基于GAI的逆向工程教學(xué)思維在人機(jī)協(xié)作中的應(yīng)用研究

[摘" "要] 大模型為學(xué)習(xí)者提供跨模態(tài)的學(xué)習(xí)資源，同時(shí)也為創(chuàng)新人機(jī)協(xié)同教學(xué)模式提出了更高要求。研究引入了逆向工程教學(xué)思維，分析了其在流程與機(jī)理上與生成式人工智能的相契互補(bǔ)性，并基于自主開(kāi)發(fā)的逆向工程編程學(xué)習(xí)平臺(tái)，開(kāi)展了探索性編程教學(xué)實(shí)驗(yàn)。通過(guò)LDA主題詞抽取和人機(jī)協(xié)作感知因子分析，研究挖掘出該模式下人機(jī)協(xié)作五類行為和情感取向。此外，問(wèn)卷結(jié)果顯示學(xué)習(xí)者在此教學(xué)模式下表現(xiàn)出較高的感知偶然性、人機(jī)協(xié)作感知以及持續(xù)學(xué)習(xí)意愿，但人機(jī)信任度處于中位水平。結(jié)合主題詞分析，研究也提出未來(lái)人機(jī)協(xié)作的優(yōu)化方向：通過(guò)逆向工程引領(lǐng)人機(jī)協(xié)作，降維拆解復(fù)雜問(wèn)題；構(gòu)建多智能體生態(tài)，提高多人—多機(jī)群體協(xié)作效能；塑造新型人機(jī)勞動(dòng)關(guān)系，發(fā)展新智生產(chǎn)力。研究為未來(lái)人工智能協(xié)作學(xué)習(xí)提供了理論依據(jù)和數(shù)據(jù)參考，也提出了未來(lái)研究進(jìn)一步改進(jìn)的思路和方法。

[關(guān)鍵詞] 生成式人工智能； 逆向工程； 人機(jī)協(xié)作學(xué)習(xí)； 復(fù)雜問(wèn)題解決能力； 編程教育

[中圖分類號(hào)] G434" " " " " " [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 翟雪松（1981—），男，安徽涇縣人。研究員，博士，主要從事人工智能教育應(yīng)用、教育大數(shù)據(jù)、教育元宇宙研究。E-mail：xszhai@zju.edu.cn。朱強(qiáng)為通信作者，E-mail：zhuq@zju.edu.cn。

一、引" "言

生成式人工智能（Generative Artificial Intelligence，GAI）的發(fā)展，已將學(xué)習(xí)者的部分認(rèn)知和遷移能力釋放出來(lái)。特別是在未來(lái)走向仿真人腦的世界模型（World Model）階段，人工智能的類人化程度會(huì)更高[1]。這預(yù)示著未來(lái)人類將會(huì)從簡(jiǎn)單勞動(dòng)中解放，基于GAI的人機(jī)協(xié)作解決復(fù)雜問(wèn)題將成為未來(lái)人類學(xué)習(xí)生活中必備的高階能力[2]。然而，目前尚缺乏探索與GAI相適配的人機(jī)交互教學(xué)模式的實(shí)證研究，致使學(xué)習(xí)者利用GAI自主解決復(fù)雜問(wèn)題的路徑不夠清晰。

逆向工程思維是一種有助于學(xué)習(xí)者進(jìn)入高認(rèn)知學(xué)習(xí)狀態(tài)的思維方式，在促進(jìn)學(xué)習(xí)者知識(shí)學(xué)習(xí)、技能訓(xùn)練、思維發(fā)展等方面均具有積極作用[3]。該思維方式以豐富的知識(shí)表征方式為載體，而GPT4o、Sora等大語(yǔ)言模型則實(shí)現(xiàn)了不同知識(shí)表征方式之間的轉(zhuǎn)化，在理論上能有效契合逆向工程思維。然而，逆向工程思維與GAI融合的教學(xué)模式尚未得到實(shí)證研究論證。因此，本研究以編程學(xué)習(xí)為例，探索基于GAI的逆向工程思維在人機(jī)協(xié)作中的應(yīng)用，檢驗(yàn)其對(duì)學(xué)習(xí)者人機(jī)協(xié)作復(fù)雜問(wèn)題解決能力的影響，以期深化逆向工程思維在智能時(shí)代的教育價(jià)值。

二、研究背景

（一）基于GAI的人機(jī)交互教育應(yīng)用現(xiàn)狀及局限

GAI不僅引發(fā)了新的知識(shí)生產(chǎn)力革命，也帶來(lái)了人機(jī)關(guān)系的重構(gòu)與迭代升級(jí)，為教育領(lǐng)域創(chuàng)造了新的發(fā)展機(jī)遇[4]。基于GAI的人機(jī)交互模式主要具有以下三個(gè)特點(diǎn)及局限。

1． 人機(jī)交互目標(biāo)為激發(fā)高意識(shí)學(xué)習(xí)，但缺乏適配的教學(xué)法

未來(lái)學(xué)習(xí)范式的主要目標(biāo)是激發(fā)學(xué)習(xí)者的高意識(shí)學(xué)習(xí)動(dòng)機(jī)和行為[5]。生成式人工智能時(shí)代，學(xué)習(xí)者在對(duì)新舊知識(shí)建立關(guān)聯(lián)的基礎(chǔ)上，不僅能通過(guò)人機(jī)交互提出問(wèn)題、設(shè)定議題，而且能甄別、篩選信息，最后經(jīng)過(guò)創(chuàng)新意識(shí)和思維技能重組和創(chuàng)生知識(shí)產(chǎn)品。現(xiàn)有研究已從理論層面探討GAI在提升學(xué)習(xí)者高意識(shí)的教育潛力[6]，然而尚缺乏與之相適配的教學(xué)設(shè)計(jì)及案例研究。這可能使學(xué)習(xí)者過(guò)度依賴GAI，從而導(dǎo)致學(xué)習(xí)主動(dòng)性消弭、高階思維能力弱化、學(xué)業(yè)誠(chéng)信危機(jī)等一系列問(wèn)題。

