請求言語的扎根分析:ChatGPT支持的對話式學習

[摘" "要] 生成式人工智能ChatGPT在教育領域蘊藏著巨大潛力，如何合理有效應用ChatGPT以支持學習卻充滿挑戰。學生與ChatGPT交互以“對話式學習”模式展開，學生“請求言語”是對話的“驅動器”，為解開其所內含的學生思維活動“黑箱”，回答“學什么”與“怎么學”的核心問題，文章借助扎根理論與內容分析法，從“請求言語內容”“請求言語類型”“請求言語層次”三個維度構建了ChatGPT支持的對話式學習請求言語分析框架。結果表明：請求言語內容有知識、分析、成果、編輯、評價和思維六種；請求言語類型可分為提問、指令與反饋；請求言語層次有初次請求、重復請求與追加請求。文章運用編碼矩陣分析了三個維度的潛在聯系，進而揭示出三個維度之間相互交叉影響的復雜特征，為深入分析和有效引導學生與ChatGPT開展的對話式學習提供了更具針對性的理論參考與實踐指引。

[關鍵詞] ChatGPT； 對話式學習； 請求言語； 扎根理論； 思維活動

[中圖分類號] G434" " " " " " [文獻標志碼] A

[作者簡介] 張壘（1998—），男，貴州畢節人。碩士研究生，主要從事人工智能教育、教育數據挖掘研究。E-mail：zhangleiofc@163.com。黃琰為通信作者，E-mail：hyan2016@163.com。

一、問題的提出

當前，ChatGPT在實際教學情境下的應用面臨巨大挑戰，學生在ChatGPT支持下“學什么”與“如何學”這兩個根本問題亟待解決[1-2]。ChatGPT作為一種外化人類器官與能力的人造工具[3]，究竟具備怎樣的能力，能夠提供什么內容？目前學界眾說紛紜，提出了ChatGPT各種角色與應用場景，但尚未形成針對學習情景下的一般性認識；學生如何與ChatGPT互動促進自身思維與能力發展，以發揮其正向價值的有效策略仍較少。

學生與ChatGPT的交互以對話進行，使學習方式向“對話式學習”轉變[4-6]。這種對話以學生的“請求言語”和ChatGPT的“響應言語”構成，請求言語直接反映了學生在與ChatGPT對話時的學習需求與內在思維活動，學生需要先明確學習需求，進行言語構思后向ChatGPT發起請求以獲取響應，從而實現交替對話。可以說，學生請求言語是對話式學習的起點，也決定了ChatGPT的響應內容與邏輯。因此，分析學生請求言語并挖掘其特征，能夠發現學生需求側和ChatGPT供給側的平衡點與其思維活動，進而幫助教師在教育實踐中采取更為有效的策略，指導學生合理應用ChatGPT支持自身學習。國內少數研究通過理論推理提出ChatGPT應用于教育領域的理論構想，對實踐的指導性還需進一步檢驗。本研究基于扎根理論，深入分析學生與ChatGPT的實際對話言語，探索學生請求言語特征并生成理論，將為分析學生在ChatGPT支持下的學習思維活動提供由下至上的獨特視角，豐富生成式人工智能賦能教育領域研究理論，對推動我國教育智能化與現代化有著積極意義。

二、研究綜述

（一）ChatGPT支持的對話式學習

對話式學習（教學）之精髓，深植于一種教育哲學之中，是對“主客二元對立說”和控制取向的根本打破[7]。與人類“長者”不同，ChatGPT博學多識，無論學生如何追問，永不“罷工”，ChatGPT也不會試圖“控制”學生，而是適應每位學生的個性，并在與學生的對話中不斷得到訓練提升，這與對話式學習的根本理念不謀而合。

