用双向适配模式，既可以由研究者预设评估标准与行为规范，也可以由小组自主制定协作规范，AI依托小组自定义规则完成协作监控与反思引导，进一步提升自适应支持的贴合度（Ko and Foltz, 2025[96]）。Wu等（2025[120]）则通过多维度提示词，从行为风格、输出格式、示例参考等方面全方位约束多智能体系统，保障自适应干预的规范性与专业性。
该模式延续传统CSCL自适应支持的设计逻辑，以IF-THEN固定规则（触发器）界定干预条件，实现精准、可复刻的自适应干预，规避模型随机输出的不确定性（Naik et al., 2024[116]）。
Cai等（2024[90]）设置参与度干预规则：当单个组员贡献占比低于10%时，系统自动触发提醒，引导组员积极参与讨论。Naik等（2024[117]）针对编程任务设计代码识别规则，系统精准识别学生代码中的特定表达式，匹配对应的学习目标，自动推送针对性反思问题，引导小组深化探究。该模式优势是稳定性强、干预精准，短板是灵活性不足，无法适配复杂、动态的协作场景。
优化LLM自适应能力的补充方式包含模型微调与场景上下文赋能两类。模型微调是依托专属教学对话数据集、学科任务数据，对预训练模型进行二次训练，优化模型在教育场景的响应专业性与适配性（An et al., 2024[103]; Lin et al., 2024[105]）。但现有研究大多仅提及微调操作，未公开训练数据、参数设置等细节，可复刻性较低。
Feng（2025[86]）提出的上下文赋能模式更具落地性、低成本优势，无需微调模型，仅通过向LLM输入课程课件、任务说明、场景背景、角色规范等上下文信息，让模型精准适配专属教学场景，输出贴合课程目标、任务要求的自适应支持，且可随时根据教学需求调整上下文内容，灵活性更强。
结论：利用GenAI促进协作学习的潜力
生成式人工智能为协作学习自适应支持的创新发展提供了全新路径，打破了传统CSCL技术的局限。通过系统梳理现有实证研究可以发现，当前GenAI在协作学习中的应用集中于高等教育场景，核心赋能角色以信息库、导师/促进者为主，人造小组成员的互动赋能模式仍处于探索阶段。GenAI可针对性赋能协作认知、元认知、社会行为等多元维度，有效优化小组协作模式、助力知识共建与能力提升。同时，当前多数研究仍依赖人工设定规则、评估标准约束AI行为，尚未完全实现模型自主、智能的自适应赋能。
从赋能成效来看，现有研究数量有限且场景集中，结论存在一定局限性。在领域知识习得方面，编程领域的实证研究呈现中小程度正向赋能效应，但部分个性化干预模式未展现显著效果；在协作技能提升方面，仅有少量研究证实GenAI可优化论证能力、问题解决能力，相关实证证据仍较为匮乏。
总体而言，GenAI赋能协作学习的潜力已得到初步验证，而传统协作学习领域积累的大量理论成果、实证经验，可为GenAI自适应支持的深化研究提供坚实基础。高效的协作学习核心是构建小组社会相互依存关系，而GenAI的核心价值，在于精准触发认知、元认知、动机、情感等多维良性协作过程，助力小组高效完成知识共建。
未来研究需从概念与实证双维度深化探索：概念层面，明确LLM在协作检测、诊断、干预中的边界与核心价值，探索其与传统协作支持模式的融合路径；实证层面，验证AI支持行为的适配性、有效性，明确不同干预模式对应的良性协作过程与学习成果，通过理论与实证结合，打造科学、高效的GenAI协作支持体系。
展望：GenAI在CSCL中的未来推动力
在系统梳理生成式人工智能在协作学习场景的应用现状、赋能角色、支持维度与实践成效后，学界亟需进一步探索该技术的未来发展走向。作为研究人员、教育工作者、技术开发者与政策制定者，需依托成熟的教育理论与实证证据，主动规划、科学设计适配小组协作学习的智能教学支持体系，规范技术应用边界，最大化释放GenAI的育人价值。本节结合当前领域研究争议与前沿趋势，系统论述GenAI赋能协作学习的应用定位、融合路径、设计准则与实证研究方向，为后续研究落地与技术迭代提供参考。