2． 人機(jī)交互形式以誘發(fā)式對(duì)話為主，缺乏自發(fā)的提示工程能力

在自然行為（Nature Behavior）狀態(tài)下，對(duì)話形式大多會(huì)受到對(duì)方提示的“誘發(fā)”[7]。GAI基于Transformer架構(gòu)，通過(guò)計(jì)算文本向量和語(yǔ)義關(guān)系來(lái)處理自然語(yǔ)言，從技術(shù)層面看生成內(nèi)容具有一定的偶然性[8]。這種偶然性一方面會(huì)使學(xué)習(xí)者感知到信息的豐富，并受此誘發(fā)進(jìn)行下一步交互對(duì)話，接下來(lái)可能迷失目標(biāo)，逐步退化尋求新問(wèn)題的能力；另一方面，這種技術(shù)架構(gòu)也讓所生成的內(nèi)容具有一定的隨機(jī)性和不確定性。當(dāng)前研究主要是從如何“優(yōu)化提問(wèn)”的視角得到高精度反饋[9]，卻缺乏“發(fā)現(xiàn)問(wèn)題”的視角來(lái)幫助學(xué)習(xí)者自發(fā)地“選擇”問(wèn)題及其順序，容易導(dǎo)致復(fù)雜問(wèn)題解決的系統(tǒng)思維缺失。

3． 人機(jī)交互內(nèi)容具有較強(qiáng)通識(shí)性，缺乏學(xué)科垂直領(lǐng)域的數(shù)據(jù)基座和適配參數(shù)

GAI的訓(xùn)練語(yǔ)料主要基于現(xiàn)有的海量互聯(lián)網(wǎng)資源和部分專業(yè)數(shù)據(jù)庫(kù)資源，而互聯(lián)網(wǎng)的資料庫(kù)大多以通識(shí)性知識(shí)為主，為了優(yōu)化垂直領(lǐng)域應(yīng)用，系統(tǒng)架構(gòu)師開(kāi)始探索采用Langchain+LLM架構(gòu)，期望得到更優(yōu)結(jié)果。但在教育領(lǐng)域中，完全使用文本知識(shí)庫(kù)作為訓(xùn)練集容易缺失教育中的非認(rèn)知因素，如情感、價(jià)值觀等。特別是當(dāng)自注意力機(jī)制被用作訓(xùn)練教育文本資料時(shí)，由于缺乏統(tǒng)一數(shù)據(jù)標(biāo)注標(biāo)準(zhǔn)，生成的內(nèi)容很可能并不完整、準(zhǔn)確；且數(shù)據(jù)和算法中可能存在文化等方面的偏見(jiàn)，不利于學(xué)習(xí)者正確價(jià)值觀的培養(yǎng)[10]。

（二）逆向工程在教育教學(xué)中的應(yīng)用現(xiàn)狀

傳統(tǒng)“正向”教學(xué)流程，學(xué)生通常從對(duì)問(wèn)題本身的分析入手以明確目標(biāo)，并在方案生成過(guò)程中逐漸筑壘知識(shí)體系。問(wèn)題解決的學(xué)習(xí)因其實(shí)踐性和情境性被廣泛應(yīng)用于工程教學(xué)領(lǐng)域，例如，Lyn等人在STEM教育的研究中制定了適合青少年能力水平的工程設(shè)計(jì)階段框架[11]。從教學(xué)組織策略的視角來(lái)看，加涅的智慧技能層次論把智慧技能分成五個(gè)亞類，并認(rèn)為應(yīng)“從部分到整體”將它們組織成譜系結(jié)構(gòu)[12]，“正向”教學(xué)即遵循這樣“自底向上”的順序；而逆向工程教學(xué)則倒置了編列次序，體現(xiàn)了“自頂向下”的思想（如圖1所示）。

逆向工程是以現(xiàn)存的現(xiàn)代科技產(chǎn)品（如實(shí)物、樣件、軟件等）作為研究對(duì)象，通過(guò)反向的測(cè)量和設(shè)計(jì)對(duì)其進(jìn)行建模和仿真，最終實(shí)現(xiàn)優(yōu)化既有產(chǎn)品和再創(chuàng)造的過(guò)程[13]。逆向工程教學(xué)則基于逆向工程流程，強(qiáng)調(diào)從高維視角對(duì)現(xiàn)有知識(shí)內(nèi)容理解與表征，讓學(xué)習(xí)者快速產(chǎn)生宏觀認(rèn)知，并將著重思考優(yōu)化和重構(gòu)，最終實(shí)現(xiàn)創(chuàng)新性學(xué)習(xí)活動(dòng)。相較于正向教學(xué)，逆向工程教學(xué)優(yōu)勢(shì)體現(xiàn)在：一方面，學(xué)習(xí)者在對(duì)產(chǎn)品進(jìn)行解構(gòu)的過(guò)程中能夠獲得大量的具體實(shí)踐經(jīng)驗(yàn)[14]，這能有效彌補(bǔ)傳統(tǒng)“教—學(xué)—做”模式下的理論與實(shí)踐脫節(jié)問(wèn)題[15-16]。另一方面，基于逆向工程思維的教學(xué)也能夠加速產(chǎn)品和工藝的開(kāi)發(fā)進(jìn)程，有利于創(chuàng)新產(chǎn)教融合新模式[17]。

然而，基于逆向工程的教學(xué)在實(shí)際教學(xué)中還存在兩方面局限：一是學(xué)習(xí)者在逆向探索中可能會(huì)因?yàn)閾p害產(chǎn)品，且教師可能會(huì)難以應(yīng)付工作量大的作品準(zhǔn)備[18]，導(dǎo)致各方面成本較高。另一方面，學(xué)習(xí)者在基于逆向工程思維的學(xué)習(xí)中往往不具備完備的知識(shí)與方法基礎(chǔ)，難免會(huì)遇到各種學(xué)習(xí)困難。現(xiàn)有研究雖然提出了一些教學(xué)支架或策略來(lái)支持學(xué)習(xí)者學(xué)習(xí)[18]，但并不具備自適應(yīng)性。而GAI可以按需快速生成產(chǎn)品，并在學(xué)習(xí)過(guò)程中為學(xué)習(xí)者提供個(gè)性化、智能化的學(xué)習(xí)支持。

