智能导学系统人机交互机制研究

高红丽 杨磊 徐升 隆舟 刘凯 胡祥恩

【摘要】讨论是一种常见和重要的学习形式，加入虚拟代理可以为讨论过程提供适应性支持。讨论中的论辩式知识建构有利于学习者获得知识，但已有研究中论辩支架的作用效果并不一致。本研究以47名大学生为被试，以智能讨论系统为实验平台，比较内容相关与内容独立支架条件、内容相关支架条件和控制条件下讨论效果的差异。内容相关与内容独立支架条件下，计算机首先对被试的讨论内容进行自动分类，然后由虚拟代理提供不同类型观点（内容相关支架），并进一步询问态度和理由（内容独立支架）;内容相关支架条件下，虚拟代理仅提供不同类型观点;控制条件下，被试单独发表观点，没有虚拟代理的参与。结果表明，与控制条件相比，虚拟代理提供不同类型的观点时讨论广度（类型数）得到提升，被试主观上觉得对讨论问题的理解更为全面。与仅提供不同类型观点的内容相关支架条件相比，当虚拟代理提供不同类型的观点并询问被试的态度和理由时，被试对虚拟代理给出的观点更多地持同意态度，但在讨论过程中提到的类型数更少。内容相关的支架可以促进与讨论主题相关的认知加工;加上内容独立的支架时，可以促进被试的论辩加工，但对讨论主题相关的认知加工反而有负面作用。

【关键词】  人工智能教育应用;智能导学系统;小组讨论;认知多样性;论辩式知识建构;支架;内容相关支架;内容独立支架

【中图分类号】  G40-057       【文献标识码】  A       【文章编号】  1009-458x（2021）1-0050-08

一、引言

教育部颁布的《教育信息化 2.0 行动计划》强调，要以人工智能等技术为基础，推动教育模式变革和生态重构（教育部， 2018）。“智能化领跑教育信息化2.0”逐渐成为相关领域研究者的共识，教学自动化已具有逻辑必然性和现实可能性（张志祯， 等， 2019）。但人工智能技术并不能直接解决教育中的理论问题。近年来我国人工智能教育应用研究的发文数量增长迅速，但实证研究仍相对不足（刘凯， 等， 2018），尚难以支撑大规模教育智能化实践的需求，研究先行是解决当前问题的基本思路（张志祯， 等， 2019）。

在教育领域，不管是课堂之中还是课堂之外，讨论都是一种常见的学习形式。在讨论过程中，成员之间的新旧知识进行相互作用，实现了意义建构和知识创新。但是无干预的学生讨论常局限于分享和比较信息阶段，较少提议或讨论不同的观点，知识建构多停留在较低层次，交互不够深入，质量不高（李梅， 杨娟， 刘英群， 2016; 郑勤华， 李秋劼， 陈丽， 2016）。提供同步和异步交流工具进而创建更方便、高效的在线学习环境可能会为解决这些问题提供帮助（张思， 等， 2017）。

随着技术的发展，研究者开始尝试加入虚拟代理与真人进行互动，为讨论活动提供自动化的适应性支持。在这个过程中，智能代理与人类学习者之间的交互机制是一个关键问题。本研究在计算机自动识别当前讨论内容所属类型的基础上，虚拟代理首先提供不同类型观点，然后进一步询问被试对该观点的态度和理由，引发论辩式知识建构以引导被试的深层认知加工。

二、相关研究

（一）学生在论辩式知识建构中存在的问题

论辩是参与各方为证明己方立场或反驳对方立场而展开的话语交际，其目的是通过批判性讨论消除双方的意见分歧（黄华新， 等， 2017）。图尔敏模型是论辩研究的奠基性成果，该模型包括主张（claim）、依据（data，facts，后来改为grounds）、保证（warrant）、支援（backing）、模态限定词（modal qualifier，后来改为modality）和例外（rebuttal）六个要素（王建芳， 2016）。基于传统的图尔敏模型，Wolfe等人（Wolfe， Gao， Wu， & Albrecht， 2018）提出的论辩图式中包括主张（claim）、理由（reasons）和保证（warrant）三个要素。

