ChatGPT驱动的教学新业态及其效果探析

徐玉特

摘 要：从微观的快变量和慢变量之间的关系看，ChatGPT对教育新业态和教学新模式的影响随着从慢变量到快变量的逐步转化，其影响力表现越来越微弱。院校间的资源禀赋、学科、生源基础等差异对ChatGPT应用的效果评价差异较为明显。这不仅说明了技术赋能教育存在变量影响的整体性和普遍性差异，也说明了技术赋能教育在快变量与慢变量之间存在交互机制的差异，即技术驱动的教育变革存在“马太效应”与“鲇鱼效应”双重机制。双重效应机制的相互交织塑造了技术推动的教育领域改革与发展的强连续性突变创新机制，而非弱连续性突变创新的现象。

关键词：连续性技术创新；非连续性技术创新；ChatGPT应用；教学新业态

近年来，随着科技赋能各领域的深入推进，人工智能驱动的教育教学改革亦逐步提上日程。相对于以往的科技驱动教学活动的形态和模式及业态，以ChatGPT为代表的新一代人工智能的横空出世，及其在教育领域引起的广泛关注，足以说明当前科技创新发展与教学活动改革和创新发展所具有的高度相关性。科技赋能教育的数字教育时代，需要更关注对技术与教学之间的内在逻辑的理解和把握。

一、现有研究争鸣及本研究出发点

科技对教育业态、形态和样态的影响一直都是教育专家探讨的一个重要内容，特别是随着信息化社会的到来，学界就信息技术塑造的教育形态和业态等进行了较为深入和系统的探究。科技赋能教育抑或教育赋能科技尚未形成共识，但两者之间必然存在千丝万缕的联系，即科技的发展离不开教育培养的人才支持，而教育的优质发展亦需要科技的积极和有为支撑已成为学界共识。从某种意义上说，这种交互作用和机制推动着学界对科技赋能教育新业态和新模式的持续关注和探析。ChatGPT作為人工智能领域的又一里程碑式的科技创新，其对教育新模式和新业态的影响亦引起了学界和实践界的极大关注。纵观学界的现有论争，主要围绕ChatGPT对教育领域的负面效应和正面效应两个路向展开。

从负面效应的研究来看，“高科技剽窃”“避免学习的方式”“阻碍学生探索精神的发挥”“学生惰性学习养成”等成为ChatGPT在教育领域应用的最大隐忧[1-2]。据此，美国、法国、澳大利亚、印度、英国等国家和中国香港地区的大学或中小学纷纷对ChatGPT的应用采取了禁用的策略，或者采取更为严苛的措施来应对ChatGPT在教育领域应用的泛滥局面。

与负面效应的研究不同，正面效应的研究更多关注的是ChatGPT在教育领域的应用可能带来的积极效果，诸如教育教学的提质增效、学生独立思考能力和创新能力的培养、探索教育多样化而非同质化路径等都可以通过ChatGPT的科学合理应用来达成[3-5]。据此，与对ChatGPT在教育领域的围堵扼杀的消极路径不同，积极主动地拥抱和迎接ChatGPT实现“为我所用”成为正面效应的一个论证点。因为作为“人工智能的ChatGPT转变了一般性的知识生产，但不是原创性的”，其只是对知识的简单和机械性加工，而并非对知识和思维的创造性和创新性生成的过程和结果。

综上所述，尽管ChatGPT在教育领域的应用尚处于初始阶段，但学界和实践界围绕着ChatGPT能否培养学生的批判性思维、解决问题的能力和创新性逻辑等展开了各自的论证。从某种意义上说，教育活动本身具备多项功能和社会效应，而这种功能和效应完全单纯依靠人工智能等机器取代可能会陷入“技术决定论”的窠臼。一是从教育自身的知识传授功能和角色来看，人工智能可能比人类大脑具备更多的知识存储的容量和快速搜寻匹配的优势。二是从教育自身的技术训练和提高来看，人工智能可能相比人类大脑所具备的灵活性、创造性和个性化等主观能动性的优势显得稍微不足。三是从教育自身的思维逻辑的培养和提高来看，人类社会情感和大脑的创造性等比人工智能更胜一筹。四是从教育自身的技能提高和价值塑造等来看，人类社会情感的主观能动性及创造性和人工智能需要更紧密的结合才能实现技能和价值的全面优化和综合提升。因此，从教育活动本身的低阶的知识传授到中阶的技术训练再到高阶的技能提升和价值引领等层面，随着位阶的不断提升和深化，人工智能所发挥的功能和作用可能越发微弱。“教育数字化绝不只是技术层面的数字化，技术环境的变化还会促进教育业务流程的升级、重构，促进教育业务智能协同，推动学校组织结构的重塑”，进而实现教育与技术的完美结合和交互机制功能的发挥。

