55、人工智能在STEM教育计算机支持协作学习中的应用系统综述

人工智能在STEM教育计算机支持协作学习中的应用系统综述

1. 引言与前期工作回顾

计算机支持的协作学习（CSCL）是一个研究领域，关注联合意义构建实践以及这些实践如何通过工具和语言进行中介。CSCL的主要目标之一是了解技术如何帮助创建一个支持在面对面或/和在线学习空间中共同构建知识活动的学习环境。

人工智能技术（如机器学习、深度学习和自然语言处理）的发展为支持CSCL带来了新机遇，例如优化小组形成、支持学生互动以及促进领域理解。在CSCL中，小组形成和小组内学生互动是保证有效协作的两个关键因素，也是人工智能技术和工具设计与实施的两个主要目标。

一方面，小组形成建立了协作学习的社会环境，对小组的进一步发展、过程和表现有深远影响。学习者的特征（如学习风格和人际交往能力）对协作质量有重要影响，关于这些特征应采用同质还是异质分组方式存在长期争论，但精心设计的小组构成可以促进小组凝聚力，显著影响协作学习中的学生互动。

另一方面，小组内学生互动是成功协作学习的关键，学习者通过互动分享理解、交流想法和协商意义。先前研究确定了有助于实现理想学习成果的两个学生互动因素：一是通过论证进行知识构建，如推理、阐述和论证；二是营造具有积极相互依赖和责任感的小组氛围。

此前有五项文献综述，其中三项系统回顾了小组形成，两项回顾了学生互动。但现有文献综述存在两个空白：一是缺乏对人工智能在STEM教育协作学习中应用的系统综述；二是关于相关人工智能技术对STEM教育协作学习效果评估的信息报道较少。本次文献综述旨在了解2011 - 2021年人工智能在STEM教育CSCL中的应用和效果，包括支持小组形成和学生互动的人工智能设计，以及评估所提出的人工智能技术对改善STEM教育CSCL的效果。

2. 研究方法

2.1 研究目的与问题

本次文献综述的主要目的是全面了解2011年1月至2021年3月在STEM教育背景下人工智能在CSCL中的应用。提出了三个研究问题：
- RQ1：将人工智能应用于支持STEM教育CSCL的研究总体趋势如何？
- RQ2：人工智能如何应用于支持小组形成，以及对小组形成有何影响？
- RQ3：人工智能如何应用于支持学生互动，以及对支持学生互动有何影响？

2.2 文献搜索

本次文献综述遵循特定程序。2021年3月，在多个数据库（包括ACM、DBLP计算机科学文献目录、IEEE、JSTOR、ScienceDirect、Taylor& Francis和Wiley）进行文献搜索，并使用谷歌学术指标推荐的教育技术期刊进行进一步搜索，以确保文献综述的全面性。

采用了三组关键词：
- 与协作相关的关键词，如“collaborative”、“cooperative”、“team”和“group”；
- 与教育相关的关键词，如“learning”和“CSCL”；
- 与人工智能相关的关键词，如“artificial intelligence”、“AI”、“intelligent”、“adapt”和“personalized”。

这些关键词在组内使用布尔“OR”运算符连接，组间使用“AND”运算符连接。

2.3 研究选择

创建了纳入和排除标准（见表1），并通过三个步骤选择文章：
1. 快速筛选 ：扫描关键词搜索得到的每篇文章的标题、关键词和摘要，排除不符合出版年份、来源、类型、语言和主题标准的论文，共纳入177篇文章进行进一步审查。
2. 全文筛选 ：阅读每篇文章，确保其研究主题和领域与综述目的一致。排除与STEM教育无关的文章，包括非教育目的或非STEM背景的文章，采用NSF对STEM的定义，同时保留与学科无关或未指定学科信息的文章。此外，根据CSCL环境的定义，纳入旨在支持学习者之间协作学习的人工智能技术，排除将人工智能用于教育评估的研究工作，此步骤共纳入112篇文章。
3. 质量评估 ：评估所选文章是否能回答研究问题，以确保文章质量。如果多篇论文描述了相同的人工智能技术且对协作学习支持的改进较少，则选择对设计信息和研究过程描述更详细的报告。最终，共有69篇文章被纳入本次系统综述。

