Investigating Self-regulated Learning Sequences within a Generative AI-based Intelligent Tutoring System
Deze studie analyseert de interactiepatronen van studenten met een op generatieve AI gebaseerd intelligent tutorensysteem om onderscheidende sequenties van zelfgereguleerd leren te identificeren, waarbij wordt onthuld dat hoewel de meeste studenten GenAI primair gebruiken voor informatieverwerving in plaats van transformatie, deze gebruikspatronen niet significant correleren met de leerprestaties.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een complexe puzzel probeert op te lossen, zoals het uitdenken van het perfecte maaltijdplan voor een week. Stel je nu voor dat je een superintelligente, alwetende robotassistent hebt die vlak naast je zit, klaar om elke vraag te beantwoorden of een hint te geven. Deze studie is als een detectiveverhaal waarin 114 studenten werden gevolgd terwijl ze met behulp van deze robot voedingspuzzels probeerden op te lossen. De onderzoekers wilden weten: Hoe gebruiken studenten deze robot eigenlijk terwijl ze leren? Gebruiken ze het op een slimme, georganiseerde manier, of springen ze gewoon willekeurig rond?
Hier is de uitslag van wat ze vonden, met behulp van enkele eenvoudige analogieën:
De twee soorten "Robotdansers"
De onderzoekers volgden elke klik en toetsaanslag van de studenten (hun "trace data") om te zien hoe ze door het leerproces bewogen. Ze ontdekten dat de studenten van nature in twee verschillende groepen, of "dansstijlen", vielen, gebaseerd op hoe ze hun eigen leerproces reguleerden.
De "Snelheidzoekende" dansers (Cluster 1):
- Hoe ze bewogen: Deze studenten waren als hardlopers op een atletiekbaan. Ze stelden een doel, controleerden een stuk voedsel, evalueerden het, en gingen onmiddellijk door naar het volgende stuk. Ze vroegen de robot vaak om hulp (gemiddeld ongeveer 5 keer).
- De adder onder het gras: Ze hadden de neiging om de robot om hulp te vragen, een antwoord te krijgen, en direct over te springen naar het controleren van het volgende item. Ze waren zeer actief, maar besteedden veel tijd aan het bekijken van individuele stukjes informatie één voor één, in plaats van even afstand te nemen om het hele plaatje te organiseren.
- Het resultaat: Ze presteerden minder goed dan de andere groep. Het is alsof je een huis probeert te bouwen door bakstenen één voor één te leggen zonder ooit even stil te staan om naar de blauwdruk te kijken; je legt misschien veel stenen neer, maar het huis zal misschien niet goed staan.
De "Diepe Denkers" dansers (Cluster 2):
- Hoe ze bewogen: Deze studenten waren meer als architecten. Ze vroegen de robot minder vaak om hulp (ongeveer 2 keer), maar wanneer ze dat deden, hadden ze langere, diepere gesprekken met de assistent. Ze besteedden meer tijd aan "reflectie", wat er eigenlijk op staat om even te pauzeren, naar het hele puzzelstukje te kijken en te denken: "Past dit bij wat ik al weet?"
- Het resultaat: Zij presteerden beter. Door de tijd te nemen om te reflecteren en hun gedachten te organiseren, bouwden zij een helderder mentaal evenbeeld van het probleem op.
Waar vroegen ze de robot om?
De onderzoekers keken ook naar waarom studenten de robot om vragen vroegen. Ze vonden twee hoofdzaken, vergelijkbaar met het vragen aan een bibliothecaris om twee verschillende dingen:
- Informatieverwerving (De "Wat is dit?" vraag): Dit was de meest voorkomende reden. Studenten vroegen dingen als: "Wat doet natrium?" of "Hoeveel cafeïne is te veel?" Ze waren simpelweg nieuwe feiten aan het verzamelen.
- Informatietransformatie (De "Wat betekent dit?" vraag): Dit kwam minder vaak voor. Studenten vroegen bijvoorbeeld: "Als dit drankje koolhydraten bevat, is het dan nog steeds suikervrij?" of "Hoe verschilt dit van dat andere drankje?" Dit is een moeilijkere taak, omdat het vereist dat je wat je weet neemt en het vervormt om een specifief probleem op te lossen.
De grote verrassing: Hoewel het vragen van de "Wat betekent dit?" vragen meestal een teken is van een intelligentere, diepere leerling, vonden de onderzoekers dat het de cijfers van de studenten niet veranderde. Of een student nu vooral om feiten vroeg of vooral om diepe analyse, hun eindscores waren ongeveer gelijk. De manier waarop ze door de stappen bewogen (de "Snelheidzoekende" versus de "Diepe Denker" dans) was veel belangrijker voor hun succes dan het specifieke type vraag dat ze aan de robot stelden.
De kernboodschap
De studie concludeert dat wanneer we studenten een superintelligente AI-tutor geven, we niet zomaar kunnen aannemen dat ze deze wijs zullen gebruiken.
- Sommige studenten gebruiken het als een snelle lezer, scannen feiten en gaan snel door, wat hen in de war kan brengen over het grote geheel.
- Anderen gebruiken het als een denkpartner, waarbij ze pauzeren om te reflecteren en te organiseren, wat leidt tot beter probleemoplossend vermogen.
De onderzoekers suggereren dat als we willen dat studenten beter leren, we ze niet alleen de robot moeten geven; we moeten hen leren hoe ze met hem kunnen "dansen". We moeten systemen bouwen die hen aanmoedigen om te stoppen, te reflecteren en hun gedachten te organiseren, in plaats van simpelweg door te rennen naar de volgende brok informatie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.