From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning
这项针对使用通用大语言模型进行数学学习的九年级学生的研究表明，虽然 AI 交互的静态摘要无法预测表现，但展现出向认识主动性参与（即在寻求概念与程序性帮助与进行数学实践之间取得平衡）转变的时间轨迹，能够显著预测脱离 AI 后的后测成绩提升。
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
想象一下你正在学习烹饪一道复杂的菜肴，比如舒芙蕾。你的身边站着一位超级聪明、无所不知的副厨（AI）。你可以问她任何问题：“我该怎么打鸡蛋？”“烤箱温度应该是多少？”或者“直接把食谱告诉我，好让我照着做。”
这项研究观察了 9 年级的学生在做类似的事情，只不过他们处理的是数学而不是烹饪。他们需要学习如何将现实世界的问题（比如计算货车的最佳行驶路径）转化为数学方程。他们在可以使用 AI 导师进行练习后，有 40 分钟的时间进行练习，随后要参加一场不能使用 AI 的测试。
研究人员想要知道：学生在练习过程中与 AI 交谈的方式，是否能预测他们稍后在测试中的表现？
以下是研究结果，通过简单的形式进行了拆解：
1. “静态快照”行不通
起初，研究人员想：“我们只要计数即可。”他们统计了学生寻求帮助的次数、索要答案的次数以及检查自己工作的次数。他们观察的是整个过程的“总菜单”。
结果： 这并不重要。
这就像是通过厨师使用了多少种食材来评判一名厨师一样。一个学生可能问了 50 个极好的问题，也可能问了 50 个糟糕的问题，而“总数”并不能告诉研究人员该学生是否能通过测试。“大局观”下的数字具有误导性。
2. “电影”才是关键
研究人员意识到，学习不是一张照片，而是一部电影。他们观察了对话随时间是如何变化的。他们将 40 分钟划分为“早期”、“中期”和“后期”阶段。
他们发现，成功的学生遵循了一个特定的故事线：
- 早期阶段： 学生从寻求帮助以理解问题开始（比如问：“这个词是什么意思？”或“我该如何开始？”）。
- 后期阶段： 随着接近尾声，成功的学生转换了模式。他们不再询问新的解释，而是开始承担繁重的任务。他们利用 AI 来检查自己的工作或验证自己的逻辑，但他们才是驾驶员。
不成功的案例故事线：
表现挣扎的学生往往表现出相反的情况。他们开始时试图理解，但随着时间的推移，他们变得越来越依赖 AI 来直接给出答案，或者检查每一个步骤。他们让 AI 驾驶巴士，而自己只是在旁观看。
3. “认识论主动性”的比喻
论文使用了一个高级术语——“认识论主动性”（Epistemic Proactivity）。我们可以称之为**“学习领导力”**。
- 主动型（好）： 学生是船长。他们向 AI 要一张地图，然后自己掌舵，接着检查指南针。他们将 AI 作为构建自身理解的工具。
- 被动型（坏）：学生是乘客。他们要求 AI 掌舵，然后要求 AI 检查指南针，最后要求 AI 告诉他们是否到达了目的地。他们只是在听从指令。
重大发现：
那些在开始阶段是乘客，但在课程结束前学会成为船长的学生，在测试中表现最好。那些开始是船长，但到最后让 AI 接管了控制权的学生，表现则较差。
4. 这对未来意味着什么
论文指出，如果我们希望 AI 能够帮助学生学习，我们不应仅仅关注他们问了什么。我们需要观察他们的行为随时间是如何变化的。
- 对于 AI 设计师： AI 不应只是回答问题。它应该观察对话的“电影”。如果它看到学生开始仅仅是索要答案而停止思考，AI 应该介入并说：“嘿，先试着自己解决这一部分，”而不是直接给出答案。
- 对于教师： 教师可以通过聊天记录来观察一名学生是在保持“船长”角色，还是正滑向“乘客”角色。如果一名学生在课程结束时只是在索要答案，老师就知道需要介入并帮助他们重新夺回控制权。
总结
利用 AI 进行学习，不在于你问了多少问题，也不在于你的问题听起来多么“聪明”。而在于谁在掌控局面。如果你从学习开始，并以独立完成工作结束（即使有 AI 的辅助），你就会成功。如果你从学习开始，但最后却让 AI 为你代劳，那么当 AI 不在身边时，你将会感到吃力。
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。