多智能體協同交互的高臨場感在線學習環境構建

摘要：當前，雖然生成式人工智能為構建多智能體協同交互的在線學習環境提供了可能，但是現有環境構建仍存在社會臨場感不足、教學臨場感薄弱、認知臨場感缺失等問題。為此，文章首先分析了多智能體協同增強在線學習臨場感的邏輯理路，強調通過多智能體與學生進行實時在線互動，營造良好的情感氛圍和包容的討論環境以增強社會臨場感；挖掘學生的個性化需求，適應性調整教學策略以增強教學臨場感；實時監測判斷學生的高階思維發展水平，并通過討論和啟發性提問以增強認知臨場感。在此基礎上，文章設計了多智能體協同交互在線學習環境的基本范型，以大模型為基底搭建智能體平臺開發對話型、分析型和決策型三種教育智能體，并以控制語言的智能體工作流為牽引，形成課前準備、交互課堂、學習評估融合的“人在回路”人機交互式課堂系統。最后，文章分析了多智能體環境中教師與學生的工作/學習模式，以期為多智能體時代技術賦能教育提供參考。

關鍵詞：在線學習環境；多智能體；探究社區理論；臨場感；大語言模型

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009—8097（2024）12—0017—10 【DOI】10.3969/j.issn.1009-8097.2024.12.002

引言

隨著ChatGPT等生成式人工智能技術的快速發展，基于人工智能技術構建新型在線學習環境、賦能教育提質增效成為當前研究的重點。傳統在線教育技術主要針對學習資源進行電子化傳播，并通過多媒體技術實現人際互動，但存在實時互動受阻、群體性學習氛圍缺失、個性化支持不足、學習自主性低等問題^[1][2]。為此，已有研究嘗試設計人機協同系統，利用人工智能技術將教師、助教、學生等參與者的部分功能（如答疑、推薦）智能化，甚至引入多種模擬這些角色的智能體（AI Agent或Agent），以實現不同功能智能體與學習者的協同合作，構建擬合真實的多元學習環境，為學生提供更加真實有效的學習體驗，進一步幫助學生高效解決復雜的學習問題，實現智能涌現，提升在線學習效果^[3][4][5][6]。

然而，雖然當前這種基于多智能體構建的在線學習環境已經顯現出較大的發展潛力，但其仍存在三方面問題亟需解決：①社會臨場感不足，難以實現覆蓋完整教育環節的互動學習環境。已有多智能體學習環境普遍支持課中的知識答疑，但難以保證學生與多種類型智能體的持續深度互動，也缺乏課前準備、課后追測等一系列互動功能，這使多智能體學習環境在實踐中退化為單一的答疑工具，無法產生高質量的互動體驗。②教學臨場感薄弱，難以實現“人在回路”的自適應高質量教學。已有多智能體系統或預設智能體的互動邏輯，或完全依賴于參數化學習的訓練，導致多個智能體之間的交互模式完全固定，且缺乏同一的信息交互基礎，其協作方式完全黑盒化，不僅難以緊密配合，也使教師和專家難以介入進行可解釋的指導^[7][8]。③認知臨場感缺失，難以實現功能異構的多智能體的有效集成。已有多智能體學習環境主要包含多個單一類型的工具型智能體，這使智能體之間的合作模式單一，難以實現智能“碰撞”，產生服務更高階認知需求的能力^[9][10]。

已有研究證明，營造高臨場感的在線學習環境是提升學習質量的有效途徑，為解決這些問題提供了思路^[11]。具體而言，多智能體交互協作的高臨場感在線學習環境有助于保持學生隨時隨地學習的高自由度、學生自主設計的高個性化以及人人可學的開放性，并平衡個性化學習與大規模開放的張力。因此，本研究嘗試從臨場感的理論視角出發，分析多智能體協同增強在線學習臨場感的邏輯理路，建構多智能體協同交互在線學習環境的基本范型，并進一步明確教師與學生在這一環境中的工作/學習模式，以期為多智能體技術賦能教學實踐提供參考。