纳入标准	排除标准
出版年份：2011.01 - 2021.03	-
出版来源：同行评审的会议论文集或期刊	书籍章节；杂志；报纸
论文类型：研究论文	综述；海报；短文；专家意见
语言：英语	-
主题：协作学习和人工智能技术	自学或个体学习；无人工智能技术支持的协作学习
教育领域：STEM教育；与学科无关	-
研究重点：应用人工智能技术支持小组形成和学生互动	从研究角度分析社会互动或/和学习成果的总结性评估的人工智能技术
细节：详细描述人工智能技术和研究过程	-

2.4 数据提取

1. 提取文章的文献计量信息，包括出版年份、出版来源、研究类型和关键词。研究类型根据Wieringa等人（2005）的分类主题进行编码，包括提案（提出新解决方案但未验证）、验证（研究提案的效果）和评估（评估现有提案在不同教育背景和人群中的效果）。
2. 记录用于协作学习的人工智能技术，包括具体算法、系统或框架。
3. 记录关于人工智能对协作学习评估的研究结果，包括方法和结果。

2.5 数据合成与分析

为回答RQ1，开发了编码方案（见表2）来合成每篇文章的信息，包括研究类型和出版来源、教育背景、研究重点以及用于验证/评估的研究方法。统计2011年至2021年第一季度（记为2021 (Q1)）每个代码的文章数量，并计算增长率（比较2011 - 2015年和2016 - 2020年的出版物）。此外，使用VOS viewer对研究关键词进行共现网络分析，将至少在三篇文章中共同出现的两个关键词纳入关键词共现网络。

对于RQ2，对与支持小组形成相关的数据进行开放式编码，包括小组规模、用于分组学生的学习者特征、分组机制和提出的用于生成小组的人工智能技术，并评估这些技术对协作学习的影响。

对于RQ3，对与支持学生互动相关的数据进行开放式编码，包括人工智能工具的最终用户、协作学习的互动环境、设计目标、提出的人工智能算法、工具或系统，以及协作任务、验证/评估研究的持续时间、用于评估人工智能技术效果的措施和评估结果。

类别	代码	定义
文章信息	提案	提出新解决方案但未验证的研究论文
	验证	研究提案效果的研究论文
	评估	评估现有提案在不同教育背景和人群中效果的研究论文
	会议	-
	期刊	-
教育背景	小学	1 - 6年级
	初中	7 - 9年级
	高中	10 - 12年级
	高等教育	学院、大学、研究生院
	自然科学	涉及生物、物理和化学等自然现象的学科
	数学	旨在理解数字、数量和空间模式的学科
	计算机与信息科学	融合了技术、工程和数学等多个STEM学科的领域
	社会与行为科学	心理学、经济学、社会学和政治学等学科
研究重点	小组形成	提出支持小组形成的人工智能
	学生互动	提出支持学生互动的人工智能
研究方法	RCT实验	采用随机对照试验设计进行评估
	准实验	在无随机抽样或/和对照条件下实施干预
	实验（模拟）	模拟人工智能实施的真实条件，变量组合不同
	描述性	用描述性数据（如频率和百分比）报告评估结果
	相关性	评估感兴趣的变量（如人工智能分类与人类专家分类）是否在统计上显著相关
	基于设计的研究	通过迭代设计和实施开发人工智能工具或系统
	1 - 30	小规模
	31 - 100	中小规模
	101 - 1000	中大规模
	>1000	大规模
	调查	评估学习者对人工智能和协作学习活动的感知体验或态度
	前后测试	评估学习者在干预前后的知识或技能增益
	日志文件数据	记录学习者与人工智能互动时的信息，包括行为、聊天和发布的消息
	访谈	深入了解学习者对人工智能和协作学习活动的看法
	观察	通过视频和音频记录或实地笔记捕捉用户 - 用户互动或用户 - 人工智能互动
	数据集	涉及用于表征用户模型或学习环境的多维变量
	学习者表现（认知）	与知识获取和认知技能发展相关的学习者表现
	学习者表现（行为）	与协作学习过程中发起的身体和言语行为相关的学习者表现
	学习者表现（情感）	与协作学习活动的感受和情绪相关的学习者表现
	学习者体验	学习者对人工智能支持协作学习功能的理解
	算法/系统性能	所提出的算法/系统解决特定问题的能力

