Exploring Teacher-Chatbot Interaction and Affect in Block-Based Programming

该研究通过定性分析 11 个中学教师团队在基于块的编程环境中与聊天机器人的互动，揭示了教师对聊天机器人的三种不同体验模式（探索型、沮丧型和混合型），并提出了包括提供引入支架、增强教师控制力及明确使用场景在内的设计建议，以优化聊天机器人在支持中学编程教学中的效果。

要点

这篇文章就像是在讲一群中学老师第一次尝试“带着一位超级聪明的 AI 助教”去上编程课的故事。

想象一下，你是一位老师，手里拿着一套新的乐高积木（这是“块式编程”，像搭积木一样写代码），旁边还站着一个无所不知的AI 机器人。这个机器人不仅能帮你搭积木，还能回答你关于“为什么这块积木会动”的问题。

研究人员把 11 个老师两人一组，派去和这个 AI 机器人一起完成几个科学任务（比如模拟光波穿过窗帘、镜子或玻璃）。他们想看看：老师们喜欢这个机器人吗？他们感觉怎么样？如果让学生用，会发生什么？

以下是这篇论文的“大白话”版解读：

1. 老师们的三种“性格” (三种不同的反应)

当老师们开始和 AI 互动时，他们并没有整齐划一，而是分成了三种典型的“性格”：

• 🧐 探险家 (The Explorer)

  • 表现：他们像进了糖果店的孩子。他们喜欢到处点按钮，试着问 AI 各种奇怪的问题，甚至故意把代码改错看看 AI 怎么反应。
  • 心情：兴奋、好奇。
  • 比喻：就像你刚拿到一部新手机，忍不住把所有功能都试一遍，觉得“哇，这个太酷了！”
  • 结果：他们学得最快，但也可能因为太兴奋而忽略了一些基础规则。

• 🤖 任务执行者 (The Task-Focused)

  • 表现：他们像精明的项目经理。拿到任务后，直接问 AI 怎么解决，按部就班地做，不浪费时间。
  • 心情：平静、满意。
  • 比喻：就像你叫外卖，只关心饭什么时候到，不想研究厨房是怎么炒菜的。
  • 结果：效率很高，但可能没怎么深入思考。

• 😫 受挫者 (The Frustrated)

  • 表现：他们被 AI 搞晕了。有时候 AI 的回答太啰嗦，有时候界面挡住了屏幕，有时候 AI 生成的代码完全看不懂。他们反复尝试，却总是卡住。
  • 心情：困惑、生气、想放弃。
  • 比喻：就像你试图用一把生锈的钥匙开一扇复杂的门，越急越打不开，最后想把钥匙扔了。
  • 结果：他们最需要帮助，但往往因为太受挫而不敢再用了。

2. 老师们心里的“小算盘”：好处 vs. 风险

老师们在讨论时，心里像有两个小人在打架：

• 🌟 好处 (AI 是超级助手)

  • 给学生的：AI 能让学生更有自信。以前不敢写代码的学生，有了 AI 帮忙，会觉得“嘿，我也能行！”而且，学会怎么向 AI 提问（提示词工程），本身就是一种新技能，就像以前学打字，现在学“指挥 AI"。
  • 给老师的：老师一个人管 30 个学生，忙不过来。AI 可以当“第二双眼睛”，帮那些卡住的学生解围，老师就能腾出手来教更难的东西。

• ⚠️ 风险 (AI 是偷懒的陷阱)

  • 最大的担忧：学生会不会只动嘴不动脑？
  • 比喻：如果学生直接让 AI 把作业写完，就像直接吃别人嚼好的饭。他们可能根本不知道饭是怎么做的（代码逻辑），以后遇到没 AI 的情况就傻眼了。
  • 核心问题：学习编程需要“productive struggle"（有益的挣扎），就是那种“我想不通，但我努力想通了”的过程。如果 AI 直接给答案，这个“长脑子”的过程就没了。

3. 老师们想要什么样的 AI？(设计建议)

老师们并不是要把 AI 赶走，而是希望给它加一些“紧箍咒”和“安全带”：

• 🎛️ 老师要有“遥控器”

  • 老师希望自己能控制 AI 能做什么。比如，在教基础时，关掉“直接写代码”的功能，只让 AI 回答问题；等学生学会了，再打开“写代码”功能。
  • 比喻：就像教孩子骑车，刚开始要装辅助轮（限制 AI 功能），等学会了再拆掉。

• 🎓 因材施教

  • 对于基础差的学生，AI 要像耐心的家教，一步步引导；对于学霸，AI 要像挑战书，给他们更难的题目。
  • 还要照顾到阅读困难或英语不好的学生，AI 最好能读出来或者画图，别光是一大堆文字。