一 理論分析：臨場感視角下的多智能體協同交互在線學習環境

1 從單智能體到多智能體賦能的在線學習環境演進

臨場感來自于學生與學習系統中不同主體角色的有機互動。從單智能體到多智能體，技術的進步為實現更高水平的在線學習臨場感提供了有力支持。智能體一般解釋為一個通過行動能力自主完成設定目標的代理，這一代理具備觀察、記憶、決策和執行等主要模塊，可以與環境進行交互并得到反饋^[12]。在教育領域，基于深度學習模型構建的可交互工具都可以視為一種基礎的教育智能體。早期的在線教育研究者運用人工智能技術開發了不同的學習輔助功能，其技術彼此較為獨立，專注于教育的特定環節，如智能導師、在線教育推薦系統、學習成果自動評估、智能學生畫像等^[13][14][15]。但是由于課前、課中、課后不同的輔學功能任務具有較大差異，傳統的深度學習算法基座在技術上難以統一，導致構建出的各獨立智能體僅能滿足簡單的任務需求，難以覆蓋教育場景中的多種角色和功能，在用戶體驗上整體展現出可信度不足、無法產生高水平臨場感體驗的效果。

多智能體（Multi-Agent）技術一般指構建具有不同角色、功能的數個智能體結構，通過職能分工、協調合作實現更復雜功能的技術，而學習系統作為面向人類社會、多方參與、高度復雜的分布式系統，需對大量任務進行并行處理，因此非常適合多智能體技術的融入^[16][17]。相比單一智能體，多智能體的協同技術具有更強的社會模擬性、更自由的可調整性以及更廣泛的適配性，導致盡管有相當多的學者對多智能技術融合的在線教育環境進行過設計和討論，但這些智能技術仍相對孤立，難以實現數據互通，且長期作為教育場景中的輔助性工具存在^[18][19][20]。如今，隨著技術范式的迭代，尤其是大語言模型（Large Language Model）的發展，構建多智能體協調互通的新一代智能在線學習環境成為可能。相較于傳統的人工智能技術，以大語言模型為基礎的多智能體可以支持更多元的任務、具備更好的場景泛化能力，尤其是其構建的智能體具有較好的擬人化特征。在檢索增強技術、思維鏈提示技術的賦能下，基于大語言模型實現教育場景的多智能化逐漸從一種設想推進到了可實施的狀態，使這一技術已經在多個實用場景中展示出了應用潛能^[21][22]。此外，由于教育場景中的教師、助教、同學等諸多角色都具有較強的智能體化基礎，因此將課堂中的多個要素進行合理智能體化，并由此構建多智能體的高擬真度、高臨場感在線學習環境成為智能教育應用發展的技術趨勢。

2 多智能體協同增強在線學習臨場感的邏輯理路

探究社區理論（Community of Inquiry Theory）認為，社會臨場感、教學臨場感和認知臨場感是構建在線教學環境的三個緊密相連的關鍵要素^[23]。該理論描述了在線教學與學習過程，為研究和設計在線學習經歷提供了理論框架與工具，并在設計在線教學環境、促進混合學習效果等方面有廣泛影響，因此本研究以其為框架梳理多智能體在線學習系統的邏輯理路。

（1）人機交互協作提升社會臨場感

在線學習中的社會臨場感是指學生在社交和情感上的表現能力，在媒介中被視為“真實的人”^[24]。當學習場景從線下遷移到線上環境時，社會互動的缺失是在線教育理論與實踐中需著力解決的核心問題，而社會臨場感強調創建一個有目的的在線探究學習環境，實現情感表達、開放交流和群體凝聚力，使學生的新思維和想法可以在其中相互連結。增進社會臨場感需要拉近學生在線學習中的心理距離，如Moore^[25]將在線教育中的互動視為教師、學生與學習內容三者間的密切互動，學生與教師間的心理距離是影響遠程學習的核心因素。傳統的教育技術強調以多媒體工具加強人和人的直接互動，如盡可能采用同步而非異步的手段，或是基于人工智能技術構建對話機器人和智能輔導系統，但智能輔導系統的個性化與高效率主要體現為實現單一任務中的特定功能，并沒有體現建設性合作的關鍵作用，因此無法在線上構建一個功能更加豐富且適應性更強的交互學習環境。而以大語言模型為技術基礎的多智能體既可通過扮演學習促進者、學習資源策劃者、學習體驗設計師和學習評估者等多種角色^[26]，圍繞教學目標和設計與學生進行實時互動，提供多樣化的學習輔助；也是教學環境中提供情感支持以調節課堂氛圍的工具，通過營造良好的情感氛圍和包容的討論環境，實現人機共融以為學生提供充分的社會臨場感體驗。

