《International Journal of Educational Technology in Higher Education》：Beyond expert knowledge toward idea innovation: potential and challenges of a generative AI-supported jigsaw method
编辑推荐：
## 翻译论文摘要
近年来，社会议题要求高等教育机构使学生参与超越知识获取的跨学科知识创造。尽管拼图式教学法（Jigsaw Method）有望促进新手学习者参与跨学科协作知识创造，但权威性的专家材料限制了学习者在给定知识之外的能动性。为克服此局限，本研究提出
## 翻译论文摘要
近年来，社会议题要求高等教育机构使学生参与超越知识获取的跨学科知识创造。尽管拼图式教学法（Jigsaw Method）有望促进新手学习者参与跨学科协作知识创造，但权威性的专家材料限制了学习者在给定知识之外的能动性。为克服此局限，本研究提出"知识拓展型拼图式教学法"（Knowledge Expansive Jigsaw Method），将生成式人工智能（GenAI）整合为超越专家材料的理念拓展资源。研究采用两轮设计型研究（Design-Based Research, DBR）路径，以70名大一新生为对象，运用猜想图（Conjecture Map）作为框架，探究所实施的GenAI支持型拼图式教学法如何促进学生的理念构思（Ideation）过程。具体而言，学生设计了"2050年我校未来教室"的插图。教学设计中，在认知触发（Cognitive Trigger）后引入拓展阶段，并将GenAI定位为"可能性引擎"（Possibility Engine）与"协作者"（Co-designer）。研究者运用知识建构话语探索器（Knowledge-Building Discourse Explorer, KBDeX）和基于量规（Rubric）的评价方法，对学生的课堂话语、GenAI使用记录及最终展示进行分析。KBDeX分析证实了AI启发型与人类生成型理念拓展在各组中的共现特征。第二轮设计精炼后的结果并未显示出改进；第一轮的结果呈多样性，而第二轮的结果在新兴水平上趋同。研究结果既表明了所提出设计的潜力——该设计持续促进了超越专家知识的理念拓展——也揭示了挑战：在GenAI支持的拼图式教学法下，高水平的理念创新较为罕见。未来研究应聚焦于精炼AI系统、面向理念创新的教学设计，以及识别和验证对理念创新至关重要的其他有前景的中介过程。
## 论文主体解读
本研究聚焦于高等教育中如何超越传统知识获取模式、促进学生参与跨学科知识创造这一核心议题。当前社会面临气候变化、社会公平与流行性疾病等复杂挑战，要求高等教育机构培养学生应对当代社会问题的能力。然而，现有教学实践面临双重困境：一方面，拼图式教学法虽能通过专家分组与拼图组活动促进学生协作整合多元知识来源，但权威专家材料本身构成了知识上限，限制了学生超越给定信息的能动性发挥；另一方面，新手学习者由于学科知识有限，在缺乏有效支撑时容易陷入"无知 pooling"（Pooling of Ignorance）的困境，即讨论流于表面而难以产生实质性成果。在此背景下，研究人员提出"知识拓展型拼图式教学法"，旨在利用生成式人工智能作为拓展理念的可能性引擎与协作者，突破传统拼图式教学法的结构性局限。
本研究以知识建构理论（Knowledge-Building Theory）和触发调节框架（Trigger Regulation Framework）作为理论基础。知识建构理论强调学生直接参与理念生成与改进的协作实践，核心原则包括认识论人工制品（Epistemic Artifacts）的生产与持续理念改进（Sustained Idea Improvement），后者涵盖深度导向（深化领域内理解）与广度导向（跨领域知识拓展）两个互补维度。触发调节框架则关注学习过程中引发调节行动的情境条件，本研究特别关注认知触发——即当学习者在理解、应用或联结理念时遇到困难，需要重新定位认知活动时产生的调节契机。研究将两种理论整合，构建了包含三个设计原则（DP1：认识论人工制品；DP2：持续理念改进；DP3：认知触发）的初始猜想图，并通过两轮设计型研究循环加以检验与精炼。
研究方法采用设计型研究路径，研究场景为日本某国立大学2024年10月至2025年1月的必修课程。研究对象为2500名大一新生中的70名学生，分为两轮循环：第一轮（研究1）包含前两期教学段、共10组50名学生；第二轮（研究2）为第三期教学段、共4组20名学生。两轮循环的核心任务均为设计"2050年K大学未来教室"的插图，任务周期为四周，每周两次连续90分钟的课程。研究系统基于开源大语言模型应用开发平台Dify构建，整合DALL-E图像生成应用、Google搜索、arXiv文献检索、PubMed数据库及网络爬虫等功能，提供类ChatGPT的用户界面，使学生可将GenAI同时作为图像生成器（ImageAI，定位为协作者）和文本生成器（TextAI，定位为可能性引擎）使用。
