Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction
本研究表明，在研究生培训人员中，自我报告的大语言模型使用频率比先前的课程学习或自评熟悉度更能一致且有效地预测教学前的人工智能伦理感知，这表明简单的行为信号可以有效地为适应性人工智能伦理教育提供参考。
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，你是一位正在为一群有志于成为厨师的学生准备特别烹饪课的厨师。你知道其中有些人甚至从未拿过刀，而另一些人可能已经烹饪多年。为了有效地教学，你需要了解他们的起点在哪里。
这篇论文旨在研究在教授 AI 伦理之前，向学生询问“你对 AI 的经验有多少？”的最佳方式。研究人员想要知道：哪种问题能为我们提供关于学生起点的最准确画像？
他们测试了三种询问经验的方式：
- “简历式”问题： “你以前上过关于 AI 的课程或工作坊吗？”
- “信心式”问题： “在 1 到 5 的评分范围内，你对 AI 的熟悉程度感觉如何？”
- “行动式”问题： “你实际上使用 AI 工具的频率是多少？”
以下是他们的发现，使用了简单的类比：
1. “简历”是一个糟糕的地图
研究人员询问学生是否参加过任何 AI 课程或工作坊。他们曾预期这是一个强有力的信号。
- 结果： 这就像问一位旅行者：“你以前去过巴黎吗？”并假设如果他们回答“去过”，他们就知道如何在巴黎的街道上穿行。事实证明，仅仅拥有一个“门票”（参加过课程）并不能告诉老师关于学生对 AI 的实际看法或他们计划如何使用 AI 的太多信息。数据表明，参加过课程与学生目前对 AI 的看法之间没有明确的联系。
2. “行动”问题是最好的指南针
研究人员观察了学生使用 AI 的频率（从“从不”到“每天”）。
- 结果： 这是最强大的信号。这就像问一名司机：“你今年开了多少英里？”答案完美地预测了他们的驾驶习惯和信心。
- 每天使用 AI 的学生与从未使用的学生有着截然不同的观点。
- 具体来说，重度用户更信任 AI 提供的一般性事实，更有能力识别虚假信息，并且不太担心 AI 会破坏他们的批判性思维能力。
- 即使是那些“偶尔”使用 AI 的学生，与从未使用的学生相比，也表现出了明显的信心提升。
3. “信心”检查是一个不错的第二意见
“你感觉熟悉程度如何？”这个问题很有帮助，但不如“你使用的频率如何？”那么完美。
- 结果： 它在某些方面（如识别假新闻或信任 AI 处理复杂任务）表现良好，但在其他方面则显得有些模糊。这就像乘客说：“我觉得我认得路，”这通常是真的，但司机的实际行驶里程（使用频率）能提供一个更一致的故事。
“阈值”的惊喜
一个有趣的发现是，这种变化并不是像坡道一样逐渐发生的。相反，它看起来更像是一个灯光开关。
- 如果你从未使用过 AI，你的观点是这样一种方式。
- 一旦你哪怕只是一点点开始使用它，你的观点就会发生显著转变。
- 然而，对于某些特定的担忧（比如“AI 会让我变懒吗？”），这种变化只发生在每天使用的重度用户中。
为什么这很重要？
研究人员建议，如果你正在设计一门教授 AI 伦理的课程，不要只看学生的成绩单来查看他们是否上过课。相反，你应该问他们一个简单的问题：“你使用 AI 的频率是多少？”
- 如果他们说“从不”： 他们可能需要一个关于 AI 是什么以及为什么重要的基础介绍。
- 如果他们说“每天”： 他们已经掌握了基础知识。他们可能需要一种不同类型的课程，侧重于过度信任 AI 的危险，或者识别 AI 何时失效，因为他们对这些风险似乎并不像应该担心的那样感到担忧。
核心结论
简而言之，你做了什么（使用工具）比你学了什么（参加课程）或你感觉如何（信心程度）更能预测你的想法和感受。对于试图定制化课程的教师来说，询问实际的使用习惯是他们在开课前对学生进行分组的最简单且最有效的方法。
注：该论文是一个时间切片（调查），它并不能证明根据这些答案改变教学风格一定会让学生学得更好——那需要未来的实验。它仅仅是说，这些是了解学生现状的最佳问题。
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。