（2）自適應教學策略提升教學臨場感

教學臨場感是指認知和社會過程的設計、促進與指導，目的是實現對個人有價值的學習成果，包括教學的設計和組織、直接指導、促進對話等維度。盡管在線教學環境中不同的參與者之間以及人與內容之間的互動都不可或缺，但互動必須在與教學目標方向一致的的情況下才能保證教育的效果。因此，教學臨場感既強調在線教育過程需要明確的支架，也要求為學生提供個性化的學習體驗以保證每個個體都能受益。傳統上提高在線教學的臨場感主要強調教師要從學生參與和批判性思維發展的角度開展教學設計，有效利用技術工具實現在線學習活動的組織、監控和管理，并給予學生及時的反饋。人工智能技術則可通過個性化推薦系統、自適應學習系統等工具收集學生的各種顯性和隱性特征，并推薦或給出高質量學習資源信息，以不同的方式提供教學支架，針對個性化問題做出回復。然而，單一智能技術僅能參與部分學習過程，其數據和內容不共通，這使教學臨場感依然主要依賴教師的直接指導，無法形成高質量的人機協作，也難以綜合全面的學習信息對學生進行及時反饋。在多智能體模式下，課前、課中和課后各階段的不同智能體數據互通、功能協同，支持教師根據學生的學習需求對知識內容和教學策略進行適應性調整，實時回應學生的個性化問題，確保以差異化的學習方式達到預期的學習效果。

（3）激發高階思維提升認知臨場感

認知臨場感是學生在批判性探究社區通過持續的反思和對話構建學習意義的程度，指向批判性思維、問題解決等高階思維目標的培養，包括觸發事件、探究、整合、解決共四個階段。探究社區強調在線教育中學生通過意義協商、共同建構知識來增強歸屬感和聯系感，進而發展學生的高階思維，而其關鍵因素在于學生參與討論感受到的開放度、舒適感與信心體驗，以及接受的教師教學指導和反饋^[27][28][29]。已有研究主要依托對話機器人實現特定任務中對學生問題的針對性回應與引導，但這種以人工智能為中心的網絡是典型的人機“知識講述”，難以通過人機協作支持學生的“高階思維躍遷”。大語言模型構建的多智能體系統則可以超越人機二元互動關系，在同一時空下以不同的智能體角色實現觀點討論、啟發性提問、辯論等職能，搭建以自然語言為載體的人機交互空間。此外，該系統還可以通過對學生回答情況的實時監測，判斷其高階思維參與的水平，從而優化課堂模式，最終提升在線學習環境中的臨場感以促進學生的認知發展。

二 基本范型：多智能體協同交互在線學習環境的建構

基于多智能體協同交互的在線教育環境的技術背景以及何以促進臨場感的邏輯理路，接下來本研究將通過介紹基于大語言模型的多智能體協同交互的在線學習環境及其所需的多類型智能體、技術支持模組，探討本研究所述多智能體協同交互在線學習環境建構的基本范型。

1 多智能體協同交互的在線學習環境

（1）交互式課堂系統

為了保持對學習環節的完整覆蓋，提升學生在系統中學習體驗的臨場感水平，本研究設計了多智能體協同交互的在線學習環境框架，如圖1所示。其中，核心的交互式課堂系統包括課前準備系統（課前）、交互課堂系統（課中）以及學習評估系統（課后）的完整學習環節，覆蓋了教師、學生不同環節的工作與學習需求，同時每個子系統的功能也各有側重，具體如下。

課前準備系統主要提供教師側的完整服務，旨在協助教師高效備課，為后續子系統的運行提供數據基礎。該子系統主要以課件解析智能體為依托，完成學習資源的結構化理解，并在教師的協助下，完成課程的初步構建，最終形成帶有教師個人風格的課程智能體工作流。交互課堂系統則主要面向學生提供沉浸式的多智能體交互學習功能。在課堂教育智能體工作流的引導下，該子系統的導演智能體控制教師智能體、助教智能體和同學智能體，提供課程傳授、交互討論以及情感支持等豐富的學習功能，為學生創造流暢、高臨場感的學習體驗。學習評估系統同時面向師生提供服務。在該子系統中，基于課堂教育智能體工作流和最終產生的交互式課堂學生記錄數據，教師可以在問卷智能體的支持下探訪學生的學習體驗；學生也可以在與學情分析智能體的交互中獲取學業報告，持續跟蹤了解自身的學習情況。