ChatGPT作為一種基于Transformer模型的生成式人工智能，可以接受學生輸出的非結構化內容，再基于“概率”和“反饋”原理生成文本輸出響應學生[8]。這一過程實際上就是學生發出“請求言語”，ChatGPT通過編碼組件、解碼組件與生成式預訓練轉換器模型生成“回應言語”的過程[9-10]。而且自注意力機制會同時關注“輸入文本”與“輸出文本”及其關系，使得ChatGPT具備了優秀的文本生成能力[11]。戴嶺等探討了ChatGPT支持下對話式學習的理念原則、提問策略、問題設計、對話類型與對話流程五個方面的內容，并構建了基于ChatGPT的智慧問學模式[5]；董艷等基于人機協同、技術特征與倫理道德三方面構建了ChatGPT賦能學生學習的具體路徑[12]；趙曉偉等構建了促進高意識學習的教育提示語螺旋模型[13]和基于CORE框架的進階提示語類型[14]。但這些研究主要通過理論推理的方式產生理論，是一種由上至下的視角，缺乏實際經驗基礎。扎根理論是一種在實際情境中，通過不斷的“理論抽樣”與“理論比較”，系統地收集和分析數據，再根據規范化編碼程序生成理論的研究方法[15]。其所生成理論與實踐緊密相關，具有較強實踐指導性。因此，關注學生與ChatGPT的對話言語，聚焦學生的請求言語，從實際對話材料中揭示請求言語特征，有助于探究學生與ChatGPT對話式學習機制與學生思維活動。

（二）請求言語

“言語對話”是對話式學習的核心表現形式[6]。學生請求言語掌握著與ChatGPT對話的主題、過程與路徑，直接決定著對話式學習成效。本研究將“請求言語”定義為學生與ChatGPT互動開展對話式學習時的行為，包括文本輸入、文檔上傳、圖片上傳等。研究課堂話語，可深入挖掘由語言相互作用而形成的教學狀態、課堂教學的話語結構、師生社會關系、制度狀態及學校文化等多維度要素[16]。依循此理，對學生請求言語進行細致剖析，能夠洞察學生與ChatGPT的對話言語特征、實際學習需求與狀態、內在思維活動以及人機協同互動的內在機制。本研究在對話廣度與深度上進行探索，從請求言語內容、請求言語類型與請求言語層次三個維度分析。

請求言語內容是連接學生學習需求與ChatGPT所能提供的學習支持的橋梁。學界對ChatGPT在教育領域的角色與功能展開了積極討論[12，17-18]，大都針對不同應用情境而言，目前尚未形成統一認識，更未能深入聚焦到學生學習情景中。生成式人工智能要真正助推有意義的學習發生，必然需要對ChatGPT能夠生成何種內容進行思考[1]，形成具有普遍指導意義的一般性認識。同時，學生的請求言語對ChatGPT的響應內容起著決定性作用。因此，針對請求言語內容的系統性分析顯得極其重要且必要。

請求言語類型能體現出學生在ChatGPT支持下學習的思維形式。塞爾認為“語行行為”是“言語行為理論”的理論核心，因為說話者完成的各種言語行為中最重要的是陳述、提問、命令等語行行為[19]。語行行為強調的是帶有說話者意圖的行為。學生向ChatGPT發出請求時，必然帶有特定的意圖，不同的意圖反映出學生不同的思維活動。因此，分析學生與ChatGPT對話時存在哪些重要的語行行為，即請求言語類型，能夠提高對學生在ChatGPT支持下學習時思維活動認識的全面性與深刻性。

請求言語層次是學生在ChatGPT支持下學習的思維參與和深度的反映。在人機之間的對話式反饋的過程中，不同的請求言語層次反映著學生思維的不同深度。深層次的對話能激發學習者的主體性潛能，幫助學習者實現更高層次的認知與理解[20]，學生的請求言語層次又是推動雙邊思維不斷深入的催化劑，挖掘請求言語層次的深度，探索學生思維活動，對衡量對話式學習的成效有著重要研究意義。

綜上所述，本研究借助扎根理論方法，以內容分析法為輔，從由下至上的視角，對實際教學情景下引入ChatGPT所產生的人機對話記錄中學生的“請求言語”進行分析，嘗試從“請求言語內容”“請求言語類型”與“請求言語層次”三個維度構建ChatGPT支持的對話式學習請求言語分析框架，旨在厘清學生與ChatGPT對話機制，揭示言語特征，挖掘學生對話學習需求與內在思維活動，為ChatGPT在教育領域中的合理應用提供一定啟示。