第一轮教学设计的流程为：第一周，学生熟悉GenAI系统并完成初始设计草图（Pre-design），随后接触四个学科知识模块——空间设计（建筑学）、技术（计算机科学）、学习活动（教育研究）与包容性（残障研究），以及一个变革性知识片段（领导力）；第二周，学生先参与学科专家分组活动深化理解，再回归拼图组整合知识并重新设计插图，随后教师引入认知触发（大学校长的假设性消息，要求应对可能的预算削减并提出高度创新的教室方案），学生在此基础上进行垂直拓展（深化本学科知识）与水平拓展（通过变革性片段引入新视角），此阶段明确鼓励使用GenAI支持跨学科理念生成；第三至四周，学生精炼拓展后的设计并准备最终展示。数据收集方面，研究团队从20组中筛选出满足特定标准的10组（两轮共14组），采集了课堂话语音频记录（转录为文本）、GenAI系统使用日志及最终展示材料。
第一轮的分析方法包括：运用KBDeX对小组话语进行网络分析，计算四种理念来源（专家理念、AI生成理念、AI诱导的意外理念、人类生成理念）的度中心性（Degree-Centrality）系数随时间的变化轨迹；由研究团队通过共识判断识别各组最终展示中的代表性理念并追溯其来源；采用六维度四级量规（空间设计、技术、学习活动、包容性、和谐性、拓展性）评价学习成果。第二轮设计基于第一轮发现进行了三项主要改进：将拓展活动1中的小组拆分为两个子组，分别负责工程化精炼提示词（供全体成员使用GenAI生成拓展理念）和比较初始设计与当前设计以识别人类生成的前瞻性理念；将 engineered prompts 纳入共享工具材料；在拓展活动2中引入设计比较活动，要求学生从吸引力、知识整合与和谐度、设计排序、跨设计组合可能性四个维度进行协作评估。数据分析方法基本同第一轮，并增加了对设计比较表格的描述性分析，同时采用Welch's t检验比较两轮循环在学习成果和中介过程上的差异。
研究1（第一轮循环）的结果显示：在学习成果方面，四个知识相关维度（空间设计、技术、学习活动、包容性）多数组得分达到3分及以上（4分制），但高阶维度表现有限——仅两组在"和谐性"上达到3分及以上，仅三组在"拓展性"上达到3分及以上。在理念来源分布上，人类生成理念在八组中最为频繁，两组以AI生成理念为主导，AI诱导的意外理念在所有组中均最少见。KBDeX分析揭示了五种话语动态模式，但所有组均出现了AI启发型与人类生成型理念拓展的共现现象，且认知触发引入后各理念来源的度中心性普遍上升。研究2（第二轮循环）的结果显示：学习成果方面，四个知识维度得分仍以2分为主，高阶维度"和谐性"一组1分、三组2分，"拓展性"全部四组均为2分，整体未超越第一轮水平。理念来源方面，人类生成理念在三组中仍占主导，仅一组（3rd_G7）以AI生成理念为主，AI诱导的意外理念依然最少。话语动态呈现四种模式，与第一轮相比有所变化。两轮循环的比较分析表明：在学习成果量规得分和超越专家知识的拓展理念数量上，均未发现统计学显著差异；但从效应量（Cohen's d）来看，第二轮AI生成理念的贡献有所增加（中小效应），而人类生成理念和专家理念的度中心性最大值有所下降（大效应），呈现出从人类生成理念向AI生成理念的转变趋势。值得注意的是，第一轮结果变异性较大（1-4分），第二轮结果则收敛于2分水平，无变异。
研究讨论部分，研究人员基于上述发现提出两项核心主张。第一项设计猜想主张：所提出的GenAI支持型拼图式教学法确实能够稳定促进超越专家知识的理念拓展。这一主张的理据在于：几乎所有组均出现了AI启发型与人类生成型理念拓展的共现（观察1）；且三轮提出较高水平拓展的三组均更多依赖人类生成理念（观察2）。这些现象在传统拼图式教学法中因结构性局限而极难出现，因此可归因于该教学设计的中介过程。但需注意，对于具备充分先备知识的学习者，理念拓展也可能通过协作互动而非AI工具实现，此乃该主张的限定条件与反驳依据。第二项理论猜想主张：过度依赖AI支持的理念拓展可能制约高水平的理念创新，需要额外的中介过程。数据支持在于：仅少数组达到预期创新水平（观察2），且第二轮强调AI使用的设计未能提升平均成果，反而使结果收敛于新兴水平（观察4）。这一模式与当前GenAI系统倾向于产生主题趋同的理念有关——虽然提升了创造力的基线水平，但减少了输出的多样性。
针对未来研究方向，研究人员提出应进一步探索"前瞻性判断"（Promisingness Judgment）和"理念多样性调节"（Regulation of Idea Diversity）作为关键中介过程。前者涉及学习者在众多AI生成可能性中识别并追求最有前景理念的能力，需要更深度的学科理解作为支撑；后者则涉及对AI生成理念与人类生成理念的多样性进行监控与调节，可通过AI系统直接调节（如访问其他组输出并生成对比性理念）或支持学习者自主调节（如限制理念数量、聚类可视化、苏格拉底式质疑）两种方式实现。同时，本研究的方法学贡献在于结合基于人工制品的理念识别与KBDeX话语分析，为追踪人机协作情境中的理念改进提供了可操作的范式，但受限于编码工作的劳动密集性，未来需探索多模态数据（如眼动追踪、行动轨迹）与混合人机分析框架以提升可扩展性。最终，研究发表于《International Journal of Educational Technology in Higher Education》。
