The Agency Gap in AI-Supported Writing: How Reactive and Proactive Agent Designs Shape Multimodal Reasoning

技术摘要：AI辅助写作中的代理差距（The Agency Gap）

问题陈述
生成式人工智能（GenAI）融入学术写作引入了一个关键的设计挑战：“代理差距”（agency gap）。这一概念描述了 AI 智能体（如反应型 vs. 主动型）所要求的发起能力与学习者发起、监控和评估 AI 支持下的推理能力之间可能存在的失配。虽然 GenAI 工具提供了支架式学习的机会，但其教育价值取决于控制权的如何分配。反应型智能体要求学习者具备高水平的提示词（prompting）技巧和元认知意识，这可能会使 GenAI 素养较低的学习者处于劣势。相反，提供序列化问题和反馈的主动型智能体可能会降低认知负荷，但也存在过度结构化学习过程并削弱学习者代理感的风险。现有研究缺乏关于这些交互设计如何影响认识论推理（epistemic reasoning）、反馈吸收以及多模态分析性写作任务中即时独立表现的实证证据。

研究方法
本研究采用两阶段、混合方法实验设计，对象为 79 名医护专业学生。参与者完成了两个基于医疗模拟数据可视化（条形图、通信网络和病房地图）的多模态分析性写作任务。

• 实验条件： 参与者被随机分配到两种 AI 智能体设计之一：
  • 反应型智能体（Reactive Agent）： 仅在学习者提示时做出响应，要求学生识别不确定性、构思提示词并进行提问序列化。
  • 主动型智能体（Proactive Agent）： 发起一系列固定的引导性问题，并基于专家编写的支架提供任务级或过程级反馈，引导学习者进行视觉解读，但不生成最终文本。
• 测量指标：
  • GenAI 素养： 使用经过验证的包含 20 个项目的生成式 AI 素养评估测试（GLAT）进行评估。
  • 写作表现： 通过涵盖五个维度的序数量表进行评估：洞察力、视觉数据整合、组织与连贯性、语言质量以及批判性思维。
  • 认识论推理： 使用认识网络分析（ENA）来映射人类-AI 对话中推理与参与的关系结构（基于 ICAP 和论证框架）。
• 分析方法： 研究利用序数逻辑回归，根据素养和设计来预测独立写作表现（移除 AI 后）。中介分析测试了 AI 支持的表现是否在中介了素 liệu 与独立表现之间的关系。对学习者反思的主题分析为代理感体验提供了定性见解。

核心结果

• 认识论推理（RQ1）： ENA 显示了不同条件下的不同关系结构。主动型交互促进了概念推理、充分证据应用与建设性参与之间的更强联系。相比之下，反应型交互的特征是事实性描述与脱离主题或程序性交换之间存在较强的关联。主动型支架似乎将规划和监控功能外显化，从而将注意力从观察转向综合。
• GenAI 素养与表现（RQ2）： 在移除 AI 支持后，GenAI 素养显著预测了在视觉数据整合、批判性思维及综合得分方面的即时独立表现。然而，素养并不显著预测洞察力、组织性或语言质量的表现。至关重要的是，GenAI 素养与智能体设计之间的交互作用在统计学上并不显著；研究并未发现一种设计比另一种设计产生更高分数或不同素养斜率的证据。
• 中介效应（RQ3）： 中介分析显示，在反应型条件下，GenAI 素养与独立表现之间存在显著的总关联，但在主动型条件下则不然。然而，间接效应在两种条件下均不具有统计学显著性，且置信区间较宽。结果表明，虽然主动型支持可能会减少基于素养的表现差异，但研究并未建立补偿性的因果关系，也未能证实中介作用。
• 学习者体验（RQ4）： 定性分析确定了三个设计启发式原则：（1）通过情境性和确认性反馈维持自主性（反应型）；（2）通过对话式支架促进整合性推理（主动型）；（3）通过将发起权与感知到的学习者专业知识及任务复杂度相匹配来确保公平。学习者重视主动型引导在连接证据方面的作用，但在处理简单任务或感到自身胜任时，则认为其具有冗余性。

核心贡献
本文的主要理论贡献是将“代理差距”概念化为 AI 智能体发起权与学习者能力之间的关系性失配，而非个体缺陷。它将发起权的分配定位为塑造认识论工作分配的设计层面边界条件。

• 过程 vs. 结果： 研究表明，即使在直接的“结果”（写作得分）在统计学上不显著的情况下，交互设计也会显著改变推理的“过程”（对话的网络结构）。
• 设计启示： 研究结果表明，有效的 AI 写作支持需要情境化反馈、对话式支架，并根据学习者需求校准发起权。主动型设计可以深化概念整合，而反应型设计在保留学习者控制权的同时，对素养提出了更高要求。

意义与主张
作者强调其研究具有适度的意义，强调“代理差距”是一个新兴的解释性框架，而非已验证的普遍理论。研究并未声称主动型智能体普遍优于反应型智能体，也没有断言主动型支架能确定性地补偿低素养。相反，研究结果支持了这样一个假设：交互设计会重组学习的认识论工作。实际意义在于，教育类 AI 智能体应提供可调节的发起水平，允许学习者在展示胜任力时请求指导或减少支架。作者提醒，这些结果特定于短期、多模态的证据合成任务，并呼吁未来进行更大样本量、直接测量代理感以及测试这些效应持久性的纵向评估研究。