摘 要：不同的教育研究范式，本质上体现了不同的认识论立场与知识生产逻辑。长期以来，占主导地位的解释性研究范式追求确定性因果分析与普遍规律，其有效性建立在教育系统稳定、变量可控、研究结论普适之上。然而，这种范式在人工智能时代遭遇知识稳定性的弱化、情境构成性作用的凸显、系统复杂性的增强等挑战，传统基于线性因果归因的解释逻辑已难以充分理解生成性的教育过程。同时，人工智能增强了教育研究对过程性数据的捕获与复杂现象的可视化能力，使原本难以呈现的互动关系与默会维度得以部分揭示，进而加速了教育研究由结果解释走向过程揭示，并为揭示性研究范式出场提供了现实条件。揭示性研究范式强调关系性理解、实践智慧与情境观照，不是简单否定解释性研究范式，而是对其补充与拓展。未来，教育研究还需应对方法论严谨性、研究伦理的复杂化、知识生产与传播的体系重构以及人机协同研究中的新分工等挑战，推动形成兼具技术理性与人文关怀的教育研究生态。

关键词：人工智能；教育研究；解释性范式；揭示性范式；人机协同

一、引言

教育研究认识论是教育研究的哲学基础，它关乎教育知识生产的目的与合法性，影响着研究者如何看待教育世界、提炼问题与解读数据。不同的研究范式，本质上体现了不同的认识论立场与知识生产逻辑。长期以来，以因果解释、规律发现和经验可推广为导向的解释性研究范式，在推动教育理论发展和解决一般性教育问题方面发挥了重要作用。然而，在新的时代背景下，该范式正面临新的挑战。一方面，教育强国建设要求教育研究立足中国实践，深入揭示教育改革发展的现实逻辑与本土经验；另一方面，人工智能时代教育活动的动态性、情境性与复杂性，使传统基于稳定系统的研究逻辑受到冲击。人工智能促使教育研究从关注线性因果链条转向理解动态演化系统，基于教育数据揭示教育运行规律成为教育研究的新需求。传统解释性研究范式面临日益突出的解释力危机，教育研究亟须重新审视其认识论基础。从解释走向揭示，意味着从追求确定性的因果归因转向关注教育现象的复杂性、过程性与生成性，从研究者的权威阐释转向多元行动者的意义共建，更加重视对教育情境、实践过程与主体经验的深度呈现。这一研究转向正成为教育研究回应时代变革的重要课题。

二、时代叩问：人工智能时代教育研究的解释困境

人工智能的深度介入正在重塑教育学知识的生产、传播与评价，不仅体现为研究工具与研究场景的更新，更深层次地动摇了传统教育研究关于知识生成、因果解释与研究有效性的基本预设，对教育研究的认识论基础构成了挑战。传统以因果解释为核心的研究范式在知识快速迭代、情境复杂多变、人机协同共生的时代遭遇解释力困境。

（一）传统研究范式的理论预设与时代脱节

传统解释性范式强调通过控制变量、确立因果链条，以发现具有普遍性、确定性和可预测性的教育规律。然而，人工智能深度嵌入教育之后，教育实践呈现开放、复杂与动态生成的特征，传统研究依赖的若干基本预设正在受到挑战。

一是教育系统由封闭走向开放。传统研究通常将教育视为具有稳定结构与清晰边界的系统。但在人工智能驱动的知识社会中，学校、家庭、社会与网络空间加速融合，教育活动呈现跨场域、去中心化、网络化的特征。稳定性预设所依赖的封闭系统假设已不复存在。面对新的教育情境，既有的理论也往往具有有限的解释力，并且有可能出错。

二是变量可控的还原论预设遭遇系统性失效。解释性范式试图通过控制变量、隔离干扰来建立清晰的因果关系，这在实验室场景中尚可操作，但在技术深度互嵌的教育实践中，变量之间存在非线性关联。脱离真实情境的可控结论，往往难以解释甚至误导复杂现实中的教育发生机制。

三是研究结论普遍适用的预设不断松动。解释性范式执着于提炼超越情境的普遍规律，但人工智能时代教育知识的有效性越来越依赖于其生成的具体情境。知识更新速度的超前化与教育研究评价周期的滞后性形成鲜明反差，研究结论普适性边界收缩。知识生产突破传统学科边界，加速跨学科融合与协同创新。这意味着以“学科中心”为特征的传统学术研究已难以适应人工智能时代的知识生产环境。

