面向边缘讨论参与行为的人机协同学习干预模型构建及其应用
2024-06-03刘清堂曹天生尹兴翰胡庆玲李小娟
刘清堂 曹天生 尹兴翰 胡庆玲 李小娟
摘要：边缘讨论参与行为制约了在线协作会话的效能发挥，如何识别并矫正边缘讨论参与行为是当前亟需解决的问题。为此，文章依托教学系统设计理论、学习干预模型等，构建了面向边缘讨论参与行为的人机协同学习干预模型，包含识别、归因、干预、评估四个模块。随后，文章进行了此模型的教学应用，并通过干预前后对比实验验证了模型的应用效果，结果表明：人机协同学习干预模型能有效矫正边缘討论参与行为，模型中的归因和干预模块具有较高的接受度。面向边缘讨论参与行为的人机协同学习干预模型的设计与实践，可以为在线协作会话中的干预研究、人机协同学习干预的理论探索、个性化学习服务等提供参考。
关键词：边缘讨论参与行为；人机协同；学习干预；在线协作
【中图分类号】G40-057 【文献标识码】A 【论文编号】1009—8097（2024）05—0105—09 【DOI】10.3969/j.issn.1009-8097.2024.05.011
边缘讨论参与行为是指学习者在讨论参与过程中出现的讨论数量少或讨论质量低的行为，这使在线协作会话中协作构建知识的机会减少，甚至会影响群体满意度、降低群体凝聚力[1]。目前，边缘讨论参与行为的识别多依赖教师经验[2]，较少进行机器自动识别，同时也少有针对性的干预机制。为此，本研究从人机协同的视角，设计以识别和矫正边缘讨论参与行为为目标导向的人机协同学习干预模型并进行教学应用，以验证模型的应用效果，为提升在线协作会话的学习体验和学习效果提供参考。
一 相关研究
1 边缘讨论参与行为
当前，讨论参与的相关研究主要从讨论数量和讨论质量两个维度开展[3]：①讨论数量方面的研究开展较早，主要采用发言条数或字数等。例如，Strauss等[4]依据个体发言字数，来判断小组成员是否平等地参与讨论活动。从讨论数量维度来衡量讨论参与的方法虽然方便快捷，但难以挖掘深层次的语义信息。②讨论质量方面的研究从语义角度出发，可分为句子级别和词语级别。其中，句子级别侧重基于分析框架对句子进行编码分析，如Gunawardena等[5]从社会知识建构的角度出发提出了交互分析模型（Interaction Analysis Model，IAM），包含分享、理解、协商、修改、应用五个层次。而词语级别多采用自动化分析的方式，如吴林静等[6]借助文心分析软件统计相关词语的频次，量化在线讨论质量；刘清堂等[7]从信息论的角度，基于关键词/短语策略提出计算帖子信息量（即描述信息潜在可能流动价值的统计量）的方法，以此计算和预测在线讨论质量。总的来说，讨论数量、讨论质量都能在一定程度上描述讨论参与的情况，将两者融合使用可以更全面地描述讨论参与。
边缘讨论参与行为的识别多依据教师经验，如王辞晓等[8]基于协作会话数据，将部分学习者划分为边缘者。目前，研究者对边缘讨论参与行为也缺少定量的界定。Janssen等[9]使用基尼系数来衡量小组是否存在不平等参与的现象，其基尼系数的计算方法为：对于一个组，将实际活动中每个组员偏离小组成员讨论参与平均值的数值进行相加，然后将此总和除以该值的最大可能值。考虑到基尼系数是用来衡量一个国家或地区居民收入差距的常用指标，故本研究采用基尼系数这一指标，参考上述基尼系数的计算方法，将边缘讨论参与行为定义为：一段时间内，当小组成员讨论参与（讨论数量或讨论质量）的基尼系数≥0.4（即出现不平等参与现象）时，讨论数量或讨论质量处于各小组排序末尾27%的参与行为。其中，27%是划分低绩效组的常用比例。
2 人机协同学习干预
学习干预是指针对学习者在学习过程中出现的问题，依据学习者的学习状态提供支持性服务[10]。学习干预的实施主体通常为教师和机器，而单一的教师干预或机器干预往往无法应对复杂的教育问题。对此，武法提等[11]从技术发展、实践现状、价值取向三个角度阐述了教师干预和机器干预的优势与不足，以此说明人机协同学习干预的必要性。人机协同学习干预是指在学习干预的过程中人类和机器相互协作，以实现共同的干预目标。
