人工智能赋能导向学习中的自我调节学习|人工智能|教学|教师|计算机

Self-Regulated Learning (SRL) with AI in Problem-Based Learning

人工智能赋能问题导向学习中的自我调节学习

https://link.springer.com/book/10.1007/978-3-031-76516-2

摘要：

人工智能（AI）技术的发展为教育者在教学过程中既带来了新的机遇，也提出了新的挑战。利用具备拟人化特征与交互能力的AI，有望构建更优的数字化学习环境，从而支持学生的自我调节学习（Self-Regulated Learning, SRL），尤其在问题导向学习（Problem-Based Learning, PBL）中具有显著潜力。本文作为一篇立场性论文，聚焦于构建一个将AI与SRL嵌入PBL情境的理论框架，其核心是采用一种互动式虚拟代理（Interactive Virtual Agent, IVA）。当前的IVA技术通常支持虚拟代理（如导师、教师）与学生之间的自然交互，采用多模态界面，包括对言语内容与语调（即言语所传递的情绪与态度）、面部表情、注视方向、手势及肢体语言的识别与合成。然而，此类系统往往缺失若干教育场景中所亟需的关键功能，例如：对SRL能力的系统支持、对教师课堂辅助的支持，以及类人水平的社会兼容性（social compatibility）。这些不足可通过将关键的SRL过程（如目标设定、自我监控、自我评估）整合进“仿生认知架构”（Biologically Inspired Cognitive Architecture, eBICA），并进一步结合基于虚幻引擎5（UE5）构建的虚拟导师可视化呈现方式予以弥补。本文首先概述以SRL理论为核心的PBL；其次介绍AI技术（尤其是大型语言模型与情感计算）的发展现状；最后探讨如何在PBL与教学实践中有效利用上述技术。文末将讨论该以SRL为中心的框架对教育实践的潜在影响。

关键词：问题导向学习 · 自我调节学习 · 互动式虚拟代理 · 大型语言模型 · 情感计算

1 引言
自21世纪初以来，基于计算机的学习技术一直在教育领域中扮演着重要角色。因此，教育工作者必须不断调整自身，并学习如何运用这些工具以提升教学与学习效果。然而，随着人工智能（AI）技术当前在日常生活中的迅猛发展，教育工作者正面临着在多种教学情境中把握AI所带来的新机遇与新挑战的迫切需求。

研究者指出［1–3］，人工智能（AI）与扩展现实（XR）工具可被应用于学习环境中，以支持学生运用自我调节学习（SRL）策略［4–9］。本文作为一篇立场性论文，旨在提出一个以互动式虚拟代理（Interactive Virtual Agent, IVA）为载体的框架：该框架依托AI技术，在问题导向学习（PBL）情境中，以自我调节学习（SRL）为核心提供支持。在教育中应用AI，有望协助教师更有效地支持学习者在PBL环境中开展自我调节学习（SRL）。为进一步探讨如何将IVA／虚拟导师应用于PBL情境以促进SRL，本文将首先对PBL与SRL理论提供基础性阐释，继而阐述IVA的概念构想，最后整合上述三者，并探讨其在实践中的可能实现路径。

2 理论背景与相关研究

2.1 问题导向学习（PBL）

PBL被定义为一种以相关、开放且源于真实生活的问题为核心的课堂教学模式；学生通过探究这些挑战性问题并最终从中学习而深度参与其中［10］。在许多情况下，PBL常应用于STEM（科学、技术、工程与数学）教育领域，其重点在于技能培养、批判性思维以及将知识应用于现实世界挑战的能力，同时亦涵盖创造性思维技能的训练［11］。此外，实证研究强调了PBL的若干优势，包括：对学科内容掌握程度的提升、自我调节学习（SRL）水平与学习动机的增强，以及创造性思维与批判性思维能力的改善。

在采用PBL的课堂结构中，学生与教师各自承担明确的角色。例如，学生需与同伴协作开展研究、解决复杂问题，并对其自身学习过程及意义建构负起责任；而教师的角色则是通过激发动机、引导反思、提供学习内容的支架支持（scaffolding）、给予反馈、指导以及学习提示等方式，促进小组学习的顺利进行［12］。尽管PBL的目标在于培养学生对学习的自主责任感（例如目标设定、自我监控、自我激励、反思），但在此过程中，教师仍需承担引导学生理解学习内容、创设学习机会、管理并搭建教学支架，以及促进学生运用元认知策略以识别其学习中的不足并据此提供反馈等职责［12, 13］。