（二）人工智能时代解释性范式面临三重挑战

随着数字技术深度融入教育情境，传统教育研究范式面临新的挑战，教育研究亟须通过范式更新回应数字化时代的教育变革。目前，传统解释性范式不仅面临理论前提的动摇，更在实践层面遭遇了三重现实困境。

一是知识稳定性弱化，从线性积累转向动态迭代。传统研究建立在知识相对稳定、可被系统传递与验证的基础之上，致力于解释既有知识体系的教育效果。在机器生产模式下，人类更多借助机器的外在力量，与之协同探索新的人类再生产方式。生成式人工智能虽然不具备真正意义上的自主知识创造能力，其内容生产仍高度依赖人类既有的知识体系与数据语料，但其强大的信息整合和即时生成能力，使教育实践与技术场景快速变化。建立在静态情境基础上的研究结论，往往难以及时回应不断变化的教育现实。

二是教育情境不再是背景变量，而是成为具有压倒性影响的角色。传统解释性范式倾向于将情境视为需要控制的背景变量，但在人工智能时代，技术不再是中立的工具，技术效果越来越依赖具体的教育情境。事物从来不是被孤立地感知，而总是在一个情境中被感知。脱离具体情境的因果解释，容易忽视教育现象发生的真实条件，进而削弱研究结论的实践适用性。

三是教育系统的复杂性超出了线性因果的解释框架。教育本质上是由技术、认知、社会关系、情感等多要素交织的复杂适应系统。人工智能进入教育后，算法与人进行着持续互动与塑造，教育过程呈现非线性与生成性特征。解释性范式提供的“A导致B”的线性归因模型，已难以充分解释教育实践中的多主体互动与动态演化过程，在理解复杂的教育现实方面也存在局限。

三、从困境到转型：揭示性范式的历史性出场

揭示性范式的提出并不意味着对解释性范式的简单否定，而是教育研究对人工智能时代复杂教育现实的主动回应。解释性范式旨在揭示教育规律、分析变量关系和评估教育效果等，仍然具有重要价值。然而，随着教育过程越来越趋向非线性与生成性，单纯依赖解释已难以充分理解复杂的教育现实，而揭示性范式注重呈现教育现象背后的多重关联与隐性逻辑，为实践者提供认知参考。其价值不在于提供标准答案，而在于增强对复杂的教育实践的理解与洞察，从而形成对解释性范式的重要补充与拓展。

（一）人工智能对范式转向的加速催化

与以往教育技术变革不同，人工智能不仅改变了教育实践本身，也正在改变教育研究的对象形态、数据结构、知识生成方式。正是在这一意义上，人工智能不仅是教育研究的“研究背景”，更成为推动教育研究认识论转型的重要力量。在数据驱动的互联网时代，教育研究领域中的数据密集型研究，在认识论上强调数据经验受简单规则约束，需要对数据间的关系进行建模去发现人类尚未认识的基本规律，在方法论上注重收集所需的过程性数据，并找到恰当的方式揭示集体的复杂特征是如何产生的。人工智能技术的发展，使教育研究能够持续获取学习过程中的多模态数据，教育研究对象由静态结果转向动态过程。此外，随着教育活动呈现人机协同特征，教育意义的生成不再仅发生于人与人之间，而是在算法、平台与主体互动过程中动态形成，这也推动研究范式从结果归因走向过程揭示。具体而言，人工智能技术推动解释性范式向揭示性范式的转向，主要体现在以下几个方面：

一是人工智能技术数据捕获能力的革命性提升。多模态学习分析、情感计算、自然语言处理等技术，使研究者能够捕获教学与学习过程中海量、连续、细颗粒度的过程性数据，为深入理解教育情境提供了技术基础。二是人工智能增强了复杂教育现象的可视化呈现。借助技术和软件平台对教学行为进行可量化的观察和数据分析，更有益于反映教学情况，反思教学。基于智慧课堂生成的关于学生学习行为的动态数据，可以满足描述、应用和诊断等分析需求，而且研究者能够清晰地呈现教育互动中的关系结构与动态过程。三是数据处理系统揭示了不可言说的默会维度。传统研究难以捕捉的教师临场应变、学生沉浸体验、人机协同机制等默会知识，如今可通过行为数据、生理信号信息被部分外化与揭示。此外，人工智能大模型的模式关联与内容生成能力，在提供看似合理解释的同时，也暴露了其缺乏真实理解与情境体认的局限。这进一步表明，教育研究不仅需要解释现象之间的关联，更要深入具体教育情境，揭示教育实践发生、演变及意义生成的过程。

