Students' Epistemological Beliefs and their Chatbot Preferences in AI-mediated Physics Learning
Deze studie onderzoekt de relatie tussen de epistemologische overtuigingen van beginnende natuurkundestudenten en hun voorkeuren voor het gedrag van AI-chatbots in een golfsimulatiemodule, waarbij wordt vastgesteld dat hoewel studenten die kozen voor een "combinatie" van begeleide onderzoek en directe antwoorden aanvankelijk meer geavanceerde overtuigingen vertoonden, deze verschillen niet statistisch significant waren na Bonferroni-correctie.
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 probeert te leren fietsen. Je hebt twee keuzes voor een helper: iemand die gewoon achterop springt en voor je stuurt, en je precies vertelt waar je heen moet gaan, of iemand die naast je aan het rennen is en vraagt: "Welke kant denk je dat je op moet draaien?" en pas de stuur vastpakt als je bijna een ongeluk maakt. Dit is de kern van een fascinerend hoekje van de wetenschap genaamd physics education research (onderwijsonderzoek in de natuurkunde). Wetenschappers in dit veld geven niet alleen om het feit of je het juiste antwoord op een toets krijgt; ze geven om hoe jouw brein over kennis zelf nadenkt. Ze bestudelen je "epistemologische overtuigingen", wat een chique manier is om te vragen: zie jij kennis als een vaste lijst met feiten die door experts worden overgedragen, of zie je het als iets dat je zelf opbouwt door middel van inspanning en fouten?
En dan komt de nieuwkomer op het toneel: Generatieve AI. Dit zijn de superintelligente chatbots die problemen direct kunnen oplossen. Nu studenten deze tools voor hun huiswerk gaan gebruiken, ontstaat er een grote vraag: denken studenten die willen dat de AI hen gewoon "het antwoord geeft" anders over leren dan studenten die willen dat de AI hen "door het probleem heen leidt"? Als we dit kunnen ontdekken, kunnen we AI-tutoren ontwerpen die niet alleen het werk voor studenten doen, maar hen ook daadwerkelijk helpen om betere denkers te worden.
Dit artikel, geschreven door onderzoekers van Purdue University, duikt direct in die vraag. Ze richtten een digitale speeltuin in voor studenten die een cursus natuurkunde gebaseerd op calculus volgden. De studenten kregen de opdracht om een onderwerp genaamd "golven" te verkennen met behulp van een op maat gemaakte online module. Deze module bevatte coole simulaties en een ingebouwde chatbot. Voordat ze begonnen, moesten de studenten hun favoriete stijl van chatbot-interactie kiezen uit drie opties:
- Directe Antwoorden: "Vertel me gewoon het antwoord."
- Begeleide Vraagstelling: "Stel me vragen en geef me hints zodat ik het zelf uitfigureer."
- Combinatie: "Begin door mij vragen te stellen, maar als ik vastloop, geef me dan gewoon het antwoord."
De onderzoekers gaven de studenten ook een standaard enquête genaamd EBAPS om hun "epistemologische overtuigingen" te meten—kortom, hoe geavanceerd hun ideeën over leren en kennis waren. Ze wilden zien of de chatbot die een student wilde gebruiken, overeenkwam met hoe zij daadwerkelijk over leren dachten.
Dit is wat ze vonden, en het is een beetje een gemengd beeld. Ten eerste was de meest populaire keuze de Combinatie-stijl. Ongeveer 52% van de studenten koos deze "begeleid me eerst, maar help me als ik vastloop"-optie. Een kleinere groep, 39,6%, wilde Directe Antwoorden, en slechts 7,6% wilde pure Begeleide Vraagstelling.
Toen de onderzoekers de enquête scores van deze drie groepen vergeleken, zagen ze een interessant patroon. De studenten die de Combinatie-chatbot kozen, hadden de neiging om meer "geavanceerde" overtuigingen over leren te hebben dan de studenten die alleen maar om Directe Antwoorden vroegen. Specifiek geloofden deze "Combinatie"-studenten sterker in het volgende:
- Kennis is niet zoma een verzameling onveranderlijke feiten; het kan evolueren en veranderen naarmate we meer leren.
- Goed zijn in wetenschap gaat niet over het geboren worden met een speciaal "slimme gen"; het gaat over het leveren van inspanning en het gebruiken van goede strategieën.
De onderzoekers zijn echter voorzichtig om nog niet "Eureka!" te roepen. Hoewel de cijfers een verschil lieten zien, was de statistische "betrouwbaarheid" een beetje wankel. Toen ze een strengere test toepasten om te controleren of de resultaten niet slechts een toevalstreffer waren (een methode genaamd de Bonferroni-correctie), verdween het verschil tussen de groepen.
Wat betekent dit? Het artikel suggereert dat er misschien een link is tussen het willen van een behulpzame, evenwichtige AI-tutor en het hebben van een growth mindset over leren. Het geeft aan dat studenten die geloven dat inspanning ertoe doet, van nature misschien een voorkeur hebben voor een chatbot die hen een beetje uitdaagt voordat het antwoord wordt gegeven. Maar omdat het statistische bewijs niet waterdicht was, zeggen de auteurs dat dit meer een "suggestieve aanwijzing" is dan een bewezen feit. Ze vonden geen sterke link tussen de overtuigingen van studenten en degenen die pure begeleide vragen versus pure antwoorden wilden.
De les voor de toekomst? Als we willen dat AI-tutoren voor natuurkunde studenten daadwerkelijk laten groeien, moeten we niet alleen de "shortcut"-knop aanbieden. In plaats daarvan moeten we bots ontwerpen die beginnen met het stellen van vragen en studenten stimuleren om na te denken, om pas in te grijpen met het antwoord wanneer de student echt vastloopt. Deze aanpak lijkt het beste aan te sluiten bij de studenten die de gezondste houding ten opzichte van leren hebben, ook al moeten we nog meer onderzoek doen om er 100% zeker van te zijn.
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.