文章来源于“高等工程教育研究”微信公众号，2025年03月21日 09:23湖北

作者简介：朱俊华，香港科技大学（广州）教育科学学院讲师、教育创新与实践研究所副研究员，教育学博士；许璐瑶，麦吉尔大学教育与咨询心理学博士研究生；马近远，香港科技大学（广州）教育科学学院、教育创新与实践研究所研究员，教育学博士。

基金项目：国家社会科学基金（教育学）青年项目（CIA24028）

原文刊载于《高等工程教育研究》2025年第二期66-72页。

摘  要：以ChatGPT为代表的生成式人工智能因其强大的内容生成与交互能力在促进学生个性化和自主学习方面展现出巨大潜力。本研究通过分析学生与ChatGPT的自发对话记录和进一步的深入访谈，探讨了学生与ChatGPT互动过程中发生的自主学习行为，以全面理解生成式人工智能在技术嵌入的学习环境中为学生提供的实质性支持，以及学生在自主学习过程中的新挑战、新问题和新期望。研究发现，尽管生成式人工智能在辅助自主学习的多个层面表现出显著优势，其效能的发挥仍然依赖于学生的前置知识、认知能力和元认知水平等学习准备性，其局限性和突破的关键均在于学习者本身。因此，随着对不断涌现和泛化的新技术“祛魅”，生成式人工智能驱动的教育技术工具更应以教学的能动性为出发点，切实促进人类主体与人工智能技术的双向协同互补。

关键词：生成式人工智能  ChatGPT  自我调节学习  教学能动性

日新月异的生成式人工智能（generative artificial intelligence，GenAI）技术正引发教育领域的深刻变革，教育活动的形态即将发生深刻改变，教育的理念甚至底层逻辑均面临重构。^[1] ChatGPT作为GenAI的代表，在写作创意方面表现出色，能够相对全面地回答问题，涵盖几乎所有的主题^[2]，诸多研究探讨了其在个性化教学、学生学习动机、教育评估和管理、以及智能化学习和在线教育中的应用与挑战。^[3] 尤其是对自主学习的要求不断提升的高等教育阶段，ChatGPT在为大学生提供个性化学习支持上表现出巨大潜力和诸多可能性。^[4] 尽管GenAI为未来教育带来颠覆性变革已然毋庸置疑^[5]，但以ChatGPT为代表的GenAI如何真正地在技术嵌入的学习环境中为学生自主学习提供实质性支持，以及学生在自我调节学习过程中面临的新挑战、新问题和新期望，仍需深入探讨。厘清该类问题有利于为应对GenAI时代的教育教学变革找准出发点和方向。

一、生成式人工智能赋能学生学习的理论基础与挑战

面向新科技革命驱动的未来时代，自我调节学习能力（Self-Regulated Learning，SRL）已成为学生实现自主学习和终身学习、适应时代变迁的核心技能。自我调节学习能力要求学习者主动设定学习目标，策略性地监督、控制和评估自己的学习行为，并根据评估结果调整学习目标和策略，由此形成良性循环（见图1）。^[6,7] 通常来说，具备较好自我调节学习能力的学生在学业表现上往往更优，这一现象在传统的教育与计算机辅助学习环境（Computer-Based Learning Environments，CBLEs）中已被广泛验证。^[8]

图 1  自我调节学习的循环过程

大学生的自主学习活动是在开放性学习环境中自发开展，学生自主参与自我调节学习过程可能面临挑战。在技术嵌入的学习环境（如CBLEs）中，虽然学习者在设定学习目标以及评估和决策如何利用CBLEs内外的资源和技术方面拥有相当大的控制权，但他们可能缺乏必要的知识和技能来有效地执行这些决策。在GenAI技术井喷式发展的当下，学生使用ChatGPT等工具进行的自我调节学习行为的有效性将决定新技术能否以及在多大程度上赋能学生的自主学习。

已有研究通过学生自我报告的数据证明，以ChatGPT为代表的GenAI有望带来更好的学习体验，提升学生自主学习技能，并促进学生获得更好的学业成就。^[9] 然而，当前研究仍缺乏真实互动过程中的实证分析，对由此发生的开放式学习环境中的自主学习过程的研究更加稀缺。长远来看，有效的干预和技术设计，如类似于CBLEs的设计和修改，均需对GenAI赋能的真实学习过程有充足的了解。此外，尽管ChatGPT有潜力支持学生自我调节学习的过程，但这种辅助的质量很大程度上取决于学生使用ChatGPT开展学习行为的提问过程和对话方式。^[10]