• 👀 别让我猜谜

  • 如果 AI 生成了代码，最好能解释一下“我为什么这么写”，而不是扔给你一堆看不懂的字符。就像老师改作业，不能只打个叉，得告诉你错在哪。

4. 总结：AI 不是来取代老师的，是来当“副驾驶”的

这篇论文告诉我们：
AI 在教室里是个双刃剑。用得好，它能像超级助教，帮老师减轻负担，帮学生建立自信；用不好，它就像作弊器，让学生变懒，让老师失去对课堂的掌控。

关键不在于 AI 有多聪明，而在于我们怎么设计它，以及老师怎么用它。 就像开车一样，AI 是自动驾驶，但老师必须握着方向盘，知道什么时候该自己开，什么时候让车自己跑，还要确保乘客（学生）真的学会了怎么开车，而不是只会坐。

一句话总结：
我们要教学生学会指挥AI，而不是让 AI代替学生思考。老师需要更多的工具来控制这个“聪明的机器人”，让它成为学习的帮手，而不是学习的终点。

技术摘要

以下是基于论文《Exploring Teacher-Chatbot Interaction and Affect in Block-Based Programming》（探索基于块编程中的教师 - 聊天机器人交互与情感）的详细技术总结：

1. 研究背景与问题 (Problem)

随着大型语言模型（LLM）如 ChatGPT 的普及，AI 在教育领域的应用迅速扩展，但也引发了关于学术诚信、过度依赖以及认知负荷转移的担忧。特别是在编程教育中，学生可能通过让 AI 生成代码来绕过“富有成效的挣扎”（productive struggle），从而阻碍深层学习和批判性思维的发展。

尽管已有研究关注学生与 AI 的交互，但教师视角的研究相对匮乏。教师作为课堂的引导者，其态度、情感反应以及对 AI 工具的控制需求直接决定了 AI 在课堂中的有效整合。本研究旨在解决以下核心问题：

• RQ1: 与聊天机器人交互学习编程如何影响中学教师的情感（affect）和态度？
• RQ2: 教师如何看待在课堂中使用 LLM 进行基于块的编程（Block-Based Programming）的益处与风险（针对学生和老师）？

2. 研究方法 (Methodology)

• 参与者: 研究招募了 25 名 中学科学教师，分为两组：8 名经验丰富的“主导教师”（Lead Teachers）和 17 名“参与教师”（Participant Teachers）。最终分析基于 11 个 教师小组（每组 2-3 人）的交互数据。
• 实验环境: 使用 Stax.fun 平台，这是一个集成了 AI 助手（Chatbot）的基于块的编程环境（类似 Scratch）。该聊天机器人提供四种模式：
  • Code (代码): 根据自然语言生成代码块。
  • Q&A (问答): 回答编程概念或环境使用问题。
  • Coach (教练): 提供分步指导。
  • Prompts (提示词): 优化用户的提示词。
• 任务设计: 教师参与为期两天的专业发展（PD）工作坊。
  • 第 1 天: 学习基于块的编程（Snap!），完成波浪交互的基础活动（无聊天机器人）。
  • 第 2 天: 在 Stax.fun 环境中完成相同的“波浪活动”（涉及光波与窗帘、玻璃、镜子、声波等的交互模拟）。教师被要求使用聊天机器人辅助编程，并开启“有声思维”（Think-aloud）协议。
• 数据收集:
  • Zoom 屏幕录制和音频录制。
  • 聊天机器人交互日志（提示词、代码修改、标签切换）。
  • 活动结束后的结构化讨论（15 分钟），探讨对聊天机器人的看法、课堂整合策略等。
• 数据分析:
  • 行为与情感分析: 对视频和转录稿进行时间戳标记，识别情感状态（积极、中性、消极）及触发因素（UI 交互、认知挑战、指令遵循）。
  • 用户画像构建 (Personas): 基于时间、情感轨迹、策略模式和求助行为，将教师分为三类。
  • 主题分析: 对讨论数据进行归纳和演绎分析，提取关于益处、风险、教学法实践等主题。
  • 理论框架映射: 将结果映射到技术接受模型（TAM）和计划行为理论（TPB）中，以解释教师的采用意图。

3. 关键贡献与结果 (Key Contributions & Results)

3.1 教师交互画像 (Teacher Personas)

