学习分析与人工智能赋能：高等教育中同伴学习的新范式与前景展望

《International Journal of Educational Technology in Higher Education》：Advancing peer learning with learning analytics and artificial intelligence

本刊特邀编辑围绕“技术促进同伴学习过程与结果”主题，探讨如何利用AI、学习分析、多模态工具等新兴教育技术解决高等教育中因班额扩大导致的教师反馈不足、同伴反馈质量不高、协作深度不够等难题。六项研究从AI支持的同伴评估系统、多模态学习分析、游戏化在线平台、社会比较反馈工具等多维度展开实验，证实技术干预可有效提升同伴反馈素养、增强协作反思能力、优化知识共建过程。该系列研究为构建以学习者为中心、数据驱动、教学法引领的技术增强型同伴学习环境提供了重要理论与实践依据。

　　

随着高等教育规模的持续扩张，班级容量的不断扩大已成为全球性趋势。教师难以在大型班级中为每位学生提供个性化、深层次的反馈支持，这直接影响了学生的学习成效与参与体验。同伴学习——包括同伴反馈、同伴评估、同伴互动与对话等形式——被视为应对这一挑战的有效教学策略。当作为过程导向的教学活动实施时，同伴学习能够营造协作、激励的环境，促进学生探索学习材料、进行批判性讨论并相互学习。然而，传统的同伴学习实践并非总能达到预期效果。学生，尤其是新手，往往由于缺乏相关训练而只能给出浅层次的评论，难以提供深入、建设性的反馈。在同伴评估中，其信度和效度常受到质疑，因为学生通常不具备像教师那样的专业能力来客观、一致地评价同伴的作业。此外，同伴互动可能引发焦虑、害怕丢面子等情绪挑战，特别是当批判性对话被感知为人身攻击而非建设性意见时。个体在认知、元认知、文化和背景等方面的差异也影响着学生理解和运用同伴反馈的效果。这些挑战表明，成功的同伴学习并非自动实现，它需要精心的设计、有针对性的支持和引导。

近年来，教育技术领域的快速发展，特别是学习分析、人工智能（AI）、多模态工具等技术的进步，为解决同伴学习中的挑战提供了新的途径。技术增强学习环境，如计算机支持的协作学习环境，已被证明可以提升学生的社会和认知意识，促进更深层次的同伴评估参与。人工智能和虚拟现实技术被探索用于增强同伴评估中的信任感和质量。学习分析，尤其是多模态学习分析，通过传感技术捕捉学生互动质量，显示出巨大潜力。以学生为中心的分析仪表盘可以利用社交网络分析等方法可视化同伴互动模式，为学生提供可操作的见解。更重要的是，新兴的生成式人工智能（GenAI）以其类人的文本生成能力，在提供反馈方面展现出潜力，但其在支持同伴学习，特别是同伴反馈方面的应用仍有待深入探索。

尽管存在这些技术创新，但深入研究技术如何促进同伴学习的文献仍然有限。现有文献大多侧重于以教师或学生为中心的方法，对以同伴为中心的技术增强学习关注不足。因此，关于如何将教育技术与教学策略有效结合以提升同伴学习成果的指导原则尚不完善。例如，学习分析的应用多体现在大规模个性化学习实践中，其仪表盘主要是教师中心或学生中心的，而其在增强同伴学习活动（同伴中心仪表盘）方面的潜力尚未得到充分探索。同样，GenAI在支持同伴学习方面的潜力也远未开发。

在此背景下，发表于《International Journal of Educational Technology in Higher Education》的特刊“技术促进同伴学习过程与结果的技术创新”应运而生。该特刊汇集了六项研究，旨在探讨如何利用AI、GenAI、学习分析、多模态环境等新兴技术，经过深思熟虑的设计和应用，以增强同伴学习并改善教育成果。这些研究共同展示了一种向同伴中心、理论 informed、可扩展的技术干预的转变，强调设计不仅数据驱动、教学法合理，而且包容并能适应高等教育中不同学习者和环境的同伴学习环境。

为开展研究，研究人员应用了多种关键技术方法。这些方法包括：利用多模态学习分析（如PoseNet身体运动追踪、Zoom交互记录）结合三角验证和交错分析来剖析在线协作中的言语和非言语模态（如手势、话语）的时序动态；通过随机对照试验，结合学习分析技术（如社会网络分析SNA、认知网络分析ENA、序列分析）来评估社会比较反馈工具在异步在线教师协作中的效果；采用混合研究方法，整合游戏化元素（如积分、徽章、排行榜）与学习分析（如序列模式挖掘、大型语言模型LLM自动内容编码）来探索异步在线讨论中的同伴学习模式；构建理论框架并结合范围性综述和案例研究（如RiPPLE平台）来系统审视AI在同伴评估中的应用领域；运用定量分析方法（如相关性分析、多维标度法MDS、聚类分析）和行为指标（来自Peerceptiv平台数据）来解构同伴反馈素养的多维结构；以及通过实验室和现场实验设计，利用计算机支持的协作学习环境和数字群体意识工具来检验技术支持的合作性反思对跨专业协作技能的影响。研究样本涉及高等教育中的学生（如数学教育、商科、土木工程专业）以及在职教师。