（三）生成式人工智能時(shí)代逆向工程教學(xué)價(jià)值

基于GAI的逆向工程教學(xué)模式有助于破解當(dāng)前國(guó)家重要教育發(fā)展戰(zhàn)略，體現(xiàn)在：

首先，在GAI時(shí)代，逆向工程教學(xué)有助于提升以創(chuàng)新力培養(yǎng)為代表的素質(zhì)教育。當(dāng)前人才培養(yǎng)目標(biāo)越來(lái)越注重難以被機(jī)器所取代的核心素養(yǎng)[19]。為此，我國(guó)在教育政策上，一方面，通過(guò)頒布《國(guó)家創(chuàng)新驅(qū)動(dòng)發(fā)展戰(zhàn)略綱要》等重要文件，加強(qiáng)拔尖創(chuàng)新型人才培養(yǎng)力度[20]；另一方面，通過(guò)“雙減”政策，著力優(yōu)化機(jī)械、低效的學(xué)習(xí)過(guò)程[21]。而逆向工程思維相較于正向教學(xué)方式，不僅提升了學(xué)習(xí)效率，也降低了學(xué)習(xí)者的原始創(chuàng)新門(mén)檻，從而促進(jìn)學(xué)習(xí)遷移與作品創(chuàng)新[22]。例如，近期一項(xiàng)準(zhǔn)實(shí)驗(yàn)研究表明，基于逆向工程的機(jī)器人教學(xué)在發(fā)展學(xué)習(xí)者創(chuàng)造力方面顯著優(yōu)于項(xiàng)目化教學(xué)[23]，然而該研究并未使用GAI輔助逆向工程教學(xué)，故仍有繼續(xù)探索的空間。

其次，在GAI時(shí)代，逆向工程教學(xué)有助于推進(jìn)卓越工程師培養(yǎng)計(jì)劃。我國(guó)當(dāng)前經(jīng)濟(jì)發(fā)展方向要求從制造大國(guó)走向制造強(qiáng)國(guó)，需要大批高質(zhì)量工程技術(shù)人才，相比于傳統(tǒng)技術(shù)工種，卓越工程師應(yīng)具備聚焦前沿、技術(shù)敏銳的前瞻意識(shí)。當(dāng)前項(xiàng)目式學(xué)習(xí)、問(wèn)題解決學(xué)習(xí)等方式雖強(qiáng)化了問(wèn)題導(dǎo)向意識(shí)，但也存在脫離真實(shí)場(chǎng)景、并未體現(xiàn)工程特性等問(wèn)題[18]。而逆向工程作為工業(yè)上常用的設(shè)計(jì)策略，不僅是企業(yè)縮短產(chǎn)品開(kāi)發(fā)周期、提高企業(yè)創(chuàng)新能力的重要技術(shù)支撐，也是工程教育中增強(qiáng)工程師拆解問(wèn)題和尋求新方向的重要方法[24]。在GAI技術(shù)支持下，傳統(tǒng)工程領(lǐng)域從架構(gòu)、設(shè)計(jì)，到測(cè)試和最后的封裝都能被提前預(yù)制完成。尤其在編程領(lǐng)域，代碼編輯已經(jīng)在很大程度上能夠被GAI所取代，軟件工程師的角色任務(wù)不能停留在功能實(shí)現(xiàn)上，更需要具備數(shù)字創(chuàng)意和關(guān)聯(lián)生產(chǎn)生活需求的能力。

最后，逆向工程教學(xué)有助于為構(gòu)建學(xué)科垂直領(lǐng)域大模型提供多模態(tài)數(shù)據(jù)。文本信息本身未必能完全呈現(xiàn)學(xué)科內(nèi)容的多面性，且單維詞向量形式承載的信息量也極其有限，這一痛點(diǎn)導(dǎo)致大語(yǔ)言模型在具體垂直領(lǐng)域應(yīng)用中出現(xiàn)“幻覺(jué)”。借助生成式人工智能工具的逆向工程教學(xué)，是基于學(xué)生需求而不斷進(jìn)行的數(shù)據(jù)標(biāo)注和修正，這在很大程度上契合了實(shí)際教育問(wèn)題，也能夠采用數(shù)字化形式記錄訓(xùn)練語(yǔ)料。更重要的是，在逆向工程學(xué)習(xí)中，學(xué)習(xí)者探究過(guò)程中的多模態(tài)數(shù)據(jù)被記錄下來(lái)，如學(xué)生回答的時(shí)序和空間、語(yǔ)音語(yǔ)調(diào)情感信息，這類數(shù)據(jù)信息在未來(lái)語(yǔ)言模型的訓(xùn)練下將更具類人性和真實(shí)教學(xué)的臨場(chǎng)感。

三、案例研究

基于本研究的教學(xué)理念，研究團(tuán)隊(duì)設(shè)計(jì)了一套游戲化課程，并開(kāi)發(fā)了相應(yīng)的編程學(xué)習(xí)平臺(tái)進(jìn)行探索性實(shí)驗(yàn)。

（一）實(shí)驗(yàn)課程及計(jì)劃

本研究針對(duì)Python編程學(xué)習(xí)設(shè)計(jì)了系統(tǒng)化的逆向工程實(shí)驗(yàn)課程（見(jiàn)表1）。課程以一款游戲開(kāi)發(fā)為目標(biāo)，設(shè)有六個(gè)層次逐漸遞進(jìn)的關(guān)卡，每個(gè)關(guān)卡包含兩個(gè)課時(shí)，整體課程跨越了三周時(shí)間。學(xué)生們從用AI生成代碼并體驗(yàn)游戲開(kāi)始，經(jīng)過(guò)拆分模塊、修改屬性、補(bǔ)全代碼等步驟，逐漸深入到程序的復(fù)現(xiàn)與重構(gòu)[25]。這一過(guò)程使學(xué)生逐漸熟悉并能應(yīng)用Python編程中的基礎(chǔ)概念，如對(duì)象、變量、控制結(jié)構(gòu)和函數(shù)等，并掌握了面向?qū)ο缶幊獭⒛K化等思想。

（二）學(xué)習(xí)平臺(tái)開(kāi)發(fā)

實(shí)驗(yàn)的開(kāi)展基于團(tuán)隊(duì)自主開(kāi)發(fā)的GAI_programming平臺(tái)（如圖2所示）。該平臺(tái)前端基于Vue 3框架開(kāi)發(fā)，后端基于Java Spring Boot 2框架開(kāi)發(fā)，主數(shù)據(jù)庫(kù)使用了MySQL。用戶角色的區(qū)分是通過(guò)Spring Security+JWT實(shí)現(xiàn)的權(quán)限控制。平臺(tái)內(nèi)部署Python Turtle編譯環(huán)境，學(xué)生可以查看任務(wù)、編輯代碼、提交作答、進(jìn)行測(cè)驗(yàn)等。六個(gè)關(guān)卡的任務(wù)卡引導(dǎo)學(xué)生按照逆向工程的思維逐步開(kāi)展自主學(xué)習(xí)。此外，該平臺(tái)內(nèi)置的AI助手接入國(guó)內(nèi)大語(yǔ)言模型接口供學(xué)生進(jìn)行人機(jī)交互。平臺(tái)內(nèi)設(shè)置埋點(diǎn)，以存儲(chǔ)學(xué)生的問(wèn)答記錄、響應(yīng)動(dòng)作和作答作品。