（二）揭示性范式的理论根基

1.本体论转向：从实体思维到关系思维

传统的解释性范式将教育视为由固定要素组成的静态结构，追求要素间的线性因果关系。揭示性范式则认为，教育是多元行动者（人类与非人类）在动态互动中形成的关系性过程。尤其在人工智能时代，算法不再只是中立工具，而成为影响教学决策、学习路径与互动方式的重要行动者。教育现象的本质不再是孤立实体的属性，而是在多元主体的持续互动中生成的关系网络与过程事件。

2.认识论转向：从理论优先到实践智慧优先

解释性范式强调抽象理论与标准化知识，试图通过普遍规律指导教育实践。揭示性范式更加重视教育实践中的情境判断与实践智慧。人工智能时代，这种转向更加迫切。面对技术快速迭代与教育情境高度复杂的现实，实践者基于具体情境作出的临场应变与判断，比既有理论框架更能有效回应现实问题。

3.价值论转向：从普适性追求到情境性理解

传统范式追求超越具体情境的普遍规律，试图为所有教育场景提供标准化的解决方案。然而，人工智能时代的教育实践具有显著的情境差异，不同地区、学校与个体在技术的资源条件、使用方式与文化基础上均存在明显差异。若过度依赖统一的数据标准与算法逻辑，反而可能遮蔽教育实践中的地方性经验与主体差异。因此，揭示性范式更重视具体情境中的教育真实，通过呈现教育现象的真实复杂样态，激发多元主体的对话与反思。

（三）揭示性范式的基本特征

基于上述理论根基，揭示性范式呈现出区别于传统解释性范式的鲜明特征。

1.研究立场：从立法者到揭示者

传统研究试图为教育实践提供确定性的答案，扮演立法者的角色。揭示性范式则将自身定位为揭示者与对话者，其核心使命是呈现教育现象的真实复杂性，激发多元主体的理解与反思。研究的重点不再是追求唯一正确的答案，而是通过对教育过程、主体经验与情境互动的呈现，增强对教育现实的理解与反思。

2.方法论路径：从变量控制到情境化过程

揭示性范式重视在真实情境中理解教育现象，而非通过变量控制建立抽象因果关系。在人工智能时代，学习分析、多模态数据采集与自然语言处理等技术，使研究者能够持续记录教学互动、学习轨迹与人机协同过程，原本难以被观察的动态教育过程具备了可追踪与可分析的条件。在具体研究中，强调通过课堂观察、学习轨迹记录、深度访谈、数字民族志等方式，对教育活动展开持续性的过程分析，并结合行为数据与实践经验进行整体理解。其目标是在复杂教育情境中呈现教育如何发生、如何演变以及如何生成意义。

3.知识形态：从确定性结论到生成性理解

揭示性范式所追求的知识形态，不再是确定性的、可推广的结论，而是生成性的、情境嵌入的理解。这种知识具有以下特征：一是过程性，关注教育现象的发生过程而非最终结果；二是情境性，强调知识在特定情境中的有效性；三是对话性，通过多元主体的对话与协商生成理解；四是开放性，承认知识的暂时性与可修正性。

（四）揭示性范式与解释性范式的适用范围与平衡之道

1.两种范式的适用边界

解释性范式在教育干预与验证、政策评估与理论构建中仍具有重要价值。尤其是研究目标聚焦教学策略、技术应用和教育政策的有效性时，解释性范式通过变量分析与因果推断提供相对可靠的证据支持。

相比之下，揭示性范式更适用于复杂教育情境中的探索性研究。智能技术进入教育场域，教育生态呈现动态性、人机协同等特征，单纯依赖行为数据与统计模型，往往难以真正理解教育何以发生。例如，在智能学习平台广泛应用的背景下，教育研究依赖学习分析技术解释学生行为。智能系统虽能记录学生答题的时长、作答节奏、正误聚类等数据，但数据只能呈现“学生做了什么”，却难以揭示“学生为何如此行动”。同样存在低互动表现的学生，可能源于学习倦怠、家庭压力或对平台监控的不适感。解释性范式往往将其简化为单一变量关系，而揭示性范式则强调回到具体教育情境，通过访谈、观察、学习历程追踪等方式，理解数据背后的真实情感体验与行动逻辑。