三、研究設計

（一）研究方法

本文將扎根理論與內容分析法相結合，參照吳毅等總結的扎根理論邏輯流程[21]，研究流程包含四個階段：問題分析、數據收集、請求言語內容扎根編碼、系統化實質理論構建，如圖1所示。

（二）研究工具

數據編碼借助Nvivo11完成，編碼完成后通過“編碼矩陣”功能來建立不同維度節點與節點之間的量化關聯矩陣，這為研究提供了分析三個維度之間潛在聯系的新視角，為理論生成提供了客觀證據支持，在一定程度上削弱了生成理論的主觀性。

（三）數據來源

根據前期分析，材料收集工作在中國X高校教育技術學專業課堂中展開，為保證理論抽樣的豐富性，在該課堂中采用了項目式教學模式。學生需要借助ChatGPT（Sider.AI、Kimi.AI、文心一言等），完成需求調研、方案設計、課程開發、教學設計以及教學實踐等一系列富有挑戰性的任務。在三個項目階段收集了56份學生對話記錄表，共計984條請求數據。經篩選，去除58條無效數據，最終保留926條有效數據。

四、程序化扎根研究過程

研究的扎根過程秉持“發現”的同時帶有“建構”的思想，對數據深度“解釋”而非簡單“描述”。兩名研究者采用背對背編碼方式，參考Nvivo官方的Kappa值參考標準，編碼一致性良好（Kappa值為0.70gt;0.40）。此外，考慮到理論完整性，研究中盡可能保留了富有意義的標簽與概念。

（一）開放性編碼

在開放性編碼階段，逐句分析學生與ChatGPT的對話材料，針對請求言語內容進行“行為編碼”而非“主題編碼”。例如，針對“教學方法有哪些”，分析后提取標簽為“教育領域知識”，參考安德森對知識的分類[22]，教育領域知識屬于抽象概括的知識，進一步向上歸納為“概念性知識”。最終得到了標簽共72條（A1-A72），歸納形成18個概念。部分原始語句提取為標簽的示例，見表1。

（二）主軸編碼

主軸編碼是將類別與其子類別聯系起來的過程[23]。研究對所得概念進行進一步抽象與歸納，最終形成六個主范疇，給出了定義并根據四個屬性說明了各范疇的特征，見表2。請求言語語境完整度：請求時是否給出非常明確、詳細的語境描述任務；請求言語關注點：請求更關注獲取一個具體的結果或答案，還是實現某個結果的過程；是否提供輸入材料：請求時是否提供了事先準備的具體、個性化的材料作為對話的起點；是否改動輸入材料：響應內容是否對所提供的輸入材料進行修改。從屬性上分析，不同范疇之間也存在著一定聯系，并且當某屬性變化時有可能變換為其他范疇。

（三）選擇編碼

通過對六個主范疇進行深入分析，兩名研究者一致認為知識范疇應當被賦予核心地位。因為其編碼數量最多，并與其他范疇存在相互關聯，也是對話式學習的核心內容。進一步整合抽象，確定核心范疇為ChatGPT支持的六類內容。最終形成請求言語內容的扎根編碼表，見表3。

（四）效度檢驗

理論飽和是指新增加的樣本不能再發展新的概念和范疇[24]，研究隨機保留了一組對話材料，并另外收集了其他情景下的對話記錄，共同作為理論飽和度檢驗的材料。兩份材料共123條請求數據，對285個參考點編碼得到68個節點，未出現新的概念和范疇，因此判斷ChatGPT支持的對話式學習請求言語內容實質理論已得到充分挖掘。

五、ChatGPT支持的對話式學習請求言語分析框架

根據分析結果，研究構建了由請求言語內容、請求言語類型與請求言語層次三個核心部分構成的ChatGPT支持的對話式學習請求言語分析框架，如圖2所示。所生成的理論符合格拉澤所提出的扎根理論的四大評判標準，適用性、可行性、相關性與可調整性[23]。