（2）在線學習環境中不同類型的智能體

交互式課堂系統涉及多種不同類型的智能體，以及作為技術支持所必需的智能體平臺、數據和工作流。為了使所構建的多智能體環境中囊括更豐富的智能體，以促進教育情景中群體智能的涌現，服務學生的高階認知需求，本研究根據工作環境、構建者、技術支持等屬性的區別，將可能服務在線學習環境的智能體類型及特征進行了匯總，如表1所示。

總體來說，智能體包含三種主要類型：對話型智能體主要以自然對話為主要交互方式，直接面向用戶提供服務，構建高臨場感系統的基礎；分析型智能體更多地面向結構化或半結構化數據，為用戶提供富文本形式的分析結果；決策型智能體則主要與其他智能體交互，不直接面向用戶，承擔對多智能體的綜合協調職能。

（3）多智能體協同交互控制機制設計

當前，對多智能體協同交互的控制主要有兩種方法：一種是基于規則的多智能體控制方法，如Viswanathan等^[30]在所構建的智能教學系統中預設了多層次的智能體，并明確規定了學習資源智能體、規劃智能體、評測智能體的工作規則。這類方法的優點在于工作流程可解釋性高，且性能有明確的可控下界，不容易在教學過程中產生系統性風險，然而其問題在于智能體之間的協同方式固定，調整難度較大。另一種是基于參數化學習的多智能體控制方法，這類方法的優點在于構建方式簡易，不需要大量預設的專家知識，可調整性強，然而這樣構建的系統具有較強的黑盒屬性，無法解釋和理解其協作原理，也很難融入專業指導。總體來說，兩種傳統的多智能體協作控制方法各具優勢，但是無法合理地引入專家知識進行指導，限制了其在教育領域的使用。為此，本研究所構建的多智能體協同機制采用了元智能體模式的原型，該原型一般通過構建一個總控智能體以實現對多個智能體的控制^[31]。本研究設計了一種以導演智能體為基礎的多層次控制機制——多智能體協同交互控制機制，如圖2所示。在此機制中，所有的智能體均以大模型作為基底，在課堂教育智能體工作流和交互式課堂學生記錄數據的牽引下，以決策型智能體為中樞實現多智能體控制。教育專家可以通過調整決策型智能體的實現方式和遵循原則，從而控制整個課堂的管理方式與傳授風格。同時，各智能體也都基于標準化、統一化的數據進行管理，易于實現高密度、高通量的信息傳遞，以構建高質量的學習環境。

2 多智能體協同交互的技術支持模組

（1）以大模型為基底的高擬人化智能體平臺

智能體平臺以大模型為技術支撐，融合多模型集成部署、高效并發推理優化、高質量教育數據解析等技術，從而實現對教育環境中不同智能體角色的高擬人化定制和構建，為構建高臨場感的多智能體在線學習環境提供智能體基礎。一方面，智能體平臺需要支持對多語言、多模態（如文字生成、圖片理解、語音生成等）大模型的集成部署，以提供更豐富的智能體定制需求。同時為保證運行效率，還需要引入任務等待隊列、K8S部署、消息輪詢等技術，支持更高的并發請求，優化模型推理效果。另一方面，智能體平臺還需借助高質量的教育數據解析功能，將課件、教材、學習視頻、互聯網知識等進行統一化解析，應用向量數據庫技術完成存儲，從而支持不同智能體角色的特定專業任務。基于以上技術，智能體平臺在支持教師、學生自主定制智能體的同時，也提供了一系列對話型、分析型、決策型智能體用于基礎教學流程的實現。這些智能體使用同一大模型作為基座，能夠完成無阻礙、高通量的數據與智能共享，相較于傳統智慧教學技術的各自獨立狀態，可以更自然地支持復雜教學智能環境的構建和服務。

（2）基于控制語言的智能體工作流

智能體工作流是基于控制型函數設計的一種用于教育環境的特殊語言，旨在實現對不同智能體和學習資源的協同控制。該工作流包括一系列具體的操作函數，如提供某個學習資源（provide_material）、提問用戶（call_user）、提問其他智能體（call_agent）等。基于這些操作函數的組合，本系統可以進行多種教學模式的變換，支持多種智能體的系統課堂執行，由此以高擬人化的方式執行課堂流程，提升學生的臨場感體驗。課堂的核心交互控制機制正是以這一工作流牽引、導演智能體主導的多智能體結構實現的，其中導演智能體的決策、執行模塊都由具備涌現智能的超大規模模型進行思維鏈微調構建，因此具備較強的規劃能力。課堂交互控制具體過程是導演智能體持續接收課堂進程中各智能體的輸出內容作為輸入，判斷當前的課堂情況，并根據這些信息決策下一步將進行的教學動作以及適合該操作的智能體；各智能體則以導演智能體的決策信息為信號，根據上下文內容展開符合自身任務的執行過程。