3. 研究结果

3.1 RQ1：总体趋势

• 研究类型 ：大多数综述文章同时报告了提案和验证研究（N = 52），其次是评估研究（N = 13）和无验证的提案研究（N = 4）。在提案类型的四篇文章中，有一篇是最近发表的。有一篇文章的评估研究后来发表，也被纳入本次综述。另外两篇提案缺乏实证证据来检验人工智能在CSCL中的效果。

研究类型	总数	2011 - 2015	2016 - 2020	2021(Q1)	增长率
提案和验证	52	21	29	2	38.10%
评估	13	6	7	0	16.67%
提案	4	1	2	1	100.00%

注：增长率计算排除2021 (Q1)的出版物。

• 教育背景
  • 教育水平 ：大多数综述文章关注高等教育水平，过去五年增长率最高，达到61.54%。相比之下，小学和初中受到的关注最少。高中虽然出版物数量排名第二，但过去五年增长率下降。
  • 教育领域 ：大多数综述文章针对计算机科学、技术和工程领域，其次是自然科学和数学。社会科学受到的关注最少，仅找到一篇关于心理学的论文。计算机科学领域的增长率明显增加。

类别	子类别	总数	2011 - 2015	2016 - 2020	2021(Q1)	增长率
教育水平	小学	5	2	2	1	-
	初中	6	3	3	0	-
	高中	11	6	4	1	-33.33%
	高等	35	13	21	1	61.54%
	未指定	15	-	-	-
教育领域	计算机科学与技术和工程	23	9	14	0	7.58%
	自然科学	11	4	5	2	1.52%
	数学	9	5	4	0	-1.52%
	社会科学	1	1	0	0	-1.52%
	未指定	26	-	-	-

注：两篇文章报告了初中和高中背景的研究；一篇文章报告了涉及高中和高等教育水平的研究；一篇文章报告了在自然科学和数学领域进行的研究。增长率计算排除2021 (Q1)的出版物。

• 研究重点
  • 设计目标 ：在69篇综述文章中，19篇针对小组形成主题，43篇关注学生互动，2篇同时报告了小组形成和学生互动。其余5篇文章既不属于小组形成类别也不属于学生互动类别。2011年1月至2021年3月期间，与学生互动相关的研究工作数量是小组形成的两倍。有趣的是，小组形成的增长率明显高于学生互动，分别为180.00%和0.00%。

研究重点	总数	2011 - 2015	2016 - 2020	2021(Q1)	增长率
小组形成	19	5	14	0	180.00%
学生互动	43	20	20	3	0.00%
两者	2	0	2	0	-

注：两项关注改善学生互动和小组形成的研究分别计入每个子类别。增长率计算排除2021 (Q1)的出版物。

- **关键词网络分析**：2011 - 2015年，研究人员主要关注通过智能技术支持协作学习、在线协作和学生学习。2016 - 2020年有两个变化：一是出现了将“协作学习”与“小组形成”及相关算法连接的新网络；二是“教学”与“教育”和“计算机辅助教学”密切相关。