尽管计算机支持的协作学习与自适应协作支持领域已积累数十年研究成果，但当前GenAI赋能协作学习的初期探索，大多秉持技术赋能的创新思路，将大语言模型（LLM）视为实现全流程教学支持的独立解决方案，试图依托模型自主完成协作诊断、干预引导、效果优化等全部工作。然而，结合CSCL领域成熟的理论体系与实践经验，这一应用模式的合理性与专业性仍存在显著争议，核心问题在于：LLM是否具备落地高质量、专业化协作支持的全部能力。
依据Molenaar（2021[46]）提出的检测-诊断-行动核心框架，标准化的自适应协作支持需要完成多模态数据采集、协作特征指标研判、学习状态诊断、精准教学干预等一系列专业化流程，这一过程高度依赖教育理论支撑与严谨的数据分析体系，绝非仅依靠LLM的文本生成能力即可实现。过往CSCL、学习分析与教育人工智能领域的大量研究证实，从视频、语音、系统日志等多模态数据流中提炼能够真实表征学习者特征、小组互动状态与协作质量的有效指标，是一项极具难度的系统性工作，至今仍存在诸多技术与方法论难题（Sottilare et al., 2018[123]; Zhou, Suraworachet and Cukurova, 2024[124]; Järvelä et al., 2021[125]）。Schneider等（2021[126]）的综述研究也进一步印证，学界在协作学习多维度有效指标构建、状态精准研判方面，仍持续面临诸多挑战，尚未形成完善的解决方案。
完整的自适应协作支持不仅需要精准识别小组协作的真实状态，更需要依据教学逻辑生成能够推动良性互动、深化知识建构的干预策略，即实现“教学适配性行动生成”，而非简单完成文本续写、内容生成等基础任务。当前LLM饱受争议的“随机鹦鹉”固有缺陷，使其难以稳定输出专业化、规范化的教学内容，极易生成不符合教育规律的内容，甚至复刻教育神经神话，误导协作学习过程（Bender et al., 2021[127]; Richter et al., 2025[128]）。这意味着，将LLM作为独立教学解决方案、全权负责协作学习全流程干预的模式，存在极大的应用风险与局限性。
未来研究需聚焦LLM的能力边界与应用阈值，开展系统性实证探究，重点比对LLM自主输出的干预策略与教育学最优实践的差距，明确其在协作状态检测、学习问题诊断、教学干预落地等各环节的适配场景与短板不足。同时，学界需建立统一的评估标准与讨论共识，规范LLM在协作学习场景的应用定位，规避技术滥用、过度依赖等问题，摒弃“技术万能”的应用误区，为GenAI自适应支持的专业化落地奠定基础。此外，现有多数研究仅预设LLM的教学赋能准则，但极少验证实际场景中模型输出内容与预设教学目标、协作需求的适配度，后续需强化落地效果的过程性核查与实证检验（An et al., 2024[103]）。
相较于将GenAI作为独立赋能工具，依托LLM的自然语言处理、上下文感知、拟人化对话交互等核心优势，补充、优化、拓展传统成熟的协作支持体系，是更具落地价值与发展潜力的路径。协作学习的核心本质是人与人之间的互动协作与知识共建，GenAI的核心价值是赋能、优化人际协作模式，提升协作效率与学习质量，而非替代学习者之间的互动交流，这是智能技术赋能协作学习的核心底线。基于这一理念，GenAI可从协作脚本优化、智能体升级、协作数据分析三大维度，实现与传统CSCL体系的深度融合创新。
在协作脚本优化层面，传统标准化协作脚本存在适配性不足、灵活性欠缺的问题，难以匹配不同小组、不同任务的差异化协作需求。而LLM可依托小组能力特征、任务场景属性、实时对话历史，动态调整协作脚本的表述方式、细化互动指引、定制个性化提示内容，兼顾体系规范性与场景灵活性（Kollar, Wecker and Fischer, 2018[36]）。同时，该模式可实现“自适应+可适应”双重赋能：系统自动适配小组状态调整支持力度，小组也可自主发起咨询、微调支持内容与粒度，按需获取针对性赋能，契合Rummel（2018[28]）提出的多元化自适应设计理念。