（一）請求言語內容

ChatGPT支持的對話式學習的請求言語內容主要涵蓋知識、成果、分析、編輯、評價與思維六大范疇。在生成式人工智能背景下，教育目標和學生學習任務已從對一般性原理知識的記憶與淺層理解上升為對綜合性知識的應用與創新[1]，這就必須推動學生與ChatGPT進行對話式學習時發揮其高階思維能力，這是一種較高認知水平層次上的心智活動[25]，要求學生具備較高的認知水平和參與度。因此，研究從思維層次與思維參與度兩方面進一步討論六個范疇的關系。

基于布魯姆認知目標分類學，將六個范疇與認知目標層次進行對應，又根據安德森對認知目標層次的分類[22]，六個范疇中編輯、成果、知識屬于低階思維層，思維、評價、分析屬于高階思維層，但同一范疇可能對應不同層次。從思維參與度角度分析，參照Chi M等所提出四種學習參與模式：“消極接受”“積極參與”“建設性生成”“互動對話”[26]。學生在請求知識、編輯與成果這三類內容時，通常處于“積極參與”模式。此模式下，學生往往機械性地記筆記或是復制內容，思維層次較低。相對而言，在請求思維、分析、與評價時，學生的認知參與處于“建設性生成”或“互動對話”模式。這兩種模式下，學生不僅將ChatGPT的回應進行內化或是生成新的想法，還會與ChatGPT進一步進行辯論、探究，展現出較高的思維參與。綜上所述，研究對請求言語內容的實質理論進一步分析，厘清了六個范疇的層次關系，如圖2所示。

此外，數據顯示，知識、成果、分析是學生請求數量較多的三類請求內容。相比之下，編輯、評價、思維三個范疇請求數量則較少，這也反映出學生應用ChatGPT進行對話學習的能力有待提升，應充分發揮ChatGPT潛能，提升學生高水平思維活動和探究活動的效率[27]。

（二）請求言語類型

初步分析對話材料，識別出四種請求言語類型：請求、提問、反饋與指令。經過研究團隊深入討論與商議，一致認為請求一般是作為提問或指令的一種表現形式，因此可以將其歸納為提問或指令，最終確定了請求言語類型的三種類型：提問、反饋和指令。編碼一致性優秀（Kappa值為0.81gt;0.75）。提問是指向ChatGPT提出疑問、問題；指令是指向ChatGPT發出指示、命令；反饋是指針對ChatGPT的回應提出質疑、指出問題。

對話式教學分為四種：狹義上的作為對話的對話、作為詢問的對話、作為辯論的對話與作為指導的對話[28]。提問對應作為詢問的對話；提問和反饋相結合形成辯論的對話；指令、反饋對應作為指導的對話，體現出學生對ChatGPT的指導。多數研究重在討論學生向ChatGPT發起的提問言語，但研究結果表示，在ChatGPT支持的對話式學習中，學生的請求言語類型不僅僅是提問，還包括了指令與反饋。此外，這三種類型也符合塞爾提出的三類語行行為[19]，能夠較為全面地涵蓋學生與ChatGPT對話的請求言語類型。

編碼數據顯示，學生對ChatGPT的請求中，提問最為頻繁，其次是指令，反饋則相對較少。相較而言，反饋是學生針對ChatGPT的響應的再請求，所體現出的批判性思維能力與深度思考能力更強。

（三）請求言語層次

從縱向深入分析，對話層次很大程度上反映出學生的思維連續性與深度，也體現出ChatGPT連續深入對話的強大能力。通過分析材料，可歸納概括成三個請求言語層次：初次請求、重復請求與追加請求。編碼一致性優秀（Kappa值為0.77gt;0.75）。初次請求是指針對某個主題初次向ChatGPT發出請求言語；重復請求是指兩次請求言語所表達的主題與含義基本一致，可能存在思維固著問題；追加請求是指請求與上一次請求的主題存在關聯或遞進關系，一般表示思維的不斷深入或拓展。