然而，PBL实施中另一个值得重视的方面是：如何在教师调整教学以适应PBL要求时，为其提供有效支持。English与Kitsantas［12］指出，当学习者是积极的自我调节学习者时，PBL的效果尤为显著。他们［12］建议：实施PBL课程的教师，可通过鼓励学生采用SRL的学习方式，并营造契合学生需求的支持性学习环境，进一步支持其学生发展。下一节将介绍SRL。

2.2 自我调节学习（SRL）

从社会认知视角出发，SRL被定义为个体在元认知、动机与行为层面上主动参与自身学习过程的能力［14, 15］。Zimmerman［16］提出的自我调节学习循环反馈模型是该领域最具代表性与影响力的核心模型之一。该模型的循环特性将学习视为一个持续演进的过程：学习者通过反复循环不断精进其能力。该模型包含三个依次展开的阶段：

前瞻阶段（forethought）：学习努力开始前的认知与动机准备过程；
执行阶段（performance）：学习努力进行中的诸种过程；
自我反思阶段（self-reflection）：学习或任务执行完成后所进行的评估与归因过程。

自我调节被视为一个动态、循环的过程——学习者利用反馈（无论来自外部，如教师、导师、AI工具；抑或由自身生成）来评估并调整其学习策略。图1展示了与该模型各阶段相对应的具体SRL策略。

SRL亦被视为一种关键的、具策略性且目标导向的过程，用以引导并发展学生的学习能力与问题解决能力。在多数情况下，学生未能取得预期的学习进展，往往可归因于其缺乏SRL技能［17, 18］。SRL技能的发展通常依赖于学习者与专家榜样／教师之间的一对一互动——后者可通过示范，向学习者展现具有策略性的学习方法。然而，由于班级规模庞大以及具备SRL专长的教师数量有限，这种模式难以在大规模教育情境中推广实施。因此，一种可为所有学生提供SRL技能培养机会、且具备个性化支持能力的虚拟助手，将对跨学科的各类学校教育具有重要价值。

SRL的循环过程［19, 20］包含三个阶段：任务前的准备阶段（前瞻阶段，Forethought）、任务执行阶段（执行阶段，Performance），以及结果分析阶段（自我反思阶段，Self-reflection）；该循环可根据需要反复进行。元认知过程与动机过程在整个SRL各阶段中均发挥着关键作用。下一节，我们将探讨SRL与PBL在学习环境中的整合。

2.3 SRL与PBL的整合

SRL已在中小学（K–12）及高等教育情境中被广泛整合进PBL实践中。例如，English与Kitsantas［12］曾探讨一种以SRL为中心的方法，旨在为教师在实施PBL过程中提供最佳支持。其研究发现：为有效支持学生在PBL情境中的SRL发展，教师应在PBL全程中，针对SRL的三个阶段提供有梯度的教学支架与指导，以促进学习者逐步成长为自我调节型学习者。具体而言，依据English与Kitsantas［12］提出的模型：

SRL的前瞻阶段（forethought）对应PBL中的项目启动环节（如问题提出、目标设定、启动活动、结构规划），此阶段以教师主导为主，学生在此阶段进行学习规划并设定目标；
引导式探究与成果创建环节（如形成性评估、反思提示、白板协作、专业知识建构）则对应SRL的执行阶段（performance），此阶段强调师生间的平等互动，学生需自主管理其策略运用以达成目标，并在过程中持续监控自身进展；
SRL的反思阶段（self-reflection）则与PBL的项目结题环节（如对学习成果与过程的反思）相契合，此时学生需承担更大责任，通过策略性归因评估自身进展，并判断是否需对原有计划或目标设定作出调整［12］。

在高等教育领域，PBL曾被应用于美国圣言大学（University of the Incarnate Word）物理治疗学院的一门解剖学与生理学课程中。Bain及其同事［21］在为期两年的研究中追踪了学生的学习进展。研究参与者被随机分配使用三种不同的辅助工具：纸质实验手册（Word文档，非数字化）、iBooks Author制作的实验手册，以及SoftChalk实验手册；另有对照组未使用任何辅助资源（即未融入SRL与PBL支持）。结果表明，仅使用非数字化辅助材料的学生，其解剖学期末考试成绩优于对照组。该研究通过准备性任务（readiness assignments）、课堂活动及在线模块等资源，将PBL以促进学生发展为终身学习者为目标，整合了自主导向学习与SRL理念［21］。