在智能辅导系统与会话智能体升级层面，传统教育智能体存在交互生硬、上下文脱节、场景适配性差等问题。融入LLM后，智能体可实现类人化自然语言交互，全程关联协作对话历史与小组探究目标，输出更贴合场景、更具针对性的提示与反馈，有效提升学习者的参与积极性与互动沉浸感（Burkhard et al., 2022[60]; Diziol et al., 2010[54]）。同时，可赋能可教智能体创新发展，通过人机双向互动倒逼学习者主动梳理逻辑、输出观点、开展批判性思考，持续激活小组良性协作模式（Brophy et al., 1999[133]; Hayashi et al., 2025[134]）。
在协作数据分析层面，LLM可有效弥补传统协作分析技术的短板，依托强大的多模态文本解析能力，精准挖掘小组对话内容、互动行为、任务推进状态背后的深层协作特征，提升协作行为分类、状态研判、质量评估的精准度，为传统自适应支持系统的诊断环节提供核心技术支撑（Wong et al., 2025[84]; Zheng et al., 2021[79]）。需要重点警惕的是，LLM存在固有偏见输出、信息失真、刻板印象等问题，在规模化教育落地前，必须完成全方位的效果测试、风险排查与偏差修正，规避技术缺陷对协作学习的负面影响（Bender et al., 2021[127]; Kotek et al., 2023[135]; Richter et al., 2025[128]）。
GenAI协作支持体系的搭建需摒弃“为用技术而用技术”的功利化设计理念，坚守“需求导向、理论支撑、伦理合规”三大核心准则，所有干预策略与赋能模式均需精准匹配小组协作的真实困境，依托成熟的协作学习理论与实证证据落地实施（Kollar et al., 2025[32]; Trentepohl et al., 2025[138]; Cress et al., 2021[136]; Fischer et al., 2018[137]）。Rummel（2018[28]）提出的CSCL多维设计框架，可为GenAI自适应支持的精细化设计提供系统化指导，覆盖赋能目标、作用对象、实施方式、干预时机、支持粒度等全维度决策要点。
从脚手架核心理论出发，GenAI赋能需严格遵循“按需赋能、动态渐隐”的核心原则，保障学习的长效性与自主性。系统仅在小组存在认知短板、协作困境、能力不足时提供针对性支持，随着小组协作能力、自主探究能力的逐步提升，持续精简支持内容、降低干预频次、弱化辅助力度，最终实现支持策略的完全退出，助力小组达成自主协作、独立探究的学习目标（Reiser and Tabak, 2014[33]）。设计过程中需严格把控认知卸载尺度，规避过度赋能问题，保留观点辩驳、逻辑生成、协作探究、自我监控等核心高阶学习活动，通过适度的理想困难锤炼学习者的协作能力与思维能力，杜绝AI替代学习者核心认知活动、造成学习惰性的问题（Risko and Gilbert, 2016[140]; Bjork and Bjork, 2020[143]）。
伦理规范是GenAI教育应用的核心底线，需从伦理、法律、社会影响（ELSI/ELSA）全维度审视技术落地全过程（Nakazono, 2023[144]; Zwart, Landeweerd and van Rooij, 2014[145]）。技术并非绝对中性，LLM在训练数据合规性、数据工作者权益保障、模型偏见、能耗成本、隐性社会成本等方面的潜在问题，会直接影响教育应用的公平性、安全性与可持续性（Bender et al., 2021[127]）。未来设计与应用需依托技术伦理学、人工智能伦理学、教育智能伦理学等专业理论，开展全方位伦理反思与风险研判（Hansson, 2017[147]; Gunkel, 2024[148]; Holmes and Porayska-Pomsta, 2023）。同时，需权衡技术赋能收益与潜在成本，结合优质教育、性别平等、体面工作等联合国可持续发展目标，规范模型训练、场景落地、数据应用等全流程行为，实现技术赋能与伦理合规的双向统一。
当前GenAI赋能协作学习的实证研究仍存在样本场景单一、结论零散、机制不明、重复性不足等问题，尚未形成系统化的研究体系，难以有效指导教学实践落地。后续需聚焦研究主题优化、研究设计完善、跨学科协同创新三大方向，构建严谨、全面的实证研究体系，为智能协作支持体系的迭代优化提供数据支撑与理论依据。