研究识别出三种典型的教师交互画像，反映了不同的脚手架需求：

1. 探索者/任务导向型 (Explorer/Task-Focused):
   • 特征: 花费时间较长，情感以积极/中性为主（好奇、兴奋、自信）。
   • 行为: 频繁切换标签、优化提示词、尝试多种变体，极少求助。
   • 意义: 这类教师将聊天机器人视为探索工具，能有效利用其功能。
2. 混合型 (Mixed):
   • 特征: 情感波动较大，在积极和消极之间切换。
   • 行为: 在遵循指令和探索之间摇摆，偶尔遇到挫折会求助，但能继续独立完成任务。
3. 受挫型 (Frustrated):
   • 特征: 消极情感主导（困惑、不满意、沮丧），积极情感极少。
   • 行为: 反复重试无进展，严重依赖研究人员/ facilitator 的帮助，甚至出现放弃行为。
   • 原因: 主要源于界面交互问题（如提示词消失、聊天框遮挡代码）以及对系统预期的困惑。

3.2 情感触发因素分析

研究将情感触发因素分为三个层面：

• L1 (UI/交互): 系统级问题（如界面布局、输入机制）主要导致困惑和不满。
• L2 (计算思维/科学): 认知挑战（如理解波的概念、调试逻辑）主要引发好奇或挫败。
• L3 (指令遵循): 任务框架不清导致困惑。
• 发现: 许多负面情绪并非源于 AI 生成的代码错误，而是源于教师缺乏对系统运作的“情境感知”（Situation Awareness），导致无法理解 AI 的决策逻辑。

3.3 教师对 LLM 的感知：益处与风险

• 益处 (Benefits):
  • 学生层面: 提升自我效能感（Self-efficacy），增强编程信心；培养提示词工程（Prompting）技能；辅助差异化教学（支持初学者和特殊需求学生）。
  • 教师层面: 减轻工作负担，提供即时反馈，增强教师自身的编程信心和课堂掌控力。
• 风险 (Risks):
  • 认知退化: 担心学生过度依赖 AI，跳过“富有成效的挣扎”，导致无法真正理解代码逻辑。
  • 技能转移: 关注点从“如何编程”转移到“如何写提示词”，可能削弱基础编程技能的掌握。
  • 透明度缺失: AI 生成的代码缺乏解释，教师难以评估学生的真实理解程度。

3.4 教学法建议

教师普遍支持在课堂中使用聊天机器人，但强调必须经过脚手架（Scaffolding）引导：

• 基础优先: 在引入 AI 前，学生应先掌握基础编程概念。
• 功能控制: 教师需要能够禁用特定功能（如代码生成），仅保留问答或提示功能，以防止学生直接复制答案。
• 分层支持: 根据学生水平调整 AI 的反馈深度（例如：Level 1 直接给代码，Level 2 仅给提示）。

4. 理论意义 (Significance)

• 理论整合: 本研究将 TAM (技术接受模型) 和 TPB (计划行为理论) 结合，解释了教师的情感体验（如困惑、自信）如何作为中介变量，影响其对 AI 工具的感知有用性、易用性及行为控制感，进而决定其采用意图。
• 情感与认知的关联: 证明了在 AI 辅助编程中，情感状态（特别是挫败感）与认知障碍（如情境感知缺失）紧密相关。负面情绪往往是系统设计缺陷（而非内容错误）的信号。
• 设计启示: 提出了具体的设计原则，强调 AI 不应仅仅是生成器，而应是协作学习伙伴。

5. 设计建议 (Design Recommendations)

基于研究发现，作者提出了以下针对教育类聊天机器人的设计建议：

1. 支持差异化教学: 允许教师根据学生技能水平调整 AI 的提示深度和辅助程度（如预评估、动态调整）。
2. 教学法集成与功能开关: 提供教师控制面板，允许启用/禁用代码生成功能，或限制提示词提交次数，以平衡效率与学习深度。
3. 适应多样化学习者: 优化输出形式，支持视觉化或语音输出（Text-to-Speech），以支持阅读障碍或英语学习者（ESL）。
4. 增强情境感知 (Situation Awareness):
   • 自动为生成的代码添加注释。
   • 高亮显示代码变更部分（Diff）。
   • 明确指示代码在界面中的位置，减少界面混乱带来的认知负荷。
5. 超越“表演性共情”: 当用户受挫时，AI 不应仅表达同情，而应提供工具性脚手架（如澄清目标、重述提示、提供具体选项），帮助用户解决根本问题。

总结

该论文通过实证研究揭示了中学教师在面对 AI 编程工具时的复杂情感与行为模式。研究指出，成功的 AI 教育整合不仅取决于技术能力，更取决于教师对工具的控制感、透明的系统设计以及恰当的教学法脚手架。未来的 AI 教育工具设计应从“替代教师”转向“增强教师”，通过精细化的控制机制和情境感知设计，确保 AI 成为促进深度学习的有力工具，而非阻碍批判性思维的捷径。