根据论辩式知识建构（argumentative knowledge construction），学习者通过建构论点对学习材料进行详细阐述进而获得知识（Wecker & Fischer， 2014）。在计算机支持的协作学习领域，许多研究者秉持一个共同的信念，论辩是促使学习者获得领域特异性知识（domain specific knowledge）的有力途径（Noroozi， Weinberger， Biemans， Mulder， & Chizari， 2012; Wecker & Fischer， 2014）。然而，学习者在论辩式知识建构中存在三个维度的问题（Weinberger， Stegmann， Fischer， & Mandl， 2007）：第一是建构有助于解决问题的论点时有困难;第二是学习者建构的论点缺少重要成分，如依据（data）或保证（warrant）;第三是学习者很少在学习同伴的基础上建构论点。在一个智能导学系统中，虚拟代理要求被试产生支持或反对乳腺癌风险检查的论点。结果表明，一半以上的被试不能达到论证的最小标准（给出1个或多个有理由支持的论点）。研究结果表明（Cedillos-Whynott， Wolfe， Widmer， Brust-Renck， Weil， & Reyna， 2016）：论辩要素越多，被试的学习效果越好。

（二）论辩支架的积极和消极作用

基于论辩可以促进获得和理解领域特异性知识这样一个假定，研究者开发出各种提高论辩质量的工具或干预措施。Noroozi等人（2013）的研究表明，交互讨论脚本促進了讨论中的论辩式知识建构，有脚本条件下的学习者对论辩的领域一般性和领域特异性知识显著高于无脚本的条件。郑晓丽等人（2014）的研究发现，争论式教学支架可以促进协作学习小组的知识加工及社会性元认知。王小根等（2019）使用半结构化的微协作脚本引发了在线知识建构中的功能性冲突。这些研究表明，协作脚本对提升学习效果是有效的。

但是，脚本也经常因为束缚了自然产生的协作活动而带来意想不到的负面影响。比如认知脚本阻碍学习者的认知投入和个体的知识获得。同步聊天环境中的论辩脚本可以促进论辩知识的获得，而对特定领域的知识获得没有影响。很可能是由于学习者深度聚焦于论辩活动而没有关注问题的内容，因此，高度结构化的加工定向干预可能会给论辩式知识建构的不同加工维度带来副作用（Noroozi， et al.， 2012）。

Wecker和Fischer（2014）对论辩与领域特异性知识获得的元分析结果表明，因论辩测量的指标类型不同，干预对论辩有小到中等程度的统计上的显著影响，而对领域特异性知识获得没有影响。Vogel等人（2017）的元分析结果表明，与不提供脚本支持相比，计算机支持的协作学习脚本大体上可以提高学习效果，对领域特异性知识有较小的积极作用（d = 0.20），对协作技能有较大的积极作用（d = 0.95）。这些研究结果对论辩会影响领域特异性知识获得这一理论假定提出了挑战。Noroozi等人（2018）认为，计算机支持的论辩支架可以促进群体交互式讨论中的论辩，这是一阶论辩支架。要帮助学生获得可以迁移到相似任务的论辩能力，还需要二阶论辩支架。

（三）内容独立和内容相关支架

进一步分析表明，以往研究中的脚本一般是为协作学习活动提供相对形式化的独立于内容的支持。根据Wolfe等人（Wolfe， Gao， Wu， & Albrecht， 2018）的论辩图式，主张（claim）和理由（reasons）是论辩中不可缺少的元素，而保证（warrant）在论辩过程中会经常省略。基于此，本研究中虚拟代理提供“你同意我的观点吗？”“有什么理由能支持你的想法呢？”两个论辩支架，以询问被试的态度和理由。这种支架是形式化的，独立于讨论内容，因而属于内容独立的支架。