因此，试图“一刀切式”地判断教育与技术之间的关系都不符合教育发展规律和技术的创新性生发路径。在教育与技术之间存在着快变量和慢变量之间的差异需要引起研究的足够重视，并明确快变量和慢变量的差异以及变量之间的交互关系。这就需要针对不同的技术、不同的变量、不同的情境、不同领域、不同目标/任务等来剖析ChatGPT的具体应用议题。而这其中引起关注的不仅仅是技术赋能义务教育、中等教育、高等教育等宏观的教育领域的思辨性和学理性差别论证，同时更需要关注各个宏观领域内部统摄和关照下的中观和微观差异，进而才能更好地明晰技术赋能教育各具体环节和各方面的内在变迁的影响机制和逻辑所在。据此，本研究基于不同学科、院校专家评价视角对以ChatGPT为代表的新一代人工智能驱动的教育新业态和教学新模式的具体过程和效应进行具体探究。

二、调查工具的编制及其信效度检测

本次专家评价问卷调查在维度设计层面，从学生的知识掌握与理解、技术习得与训练、逻辑思维（能力）的锻炼与培养、价值引导和塑造等测查专家对ChatGPT应用在上述四个维度的整体感知以及态度趋势和行为举措等具体展开。每个维度下辖的6个具体题项均涵盖了事实型题项和态度型题项两类题型。据此，本问卷共计24道题项，外加一道开放性题项。问卷全部采用五点量表计分法，1～5表示符合实际情况程度和满意程度的大小，1表示非常不符合实际情况，5表示非常符合实际情况，所有题项均采取正向计分。问卷编制完成之后，本研究对问卷进行了试调查和修正，并对问卷进行信效度检测。检测结果表明，本问卷具有良好的信效度，可以作为正式问卷对ChatGPT驱动的教学新业态及其效果对专家进行评价测查。

在本研究中，我们将知识掌握、技术提升、能力训练和价值引领四个具体维度划分为快变量和慢变量两个模块及低阶和高阶的教育目标层次，其中快变量涵盖知识掌握和技术训练，而慢变量则包括能力提高和价值引领。将上述四个变量做如上划分主要是基于以下四点考量：一是从四个变量的内在关系审视，知识掌握和技术习得是技能提升的基础，而价值引导则贯穿整个过程。据此，知识和技术是基础和外显性，而技能和价值则是更具内隐性和高阶性。二是从四个变量之间的生成逻辑和周期来看，知识掌握和技术训练的周期更短且更易于见成效，而具有内隐性特征的技能和价值则周期更长且难以达到立竿见影的效果。三是从整个教育目标的可易见性和效果的可衡量性来看，知识和技术比技能和价值的可易见性更强、可衡量性更精准等。能力和价值等相对于知识掌握和技术提升更具浸润性和渗透性，同时综合性和复杂性程度更好，对此类高阶性内容的衡量需要更高的效度和更有效的信度。此种划分并非绝对和一成不变的，而是具有相对性，或者基于更易于辨明和鉴别的研究方式的视角而采取的一种简易类型学划分。

三、调查结果分析

本次问卷调查对象为各类型和各学科高校专家（副高级及以上职称），采取网上问卷填写和电子邮件问卷填写两种形式，共收到回复和回馈的问卷118份，其中有效问卷111份，有效问卷占问卷总数的94.07%。调查的专家涵盖了“985工程”建设高校、“211工程”建设高校和普通高校三种类型，以及医学、理学、工学、文科等专业类别。

