《COMPUTERS and EDUCATION》：A systematic literature review on designing self-regulated learning using generative artificial intelligence and its future research directions
编辑推荐：
生成式AI通过六大教学功能支持自我调节学习的三个阶段，并发现个人与环境因素影响学生参与度。
作者：齐夏、钱柳、艾哈迈德·特利利、托马斯·K.F. 周
单位：中国浙江省高等教育学院，教育学院506-2室，杭州310058
摘要
越来越多的研究表明，生成式人工智能（GenAI）通过其即时性和交互性能够显著提升学生的自我调节学习（SRL）能力。然而，仍存在一些挑战，包括对GenAI如何影响SRL机制的认知不明确，以及教师在尝试将其融入课堂教学时遇到的困难。本系统综述研究了如何利用GenAI设计SRL活动。我们检索了过去五年内发表在Web of Science、ProQuest、ERIC和Scopus四个数据库中的73篇相关文章，得出了三个主要实证发现：首先，GenAI在SRL的三个阶段（预习、执行和自我反思）中提供了六种教学支持，包括（i）制定个性化学习目标；（ii）搜索、分析和整合资源；（iii）监控和评估进度；（iv）推荐学习策略；（v）记录进度并提供反馈；（vi）生成新想法和示例。其次，在每个阶段，学生常用的GenAI学习活动分别是预习时的信息搜索、执行时的问题解决策略，以及自我反思时的反馈获取和自我评估。第三，影响学生使用GenAI参与SRL的两个主要因素是个体因素和环境因素。最后，我们可视化了这三个实证发现之间的相互关系。我们的研究结果有助于理解人工智能作为人机协作工具如何影响SRL过程，并为在GenAI增强环境中促进SRL提供了实用建议，同时为设计和开发个性化的GenAI学习工具提供了指导。
引言
将人工智能（AI）整合到学习中可能会削弱教育的本质，降低学生的主体性，导致技术依赖、注意力分散和诚信问题（Annamalai等人，2023年；Chiu、Moorhouse、Chai和Ismailov，2024年；Chiu & Rospigliosi，2025年）。相反，AI技术可以通过为学生提供个性化的学习体验来提升学习效果（Chiu，2024年；Goslen等人，2024年；Lee等人，2024年）。因此，AI的使用可能会促进或阻碍自我调节学习（SRL）。SRL变得越来越重要（Roth等人，2016年），它指的是个体根据个人目标和计划选择合适的策略，并在整个学习过程中不断监控和调整这些策略以实现目标的能力（Zimmerman，2011年）。SRL不仅包括知识的掌握，还包括情绪、行为和认知的调节（Panadero，2017年）。特别是，生成式人工智能（GenAI）工具（如ChatGPT和Deepseek）已经变得更加普及，它们通过帮助学生获取信息、进行实验和接收反馈来促进SRL（Chiu，2024年；Chiu & Rospigliosi，2025年）。因此，了解如何有效利用GenAI来提升学生的SRL能力已成为当代教育研究的重要焦点。
教育领域内的GenAI研究取得了显著进展。先前的研究强调了GenAI在促进SRL方面的潜力，例如提高学术表现和考试成绩、增强学生动机以及更广泛地应用SRL策略（Liu、Zhang和Biebricher，2024年；Wei，2023年）。然而，由于GenAI在教育领域仍处于起步和探索阶段，对其对学习成果的总体影响仍缺乏共识（Van der Graaf等人，2022年）。此外，许多现有研究主要将SRL视为一种广泛技能，往往忽略了对其在具体SRL阶段中的机制进行系统探讨。尽管Sardi等人（2025年）的综述提到了GenAI与SRL之间的联系，但其重点主要在于GenAI对SRL的总体影响，而没有深入探讨具体的机制或过程。据我们所知，很少有研究系统地回顾了GenAI如何支持SRL的各个阶段。为填补这些空白，本研究分析了GenAI增强环境下的SRL当前研究趋势，特别关注学生如何有效利用GenAI工具来提高SRL表现。
本研究的主要关注点是教师（常被称为“数字移民”）如何将GenAI有效地融入教学实践并设计吸引人的学习活动。其目的是明确GenAI如何在SRL的三个阶段提供支持，评估其对学习成果的影响，并探讨影响其有效性的潜在因素。最终目标是为未来的研究提供指导，并为利用GenAI培养SRL技能提供见解。需要解决的研究问题如下：
章节摘录
SRL
根据Zimmerman（2011）的模型，SRL是一个循环过程，包括三个相互关联的阶段：预习、执行和自我反思。在预习阶段，学习者进行目标设定、战略规划和自我激励。执行阶段涉及通过时间管理、任务策略、寻求帮助和环境结构化来实施计划策略，并通过自我监控和表现调节来保持专注。
方法
本系统综述遵循了系统综述和元分析的优先报告项目（PRISMA）指南，包括三个主要步骤：（i）文献检索；（ii）文献筛选；（iii）文献编码。我们重点关注了过去三年内发表的关于GenAI在SRL中应用的实证论文，因为大部分相关研究是在2022年11月ChatGPT（第一个广泛使用的GenAI工具）发布之后进行的。
描述性统计
被审查的文章发表于46种不同的期刊上。大多数文章使用了ChatGPT等聊天机器人来支持SRL。其他GenAI应用包括智能辅导系统（Hao等人，2024年；Sun等人，2023年）、AI教练/虚拟人类交互（Glick等人，2024年；Mohan等人，2020年）以及AI视觉反馈（Liao等人，2024年；Sun等人，2023年）。在73篇被审查的文章中，有68篇发表于2023年之后。
实证发现
本研究对73篇期刊文章进行了系统回顾，以了解如何利用GenAI设计SRL活动。有三个主要实证发现。图4可视化了这三个发现之间的相互关系。GenAI的教学支持可以促进学生的学习活动。学生是否参与这些活动受到个体因素和环境因素的影响。
我们的研究扩展了现有的综述
作者贡献声明
齐夏：撰写——审稿与编辑、初稿撰写、方法论、概念化。钱柳：撰写——审稿与编辑、方法论、正式分析。艾哈迈德·特利利：撰写——审稿与编辑。托马斯·K.F. 周：撰写——审稿与编辑、验证、概念化。
伦理批准和参与同意
本研究未涉及人类参与者。
出版同意
我们同意将手稿提交给相关期刊。
数据和材料的可用性
本研究使用的数据集可向相应作者索取。
资助
本研究得到了浙江省软科学一般项目（项目编号2025C35084）的支持，项目名为“探索生成式人工智能在促进跨学科教育中的机制：加强浙江省高等教育的战略方法”。