三 實現模式：多智能體協同交互在線學習環境的功能實現

1 多智能體環境中的教師工作模式

在本研究所述的教育環境中，教師的工作依然貫穿課前、課中、課后的完整學習過程，并在多智能體的支持下，完成從“知識傳授者”到“學習運營者”的角色轉變，促進學習過程的臨場感提升。具體來說，在課前準備中，教師首先上傳課程的學習目標、參考書籍、講解視頻、練習題目等學習資源，然后在課件輔助智能體的協同下，獲取互聯網相關教學資源，更高效地進行課程大綱和分節課件制作等備課任務。在此過程中，教師可以實時向智能體表達需求以得到充足的支持，并隨時對課件樣式、講解稿、智能體工作流進行修改和調整，以防得到的結果不符合課程講授需求或出現知識、價值觀偏誤。同時，教師可以更關注課程的設計，而非將大量精力用于資料搜集、資料整理、講稿撰寫等基礎性工作中，從而隱性提升課程內容的教學臨場感水平。在課堂交互中，教師不再需要直接進行直播講解或課程錄播，而是可以定制本門課程教師智能體、助教智能體的知識內容、傳授風格乃至語音特征等，將知識講解、知識答疑、課堂紀律控制等工作分散到不同的智能體。同時，教師也可以通過平臺實時監測每一門課程的執行情況，并根據需求扮演特定的智能體角色，以保持對課堂的遠程控制。在課后學習評估時，教師可以向問卷智能體提交希望調研的題目集或問卷，從而實現自動反饋收集。同時，學情分析智能體也會集成本課程所有學生的學習報告，為教師整理詳實豐富的課堂總結，支持教師進一步優化后續課程內容。

2 多智能體環境中的學生學習模式

在本研究所述的教育環境中，學生的課堂交互和課后評估環節從傳統在線學習的被動輸入狀態轉向了以學生為中心的自適應交互狀態，整個環境協同配合，以持續增強學生的多維臨場感體驗。在課前，學生可以定制和選擇希望一起學習的同學智能體，并設置同學智能體的性格、出現時機、背景知識等，從而完成對課堂交互環境的自主預設。開始上課后，教師智能體會根據課件內容和控制工作流執行對課程知識的講解，學生則可以隨時提出對課程內容的困惑或質疑；而在導演智能體的控制下，不同的智能體也會適時發言，協助學生在積極的學習狀態中理解課程內容。同時，由于預設的智能體工作流中包含提問用戶、呼喚智能體等函數，因此即使學生不進行交互，也會有同學智能體不定期出現，從不同的視角展開對課程內容的討論，讓學生在更具社會臨場感的情境中受到不同角度的啟發。這樣的課堂環境更容易使學生感受到整個課程都在以其為中心發生調整，實現“一生一課堂”的高度自適應性，促進學生自主進行高階思考。在課后，問卷智能體會與學生進行充分互動，在更自然的狀態下插入課程習題、問卷反饋等信息，以得到更充分的學習記錄。隨后，學情分析智能體會為學生發放其個人的本課堂學習記錄分析結果，協助其完成自我糾偏、知識理解和學習復盤。