1．描述性统计结果

由表1可知，专家们对ChatGPT驱动的教学新业态和新模式及其效果的评价均值为3.25，其中知识掌握、技术训练、思维逻辑养成、价值塑造四个维度的得分均值在2.48～3.68之间，总体属于中等偏上水平。同时，均值之间存在较大波动。总体来看，知识掌握维度得分均值最高，为3.68；其次是技术训练得分均值，为3.52；再次是价值塑造得分均值，为3.18；最后是思维逻辑培养的得分均值，仅为2.48。从变量之间的关系来看，GhatGPT在促进学生知识掌握和技术训练提高等快变量的推动作用中，專家评价最高，这些为低阶性的技术和能力，属于快变量的范畴。而在价值引领塑造和思维逻辑养成等慢变量层面，专家的评价较低，这些为高阶性的技术和能力。这说明了技术赋能教育创新发展，特别是技术应用在驱动教学活动改革创新层面存在的非均衡、非同步和非同质性等内在特点。同时也说明了技术在教育领域应用更有利于学生对知识的理解和掌握、技术训练与提升，但更深层次的思维逻辑能力和价值引领塑造等发挥可能更为微弱，需要更深一步的探究。

2．差异性统计结果分析

（1）不同学科。由表2可知，不同学科专家对ChatGPT驱动的教学新业态和新模式的评价在总体、技术训练、思维培育、价值引导等维度上均存在显著差异，而在知识掌握维度不存在差异。在技术训练维度，工学专家的评价显著高于理学、医学和文学，医学专家的评价显著高于理学和文学，而理学专家评价显著高于文学。在思维培育和能力提升维度，医学专家的评价显著高于理学、工学和文学，工学专家的评价显著高于理学和文学，文学专家评价显著高于理学专家。在价值引领维度，文学专家评价显著高于医学、理学和工学专家，工学专家的评价显著高于理学和医学，医学专家的评价显著高于理学专家的评价。这说明不同学科在技术赋能教学变革创新发展过程和结果具有的高度复杂性和综合性等内在特征。从慢变量和快变量的角度看，快变量的差异不显著，但在慢变量上作为具有高技能和思维训练的医学类专家的评价相对积极和显著，其次是工学，再次是理学，最后是文学类专家。

（2）不同院校类型。由表3可知，不同类型院校专家对ChatGPT驱动的教学新业态和新模式的评价在总体、知识掌握、技术训练、思维锻炼和价值引领等维度上均存在显著差异。总体来看，无论是知识掌握、技术训练、思维锻炼还是价值引领维度，“211工程”和“985工程”建设高校专家的评价显著高于普通院校专家的评价。从同类型院校之间的不同维度的评价上看，“211工程”和“985工程”建设院校在快变量上的评价显著高于慢变量上的评价，而普通院校亦在快变量上的评价表现出与“211工程”和“985工程”建设院校相类似的情况。

四、连续性突变创新：“马太效应”与“鲇鱼效应”双重机制形塑

连续性突变创新是经济领域用于解释技术及投资波动影响经济增长的内在机理[6]，即在经济增长和发展过程中，技术的创新性突变对于拉动经济发展起着决定性作用，但这种作用的发挥具有内在的一致性和连续性的特质。连续性突变创新说明技术创新具有沿着既定轨道或既定范式演进的连续性特征。这一方面说明了技术创新在推动经济增长和发展中的积极作用，另一方面说明了技术创新本身所具有的累积性和固化性等内在特质。而从教育领域的技术应用和技术创新推动的教育改革以及教育教学创新来看，亦存在着明显的连续性突变创新的现象。从数据结果分析看，强连续性创新是技术驱动的教育教学新业态和新模式存在的“马太效应”和“鲇鱼效应”交互作用的结果，其中占据主导地位的是“马太效应”，而非“鲇鱼效应”，进而阻止了技术在教育领域应用中的非连续性突变创新的出现。

1．ChatGPT驱动的教学新业态可能存在的“马太效应”

