← 最新论文
💻 computer science

The Future of Feedback: How Can AI Help Transform Feedback to Be More Engaging, Effective, and Scalable?

该会议报告汇集了来自教育心理学、计算机科学、科学教育及学习科学领域的 50 位学者，探讨了生成式人工智能在提供实时、自动化反馈方面的潜力、风险及挑战，并总结了跨学科共识与未来研究方向。

原作者： Jennifer Meyer (University of Vienna, Vienna, Austria), Olaf Köller (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Thorben Jansen (Leibniz Institute for Science,Mathematics Educ
发布于 2026-03-16
📖 1 分钟阅读☕ 轻松阅读
CC BY 4.0

原作者： Jennifer Meyer (University of Vienna, Vienna, Austria), Olaf Köller (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Thorben Jansen (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Johanna Fleckenstein (University of Hildesheim, Germany), Michael W. Asher (Carnegie Mellon University, USA), Sarah Bichler (Universität Passau, Passau, Germany), Laura Brandl (LMU Munich, Germany), Jasmin Breitwieser (DIPF | Leibniz Institute for Research,Information in Education, Frankfurt, Germany), Kai S. Cortina (University of Michigan, USA), Mutlu Cukurova (University College London, United Kingdom), Martin Daumiller (University of Freiburg, Germany), Hannah Deininger (University of Tübingen, Germany), Frank Fischer (LMU, Germany), Dragan Gašević (Monash University, Clayton, VIC, Australia), Jeanine Grütter (LMU Munich, Germany), Anna Hilz (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Ioana Jivet (CATALPA, FernUniversität in Hagen, Germany), Jelena Jovanović (University of Belgrade, Serbia), Rene F. Kizilcec (Cornell University, USA), Livia Kuklick (Humboldt Universität zu Berlin, Berlin, Germany), Marlit Annalena Lindner (Leibniz Institute for Science,Mathematics Education,Europa-Universität Flensburg, Germany), Anastasiya Lipnevich (NBME,the Graduate Center, City University of New York, USA), Ute Mertens (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Detmar Meurers (Leibniz Institut für Wissensmedien, Tübingen, Germany), Kou Murayama (University of Tübingen, Germany), Tanya Nazaretsky (EPFL, Switzerland), Knut Neumann (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Ernesto Panadero (Dublin City University,Deusto University), Maciej Pankiewicz (University of Pennsylvania, USA), Zachary A. Pardos (UC Berkeley, USA), Chris Piech (Stanford University, USA), Hannah Pünjer (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Nikol Rummel (Ruhr-University-Bochum,CAIS, Bochum, Germany), Marlene Steinbach (Leibniz Institute for Science,Mathematics Education, Kiel, Germany), Olga Viberg (KTH Royal Institute of Technology, Sweden), Naomi Winstone (University of Surrey, UK)

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

这篇文章就像是一场全球顶尖教育专家与科技达人的“头脑风暴”会议记录。

想象一下，50 位来自世界各地的心理学家、计算机科学家和教育专家，聚在德国的一座古堡里，讨论一个核心问题：“当人工智能（AI）能像变魔术一样瞬间给成千上万的学生写评语时，我们该如何让它变得既有用、又有趣，还能真正帮到每个人？”

他们把这次讨论总结为三个关键故事，我们可以用生活中的比喻来理解：

1. 核心任务：AI 是“超级厨师”，但别让它抢了“主厨”的戏

（关于反馈的有效性）

  • 过去的困境：以前，老师想给每个学生提供详细的、个性化的“烹饪指导”（反馈），就像想让 50 个学生同时吃到定制大餐，老师一个人累死也做不完。
  • AI 的魔法：现在的生成式 AI 就像一台超级智能的“料理机”（文中比作 Thermomix）。它能瞬间把切菜、搅拌、烘焙、调味全搞定，还能根据每个人的口味（学习进度）实时调整。它能让反馈变得更快、更频繁、更便宜。
  • 潜在的风险：
    • 依赖症：如果学生太依赖 AI 给的“现成菜谱”，他们自己可能连怎么切菜都忘了（失去了自我调节学习的能力）。
    • 信任危机：如果 AI 给出的理由让人看不懂（像黑盒子），学生和老师可能会怀疑：“这真的对吗？”
  • 专家的建议：AI 应该是助手，而不是替代者。老师需要像“主厨”一样，监督 AI 做的菜，甚至和 AI 一起设计菜谱（人机共创）。同时，要教学生如何辨别 AI 的“幻觉”（胡说八道），培养他们的"AI 素养”。

2. 关键动作：学生得“吃”下去，反馈才有用

（关于学生的参与和感受）

  • 核心问题：就算 AI 写出了世界上最完美的评语，如果学生根本不看，或者看了心里不舒服，那也没用。这就像厨师做了一桌满汉全席，但客人把盘子推开说“我不饿”或者“这菜太咸了”。
  • 心理博弈：
    • 谁在说话很重要：学生可能会觉得“这是老师写的，我得听”，但如果是"AI 写的”，他们可能会觉得“这机器懂什么？”。
    • 表扬的艺术：AI 可以批量给学生发“你真棒”，但如果表扬得太假，或者让学生觉得“反正我都做得很好了，不用努力了”，反而会起反作用。
  • 专家的建议：
    • 不仅仅是给答案：AI 不仅要给反馈，还要引导学生去“消化”反馈。比如，用视频、语音等更生动的方式，或者设计成游戏，让学生愿意去互动。
    • 像侦探一样观察：以前老师只能靠问“你看了吗？”，现在 AI 可以像隐形侦探一样，通过分析学生点击、停留时间等数据，悄悄观察学生到底有没有认真看反馈，并及时提醒老师介入。

3. 终极挑战：如何把“米其林大餐”端上“大排档”的桌子？

（关于大规模推广）

  • 现实差距：在实验室里，AI 反馈效果很好；但一旦放进真实的、乱糟糟的课堂里，情况就复杂多了。就像在实验室里完美的赛车，开在泥泞的乡间小路上可能会陷车。
  • 复杂的变量：每个学生的性格、背景、学科不同，就像每个人的肠胃不同，对同一道菜的反应也不一样。
  • 未来的路：
    • 不要闭门造车：研究人员不能只坐在象牙塔里，必须和一线老师、甚至科技公司合作。
    • 开源与共享：为了防止数据被大公司垄断，专家们呼吁建立开源平台（像维基百科一样），让大家共享数据和成果，确保研究是为了“教育好”，而不是为了“卖软件”。
    • 大规模实验：需要像做药物临床试验一样，在全球范围内进行大规模、严谨的测试，看看 AI 反馈到底在什么情况下最有效。

总结：未来的图景

这篇报告的核心思想是：AI 不是来取代老师的，而是来给老师“装翅膀”的。

未来的教育，应该是AI 负责处理海量的、重复的、基础的数据和反馈（像勤劳的管家），而人类老师负责情感连接、价值判断和复杂的教学设计（像智慧的导师）。

只有当技术（AI）、心理学（懂学生）和教育学（懂教学）这三者像三股绳一样紧紧拧在一起，我们才能真正迎来一个“反馈”不再是负担，而是学习加速器的美好未来。

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。

试用 Digest →

类似论文

查看该分类全部 💻 cs →