（三）實(shí)驗(yàn)流程與分析

本研究面向社會(huì)公開(kāi)招募小學(xué)四年級(jí)及以上的學(xué)生作為實(shí)驗(yàn)對(duì)象。由于該教學(xué)模式在教學(xué)設(shè)計(jì)與技術(shù)實(shí)現(xiàn)上尚處于探索性研究階段，因此選擇小樣本實(shí)驗(yàn)。最終有17位學(xué)生參與課程并完成了學(xué)習(xí)要求。在性別分布上，實(shí)驗(yàn)樣本中女生9人，男生8人，保持了良好的性別平衡。在學(xué)段分布上，小學(xué)四至六年級(jí)學(xué)生占多數(shù)，共有9人，其次是初中生6人和高中生2人。在正式開(kāi)始前，研究團(tuán)隊(duì)獲得了所有參與者及其監(jiān)護(hù)人的知情同意。實(shí)驗(yàn)期間被試均未接受其他編程教育。實(shí)驗(yàn)開(kāi)展的流程包括基于GAI的代碼生成，運(yùn)行并探索功能需求，人機(jī)協(xié)作理解模塊架構(gòu)，最后修改代碼實(shí)現(xiàn)需求，進(jìn)而理解基本概念，實(shí)現(xiàn)了從宏觀到微觀，從復(fù)雜系統(tǒng)回歸基本定義的逆向流程。

為了探究學(xué)習(xí)感知及其影響因素，研究首先采用LDA主題詞抽取，通過(guò)對(duì)逆向工程學(xué)習(xí)中人機(jī)對(duì)話文本的主題和情緒詞分析，探索這一教學(xué)模式中人機(jī)交互的主要行為特征及學(xué)習(xí)者的情感表征。其次，基于人機(jī)內(nèi)部兼容性理論對(duì)該教學(xué)模式下的人機(jī)協(xié)作要素進(jìn)行問(wèn)卷采集和量化分析。人機(jī)內(nèi)部兼容性指人類與智能體在認(rèn)知、情感、價(jià)值三方面的相互匹配和適應(yīng)程度，對(duì)人機(jī)協(xié)同決策有重要影響[26]。

基于此，本研究選擇“感知偶然性”“人機(jī)信任度”“人機(jī)協(xié)作感知”“持續(xù)學(xué)習(xí)意愿”四個(gè)量表來(lái)探索影響因子。“感知偶然性”反映GAI根據(jù)與學(xué)習(xí)者前序交互生成定制輸出的能力[27]，指向認(rèn)知兼容；“人機(jī)信任度”是指人類對(duì)智能體的信任和認(rèn)同程度[28]，指向情感兼容；人機(jī)價(jià)值兼容性指人類與智能體算法在目標(biāo)、價(jià)值觀等方面的一致性程度，在本研究中體現(xiàn)為人機(jī)協(xié)作學(xué)習(xí)解決問(wèn)題的體驗(yàn)和效率感知，采用人機(jī)協(xié)作感知量表[29]；先前研究發(fā)現(xiàn)，若智能體可模仿人類思維與目標(biāo)用戶展開(kāi)互動(dòng)，用戶對(duì)其接受意愿將顯著提升[26]，因此，本研究采用持續(xù)學(xué)習(xí)意愿量表。以上量表Cronbach's α值均處于0.889～0.944的范圍內(nèi)，保證了良好的內(nèi)部一致性。

四、結(jié)果分析與討論

為了探究逆向工程學(xué)習(xí)模式中的人機(jī)協(xié)作行為聚類，研究對(duì)人機(jī)交互的文本數(shù)據(jù)進(jìn)行隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）主題詞抽取，再對(duì)問(wèn)卷數(shù)據(jù)進(jìn)行因子降維與統(tǒng)計(jì)分析。

（一）LDA主題詞抽取結(jié)果

GAI_programming平臺(tái)后端記錄了學(xué)習(xí)者在實(shí)驗(yàn)過(guò)程中向AI助手發(fā)送的所有文本信息。經(jīng)數(shù)據(jù)清洗，共獲得17位學(xué)習(xí)者發(fā)送的1，195條提問(wèn)文本。本研究使用LDA模型對(duì)該數(shù)據(jù)集進(jìn)行主題挖掘。為了確定聚類主題個(gè)數(shù)，研究采用困惑度指標(biāo)（Perplexity Score）判斷最優(yōu)主題數(shù)量[30]。當(dāng)主題數(shù)為5時(shí)，困惑度數(shù)值處于最低拐點(diǎn)，分?jǐn)?shù)為14.70，因此，研究確定主題數(shù)為5并據(jù)此對(duì)所有文本進(jìn)行主題聚類。

從聚類主題上看，學(xué)生在逆向工程模式下與GAI的協(xié)作交互行為包括編程知識(shí)詢問(wèn)、代碼生成請(qǐng)求、故障排除調(diào)試、程序理解求助、功能修改創(chuàng)新五大類型（見(jiàn)表2）。這體現(xiàn)了學(xué)習(xí)者在逆向工程學(xué)習(xí)模式下的路徑：首先，會(huì)通過(guò)指令（包含任務(wù)目標(biāo)、編程語(yǔ)言和環(huán)境、給出示例等）生成程序，使用GAI輔助進(jìn)行報(bào)錯(cuò)診斷和解決方案再生；其次，在成功運(yùn)行代碼基礎(chǔ)上，學(xué)習(xí)者會(huì)進(jìn)一步向GAI詢問(wèn)自己困惑的學(xué)理性知識(shí)（如列表、函數(shù)等），以獲得深層理解；最后，學(xué)生根據(jù)個(gè)性化需求，對(duì)現(xiàn)有功能進(jìn)行改進(jìn)與新功能的探索。從主題占比數(shù)據(jù)來(lái)看，功能修改創(chuàng)新維度的占比最高（29.11%），其次是編程知識(shí)詢問(wèn)（24.05%），其余三個(gè)主題占比較低，故障排除調(diào)試的占比僅12.66%。可見(jiàn)，在GAI的支持下，教師在逆向工程教學(xué)中的人力成本得到了極大釋放[29]，并且由于GAI生成內(nèi)容的不確定性，在教師勞動(dòng)被釋放的同時(shí)，學(xué)習(xí)者也得以學(xué)習(xí)如何提出需求并自主調(diào)試程序。