为了进行高质量的协作活动，学习者在加工具体内容时也需要支架。内容相关的支架有三种水平：最高水平的支架是为加工问题解决任务中的内容相关信息提供支持;中等水平的支架是仅提供内容相关信息，而没有为加工过程提供引导;最低水平的支架是没有额外的内容相关支持。当脚本可以促进交互活动或者与额外的特定内容支架相结合时，更有利于领域特异性知识获得（Vogel， Wecker， Kollar， & Fischer， 2017）。本研究中被试发表观点后，计算机对被试的观点进行识别，并由虚拟代理给出不同类型的观点，这些观点都是围绕讨论主题的展开，属于内容相关信息。然后询问被试对该观点的态度和理由（内容独立支架），以引发被试的论辩式知识建构。将内容相关和内容独立支架相结合，探讨其对讨论效果的影响。

三、研究方法

（一）研究设计

本研究为单因素组间设计，自变量是论辩支架，包括内容相关与内容独立支架、内容相关支架和控制条件。在内容相关与内容独立支架条件下，被试发表观点后计算机自动识别当前讨论的内容，然后由虚拟代理给出不同类型的观点（内容相关支架），并进一步询问被试的态度和理由（内容独立支架），如：“你同意我的观点吗？”“有什么理由能支持你的想法呢？”在内容相关支架条件下，被试发表观点后计算机自动识别当前的讨论内容，然后虚拟代理仅给出不同类型的观点，不再询问态度和理由。在控制条件下被试独自发表观点，没有虚拟代理的参与。

因变量是讨论效果，主要包括讨论过程的交互质量、深度广度、自评讨论效果等指标。具体如下所述：

1. 交互质量评估

編码框架以交互分析模型（interaction analysis model，IAM）（Gunawardena， Lowe， & Anderson， 1997）为基础，由两位熟悉讨论主题的研究人员进行编码。在共享和比较信息阶段，有陈述观点、表示同意、提供证据或例子、澄清细节的提问和回答以及修正观点五种类型。在发现和探索不一致阶段，有识别和表达不一致、表达不同类型观点、为不同类型观点提供证据、提出和回答问题以澄清不一致的来源和程度以及修正所提出的不同类型观点五种类型。

2. 讨论过程的深度和广度

由计算机对各组讨论文本中的每个句子进行标注。未涉及关键词列表中任意一个关键词的信息被标记为无效观点，有效观点被标注为相对应的类型。在这种分类的基础上，可以计算以下因变量指标：①讨论广度，即被试在讨论过程中所涉及的类型数量;②讨论深度，即讨论过程中平均每个类型下的观点数量（等于观点数除以类型数）（Nijstad， Stroebe， & Lodewijkx， 2002）;③有效观点比例，等于有效观点数除以句子总数。

3. 讨论效果自评

讨论效果自评主要是通过后测问卷题目，从虚拟代理提供观点的帮助性、总体讨论效果和进一步讨论意愿几个方面进行自我评定。

（二）研究对象

招募大学生被试47名，分为内容相关与内容独立支架组、内容相关支架组和控制组。控制组由1名被试单独发表观点，其他两组由1名被试和虚拟代理进行讨论。共记录到有效问卷46份（男生9份，女生37份），其中内容相关支架组1名被试未记录到有效问卷数据。所有被试均签署知情同意书，实验结束后获得适当报酬。

（三）实验材料

1. 讨论主题

讨论主题是开放式问题“人工智能将会给人类带来怎样的影响？”大学生被试对该主题都有一定的兴趣和关注程度。

2. 语料库

（1）观点库。本研究所用观点库有八个类型，每个类型下有一个典型观点，观点库的形成过程见高红丽等人（2019）的研究。

（2）应答语。表示赞同的应答语有：嗯，嗯嗯，是，是的，对，对的，同意。表示转折的应答语有：嗯，不过;嗯嗯，不过。

（3）询问态度和理由。虚拟代理提供不同类型观点后，询问被试是否同意并说出理由，所用句子包括：“你们（大家）赞同（认同）（同意）我的观点（我说的）（这个观点）吗？”“有什么依据（原因、理由）能支撑（支持）你的想法呢？”

（4）前后测问卷。前测问卷从是否学过相关课程、兴趣程度、关注程度、过去一周浏览次数等方面进行评估。后测问卷从讨论过程中是否充分表达自己的观点、计算机观点的帮助程度、整体讨论效果、进一步讨论的意愿几个方面进行五级评分。