因此，本研究通过分析大学生在开放式的学习环境中与ChatGPT的自发对话记录来解析互动过程中的自主学习行为，全面理解学生与ChatGPT的互动表现，分析ChatGPT赋能自主学习的优势和存在的问题，并为GenAI驱动的学习技术发展提供需求基础。

二、研究设计、数据收集与分析思路

本研究采用质性研究方法，将CBLEs的自我调节学习视为动态事件，以理解在真实、开放性学习环境中自发的实时学习活动。研究将学生与ChatGPT的自发对话作为追踪数据，以捕捉学生的动态自主学习活动^[11]，本研究的对象为香港科技大学（广州）的一年级本科生，在融合学科组织架构^[12]和理工科大类招生的基础上，这些学生将在接受两年通识和数理基础教育后进入专业学习。2023年，该大学对全校开放ChatGPT服务并制定了严格的指导方针，以GenAI工具赋能学生在前沿工科专业的学习。在该校的136名本科生中，有24名学生自愿参与了本研究。

（一）研究步骤

基于24份对话数据，本研究删除了与学习活动无关的内容后，对数据进行了分段，每位参与者的每个对话轮次都被视为一个编码段落。最终，18位参与者的数据有效，产生了476段对话用于分析。本研究的第一项任务为对ChatGPT在学生自主学习中的应用进行开放式编码和归类，以了解学生在学习过程中的总体使用情况。在此基础上，第二项任务为分析学生在与ChatGPT互动时的自我调节学习情况，将学习活动按照事件进行编码。此外，为三角验证编码结果，本研究邀请了六名学生进行跟踪访谈，并进一步了解他们对ChatGPT为代表的GenAI赋能自主学习的体验和看法。

（二）数据编码与分析

通过开放式编码，学生使用ChatGPT进行的学习活动呈现出三个大类：一是使用ChatGPT进行写作支持，学生通过ChatGPT生成文本、润色语言、规范格式或寻求反馈，并利用其帮助设定学习目标或制定更为细化的学习步骤。二是将ChatGPT作为特定的学习工具，ChatGPT被用作翻译器、计算器、代码修改器、信息提取器或图片生成器，以满足多样化学习需求，同时支持目标导向搜索，解释概念、解决问题，或提供相关学习资源。三是将ChatGPT作为自我调节学习过程中的个人辅导教师。学生通过与ChatGPT对话提出问题，深入追问相关概念，基于AI回答发现新的学习点并展开进一步提问，同时对回答的清晰性、知识掌握情况以及内容准确性和充分性进行评估并提出改进需求。在此基础上，本研究参考Azevedo等人的编码方案，针对融入ChatGPT技术的CBLEs创新性对方案进行开放性修改。通过与受访者的反复讨论和研究团队的“背靠背”编码检查，最终建立了包含九个SRL过程的编码方案（如表1所示）。

表 1  ChatGPT辅助自我调节学习活动编码表

三、生成式人工智能实质支持自主学习的结果

（一）学生自主学习中的ChatGPT使用行为

编码分析显示，ChatGPT主要被用于写作辅助、具体工具助手和自我调节学习三类。首先，ChatGPT辅助学生写作表现突出（64次），对话中提炼出“个性化反馈需求、语言错误纠正、整体润色，以及提供创意题材、改进建议和精准评分”等子维度。这进一步表明，在ChatGPT被广泛应用的学习环境中，需要重视其在写作教育上的重要应用潜力，如可在人工评分作文数据集基础上训练生成模型，以识别优秀作文所具备的关键特征^[13]；并克服传统写作教育难以提供即时反馈和个性化支持的问题，以提高学生学习写作的动力。因此，写作教育亟需转型和重构，以适应GenAI技术的应用。^[14] 更值得注意的是，在对话中识别到了多段完全用ChatGPT生成写作训练任务的对话。例如：“请帮我写一篇关于模型制作课程课堂感想，内容包括：我从小就喜欢模型制作，这为我带来了很多乐趣，也培养了我的动手能力；模型制作是表达文化，思想的一个重要组成部分，请用学术英语，字数250-300”。可见，相关课程尤须警惕学生的过度技术依赖，谨防传统训练任务和课内外训练活动的失真、失效。