目前，针对人机协同学习干预的研究主要包括：①实践环节上，武法提等[12]提出了问题诊断、策略匹配、策略实施、效果验证四个环节，并明确了教师与机器在各个环节的互补职能，如在问题诊断环节，当机器诊断结果的置信度低于教师预设的阈值时，由教师进行修正。②干预对象上，符雪姣等[13]构建了包含班级整体教学干预、小组分层教学干预、个体特征教学干预三个层次的人机协同干预机制，阐述了教师和机器面对不同层次干预对象的职能区别。③干预范围上，孙众等[14]根据使用理论，将课堂教学分析与改进的研究回路分为低干预区和高干预区。低干预区规则明确，其中的问题能被所匹配的策略解决，由机器干预；高干预区规则模糊，其中的问题不能被机器所匹配的策略解决，由教师干预。此外，有研究者进行了人机协同学习干预的实践案例分析，如杨华利等[15]将小学英语写作作为学习干预的具体场景，指出教师干预在于定位知识薄弱点、精准讲解知识点等，而机器干预在于提供知识补救练习、供给学习材料等。
综上所述，已有研究多从宏观的理论层面为人机协同学习干预提供了研究基础，主要聚焦于教师和机器的分工协作问题，如机器适合逻辑性、重复性的工作，而教师灵活性、创造性地解决问题[16]，这为本研究构建人机协同学习干预模型提供了重要参考。
二 人机协同学习干预模型的构建
1 理论基础
教学系统设计理论是教育技术学的主要理论基础，可指导人机协同学习干预模型的构建。一般而言，教学系统设计的环节主要包含鉴定（分析）、设计、选择、实施、评价、修正等[17]。以此为参考，本研究中的“鉴定”指甄别出具有边缘讨论参与行为的学习者，“设计”指设计干预框架，“选择”指选择干预策略，“实施”指实施干预，“评价”指检验干预效果，“修正”指动态修正模型。此外，学习干预模型包含通用理论模型和针对具体学习问题的具体模型：在通用理论模型方面，李彤彤等[18]提出了学习干预循环结构模型，包含状态识别、策略匹配、干预实施、成效分析四个环节；武法提等[19]在精准学习干预模型中指出应明确问题的根本成因，针对原因对症下药，选择更贴切的干预策略。而在具体模型方面，杨雪等[20]提出了针对在线学习拖延的干预模型，包含问题归因、个性化的干预策略等。
2 人机协同学习干预模型
依据教学系统设计理论，参考学习干预的通用理论模型和针对具体学习问题的具体模型，本研究认为构建人机协同学习干预模型时需重点解决以下问题：如何确定干预对象？依据什么干预？怎样干预？如何检验并修正干预模型？针对这些问题，本研究设计了包含识别、归因、干预、评估四个模块的面向边缘讨论参与行为的人机协同学习干预模型。问题与模块的对应关系如下：如何确定干预对象——边缘讨论参与行为的自动识别；依据什么干预——归因对话；怎样干预——人机协同学习干预引擎；如何检验并修正干预模型——人机协同学习干预效果评估，具体如图1所示。
（1）边缘讨论参与行为的自动识别
识别边缘讨论参与行为是干预模型的第一步。机器自动采集会话数据后，机器分别计算小组成员讨论数量的基尼系数和讨论质量的基尼系数，若存在一种系数≥0.4，则认为小组出现了不平等参与现象。之后，机器筛选此小组中在讨论数量或讨论质量上排名为后27%的学习者，若学习者存在其中一种情况，就认为此学习者存在边缘讨论参与行为——若不存在边缘讨论参与行为，则此学习者进入下一次数据采集。其中，讨论数量指学习者的发言字数，而讨论质量指学习者发言所包含的信息量。信息量的计算主要分为两步：第一步，将小组成员的发言记录进行分词处理，并过滤掉无关字符，如“的、了”等，随后统计词的频数。第二步，按照公式（1）计算IQ（Sn），即Sn学习者的信息量。其中，TFD表示小组词典D中所有关键词/短语出现的频数之和，tfkwi表示Sn学习者发言记录中第i个关键词/短语出现的频数。
