智能协作学习环境中学习者的提问能力对认知过程的影响研究

[摘" "要] 人工智能技术的快速发展推动了智能协作学习环境的兴起。在此背景下，学习者的提问能力尤为关键，它能够直接增强学习者与智能系统的互动，提升学习体验和效果。然而，目前鲜有研究关注学习者的提问能力对其认知过程的影响。文章旨在探索智能协作学习环境中，学习者的提问能力如何影响他们的认知过程。通过对学习者提问数据和在线协作话语的分析，研究发现学习者的提问能力对认知过程存在影响，具体表现为：高提问能力学习者表现出更高水平的智能信息整合能力，能够更多地转述和应用从智能系统中获得的意见；高提问能力学习者呈现出“共识解释发展”的认知建构方式，而低提问能力学习者呈现出“辩证论证”的认知建构方式；高提问能力学习者展现出持续的高认知水平，而低提问能力学习者在协作启动阶段容易陷入无关话题困扰，讨论效率不高。基于此，文章提出了提升学习者人工智能素养与提问能力、细化共识解释与辩证论证教学策略以及开展智能协作学习环境下的纵向研究等建议。

[关键词] 智能协作学习环境； 提问能力； 认知过程； 认知特征； 认知模式； 认知轨迹

[中图分类号] G434" " " " " " [文献标志码] A

[作者简介] 于爽（1998—），女，河北唐山人。博士研究生，主要从事协作分析及干预研究。E-mail：yushuang@mails.ccnu.edu.cn。叶俊民为通信作者，E-mail：jmye@mail.ccnu.edu.cn。

一、引" "言

ChatGPT、Gemini和EduTEP等生成式人工智能的迅速发展，代表着新一轮科技革命的演进态势，深刻地改变了知识获取、思维方式和教育方式，人类已进入了一个强调智能问答和对话的数字化时代[1]。同时，这些技术的快速发展极大地丰富了教育手段，推动了智能协作学习环境的兴起。智能协作学习环境是一个集成了人工智能技术、协作学习理论和教育软件工具的系统，旨在促进学习者之间的有效交流、合作和知识构建。在智能协作学习环境中，提问能力尤为重要，因为它能够直接增强学习者与智能系统的互动[2]，提升学习体验和效果[3]。尽管提问在教育过程中的重要性已被广泛认识，但在智能协作学习环境中，学习者的提问能力如何影响认知过程的研究仍然相对缺乏，这不利于充分理解学习者如何在智能协作环境中建构知识。本研究旨在通过实证研究，探讨在智能协作学习环境中学习者的提问能力对其认知过程的影响，为优化学习环境设计、提升教学质量及深化学习者的学习体验提供有力支撑与实践指导。

二 、文献综述

（一）智能协作学习环境中学习者的提问能力

随着人工智能技术的迅猛发展，教育手段不断丰富，推动了智能协作学习环境的兴起。这些环境通过集成先进的算法和搭建用户友好的界面，为学习者提供个性化的学习支持和互动， 进一步促进了学习者在在线协作学习环境下的学习效果[4-5]。在这些环境中，学习者通常需要与智能系统进行交互，而提问能力在这一过程中发挥着至关重要的作用，因为它直接影响问答系统反馈的质量和效果[6]。因此，学习者提问能力是充分发挥智能协作学习环境优势的关键。此外，关于学习者提问能力的评估，研究表明学习者所提问题的认知水平能够反映其提问能力的高低[7]。本研究将学习者的提问能力定义为学习者向智能协作学习环境中的智能系统（如智能辅导系统、智能问答系统和机器人等）提问时表现出来的认知水平。

