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

小组作业

创建 2026-09-10 · 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。

小组作业 —— 由团队而非个人完成的学习与计分作业，既用于培养协作、沟通与共同责任，也产出成果，通常还为每位成员计分。它正处在assessment design（评价设计）与协作学习交汇之处，因而继承了两者的张力：搭便车与社会性懈怠、贡献不均、回避冲突，以及难以把集体成果归因到个体学习上。生成式 AI加剧了这些张力，因为团队如今必须协商谁的、以及何种 AI 参与算作可接受——而学习者自主性研究表明，这种协商在同一届学生内部可能朝相反方向收束，AI 智能体加入小组本身也会重塑它。

值得思考的问题

  • 一项小组任务究竟在产出什么——小组的成果、每位成员的学习，还是他们的协作能力？如果这三者可能分岔，你的评分声称保证的是哪一个？
  • 回想一个你参与过的小组项目。谁做了工作，谁决定了什么算好工作，谁一言不发？其中有多少来自任务设计而非人？
  • 关于小组作业的研究发现，学生常常拒绝追究搭便车者的责任以保护关系。当一名组员用GenAI产出他那部分时，这算搭便车吗——还是这个判断比这个词本身更复杂？
  • 小组可以通过一个共享界面访问 AI，也可以通过每位成员私人的提示词访问。哪一种带来更真诚的协作，又各自掩盖了什么？
  • 如果一个 AI 智能体作为队友加入你的小组——称赞、追问或挑衅——它会加深协作，还是在无人察觉的情况下重塑谁在主导？你如何分辨？
  • 追求任务效率最大化的协作型 AI，往往会最小化学习者的自我调节参与。如果你必须在成果与挣扎之间二选一，你会保住哪一个？
  • 一个中介型 AI 只在保持中立时才被信任。当它从总结转向建议或质疑，信任就会消蚀。一个小组的 AI 究竟应当有多中立？

引言

小组作业在高等教育与专业培训中占据一个独特位置：它因培养协作、沟通与共同责任而受重视，并在诸如教师教育这类面向职业的课程中居于教学法上的核心。然而它的承诺并不会自动实现。教师与学生都报告了有效协作的障碍，而一份计分的小组成果同时承载两种不同的主张——关于小组完成了什么，以及每个个体学到了什么。AI，尤其是生成式 AI，对两者同时施压：它改变了工作如何被分配、贡献如何轻易被拼合，以及每位成员的思考如何能与工具的输出区分开来。知识库中关于协作学习的研究有很大一部分与小组作业相关，本页从中抽取了若干条线索，而非依赖任何单项研究。

为什么小组作业在设计上就是困难的

  • 搭便车与社会性懈怠。 部分成员减少自己的贡献，工作量被重新分摊到更投入的同伴身上。任务范围、小组规模与写作成分会提高其可能性；问责机制与小组效能感则降低它。
  • 问责既是结构性的，也是关系性的。 在香港——知识库中一项小组评价研究开展的地方——本科生常选择不举报搭便车以保护人际关系，自己把活干完而不去面对问题。因此，学生的学习者自主性可能采取"保住成绩、回避冲突"的形式。
  • 协作必须被设计，不能被假定。 当任务可以被划分为相互独立的子任务时，学生会走这条路，小组就退化成一个提交格式，而非共同的智识事业。Chen 与 Zou（2026）发现他们十五个小组中有三个正是如此——把工作分开，各自在"个人平台"上作业，即便连贯性是一项明确的评分标准，也从不汇集各自独立的 GenAI 能力。
  • 过程与产物。 当过程与成果一同被评价时，小组作业最强，而这需要同伴评价或其他可见的中间物，而非单一的最终成品。
  • 公平与包容。 贡献规范、语言与信心在小组内部分布不均。神经多样性学生报告说自己需要结构清晰的作业、小而稳定的小组，以及被明确界定的角色——而 AI 协作工具往往为"平均"学习者而建，通常无法满足这些要求。

