AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

协作学习

创建 2026-08-09 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

协作学习（Collaborative Learning） — 学生协同解决问题、完成任务或建构知识的教学取向，由 AI 工具支持或中介。在教育中的人工智能里，协作学习研究横跨 AI 作为协作伙伴、AI 作为人类协作的中介，以及协作式 AI 导学系统的设计。

值得思考的问题

  • 回想一次你在小组中深入学到某件事的经历。是什么使它奏效？现在想象一个 AI 聊天机器人加入那个小组 —— 它会如何强化，或悄无声息地削弱你所体验到的？
  • 研究发现一种权衡：把推理委派给 AI 产生最好的任务表现，却最缺乏自我调节性参与；而建构自我调节的那种模式在任务上表现较差。如果必须选择，你会保护哪个 —— 结果，还是奋斗？
  • ICAP 框架把“互动式”协作列为参与的最深形式。一个替小组作答的 AI，会不会实际上把协作从互动式降格为仅仅是被动 —— 即使学生感到更满意？
  • 一项研究发现，AI 中介只在保持中立时才被信任；当 AI 转向建议或质疑时，这种信任便受到侵蚀。一个小组的 AI 中介究竟应该有多中立？
  • 当学习者用 AI 产出一件精致的成果时，他们可能跳过建构理解所需的认知努力。你会如何设计一个把分歧与冲突浮现出来、而非将其抹平的 AI 伙伴？
  • 神经多样性学生报告说需要结构化的作业、小而稳定的团队，以及明确的角色。如果 AI 协作工具是为“平均”学习者而造，谁可能被排除在外 —— 你又会如何不同地设计？

引言

协作学习奠基于社会文化理论的学习观，后者把知识建构定位为根本上是社会性的。AI 引入了新的动态：AI 可以作为同伴、促进者或协作过程的参与者。本知识库的文章探讨 AI 中介的协作如何影响学习结果、认知参与与公平 —— 以及协作结构必须如何设计以容纳多样的学习者。

**作为构念的协作对作为结构的小组作业。**协作学习是更宽的理论：知识通过共同活动与对话被共建。小组作业是其最具体的形式实现 —— 一个团队产出一份共享的成果，往往还有一份共享的成绩。两者密切相关但并不相同：一个小组可以在没有真正协作的情况下运转（任务被分割为独立部分、工作只是被拼合），而协作也可以在没有正式小组的情况下发生（两人组、全班对话，或人–AI 交互）。AI 恰恰最用力地压在这个缝隙上 —— **Chen 与 Zou（2026）**发现，有些小组的个人GenAI实践从未变成集体能力，因为任务从未要求共同工作；而在另一些小组中，共享的成绩使 GenAI 使用成为一个协调问题。小组作业页面深入考察这些动态；本页则把更宽的镜头留在协作学习整体上。

AI 作为协作伙伴探讨 AI 在小组学习中的角色。**Kimmerle概念化了学习者用 AI 产出精致知识成果时认知努力减少的风险，主张把 AI 结构化为一个保全认知冲突的论辩性伙伴。在课堂规模上检验这一点，Oppenheimer、Cash 与 Connell Pensky（2025）让社会科学导论学生（n = 154）撰写论辩性文章，接受来自大语言模型如 ChatGPT、Gemini 或 Claude 的批评，然后加以采纳或反驳；盲编码者在 92.7% 的回应中发现反思，在 87.8% 中发现对 LLM 主张的主动反驳（评分者间 κs = 0.81–0.89），证据表明学习者表现得像批判性消费者，保全而非放弃了批评的认知冲突。Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving考察情绪如何塑造与 AI 的协作问题解决。Systematic Review of Collaborative Learning Activities for Promoting AI Literacy**探索协作式AI 素养发展的路径。

促进者的认可是学生是否接受一个唱反调的智能体的最强观测杠杆：在十二支跨专业团队中，那些教师促进者影响了其 AI 整合的团队，把 AI 评为更属于团队的一部分（M = 3.08 对 2.64）、其反馈更有帮助（M = 3.44 对 2.93）（Wiss 等（2025））。