2.从范式竞争到范式对话

超越非此即彼的范式之争，需要在具体研究实践中构建两者之间动态、互补的对话关系，主要体现在以下两个层面：

（1）在研究设计中实现层级性融合。根据宏观、中观、微观分层设计，灵活运用不同研究范式。在宏观政策评估中，可以解释性范式为主，验证整体效应。在微观机制探究中，则以揭示性范式为主，剖析个体经验与互动过程。而在中观层面，常需采用混合方法设计，既用量化数据检验模式的有效性范围，又用质性资料深入阐释其生效的具体条件与情境，从而形成更完整、更具生态效度的理解。正如有学者指出，课程研究已出现混合设计范式，这正是一种超越单一范式的尝试。

（2）在研究过程中建立迭代循环。教育研究的深化往往遵循“揭示—解释—再揭示”的螺旋式上升过程。在揭示阶段，通过深度质性研究，从复杂实践中识别新现象、提出新问题；在解释阶段，相当于理论的检验和精细化阶段，运用量化或实验方法，对初步假设进行检验与边界勘定，建立可验证的因果推断关系，使发现具有更广泛的解释力；再揭示阶段则重新回到具体情境中，通过更聚焦的质性研究，理解量化结果的深层机制、例外现象的成因，从而催生新的研究问题，开启下一个循环。

四、挑战与未来：发展中的教育研究范式

教育研究范式从解释转向揭示，视角更迭之余，也会在尚未适配新范式的学术生态中直面多重挑战。如何建立适应复杂性研究的严谨标准，如何在呈现教育实践中守护个人权益，如何打破固化的学术生产与评价机制，为多元化的知识产品创造生存与传播空间。这些挑战相互交织，也推动着教育研究重新思考知识生产、学术评价与研究伦理的底层逻辑。未来，揭示性范式的长远发展不仅依赖方法创新，更有赖于研究制度、伦理治理与学术共同体的协同完善。

（一）方法论的严谨性挑战

范式转型的首要难题是如何在拥抱教育现象固有的复杂性、不确定性与生成性的同时，确保研究过程与结论的严谨性、可信性与启发性。这并非简单的方法技术问题，而是知识生产标准的根本重构。

具体而言，方法论的严谨性挑战主要体现在三重张力之中。一是深度与广度的张力。揭示性范式多依托小样本与个案开展深度剖析，侧重以典型个案折射普遍规律。尽管个案不一定需要具有代表性，但区别于传统研究以样本代表性判定价值的标准，这容易引发个案何以成为知识的合法性追问。二是丰富性与聚焦性的张力。在AI的支持下，研究者能获取文本、语音、图像等数据，但数据的丰富性并不必然带来理解的深刻性。研究者面临的挑战在于如何在庞杂的经验碎片中识别关键行动节点，避免沦为描述性流水账。三是主观介入与客观严谨的张力。揭示性范式强调研究者的反思性与情境介入，但也因此面临如何避免经验化与主观化偏见干扰研究结论的质疑。

应对这一挑战的关键在于从程序性严谨转向情境性严谨与反思性严谨。首先，建立以解释力度与叙事可信性为核心的新质量标准，以资料丰富、分析深刻、反例论证、过程透明等作为评判依据。其次，秉持靶向深耕的研究思路，围绕核心研究问题开展数据采集，借助过程追踪法解析关键事件，依托理论抽样筛选典型案例，兼顾研究深度与广度。最后，规范研究者反思机制，如实呈现自身研究立场、认知倾向与方法选择，清晰阐明知识建构的视角与过程。此外，未来需要革新学术评价体系，推动教育研究从单一的统计显著性标准，转向兼顾情境解释力、过程洞察力与实践启发性的多元质量标准。

（二）研究伦理的复杂性加剧

从解释到揭示的范式转型，教育研究的伦理挑战也随之升级。人工智能时代，研究向多模态数据采集、全过程记录与人机协同分析演进，使研究伦理不再是程序性合规问题，而转向关系性、过程性与预判性的伦理治理问题。集中体现为以下三重伦理矛盾：