（二）学习者的认知过程

学习者的认知过程通常是指他们在获取、处理、存储和应用知识时所经历的心理活动，这一过程反映了学习者在建构知识时的努力程度[8]。通过分析学习者在协作互动讨论中的言语行为，研究者可以有效地探究其认知过程[9]。认知过程是一个动态发展的复杂过程[10-11]，其评估方法亟须超越传统的频数统计，深入探究认知要素之间的相互作用及其状态的演变。换句话说，应该采用模式与轨迹分析，以全面深刻地洞察认知过程。认知网络分析作为网络模式分析的常用方法，通过量化会话中认知编码的共现频率，揭示编码要素间的相互关联关系，为构建学习者的认知模式提供了有力支撑[12]。此外，隐马尔可夫模型（HMM）基于贝叶斯统计，通过分析学习者显性学习行为数据的时序特征，能够挖掘其背后的潜在行为模式，该模型能够有效分析学习者的认知轨迹，从而动态追踪学习者在学习过程中的认知状态变化[13-14]。因此，为深入揭示学习者认知过程的复杂性，本研究结合特征、模式和轨迹三个维度，综合探讨学习者在协作学习中的认知过程。

（三）学习者的提问能力对认知过程的影响

学习者提问能力对学习效果的影响已受到广泛关注，研究显示提问能力与学生的理解能力[15]、学习投入度[16]以及师生关系[17]等变量存在积极联系。尽管如此，关于提问能力如何在认知过程中发挥作用，尤其是在智能协作学习环境中如何发挥作用，研究仍然较少。Ha等人的研究通过为博物馆游客提供移动智能问答工具，发现游客提问数量的增加显著促进了小组讨论的活跃度[3]。但该研究主要关注提问次数，未能充分考虑提问水平的差异，也未深入探讨提问能力对认知过程的深层次影响。然而，探讨学习者的提问能力对认知过程的影响对于优化智能协作学习环境、提升学习者个性化学习效果具有重要意义。本研究旨在从特征、模式和轨迹三个维度，探讨智能协作学习环境中学习者的提问能力对认知过程的影响。研究将围绕以下三个问题展开：

RQ1：智能协作学习环境中，不同水平的提问能力如何影响学习者的认知特征？

RQ2：智能协作学习环境中，不同水平的提问能力如何影响学习者的认知模式？

RQ3：智能协作学习环境中，不同水平的提问能力如何影响学习者的认知轨迹？

三、研究设计

（一）研究对象与活动

本研究在2022—2023学年秋季，于华中地区某师范大学的 “面向对象的软件工程”课程中进行，研究对象为55名软件工程专业的大三学生，年龄在18至21岁之间。研究设计了一个为期五周的在线协作学习活动，主题为“学习分析系统的需求分析设计”。学生被随机分配成11个小组，每组5人，任务是协作完成一份关于学习分析系统的需求分析文档。

（二）智能协作学习环境设计

在本研究的协作学习活动中，小组成员通过QQ平台进行讨论。为了提升学习效果，研究团队在QQ平台的基础上，引入了一个智能辅导系统（如图1所示），以此构建智能协作学习环境。智能辅导系统的角色被定义为辅助者，旨在提供必要的信息支持和问题解答，而不直接参与学生协作学习过程。在与智能辅导系统的互动中，小组成员作为基本的交互单元，通过系统提出问题并接收反馈。

该智能辅导系统由研究团队自主研发，旨在根据学生的提问，为其匹配合适的同伴导师，帮助学生解决在线协作学习过程中的问题。系统具备以下两个基本功能：（1）推荐同伴导师。系统根据学生提出的问题，利用深度学习算法推荐合适的同伴导师。这些同伴导师是已经学习过该门课程的8名学生，他们具备相关的课程学习经历，被认为在知识和能力上优于当前的学习者[18]。（2）提供讨论环境。系统为学生提供了一个与同伴导师进行讨论的环境，学习者在这个环境中与推荐的同伴导师进行在线交流，以解决学习中的疑惑。通过这种设计，智能辅导系统旨在促进学习者之间的有效沟通，提高协作学习的质量和效率。

（三）研究工具

为了测量学习者的提问能力，以布鲁姆认知目标分类框架作为参考，将小组成员提出的问题分为六个认知层次：记忆、理解、应用、分析、综合和评价，并为每个层次分配了1至6分的评分标准[15，19]。具体的编码细节详见表1。