第二种方式是将ChatGPT用作学习辅助工具（157次）。一是在编写代码方面表现突出，具体表现为理解理工科中的算法，支持多种编程语言，以帮助学生编写、调试程序等相关课业。二是快速准确翻译教学材料，提高课前阅读和信息获取效率。然而，不同学生在同一特定工具使用上表现出技术驾驭、提问和甄别答案能力上的不同。例如：“帮我翻译这篇英文文章”和“帮我翻译这篇文章并结构化总结其要点，分析其创新之处”。这将导致开放式学习环境中AI赋能自主学习的效果差距。

（二）ChatGPT参与的自我调节学习行为

参与者使用ChatGPT进行自我调节学习的频率最高（319次），将其作为辅导老师，即时回答问题、澄清疑虑并简化复杂主题；或生成大量的练习题和解决方案，帮助学生巩固习得的知识。对话中共识别出九种具体表现（见表2），这些表现可归类到三个宏观自我调节学习行为中，即学习计划、学习策略和学习监测。

表 2  ChatGPT参与学生自我调节学习行为的结果分析

ChatGPT辅助学习计划制定主要体现为设定目标。不同于传统CBLEs中学生的学习计划主要围绕既定的学习任务以其细分，本研究中“目标导向搜索”涉及学生自主设定学习目标后的搜索行为，通常表现为明确的学习目的或问题解决。例如，学生提问“我想要学习关于大数定律的知识，请按照‘概念，性质，应用，具体例子’的内容为我更加详细地解释一下，同时生成一些简单的任务来帮助我更好地理解。”这表明，部分学生已利用ChatGPT协助设定特定学习任务或项目目标，以理解概念、解决问题或寻求解释。然而，在整体的自我调节学习的对话中，学习规划类的互动对话出现的频率明显较低（17次，3人）。“设定学习子目标、理解教育技术的角色、建立CBLEs的内部表征及回顾最佳任务处理策略”^[15]等深度学习规划并未在本研究中发现，这表明学生未能很好地理解ChatGPT在支持学习规划上可发挥的作用，使用ChatGPT辅助规划的意识或能力仍显不足。

ChatGPT赋能的学习策略使用频率最高，证明其为学生提供了多种个性化学习的机会。对话中体现的四个自我调节学习过程是：目标导向搜索、知识拓展、资源获取和整合学习材料。知识拓展常跟随目标导向搜索或知识掌握感，学生通过请求实际应用示例或比较概念来扩展学习，如“分别举例子展示统计的萨达分布与正态分布的应用”。资源获取则显示了学生如何利用ChatGPT锁定互联网中的学习资源的过程，例如“请帮我找出解释ZFN工作机理的代表性文章”。学习材料整合展示了学生如何通过请求ChatGPT综合或转换学习材料上的信息来强化理解，例如：学生上传一张幻灯片并输入“解释一下这些公式”。

这些策略中，目标导向搜索最为显著（104次，18人）。这反映了大多数学生能够有效地利用ChatGPT解决特定问题或实现既定学习目标，并在与ChatGPT的互动中自如使用目标导向搜索来进行对话的主题转换。其次是知识拓展（78次，12人），即学生可通过与ChatGPT的连续对话获取和拓展与所学内容相关的知识。学习材料的整合频次较低（17次，5人），说明尽管ChatGPT可以改善学习材料的呈现和理解，但学生未充分认识或利用其在整合和解读学习材料方面的潜力。而利用ChatGPT获取学习资源上亦表现不佳（7次，3人），表明由于对ChatGPT提供学术资源的意识、认可度和信任不足，较少有学生将ChatGPT视为获取学习资源的主要工具。

在学习监测类别下，共发现了四个显著的自我调节学习过程（共88次）：学习判断（42次）、知识掌握感（28次）、内容评估（13次）和内容信息充分性评估（5次）。学习判断主要指学生意识到自我不理解某些内容并寻求进一步解释或澄清，如“两个矩阵乘积的秩为什么小于两个矩阵中最小的秩？”使用这一策略利用ChatGPT辅助学习的人数和频次均最高。在此基础上，知识掌握感体现为学生通过向ChatGPT寻求确认或提问来检查他们的新理解，例如“如果起始向量线性相关，那么列数不等于维数，对么？”。在本研究中，使用知识掌握感和学习判断策略的学生较多，表明其能够通过ChatGPT调控自己的知识理解并利用审辩思维进行学习判断。