“马太效应”是指存在的两极分化现象。罗伯特·莫顿（Robert K. Merton）用“马太效应”概括一种社会心理现象，即“相对于那些不知名的研究者，声名显赫的科学家通常得到更多的声望；即使他们的成就是相似的，在一个项目上，声誉通常给予那些已经出名的研究者”[7]。这也就是说任何个体、群体或地区，在某一个方面（如金钱、名誉、地位等）获得成功和进步，就会产生一种积累优势，就会有更多的机会取得更大的成功和进步。随后，“马太效应”在经济学、社会学、教育学、管理学等学科领域得到进一步扩展使用。在研究的结论借用“马太效应”意在说明不同类型高校存在的科技驱动教育创新形态和模式以及同类型高校之间在快变量和慢变量之间，并非直接指向的强则愈强、弱者越弱的现象，而是指向这种强弱关系存在的同时发展过程中的差距亦越大的结果。“马太效应”是形成不同类型高校和同类型高校之间在技术应用中快变量和慢变量的固化和既定轨道变迁的重要效应，即优者更优，但并非弱者更弱，而是在发展过程中前者较后者的速度更快导致差距不断扩大。从数据结果分析看，ChatGPT驱动的教学新业态和新模式存在的“马太效应”主要表现在两个层面，一是不同类型高校之间形成的优者更优，优者与弱者之间的差异越来越大。一方面，尽管在科技与教育融合的大背景下，不同类型高校均会受益，但由于学校资源禀赋以及生源质量和教师质量等结构性因素的综合制约导致不同类型高校在科技赋能发展上并非是同步和同质的，两者间存在优者更优，弱者趋弱的现象。二是不同类型高校之间存在快变量和慢变量的“马太效应”。相对于快变量的变化，慢变量需要具备更多的优势条件基础和积淀的效应，因而不同类型高校慢变量之间存在“马太效应”是一个方面。另一方面，快变量之间亦存在此类现象，即资源禀赋好的高校慢变量转变和增进得更快，而资源禀赋一般的高校则越发难以在激烈的竞争中实现慢变量的转化和增进。最后是快变量和慢变量之间的“马太效应”趋势明显。资源禀赋优异的高校快变量和慢变量均实现高速变化和发展，而资源禀赋一般的高校的快变量和慢变量尽管也实现了变化和发展，但与前者相比，其速度和质量差距愈来愈大。因而“马太效应”表现为在吸纳和创新技术上存在的分化和相对固化的差异。

2．ChatGPT驱动的教学新业态可能存在的“鲇鱼效应”

“鲇鱼效应”，原是指鲶鱼在搅动小鱼生存环境的同时，也激活了小鱼的求生能力。后来，“鲶鱼效应”是指采取一种手段或措施，刺激一些企业活跃起来投入到市场中积极参与竞争，从而激活市场中的同行业企业[8]。从数据结果分析看，ChatGPT驱动的教学新业态和新模式存在的“鲇鱼效应”主要体现在三个层面。一是同类型的高校之间存在着良性循环竞争的“鲇鱼效应”。在科技赋能教育改革与发展，特别是在教育教学层面，“211工程”和“985工程”建设高校内部形成了不同梯队内部之间的良性竞争之势，即高校在应用ChatGPT推动教学变革和促进学生成长的评价中，“985工程”建设高校专家的评价均较为积极和中肯，这符合学校生源基础和学校资源禀赋特征。而在普通高校之间亦各自形成独特的竞争机制的生态环境。二是快变量和慢变量内部亦存在着“鲇鱼效应”。尽管各高校专家对自身定位和功能发挥存在差异，但从快变量的数据分析结果看，各高校在快变量之间亦存在着良性竞争的“鲇鱼效应”，而慢变量层面的分析亦存在此类现象。三是同类型的高校内部在快变量和慢变量间形成的“鲇鱼效应”。“211工程”和“985工程”建设高校内部和普通高校内部在快变量之间和慢变量之间形成了“鲇鱼效应”。这说明同类型高校在快变量和慢变量内部具有内在的竞争机制，这在一定程度上促进高校的相对均衡和有基础性差异的发展。

3．强连续性创新：科技赋能教育的“马太效应”主导机制

“马太效应”“鲇鱼效应”双重效应的相互交织和嵌入形塑了科技与教育融合的具体形态和模式。这种新形态和新模式的存在说明了教育高质量发展本身所具有的动态复杂性和系统性综合性以及相应的基础条件性等多形态的特质。“马太效应”说明了我国高校内部发展的不均衡状态和现象，这是由于高校自身资源禀赋和定位，由此聚集的学生生源基础等的综合影响，进而形成了高校在应用科技促进教育教学发展和学生发展等层面的差异。这也说明了各个高校在具体应用技术助推高质量发展和人才培养质量提升上具有的不同步和不协调的问题。但“鲇鱼效应”的存在亦在一定程度上弥补了“马太效应”的缺陷和不足。“鲇鱼效应”的存在说明了在科技赋能高校教育质量提升和推动高校高质量发展上的积极作用。不同类型院校和同一类型及层次的院校具有较为明晰的竞争目标和标杆，并不断明晰高校自身的角色和定位，这也是我国高校近几年来在科技助推发展上不断取得高质量成就的主要原因。高校自身的办学定位和发展目标更为明确，高校差异化发展和错位发展理念等变得更为清晰可行。这有利于不同类型高校在培养不同层次人才上具有的独特价值。