（四）实验平台

本研究所用平台为智能讨论系统（高红丽， 等， 2019），在该平台上完成前测问卷、在线讨论、后测问卷等全部实验流程。在线讨论阶段，虚拟代理以代号“GX07”作为ID显示在相应区域，被试可与虚拟代理进行同步交流。虚拟代理可自动识别被试当前讨论内容所属的类型，并与被试进行适应性对话（如图1所示）。

（五）研究过程

整个实验过程在有隔断的实验室进行，实验前主试在后台管理界面建立讨论组。被试来到实验室后，主试介绍保密原则和大致实验流程，然后请被试签署知情同意书。

1. 前测问卷阶段

被试输入ID和讨论组号后，进入总指导语界面。欢迎被试的到来，介绍讨论主题、实验流程和保密原则，然后进入前测问卷界面。被试提交前测问卷后进入讨论界面指导语。

2. 在线讨论阶段

（1）控制条件

告知讨论时间（15分钟）和讨论主题，请被试围绕讨论问题从深度和广度两个维度发表看法。该条件下被试的文本记录如表1所示。

（2）内容相关与内容独立支架

当满足给定条件时，计算机自动识别被试当前讨论内容所属的类型，然后由虚拟代理提供反馈，同时进入论辩模式（如图2所示）。在论辩模式中，如果被试提供了有效观点，50%的概率给以赞同应答语;如果1分钟后没人说话，虚拟代理会鼓励被试多说一些。当满足给定条件时，退出当前论辩，虚拟代理再次给出不同类型的观点并询问被试的态度和理由，进入下一轮论辩。在整个讨论过程中，同一类型的观点仅出现1次。八个类型观点呈现完毕后，如果被试输入@g，虚拟代理会反馈：“我想说的都说完了，你再想想。”

为了增加被试对虚拟代理所说内容的注意程度，指导语中提醒被试尽量记住GX07的主要观点，讨论结束后需要进行回忆。该条件下的讨论过程如表2所示。

（3）内容相关支架

内容相关支架条件下虚拟代理仅提供不同类型的观点，不再询问被试的态度和理由，也没有鼓励被试多说的提示（见图2，黑色虚线方框表示两种条件下的差异）。但是后台程序仍设置论辩模式，目的是保证计算机给出观点的频率相同。该条件下的讨论过程如表3所示。

15分钟后提示讨论时间已到，自动结束讨论，进入后测问卷界面。被试提交问卷后，呈现结束语，感谢被试的参与。

四、研究结果

（一）内容相关支架组、控制组在讨论效果上的差异比较

1. 讨论过程深度广度的差异比较

对被试在讨论过程中的各指标进行独立样本t检验。结果表明，内容相关支架组的类型数（m=5.94）显著多于控制组（m=4.43），t（29）=3.74，P<0.01，d=1.35;内容相关支架组的句子数（m=19.24）显著多于控制组（m=11.14），t（29）=2.93，P<0.01，d=1.05;内容相关支架组的有效观点比例（m=0.61）显著低于控制组（m=0.87），t（29）=-3.40，P<0.05，d=-1.21;觀点数和平均每个类型下的观点数在两组之间没有显著差异。详见表4。

2. 自评讨论效果的差异比较

对两种条件下被试的前测水平进行独立样本t检验，结果表明两组被试在前测水平各指标上均没有显著差异。以讨论效果自评的后测问卷题目得分为因变量指标，进行两种条件的独立样本t检验。结果表明，在对问题理解全面性条目上，内容相关支架组得分（m=4.13）显著高于控制条件（m=3.64），t（28）=2.11，P<0.05，d=0.79。在其他条目上，两组得分没有显著差异。