在數量分布上，初次請求數量最多，追加請求數量與之相近，重復請求數量最少。反映出學生在初次向ChatGPT發出請求后一般會進行追問或者進一步發出指令。但理想情況下，初次請求與追加請求之間應當呈現1∶n的數量關系，以體現出學生的思維連續性與探究式學習行為。因此，學生與ChatGPT對話進行探究式學習的能力還需進一步提高。

（四）請求言語內容、類型與層次的潛在聯系

為進一步挖掘請求言語各維度的潛在聯系，研究創新性利用Nvivo11的編碼矩陣功能，將三個維度中的編碼節點相互關聯，生成請求言語內容的六個范疇、三種請求言語類型、三個請求言語層次相互之間的量化關聯矩陣，如圖3所示。綜合分析請求言語內容、類型與層次相互潛在聯系，進一步豐富了ChatGPT支持的對話式學習請求言語分析框架。

從請求言語內容與請求言語類型的交叉關系中發現，請求言語內容對請求言語類型起著指導性與決定性作用。針對不同的內容，學生所采取的請求言語類型具有特定規律與特征。學生在請求評價、成果與編輯時，指令占比最高。而在知識、思維與分析方面，提問占比最高。需要注意的是，反饋的請求在針對成果時出現最多，可能是響應與學生要求不符，學生需要通過不斷的反饋來調整ChatGPT的響應。

請求言語內容與請求言語層次交叉關系方面，請求言語內容對請求言語層次有一定影響。在知識與分析上，初次言語請求最多，追加言語請求其次，重復言語請求最少，數量關系呈現“凹”字形。在評價、成果和編輯范疇，初次言語請求多于重復言語請求多于追加言語請求。特別是在思維范疇，追加請求比其他兩種行為都高。說明在學生請求思維時更容易對問題進行深入探究。

請求言語類型與請求言語層次交叉關系顯示，請求言語類型與層次之間相互影響。當學生在進行提問的時候，初次請求和追加請求兩種層次最為頻繁，重復請求次數最少。特別是在提問情況下的追加請求數量遠高于指令請求。這同樣驗證了學生在提問時的思維更容易深入和連續，從而產生更多的探究行為。如同劉清堂等所認為的，問題生成有助于觸發深層次認知，客觀反映學習者的認知水平及高階學習能力[29]。

綜上所述，當請求言語類型為提問，請求言語內容為知識、分析或思維時，發生追加請求的可能性較大，學生更容易發揮高階思維能力，產生探究式對話學習行為。學生向ChatGPT發出指令時更容易重復請求，目的往往是讓ChatGPT生成成果或是輔助學生自我評價。

六、研究總結

（一）價值與啟示

本文借助扎根理論方法與內容分析法構建了ChatGPT支持的對話式學習請求言語分析框架，發現學生與ChatGPT對話的請求言語內容包含六類：知識、成果、分析、編輯、評價、思維。其中，思維、分析與評價的思維層次較高。學生一般用提問、指令與反饋三種方式向ChatGPT發出請求；在對話過程中對話層次可以分為初次請求、重復請求與追加請求。研究還分別討論了各個范疇的頻率問題，并挖掘了三個維度之間潛在的相互聯系。同時，從由下至上的視角出發，為在教學實踐中合理有效運用ChatGPT提供理論參考與實踐指導，豐富了人工智能教育領域研究理論，對推動我國教育信息化、智能化與現代化發展有積極意義。