本研究采用ICAP框架[20-21]对学习者在线协作学习的话语数据进行编码，以测量其认知行为。ICAP框架将学习者的认知活动分为被动、主动、建构和交互四个类别。被动行为指的是学习者仅孤立记忆信息，如阅读学习材料，而不涉及与具体学习活动或学习任务直接相关的行为，这类行为在讨论中难以观察，因此，不便于编码。此外，鉴于协作讨论中可能存在与任务无关的言辞，本研究引入了“任务外”这一维度[22]，以全面反映讨论内容。因此，本研究中的认知过程分析编码表包括主动、建构、交互及“任务外”四个维度，具体编码细则见表2。

（四）数据收集和分析

在为期五周的在线协作学习活动中，本研究从两个维度收集了数据：一是小组学生在智能系统内提出的问题，共计有效问题241个；二是各小组在QQ平台上的讨论文本数据，累计有效消息2493条。首先，采用内容分析法对这些数据进行编码。为确保编码的准确性和一致性，遵循了Shaffer和Ruis提出的编码原则[23]。编码工作前，对两位研究生进行专业培训，然后，他们随机选取了数据集的30%作为试编码样本。在编码过程中，他们参考表1（针对提问能力）和表2（针对认知行为），分别以问题和消息为分析单位进行编码。编码完成后，通过计算得出认知行为与提问能力的Cohen's Kappa值分别为0.854和0.87，显示了编码工作的高一致性。针对编码过程中出现的不一致，两位编码员进行了讨论，并征询了专家意见，通过协商最终达成共识。在此基础上，每位编码员各自独立完成了剩余35%数据的编码工作。

通过对各组所提问题及其得分进行整理和分析，发现各组所提问题的平均得分为37. 73。根据小组总分是否高于平均分，将学习者分为高提问能力学习者和低提问能力学习者[24]。最终，得到了高提问能力学习者（2、3、4、9、11组）和低提问能力学习者（1、5、6、7、8、10组）这两个群体。

最后，从特征、模式和轨迹三个维度，采用Mann-Whitney U检验、认知网络分析方法（ENA）和隐马尔可夫模型（HMM）对高、低提问能力学习者的认知过程进行差异分析。其中，利用在线工具（https：//www.epistemicnetwork.org/）比较了这两类学习者的认知网络差异；使用Python中的HMM包进行隐马尔可夫分析，借助BIC（贝叶斯信息准则）确定最优隐藏状态数量[25]，以揭示学习者显性认知行为背后所隐藏的认知状态轨迹变化。具体而言，本研究中分析所依赖的显性行为数据为表2所列举的9种认知行为，而隐性状态则对应于协作学习过程中所经历的各个阶段[26]。图2显示了本研究的数据收集与分析过程。

四、实验结果

在智能协作学习环境下，本研究探索了高、低提问能力学习者在认知特征、模式和轨迹上的差异，得到如下结果：

（一）高、低提问能力学习者的认知特征差异

针对研究问题一，本研究采用Mann-Whitney U 检验分析高、低提问能力学习者在认知行为特征上的差异。表3的数据显示，高提问能力学习者在“重复”“转述”“推理”“解释”“支持”等认知行为上的占比高于低提问能力学习者。低提问能力学习者在“提问”“建立在他人之上”“质疑和争辩”“任务外”等认知行为上的占比则超过高提问能力学习者。进一步分析两组学习者在9种认知行为上的显著性差异，Mann-Whitney U检验的结果显示，仅在“转述”和“推理”行为上，两组学习者存在统计学上的显著差异；在其他行为类型上，两组之间的差异不具有统计学意义。

（二）高、低提问能力学习者的认知模式差异

针对研究问题二，本研究采用ENA探究高、低提问能力学习者的认知模式差异。图3展示了两组学习者的平均网络比较结果。图中，连接的权重反映了高、低提问能力学习者在认知行为编码要素间的关系强度的对比，线条越粗，表示编码要素间联系越紧密。研究发现，相比于高提问能力学习者，低提问能力学习者在“推理—提问”“提问—建立在他人之上”“建立在他人之上—质疑和争辩”上有更强的联系。相反，高提问能力学习者在“重复—推理”“推理—支持”“推理—建立在他人之上”“转述—推理”上展示出更强的联系。为了进一步分析两种类型小组在ENA空间投影点分布上的差异，本研究采用Mann-Whitney U检验。检验结果表明，在α=0.05的显著性水平下，X轴上的分布差异具有统计学意义（U=26，p=0.05，r=0.73），而Y轴上的分布差异则不显著（U=376，p=0.82，r=0.04）。