（二）内容相关支架组、内容相关与内容独立支架组在讨论效果上的差异比较

1. 讨论过程交互质量的差异比较

对交互质量评估中的每个类型进行独立样本t检验。结果表明，在被试寻求帮助的“@g”上，内容相关与内容独立支架组（m=2.19）显著低于内容相关支架组（m=5.76），t（31）=-3.28，P<0.01，d=-1.15。在“表示同意”类型上，内容相关与内容独立支架组（m=4.19）显著高于内容相关支架组（m=2.35），t（31）=2.63，P<0.05，d=0.92。在“阶段1提问和回答”上，内容相关与内容独立支架组（m=0.25）显著低于内容相关支架组（m=2.12），t（31）=-2.29，P<0.05，d=-0.81。在其他类型上，两组之间没有显著差异。详见表5。

2. 讨论过程深度广度的差异比较

对讨论过程文本中的类型数、观点数、句子数、平均每类型下观点数、有效观点比例等进行两组之间的独立样本t检验。结果表明，内容相关与内容独立支架组的类型数（m=4.94）显著低于内容相关支架组（m=5.94），t（31）=-2.54，P<0.05，d=-0.88。在其他指标上，两组没有显著差异。

3. 自评讨论效果的差异比较

对两种条件下被试的前测水平进行独立样本t检验，结果表明两组被试在前测水平各指标上均没有显著差异。对后测问卷中被试对他人观点帮助性、讨论效果、再讨论意愿的自我评定得分进行两种条件下的差异比较。结果表明，在“计算机GX07所说的话给我提供了不同的视角”条目上，内容相关与内容独立支架组（m=3.88）显著高于内容相关支架组（m=3.19），t（30）=2.17，P<0.05，d=0.77。在其他条目上，两组之间没有显著差异。

五、讨论

（一）内容相关支架组、控制组的差异分析

内容相关支架条件下，计算机自动识别被试当前讨论内容的所属类型，然后由虚拟代理给出不同类型下的差异观点;控制条件下，被试单独发表观点，没有虚拟代理的参与。结果表明，与控制组相比，该条件下被试在讨论过程中提到更多的类型数，被试主观上认为对问题的理解也更加全面，这与之前研究结果相一致（Nijstad， et al.， 2002; 高红丽等， 2019）。Nijstad等人（2002）的研究表明，计算机提供含有语义差异的观点可以促进被试产生更多具有语义差异的观点（增加广度）。根据群体观点产生的联想记忆搜索模型（Nijstad & Stroebe， 2006），差异性的刺激观点可以激活更大范围的知识，进而产生语义差异性观点，提升讨论的广度。高红丽等人（2019）的研究表明，与相似条件相比，差异条件下被试的讨论广度（类型数量）增加;被试主观上认为差异条件下虚拟代理提供的观点对自己更有帮助，对讨论问题的理解也更为全面、深入。

在虚拟代理仅提供差异观点的内容相关支架条件下，被试所说的句子数显著大于控制条件，但是有效观点的比例显著低于控制条件。通过查看讨论记录发现，控制组中的被试因为是独自一个人，没有交互对象，基本上是围绕问题在发表观点，观点的有效比例较高。在内容相关支架条件下，被试可以与计算机交互。指导语中告知被试，觉得没有思路时可以“@g”寻求帮助。“@g”在讨论文本中是一个单独的句子，但不是观点，因而使得被试有效观点的比例显著降低。

（二）内容相关支架组、内容相关与内容独立支架组的差异分析

在内容相关与内容独立支架条件下，计算机对被试当前讨论内容进行自动分类，然后由虚拟代理给出不同类型的观点，并询问被试对该观点的态度和理由;内容相关支架条件下，虚拟代理仅给出不同类型的观点。从对讨论过程文本进行交互质量编码的结果来看，在内容相关与内容独立支架条件下，被试对虚拟代理提供的观点更多地表达了同意态度。可能的原因是，计算机所用的观点库来自于之前实验中被试提供的出现频率较高的观点。也就是说，对这些观点的争议比较少。另一种可能原因是，如Cedillos-Whynott等人（2016）的研究结果中提到的，被试不善于提出反对意见并给出理由，许多被试缺乏论证的技能，需要增强论辩教育来促进学习。