四 結語

以大語言模型為基礎的多智能體技術，可以整合傳統上孤立的智能化學習支持功能，為系統構建高臨場感的在線學習環境提供可能。為此，本研究設計了一種多智能體協同交互的高臨場感在線學習環境，該環境基于大模型構建智能體平臺，集成了對話型、分析型、決策型三類教育智能體，并通過控制語言驅動的智能體工作流，打造“人在回路”的人機交互式課堂。依托多智能體技術，該環境不僅能夠提供高臨場感的在線學習體驗，還能深度促進優質教育資源的高效共享，有效降低課程制作、知識傳授和自適應學習在多樣化需求下的成本，同時兼顧教育的“大規模化”和“個性化”目標。然而，面對人工智能技術顛覆性發展和新一代學習者快速演變的學習需求，如何實現在線學習環境中師生、知識與多智能體等要素的緊密協同，有效支持學生全面發展，仍是一個涉及理論、技術、實踐的綜合性問題：首先，多智能體環境中的人機協同教學理論仍在探索階段，目前的研究雖然初步分析了臨場感下的多智能體協同教學，但難以提供細粒度的智能體優化指導；其次，在技術層面，基于大模型的多智能體系統在教育中面臨上下文長度有限、推理速度不足、高階規劃能力不強等問題；最后，在實踐中，現有系統在適配復雜課程時仍有挑戰，尤其對于專業性強的課程，智能體需靈活調整，并與實踐平臺深度融合才能更好地支持學習。對此，未來多智能體協同交互的在線學習環境構建可進一步以增強臨場感為抓手，拓展教育功能型智能體的覆蓋范圍，提升人機互動質量，加強對學習全過程的支持深度；完善多智能體學習環境中的反饋回路，使系統能夠在學習交互中實現持續優化，不斷提升對個性化學習需求的響應能力；同時，構建具備更強認知能力的大模型思維鏈和工作流，以更深入地理解并支持學生高階認知的發展過程。

參考文獻

[1]鄔大光，李文.我國高校大規模線上教學的階段性特征——基于對學生、教師、教務人員問卷調查的實證研究[J].華東師范大學學報（教育科學版），2020，（7）：1-30.

[2]李文昊，祝智庭.改善情感體驗：緩解大規模疫情時期在線學習情緒問題的良方[J].中國電化教育，2020，（5）：22-26、79.

[3]余勝泉，熊莎莎.基于大模型增強的通用人工智能教師架構[J].開放教育研究，2024，（1）：33-43.

[4]武法提，楊重陽，李坦.智慧學習環境中的人機協同設計[J].電化教育研究，2024，（2）：84-90.

[5]黃榮懷，劉德建，阿罕默德·提利利，等.人機協同教學：基于虛擬化身、數字孿生和教育機器人場景的路徑設計[J].開放教育研究，2023，（6）：4-14.

[6]翟雪松，季爽，焦麗珍，等.基于多智能體的人機協同解決復雜學習問題實證研究[J].開放教育研究，2024，（3）：63-73.

[7][30]Viswanathan N， Meacham S， Adedoyin F F. Enhancement of online education system by using a multi-agent approach[J]. Computers and Education： Artificial Intelligence， 2022，3：100057.

[8]Amane M， Aissaoui K， Berrada M. A multi-agent and content-based course recommender system for university e-learning platforms[A]. International Conference on Digital Technologies and Applications[C]. Cham： Springer International Publishing， 2021：663-672.

[9]Amirkhani A， Barshooi A H. Consensus in multi-agent systems： A review[J]. Artificial Intelligence Review， 2022，（5）：3897-3935.

[10]Chen Y， Ding N， Zheng H T， et al. Empowering private tutoring by chaining large language models[A]. The 33rd ACM International Conference on Information and Knowledge Management[C]. New York， NY， United States： Association for Computing Machinery， 2024：354-364.

[11]Garrison D R， Zehra Akyol. The Community of Inquiry Th eoretical Framework[A]. Handbook of distance education[C]. UK： Routledge， 2013：104-120.

[12]Jennings N R， Sycara K， Wooldridge M. A roadmap of agent research and development[J]. Autonomous Agents and Multi-agent Systems， 1998，1：7-38.

[13]Graesser A C， Hu X， Nye B D， et al. ElectronixTutor： An intelligent tutoring system with multiple learning resources for electronics[J]. International Journal of STEM Education， 2018，（1）：15.

[14]Jing X， Tang J. Guess you like： Course recommendation in MOOCs[A]. Proceedings of the International Conference on Web Intelligence[C]. New York， NY， United States： Association for Computing Machinery， 2017：783-789.

[15]Piech C， Spencer J， Huang J ，et al. Deep Knowledge Tracing[J]. Computer Science， 2015， （3）：19-23.

[16]Gago I， Wernec V， Costa R. Modeling an educational multi-agent system in MaSE[A]. Active Media Technology[C]. Berlin， Heidelberg： Springer， 2009：335-346.

[17]Ivanovi? M， Mitrovi? D， Budimac Z， et al. HAPA： Harvester and pedagogical agents in e-learning environments[J]. International Journal of Computers Communications amp; Control， 2015，（2）：200-210.