更进一步，内容评估反映了学生在评判ChatGPT提供的内容时，在进一步对话中对不准确之处或不符合预期的内容提出反馈，例如“我问你的SSE指的是方差”。内容充分性评估则体现在学生在收到ChatGPT的信息后，请求更多信息以辅助进一步学习的情况，例如“请告诉我更多”。然而，涉及到内容评估和内容充分性评估对话的学生较少，表明在互动过程中，学生对所提供的内容是否恰当或充分的评判能力或意识有限。这也进一步表明，无论GenAI的技术如何进步，其辅助学习的根本出发点仍是学生的前置知识、认知能力和元认知水平。

（三）学生对生成式人工智能赋能自主学习的期待

基于编码分析，研究对六名高频使用ChatGPT的学生（学生1-6）进行了深入访谈，以探讨其学习体验与期待。访谈验证了编码结果，所有受访者均认可ChatGPT在写作支持和翻译方面的优势，学生根据学习目标向ChatGPT提问，表示其能“很好地解释基础概念和部分数学推理问题”（学生1-6）。但多名学生指出ChatGPT在赋能学习尚存在技术局限，“ChatGPT生成的代码有时无法运行”（学生3，学生6）；“ChatGPT对前沿内容缺乏认知，无法理解完整代码上下文”（学生6）。其逻辑推理能力也存在缺陷，如“ChatGPT在严谨的数学推导问题中常用错误公式”（学生1），这可能由于“其底层数据未实时更新”（学生2），或是学生拆解问题和调整对话的能力不足。此外，访谈和编码分析均印证，学生很少利用ChatGPT制定学习计划或监测学习进度，主要因缺乏对AI辅助学习潜力的认知。大部分学生表示“没有意识到ChatGPT可以在这些方面提供帮助”，并且缺乏对学习策略的元反思，“往往依赖既有的学习习惯”（学生3）。因此，AI辅助学习的关键在于了解工具的长短板并灵活使用。

此外，GenAI在个人辅导教师角色中展现出潜力。受访者认为，理想的GenAI教师应满足个性化学习需求，具备“能动性”，提供专业判断与针对性支持，如“通过互动捕捉学生水平并反馈”（学生4）。他们期待GenAI能灵活运用资源激发学习兴趣，“生成更多相关练习题”（学生2），并实现“教学相长”，通过记录和分析学习效果优化教学质量，如“根据学习水平制定个性化计划并提供适合练习题”（学生2）。此外，受访者希望GenAI具有人类教师的主动性与交流风格，如“使用比喻讲解，语气温柔”（学生2）。

四、生成式人工智能赋能自主学习的张力分析

上述研究结果证明了ChatGPT在辅助学生进行自我调节学习方面发挥的积极效果，表明GenAI不仅能增强个体自主和主动学习等方面的能力；还有潜力为个体开辟出泛在化、碎片化、非正式学习的空间，让其在现有能力基础上更自由地完成自我突破。^[16] 然而，本研究亦发现，尽管具备强大的潜力和积极的应用前景，当前的GenAI赋能自主学习仍面临一系列技术缺陷和教育教学应用场景之间的鸿沟和张力，学生在利用ChatGPT赋能自主学习的不同方面也表现出显著的能力差异。

（一）生成式人工智能技术赋能人类自主学习的局限性

自主学习是一个复杂的认知过程，涉及个体的知识基础、认知能力和元认知技能，GenAI在辅助学生自主学习的效用取决于“学习准备性”（learning readiness）。前置知识为学习提供了基础，而自我调节学习能力则决定了知识的理解和优化。学生在这些方面的不足限制了GenAI技术的赋能。首先，自主学习依赖于学生的知识基础，但当前AI技术无法准确掌握个体学习者的前置知识构建，致使难以分析学生的差异化知识基础。本研究中，学生的前置知识结构和水平决定了能否对ChatGPT的答案进行充分评估，缺乏前置知识的学生难以推动有效学习循环。

更重要的是，自主学习依赖于学生的主动性和自我调节能力，AI无法替代学生的主动学习过程。自我调节学习的元认知能力因人而异，学生在应用、分析、评价和创造等方面的差异影响了GenAI赋能学习的效果。本研究中，学生的理解力和审辩思维差异导致学习表现不同。部分学生因理解力不足，需要更简单的解释；部分学生在提问和主导对话时存在局限，影响目标导向搜索、知识掌握感和知识拓展。而审辩思维的缺乏限制了他们对AI信息的有效利用，致其学习判断和内容评估缺失。面对GenAI强大的生成能力，学生可能面临知识过载和认知负荷增加，缺乏审辩思维将加剧他们的学习劣势。