雖然工具天然具有提高效率的效用，但在教育領域這一特殊且復雜的背景中，更需深思其對學生學習過程和學生能力提升的深遠影響。而該框架能夠為教學實踐提供一定啟示：（1）分析對話言語。教師可以根據該框架對對話過程進行分析，解開學生與ChatGPT對話式學習時的思維黑盒，防止“內容預制菜”引發智力活動惰化[26]。此外，請求言語一定程度上也反映出學生的認知水平、思維層次與學習風格等，有利于為學生設計個性化的學習路徑，也能夠為教學評價提供獨特視角。（2）預測與引導思維活動。框架中三個維度之間相互存在關系，可以對學生請求言語進行預測，并通過教學干預改變請求內容、類型或層次引導學生開展高思維參與的對話。促進學生合理運用ChatGPT并充分發揮其對于學習支持的潛能。（3）設計教學策略。教師可以針對不同的學習任務靈活設計教學策略。例如，在探究性學習任務中，引導學生指示ChatGPT進行反向提問，發揮ChatGPT支持主體認知和探究的內容“增壓器”作用[26]；而學習知識概念時，教師不僅要引導學生進行提問，還應強調追問ChatGPT響應的“思維”，即探究其“為何如此”，做到“知其然，知其所以然”。此外，教師還可以針對不同的教學環節引導學生使用不同的請求言語，例如，在課程總結階段，鼓勵學生積極運用ChatGPT的分析與評價功能，及時獲取學習反饋，準確把握自身學習進度和水平。

（二）不足與展望

研究嚴格遵循研究規范，但仍存在一定局限性。例如數據樣本量較小，理論生成存在主觀性。本次研究的材料主要源于在高校項目式課堂情景，該理論的普適性、對其他學科和場景的實用性有待進一步驗證。未來ChatGPT支持的學習行為將滲透到各行各業，后續研究可以進一步在不同專業、領域各個維度進行理論抽樣與理論比較豐富理論，形成一般性的形式理論。通過扎根理論方法生成理論始終受到研究者自身認知與能力的影響，其他研究者也可以根據自身獨特的認知水平、理論敏感性、批判性思維能力不斷修正與擴展該理論。

[參考文獻]

[1] 吳慮，楊磊. ChatGPT賦能學習何以可能[J]. 電化教育研究，2023，44（12）：28-34.

[2] DAI Y， LIU A， LIM C P. Reconceptualizing ChatGPT and generative AI as a student-driven innovation in higher education[J]. Procedia CIRP，2023，119：84-90.

[3] 陳寶生. ChatGPT：教育的未來和未來的教育[J]. 人民教育，2023（Z3）：6-13.

[4] 陳凱泉，胡曉松，韓小利，等. 對話式通用人工智能教育應用的機理、場景、挑戰與對策[J]. 遠程教育雜志，2023，41（3）：21-41.

[5] 戴嶺，趙曉偉，祝智庭. 智慧問學：基于ChatGPT的對話式學習新模式[J]. 開放教育研究，2023，29（6）：42-51，111.

[6] 焦建利. ChatGPT助推學校教育數字化轉型——人工智能時代學什么與怎么教[J]. 中國遠程教育，2023，43（4）：16-23.

[7] 張華. 對話教學：涵義與價值[J]. 全球教育展望，2008（6）：7-16.

[8] 周洪宇，常順利. 生成式人工智能嵌入高等教育的未來圖景、潛在風險及其治理[J]. 現代教育管理，2023（11）：1-12.

[9] VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems December 04-09， 2017， Long Beach， California. Red Hook， NY： Curran Associates，2017：6000-6010.

[10] WU T， HE S， LIU J， et al. A brief overview of chatGPT： the history， status quo and potential future development[J]. IEEE/CAA journal of automatica sinica，2023，10：1122-1136.

[11] 沈書生，祝智庭. ChatGPT類產品：內在機制及其對學習評價的影響[J]. 中國遠程教育，2023，43（4）：8-15.

[12] 董艷，夏亮亮，李心怡，等. ChatGPT賦能學生學習的路徑探析[J]. 電化教育研究，2023，44（12）：14-20，34.

[13] 趙曉偉，祝智庭，沈書生. 教育提示語工程：構建數智時代的認識論新話語[J]. 中國遠程教育， 2023，43（11）： 22-31.

[14] 趙曉偉，戴嶺，沈書生，等. 促進高意識學習的教育提示語設計[J].開放教育研究，2024，30（1）：44-54.

[15] STRAUSS A L， CORBIN J M. Basics of qualitative research： techniques and procedures for developing grounded theory[J]. Journal of aadvanced nursing，2000，32： 1036-1036.