公式（1）
（2）归因对话
要想矫正边缘讨论参与行为，就需要厘清发生原因。不同学习者出现同一学习问题的原因具有多样性、相似性、开放性和涌现性，而机器的干预策略是有限的，因此将原因进行归类，可以为同一类原因提供有针对性的干预指导。
福格行为模型（Fogg Behavior Model，FBM）常用来解释行为发生的机理，帮助研究者理解行为发生背后的深层次原因。FBM认为：一种行为的发生，必须同时具备动机、实施行为的能力、实施行为的触发因素三个要素。FBM的应用，需根据具体的应用场景进行调整，如殷宝媛等[21]提出了基于FBM的学习行为发生模型，将触发因素调整为任务和环境。为细化原因的类别，本研究使用理论导向和数据导向相结合的方法开展分析[22]，通过开放式问卷调查，向50多名学习者询问了边缘讨论参与行为发生的可能原因，共收集了247条文本数据。之后，本研究依托FBM，通过扎根理论的开放式、关联式、选择式编码对这些数据进行编码（编码工具为Nvivo 11），并结合编码结果将FBM的触发因素调整为环境，形成了边缘讨论参与行为的初始化原因库。后续随着应用的开展，初始化原因库将被不断更新。
對话是了解个体心理活动的常见手段，通过对话能够了解个体对自身经历的感受和认知[23]。学习者与机器的归因对话可能存在一些实践问题，如鉴于原因的开放性和涌现性，原因库中可能不存在此学习者的原因类别，导致机器识别学习者的原因错误。为此，本研究采用了以下形式的归因对话：由教师监管机器执行归因对话流程，机器将学习者陈述的原因通过自然语言处理技术归类至原因库的开放式编码类别；当机器不能正确归类原因时，便由教师接管此轮对话。
（3）人机协同学习干预引擎
进行归因之后，需要干预引擎的介入。本研究的人机协同学习干预引擎包含融合教师干预策略与机器干预策略的策略库、教师与机器干预实施的协同机制等。这些用于干预实施的主体获取不同的原因后，以对话形式呈现具有针对性的干预策略。
为针对原因设计干预策略，本研究首先借鉴已有研究中的教师干预策略和机器干预策略。具体来说，现有的教师干预策略集中在认知与元认知调节、动机激发、社交推动等方面[24]，而机器干预策略集中在电子邮件发送、学业任务资源推送、电子徽章颁发、窗口弹出、数字仪表盘呈现等方面[25][26]。接着，本研究参考教师情感支持、情感反应理论等相关学理，提出关心、理解等相关策略。随后，研究人员与具有多年参与在线协作会话活动经验的学习者进行讨论，并采用德尔菲法对具有多年组织活动经验的教育技术学和心理学专家进行意见征询，根据专家意见多次协商并修改干预策略，以保证其合适性。最后，本研究建立了边缘讨论参与行为初始化原因库与初始化干预策略库的对应关系，如图2所示。
图2 边缘讨论参与行为初始化原因库与初始化干预策略库的对应关系
初始化干预策略库针对边缘讨论参与行为的初始化原因库而设计。初始化原因库包含三大类（选择式编码），如动机；每类包含若干项（关联式编码），如缺乏认知；每项包含若干小项（开放式编码），如对话题不感兴趣。借鉴殷宝媛等[27]提出的任务支持、对话支持、社会支持三类干预策略，本研究的初始化干预策略库可归纳为内容支持类、社会支持类、情感支持类、行为引导类四种干预大类，每类包含若干项干预策略。其中，内容支持类指推送相关内容的支持策略[28]；社会支持类指通过施加社会影响干预学习者的支持策略；情感支持类借鉴人类教师的情感支持方式[29]，弥补机器干预情感介入的不足；行为引导类指针对原因，提出个性化解决措施，可理解为前三类策略的补充或兜底。具体来说，干预策略针对开放式编码的原因开展，对应关系如下：①动机方面，对“缺乏兴趣”中开放式编码“对话题不感兴趣”的干预策略是自我监控图表、趣味化案例、个体与群体的比较。