[18]Panait L， Luke S. Cooperative multi-agent learning： The state of the art[J]. Autonomous Agents and Multi-agent Systems， 2005，11：387-434.

[19]朱永海，劉慧，李云文，等.智能教育時代下人機協同智能層級結構及教師職業形態新圖景[J].電化教育研究，2019，（1）：104-112、120.

[20]蔣鑫，朱紅艷，洪明.美國“教育中的人工智能”研究：回溯與評析[J].中國遠程教育，2020，（2）：9-20、48.

[21]Wei J， Wang X， Schuurmans D， et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in Neural Information Processing Systems， 2022，35：24824-24837.

[22]Chen Q， Wei L， Hongzhang L， et al. ChatDev： Communicative agents for software development[A]. Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics[C]. Bangkok， Thailand： Association for Computational Linguistics， 2024：15174-15186.

[23]Garrison D R， Anderson T， Archer W. Critical inquiry in a text-based environment： Computer conferencing in higher education[J]. The Internet and Higher Education， 1999，（2-3）：87-105.

[24]Garrison D R， Anderson T， Archer W. The first decade of the community of inquiry framework： A retrospective[J]. The Internet and Higher Education， 2010，（1-2）：5-9.

[25]Moore M G. Editorial： Three types of interaction[J]. American Journal of Distance Education， 1989，（2）：1-7.

[26]Bozkurt A， Sharma R C. Challenging the status quo and exploring the new boundaries in the age of algorithms： Reimagining the role of generative AI in distance education and online learning[J]. Asian Journal of Distance Education， 2023，（21）：1-8.

[27]Garrison D R. E-learning in the 21st century： A community of inquiry framework for research and practice （3rd ed.）[M]. New York： Routledge， 2016：45-70.

[28]Richardson J C， Ice P. Investigating students’ level of critical thinking across instructional strategies in online discussions[J]. The Internet and Higher Education， 2010，（1-2）：52-59.

[29]Stein D S， Wanstreet C E， Slagle P， et al. From “hello” to higher-order thinking： The effect of coaching and feedback on online chats[J]. The Internet and Higher Education， 2013，16：78-84.

[31]Hong S， Zhuge M， Chen J， et al. MetaGPT： Meta programming for a multi-agent collaborative framework[OL]. lt;https：//openreview.net/forum？id=VtmBAGCN7ogt;

Constructing High-presence Online Learning Environment via Multi-Agent Collaborative Interaction

YU Ji-Fan¹"" "LI Rui-Miao²"" "LI Man-Li¹""" LIU Hui-Qin^{1[Corresponding Author]}

（1. Institute of Education， Tsinghua University， Beijing， China 100084; 2. Research Institute for International and Comparative Education， Shanghai Normal University， Shanghai， China 200234）

Abstract： At present， although generative artificial intelligence provides a possibility for constructing online learning environment that facilitates collaborative interactions among multiple agents， the existing environment construction still faces challenges such as insufficient social presence， lack of cognitive presence， and weak teaching presence. Therefore， this paper analyzed the logical framework of multi-agent collaboration in enhancing the presence in online learning. Meanwhile， it was emphasized in this paper that a positive emotional atmosphere and an inclusive discussion environment should be created through real-time online interactions between multiple agents and humans to enhance social presence， students’ personalized needs should be excavated and teaching strategies should be adaptively adjusted to strengthen teaching presence; and students’ higher-order thinking development should be monitored and assessed in real time using discussions and probing questions to enhance cognitive presence. Based on this， the paper designed a basic paradigm of multi-agent collaboration in online learning environment， constructed an agent platform using large models to develop three types of educational agents： dialogic， analytical， and decision-making. Taking the agent workflow of controlling language as the lead， an interactive classroom system that integrated pre-class preparation， in-class interactions， and post-class assessments within a “human-in-the-loop” framework. Finally， the working/studying modes of teachers and students in multi-agent environment were analyzed， expecting to provide reference for technology-enabled education in the era of multi-agents.

Keywords： online learning environment; multi-agent; community of inquiry theory; presence; large language model

*基金項目：本文為國家自然科學基金面上項目“數智時代真實學習情境下高階思維能力的形成機理及評價研究”（項目編號：62277034）的階段性研究成果。

作者簡介：于濟凡，助理研究員，博士，研究方向為教育人工智能，郵箱為yujifan@tsinghua.edu.cn。

編輯：小時