文献：Hao, Z., Cao, J., Li, R., Yu, J., Liu, Z., & Zhang, Y. (2026). Mapping student-AI interaction dynamics in multi-agent learning environments: Supporting personalized learning and reducing performance gaps. Computers & Education, 241, 105472.

研究问题：生成式人工智能正在进入课堂，但多数研究考察的是“学生与单一 AI 助手的对话”。当系统不再是一个聊天机器人，而是由多个 AI 智能体分别扮演教师、同伴、导师等多元教学角色时，学生会如何与之互动？不同先验知识水平的学生会走出不同的交互路径吗？这些差异化的交互模式，能否解释——甚至弥合——学生之间的成绩差距？

论证思路：论文在一门六模块课程中部署多智能体学习环境，采集学生与多个 AI 智能体的完整交互日志（共 75,896 条对话记录，整理为 19,365 条交互数据，其中学生发言 4,005 条，占 20.68%），用行为序列分析方法识别核心参与模式，再按学生先验知识水平分组，比较各组在参与模式、学习增益、课后动机与技术接受度上的差异，最终把“交互动态”与“学习结果”连接起来。

一、核心概念：多智能体环境中的两种参与模式

传统 AI 教育系统往往“一个助手应对所有人”。本文的多智能体系统则模拟了课堂教学的社会结构——教师智能体负责讲解与反馈，同伴智能体负责协作与讨论，形成多元教学角色共存的生态。在这样的环境中，作者从学习科学文献中提炼并检验了两种核心参与模式：

• 知识共建（co-construction of knowledge）：学生与 AI 协作生成、修订和深化知识理解，典型行为包括发起想法、提问、协商确认——学生是知识的共同作者，而非被动接收者；
• 共同调节（co-regulation）：学生借助 AI 监控和调节自己的学习过程，典型行为包括监控调节、管理同伴——学生把 AI 当作认知脚手架，管理自己的学习节奏与方向。

这两种模式并非互斥，而是在真实交互中交织成序列，构成学生的“参与签名”（participation profile）。

二、研究设计与方法

情境：大学生修读一门为期六模块的课程，全程在多智能体学习环境中完成学习任务，可与扮演不同教学角色的 AI 智能体自由交互。

数据：系统后台完整记录全部对话，共 75,896 条对话记录；经清洗与对齐后得到 19,365 条可分析的交互数据，其中学生发言 4,005 条（占 20.68%）——占比看似不大，却正是分析的核心：研究者关注的不是 AI 说了什么，而是学生在与 AI 的对话中做了什么。

分析路径：

1. 行为编码：将学生发言按功能编码为六类——提问（48.19%）、监控调节（14.09%）、发起想法（13.84%）、协商确认（6.87%）、管理同伴（5.66%）、分享情绪（4.91%）。提问几乎占去一半发言，说明在学生的自我定位中，AI 首先是“可提问的对象”；
2. 序列分析：对编码后的行为序列做滞后序列分析（lag sequential analysis）与行为转换分析，识别“知识共建”与“共同调节”两类跨模块稳定的参与模式；
3. 分组比较：按先验知识水平（前测成绩）将学生分组，比较各组在参与模式占比、学习增益、课后动机与技术接受度上的差异。

三、核心发现

发现一：不同先验知识的学生走不同的交互路径

序列分析显示，两种参与模式在不同模块间呈现稳定的结构（见图5 的行为转换热力图），但不同先验知识水平的学生对两种模式的依赖程度显著不同：

• 低先验知识学生更依赖知识共建序列——他们更多发起想法、提问、与 AI 协商确认，通过“共建”逐步搭建知识；
• 高先验知识学生表现出更多共同调节行为——他们更多监控与调节学习过程、管理同伴互动，把 AI 用作效率工具而非知识来源。

发现二：低先验知识学生的知识共建带来更高学习增益

分组比较的关键结果：低先验知识学生通过知识共建获得了更高的学习增益与课后动机。换句话说，多智能体环境“接住了”基础较弱的学生——他们不是被落下，而是借助与 AI 的知识共建显著缩小了与高先验知识学生的差距。这正是标题中“缩小成绩差距”的实证来源。

发现三：高先验知识学生的共同调节收效有限

与之形成对照的是，高先验知识学生的共同调节行为虽多，但学习改进有限。这一反直觉的结果提示：对于已有充分知识基础的学生，把 AI 当作“调节工具”未必带来额外的学习收益——他们已经知道如何学，多智能体环境对他们的增量价值更多体现在效率而非增益上。

发现四：技术接受度普遍提升

各组学生的技术接受度在课程期间均显著提升。多智能体环境对不同水平的学生都产生了积极的态度转变，说明差异不在“愿不愿意用”，而在“怎么用、用来做什么”。

四、对自适应学习系统设计的启示

论文的发现指向一个明确的实践命题：系统应当根据学生水平适配交互模式。

• 对低先验知识学生，系统应主动营造知识共建的对话情境——多提问、多邀请学生发起想法、多进行协商式反馈，让共建成为主线；
• 对高先验知识学生，系统应把共同调节的能力转化为更有挑战性的学习任务，避免“熟练的自我管理”替代“实质的知识增长”；
• 行为序列分析本身可作为自适应引擎的实时信号：一旦检测到某类学生长期停留在低增益模式，系统即可动态切换交互策略。

精读笔记

核心论点：多智能体学习环境的价值不在于“多几个聊天机器人”，而在于它天然支持差异化参与——不同先验知识水平的学生会自发走出不同的交互路径。低先验知识学生经由“知识共建”获得更高学习增益、缩小成绩差距；高先验知识学生则更多采用“共同调节”，但学习改进有限。学习环境的公平性，可以落实为“为不同学习者适配不同的交互模式”。

方法要点：

• 用真实课堂的全量交互日志（75,896 条对话、19,365 条交互数据）替代问卷调查，行为证据强度高，避免了自报偏差
• 以行为序列分析捕捉“参与模式”这种动态构念，比静态频率统计更能刻画交互结构
• 把先验知识水平作为分组变量，使“个性化学习”从口号变成可检验的实证问题
• 同时测量学习增益、动机与技术接受度三类结果，兼顾认知与情感维度

局限与边界：

• 单门课程、单一学科情境，向其他学科与学段的推广需谨慎
• 学生发言仅占全部交互的 20.68%，AI 发言与系统提示对行为模式的影响未被完全剥离
• 先验知识分组基于前测，分组方式与阈值的敏感性需要进一步检验
• 高先验知识学生“共同调节收益有限”的结论，可能受天花板效应影响——改进空间本就有限，不等于共同调节无效

可延伸方向：

• 引入随机对照或交叉设计，把“交互模式适配”做成可操纵的干预变量，检验因果
• 将行为序列特征接入实时自适应引擎，实现“检测低增益模式 → 动态切换交互策略”的闭环
• 考察多智能体角色设计（教师 vs 同伴的角色分工、人格化程度）如何影响参与模式的形成
• 拓展到协作学习场景：学生之间、学生与多个 AI 之间的三方互动动态

原文地址

• DOI：10.1016/j.compedu.2026.105472
• 期刊：Computers & Education, 2026, 241, 105472
• 图表来源：原文 Figure 2（课堂界面）、Figure 5（不同模块间行为转换的热力图）