（三）高、低提问能力学习者的认知轨迹差异

针对研究问题三，本研究采用HMM探究高、低提问能力学习者在认知轨迹上的差异。HMM分析结果显示，高提问能力学习者的最佳隐性状态数为5种，而低提问能力学习者为6种，这些隐藏状态的具体描述见表4。从表4中可以看出，与高提问能力学习者相比，低提问能力学习者还包含一个讨论启动阶段，而该阶段涉及较多无关话题。

通过分析每个隐藏状态中不同认知行为的比例，描绘了两种类型学习者的认知轨迹变化，如图4所示。从图4中可以看出，高提问能力学习者的五个状态均包含对他人观点的支持行为，而低提问能力学习者仅在部分状态（状态4、5和6）中表现出高水平的互动。此外，图中箭头上的数值代表隐藏状态之间的转换概率，数值越大表示转换概率越大。图4显示，低提问能力学习者更可能从个人问题解决状态（状态3）和集体问题解决状态（状态6）转移到集体观点探索状态（状态5）。相比之下，高提问能力学习者则更倾向于从状态1过渡到状态2，这两个状态主要涉及围绕材料内容和导师建议的讨论。此外，高提问能力学习者更可能从状态4转移到状态5，这两个状态主要包含对他人观点的支持、质疑和补充行为。

五、研究结论与建议

（一）研究结论

1.高提问能力学习者表现出高水平的智能信息整合能力

通过分析高、低提问能力学习者在认知行为特征方面的差异，发现高提问能力学习者在“转述”方面显著高于低提问能力学习者，这表明高提问能力学习者展现了更高水平的智能信息整合能力，他们更倾向于将与智能辅导系统互动获得的信息应用于在线协作讨论中。这一发现与Liu等人的研究结果[27]相一致，他们指出，高提问能力的学习者会持续对智能系统生成的内容进行批判性分析、反思和选择，并有选择性地将其整合到学习任务中。此外，我们的研究在Ouyang等人[28]的基础上进行了拓展。Ouyang等人的研究[28]表明，教师支架对学习者的认知行为具有即时和延迟的效应。我们的研究进一步发现，在智能协作学习环境中，智能辅导系统作为认知支架，对学习者的讨论同样具有延迟效应。高提问能力学习者在与智能辅导系统互动后，会在小组讨论中进一步探讨和深化这些观点，从而形成更深入的认知结构。

2. 低提问能力学习者呈现出“辩证论证”的认知建构方式

通过分析高、低提问能力学习者在认知网络方面的差异，揭示了高、低提问能力学习者在认知互动中的特定模式。具体来说，高提问能力学习者在“转述—推理”“推理—支持”“推理—建立在他人之上”的联系更为紧密，这表明他们更注重通过对话达成共识。这种模式与Asterhan和Schwarz所描述的“共识解释发展”类型的认知建构方式[29]相吻合，该方式强调了通过合作性对话来加强和巩固共同理解。相比之下，低提问能力学习者在“建立在他人之上—质疑和争辩”之间的联系更为显著，这反映出他们更倾向于通过质疑和辩护来探索和挑战观点，这与“辩证论证”的认知建构方式相符，这种方式通过批判性思维促进概念的变化和发展。此外，本研究的发现补充并拓展了Ha等人的研究[3]，与该研究相比，本研究通过分析认知网络，进一步揭示了高、低提问能力学习者在认知互动中的模式差异，为理解学习者如何在智能协作环境中建构知识提供了新的视角。

3. 高提问能力学习者展现出持续的高认知水平

通过对比高、低提问能力学习者的认知轨迹，本研究发现，与低提问能力学习者相比，高提问能力学习者在学习过程中表现出了持续的高认知水平。他们倾向于在深入讨论学习材料和导师建议后，转移到更深层次的认知状态，并在每个学习阶段都展现出对他人观点的支持和补充等高水平认知行为。这一发现与Wu等人的研究[30]形成了有趣的对比。Wu等人的研究表明，跨学科团队在认知投入方面随时间呈现下降趋势[30]，这可能表明跨学科团队在维持高水平认知参与方面遇到了挑战。相比之下，本研究中的高提问能力学习者似乎能够更好地维持其认知参与度，这可能是由于他们能够有效地将提问作为一种工具，以促进深入思考和持续的协作学习。这为教育实践提供了宝贵的启示，即通过培养学习者的提问能力，可以促进更深层次的认知参与和更有效的协作学习。