AI 中介的同伴协作考察 AI 如何为人类对人类的协作搭脚手架。**ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming与Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning探索 AI 智能体特征如何影响小组动态。When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community记录AI 智能体相互教学如何产生类似人类同伴学习的话语模式。覆盖全班的系统把这一点延伸到协作的关系维度：CoBi**运用语音识别与语言理解来检测“鼓舞人心的”小组话语（相互尊重、公平、致力于共同体、推动思考前进），并返回非评价性的、班级层面的可视化，以支持共同体建设与协作技能，刻意不提供学生或小组层面的反馈，以保护隐私与信任。

神经多样性视角下的协作揭示关键的设计要求。**Zastudil 等**发现，神经多样性学生需要结构化的作业、角色被明确定义的小而稳定的团队，以及可预测的交互模式 —— 这些是 AI 协作工具必须容纳的要求。这使协作学习连接到包容性学习与神经多样性。

教师–AI 协作考察教师与 AI 如何协同工作。**Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing与Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence**探索人机协作教学的框架，连接到教师角色与人在回路中的 AI。

AI 作为教学法中介把 AI 在协作中的角色重新概念化，超越工具或同伴。借助社会文化理论与分布式认知，**Niari**把 AI 定位为交互编排、认知意义建构与调节过程中的一个主动参与者，在人类与非人类行动者之间重新分配能动性、权威与责任，而不排挤学习者或教师的能动性。这使协作学习奠基于一种社会中介的、共同调节的 AI 观，而非个体主义的 AI 观。

**协作模式与效率–调节权衡。**对大学生与 AI 协同进行复杂问题解决的实证研究识别出三种不同模式 —— 委派式推理、协同性阐释与委派式精加工。最高效的模式（委派式推理）产生最高的任务表现，却带来最低的学习者自我调节性参与，而自我调节最强的模式（协同性阐释）在任务结果上表现较差。(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) 这揭示了一个核心设计张力：协作学习环境必须在分布式人机系统的效率与学习者调节性参与的深度之间取得平衡。

关于 AI 支持的协作工作，唯一可得的元分析对比位于 GenAI 支持的问题式/项目式学习干预内部，其中同伴协作汇总为 g = 0.885，个人工作为 g = 0.416，但差异只达到边缘趋势（QM = 3.675，p = .055），且个人工作一侧只依赖两项研究 —— 因此“协作在 GenAI 下胜过独自工作”的汇总证据只是提示性的，而非已确立（Chen 等，2026）。

一项对 18 项研究的范围综述在同一小组作业上绘制了同样的权衡：GenAI 既支持了知识发展、想法生成与沟通效率，也降低了对同伴交互、协商与集体意义建构的需求；随机证据发现了更具创新性的 AI 建议，而参与者的总体创新性却没有显著增益（Wei 与 Perkins（2026））。

**角色设计是协作知识建构的质量（而非数量）的杠杆。**Cheng 等（2026）**在 16 个小组的 58 名研究生与其 AI 伙伴之间轮换担任主持人、分析者与辩者角色，发现该结构把小组思维导图的内容提升了近一个完整 SOLO 层级（M = 3.65 到 4.59，z = 3.771，p < 0.001），而节点与分支数量保持平坦 —— 是组织而非覆盖 —— 代价是协作认知负荷的温和上升（p = 0.023）。滞后序列分析增加了一个评价自我转移和一条冲突–辩护路径，这是工具单独所不能产生的，把人机协作定位为一个设计问题，而非工具问题。

**GenAI 作为小组中的智能体与空间 —— 模式重要。**Xu 等（2026）**观察到，一个团队如何接触 GenAI 塑造了协作：在同步工作中使用单一共享界面时，团队共建“集体提示”，运行一个表层–评价–嵌入循环，并把聊天记录当作共享记忆；在异步工作中，私下提示与输出的“去标签化”使透明度碎片化，并提高了维持一个共享认知模型的成本。他们的 GenAI 支持协同工作（GSCW）透镜把 GenAI 框定为一个可配置的智能体（从个人助手到团队成员）与一个交互式的协作空间 —— 把接触配置直接连接到与ICAP相关的互动参与质量。