其中，自我监控图表通过呈现讨论轨迹，激活自我提升的动机和兴趣[30]；趣味化案例能调动讨论和学习的积极性，提升兴趣[31]；个体与群体的比较促使个体根据自己与群体的差异进行自我判断和调节，激发兴趣和动机[32]。对“社交影响”中开放式编码“组内关系紧张”的干预策略是说明，“组内关系陌生”的干预策略是“活动+说明”，“被伙伴拒绝”的干预策略是“关心+理解+鼓励+说明”。例如，“被伙伴拒绝”时，除了要表达关心、理解，给予鼓励，还要在小组内说明：小组是一个学习共同体，每位学习者都需要参与到合作中[33]。②能力方面，“缺乏认知”中开放式编码“对话题缺少了解”的干预策略是知识推送、推荐榜样伙伴，“认为话题缺少价值”的干预策略是趣味化案例、说明，而“任务难度高”的干预策略是认知支架、推荐榜样伙伴。这些策略能有效提升认知水平，如知识推送能直接推送相关知识[34]；推荐榜样伙伴依托社会学习理论，通过观察榜样行为、获得榜样社会支持等方式提升认知[35]；认知支架能降低学习梯度[36]。“身心状态不佳”中开放式编码“生理状态不佳”的干预策略是“关心+提示”，而“心理状态不佳”的干预策略是“关心+提示”。有研究表明，情感支持能通过情感反应增加趋近行为[37]。基于此，干预实施的主体表示关心的情感支持，同时也希望被干预者能调整好状态，以更好地投入会话活动。“个人不倾向讨论”中开放式编码“缺少自信”的干预策略是鼓励，“性格喜好”的干预策略是“尊重+说明”，而“依赖老师和同学”的干预策略是“尊重+理解+说明”。以“缺少自信”为例，需要鼓励学习者，提升其自信[38]。③环境方面，“缺乏发言机会”中开放式编码“发言内容被他人说过”的干预策略是“理解+说明”，而“有同学太积极”的干预策略是“理解+说明”。以“有同学太积极”为例，需给予理解，同时要在小组内说明：讨论机会是公平的，彼此需尊重发言空间、创设发言机会[39]。“缺乏讨论进程”中开放式编码“忙于其他事情”的干预策略是“理解+提示”，而“不清楚任务”的干预策略是“说明+提示”。“缺乏讨论氛围”中开放式编码“组员不积极”的干预策略是提示、角色分工，而“氛围严肃”的干预策略是“提示+活动”。以“氛围严肃”为例，在小组内建议大家在轻松的气氛中讨论，并开展成语接龙的活动以活跃气氛。
在上述策略中，“+”表示复合型的策略，如“理解+提示”。“、”表示一种原因有多种针对性策略，可让学习者自主选择。随着应用的开展，初始化干预策略库及其与原因的对应关系将被不断更新。此外，有研究表明，干预后学习者可能出现压力过大、情绪消极等负面影响[40]。因此在干预之前，可设置一个让学习者自主选择干预与否的环节。实施干预策略的干预实施主体，可以设计教师与机器协同机制：当教师发现机器能够将原因归类到开放式编码时，由机器针对开放式编码原因提供干预策略；当教师发现机器不能正确归类原因时，则由教师针对原因提供预设或新增的干预策略。
（4）人机协同学习干预效果评估
边缘讨论参与行为的干预是一个系统性的、循环往复的过程，其基本过程为：一次会话活动结束后，开展识别、归因和干预，随后小组再次开展会话活动，自动采集会话数据后开展评估。人机协同学习干预效果的评估保证了干预模型的闭环结构，并不断优化干预模型。评估的主要内容为：①机器检验干预效果，指小组再次开展会话后，机器检验被干预之后的学习者是否继续出现边缘讨论参与行为；②教师调整归因对话，指之前的归因对话模块如果出现机器不能正确归类学习者原因的情况，就需由教师调整归因对话，如扩展语料库或增加开放式编码等；③教师修正干预引擎，指教师将新增的干预策略添加至干预策略库，或添加干预策略与开放式编码的链接关系等。
三 面向边缘讨论参与行为的人机协同学习干预模型应用
1 应用过程
