How Undergraduates Interact with a Generative AI Peer: Eight Participation Roles and the Conditions for Effective Collaboration in University Mathematics
本研究识别了人类与生成式人工智能（GenAI）协作解决问题过程中八种不同的本科生参与角色，并证明了那些积极维持共享认知状态并外显推理过程的学生，其取得的效果显著优于那些采取委托或脱离状态的学生，从而凸显了通过刻意的任务设计和反馈机制来促进有效的 AI-人类协作的紧迫需求。
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
在现代课堂中，一种新型的伙伴已经到来，它并不坐在课桌旁，而是存在于学生用于学习的软件之中。这个伙伴是生成式人工智能，一个能够进行对话、回答问题并协助解决问题的系统。多年来，教育工作者一直在思考学生究竟是如何使用这些工具的。他们是将计算机视为一个需要引导的智能导师，还是将其视为一个只需查询的搜索引擎？他们是在与之进行深度思考，还是仅仅索要答案然后便不再理会？这个问题至关重要，因为学生与机器交互的方式，可能决定了他们是真正掌握了知识，还是仅仅完成了作业。研究人员现在正试图绘制这种人机协作关系的图谱，寻找那些能带来真实理解的行为，以及那些导致浅层结果的行为。
一个研究小组致力于在大学数学这一高风险环境下探索这种动态关系。他们创建了一个数字空间，让三十名本科生与一个人工智能同伴合作解决复杂的微积分问题。该设置的设计初衷是让学生和计算机都无法单独解决问题。学生掌握着部分必要信息，而计算机则掌握着其余部分。为了找到解决方案，他们必须进行交谈、分享已知信息并协调步骤。这迫使了一种真正的协作，而非一种学生提问、机器提供答案的简单交易。研究人员记录了每一条消息和行动，并使用一套复杂的系统来分析对话，以确定这对搭档的协作效果如何。
研究表明，学生与人工智能的互动方式各不相同。研究人员并没有发现单一的行为模式，而是识别出了学生在这些环节中扮演的八种不同角色。光谱的一端是扮演“共同调节者”（Co-Regulators）的学生。这些人将人工智能视为真正的思考伙伴。他们解释自己的推理过程，根据计算机的建议检查自己的理解，并共同构建对问题的共同认知。他们将自己的思维外显化，使自己的心理过程对机器可见，从而使机器能够做出有意义的响应。光谱的另一端则是扮演“过早脱离者”（Early Disengagers）或“低投入猜测者”（Low-Effort Guessers）的学生。这些学生几乎不参与协作过程。他们可能会直接索要答案，在不加质疑的情况下接受答案，或者在任务变得困难时迅速放弃。在这些极端之间还存在其他角色，例如“委托指挥者”（Delegating Director），他们保持活跃但将繁重的工作交给计算机处理；或者是“错位跟随者”（Misaligned Follower），他们试图跟随人工智能，但未能建立起对问题的正确共同理解。
结果显示，学生如何与人工智能互动与其是否成功之间存在明显的联系。那些保持高水平互动、分享信息并共同推导步骤的学生，更有可能正确解决问题。事实上，处于这种高互动组的学生解决任务的概率，大约是低互动组学生的十一倍。然而，研究人员发现，仅仅是说话次数多并不是问题的全部。一些解决问题的学生通过绕过人工智能的帮助或绕开它来完成任务，其可见的协作程度极低。相反，一些与人工智能交流频繁的学生，仅仅是在进行算术运算或猜测数字，而并未真正理解底层的逻辑。对话的质量比数量更重要。最高效的互动是学生保持其推理过程可见、维持对问题状态的共同理解，并在自身与机器之间公平分配脑力劳动的互动。
为了理解这些复杂的对话，研究人员开发了一种能够自动衡量协作程度的新方法。他们利用人工智能代理系统来阅读聊天日志，并根据既定的团队合作框架对互动进行评分。该系统可以识别学生是在进行计划、监控还是分享信息，从而为协作过程提供详细的地图。自动评分显示出了良好的前景，它在判断行为的一般类型方面与人类专家的一致性达到了约60%，在观察更广泛的交互类别时表现甚至更好。这表明，分析人机协作规模化分析成为可能，我们不仅能通过简单的测试分数，更能理解实际的学习过程。
这项研究得出结论：学生与人工智能同伴之间的关系并非简单的工具使用问题。这是一种复杂的社会交互，学生的应对方式决定了最终结果。如果学生将人工智能视为共同思考的伙伴，通过外显自身的推理并协商步骤，他们很可能会获得深度学习。如果他们将其视为获取答案的捷径，他们可能会完成任务，却错失了学习的机会。研究人员建议，未来的教育工具应当被设计成能够识别这些不同的角色。人工智能系统不应向所有人提供相同的帮助，而是可以检测到学生何时过度委托工作或脱离参与，并据此调整其提示词以鼓励深度思考。通过理解学生与这些新伙伴互动的具体方式，教育工作者可以设计出更好的学习体验，将人工智能转化为人类理解力的真正催化剂。
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。