[16] 張光陸. 探究式交談對學生深度學習的影響：基于課堂話語分析[J]. 全球教育展望，2021，50（5）：3-14.

[17] ALQAHTANI T， BADRELDIN H A， ALRASHED M， et al. The emergent role of artificial intelligence， natural learning processing， and large language models in higher education and research[J]. Research in social and administrative pharmacy，2023，19（8）：1236-1242.

[18] 荀淵. ChatGPT/生成式人工智能與高等教育的價值和使命[J]. 華東師范大學學報（教育科學版）， 2023，41（7）： 56-63.

[19] 高文彬. 邏輯語用學探析[J]. 萍鄉高等專科學校學報，2013，30（2）：56-59.

[20] 黃碧珠，江定濤. 生成式人工智能嵌入行業產教融合共同體建設：邏輯機理、實踐進路與發展向度[J]. 教育與職業，2024（10）：39-44.

[21] 吳毅，吳剛，馬頌歌. 扎根理論的起源、流派與應用方法述評——基于工作場所學習的案例分析[J]. 遠程教育雜志，2016，35（3）：32-41.

[22] ANDERSON L W， KRATHWOHL D R. A taxonomy for learning， teaching， and assessing： a revision of Bloom's taxonomy of educational objectives： complete edition[M]. Harlow： Addison Wesley Longman， 2001.

[23] GLASER B G. Doing grounded theory： issues and discussions[M]. Mill Valley， California： Sociology Press， 1998.

[24] 陳向明. 質的研究方法與社會科學研究[M]. 北京：教育科學出版社，2000.

[25] 段茂君，鄭鴻穎. 基于深度學習的高階思維培養模型研究[J]. 現代教育技術，2021，31（3）：5-11.

[26] CHI M，WYLIE R. The ICAP Framework： linking cognitive engagement to active learning outcomes[J]. Educational psychologist，2014，49（4）： 219-243.

[27] 苗逢春. 生成式人工智能技術原理及其教育適用性考證[J]. 現代教育技術，2023，33（11）：5-18.

[28] BURBULES N C. Dialogue in teaching： theory and practice[J]. Journal of curriculum studies，2000，32（6）：878-881.

[29] 劉清堂，常瑀倍，吳林靜，等. 課前學習支架促進學生問題生成與認知水平提升[J]. 電化教育研究，2023，44（7）：59-66.

Grounded Analysis of Request Speech： Dialogue-based Learning Supported by ChatGPT

ZHANG Lei，" HUANG Yan，" YU Annan

（Institute of Education， Guizhou Normal University， Guiyang Guizhou 550025）

[Abstract] ChatGPT， a generative artificial intelligence， has great potential in the field of education， but how to apply ChatGPT reasonably and effectively to support learning is full of challenges. The interaction between students and ChatGPT is carried out in the mode of 'dialogue-based learning'， where students' \"request speech\" is the \"driver\" of the dialogue. In order to unlock the \"black box\" of" students' thinking activities it contains and answer the core questions of \"what to learn\" and \"how to learn\"， this paper， with the help of grounded theory and content analysis method， constructs a dialogue-based learning request speech analysis framework supported by ChatGPT from three dimensions of \"request speech content\"， \"request speech type\" and \"request speech level\". The results show that there are six types of request speech content： knowledge， analysis， outcome， editing， evaluation and thinking. The types of request speech can be classified as question， instruction and feedback; and the request speech level include initial request， repeated request and additional request. This paper uses the coding matrix to analyze the potential connection of the three dimensions， and then reveals the complex characteristics of the three dimensions that cross-influence each other， which provides a more targeted theoretical reference and practical guidance for in-depth analysis and effective guidance of students' dialogue-based learning with ChatGPT.

[Keywords] ChatGPT; Dialogue-based Learning; Request Speech; Grounded Theory; Thinking Activities

基金項目：貴州省 2023 年度哲學社會科學規劃課題“多模態視域下鄉村教師數字素養現狀調查與進階測評研究”（課題編號：23GZYB119）