一是深度揭示与隐私保护的矛盾。揭示性研究追求还原细节、人际互动的真实状态，但这也意味着参与者的身份信息、情感状态与行为轨迹更容易被暴露。对现象揭示得越彻底，参与者的隐私暴露风险就越高。数据技术带来的个性化便利与隐私空间压缩之间，形成了新的伦理张力。如何达到教育隐私保障和教育数据共享之间的平衡，将是较大的伦理挑战。二是数据长效使用与单次知情同意的悖论。当下收集的课堂音像、互动视频、在线对话日志等多模态行为数据，后续可能衍生出各类未知研究用途，传统的一次性知情同意机制难以规范未来算法演进可能带来的数据新用途。三是研究者权力与叙事正义的边界难题。研究者不仅是客观的观察者，更是事实的编排者与定义者。在人工智能辅助分析中，研究者筛选哪些互动细节、揭示哪些问题，本质上是在建构一种叙事现实。若这种权力缺乏约束，极易导致对特定群体的片面化呈现或隐性污名化。

应对上述挑战，需要从静态的合规伦理迈向动态的关系伦理和前瞻的审慎伦理。在遵循教育公平、隐私安全、算法透明和发展导向的原则下，构建教育领域人工智能伦理框架。尤其是隐私保护应专注数据脱敏和漏洞管理，为信息提供者筑牢安全屏障。建立过程同意与持续协商机制，将知情同意从一次性授权转变为贯穿研究始终的动态协商过程。在数据用途发生变更时重新征询参与者意见，确保知情权。强化研究者的反思性伦理自觉，坦诚交代面临的伦理困境与权衡过程，将伦理决策置于学术共同体与公众的监督之下。当然，关键是要建立面向人工智能时代教育研究的新型伦理治理机制，包括动态知情同意制度、多模态教育数据分级管理机制以及人机协同研究的伦理审查规范，谨慎规避智能教育环境下不断变化的伦理风险。

（三）知识生产与传播的体系重构

揭示性范式的深化发展，正面临现行学术生产与传播体系的制度性张力。现有学术体系建立在工业化时代的传播逻辑之上，追求标准化、可量化与快速产出，而揭示性研究强调情境嵌入、过程复杂与多元表达。二者的错配在人工智能加速知识形态演进的背景下尤为凸显，传统以论文为中心的学术传播模式，已难以承载过程性、交互性与多模态的教育研究成果。

一是研究周期与评价节奏的不匹配。揭示性研究往往需要长期田野调查、持续观察与复杂叙事建构，当前以非升即走、项目周期制为代表的学术评价要求快速产出，研究者在追求研究深度与满足考核之间陷入两难。二是成果形态与评价标准的不匹配。“现行学术评价体制的核心就是学术期刊评价，‘以刊评文’成为学术评价的主要方式。”通过揭示性研究形成的多模态成果，如案例库、纪录片、深度叙事报告等，难以获得充分认可。揭示性研究最关注的实践启发性、社会影响力、叙事感染力，在现有评价体系中难以被看见和计量。三是知识特性与传播载体的不匹配。传统学术传播以纸质书刊和电子PDF为主要载体，缺乏对过程性数据、原始资料、多模态证据链的支撑。在人工智能深度重塑知识生产的背景下，封闭的出版模式无法承载揭示性研究追求的可重访性与交互性。

构建支持揭示性研究范式的学术生态，需在三方面同步推进。一是推动学术评价指标多元化。实施量化评价与质性评价相结合的综合性评价方法，评价指标通常应是多指标、分层次、次序由简到繁。高校与项目评审方对成果认定应拓展至案例成果、调查报告、音像图片和研究数据集等形态，依托同行评议判断研究深度、原创性与伦理严谨性；创办一批专门接纳多模态、过程性研究的开放获取期刊，支持嵌入视频、数据、交互式图表，鼓励学术期刊开设特定栏目或专题，接纳体现方法论创新的揭示性研究。二是搭建开放协同的科研基础平台。突破传统文本出版形式，打造可嵌入原始数据、交互图表与影音资料的新型发布载体，满足知识溯源与共享复用需求。三是培育研用联动的知识生态。围绕教育问题建立长期合作研究与实践的伙伴关系，发展面向政策制定者、教师、公众的知识转化专业服务，同时做好学术知识通俗转化，将社会实际成效纳入评价范畴。未来，教育研究的知识生产将不再局限于封闭的学术共同体内部，而是逐步形成研究者、实践者、技术平台与社会公众共同参与的开放知识生态。揭示性范式的研究价值，也将从单一的论文发表逐步转向对复杂教育现实的持续理解、公共沟通与社会协同。