• 研究方法
  • 研究设计 ：大多数综述文章采用准实验研究设计评估人工智能技术，过去五年增长率最高，达到83.33%。其次是随机对照试验（RCT）实验设计和模拟设计，报告的文章数量相同（N = 18）。RCT实验在整个十年中应用频繁，但后半期略有下降。相比之下，模拟方法有所增加，增长率为57.14%。模拟实验有两种类型：一种是模拟学习者在协作中的行为和表现；另一种是评估分组结果是否满足目标函数的特定要求。
  • 样本大小 ：大多数研究选择中小规模样本，其次是中大规模样本。前者在过去五年的增长率比后者更大，表明中等样本大小更受研究人员青睐。大规模样本在十年后半期有所增加，且都出现在小组形成研究中，这些研究需要大型数据集来训练学习者模型以生成最佳协作学习小组。
  • 数据收集 ：调查是所选文章中最常用的工具，从十年前半期到后半期有明显增加。前后测试在2011 - 2015年是最常用的方法，但在过去五年急剧下降。访谈和数据集在2016 - 2020年成为数据收集的重要方式。

研究设计	总数	2011 - 2015	2016 - 2020	2021(Q1)	增长率
准实验	-	-	-	-	83.33%
RCT实验	18	-	-	-	-
模拟设计	18	-	-	-	57.14%

样本大小	2011 - 2015	2016 - 2020	增长情况
小到中	-	-	增长明显
中到大型	-	-	增长相对较小
大型	-	增加	出现在小组形成研究

以下是研究过程的mermaid流程图：

graph LR
    A[文献搜索] --> B[快速筛选]
    B --> C[全文筛选]
    C --> D[质量评估]
    D --> E[数据提取]
    E --> F[数据合成与分析]
    F --> G[得出结果]

3.2 RQ2：人工智能支持小组形成

• 小组规模与分组机制
  • 不同研究采用的小组规模有所差异，常见的有2 - 5人、5 - 8人等不同分组方式。分组机制方面，有的研究基于学习者的先验知识进行分组，例如将知识水平相近的学生分在一组，以促进他们在相似基础上的共同进步；有的则根据学习风格进行分组，如将视觉型、听觉型和动觉型学习风格的学生合理搭配，以实现优势互补。还有的研究考虑学生的个性特征、人际关系等因素进行分组。
• 人工智能技术与评估
  • 人工智能技术在小组形成中应用广泛，如数据挖掘技术可用于分析学生的学习数据，找出学生之间的潜在关系和特征，为分组提供依据；遗传算法可以通过模拟生物进化过程，优化分组方案，以达到最佳的小组协作效果。在评估方面，主要从两个方面进行衡量：一是小组形成的性能，包括小组形成的时间和小组成员分布的优化程度；二是学生的表现，如协作水平的提升、知识的获取和技能的发展等。

人工智能技术	应用方式	评估指标
数据挖掘	分析学生学习数据	小组形成时间、成员分布优化
遗传算法	优化分组方案	协作水平、知识获取、技能发展

3.3 RQ3：人工智能支持学生互动

• 学生互动设计
  • 终端用户与互动环境 ：人工智能工具的终端用户主要是学生和教师。对于学生而言，互动环境通常包括在线学习平台、虚拟实验室等，学生可以在这些环境中进行实时交流、讨论问题和共同完成任务。对于教师来说，人工智能工具可以提供学生互动的数据分析，帮助教师更好地了解学生的学习情况，及时给予指导。
  • 设计目标与算法 ：设计目标主要是促进学生之间的有效互动，提高协作学习的效果。为了实现这一目标，研究人员提出了多种人工智能算法和工具。例如，自然语言处理算法可以分析学生的交流内容，识别学生的观点和问题，为学生提供针对性的反馈和建议；智能辅导系统可以根据学生的学习进度和表现，为学生提供个性化的学习资源和指导。
• 学生互动评估
  • 协作任务与评估时长 ：协作任务的类型多样，包括项目式学习、小组讨论、实验探究等。评估时长也因研究而异，有的研究进行短期评估，如几周的课程学习；有的则进行长期评估，如一个学期或一年的学习过程。
  • 评估措施与结果 ：评估措施主要包括学生的认知表现、行为表现和情感体验等方面。认知表现通过前后测试、作业成绩等方式进行评估；行为表现通过观察学生在协作过程中的参与度、交流频率等进行衡量；情感体验则通过问卷调查、访谈等方式了解学生对协作学习的感受和态度。评估结果显示，人工智能技术在一定程度上能够促进学生的互动和协作学习效果，但不同的技术和应用方式对学生的影响存在差异。

