Investigating Self-regulated Learning Sequences within a Generative AI-based Intelligent Tutoring System
本研究分析了学生与基于生成式人工智能的智能辅导系统的交互模式，以识别不同的自我调节学习序列，结果表明，尽管大多数学生主要将生成式人工智能用于信息获取而非信息转化，但这些使用模式与学习表现之间并无显著相关性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你正在尝试解决一个复杂的谜题，比如制定一份完美的每周饮食计划。现在，想象你身边坐着一个超级聪明、无所不知的机器人助手（生成式人工智能），它随时准备回答你的任何问题或给你一点提示。这项研究就像是一个侦探故事，观察了 114 名学生在有这位机器人助手协助下解决营养谜题的过程。研究人员想要了解：学生在学习过程中究竟是如何使用这个机器人的？他们是用一种聪明、有组织的方式使用，还是只是随机地跳来跳去？
以下是他们发现的研究结果，使用了一些简单的类比：
两种类型的“机器人舞者”
研究人员观察了学生们的每一次点击和按键（他们的“追踪数据”），以观察他们在学习过程中是如何移动的。他们发现，学生们根据他们调节自身学习的方式，自然地分成了两个截然不同的群体，或者说“舞种”。
“快节奏”舞者（聚类 1）：
- 他们的动作： 这些学生就像在跑道上的短跑运动员。他们设定一个目标，检查一件食物，评估它，然后立即转向下一件。他们频繁地向机器人寻求帮助（平均大约 5 次）。
- 问题所在： 他们倾向于向机器人寻求帮助，得到答案后，立即跳转到检查下一个项目。他们非常活跃，但花费大量时间逐一查看单个信息碎片，而不是退后一步来组织整体图景。
- 结果： 他们的表现不如另一组。这就像是在盖房子时，只顾着一块砖一块砖地铺设，却从未停下来看一眼蓝图；你可能会铺设很多砖块，但房子可能盖得并不稳固。
“深度思考者”舞者（聚类 2）：
- 他们的动作： 这些学生更像是建筑师。他们向机器人寻求帮助的频率较低（大约 2 次），但当他们提问时，会与机器人进行更长、更深入的对话。他们在“反思”上花费了更多时间，这种反思就像是停下来观察整个拼图，并思考：“这个碎片是否与我已有的知识相契合？”
- 结果： 他们的表现更好。通过花时间反思和组织思路，他们构建了一个更清晰的问题心理地图。
他们向机器人询问了什么？
研究人员还观察了学生们为什么要向机器人提问。他们发现了两个主要原因，就像向图书管理员询问两件不同的事情：
- 信息获取（“这是什么？”类问题）： 这是最常见的原因。学生会问诸如“钠有什么作用？”或“多少咖啡因算过多？”之类的问题。他们只是在收集新的事实。
- 信息转化（“这意味着什么？”类问题）： 这类情况较少见。学生会问诸如“如果这种饮料含有碳水化合物，它还是无糖的吗？”或“这与另一种饮料有什么不同？”之类的问题。这是一个更难的任务，因为它需要将他们已知的知识进行扭转，以解决特定的问题。
大惊喜： 尽管询问“这意味着什么？”这类问题通常是更聪明、更深度学习者的标志，但研究发现，这实际上并没有改变学生的成绩。无论一名学生主要是询问事实，还是主要进行深度分析，他们的最终得分都差不多。他们移动步骤的方式（“快节奏”对比“深度思考者”的舞蹈）对于他们的成功而言，比他们向机器人提问的具体类型重要得多。
启示
该研究得出结论，当我们给学生配备一个超级聪明的 AI 导师时，我们不能假设他们会明智地使用它。
- 有些学生把使用它当作速读员，掠过事实并快速移动，这可能会让他们对大局感到困惑。
- 另一些学生则把它当作思考伙伴，停下来反思和组织，这有助于提升解决问题的能力。
研究人员建议，如果我们希望学生学得更好，我们不应仅仅把机器人交给他们；我们需要教他们如何与机器人一起“起舞”。我们需要构建能够鼓励他们停顿、反思和组织思路，而不是盲目冲向下一个信息碎片的系统。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。