（四）人机协同研究中的新分工

人工智能技术发展速度呈指数级增长，正推动人机协同创造一种知识传承、生产与转化的新模式。人工智能能够承担数据处理工作，而人类研究者则更多承担问题提出、意义阐释、价值判断、伦理审视等核心任务。这种新分工也带来了技术、认知与伦理等挑战。

在技术依赖方面，过度依赖数字技术导致人的情感冷漠和对生命价值的忽视。长期依托算法输出结果，会弱化对原始资料的直观感知，算法自带的固有偏见也极易被视作客观结论，忽视对人文生命价值的审视。在认知局限方面，人工智能可以基于海量数据和算法模型识别复杂关系，但由于缺乏真实的情境体认能力，难以充分把握教育中的情感、文化与价值维度。教育现象被转化为可计算的数据特征，但其中蕴含的文化内涵、情感体验与情境意义，往往会在标准化编码中被过滤。在伦理责任的边界模糊方面，人机协作过程中的错误归因与责任稀释成为新难题。一旦出现偏差导致研究结论失误时，权责划分难以界定。同时，研究者与人工智能是主从关系还是伙伴关系亟待厘清，人工智能的建议在何种程度上影响研究自主性成为新的伦理议题。

构建理想的人机协同研究模式，绝非简单的任务划分，而是形成深度融合、相互增强的双脑系统。为实现“1+1>2”的协同效应，必须遵循人类中心原则，明确技术始终是服务于人类研究目标的工具。将人工智能定位为增强工具而非替代主体，人类智能要具有机器智能难以取代的禀赋和特征，保持人类在问题提出、价值判断和伦理审查上的终极权威。人类的知识主体作用部分地让渡于机器，部分功能将被弱化甚至替代。因此，教育研究人才的培养体系也需相应转型。未来教育研究者不仅需要具备数据分析与算法理解能力，更需要保持对教育情境、人的发展与社会价值的敏感性，发展技术素养与人文精神融合的数智人文素养。人机协作的未来，不在于机器替代人类，而在于人类如何更智慧地利用技术扩展自身的认知与理解边界。适应人机协同研究新分工的研究者，应成为既通晓技术逻辑又深谙教育本质的批判性协同研究者，从而真正实现智能增强而非智能替代。

（本文参考文献略）

From Explanation to Revelation: Epistemological Transformation and Practical Direction of Educational Research in the Era of Artificial Intelligence

Zhong Miling

Abstract: Different educational research paradigms essentially embody distinct epistemological stances and logics of knowledge production. For a long time, the dominant explanatory paradigm in educational research has pursued deterministic causal analysis and universal laws, with its validity grounded in assumptions of systemic stability, controllable variables,and the generalizability of research conclusions. However, in the age of artificial intelligence, this paradigm is increasingly challenged by the weakening stability of knowledge, the growing constitutive role of contextual factors, and the escalating complexity of educational systems. Traditional explanatory approaches based on linear causal attribution are no longer sufficient for fully comprehending the generative nature of educational processes. Meanwhile, artificial intelligence has enhanced educational research’s capacity to capture process-oriented data and visualize complex phenomena, thereby rendering previously opaque interactive relationships and tacit dimensions partially visible. This advancement accelerates the shift in educational research from result-oriented explanation toward process-oriented revelation and provides practical conditions for the emergence of a revelatory research paradigm. Emphasizing relational understanding, practical wisdom, and  contextual sensitivity, the revelatory paradigm does not simply negate the explanatory paradigm, but rather complements and extends it. Looking ahead, educational research must further address challenges related to methodological rigor, the increasing complexity of research ethics, the restructuring of knowledge production and dissemination systems, and the new division of labor in human-machine collaborative research, so as to foster an educational research ecology that integrates technological rationality with humanistic concerns.

Key words: Artificial Intelligence; Educational Research; Explanatory Paradigm; Revelatory Paradigm; Human-Machine Collaboration

初审：王悦桦

复审：孙振东

终审：蒋立松