本研究结果同时表明，在内容独立与内容相关支架条件下，被试主观上觉得虚拟代理所说的话更多地提供了不同的视角，这可能是因为该条件下被试对虚拟代理提供的差异刺激更加专注。然而，这种专注也可能带来负面作用。本研究中讨论时间是15分钟，在时间有限的情况下提出新观点（讨论广度）和对现有观点进行深加工（讨论深度）是一对矛盾。因为该条件下被试大部分时间是在回答虚拟代理提出的问题，即表明态度并给出理由。这消耗了认知资源，使得被试没有精力进行更多的观点产生加工。而在内容相关支架条件下，计算机仅给出不同类型观点，没有进一步询问态度和理由，被试可以更专注于观点产生过程，因此在讨论过程中提供的观点类型数更多。这个结果提示我们，脚本可能会干扰被试的认知加工，带来意想不到的负面作用（Noroozi， et al.， 2012）。

六、结论与展望

综上所述，当虚拟代理提供不同类型的观点（内容相关支架）时，与被试独自发表观点的控制组相比，讨论广度（类型数）得到提升;被试主观上觉得对讨论问题的理解更为全面。当虚拟代理提供不同类型的观点（内容相关支架）并询问被试的态度和理由（内容独立支架）时，与仅提供不同类型观点的内容相关支架条件相比，被试对虚拟代理给出的观点更多地持同意态度，在讨论过程中提到的类型数更少。内容相关的支架可以促进被试对讨论主题相关的认知加工过程和效果，但加上内容独立的论辩支架时，可以促进被试的论辩加工（更多地表达态度），对讨论主题相关的认知加工过程反而有阻碍作用（类型数减少）。

本研究基于智能讨论系统，对虚拟代理提供的内容相关支架和内容独立支架的促进和干扰作用进行了分析。但虚拟代理所用观点库是从之前讨论记录中梳理的常见观点，被试对这些观点基本都持同意态度。今后应该考虑补充可能引起争议的观点，以引发更深入的论辩式知识建构。此外，目前的计算机自动分类局限在事先定好的八个类型上，每种类型下的观点也是提前给定的，这种做法有一定的局限性。通用人工智能认为，智能是知识和资源相对不足情况下的適应能力，强调经验的决定性作用。人工智能与教育科学相结合的研究领域不仅包括人类的学习和教育，也包括机器的学习和教育（刘凯， 等， 2018a）。根据胡祥恩教授提出的人工智能教育应用的理论框架，学习者和教育资源的改变具有对称性（刘凯， 等， 2018b）。学习者在与教育资源的互动中不断实现知识结构的优化，教育资源也应该在这一过程中进行自我改进。就本研究而言，被试与智能讨论系统也是一组对称关系。被试在与虚拟代理互动的过程中不断进行着新旧知识的相互作用，实现了意义建构和知识创新;智能讨论系统在与被试交互的过程中也在逐渐积累更多的知识经验，因而需要对原有的语料库相应地进行动态、适应性的自我改进，以实现真正的智能。

[参考文献]

高红丽，杨磊，徐升，等. 2019. 智能讨论系统中适应性认知多样性对讨论效果的影响[J]. 现代教育技术，29（8）：79-85.

黄华新，叶颖秀. 2017. 亲子互动中的语用论辩[J]. 浙江大学学报：人文社会科学版，47（5）：129-139.

教育部. 关于印发《教育信息化2.0 行动计划》的通知[EB/OL]. [2018-04-18]. http：//www.moe.gov.cn/srcsite/A16/s3342/201804/t20 180425_334188.html

李梅，杨娟，刘英群. 2016. 同伴在线互助学习交互行为分析[J]. 中国电化教育（5）：91-97.

劉凯，胡静. 2018a. 人工智能教育应用理论框架：学习者与教育资源对称性假设——访智能导学系统专家胡祥恩教授[J]. 开放教育研究，24（6）：6-13.

刘凯，胡祥恩，王培. 2018b. 机器也需教育？ 论通用人工智能与教育学的革新[J]. 开放教育研究，24（1）：10-15.

王建芳. 2016. 基于论辩的论证结构研究：弗里曼模型与图尔敏模型的比较[J]. 逻辑学研究（3）：42-56.

王小根，刘梦恒. 2019. 在线知识建构中有效引发功能性冲突研究[J]. 电化教育研究（9）：34-42.