“马太效应”是形成技术驱动教育教学连续性创新的重要机制，体现的是科技赋能教育发展具有的非均衡性、非同步性和非等效性。而“鲇鱼效应”的存在是形成技术推动的教育教学非连续性创新的重要机制，体现的是科技赋能教育发展具有的超越性、突变性（良性）、差异化、个性化等特征。因而，从理论上看，無论是技术创新自身，还是技术驱动或支撑的其他领域的创新均需要正确处理和把握好连续性创新和非连续性创新之间的关系，促进两者在不同时空和不同条件背景下各自独特功能和价值的发挥。一方面，作为技术创新和技术驱动的各领域创新的重要机制的连续性创新为创新的持续和稳定性提供可能，但这亦容易陷入创新形成的“高原”反应；另一方面，作为技术创新和技术驱动的各领域创新的重要机制的非连续性创新为创新的突破性和跨越性提供了路径和通道。这为科技创新的竞争机制的激发，进而实现重大原创性突破和差异化竞争优势的形成提供了基础。但从整体上看，“马太效应”的主导机制和功能持续在我国科技赋能高校发展中表现出极强的效应，而“鲇鱼效应”的弱势地位更为明显。

五、未来政策议题聚焦点

尽管连续与非连续技术创新的含义及界定并未形成统一的观点，但学者们就技术创新路径达成的基本共识亦对技术应用和创新以及技术推动相关领域创新等方面形成一定的借鉴价值和实践参考路径，即“无论是持续技术创新还是非连续性技术创新，都是技术演进过程中不同阶段的不同形式表现”[9]。在技术的连续性发展过程中会出现离散点，而在非连续性发展过程中也会间接性出现连续阶段，因而连续与非连续性创新并不是技术创新过程的独立体

现[10-11]。非连续性技术创新是技术研究过程中的另一种表现形式，在解决技术封锁、跨越式发展及国家间技术竞争等问题上发挥重要作用，因而深刻影响国家创新发展战略与相关政策制度。连续性突变的技术创新和非连续性突变的技术创新的有机结合是推动科技赋能教育高质量发展的内在和必然要求。据此，技术驱动的教育的政策议题指向技术与教育的深度融合，进而实现科技赋能教育发展的目标，促进科技支撑下的教育和教学活动的连续性的创新与非连续性的创新的有机结合。

第一，聚焦分层分类的政策体系支撑高等教育高质量发展。不同类型院校和不同学科标准的分层分类管理和评价是推动高等教育结构优化，促进内涵式特色化发展的基础，也是实现高等教育高质量发展的重要支撑和保障。而不同学科和不同类型高校以及同类型院校和学科在科技赋能教育教学深度融合发展过程中，亦受到高校的生源基础多元、师资水平差异、资源禀赋保障差别等内外在条件的制约，进而表现出在具体科技赋能层面的不同效果。而国家采取分层分类的精准化战略推动高校发展是促进“马太效应”转向“鲇鱼效应”的重要基础和支撑。这需要国家通过制度供给和政策保障形式给以关注，即国家根据不同学科和不同院校等的差别分别制定不同的评价标准和体系，在充分保障基本标准的基础上，促进各高校在技术赋能中实现个性化和特色化发展。

第二，强化以学生为基础导向的科技赋能教育教学创新政策制定。在教育教学过程中，教师的教与学生的学是“一体两面”的关系。教无定法而学有学法，这就要求教师的教学活动根据学生的特点和特征进行更好的“因材施教”和“因生施教”。相对于国外不同国家对ChatGPT等新一代人工智能在教育领域应用中的“堵截”和“疏浚”两种截然相反的政策举措。我国更应该理性地看待相类似的科技对教育教学活动的影响范围、内容和效果等，进而采取相应的策略。具体而言，学生是教学活动的中心，而对学生的理解和个性的掌握是教学取得预期效果的重要基础，因而科技在赋能教师和学校更好地了解学生层面具有比传统的直观和感观的观察和判断更为积极有效和科学。据此，如何推动科技与学生认知和学生基础更好地结合理应是国家未来人工智能塑形的数字教育新形态和新模式需要积极关注和应对的重大课题。这需要遵循的基本原则是科技驱动教育教学改革的理性价值和工具价值的统一、精准性和模糊性的统一、确定性与不确定性的统一、定性和定量的统一、系统性和专业性的契合等。