在研究主题层面，未来研究需突破单一认知成果的研究局限，依托Rummel（2018[28]）CSCL设计维度框架，全方位探索GenAI支持的适配场景、作用机制与赋能效果。一方面，重点探究AI赋能角色、干预模式对小组协作过程的影响，包括小组互动模式、角色分工、互动质量、协同调控、知识共建等核心过程（Strijbos and Weinberger, 2010[161]; Järvelä and Hadwin, 2013[162]; Popov, van Leeuwen and Buis, 2017[163]）；另一方面，拓展非认知维度研究，聚焦情绪调节、人际关系构建、自尊培养、元认知发展等多元育人价值，全面评估GenAI的综合赋能成效（Cukurova, 2025[164]）。
同时，需重点探究人机协同协作的内在机制与潜在风险。引入AI智能体后，小组原有互动生态、信息处理模式会发生根本性改变，人机团队的协作优势并非天然存在，仅在人类自主能力优于AI独立能力时方能凸显（Vaccaro et al., 2024[141]）。从认知卸载视角来看，AI赋能可能引发学习者的任务依赖与认知惰性，甚至出现“元认知懒惰”问题，将自我监控、反思调控等核心学习任务委托给AI，损耗生成性学习价值与高阶思维能力（Fan et al., 2025[168]; Brod, 2021[165]; Fiorella, 2023[166]）。后续需深入辨析认知卸载的双面价值，明确良性赋能与过度依赖的边界，厘清不同干预模式下的最优赋能尺度。
在研究设计层面，需摒弃单一对照、简单对比的粗放式研究模式，构建精细化、科学化的实证研究范式。一是聚焦作用机制检验，通过实验设计隔离GenAI支持对协作过程、知识习得、能力提升的独立影响，精准剖析赋能内在逻辑；二是设置高质量对照条件，将GenAI自适应支持与传统协作脚本、会话智能体等成熟支持模式对比，而非仅与无支持场景对照，规避新奇效应干扰，提升研究结论的实践参考价值（Weidlich et al., 2025[113]）；三是强化实施过程核查，验证自适应系统是否精准输出预设支持内容、适配小组真实需求，保障研究结论的有效性与可靠性。
此外，需推动跨学科协同创新，整合学习科学、人工智能、计算机科学、教育实践等多领域优势资源，破解GenAI协作支持研究的复杂性难题。依托基于设计的研究等科学研究框架，开展真实教学场景下的迭代研究，通过多轮实践、优化、复盘，积累稳健、可复刻的研究成果（The Design-Based Research Collective, 2003[172]; Topali, Ortega-Arranz and Molenaar, 2026[174]）。学界需秉持“慢科学”研究理念，摒弃急于求成的研究心态，规避片面、仓促的研究结论，避免无效技术落地与教学资源浪费（Frith, 2020[171]; Weidlich et al., 2025[113]）。
综上，GenAI为协作学习自适应支持的创新发展提供了全新路径，但其育人价值的释放离不开科学化、精细化的设计与落地。数字技术可放大优质教学的效能，但无法替代专业化的教学逻辑与教育理念（Schleicher, 2018[175]）。未来需始终以协作学习核心理论为支撑，以实证证据为依据，以伦理规范为底线，审慎设计、迭代优化GenAI赋能模式，让智能技术真正服务于小组高效协作、知识共建与综合能力发展，助力学习者成长为具备专业素养与协作能力的复合型人才。
© OECD 2026 OECD Digital Education Outlook 2026
致谢
我们要感谢研究小组的同事们，他们激励并帮助我们完善了这一章，同时感谢Stéphan Vincent-Lancrin对早期版本的宝贵评论。特别感谢Nadine Lordick分享她对LLM的“成本”和收益的想法。还要感谢Mutlu Cukurova和Lenka Schnaubert。