上述两个案例均以SRL为理论框架来增强学习者在PBL中的体验：从在SRL各阶段中精准实施具体策略，到培养能够主动承担学习责任的自主学习者，PBL与SRL的结合可为学习者带来长远的终身发展效益。下一节将进一步阐述：如何在PBL情境中，借助人工智能（AI）技术，构建并应用一个以SRL为核心的整合性框架。

3 互动式虚拟代理（IVA）的概念构

建本节将探讨IVA背后的技术原理与实现机制，阐明其如何在PBL情境乃至其他学习场景中为学习者提供支持。内容涵盖：智能导学系统（ITS）与虚拟导学代理（VTA）的简要介绍，以及具备情感智能的认知架构、大型语言模型（LLM）、可视化平台、多模态交互工具，与虚拟导师系统的设计。

3.1 智能导学系统（ITS）与虚拟导学代理（VTA）

自诞生以来，数字技术便持续应用于教育过程。其中尤受关注的是基于计算机的学习环境（CBLE）与智能导学系统（ITS），特别是认知型ITS（cognitive ITS）。此类系统源于认知技术（包括认知架构）的发展，已被证明在教育领域具有实用性与高效性［9, 22］。近年来，这些ITS进一步演化为由人工智能技术驱动的、具有虚拟具身形态的拟人化代理［4］，即所谓智能虚拟导学代理（Intelligent Virtual Tutoring Agent, VTA）［7］。出于本文目的，我们将此类系统统称为互动式虚拟代理（IVA），但其面向学习者时将以具备智能特性的VTA形式呈现。

从定义上而言，ITS是一种计算机系统，其核心目标是向学生提供直接、个性化的教学指导与反馈，通常无需人类教师介入。认知型ITS则是一类特殊的ITS，它通过内置的认知模型，在学生完成任务过程中动态生成针对性反馈。通常，ITS旨在模拟“一对一”个性化教学已被证实的教学优势——尤其适用于学生无法获得此类个性化支持的情境（例如常规课堂教学结构）。例如，在PBL环境中，依据ITS的工作机制，IVA可用于为在特定主题或PBL项目中遇到困难的学习者提供个性化辅导：教师无需中断小组整体进度，即可引导个体学生与IVA互动，获取针对性支持。

IVA通过ITS实现的核心目标，是依据学习者的经验与反馈（即学习者画像）动态调整教学策略。该系统一般包含以下四个核心组件［8］：

学习者模型（student/learner model）：描述学习者的特征、认知水平、偏好等；
教学法模型（pedagogical model）：规定内容传递与干预的策略（如支架设计、提示时机）；
领域知识模型（domain model）：表征学科知识结构与逻辑；
用户界面（user interface）：构建学习环境，并支撑学习者与智能导学系统间的交互。

当前主流的ITS/IVA系统具备若干显著特征：可在任意计算机或智能手机上普遍访问；支持学生与系统之间的一对一虚拟交互；能提供反馈（即对学习者行为作出智性回应）；具备针对每位学生的个性化适应能力；可嵌入学习策略与技巧（如SRL技能训练）；并借助具备社会情感能力的人工智能，实现自动化自然语言处理（NLP）功能——包括语音识别与合成，以及通过面部表情、肢体语言等实现的人机交互。下一节将介绍具备情感智能的认知架构，它们将为我们的IVA系统开发提供关键支撑。

3.2 具备情感智能的认知架构

“认知架构”这一概念等同于基于认知系统的智能体（intelligent agent）概念。若一个动态系统中的动态元素被赋予与其所嵌入环境相关的语义（semantics），则该系统可被视为具备认知能力；换言之，系统的动力学规律能够反映其语义规律。当认知架构的设计原则源于大脑工作机制时，便被称为仿生认知架构（Biologically Inspired Cognitive Architecture, BICA）。