评估方面	评估措施	评估方式
认知表现	前后测试、作业成绩	量化评估
行为表现	参与度、交流频率	观察记录
情感体验	问卷调查、访谈	主观反馈

4. 讨论与启示

• 人工智能在CSCL研究中的总体趋势
  • 研究论文类型 ：提案和验证研究占比较大，说明该领域不断有新的想法和方案提出，并在逐步验证其可行性。评估研究相对较少，未来需要更多的研究来评估人工智能技术在不同教育背景和人群中的实际应用效果。
  • 研究重点 ：学生互动相关的研究工作数量较多，但小组形成的增长率更高，这表明小组形成领域具有较大的发展潜力，未来可能会受到更多的关注。
  • 教育背景 ：高等教育和计算机科学领域受到较多关注，而小学、初中和社会科学领域相对较少。未来的研究可以更加关注这些薄弱领域，以实现人工智能在STEM教育中的全面应用。
  • 研究设计 ：准实验研究设计的增长率较高，说明这种研究方法在该领域得到了广泛应用。同时，模拟实验方法也有所增加，为研究提供了更多的手段。
• 人工智能支持小组形成的应用
  • 设计问题 ：在小组形成的设计中，需要综合考虑多种因素，如学习者的特征、小组规模和分组机制等。目前的研究在这些方面还存在不足，需要进一步探索更科学、合理的设计方法。
  • 评估问题 ：评估指标主要集中在小组形成性能和学生表现方面，但对于一些难以量化的因素，如小组凝聚力、学生的团队合作精神等，评估方法还不够完善。未来需要开发更全面、有效的评估体系。
• 人工智能支持学生互动的应用
  • 设计问题 ：在学生互动设计中，虽然提出了多种人工智能算法和工具，但如何更好地将这些技术与教学实践相结合，还需要进一步研究。例如，如何根据不同的教学内容和学生特点，选择合适的技术和工具。
  • 评估问题 ：评估措施主要关注学生的认知、行为和情感表现，但对于人工智能技术对学生长期学习效果的影响，还缺乏深入的研究。未来需要开展长期跟踪研究，以更全面地评估人工智能技术在支持学生互动方面的效果。

5. 结论

通过对相关文献的系统综述，我们对2011 - 2021年人工智能在STEM教育CSCL中的应用有了较为全面的了解。人工智能技术在支持小组形成和学生互动方面具有巨大的潜力，但目前还存在一些问题和挑战。未来的研究需要进一步探索更科学、合理的设计方法和评估体系，加强人工智能技术与教学实践的结合，以实现人工智能在STEM教育CSCL中的更好应用，提高学生的协作学习效果和综合素质。

以下是人工智能在CSCL中应用的关键环节mermaid流程图：

graph LR
    A[人工智能技术] --> B[小组形成支持]
    A --> C[学生互动支持]
    B --> D[小组规模与机制设计]
    B --> E[人工智能技术应用与评估]
    C --> F[学生互动设计]
    C --> G[学生互动评估]
    D --> H[优化小组协作]
    E --> H
    F --> I[促进学生有效互动]
    G --> I
    H --> J[提高协作学习效果]
    I --> J