此外，研究對(duì)各主題進(jìn)行了情緒詞分析（如圖3所示）發(fā)現(xiàn)：總體上看，學(xué)生在與GAI的表達(dá)交流中包含較為明顯的積極和中性情緒傾向。這說(shuō)明逆向工程教學(xué)方法在GAI的輔助下，符合低齡學(xué)習(xí)者面對(duì)復(fù)雜問(wèn)題認(rèn)知規(guī)律。格塞爾關(guān)于兒童心理發(fā)展的理論認(rèn)為，兒童行為發(fā)展具有一定方向性，往往表現(xiàn)為由宏觀到微觀，由中心向外，由粗大動(dòng)作向精細(xì)動(dòng)作發(fā)展[31]。逆向工程滿足了低齡學(xué)習(xí)者的心理發(fā)展預(yù)期，特別是GAI使得目標(biāo)完成的信心更得到激發(fā)。從協(xié)作任務(wù)的性質(zhì)角度看，故障排除調(diào)試與程序理解求助是較為復(fù)雜的任務(wù)，其任務(wù)完成有賴于學(xué)生與GAI的內(nèi)部兼容性和協(xié)同有效性，因此，學(xué)生容易感到困擾和挑戰(zhàn)，但當(dāng)復(fù)雜問(wèn)題得以解決時(shí)，也就更有可能帶來(lái)較大的成就感和滿足感；而編程知識(shí)詢問(wèn)、代碼生成請(qǐng)求、功能修改創(chuàng)新則相對(duì)簡(jiǎn)單直接，學(xué)生對(duì)GAI提供的結(jié)果存在預(yù)期，而GAI通常能提供直接、即時(shí)的回答，因此，不會(huì)帶來(lái)強(qiáng)烈的情緒波動(dòng)。由此可以驗(yàn)證，逆向工程教學(xué)模式在一定程度上可以促進(jìn)學(xué)習(xí)者的復(fù)雜問(wèn)題解決能力，并從中提升學(xué)習(xí)者韌性（Grit）等品質(zhì)。

從負(fù)面情緒詞占比可知，故障排除調(diào)試主題的人機(jī)協(xié)作中，學(xué)生表現(xiàn)出的負(fù)面情緒最強(qiáng)（20.00%），其次是程序理解求助（14.29%）。造成這一情形的原因可能是學(xué)習(xí)者尚未從傳統(tǒng)一對(duì)多的講授式教學(xué)轉(zhuǎn)換適應(yīng)至個(gè)性化問(wèn)題解決模式中。從GAI的支持性作用來(lái)看，大語(yǔ)言模型的生成作用在故障排除調(diào)試與程序理解求助上的表現(xiàn)不夠優(yōu)越，因?yàn)檫@往往需要更深層次的邏輯推理和問(wèn)題分析，當(dāng)前大模型在沒(méi)有特定優(yōu)化的情況下通常不足以完全應(yīng)對(duì)。這也正體現(xiàn)了在逆向工程編程學(xué)習(xí)中引入多智能體的重要性。

（二）問(wèn)卷分析結(jié)果

通過(guò)對(duì)問(wèn)卷進(jìn)行因子分析，本研究最終從19個(gè)題項(xiàng)中共抽取4個(gè)因素，且各題所屬因子與量表設(shè)置相符合，累計(jì)方差貢獻(xiàn)率達(dá)到了85.057%，說(shuō)明這四個(gè)維度能夠較好地反映原始樣本信息；所有題項(xiàng)的因子載荷均在0.6以上（見(jiàn)表3），且大于其他變量間的交叉因子載荷，符合指標(biāo)要求。

對(duì)四個(gè)因子進(jìn)行描述性統(tǒng)計(jì)分析（見(jiàn)表3）。從平均值水平來(lái)看，四個(gè)因子的平均值都高于3.5，說(shuō)明樣本總體態(tài)度傾向于“滿意”；其中，持續(xù)學(xué)習(xí)意愿的均值最高（M=4.784），其次是感知偶然性（M=4.411）和人機(jī)協(xié)作感知（M=4.294），但人機(jī)信任度的平均分水平一般，為3.588分。在得分的離散程度上，持續(xù)學(xué)習(xí)意愿得分的標(biāo)準(zhǔn)差最小（SD=0.389），其次是感知偶然性（SD=0.731）、人機(jī)協(xié)作感知（SD=0.837），說(shuō)明學(xué)生在這三方面的評(píng)價(jià)趨向一致，而人機(jī)信任度的標(biāo)準(zhǔn)差達(dá)1.192，反映出不同學(xué)生對(duì)于人機(jī)信任度的感知情況差異性較大。

結(jié)合人機(jī)內(nèi)部兼容性理論，以上結(jié)果反映了該教學(xué)模式下的人機(jī)關(guān)系中，認(rèn)知和價(jià)值兼容性較高，GAI所給予的個(gè)性化乃至排他性的動(dòng)態(tài)互動(dòng)，能夠使學(xué)生產(chǎn)生超乎預(yù)期的愉悅感。然而，學(xué)生與GAI情感兼容性（信任度）表現(xiàn)一般，一方面可能是由于人機(jī)交互中對(duì)情感聯(lián)結(jié)與關(guān)懷的忽視，另一方面可能是因?yàn)閷W(xué)習(xí)者對(duì)其認(rèn)同程度受限于GAI的生成有用性。GAI作為單個(gè)智能體所能提供的作答反饋仍然有限，無(wú)法完全模擬真實(shí)協(xié)作中的角色分配并執(zhí)行學(xué)習(xí)者提出的各類任務(wù)。總體上，學(xué)習(xí)者的持續(xù)學(xué)習(xí)意愿較高，證明了該教學(xué)模式的有效性，特別是相比于采用順向教學(xué)流程的人機(jī)交互學(xué)習(xí)[32]，逆向工程思維在提升學(xué)生動(dòng)機(jī)、愉悅度上有著突出的表現(xiàn)。在逆向工程的引導(dǎo)下，清晰的問(wèn)題探索路徑使得學(xué)生在挑戰(zhàn)復(fù)雜問(wèn)題的過(guò)程中更具有自主性和控制感，從而產(chǎn)生更高的學(xué)習(xí)興趣，表現(xiàn)為較高的持續(xù)學(xué)習(xí)意愿。