尽管当前已存在大量多样的认知架构模型［23, 24］，但其中仅少数可被认为具备情感智能（emotional intelligence）。代表性模型包括：情绪与适应模型（EMotion and Adaptation, EMA）［25, 26］与仿生认知架构扩展版（eBICA）［27, 28］。eBICA的核心构件是语义空间（semantic spaces，即语义映射）与道德图式（moral schemas），二者使智能体得以表征复杂的社会性情绪（如愧疚、感激、羞耻）以及其他类型的社会关系（如合作、权威、互惠）。

受限于篇幅，本文无法详尽展开eBICA的相关内容；读者可参考我们的关键文献［27–30］以深入了解。

3.3 大型语言模型（LLM）

LLM亦被视为IVA系统的关键构成部分。LLM通过使机器以前所未有的复杂程度理解、生成并交互人类语言，已彻底革新了自然语言处理（NLP）领域［31–35］。以OpenAI的GPT-4、Google的BERT［36］及T5等架构为代表的LLM，已在多个领域获得广泛应用——从自动化文本生成与翻译，到情感分析与对话代理等。

LLM建立于深度学习框架之上，通常采用Transformer架构。此类模型首先在海量文本语料库上通过无监督学习方式进行预训练：BERT类模型通过预测句子中被掩码（masked）的词语完成训练；GPT类模型则通过预测序列中下一个词进行训练。这一过程使模型习得丰富的语言表征能力，从而捕捉句法与语义的细微差异。

在预训练之后，模型还需针对特定任务，利用标注数据进行微调（fine-tuning），以使其胜任各类NLP应用。这些模型常包含数十亿级参数，其巨大规模是其实现跨任务良好泛化能力的关键因素之一［33］。

尽管能力卓越，LLM仍面临若干伦理挑战［32, 34, 35］：

其可能延续并放大训练数据中固有的偏见，导致不公平或歧视性结果；
可生成看似合理实则错误或具有误导性的信息（即“幻觉”问题）；
训练所用的海量数据常包含敏感信息，引发数据隐私与安全方面的担忧；
此外，LLM对人类传统工作的自动化替代，可能导致劳动力市场发生显著变革，亟需考虑劳动力再培训与社会支持机制等问题。

尽管如此，LLM仍代表了人工智能与自然语言处理领域的重大飞跃［33］。其能力已通过ChatGPT（由OpenAI开发的虚拟助手）等公开服务广泛普及，用户可便捷访问包括GPT-4、GPT-4o、GPT-4o mini等在内的多种模型版本。

LLM的应用领域极为广泛，既涵盖自然语言处理（NLP）内部的任务，也延伸至NLP之外的诸多场景。尽管在不同应用场景中，LLM的具体使用方式因神经网络所服务的特定目标而有所差异，但在跨领域、跨任务的实践中仍可归纳出若干共通的使用阶段。图2展示了一个示例性流程图，用以说明这些通用阶段。

首先，需对输入数据进行预处理（见图2）。该步骤可涉及多种规则（例如，在自然语言处理任务中，可采用词形还原（lemmatization）或词干提取（stemming）等技术），亦可调用辅助神经网络。此阶段的目标具有双重性：其一，清除数据中的噪声；其二，将数据转换为适合神经网络处理的格式。此外，此阶段还可引入可能影响神经网络输出的补充信息。

其次，由LLM执行核心处理。依据具体任务，模型基于输入数据生成相应响应，且响应格式可根据任务需求进行定制。

最后，需对神经网络生成的响应进行后处理。在此阶段，可依据特定标准筛选或剔除不符合要求的输出；必要时可结合附加信息，以确保最终结果符合预期目标。

该流程图（图2）中标示了两个可注入附加信息的关键节点，使我们能够对LLM的行为与输出施加调控。这一特性在我们所提出的系统中将被充分利用，具体实现方式将在后文详述。

鉴于LLM技术的显著进展，下一节将探讨可视化平台与多模态交互工具。

3.4 可视化平台与多模态交互工具

新近开发的2D与3D虚拟导学代理（VTA），借助游戏引擎与扩展现实（XR）技术，可实现360°全方位数字内容呈现。在此类情境中，IVA表现为动态的拟人化角色，通常被构想为具有逼真外观的屏幕内角色，使用户得以在多媒体环境中进行导航或学习。这类代理不仅能传递信息，还可通过交互增强学习者的动机与自我调节学习（SRL）能力［37］。