（二）研究建议

1. 提升学习者人工智能素养与提问能力，优化智能问答系统协作学习体验

在智能化教育不断推进的今天，学习者与智能系统的交互日益成为学习过程中的重要组成部分。具备高水平人工智能素养的学习者能够更深入地理解AI技术的工作原理和应用场景，这不仅增强了他们对技术潜力的认识，也使他们能够更加负责任和有效地使用这些工具。同时，提问能力是获取信息和深化理解的关键。通过精准和深入的提问，学习者能够更有效地与智能系统进行交流，激发更丰富的信息回馈，促进知识的深入理解和应用。因此，教师应通过设计包含AI元素的课程内容、开展针对性的提问技巧训练、实施基于问题的学习活动以及提供持续的反馈和指导，来提升学习者的人工智能素养和提问能力。此外，教师自身也应不断学习和更新关于AI技术的知识，以便更好地指导学习者，共同探索智能化教育的无限可能。

2. 细化共识解释与辩证论证教学策略，实现不同提问水平学习者认知能力的均衡提升

鉴于不同水平提问能力的学习者在协作讨论时展现出不同的认知建构方式，建议教育者采取不同的教学策略。其中，对于已经具备辩证论证认知建构方式的低提问能力学习者，教育者应通过进一步的指导和激励，强化学习者的合作性对话技巧，帮助他们更深入地巩固和扩展共同理解。同时，鼓励这些学习者参与更高层次的思维挑战，如批判性思维和创造性问题解决，以激发他们提问和认知的深度。对于高提问能力学习者，继续支持他们通过共同解释与发展的认知建构方式，深化对复杂概念的理解，并促进认知结构的动态变化。通过这样的教学方法，可以为所有学习者提供定制化的学习支持，优化他们与智能问答系统的协作学习体验，并促进每个学习者的认知能力得到最大程度的发展。

3. 关注时间序列，开展智能协作学习环境下的纵向研究

追踪学习过程的时间序列对于优化学习者的认知发展轨迹至关重要。本研究发现，高提问能力学习者展现出了持续的高认知水平，而低提问能力学习者在讨论初期面临聚焦核心议题的挑战，这表明在教学中应特别关注低提问能力学习者的初始学习阶段。为此，建议教师加强对学习初期的引导与支持，通过设计针对性的问题引导和思维激发活动，帮助学习者迅速进入高效的讨论状态。同时，研究者应重视时间序列分析的应用，以追踪和识别学习者在不同学习阶段的特点和需求，从而及时调整教学策略，提供个性化的教学支持。通过这些综合措施，期望能够促进低提问能力学习者在初始阶段的认知发展，帮助他们克服学习障碍，逐步提升其认知水平，最终实现所有学习者认知能力的均衡提升。

六、结 束 语

本研究探讨了智能协作学习环境中学习者的提问能力对认知特征、模式和轨迹的影响。研究发现，高提问能力学习者在智能信息整合方面表现更佳，他们更频繁且有效地利用系统提供的指导性建议来辅助学习，而低提问能力学习者则较少这样做。同时，高提问能力学习者展现出更紧密的协同行为联系，而低提问能力学习者则在辩证论证行为上有更多的联系。此外，高提问能力学习者能够持续展现高水平的认知行为，而低提问能力学习者在协作学习的启动阶段容易偏离主题，导致讨论效率不高。

本研究存在两个不足之处。首先，研究仅选取了软件工程专业的学习小组，这可能使得研究结果在学科上具有特定性。未来的研究可以扩大样本范围，包括更多学科领域，以增强研究的适用性和普遍性。其次，智能辅导系统的设计主要侧重于根据学习者的问题推荐导师，而没有采用当前流行的先进智能辅导系统，如ChatGPT。这种设计受限于当时的技术水平，未能充分利用先进智能技术的潜在优势。因此，未来的研究可以探讨采用更先进的智能辅导系统，以更全面地优化学习者的学习体验和效果。

[参考文献]

[1] 戴岭，赵晓伟，祝智庭. 智慧问学：基于ChatGPT的对话式学习新模式[J]. 开放教育研究，2023，29（6）：42-51，111.