张志祯，张玲玲，李芒. 2019. 人工智能教育应用的应然分析：教学自动化的必然与可能[J]. 中国远程教育，528（1）：25-35.

郑勤华，李秋劼，陈丽. 2016. MOOCs中学习者论坛交互中心度与交互质量的关系实证研究[J]. 中国电化教育（2）：58-63.

郑晓丽，金会洙，李阳. 2014. 争论式教学对知识加工及社会性元认知的影响：以基于社会性媒体的协作问题解决为例[J]. 开放教育研究，20（6）：50-63.

Cedillos-Whynott， E. M.， Wolfe， C. R.， Widmer， C. L.， Brust-Renck， P. G.， Weil， A.， & Reyna， V. F. （2016）. The effectiveness of argumentation in tutorial dialogues with an Intelligent Tutoring System for genetic risk of breast cancer. Behavior Research Methods， 48（3）， 857-868.

Gunawardena， C. N.， Lowe， C. A.， & Anderson， T. （1997）. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing. Journal of Educational Computing Research， 17（4）， 397-431.

Nijstad， B. A.， & Stroebe， W. （2006）. How the group affects the mind： A cognitive model of idea generation in groups. Personality and Social Psychology Review， 10（3）， 186-213.

Nijstad， B. A.， Stroebe， W.， & Lodewijkx， H. F. （2002）. Cognitive stimulation and interference in groups： Exposure effects in an idea generation task. Journal of Experimental Social Psychology， 38（6）， 535-544.

Noroozi， O.， Kirschner， P. A.， Biemans， H. J.， & Mulder， M. （2018）. Promoting argumentation competence： Extending from first-to second-order scaffolding through adaptive fading. Educational Psychology Review， 30（1）， 153-176.

Noroozi， O.， Weinberger， A.， Biemans， H. J.， Mulder， M.， & Chizari， M. （2012）. Argumentation-based computer supported collaborative learning （ABCSCL）： A synthesis of 15 years of research. Educational Research Review， 7（2）， 79-106.

Noroozi， O.， Weinberger， A.， Biemans， H. J.， Mulder， M.， & Chizari， M. （2013）. Facilitating argumentative knowledge construction through a transactive discussion script in CSCL. Computers & Education， 61， 59-76.

Vogel， F.， Wecker， C.， Kollar， I.， & Fischer， F. （2017）. Socio-cognitive scaffolding with computer-supported collaboration scripts： A meta-analysis. Educational Psychology Review， 29（3）， 477-511.

Wecker， C.， & Fischer， F. （2014）. Where is the evidence？ A meta-analysis on the role of argumentation for the acquisition of domain-specific knowledge in computer-supported collaborative learning. Computers & Education， 75（2）， 218-228.

Weinberger， A.， Stegmann， K.， Fischer， F.， & Mandl， H. （2007）. Scripting argumentative knowledge construction in computer-supported learning environments. In Scripting computer-supported collaborative learning （pp. 191-211）. Springer， Boston， MA.

Wolfe， C. R.， Gao， H.， Wu， M.， & Albrecht， M. （2018）. Most any reason is better than none： consequences of plausible and implausible reasons and warrants in brief written arguments. Written Communication， 35（3）： 255-285

Zhang， S.， Liu， Q.， Chen， W.， Wang， Q.， & Huang， Z. （2017）. Interactive networks and social knowledge construction behavioral patterns in primary school teachers online collaborative learning activities. Computers & Education， 104， 1-17.

收稿日期：2020-01-10

定稿日期：2020-07-31

作者簡介：高红丽，博士，讲师，新乡医学院心理学院（453003）。

杨磊（共同第一作者），博士研究生，华中师范大学心理学院（430079）。

徐升，博士研究生，华中师范大学心理学院（430079）。

隆舟，博士，讲师，怀化学院教育科学学院（418000）。

刘凯，博士，讲师，硕士生导师，渤海大学教育科学学院（121007）。

胡祥恩（通讯作者），博士，教授，博士生导师，华中师范大学心理学院院长（430079）。

责任编辑 单 玲