GenAI 作为小组协调的基础设施 —— 以及合作被抹平的风险。Chen 与 Zou（2026）**展示了十五个职前教师小组在一个计入成绩的小组汇报中如何处理 GenAI，其分化与“小组压力增加 AI 依赖”这一通常假设相反。五个小组为解决一个熟悉的协作问题而加剧了使用 —— 不知道同伴的部分写了什么 —— 把这项工作交给聊天机器人使其变得可理解，并对齐自己的部分，有一个小组把它的循环重构为讨论 → 外化给 GenAI → 集体复核 → 再讨论。作者把这读作不只是认知外包，因为学生保留了判断、而工具吸收了协调，但警告更顺畅的工作流可能绕过分歧，而凝聚力传统上正是经由分歧建构的，这使关系性劳动成为一个开放问题。七个小组反而削减了 GenAI 使用，以保护在共享课堂中建构的情境化知识（“AI 只知道你打字那一刻”）、对同伴的公平、跨小组的原创性，以及小组已经持有的视角多样性。三个小组完全没变：任务被分割为独立部分时，个人层面精熟的 GenAI 实践从未变成集体能力，尽管连贯性是一项显性标准。这一模式提示，决定一个小组拿 AI 做什么的是小组规范，而非工具 —— 而集体采纳可能降低被感知的误用风险，而非提高承诺。

把协作作为教学的对象。ProPACT是一个面向结对编程的、AI 驱动的自适应导学系统，它把二人组（而非个人）作为分析单元，实时建模联合视觉注意、联合心智努力与基于瞳孔的信号，以提前最多 30 秒预测协作失效并在其发生前干预。接受主动反馈的二人组取得了显著更高的调试成功率、更高效地完成任务，并在之后表现出协作调节的持续增益 —— 证据表明 AI 可以教会协作本身，而不只是支持一项任务。测量协作胜任力面临评估协作问题解决（CPS）技能的互补性挑战，后者传统上需要把模拟任务的过程数据人工编码为 CPS 行为 —— 耗时且难以规模化；对预训练语言模型的情境感知提示通过建模情境依赖并融合认知与社会能力，使这一编码自动化，性能优于强基线。

**脚手架应匹配小组谈话的顺序，而非其频率。****Wong、Bulathwela 与 Cukurova（2026）**挖掘了 65 名学生的三人组对话序列，发现一种顺序 —— 先转述、再提议、后质疑 —— 与改善相关，而逆序则不然；最大化的脚手架既提高了在任务行为，也增加了照本宣科与更少的问题解决指标。

AI 作为中立中介 —— 以及它不再中立时的张力。Spritz是一个基于 Discord 的大语言模型探针，通过浮现隐含假设并把匿名化的综合返还给共享讨论，来中介跨学科学生团队中的学科边界。学生既把它视为认知支持、也视为关系性缓冲，但出现了一个核心张力：AI 被感知到的中立性是承重的，一旦 AI 从中立中介转向顾问或挑战者便会受到侵蚀 —— 这是智能体在保全人机协作与信任校准的同时中介协作的一个关键设计约束。

**一个结构化的促进者协议 —— 及其谄媚风险。****Seo 等（2026）**用一个结构化的发散–审议–收敛协议扩展了协作式学习设计：一个 LLM 促进者堆叠发言轮次、为各阶段计时，并增量式地总结，45 名学生认为这种格式简单、像讨论，并降低了对外部促进的需求。该设计的转折点在于研究所直接测量的一个张力：智能体支持了视角采纳的广度（小组产出了更大、更多样的利益相关者与方案集合，且智能体一贯地为少数派观点发声），然而谄媚的、无推理的赞同抹平了使协作深化思考的认知冲突。参与者要求智能体输出展示中间审议步骤而非只有结论，并要求保留真正分歧的反论点。