五、啟" "示

（一）逆向工程引領(lǐng)人機(jī)協(xié)作：降維拆解復(fù)雜問(wèn)題

在當(dāng)前的教育實(shí)踐中，生成式人工智能（GAI）已經(jīng)顯著轉(zhuǎn)變了人機(jī)交互的方式。過(guò)去的人機(jī)交互以平臺(tái)為中心介質(zhì)，本質(zhì)上仍依賴于人—人互動(dòng)；而現(xiàn)今的人機(jī)交互模式走向了以數(shù)據(jù)為底座的跨平臺(tái)人—機(jī)互助。與GAI的協(xié)作使得學(xué)生在面對(duì)具體問(wèn)題時(shí)能夠迅速找到解決方案。然而，當(dāng)面對(duì)更加復(fù)雜的問(wèn)題時(shí)，自由的信息獲取和傳統(tǒng)的問(wèn)題解答模式可能不足以應(yīng)對(duì)挑戰(zhàn)。

逆向工程思維在這一背景下顯示出其獨(dú)特優(yōu)勢(shì)。逆向工程的思維模式不僅有助于學(xué)生理解問(wèn)題的現(xiàn)象，更能深入探索問(wèn)題的本質(zhì)。用逆向工程思維指導(dǎo)新型人機(jī)協(xié)作學(xué)習(xí)，學(xué)生在遇到錯(cuò)誤和挑戰(zhàn)時(shí)，便更有可能全面地分析問(wèn)題，探索多種可能的解決方案。因此，逆向工程教學(xué)不僅僅是一個(gè)技術(shù)操作的流程，更是一種控制人機(jī)協(xié)作走向的高位思想，及一種強(qiáng)化學(xué)生批判性思維和問(wèn)題解決能力的教育策略。

（二）構(gòu)建新型多智能體生態(tài)：增強(qiáng)人機(jī)協(xié)作效能

未來(lái)的教育場(chǎng)景更傾向于從當(dāng)前的單人機(jī)交互走向多人—多機(jī)交互，逐步進(jìn)入多智能體輔助教學(xué)的時(shí)代。多智能體系統(tǒng)能整合不同算法和數(shù)據(jù)源的優(yōu)勢(shì)，更加精確地模擬復(fù)雜問(wèn)題解決中的真實(shí)協(xié)作機(jī)制[33]。在復(fù)雜的任務(wù)解決過(guò)程中，不同的智能體可以承擔(dān)不同的角色和職能，為學(xué)習(xí)者提供全面的人機(jī)協(xié)作支撐。逆向工程提供了構(gòu)建這種多智能體系統(tǒng)的方法論支持。通過(guò)對(duì)成功的逆向工程協(xié)作項(xiàng)目的學(xué)習(xí)行為分析，研究者能夠更加精確地設(shè)計(jì)或調(diào)整智能體的功能，從而在虛擬環(huán)境中重現(xiàn)高效、類人的團(tuán)隊(duì)協(xié)作的情景，使之更貼合實(shí)際應(yīng)用需求。

在新型多智能體生態(tài)下，人機(jī)協(xié)作將是一種雙向流動(dòng)的互惠共生機(jī)制：不僅機(jī)器為人提供幫助，未來(lái)機(jī)器也需要人的支持。隨著多智能體的發(fā)展，協(xié)作模式可能會(huì)從多人共享一個(gè)單智能體“助手”，轉(zhuǎn)變?yōu)槊咳藫碛幸粋€(gè)多智能體“秘書(shū)”，極大賦能人機(jī)協(xié)作效率。與此同時(shí)，人類個(gè)體高頻開(kāi)展人機(jī)協(xié)作的工作過(guò)程，也能夠?yàn)榇笳Z(yǔ)言模型提供相應(yīng)垂直領(lǐng)域的真實(shí)語(yǔ)料數(shù)據(jù)。這種垂直訓(xùn)練，有助于建立人機(jī)高度兼容的內(nèi)部關(guān)系，也將推動(dòng)人機(jī)協(xié)作的效能提升。

（三）塑造新型人機(jī)勞動(dòng)關(guān)系：發(fā)展新智生產(chǎn)力

在AI驅(qū)動(dòng)下的生產(chǎn)力迅速發(fā)展和迭代的時(shí)代，過(guò)去的教育模式已不足以培養(yǎng)面向未來(lái)的人才。在這一背景下，我國(guó)正以新質(zhì)生產(chǎn)力為發(fā)展導(dǎo)向，統(tǒng)籌教育、科技和人才協(xié)同發(fā)展機(jī)制，全面升級(jí)勞動(dòng)者、勞動(dòng)資料、勞動(dòng)對(duì)象和勞動(dòng)關(guān)系的概念[34]。（1）勞動(dòng)者的最小單元不再是單獨(dú)的個(gè)體概念，而是大規(guī)模人機(jī)協(xié)同的組合，這種組合的魯棒性取決于人對(duì)機(jī)的系統(tǒng)性理解，而非簡(jiǎn)單的工具性應(yīng)用。逆向工程教學(xué)的起點(diǎn)就是利用生成式人工智能創(chuàng)設(shè)知識(shí)的完整生態(tài)，是培育人機(jī)信任的有效開(kāi)端。（2）從勞動(dòng)資料和勞動(dòng)對(duì)象角度，未來(lái)技術(shù)發(fā)展會(huì)逐步減少對(duì)自然資源的消耗，轉(zhuǎn)向人機(jī)協(xié)同的可持續(xù)生態(tài)發(fā)展觀。無(wú)論是Yann LeCun提出的“世界模型”還是Elon Musk對(duì)火星資源的探尋，在本質(zhì)上都是對(duì)于當(dāng)前大語(yǔ)言模型高耗能的擔(dān)憂。逆向工程思維本身也是向終而始，通過(guò)確立未來(lái)可持續(xù)發(fā)展目標(biāo)，來(lái)反推當(dāng)前的前沿技術(shù)規(guī)劃與人才培育方向。（3）隨著人工智能全面深入人類生活的方方面面，勞動(dòng)關(guān)系將逐步脫離現(xiàn)有的剛性雇傭關(guān)系，走向多樣、互相依賴的柔性狀態(tài)。基于GAI的逆向工程教學(xué)也會(huì)推廣到社會(huì)生產(chǎn)中，人工智能的初始生成能力使各階層更為平等地參與到同一項(xiàng)工作中。新型人機(jī)勞動(dòng)關(guān)系將使協(xié)同共創(chuàng)能力更為活躍和無(wú)邊界化。