AI 如何改变小组作业

关于小组作业中 AI 的研究处理两件不同的事：AI 为小组的任务增添了了什么，以及 AI 对小组的过程做了什么。两者都重要，知识库的发现横跨其间。

AI 作为协作基础设施

关于 GenAI 与小组评价最直接的发现，是Chen 与 Zou（2026）对十五个职前教师小组的三模式研究。能动性并非沿着一条从热情到回避的谱系，而是同时朝三个方向运行。

模式 小组数 实践 理由
合作取向的能动性 5 加强使用 GenAI 连贯性、表现、降低感知风险的共享规范
规范性能动性 7 刻意节制使用 真实性、公平、原创性、视角多样性
未实现的能动性 3 与个人作业时无异 任务被切分；集体互动被视为代价高昂
  • GenAI 作为协作基础设施。 学生加强使用以解决一个熟悉的协作难题——不知道同伴的章节里写了什么。把这些章节喂给一个聊天机器人去解码和对齐，使分散的知识变得彼此可理解，有一个小组把工作流重建为"讨论 → 外化到 GenAI → 集体审阅 → 再讨论"。作者将此读作超出了认知外包，因为判断仍留在学生手中，而工具吸收的是协调工作；同时他们警告，更顺畅的工作流可能绕过那种凝聚力赖以建立的争论。
  • 小组规范可以让问责倒置。 一种宽容的集体氛围降低了感知到的误用风险（"因为除了我，组里每个人都在用 GenAI，这样更自在"），把共享规范变成了共享的风险管理，而不是对学习的承诺——恰与小组问责本来要达成的目标相反。
  • 克制同样是一种能动性。 七个小组削减 GenAI 使用，以保护任务的情境性知识（"AI 只知道你打字那一刻"），避免实际搭同伴的便车，保住使小组彼此区分的原创性，并保留小组已经拥有的视角多样性——这是规范性的自我调节，而非单纯的服从，且从外部很难与脱离区分开来。

小组如何获取 AI 塑造了协作

Xu 等人（2026）表明，团队如何获取 GenAI 本身就是一个设计决策。在同步工作中使用单一共享界面，团队会共同构建"集体提示词"，走"表层—评估—嵌入"的循环，并把聊天记录当作共享记忆；在异步工作中，私人提示与对输出的"去标签化"会打碎透明度，抬高维持共享认知模型的成本。因此获取配置直接关系到互动参与的质量——小组究竟是在共同建构，还是仅仅在共同批准。

AI 作为小组成员重塑了小组

第二条研究线索把 AI 当作参与者而非工具，其发现使"AI 队友意味着更好的团队合作"这一假设变得复杂。

  • 智能体作为社会稳定器——以及问题磁铁。 在十五个由三名STEM学生组成、并与三名大语言模型（LLM）参与者一同就伦理进行审议的小组中（Seo 等人，2026），当人类成员跑题时智能体把小组拉回主题（"即使另外两位参与者跑题了，我也不用自己处理"），并提出那些人类出于关系原因避开的追问。但小组动态把互动从人类身上移开了——79.7% 的问题指向智能体（p = .017）——参与者还指出轮流发言形式中广度与深度的取舍，即每位发言者依次获得发言权，"其他参与者无法插话"，容易覆盖很多想法，却难以深入探讨任何一个。
  • AI 人格重构了涌现的学习者自主性。 Jin 等人（2026）在一项 AI 作为未披露队友的实验中，发现支持型与对抗型人格仍然重塑了小组：对抗型 AI 把话语拉向挑战与反思（有成效的摩擦），而支持型 AI 稳定了共识并重启了构思。关键的是，这种摩擦带有情感代价——对抗型 AI 降低了团队合作满意度与心理安全感，却并未带来创造性收益——所以"有成效的"话语结构必须与其情感后果一起权衡。由于人格即使未被披露也起作用，它们把人格设计定位为对小组协作的一种无形AI 治理。
  • 争议可以对抗群体思维。 Wiss 等人（2025）刻意反其道而行：一个被提示注入争议观点的 AI 智能体（CALIE）激发了十二个跨专业PBL团队的批判性思维与正向小组动态，抵消了小组作业可能产生的从众压力。与 Jin 等人的对照颇具启发——当挑战是有意的设计时它有帮助，当它是未被承认的副作用时它有害。
  • 中立中介者的约束。 Spritz是一个通过揭示隐含假设来中介跨学科团队学科边界的 AI，它同时被珍视为认知支持与关系缓冲——但学生的信任是承重的，且一旦 AI 从中立中介者变为顾问或挑战者，信任便消蚀。因此角色切换需要是显式且可配置的，而非静默的。
  • 协作本身可以成为教学的对象。 ProPACT把二人组——而非个体——作为分析单位，对共同注意与努力建模，提前至多 30 秒预测协作崩溃。接受主动反馈的二人组取得了更高的调试成功率，并在随后于协作教育中的人工智能监管上显示出持续的增益：AI 可以教协作本身，而不只是支持一项任务。

