综述：人工智能与自我调节学习交叉领域的系统图谱综述

《International Journal of Educational Technology in Higher Education》：A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

本综述基于Chatti等人（2012）的框架，系统回顾了2018-2024年间84项人工智能（AI）支持自我调节学习（SRL）的研究。研究发现，AI-SRL研究主要集中在高等教育学生，通过自适应系统、智能辅导系统（ITS）等干预方式支持SRL，尤其关注元认知和认知层面，而对动机层面的探索不足。齐默尔曼（Zimmerman）的SRL模型是最常用的理论框架，但超过三分之一的研究未明确理论依据。AI的应用有效提升了学业成绩、动机、参与度等教育成果。文章为未来研究与实践提供了方向性建议。

　　

引言

自我调节学习（SRL）被视为成功终身学习者的关键。随着人工智能（AI）技术飞速发展，AI与SRL的交叉研究近年来呈现爆炸式增长，呈现出新的支持SRL的路径。然而，尽管研究数量激增，学界对于AI与SRL交叉领域的理解仍存在显著空白，导致在识别需要额外研究或实践关注的关键领域时出现疏忽。与仅关注AI在SRL测量作用的已有综述不同，本研究采用Chatti等人（2012）建立的框架，系统性地描绘了AI与SRL交叉领域的全景图，旨在回答“谁（利益相关者）、什么（理论）、如何（方法）、为何（目标）”这四个关键问题。

概念化综述与研究问题

为了构建研究框架，本研究采纳了最初为学习分析（LA）设计的Chatti等人（2012）框架。该框架包含四个主要方面：Who（目标利益相关者，如学生、教育者）、What（使用的数据）、How（方法与算法）、Why（目标，如提供反馈、预测风险学生）。虽然源于LA，但该框架同样适用于描述教育中AI系统的关键方面。本研究明确区分了AI与LA：AI能够自主交互并根据洞察调整对学习者的支持，而LA主要支持人类决策者解读数据模式。研究聚焦于SRL，并认识到其理论模型中对于动机调节的不同定位（例如，Winne和Hadwin将其视为影响因素，而Zimmerman将其视为可调节成分）。基于此，本综述提出了四个研究问题：

1. 1.
   AI支持的SRL计划主要关注哪些利益相关者群体？
2. 2.
   哪些主流理论框架支撑着AI与SRL交叉领域的研究？
3. 3.
   AI如何在SRL研究中被实施？
4. 4.
   AI被部署用于支持SRL的目的是什么？

方法论

本研究采用了透明、明确的系统图谱综述方法。检索策略经过精心设计，在Web of Science、Scopus等多个数据库中进行，时间跨度为2018年至2024年。经过严格的筛选流程，最终纳入84项研究进行数据提取和合成。

数据提取内容包括出版物特征、理论框架、AI角色与类型、对SRL的直接影响及最终成果等。数据分析采用叙述性合成和表格化方式呈现，并创建了交互式证据与缺口图以增强数据可及性。本综述也存在一些局限性，如检索词可能遗漏相关研究、未进行正式的质量评估等，未来研究可进一步优化。

研究发现

一般出版物特征

AI-SRL领域的出版物在过去三年显著增长，2024年4月底前已有17篇。在84项研究中，期刊论文占主导（69%），且多数为开放获取（74%）。作者地域分布不均，主要集中在北美（48%）、亚洲（32%）和欧洲（30%）。研究方法以定量为主（71%），常使用日志数据、评估结果和问卷等多模态数据。超过一半的研究（54%）提及了参与者知情同意，但数据公开性普遍不足。

RQ1. 利益相关者

AI-SRL的干预对象绝大多数是学生（98%），仅有4项研究涉及教师。研究参与者主要集中在高等教育（74%），针对基础教育（尤其是小学）的研究严重匮乏。参与者所在国家以北美（33%）和亚洲（25%）为主。学科分布上，自然科学、数学与统计学（39%）、IT/计算机科学（20%）以及健康与福利（17%）是研究最多的领域。

RQ2. 理论基础

一个显著的发现是，相当数量的研究（39%）没有明确提及其SRL理论基础。在明确理论框架的研究（61%）中，Zimmerman的SRL模型（2002）应用最广（27%），该模型采用社会认知视角，包含预想、表现和自我反思三个阶段。其次是Winne和Hadwin的模型（1998）（11%），强调SRL的认知和元认知方面。共同调节和社会共享调节学习（SSRL）以及Pintrich的模型也有应用。此外，部分研究（7%）采用了整合多种理论框架的方法。

RQ3. AI的实施

AI主要作为干预手段（75%）用于支持学生学习。根据Bond等人（2024） adapted from Zawacki-Richter等人（2020）的分类框架，AI的实施可分为四类：