隨著智能技術(shù)的發(fā)展，真實(shí)和虛擬世界之間的壁壘被漸漸破除，在新型人機(jī)勞動(dòng)關(guān)系形態(tài)下，數(shù)字勞動(dòng)也將“脫虛向?qū)崱保@得新的價(jià)值和使命。一方面，人機(jī)通過(guò)數(shù)字勞動(dòng)實(shí)現(xiàn)勞動(dòng)價(jià)值，GAI與多智能體的包容性、低門(mén)檻、無(wú)障礙，使得勞動(dòng)者可以更廣泛、自由地發(fā)揮生產(chǎn)中的積極作用；另一方面，新型人機(jī)協(xié)作關(guān)系賦權(quán)勞動(dòng)者在數(shù)字勞動(dòng)中積極貢獻(xiàn)知識(shí)文化的內(nèi)容和語(yǔ)言體系，形成一種新的自我價(jià)值化路徑。逆向工程下的人機(jī)協(xié)作模式，有可能成為一種數(shù)字勞動(dòng)的新型高效路徑，助推新智生產(chǎn)力發(fā)展。

本研究也存在以下局限性： 一是由于基于GAI的逆向工程教學(xué)模式尚處于探索階段，因而存在樣本量不足且學(xué)段差異大的問(wèn)題，在今后的研究中將擴(kuò)大樣本量并從個(gè)體差異角度進(jìn)一步分析該方法的適配性。二是該教學(xué)模式具有明顯的學(xué)科限度，逆向工程教育源于工科領(lǐng)域，而GAI存在價(jià)值理解等短板[35]，因而思考該教學(xué)模式在人文藝術(shù)等學(xué)科的推廣是亟待探索的議題。三是本文所使用的GAI作為單智能體本身的局限性使得學(xué)生未能獲得充分的多智能體支持和幫助，在未來(lái)的研究中，可以嘗試部署多智能體，搭建真實(shí)高效的多人—多機(jī)協(xié)作環(huán)境，以探究多智能體賦能下逆向工程教學(xué)中的人機(jī)協(xié)作機(jī)理。

[參考文獻(xiàn)]

[1] 翟雪松，吳庭輝，袁婧，等． 教育對(duì)人工智能應(yīng)用的反哺價(jià)值探究——基于生成式模型到世界模型的視角[J]． 遠(yuǎn)程教育雜志，2023，41（6）：34-41．

[2] 鄭旭東，馬云飛，范小雨． 協(xié)作問(wèn)題解決：人工智能時(shí)代必備的高階能力[J]． 現(xiàn)代教育技術(shù)，2021，31（3）：12-19．

[3] LADACHART L， CHOLSIN J， KWANPET S， et al． Using reverse engineering to enhance ninth-grade students' understanding of thermal expansion[J]． Journal of science education and technology，2022，31（2）：177-190．

[4] 祝智庭，戴嶺，胡姣． 高意識(shí)生成式學(xué)習(xí)：AIGC技術(shù)賦能的學(xué)習(xí)范式創(chuàng)新[J]． 電化教育研究，2023，44（6）：5-14．

[5] SKRABUT S. 80 ways to use ChatGPT in the classroom： using AI to enhance teaching and learning[M]. Wyoming： Stan Skrabut， 2023.

[6] 盧宇，余京蕾，陳鵬鶴，等． 生成式人工智能的教育應(yīng)用與展望——以ChatGPT系統(tǒng)為例[J]． 中國(guó)遠(yuǎn)程教育，2023，43（4）：24-31，51．

[7] 蔣慧芳，曾文婕，朱琦． 指向深度學(xué)習(xí)的對(duì)話式反饋：特征、方式與策略[J]． 開(kāi)放教育研究，2024，30（2）：80-88．

[8] 翟雪松，吳庭輝，李翠欣，等． 數(shù)字人教育應(yīng)用的演進(jìn)、趨勢(shì)與挑戰(zhàn)[J]． 現(xiàn)代遠(yuǎn)程教育研究，2023，35（6）：41-50．

[9] 王麗，李艷，陳新亞，等． ChatGPT支持的學(xué)生論證內(nèi)容評(píng)價(jià)與反饋——基于兩種提問(wèn)設(shè)計(jì)的實(shí)證比較[J]． 現(xiàn)代遠(yuǎn)程教育研究，2023，35（4）：83-91．

[10] 高琳琦． 生成式人工智能在個(gè)性化學(xué)習(xí)中的應(yīng)用模式[J]． 天津師范大學(xué)學(xué)報(bào)（基礎(chǔ)教育版），2023，24（4）：36-40．

[11] ENGLISH L D， KING D T． STEM learning through engineering design： fourth-grade students' investigations in aerospace[J]．International journal of STEM education，2015，2（1）：14．

[12] 李芒，徐曉東，朱京曦. 學(xué)與教的理論[M]. 北京：高等教育出版社，2007.

[13] 祖文明． 逆向工程技術(shù)的應(yīng)用及國(guó)內(nèi)外研究的現(xiàn)狀及發(fā)展趨勢(shì)[J]． 價(jià)值工程，2011，30（21）：30-31．

[14] HESS H L. Proceedings of 2000 ASEE Annual Conference[C]. Missouri： ASEE， 2000.

[15] HUANG K Z． Enhancing design education by product reverse engineering[J]． Proceedings of the Canadian engineering education association （CEEA），2011， 10（27）： 553-557．

[16] CALDERON M L. Proceedings of the International Design Conference-Design 2010[C]. Cambridge： Cambridge University Press， 2010.