本研究通过三角数据发现，学生的元认知知识和调节能力影响了他们在学习过程中的自我管理。学生普遍缺乏通过ChatGPT实现“学习计划-策略实施-学习监测-策略调整”的自我调节能力，导致AI工具的作用局限且零散，难以维持学习的主动性和灵活性。在AI时代，元认知能力的差异将决定GenAI在自主学习中的效果，缺乏元认知能力的学生不仅难以充分利用AI，还可能忽视自主思考的价值，进而影响学习动机和道德判断。因此，教育教学设计应充分关注这些伦理和价值问题。

（二）技术的确定性和教学的能动性悖论及其超越

AI技术的广泛应用已然对教与学生了深远的影响。但也引发了技术的确定性与教育中对能动性（pedagogical agency）需求间的悖论。一方面，技术可提供更可重复和高效的教育解决方案，部分取代教师的重复劳动，能追踪评估学习进度与效果，提供即时的、客观的评估方法等。^[17] 另一方面，教育的本质要求教师和学生在教学过程中具备高度的能动性和创造力。尽管AI能够通过大量数据提供稳定的反馈，但现有算法只能基于已有的“正确”数据作出反应，仍难以灵活应对各种新情况，且缺乏反思和即时调整的能力。相比之下，合格的教师在面对全新的教学情境时，应能实时结合当下的实际情况，反思和判断过往教学经验的正确性及适用性，据此综合决策当前的教学方法；他们应能根据个别学生“单一却重要”的反馈来即时更新自己的教学经验。与学习者的深入访谈也反复体现了在AI时代对教与学的能动性需求不减反增，在GenAI强大的内容生成能力辅助下，有效学习更要通过互动和合作活动来实现。教师不应只是经验知识的传递者，更是支持者和引导者，技术尚无法替代教师的人性化关怀与情感支持角色。

人类与AI的深度协同合作（human-AI collaborative synergy）为解决技术的确定性与教学能动性之间的悖论提供了新的可能性。这种协同强调教育过程中人类与技术的能动性互补，以最大化学习效果：一是GenAI应作为教师的辅助工具，教师应灵活机动利用AI提供的成长型数据，根据学生的自主学习情况灵活调整教学策略，确保学习材料与学生在不同阶段的认知发展水平相匹配。二是应结合教师的专业判断和GenAI的客观数据结果，为学生提供个性化学习建议，实现个性化与标准化的结合。三是应融入更多人性化关怀，技术的研发应纳入AI对学生的学习情绪监测和学习体验反馈的数据集，模仿人类教师提供更有针对性的情感反馈，确保学生在自主学习时也能感受到支持与情感关怀。最后，GenAI应促进而非替代教师和学生的互动，通过分析学生自主学习数据帮助教师识别需要支持的学生，增强互动与合作，实现真正的“因材施教”。

（三）生成式人工智能促进学生自主学习的现实路径

为了更好地促进学生在使用ChatGPT等GenAI工具进行自我调节学习，需从AI素养教育和GenAI驱动的学习技术发展两方面着手。尽管案例高校已引入ChatGPT并制定了指导方针，但其在教育教学场域中的应用尚处于起步阶段，缺乏系统性规范和训练。因此，高校应加强对学生使用GenAI进行自我调节学习的指导，开设AI素养课程，帮助学生有效认识和利用GenAI的功能。学习者不仅要熟练应用AI辅助的信息查阅、知识拓展和学习判断策略，还应挖掘GenAI在个性化学习中的潜力，动态调整学习规划，实现进展监测和学习策略优化。从基础工具到学习策略，再到规划和监测，主动学习者应在不断更新的AI技术支持下更好地进行自我调节学习。

面对GenAI工具在逻辑推理上的局限，需引导学生对技术“祛魅”，正确认识技术的缺陷与优势，培养AI素养的同时发展学生的审辩思维和创造性等可迁移能力。同时，也需从学习需求出发不断优化技术性能。一方面，GenAI在教育中的应用需确保训练数据的准确可靠。高校应严格把关AI工具的答案准确性，整合教材、视频、实验数据等多样化资源，定期更新AI模型。另一方面，对于逻辑推理内容，应通过增加逻辑推理数据集和开发交互式学习模式来优化技术，并整合实际案例，帮助学生将理论应用于实际问题解决。