Meta-review of the collection: key contributions

对六项研究的元分析揭示了当前技术与同伴学习交叉领域的主要趋势和发现。这些研究采用了广泛的方法论，包括实验研究、定量与混合方法设计、理论模型和范围性综述。虽然学生是主要研究对象，但Lu等人（2024）的研究独特地聚焦于教师培训，强调了教师在引导和维持同伴学习中的关键作用。所考察的技术——从AI、学习分析到反馈平台和群体意识工具——反映出日益依赖智能化的、数据驱动的策略来支持同伴参与。每项研究针对同伴学习的一个特定方面，其中四项强调同伴互动，其他则侧重于反馈和评估，这反映了向协作学习、共同调节和联合知识构建的更广泛转变。干预措施包括分析协作任务中的言语和非言语沟通、AI增强的同伴评估系统，以及塑造反馈素养发展的行为指标。此外，游戏化平台和比较反馈工具的整合凸显了动机和参与在同伴学习环境中日益增长的重要性。这些研究通过有目的地运用教育技术，扩展了我们对同伴学习的理解。

Implications, critical observations, and future research directions

基于这些研究的见解，可以总结出以下启示、批判性观察和未来研究方向。

启示：

首先，新兴技术如基于AI的评估系统、多模态学习分析和群体意识工具，通常能够增强同伴学习的过程和结果。例如，能同时捕捉言语和非言语互动或提供针对性反馈的技术，可提供更细致的洞察和个性化支持，促进更深层次的认知投入，并满足同伴学习环境中不同学生的需求。其次，教学法对齐的必要性至关重要。有效的同伴学习需要教学设计与技术能力之间的有意对齐。例如，Moon等人（2024）应用Weinberger和Fischer（2006）的框架来指导他们对同伴学习模式的探索，而Zhang等人（2024）表明同伴反馈素养依赖于明确的培训而非仅仅是平台功能。第三，针对情境和学习者多样性的设计是必要的。有效的实施必须适应学科、文化和认知差异。例如，Sung和Nathan（2025）证明了模态特异性方法的重要性，显示手势分析有利于数学等具身学习领域，但与文本为中心的学科相关性较低。同样，Lu等人（2024）强调了文化考量，揭示出虽然社会比较反馈在竞争性环境中可以激励学生，但如果不仔细设计以强调协作，则可能对来自集体主义文化的学生不利。

批判性观察：

研究也存在一些局限性。多数研究依赖于短期干预，只有Strauss等人（2025）尝试了现场验证，但即使在那里，也未观察到协作性能随时间的持续改善。除Lu等人外，研究几乎完全聚焦于学生群体，教师作为同伴学习组织者和反馈环境共同设计者的作用未被充分探索。存在技术中心偏见的风险，这些努力可能受益于对指导这些工具设计和使用的教学假设进行更批判性的反思。只有Lu等人（2024）和Strauss等人（2025）暗示了情境和文化变异性，但对这些工具如何服务（或边缘化）不同学习者群体更广泛的调查仍然缺乏。虽然一些研究借鉴了既定理论框架，但其他研究缺乏与此类框架的清晰对齐，更一致的理论基础可以加强该领域的进展。

未来研究方向：

未来研究应在多个方向继续探索。应继续探索新兴技术如何不仅作为分析或反馈机制，而且作为支架，赋能学生和教师在同伴学习中扮演更积极的角色。迫切需要研究这些工具如何改善不同情境下的结果，以及它们如何在特定的协作学习环境中支持多样性、公平性和包容性，特别是设计减少偏见并公平支持不同学生群体的包容性同伴学习环境。为进一步支持理解“对谁”有效，研究人员应专注于开发和验证整合框架，以连接同伴学习的认知、情感和社会方面与学习分析和AI的技术供给。应探索可扩展的适应性同伴学习技术框架的设计，例如针对特定学科的AI反馈、文化可定制的仪表盘以及基于学生需求的实时模态切换。需要进行纵向研究以更好地理解这些技术对学生协作能力和学业成果的长期影响。最后，评估AI驱动干预在同伴学习中的伦理影响，包括偏见、透明度和人类监督问题，对于塑造负责任的未来应用也至关重要。

结论

本特刊通过展示如何利用先进技术应对同伴学习中的挑战，为高等教育中不断发展的同伴学习论述做出了及时贡献。这些研究超越了孤立的案例研究，提供了一个关于将AI、学习分析和多模态工具整合到同伴教学法中的连贯且基于实证的叙述。本特刊的特有价值在于其向同伴中心技术设计的转变——强调了赋能学生作为协作学习中积极行动者的重要性，而非被动的接受者。通过引入新颖的分析框架、在不同环境中验证新兴工具以及批判性反思实践意义，本特刊深化了我们对技术如何支持有效同伴学习的理解。它不仅填补了文献中的关键空白，而且为跨学科研究和教学创新制定了前瞻性议程。