效率—调节的取舍

Hao 等人辨识了 AI 参与复杂问题求解时的三种协作模式——Delegated Reasoning（委派式推理）、Concerted Interpretation（协同式解释）与 Delegated Elaboration（委派式细化）。最高效的模式（委派式推理）产生最好的任务表现，但自我调节参与最低；自我调节最强的模式（协同式解释）在任务上表现不足。这是 AI 中介式小组作业的核心设计张力：在人—AI 分布式系统的效率与学习者调节参与的深度之间求平衡。

精致产物的认识论风险

Kimmerle概念化了学习者用 AI 产出精致知识成果时认识论努力下降的风险——社会认知一侧的自动化偏见，另一侧由完成品诱发的认识论闭合。补救之道是把 AI 结构化为一个保留冲突的论证伙伴或挑战者。反向的例证来自Oppenheimer 等人，他们发现当 LLM 充当批评伙伴、学生主动反驳其主张时，学习者表现得像批判性消费者，保存而非交出批评中的认知冲突。一个给答案的队友与一个挑战型伙伴之间的差别，决定了带 AI 的小组作业是建构思考还是绕过思考。

课堂层面的非评价性支持

CoBi检测"鼓舞人心"的小组话语（尊重、公平、共同体、推动思考前进），并返回非评价性的、课堂层面的可视化——刻意不提供学生或小组层面的反馈以保护隐私与信任。学生偏好质性可视化（一棵有机生长的树）胜过量化可视化（一张雷达图）。就小组作业的关系维度而言，课堂层面的聚合反馈支持共同体建设，而个体评分会让人感到被监视。

设计启示

  • 把 AI 使用方式的协商变成一个可评价的结果。 Chen 与 Zou（2026）论证，团队应当论证并记录 GenAI 将被如何使用与不被如何使用，把一条隐含的同伴规范转化为显式的、可评分的推理，而不是把它留给感知风险去决定。
  • 不仅评产物，也评过程。 同伴评价、中间交付物与反思性贡献，创造了规范与共享理解真正得以建构的那些互动。
  • 不要只依赖一条连贯性标准。 评分表上一条要求整合的条目，在任务结构仍允许分而治之时并不能产生协作；工作流本身必须要求共同劳动。
  • 刻意设计获取方式。 小组共享一个 AI 界面还是每位成员私下提示，会改变协作的透明度以及维持共享认知模型的成本。
  • 显式决定 AI 的角色。 中立的中介者被信任；顾问或挑战者不被信任，除非那个角色是显式且有意的。对抗型人格可以对抗群体思维，但只能作为一个设计特性，并承认其心理安全代价。
  • 在效率与自我调节之间求平衡。 追求任务效率最大化的协作型 AI 会削弱学习者的调节参与；设计应有意识地为协同式解释留出空间。
  • 优先选择论证伙伴而非给答案者。 把 AI 结构化以暴露分歧而非抹平它，使小组作业保存那份建构理解的认知冲突。
  • 为神经多样性学习者提供调适。 结构清晰的作业、小而稳定的小组、明确的角色界定，是 AI 协作工具必须支持的要求。
  • 谨慎解读克制。 在小组中回避 AI 的学生，可能是在行使规范性自我调节——也可能在防范风险与陌生感。这两种情况需要不同的教师回应。

关联概念

关联文章

相关常见问题

元数据

层次Higher Ed
目标读者Instructors, Learners
学习与教学协作学习
技术与方法生成式人工智能
评估与测量评估, 真实性评估, 同伴互评
教育中的人工智能基础学术诚信, 学习者自主性
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。