此外，未来的GenAI驱动学习技术应重点设计鼓励自我调节学习的功能，尤其是在学习计划制定、效果监测及拓展知识策略等方面。一个可行路径是借鉴智能辅导系统中的“教学代理人（teaching agent）”，如MetaTutor中的虚拟自我调节学习代理人，帮助学生设定目标并促进自我调节学习行为。“斯坦福小镇”实验中的AI代理人（AI Agent）也提供了一个有趣的示例。AutoGPT项目在ChatGPT上封装的AI代理人概念，通过详细记忆流和检索系统，能指导多个AI角色更好地回应用户需求。^[18] 这为未来学习工具的设计提供了宝贵参考，结合传统教学代理人做法，未来应研发具备个性化支持、记忆流和检索系统的AI代理人，推动GenAI赋能个性化自主学习的教育愿景。

总的来说，尽管GenAI在赋能教育教学方面展现了巨大的潜力，但实现这一目标的过程充满了挑战和复杂性。除了不断强化学习者的AI素养，技术与教育的深度融合还需要解决个性化需求匹配、数据隐私、教师培训等诸多难题，同时还需不断优化AI的逻辑推理和人性化关怀能力。只有保持将技术的力量与教育的人文关怀紧密结合的初心，不断探索尊重并融合教育原理和教学法的新技术，才能真正将AI赋能的教育变革引入期许的路径和方向。

（致谢：特别感谢学生助理马煦乔在数据收集和整理过程中的重要贡献。此外，感谢所有提供数据和参与访谈的香港科技大学（广州）本科生。）

参考文献

[1]余晖,朱俊华. 算法时代嵌入技术变革的教育权力关系重构[J].教育研究,2023,44(11):29-41.

[2]AYDIN O,KARAARSLAN E.Is ChatGPT leading generative AI?What is beyond expectations[J].Academic platform journal of engineering and smart systems,2023,11(3):118-134.

[3]钟秉林,尚俊杰,王建华,等. ChatGPT对教育的挑战(笔谈)[J].重庆高教研究,2023,11(3):3-25.

[4]倪闽景. 从学习进化的视角看ChatGPT/生成式AI对学习的影响[J].华东师范大学学报(教育科学版),2023(7):151-161.

[5]张鹏,汪旸,尚俊杰. 生成式AI与教育变革:价值､困难与策略[J].现代教育技术,2024(6):14-24.

[6]WINNEPH,HADWINAF.Studying as self-regulated learning[A]//HACKER D J,DUNLOSKY J,GRAESSER A C.Metacognition in educational theory and practice.Hillsdale,NJ:Erlbaum,1998:277-304.

[7]ZIMMERMAN B J,SCHUNK D H.Self-regulated learning and academic achievement(2nded.)[M].Mahwah,NJ:LawrenceErlbaum Associates,Inc.,2001.

[8]GREENE J A,BOLICK C M,ROBERTSON J.Fostering historical knowledge and thinking skills using hypermedia learning environments:the role of self-regulated learning[J].Computers&education,2010,54(1):230-243.

[9]NG D T,TAN C W,LEUNG J K.Empowering student self‐regulated learning and science education through ChatGPT:a pioneering pilot study[J].British journalof educational technology,2024,55(4):1328-1353.

[10]LIN X.Exploring the role of ChatGPT as a facilitator for motivating self-directed learning among adult learners[J].Adult learning,2023(35):156-166.

[11]GRAESSER A,MCNAMARA D.Self-regulated learning in learning environments with pedagogical agents that interact in natural language[J].Educational psychologist,2010,45(4):234–244.

[12]马近远,李然,朱俊华,等. 定义“融合学科”高等教育范式——香港科技大学(广州)的实践与探索[J].高等工程教育研究,2023(4):100-109.

[13]GREENE J A,AZEVEDO R.A macro-level analysis of SRL processes and their relations to the acquisition of a sophisticated mental model of a complex system[J].Contemporary educational psychology,2009,34(1):18-29.

[14]KIM S,PARK J,LEE H.Automated essay scoring using a deep learning model[J].Journal of educational technology development and exchange,2019,2(1):1-17.

[15]PATHAN R,MURTHY S,RAJENDRAN R.A coding mechanism for analysis of SRL processes in an open-ended learning environment[C].29th International Conference on Computers in Education Conference:ICCE,2021.

[16]刘三女牙,郝晓晗. 生成式AI助力教育创新的挑战与进路[J].清华大学教育研究,2024,45(3):1-12.

[17]CAMPBELL J P,DEBLOIS P B,OBLINGER D G.Academic analytics:a new tool for a new era[J].Educause review,2007,42(4):40.

[18]祁晓亮. 时间,信息与人工智能[J].物理,2024,53(6):357-367.