1. 1.
   自适应系统与个性化（41%）：这是最常研究的AI应用，包括聊天机器人/生成式AI/自然语言处理（NLP）、仪表盘/自动反馈、面部/情绪识别、推荐系统和写作支持系统等子类别。例如，ChatGPT被用于支持SRL课程计划创建、科学和数学教育。
2. 2.
   分析与预测（38%）：AI被广泛用于分析SRL行为（如使用聚类算法）以及预测学业表现和辍学风险。例如，研究利用机器学习预测协作学习任务中的调节模式。
3. 3.
   智能辅导系统（ITS）（33%）：多种ITS被用于探索SRL，如用于教授人体循环系统的MetaTutor和用于虚拟病人诊断的BioWorld。但多数ITS研究持续时间较短（61%少于两周）。
4. 4.
   评估与评价（4%）：仅有少数研究探索AI在自动评分或写作评价中的应用。

   

RQ4. AI的应用目的

AI对SRL的支持作用体现在两个层面：对SRL的直接影响和由此产生的最终教育成果。

对SRL的直接影响：研究主要集中在AI对元认知（73项研究）和认知（51项研究）方面的影响，而对动机方面（20项研究）的关注相对较少。AI通过提供反馈、帮助规划、评估进度等方式支持元认知；通过帮助处理和组织信息支持认知。AI在动机方面的潜力尚未被充分探索。

最终成果：AI支持SRL带来了广泛的积极教育成果。最常报告的成果是学业成绩的提高（48%），其次是学生动机（14%）和参与度（12%）的提升。AI还对学生的情绪状态（11%）、协作学习（8%）、推理能力（6%）等产生了积极影响。此外，AI在降低焦虑（4%）、改善社交互动（4%）、促进自主学习（2%）等方面也显示出潜力。

讨论

总体发现讨论

AI-SRL研究的快速增长凸显了其重要性，但存在地理分布不均（集中在北美、亚洲、欧洲）、研究方法偏向量化（缺乏质性深度）和研究周期偏短（仅约三分之一超过两个月）等问题。伦理考量，特别是参与者同意和数据透明度，需要得到更多重视。

各研究问题发现讨论

• •
  利益相关者（RQ1）：学生是绝对焦点，教师角色被严重忽视。针对小学生的研究几乎是空白，高等教育成为主战场，这可能与高等教育中SRL过程的复杂性和自主性更高有关。
• •
  理论基础（RQ2）：大量研究缺乏明确理论框架，降低了研究结果的可靠性和可解释性。Zimmerman的模型因其全面性和周期性而最受欢迎。整合多种理论框架的趋势有助于更全面地理解复杂的SRL现象。
• •
  AI实施（RQ3）：AI主要作为干预工具，反映了其在提供个性化学习体验方面的有效性。自适应系统和预测分析是主流，而评估领域的应用较少，可能与技术复杂性有关。ITS在特定学科（如医学教育）中效果显著。需要关注AI工具可能带来的压力和焦虑。
• •
  AI应用目的（RQ4）：对认知和元认知的过分关注与对动机的相对忽视形成了鲜明对比，而动机是SRL成功的关键驱动力。AI在提升多种教育成果方面展现出巨大潜力，说明其应用价值广泛。

对研究与实践的启示

对研究的启示：未来研究需要扩大地理和教育阶段的代表性，增加质性方法和纵向研究，加强伦理实践。应更清晰地阐述理论依据，探索AI在评估和写作支持中的应用，并将教师作为重要参与者纳入研究。特别需要加强对动机层面的探索。

对实践的启示：实践者应结合本地情境应用研究发现，谨慎看待短期研究结果，并坚持高伦理标准。应让教师更多参与AI-SRL工具的开发和优化，将AI工具与成熟的SRL模型联系起来以增强信任。可以利用自适应系统和预测分析来满足多样化学习需求，并及时干预风险学生。尽管在评估中应用有限，AI自动评分的潜力值得探索。教育者应利用AI增强学生的认知和元认知调节，并考虑其更广泛的教育效益。

结论

本系统综述是初步绘制AI与SRL研究交叉领域地图的尝试之一。通过考察过去六年的趋势，明确了关键利益相关者、阐明了基础SRL理论、详细说明了AI支持SRL的不同实施方式，并强调了AI对SRL过程的直接影响和整合AI带来的更广泛教育成果。通过识别AI-SRL联系中的研究和实践空白，本综述提供了一个整体图景，可指导未来的研究方向并为实践提供信息，对于推进AI在支持SRL和优化教育成果方面的有效应用至关重要。