为验证面向边缘讨论参与行为的人机协同学习干预模型的应用效果，本研究选取华中地区H大学参加2023年春季學期“现代教育课程应用”课程的50名本科生为研究对象，开展了模型的教学应用。边缘讨论参与行为的定义涉及小组，为识别并矫正此行为，本研究将研究对象随机分为9个小组，每组5～7人，各组每周都要在QQ群聊中开展45分钟的会话。参考已有针对具体问题（如拖延[41]、学习绩效预警[42]）的干预应用实验流程，本研究采用干预前后对比实验的形式，开展了三周的在线协作会话活动，且每两周之间施加干预，共干预两次。
为实现模型提及的机器功能，本研究编写了程序实现边缘讨论参与行为的自动识别和机器检验干预效果的功能；开发了预设的对话流程，以实现归因和干预模块中的机器功能。对话流程包含从关联式编码至开放式编码的原因确认、提供针对性干预策略等。为方便对方理解，对话流程中的文本采用口语化的表达形式，如将“缺乏认知”口语化表达为“对知识点认识不足”，随后将对话流程接入QQ平台。教师和机器通过一个QQID接收和发送文本，在识别出具有边缘讨论参与行为的学习者后，QQID会与这些学习者进行一对一私聊形式的对话。人机协同归因与干预的对话案例如图3所示，可以看出：一般情况下是由机器来对话，只有当学习者脱离预设的对话流程时，教师才接管此轮对话，随后再次由机器执行对话流程，教师补充发言。对于机器和教师提供的针对性干预策略，此学习者表示了认可和感谢。机器和教师在对话中的分工主要为：机器执行对话流程，负责逻辑性较强的工作；教师进行监管和补充，解决灵活度较大的问题。
2 应用结果分析
（1）学习干预的应用效果分析
实验的第一周，出现了6名具有边缘讨论参与行为的学习者，第二周又出现了4位，分别编号1～10。在小组在线协作会话活动中，这些学习者被干预前后发言的信息量情况、发言的字数情况分别如图4、图5所示，可以看出：10名具有边缘讨论参与行为的学习者被干预后发言的信息量显著大于被干预前（t=5.018，df=9，p=0.001＜0.01）、发言的字数也显著多于被干预前（t=4.583，df=9，p=0.001＜0.01）。另外，经过干预后，这些学习者都不再出现边缘讨论参与行为，说明人机协同学习干预模型能有效矫正边缘讨论参与行为。通过归因对话，人机协同学习干预模型能获取学习者为何出现边缘讨论参与行为的深层次原因，进一步针对具体的原因提出个性化干预策略，可有效促进这些学习者积极参与讨论活动。
（2）归因和干预模块的接受度分析
本研究的人机协同学习干预模型包含识别、归因、干预、评估四个模块，被干预者主要接触以对话形式呈现的归因和干预模块。为了解被干预者对归因和干预模块的主观感受，本研究对具有边缘讨论参与行为的学习者进行了归因和干预模块的接受度调查：首先，参考Davis等[43]开发的问卷，设计了包含感知有用性、感知易用性、满意度、持续使用意愿四个部分的接受度调查问卷，每个部分设有5个题项，如“持续使用意愿”部分有一题项为：“我希望在其他讨论活动中也有这种对话。”调查问卷采用李克特五点量表计分，用1～5分表示从“非常不认同”到“非常认同”。之后，面向10名被干预者开展具体的接受度问卷调查。其中，有9名被干预者返回了问卷数据，其分析结果表明：感知有用性（Cronbachs α=0.95）的均值为4.20、感知易用性（Cronbachs α=0.94）的均值为4.31、满意度（Cronbachs α=0.96）的均值为4.27、持续使用意愿（Cronbachs α=0.85）的均值为4.16，表明归因和干预模块具有较高的接受度。究其原因，可能在于归因和干预模块突出被干预者的主体地位，如被干预者可以自主选择干预策略。
四 结语
为识别与矫正边缘讨论参与行为，本研究设计了面向边缘讨论参与行为的人机协同学习干预模型：机器负责自动识别，教师监管机器执行归因对话，教师与机器协同实施干预并协同评估干预效果。之后，本研究将此模型应用于在线协作会话活动，开展了干预前后对比实验的案例分析，验证了其应用效果：人机协同学习干预模型能有效矫正边缘讨论参与行为，模型中的归因和干预模块具有较高的接受度。本研究的不足之处在于虽然应用案例分析结果验证了模型的有效性，但尚未在大规模研究样本中进一步检验。后续将扩大研究样本规模，延长研究周期，提升模型的实践价值，并尝试将多模态的人机对话加入学习干预模型，以提供更好的学习服务。