第三，突出学校禀赋和特色为基础的科技赋能教育创新的政策体系。科技驱动教育变革与教学活动改革的主体是高校，而教师是高校教育教学改革主力军和生力军。教师是基于高校的资源禀赋和条件等开展的具体的教学活动，进而促进学生成长成才的重要主体。因而在技术赋能学校发展和教师发展的过程中，需要明晰的是赋能的非均衡性、非同质性和非同步性等。这就要求国家在推进教育数字化和数字教育的过程中，以学校资源禀赋和条件基础为基本的理念和原则，为高校科学合理地应用科技赋能学校和学生发展提供政策支撑和保障。这里需要遵循的基本原则是学校文化与科技赋能的关系、科技赋能中的竞争与合作的关系、科技赋能中的效率性与公平性的关系等关键性政策议题。

第四，构建从不同领域到不同院校再到不同学科的科技驱动教育教学改革和教学标准及其评价体系的国家制度体系和地方政策执行机制。科技赋能教育的非均衡性和非同步性以及非同质性具体体现在不同院校、学科、专业等层面。这需要借助不同的教育教学手段和方式的创新以及教学标准评价体系的不断调整优化和完善，推动不同类型院校的特色化发展，实现不同学科类型的个性化发展，不同类型人才的不断涌现，进而实现高等教育高质量发展的目标。而国家标准的政策体系为科技驱动的教育发展提供前提条件和重要保障，并有序引导高校更好地利用科技赋能自身的高质量发展。据此，标准及其评价体系的建立健全作为一个基准显得尤为重要和迫切，是推动科技驱动的教育教学改革的最基本的原则和要求。

第五，推动高校教育教学活动与科技应用的深度融合。科技赋能的领域均存在正确处理好技术的快变量和慢变量以及应用领域发展的规律和快慢变量之间的关系，同时要明确技术应用领域的快慢变量之间的相互转化机制和规律及机理。进一步来说，这要求科技支撑各领域发展过程中的技术自身的创新实践规律和逻辑，所应用领域的实践规律和逻辑，技术和所属领域各自环境的实践和逻辑等内在的本质联系和表征关系。惟其如此，才能真正推动科技赋能工具理性和价值理性的统一，进而更好实现预期目标。在教育领域，这需要正确认识并科学推动高等教育与科技的深度融合，进而更好地实现科技赋能教育发展的内在目的。大学的教育教学活动规律和创新機制的探索与科技规律和创新机制的高效结合，进而实现科技赋能教育的目标。因而这需要对两者间的理论对话和实践探索相结合，需要制度创新和理论创新相配合，更需要社会文化、科技文化和教育文化等文化基因的深度挖掘和共生共融。

参考文献：

[1] 朱昌俊.ChatGPT火了，教育需要双重应对[N].中国教育报，2023-02-21.

[2]论文都是科技与狠活？ChatGPT为何引教育界“封杀”？[EB/OL]. （2023-02-12）[2023-05-08]. chinanews.com/sh/2023/02-12/9952237.shtml.

[3] 赵星妮，申昕，张娅婷，等编译.ChatGPT将如何影响教育[N].中国教育报，2023-03-02.

[4] 刘博智.ChatGPT对教育意味着什么——代表委员热议人工智能技术对教育的影响[N].中国教育报，2023-03-05.

[5] Schumpter， J. The Theory of Economic Development[M].Cambridge， MA： Harvard University Press， 1932： 117-129.

[6] Merton R K. The Matthew Effect in Science[J].Science， 1968， 159（3810）： 56-63.

[7] Schumpeter，J. The Theory of Economic Development[M].Cambridge， MA： Harvard University Press，1932：117-129.

[8] Merton R K. The Matthew Effect in Science[J].Science，1968，159（3810）：56-63.

[9] 张镦亓. 三角团队：如何打造团队战斗力[M].北京：机械工业出版社，2009：29-37.

[10] 邓向荣，汪小洁，曹红.非连续性创新理论研究新进展[J].经济学动态，2022（1）：132-146.

[11] Lee，K. & C.Lim. Technological regimes， catching-up and leapfrogging： Findings from the Korean industries[J]. Research， 2001， 30（3）： 459-483.

[责任编辑：杨裕南]