据我们所知，目前针对功能性3D代理的研究仍较为有限。然而，教学本质上是一种社会性活动，因此虚拟代理的社会拟真度（social fidelity）——即其在社交层面的逼真与可信程度——可能是影响学习成效的重要潜在因素。Sinatra等人［38］的元分析研究考察了2D代理的社会拟真度与其教学有效性之间的关系，结果发现：学习成效与多项社会拟真度指标显著相关，包括个性化语言、人格特质、共同注意（joint attention）、反馈类型及手势使用等，进而得出结论：即便在非社交性学习任务中，社会拟真度对学习仍具有重要意义。另一项关于2D教学代理中手势使用的元分析［39］亦表明，引入手势总体上能提升学生的知识迁移与保持效果——对近迁移（near transfer）呈现小幅至中等程度的正向影响（g = 0.39），对学习保持（retention）亦有小幅积极效应（g = 0.28）。

因此，本框架面临的一项关键挑战在于：如何在PBL情境中，使VTA所承载的IVA具备高水平的社会拟真度。借助游戏引擎与虚拟环境／虚拟现实／扩展现实（VE/VR/XR）工具，并整合多模态人机交互接口技术，这一目标有望实现。当前最主流、可用于构建虚拟导师的两大游戏引擎为虚幻引擎5（Unreal Engine 5, UE5）与Unity3D。二者均支持必要的功能扩展，可集成各类服务接口，以实现对言语模态（如语音、文本）及非言语模态（如语调、面部表情、注视方向、手势、肢体语言）中所蕴含的语义、情绪与态度的识别与合成。目前，包括ChatGPT在内的诸多此类服务已由OpenAI等平台开放提供。

3.5 虚拟导师系统设计

最后，在描述系统总体架构时，采用图3所示的方法，可构建一种基于双层微服务架构［40］的分布式系统：该架构不仅能高效复用已实现的服务模块，还可保持各模块间关系的清晰与透明。此外，该架构支持便捷地为新型服务修改应用程序编程接口（API），无论其运行于何种平台——如移动设备的不同操作系统、Web客户端、机器人设备或物联网（IoT）设备等。若需新增一类设备集群，仅需调整信息系统中的API层（见图3），而应用层（APP层，即包含各类应用与服务的层级）则无需变更，从而显著提升系统的快速可扩展性。

图3表明：控制虚拟导师的认知模型被实现在eBICA模块中；而ChatGPT可在该系统中承担多重角色（如自然语言理解、内容生成、对话管理等）。因此，系统可在不加剧各服务间耦合复杂度的前提下实现有效扩展。

在已奠定上述系统概念化基础之后，下文将简要探讨AI在PBL中的若干关键角色（例如：自适应学习、反馈机制、学习数据分析），并重点阐明：如何最有效地利用AI支持的虚拟导学代理（VTA），协助教师在PBL情境中促进学生自我调节学习（SRL）能力的发展。

4 在PBL环境中借助AI促进SRL

教师在课堂教学中整合PBL时面临的一大挑战在于：学生往往需要个性化支持，且其理解水平、学习目标与学习风格各不相同。教师难以在有限时间内兼顾如此多元的需求［21］；因此，在课堂中引入人工智能（AI）技术，有望助力教师差异化地实施契合学习困难者需求的教学策略。例如，AI可用于支持教师开展自适应学习（adaptive learning），依据每位学生的需求与学习进展，动态定制其学习体验。

然而，要实现上述目标，AI还需具备学习数据分析能力（即运用AI分析学习数据，进而对学生的优势与薄弱环节提供洞察，例如用于评估与测评）。教师与教育研究者可借助学习分析（learning analytics）技术，评估学生的学习过程与学习成果。此类分析能揭示多样化的学习行为特征，例如：学生何时修改其作业、修改的质量如何；教师还可获取关于学生“求助行为”的数据，包括学生主动向教师发送消息、在任务过程中向同伴寻求帮助的频次与时机，以及其所遭遇的具体学习困难类型。这些使用统计数据有助于教师识别哪些学习行为是高效有益的，哪些则相对低效或缺乏成效。

此外，学习分析还可捕捉有关教师行为的信息。研究者可追踪教师所作出的调整，例如：审阅学生正在进行中的作业，或为提供支持而与学生展开沟通等。此类数据有助于教师更深入地理解学生如何参与学习实践，同时协助教育研究者探究学习任务设计与实施过程中的关键问题。因此，这些技术可有效支持教师优化其面向学生的反馈机制。