参考文献
[1][4]Strauss S， Rummel N. Promoting regulation of equal participation in online collaboration by combining a group awareness tool and adaptive prompts. But does it even matter？[J]. International Journal of Computer-Supported Collaborative Learning， 2021，（1）：67-104.
[2][8]王辞晓，张文梅.联通主义学习中协作问题解决的角色互动研究[J].电化教育研究，2022，（10）：86-93.
[3]彭敏军，陆新生，刘引红.基于数量和质量的在线学习参与度考量方法研究[J].现代教育技术，2011，（1）：103-106.
[5]Gunawardena C N， Lowe C A， Anderson T. Analysis of a global online debate and the development of an interaction analysis model for examining social construction of knowledge in computer conferencing[J]. Journal of Educational Computing Research， 1997，（4）：397-431.
[6]吳林静，高喻，涂凤娇，等.基于语义的在线协作会话学习投入自动分析模型及应用研究[J].电化教育研究，2022，（3）：77-84.
[7]刘清堂，黄景修，蒋志辉，等.面向在线讨论的时间序列建模实验[J].现代教育技术，2019，（5）：39-45.
[9]Janssen J， Erkens G， Kirschner P A. Group awareness tools： Its what you do with it that matters[J]. Computers in Human Behavior， 2011，（3）：1046-1058.
[10][18]李彤彤，黄洛颖，邹蕊，等.基于教育大数据的学习干预模型构建[J].中国电化教育，2016，（6）：16-20.
[11]武法提，田浩.人机协同的精准学习干预：动力机制、逻辑理路与实践模型[J].开放教育研究，2023，（2）：81-90.
[12][19]武法提，高姝睿，田浩.人机智能协同的精准学习干预：动因、模型与路向[J].电化教育研究，2022，（4）：70-76.
[13][34]符雪姣，曾明星，张友福.人机协同精准教学整体框架与关键环节设计[J].开放教育研究，2023，（2）：91-102.
[14]孙众，于子淳.人工智能课堂教学分析与改进：人在回路的协同机制[J].电化教育研究，2023，（1）：116-122.
[15]杨华利，郭盈，黄涛，等.人机协同支持下的小学英语写作教学研究[J].现代教育技术，2020，（4）：74-80.
[16]祝智庭，彭红超.创新发展技术赋能的智慧教育——访我国智慧教育开拓者祝智庭教授[J].教师教育学报，2021，（4）：21-29.
[17][21][27][30]殷宝媛，武法提.学习习惯在线干预的原理与模型设计[J].电化教育研究，2019，（12）：72-79.
[20][25][41]杨雪，姜强，赵蔚，等.大数据时代基于学习分析的在线学习拖延诊断与干预研究[J].电化教育研究，2017，（7）：51-57.
