How Undergraduates Interact with a Generative AI Peer: Eight Participation Roles and the Conditions for Effective Collaboration in University Mathematics
Deze studie identificeert acht onderscheidende participatierollen voor bachelorstudenten bij mens–GenAI-collaboratieve probleemoplossing, waarbij wordt aangetoond dat studenten die actief gedeelde cognitieve toestanden in stand houden en hun redenering externaliseren, significant betere resultaten behalen dan zij die delegeren of zich terugtrekken, wat daarmee het kritieke belang van doelbewuste taakontwerpen en feedbackloops benadrukt om effectieve AI-peer-collaboratie te bevorderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In het moderne klaslokaal is een nieuw soort partner gearriveerd, een die niet aan een bureau zit maar leeft binnen de software die studenten gebruiken om te leren. Deze partner is een generatieve kunstmatige intelligentie, een systeem dat in staat is tot een gesprek te voeren, vragen te beantwoorden en te helpen bij het oplossen van problemen. Jarenlang hebben onderwijzers zich afgevraagd hoe studenten daadwerkelijk met deze hulpmiddelen werken. Behandelen ze de computer als een slimme tutor die gestuurd moet worden, of als een zoekmachine die bevraagd wordt? Denken ze er diepgaand mee na, of vragen ze simpelweg om het antwoord en gaan ze weer door? De vraag is belangrijk, omdat de manier waarop een student met een machine interacteert, kan bepalen of ze de stof werkelijk begrijpen of slechts de opdracht voltooien. Onderzoekers proberen nu het landschap van deze mens-machine-partnerschap in kaart te brengen, waarbij ze zoeken naar de speciefieke gedragingen die leiden tot echt begrip en die leiden tot oppervlakkige resultaten.
Een team van onderzoekers zette zich sch de opdracht om deze dynamiek te verkennen in de omgeving met hoge inzet van het universitair onderwijs. Ze creëerden een digitale ruimte waar dertig bachelorstudenten samenwerkten met een kunstmatige intelligentie-partner om complexe calculusproblemen op te lossen. De opzet was zo ontworere dat noch de student, noch de computer het probleem alleen kon oplossen. De student bezat een deel van de noodzakelijke informatie, en de computer bezat de rest. Om de oplossing te vinden, moesten ze praten, delen wat ze wisten en hun stappen coördineren. Dit dwong tot een echte samenwerking in plaats van een eenvoudige transactie waarbij de student een vraag stelt en de machine een antwoord geeft. De onderzoekers legden elk bericht en elke actie vast, waarbij ze een geavanceerd systeem gebruikten om het gesprek te analyseren en te bepalen hoe goed het paar samenwerkte.
De studie toonde aan dat studenten niet allemaal op dezelfde manier met de AI interageerden. In plaats van één patroon van gedrag, identificeerden de onderzoekers acht verschillende rollen die studenten tijdens deze sessies speelden. Aan het ene uiteinde van het spectrum stonden studenten die optraden als "Co-Regulatoren". Deze individuen behandelden de AI als een echte denkpartner. Ze legden hun eigen redenering uit, toetsten hun begrip aan de suggesties van de computer en werkten samen om een gedeeld beeld van het probleem op te bouwen. Ze externaliseerden hun gedachten, waardoor hun mentale proces zichtbaar werd voor de machine zodat deze betekenisvol kon reageren. Aan het andere uiteinde stonden studenten die optraden als "Vroege Ontregelaars" of "Gokkers met Lage Inspanning". Deze studenten namen nauwelig deel aan het collaboratieve proces. Ze vroegen misschien om het antwoord, accepteerden het zonder vragen, of gaven snel op wanneer de taak moeilijk werd. Tussen deze extremen lagen andere rollen, zoals de "Delegerende Directeur", die actief bleef maar het zware werk aan de computer overliet, of de "Misgestuurde Volger", die probeerde de AI te volgen maar er niet in slaagde een correct gedeeld begrip van het probleem op te bouossen.
De resultaten lieten een duidelijke link zien tussen hoe een student met de AI interageerde en of zij succesvol waren. Studenten die een hoog niveau van interactie behielden, door informatie te delen en stappen samen door te redeneren, hadden een veel grotere kans om beide problemen correct op te lossen. Sterker nog, de kans dat een student in deze groep met een hoge interactie de taken oploste, was ongeveer elf keer hoger dan voor die in de groep met een lage interactie. Echter, de onderzoekers ontdekten dat simpelweg meer praten niet het hele verhaal was. Sommige studenten losten de problemen op met zeer weinig zichtbare samenwerking, vaak door de hulp van de AI te omzeilen of eromheen te werken. Omgekeerd praatten sommige studenten heel veel met de AI, maar waren ze slechts aan het rekenen of aan het gokken met getallen zonder het onderliggende logische proces echt te begrijpen. De kwaliteit van het gesprek was belangrijker dan de kwantiteit. De meest productieve interacties waren die waarbij de student zijn redenering zichtbaar hield, een gedeeld begrip van de probleemtoestand behield en de mentale arbeid eerlijk verdeelde tussen zichzelf en de machine.
Om deze complexe gesprekken te duiden, ontwikkelden de onderzoekers een nieuwe manier om samenwerking automatisch te meten. Ze gebruikten een systeem van kunstmatige intelligentie-agenten om de chatlogs te lezen en de interacties te scoren op basis van gevestigde kaders voor teamwork. Dit systeem kon identificeren of een student aan het plannen, monitoren of informatie delen was, wat een gedetailleerde kaart van het samenwerkingsproces bood. De automatische scoring was veelbelovend en stemde voor ongeveer 60% overeen met menselijke experts wat betreft het algemene type gedrag, en presteerde zelfs beter bij het kijken naar bredere categorieën van interactie. Dit suggereert dat het mogelijk is om mens-AI-teamwerk te analyseren op een schaal die voorheen onmogelijk was, waarbij men verder kijkt dan eenvoudige toetsresultaten om het werkelijke leerproces te begrijpen.
De studie concludeert dat de relatie tussen een student en een AI-partner niet een eenvoudige kwestie is van het gebruiken van een hulpmiddel. Het is een complexe sociale interactie waarbij de aanpak van de student de uitkomst bepaalt. Als een student de AI behandelt als een partner om mee te denken, door de eigen redenering te externaliseren en stappen te onderhandelen, is de kans groot dat zij diepgaand leren. Als zij de AI behandelen als een afkorting naar een antwoord, kunnen zij de taak weliswa voltooien, maar missen zij het leerproces. De onderzoekers suggereren dat toekomstige educatieve instrumenten zodanig ontworpen moeten worden dat ze deze verschillende rollen herkennen. In plaats van iedereen dezelfde hulp aan te bieden, zou een AI-systeem kunnen detecteren wanneer een student te veel werk delegeert of de betrokkenheid verliest, en vervolgens de prompts aanpassen om dieper nadenken te stimuleren. Door de specifieke manieren te begrijpen waarop studenten met deze nieuwe partners interageren, kunnen onderwijzers betere leerervaringen ontwerpen die kunstmatige intelligentie transformeren tot een echte katalysator voor menselijk begrip.
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.