[17] LEE R S， TSAI J P， KAO Y C， et al． STEP-based product modeling system for remote collaborative reverse engineering[J]． Robotics and computer-integrated manufacturing，2003，19（6）：543-553．

[18] 康斯雅，鐘柏昌． 機(jī)器人教育中的逆向工程教學(xué)模式構(gòu)建[J]． 現(xiàn)代遠(yuǎn)程教育研究，2019，31（4）：56-64．

[19] 胡衛(wèi)平，徐晶晶，皮忠玲，等． 智能時(shí)代的教育變革：思維型教學(xué)理論引領(lǐng)“技術(shù)賦能教學(xué)”[J]． 遠(yuǎn)程教育雜志，2023，41（6）：3-9．

[20] 魏雪峰． 互聯(lián)網(wǎng)教育服務(wù)：分析、評(píng)價(jià)與實(shí)踐[M]． 北京：中國(guó)社會(huì)科學(xué)出版社，2023．

[21] 景玉慧，沈書(shū)生． 方法與模式：“雙減”背景下學(xué)習(xí)空間賦能課堂教學(xué)研究[J]． 電化教育研究，2024，45（1）：114-121．

[22] 鐘柏昌，劉曉凡． 跨學(xué)科創(chuàng)新能力培養(yǎng)的學(xué)理機(jī)制與模式重構(gòu)[J]． 中國(guó)遠(yuǎn)程教育，2021（10）：29-38，77．

[23] LIU X H， GU J J， ZHAO L． Promoting primary school students' creativity via reverse engineering pedagogy in robotics education[J]．Thinking skills and creativity，2023，49：101339．

[24] L？魷PEZ E J， ACOSTA FLORES M， SANDOVAL G L， et al． Reverse engineering and straightforward design as tools to improve the teaching of mechanical engineering[M]//ABDULWAHED M， BOURAS A， VEILLARD L． Industry integrated engineering and computing education． Cham：Springer，2019：93-118．

[25] 王雪，王崟羽，喬玉飛，等． 在線課程資源的“學(xué)測(cè)一體”游戲化設(shè)計(jì)：理論模型與作用機(jī)制[J]． 電化教育研究，2023，44（2）：92-98，113．

[26] 何貴兵，陳誠(chéng)，何澤桐，等． 智能組織中的人機(jī)協(xié)同決策：基于人機(jī)內(nèi)部兼容性的研究探索[J]． 心理科學(xué)進(jìn)展，2022，30（12）：2619-2627．

[27] 翟雪松，楚肖燕，焦麗珍，等． 基于“生成式人工智能+元宇宙”的人機(jī)協(xié)同學(xué)習(xí)模式研究[J]． 開(kāi)放教育研究，2023，29（5）：26-36．

[28] LI M Y， KAMARAJ A V， LEE J D． Modeling trust dimensions and dynamics in human-agent conversation： a trajectory epistemic network analysis approach[J]． International journal of human-computer interaction，2023：1-12．

[29] LIU S， KANG L Y， LIU Z， et al． Computer-supported collaborative concept mapping： the impact of students' perceptions of collaboration on their knowledge understanding and behavioral patterns[J]． Interactive learning environments，2023，31（6）：3340-3359．

[30] 劉天麗，楊現(xiàn)民，李康康，等． 社會(huì)公眾如何看待“ChatGPT+教育”？——基于國(guó)內(nèi)主流開(kāi)放社區(qū)的文本分析[J]． 現(xiàn)代教育技術(shù)，2023，33（10）：14-23．

[31] 郭雨欣． 論格塞爾的成熟發(fā)展理論對(duì)學(xué)前教育的影響[J]． 當(dāng)代學(xué)前教育，2010（3）：35-37．

[32] 孫丹，朱城聰，許作棟，等． 基于生成式人工智能的大學(xué)生編程學(xué)習(xí)行為分析研究[J]． 電化教育研究，2024，45（3）：113-120．

[33] 翟雪松，季爽，焦麗珍，等． 基于多智能體的人機(jī)協(xié)同解決復(fù)雜學(xué)習(xí)問(wèn)題實(shí)證研究[J]． 開(kāi)放教育研究，2024，30（3）：63-73．

[34] 袁婧，翟雪松，吳飛，等． 基于虛擬教研室的高校人工智能專業(yè)（AI+X方向）建設(shè)——以浙江大學(xué)為例[J]． 現(xiàn)代教育技術(shù)，2024，34（5）：123-133．

[35] 曹斯，羅祖兵． 人工智能應(yīng)用于教學(xué)的困境、限度與理路[J]． 電化教育研究，2024，45（4）：88-95．

Research on the Application of GAI-based Reverse Engineering Teaching Thinking in Human-Computer Collaboration： Taking Programming Education as An Example

ZHAI Xuesong1，" ZHANG Lijie1，" XIA Liangliang2，" XU Xin3，" ZHU Qiang3

（1.College of Education， Zhejiang University， Hangzhou Zhejiang 310058;

2.Faculty of Education， Beijing Normal University， Beijing 100875;

3.College of Computer Science and Technology， Zhejiang University， Hangzhou Zhejiang 310058）

[Abstract] Large models provide learners with cross-modal learning resources， but also puts forward higher requirements for innovative human-computer collaborative teaching models. This study introduced reverse engineering teaching thinking， analyzed its compatibility and complementarity with generative artificial intelligence （GAI） in terms of process and mechanism， and carried out exploratory programming teaching experiment based on the self-developed reverse engineering programming learning platform. Through LDA topic word extraction and an analysis of human-computer collaboration perception factors， five types of behaviors and emotional orientations of human-computer collaboration under this model are explored. In addition， the questionnaire results indicate that learners exhibit a higher perceived contingency， human-computer collaboration perception and willingness to continue learning in this teaching mode， but the human-computer trust is at a medium level. Combined with the analysis of topic words， this study also proposes the optimization direction of human-computer collaboration in the future： leading human-computer collaboration through reverse engineering to decompose complex problems by dimensionality reduction; constructing a multi-agent system to enhance the efficiency in multi-person and multi-agent cooperation; shaping a new human-computer labor relation to develop new intelligent productivity. This study provides theoretical foundation and data reference for future artificial intelligence collaborative learning， and also puts forward ideas and methods for further improvement in future research.

[Keywords] Generative Artificial Intelligence; Reverse Engineering; Human-Computer Collaborative Learning; Complex Problem-solving Ability; Programming Education

基金項(xiàng)目：2022年度國(guó)家科技創(chuàng)新2030“新一代人工智能”重大項(xiàng)目課題“人機(jī)協(xié)同的學(xué)習(xí)社群建構(gòu)與支持技術(shù)”（課題編號(hào)：2022ZD0115904）；2024年度澳門(mén)科學(xué)技術(shù)發(fā)展基金“澳門(mén)中小學(xué)智能學(xué)習(xí)系統(tǒng)與遠(yuǎn)像光屏學(xué)習(xí)機(jī)及其關(guān)鍵技術(shù)研究”（課題編號(hào)：0071/2023/RIB3）