[22][24]陈向东，刘冠群.共享调节学习中的教师干预：QCA的视角[J].远程教育杂志，2020，（6）：73-85.
[23]祝嘉钰.基于会话代理的协作问题解决测评研究——路径设计[D].上海：华东师范大学，2018：22-23.
[26][42]赵慧琼，姜强，赵蔚，等.基于大数据学习分析的在线学习绩效预警因素及干预对策的实证研究[J].电化教育研究，2017，（1）：62-69.
[28]胡水星，荆洲.在线学习干预的新发展：从学习分析仪表盘到教育智能体[J].远程教育杂志，2022，（5）：83-92.
[29]乔红晓.感知教师情感支持对中学生学习倦怠与学业求助行为的影响研究[D].开封：河南大学，2014：35-36.
[31][36]杨文理，钟绍春，赵雪梅，等.基于学习分析的小学数学学习干预模型构建研究[J].中国电化教育，2022，（4）：125-133.
[32]张家华，缪佳佳，邹柳聪.学习干预对在线学习者的影响及其学习行为序列差异[J].现代教育技术，2020，（3）：32-38.
[33][39]朱忠明.学习机会视角下的合作问题解决教学：价值透视与实践路径[J].中国教育学刊，2023，（10）：10-15.
[35]李月，姜强，赵蔚.基于过程挖掘的在线自主学习行为模式识别及干预实证研究[J].电化教育研究，2021，（5）：61-69.
[37]Horan S M， Martin M M， Weber K. Understanding emotional response theory： The role of instructor power and justice messages[J]. Communication Quarterly， 2012，（2）：210-233.
[38]曹雅宁，柯青，王笑语，等.MOOC平台设计如何引导用户深度参与学习——基于劝导技术理论的分析[J].中国远程教育，2023，（11）：39-49.
[40]张家华，邹琴，祝智庭.学习分析视角下在线学习干预模型应用[J].现代远程教育研究，2017，（4）：88-96.
[43]Davis F D， Bagozzi R P， Warshaw P R. User acceptance of computer technology： A comparison of two theoretical models[J]. Management Science， 1989，（8）：982-1003.
Construction and Application of the Human-Machine Collaborative Learning
Intervention Model Faced for Edge Discussion Participation Behaviors
LIU Qing-Tang CAO Tian-Sheng[Corresponding Author]YIN Xing-Han HU Qing-Ling LI Xiao-Juan
（School of Educational Information Technology， Central China Normal University， Wuhan， Hubei， China 430000）
Abstract： The edge discussion participation behaviors restrict the effectiveness of online collaborative sessions， and how to identify and correct edge discussion participation behaviors is an urgent problem that needs to be solved at present. Therefore， based on the teaching system design theory and learning intervention models， this paper constructed the human-machine collaborative learning intervention model faced for edge discussion participation behaviors， which included four modules of recognition， attribution， intervention， and evaluation. Subsequently， the teaching application of this model was conducted， and the application effect of this model was verified through comparative experiments before and after intervention. The results showed that the human-machine collaborative learning intervention model could effectively correct edge discussion participation behaviors， and the attribution and intervention modules in the model had high acceptance. The design and practice of the human-machine collaborative learning intervention model faced for edge discussion participation behaviors could provide reference for the intervention research in online collaborative sessions， the theoretical exploration of human-machine collaborative learning intervention， the personalized learning services.
Keywords： edge discussion participation behavior; human-machine collaboration; learning intervention; online collaboration
*基金項目：本文为教育部人文社科规划基金项目“智能导师情绪线索对大学生在线学习影响的作用机制研究”（项目编号：22YJAZH067）、2024年度河南省高校人文社会科学一般项目“高校教师技术融合能力分析及优化策略研究”（项目编号：2024-ZZJH-092）的阶段性研究成果。
作者简介：刘清堂，教授，博士，研究方向为在线协作会话，邮箱为liuqtang@mail.ccnu.edu.cn。
收稿日期：2023年10月12日
编辑：小米
