本文介绍了一项关于人工智能支持协作知识建构（Collaborative Knowledge Construction, CKC）中学习调节的研究，由Fan Ouyang、Mian Wu、Liyin Zhang、Weiqi Xu、Luyi Zheng和Mutlu Cukurova共同完成，发表在2023年1月的《Computers in Human Behavior》期刊上。该研究旨在通过多层次的视角，揭示CKC过程中认知和调节行为的动态特征，并提出了一种基于隐马尔可夫模型（Hidden Markov Model, HMM）与序列分析相结合的集成分析方法。

研究背景与目的

协作知识建构（CKC）强调小组成员通过信息共享、互动和集体知识的构建来解决问题。然而，现有的研究大多集中在单一层次（如个体、同伴或小组）的分析上，未能充分揭示CKC的多层次、多维度和动态变化的特性。为了填补这一空白，本研究提出了一个概念框架，结合了学习分析（Learning Analytics, LA）和教育数据挖掘（Educational Data Mining, EDM）技术，旨在通过多层次的视角分析CKC过程中的认知和调节行为。

研究方法

研究在浙江大学的一门研究生课程中展开，参与者为24名在职教师或教育管理者。研究通过收集小组讨论的音频数据，采用隐马尔可夫模型（HMM）结合滞后序列分析（Lag Sequential Analysis, LSA）和频繁序列挖掘（Frequent Sequence Mining, FSM）的方法，分析了CKC过程中的多层次特征。具体步骤包括： 1. 数据收集：记录了27个小组的讨论音频，最终筛选出19个有效音频进行转录和分析。 2. 数据分析：采用半开放式的编码框架，对转录的文本进行编码，涵盖认知和调节两个维度，分别从个体、同伴和小组三个层次进行分析。 3. 序列分析：通过滞后序列分析和频繁序列挖掘，揭示不同层次之间的序列特征和过渡关系。 4. 隐马尔可夫模型：使用HMM识别协作模式及其过渡轨迹，进一步揭示CKC过程中的动态变化。

主要结果

1. 分布特征：认知维度的行为主要发生在同伴层次，而调节维度的行为则更多发生在小组层次。个体层次的新观点贡献（New Idea Contribution, NIC）是认知维度中最频繁的行为，而小组层次的目标设定与计划（Goal Setting & Planning, GSP）是调节维度中最频繁的行为。
2. 序列特征：大多数序列过渡发生在认知维度，且主要集中在同伴层次。调节维度的过渡强度虽然较弱，但其过渡的显著性高于认知维度。
3. 协作模式：研究识别出四种协作模式，分别是任务理解与计划的调节模式、观点贡献的认知模式、认知与调节的混合模式以及观点批评与总结的认知模式。这些模式在CKC过程中呈现出从调节模式到认知模式的过渡轨迹。

研究意义与价值

本研究通过多层次、多维度的分析方法，揭示了CKC过程中认知和调节行为的动态特征，填补了现有研究的空白。研究提出的集成分析方法不仅能够更好地捕捉协作学习过程的复杂性和动态性，还为未来的智能支持系统提供了理论基础。具体来说，研究结果可以为教师设计多层次的教学支架提供依据，帮助学生在协作学习中更好地进行知识建构和调节。

研究亮点

1. 多层次分析：研究首次将个体、同伴和小组三个层次的分析结合起来，揭示了CKC过程中多层次行为的动态变化。
2. 集成分析方法：结合隐马尔可夫模型、滞后序列分析和频繁序列挖掘，提供了更为精细的协作学习过程分析工具。
3. 协作模式识别：通过HMM识别出四种协作模式，揭示了CKC过程中从调节到认知的过渡轨迹，为未来的智能支持系统提供了分类依据。

结论

本研究通过多层次、多维度的分析方法，揭示了CKC过程中认知和调节行为的动态特征，填补了现有研究的空白。研究提出的集成分析方法不仅能够更好地捕捉协作学习过程的复杂性和动态性，还为未来的智能支持系统提供了理论基础。具体来说，研究结果可以为教师设计多层次的教学支架提供依据，帮助学生在协作学习中更好地进行知识建构和调节。