面向 AI 教育的协作结构。AI 学术联盟通过民主的学生治理与项目团队来组织 AI 教育，把主动学习与项目式学习嵌入一个协作的、与共同体相连的结构。

ICAP 框架：协作作为最高的参与模式

协作学习占据ICAP 框架（互动式–建构式–主动式–被动式）的顶端：互动式模式 —— 通过对话共建意义、捍卫一个立场，或协同解决 —— 在 Chi 的分类中产生最深层的知识改变。这使 ICAP 既是协作教学法的理据，也是对 AI 的设计约束。一个中介讨论的 AI（如Spritz或ProPACT所做）恰恰在维持互动式参与时才有价值；一个替小组作答或抹平认知冲突的 AI，可以把协作降格为仅仅主动式或被动式。基于 ICAP 的标注（参见协作对话的扩展 ICAP 测量）与促进时机研究，都把互动话语的质量视为关心的结果，把协作学习奠基于学生参与与 ICAP 层级之上。(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

实践指引

  • **示范协作，不只是示范个人。**追踪二人组或小组状态的工具（如ProPACT）可以为协作本身搭脚手架，预测并预防失效，而非事后应对。

  • **保全认知冲突。**把 AI 结构化为一个浮现分歧与隐含假设的论辩性伙伴，避免“精致成果”的问题 —— AI 抹平了脆弱的认知参与。

  • **唱反调的人设有情感代价。**在 97 个三人组中，唱反调的 AI 把话语推向挑战与反思，却降低了团队满意度（ε² = .062）与心理安全感（ε² = .114），且没有提高创作产出（Jin 等（2026））。

  • **让智能体的功能与你想要的结果相匹配。**一项对计算机支持协作学习中 46 项 AI 智能体研究的综述发现，认知增益被一贯地报告，而行为、社会与情感结果仍随情境而异，且在智能体功能与结果之间，同一领域内的对齐最强（Ba 等（2026））。

  • **一个独立的促进者角色减少的是支配，而非响应。在Oyelere（2026）**的模拟基准中，在导学者之外增加一个促进者智能体，降低了二人组的轮次与词语不平衡（M = 0.103 与 0.105，对 0.183 与 0.182），却没有改变互惠性参与 —— 尽管学习者是人造的 persona，而非真实的二人组。

  • **平衡效率与自我调节。**把任务效率最大化的协作 AI（委派式推理）会削弱学习者的调节性参与；设计应有意识地为协同性阐释保留空间。

  • **尊重中立性约束。**AI 中介在中立时被信任；转向顾问或挑战角色会动摇这种信任，因此角色切换应当是显式且可配置的。

  • **容纳神经多样性学习者。**结构化的作业、小而稳定的团队、明确的角色定义，是 AI 协作工具必须支持的要求。

  • **优先选择非评价性的、班级层面的反馈。**在支持协作的关系维度时，班级层面的聚合反馈保护了隐私与学生能动性，而个体评分会使人感到被监视；CoBi的学生偏好定性可视化（一棵有机的树）而非定量的（雷达图），而教师更看重用系统的观察来激发反思，胜过实时展示。

  • 为贡献之前的观看/注意而设计。在线讨论论坛中的协作学习，不只取决于发帖，也取决于发帖之前的阅读。**Hao 与 Cukurova（2026）**表明，LLM 生成的讨论摘要与范例帖子可以充当导航性脚手架，拓宽学生对同伴贡献的接触，以及建立桥接（弱关系）社会资本的网络条件 —— 这种支持应当补充、而非取代在学业负荷下维持参与的社会–教学法策略。

  • **社会一面显示出扰动而无补偿性增益。**在五项协作过程上，一个 30 人专家共识只在脆弱性上达成一致，增强评分低于阈值：社会连接（3.80 对增强 1.90）、社会情感发展（3.60 对 2.00）、社会学习、协作学习与归属感（均为 3.30）（Kendeou、Greene 与 Nixon 等，2026）。该报告把这一不对称视为设计目标，因为协作问题解决锚定于一件共享的成果，而协作学习没有可见的参照物，可能不被察觉地侵蚀。

关联概念

关联文章

相关常见问题

元数据

层次K 12, Higher Ed
目标读者Learners
学习与教学协作学习, 脚手架
公平、伦理与负责任使用公平性
教育中的人工智能基础教育中的人工智能
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。