[2] 王丽，李艳，陈新亚，等. ChatGPT支持的学生论证内容评价与反馈——基于两种提问设计的实证比较[J]. 现代远程教育研究，2023，35（4）：83-91.

[3]" HA J， P？魪REZ CORT？魪S L E， SU M， et al． The impact of a gamified mobile question-asking app on museum visitor group interactions： an ICAP framing[J]． International journal of computer-supported collaborative learning，2021，16（3）：367-401．

[4] 郑兰琴，高蕾，黄梓宸． 基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗？[J]． 电化教育研究，2024，45（3）：70-76，84．

[5] GUO K， ZHONG Y， LI D， et al. Effects of chatbot-assisted in-class debates on students' argumentation skills and task motivation[J]. Computers amp; education， 2023， 203： 104862.

[6] LAI K. How well does ChatGPT handle reference inquiries？ An analysis based on question types and question complexities[J]. College amp; research libraries， 2023，84（6）：974.

[7] CIARDIELLO A V. Student questioning and multidimensional literacy in the 21st century[J]. The educational forum， 2000，64（3）： 215-222.

[8] KIM M K， WANG Y， KETENCI T. Who are online learning leaders？ Piloting a leader identification method （LIM）[J]. Computers in human behavior， 2020，105：106205.

[9] 吴林静，涂凤娇，马鑫倩，等. 人工智能视域下的在线协作会话分析：概念模型及应用[J]. 电化教育研究，2023，44（1）：70-76，99.

[10] OUYANG F， DAI X. Using a three-layered social-cognitive network analysis framework for understanding online collaborative discussions[J]. Australasian journal of educational technology， 2022，38（1）：164-181.

[11] GREENE B A. Measuring cognitive engagement with self-report scales： reflections from over 20 years of research[J]. Educational psychologist， 2015，50（1）：14-30.

[12]" GUO L M， DU J L， ZHENG Q H． Understanding the evolution of cognitive engagement with interaction levels in online learning environments： insights from learning analytics and epistemic network analysis[J]. Journal of computer assisted learning， 2023，39（3）： 984-1001.

[13] XIAO Y， HE Q， VELDKAMP B， et al. Exploring latent states of problem-solving competence using hidden Markov model on process data[J]. Journal of computer assisted learning， 2021，37（5）：1232-1247.

[14] SUN D， CHENG G， XU P， et al. Using HMM to compare interaction activity patterns of student groups with different achievements in MPOCs[J]. Interactive learning environments， 2019，27（55/66）：766-781.

[15] MAPLETHORPE L， KIM H， HUNTE M R， et al. Student-generated questions in literacy education and assessment[J]. Journal of literacy research， 2022，54（1）：74-97. .

[16] CHYR W L， SHEN P D， CHIANG Y C， et al. Exploring the effects of online academic help-seeking and flipped learning on improving students' learning[J]. Journal of educational technology amp; society， 2017，20（3）：11-23.

[17] WU J Y， NIAN M W. The dynamics of an online learning community in a hybrid statistics classroom over time： implications for the question-oriented problem-solving course design with the social network analysis approach[J]. Computers amp; education， 2021，166： 104120.

[18] ZHENG L. The impact of cross-age peer tutors on knowledge elaboration， knowledge convergence， and group performance in computer supported collaborative learning[C]// IEEE 15th International Conference on Advanced Learning Technologies. Vienna， Austria： IEEE，2015：175-179.

[19] ASLI S， SAFI Z， SHEHADEH-NASSER A， et al. Learning styles of a story about sustainability： their effect on the level of questioning of students in primary education[J]. Journal of baltic science education， 2023，22（6）：1011-1024.

