Engagement and Equity as Evidence for AI-Informed Instructional Design: A Learning Analytics Study of Two Large-Scale Datasets
通过对两个大规模学习数据集的分析，本研究表明，尽管行为参与度是学业成功的最强预测因子，但其在社会经济和残障群体中的不均衡分布，要求人工智能驱动的教学设计必须优先考虑公平性和早期留存策略，而非仅仅追求自动化，从而有效推进包容性教育。
原始论文采用 CC BY 4.0 许可（https://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
在教育领域，一场无声的革命已经持续了一段时间。学校和大学正越来越多地转向技术来辅助学生学习，希望数字工具能够根据个人需求定制课程、即时评分，并让学习者保持进度。这一被称为“学习分析”的领域，涉及收集关于学生如何与课程互动的海量数据——包括他们点击了什么、在某个页面停留了多久，以及何时提交作业。其目标是利用这些信息来了解哪些方法奏效，哪些方法无效。然而，随着人工智能承诺将这些工具提升到新的水平，教育工作者中也出现了日益增长的担忧。他们担心，这种对采用新颖、华丽技术的追求，其速度超过了证明这些技术确实有益所需的证据积累。核心问题不再仅仅是技术能做什么，而是课程中的哪些具体设计选择能可靠地引导学生走向成功，以及这些选择是帮助了所有学生，还是仅仅帮助了少数幸运儿。
肯雅塔大学（KCA University）研究人员的一项新研究通过观察两组大规模的真实世界数据来探讨这一问题。研究团队并没有在小规模课堂中测试一种新装置，而是检查了来自英国一所大型远程学习大学的近29,000名学生的记录，以及另外一组由4,000名用户与某商业AI英语语言测试辅导系统进行互动的样本。通过分析这些庞大的数据集，研究人员试图寻找成功的最强信号，并观察人工智能的承诺是建立在坚实的基础之上，还是存在扩大成功者与落后者之间差距的风险。
调查首先从课程本身的结构入手。研究人员检查了测试数量、课程长度以及作业类型如何影响学生的通过或失败。他们发现，课程的具体设计比讲师的声誉更为重要。周期较长且将评估分散在一段时间内的课程往往有更高的通过率；而测试过于密集的课程则往往导致更多学生陷入困境或辍学。有趣的是，评分类型的重要性不如时间安排重要。计算机评分的作业（可以延迟提交且通常可以多次重交）被学生用作灵活的练习，而严格的限时考试则被视为最后的障碍。这表明，课程的节奏和灵活性比工作的纯粹量或用于评分的具体技术更为重要。
然而，最令人震惊的发现是关于学生行为的。研究人员发现，预测一名学生是否能通过的最强单一指标，仅仅是他们与课程材料的互动程度。点击课程页面、阅读论坛帖子并进行练习测验的学生，其成功率远高于没有这些行为的学生。这种联系如此之强，以至于它超过了他们所检查的所有课程设计结构特征。事实上，通过的学生与失败的学生之间的活动差异是巨大的。获得最高成绩的学生点击课程材料的次数，比那些退出课程的学生多出二十倍以上。这一发现表明，无论是通过人类教师还是人工智能来运行教育系统，保持学生的好奇心和活跃度都是最关键的任务。
研究还揭示了一个关于谁能参与其中的残酷现实。数据显示，成功并非均匀分布。来自富裕社区的学生通过课程的比例明显高于来自贫困地区的学生。当考虑到残障因素时，这种差距变得更加巨大：同时来自贫困背景且有残障的学生是最不容易成功的。研究人员发现，这些劣势会产生叠加效应，形成一个比单一因素更高的障碍。这意味着，仅仅在课程中加入更多技术并不能自动解决这些问题。如果设计没有考虑到这些不平等现象，新工具最终可能只会帮助那些已经具备成功条件的学生，而让其他人进一步落后。
当研究人员观察该AI辅导系统时，情况变得更加清晰。他们发现，对这一AI工具的参与呈现出极度的不平等。一小部分高度活跃的用户产生了绝大部分的交互，而一半的用户在仅使用一次后就停止了使用该系统。在许多情况下，这些用户仅登录了一天就再也没有回来。对于人工智能来说，这是一个关键问题，因为这些系统需要时间进行反复互动，才能学习学生掌握了什么知识，并据此调整教学内容。如果学生在第一次尝试后就离开，AI就永远没有机会发挥其作用。数据表明，设计者的主要挑战不在于让AI变得更聪明或更具适应性，而在于如何让学生留下来，以便系统能够发挥作用。
这些发现为任何试图将人工智能整合到教育中的人提供了一条明确的路径。研究认为，首要任务不应该是先实现自动评分或生成内容。相反，重点必须放在三件事上：让学生从第一次课开始就保持参与感、设计灵活且具有支持性的课程结构，以及确保系统适用于所有背景的学生，而非仅仅是平均水平的学生。研究人员建议，在添加任何新的AI功能之前，设计者应该询问：该课程是否能让多样化的学生群体保持兴趣？工作量是否分配得合理？以及该系统是否能帮助那些最挣扎的学生？
最终，研究结论指出，只有建立在这些经过验证的原则之上，人工智能在教育中的前景才能得以实现。技术本身并不是修复破损课程或消极学生的魔力。证据显示，最强大的成功工具是一种能够鼓励学生持续出现并参与其中的设计。为了让人工智能真正发挥作用，它必须被用来支持这些人类行为，确保无论背景或能力如何，每一位学生都有机会保持参与并学习。教育技术的未来并不取决于算法有多先进，而取决于它们在多大程度上服务于学习者最基本的诉求。
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。