总而言之，教师或许能够部署由AI驱动的反馈系统，依据所采集的学习分析数据，向学习者提供个性化的建议与修正意见，从而更灵活地调整教学策略，以契合学生的具体需求。这一观点得到了Bae等人［41］一系列研究的支持。

在Bae及其同事［41］的一项研究中，研究者探讨了中小学教师在实施PBL（特别是基于游戏的PBL）时，期望获得哪些支持。研究采用质性方法，对12位K–12教师进行了访谈，结果发现：开展评估、提供信息支架以及可视化呈现信息的能力，是成功实施基于游戏的PBL所不可或缺的要素。此外，研究者进一步拓展提出了“教学协调助手”（Orchestration Assistant）的概念——这是一种面向教师的AI支持工具，专为PBL教学场景而设计。该助手的核心功能在于实时采集课堂数据，并为教师提供个性化反馈，指导其“何时以及如何介入”以支持学生协作——例如：何时需要提供信息支架、何时应介入协调小组协商、何时需对教学内容进行深化阐释等。由此可见，“教学协调助手”是一种极具前景的AI教学支持工具。

5 讨论
本文通过探讨如何利用多模态交互技术赋能个性化学习与导学系统，为填补前述缺口奠定了理论基础。通过虚拟导学代理（VTA）构建互动式虚拟代理（IVA）的一项关键需求在于：进一步推动人工智能在教育领域的发展，使此类工具能在不同学科中为教师提供切实有效的支持。要实现这一目标，系统需融合类人水平的社会—情绪智能与自我调节学习（SRL）能力，并通过多模态交互界面与学生进行自然沟通。换言之，理想成果的达成，有赖于将SRL模型与具备认知建模能力的仿生认知架构eBICA有机结合。

本IVA系统将把关键的SRL过程——如目标设定、自我监控与自我评估——整合至eBICA架构中，并进一步结合基于虚幻引擎5（UE5）构建的VTA可视化呈现。由此，VTA得以依托其领域知识与情感智能，为学生提供引导性练习，并激励其成长为具备自我调节能力的学习者。

例如，在前瞻阶段（即规划阶段），IVA可通过多轮次对话与学习者互动，辅助其开展目标设定、策略规划与时间管理。IVA向学生提出旨在帮助其澄清学习目标的问题［42］；这些问题由IVA的大型语言模型（LLM）依据学生的个性化信息动态生成。同时，代理可从网络及学生材料中检索相关信息以支持目标设定，并利用其大型多模态模型（LMM）实现对文本与图像的理解。通过集成搜索引擎、PDF阅读器等外部工具（即所谓“工具增强型LLM/LMM”［43］），该代理可支持更高级的数据采集与整合能力。

进入执行阶段（即行动阶段），IVA可持续监控学习者进展，并通过问答式交互提供支架支持，促进其主动求助行为与元认知监控。此外，该代理还可模拟同伴互动或小组协作，以增强PBL情境中学习者之间及学习者与小组之间的动态互动。为确保行为表现的真实性，IVA可整合并有序调度多个功能模块，以评估学生理解水平、评判任务表现、提供提示、解答疑问，并规划模拟教师行为（如介入时机与引导方式）。

最后，在自我反思阶段，IVA可协助学生对其表现进行反思，进而调整未来的学习目标与策略。该反思过程需对照预设学习目标评估实际表现，并生成包含可操作性洞见的总结性反馈。此种方式有助于学生为未来学术与职业挑战做好准备。

6 结论
综上所述，本文旨在将人工智能支持嵌入问题导向学习（PBL）之中，并以自我调节学习（SRL）为理论框架进行整合。该整合有望显著提升学习者的批判性思维、自主学习行为、问题解决能力及其对自身学习的责任意识；同时，亦可在PBL情境中提供促进策略性终身学习的有效路径。此外，本文探讨了智能虚拟代理（IVA）与虚拟教学助手（VTA）的潜在价值——二者可通过向学生提供个性化反馈，并为教师实施差异化教学提供指导，从而切实支持教学实践。然而，关于IVA与VTA在教与学情境中的深层影响，仍有待进一步研究予以全面揭示。

原文： https://link.springer.com/book/10.1007/978-3-031-76516-2