[20] WANG X， WEN M， ROS？魪 C P. Towards triggering higher-order thinking behaviors in MOOCs[C]//Proceedings of the Sixth International Conference on Learning Analytics amp; Knowledge. Edinburgh， United Kingdom： ACM， 2016： 398-407.

[21] 张思，何晶铭，上超望，等. 面向在线学习协同知识建构的认知投入分析模型及应用[J]. 远程教育杂志，2020，38（4）：95-104.

[22] ZHOU J， YE J. Investigating cognitive engagement patterns in online collaborative learning： a temporal learning analytic study[J]. Interactive learning environments， 2024 （1）：1-17.

[23] SHAFFER D W， RUIS A R． How we code [C] // Proceedings of the Second International Conference on Quantitative Ethnography. California， USA： Springer， 2021：62-77.

[24] YE J M， ZHOU J． Exploring the relationship between learning sentiments and cognitive processing in online collaborative learning： a network analytic approach[J]． The Internet and higher education，2022，55：100875．

[25] 张思，高倩倩，马鑫倩，等. 私播课论坛中学习者会话行为建模研究[J]. 电化教育研究，2021，42（11）：63-68，106.

[26] OUYANG F， XU W Q， CUKUROVA M． An artificial intelligence-driven learning analytics method to examine the collaborative problem-solving process from the complex adaptive systems perspective[J]． International journal of computer-supported collaborative learning，2023，18（1）：39-66．

[27]" LIU J Y， LI S R， DONG Q Y． Collaboration with generative artificial intelligence： an exploratory study based on learning analytics[J]． Journal of educational computing research，2024，62（5）：1234-1266．

[28] OUYANG F， DAI X Y， CHEN S． Applying multimodal learning analytics to examine the immediate and delayed effects of instructor scaffoldings on small groups'collaborative programming[J]． International journal of STEM education，2022，9（1）：45．

[29] ASTERHAN C S C， SCHWARZ B B. Argumentation and explanation in conceptual change： indications from protocol analyses of peer-to-peer dialog[J]. Cognitive science， 2009，33（3）：374-400.

[30] WU L J， YU S， LIU Q T， et al． Is cross-discipline better than same-discipline for cognitive engagement in computer supported collaborative learning？An empirical study using epistemic network analysis[J]． Journal of computing in higher education，2023（10）： 1-24.

Research on the Impact of Learners' Questioning Ability on Cognitive Processes in Intelligent Collaborative Learning Environments

YU Shuang1，" YE Junmin2，" WU Linjing1， YIN Xinghan1，" LUO Sheng2，" LIU Qingtang1

（1.Faculty of Artificial Intelligence in Education， Central China Normal University， Wuhan Hubei 430079;

2.School of Computer， Central China Normal University， Wuhan Hubei 430079）

[Abstract] The rapid development of artificial intelligence technology has propelled the rise of intelligent collaborative learning environments. In this context， learners' questioning ability is particularly crucial， as they can directly enhance the interaction between learners and intelligent systems and improve the learning experience and outcomes. However， few studies have focused on the impact of learners' questioning ability on their cognitive processes. This study aims to explore how learners' questioning ability affects their cognitive processes in intelligent collaborative learning environments. Through the analysis of learners' questioning data and online collaborative discourses， it is found that learners' questioning ability has an impact on their cognitive processes， as shown in the following： learners with high questioning ability demonstrate a higher level of intelligent information integration and are capable of paraphrasing and applying the opinions obtained" from the intelligent system more effectively. Learners with high questioning ability exhibit a \"consensus explanation development\" cognitive construction mode， whereas learners with low questioning ability display a \"dialectical argumentation\" cognitive construction mode. Learners with high questioning ability demonstrate sustained high levels of cognitive engagement， whereas learners with low questioning ability tend to get caught up in irrelevant topics during the initiation phase of collaboration， resulting in inefficient discussions. Based on this， this study proposes recommendations to enhance learners' AI literacy and questioning ability， refine teaching strategies for consensus interpretation and dialectical argumentation， and conduct longitudinal studies in intelligent collaborative learning environments.

[Keywords] Intelligent Collaborative Learning Environments; Questioning Ability; Cognitive Processes; Cognitive Characteristics; Cognitive Pattern; Cognitive Trajectories