Explainable Dual-view Workflow Discovery for GenAI-supported Learning in Higher Education
本研究引入了一种可解释的双视图工作流发现框架，通过分析 278 名学生的日志数据表明，有效的生成式人工智能（GenAI）支持型学习不仅是以聊天频率为特征，更是以将人工智能反馈整合进写作、修订以及跨资源调节之中为特征。
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，一种新型导师已经到来，它能够回答问题、起草段落并在数秒内总结复杂的文本。这种被称为生成式人工智能的技术，正迅速成为大学生的标准工具。然而，一个简单的问题仍然悬而未决：仅仅使用这个工具是否真的有助于学生学习，还是仅仅创造了一种活动的错觉？几十年来，学习分析领域的研究人员已经明白，学习的故事并不在于最终的分数或工具被打开的次数，而是在于行动的序列——即阅读、思考、写作和修改随时间推移而形成的节奏。正如医生通过观察血液的流动而非单一的快照来了解健康状况一样，教育者需要观察学生如何完成一项任务，才能理解他们究竟是如何学习的。
佛罗里达大学和迈阿密大学的研究团队着手解决这一景观中的一个特定谜题。他们想知道当学生使用生成式人工智能解决复杂的信息问题时，是如何组织他们的工作的。该研究聚焦于 278 名参加一门需要研究主题并撰写提案课程的学生。研究人员不仅观察了学生向 AI 提问的次数，还构建了一张详细的地图，记录了学生采取的每一项行动，从阅读源文档到输入句子、高亮段落或与 AI 聊天。他们将这些行动视为一条时间线，寻找在不同学生之间重复出现的模式。
研究人员发现，仅观察行动的时间线是不够的。一名学生可能会花费大量时间阅读和提问，而另一名学生可能会在写作和修改上花费同样长的时间。为了获得全貌，团队结合了两种不同的观察数据方式。第一种视角追踪事件的顺序，就像是学生工作的电影；第二种视角则观察学生的整体习惯，例如在收到 AI 反馈后进行了多少写作，或者他们修改作品的频率。通过合并这两种视角，研究人员能够识别出在孤立观察其中任何一种视角时都无法看到的独特工作习惯。
分析揭示了学生在使用 AI 辅助工作时的两种截然不同的路径。第一组由 145 名学生组成，遵循的是“探索路径”。这些学生在阅读材料、操作平台以及与 AI 聊天方面投入了大量时间。他们提出了许多问题并收集了大量信息。然而，数据表明，他们在将这些信息转化为书面作品方面遇到了困难。他们的写作增长较低，并且没有将 AI 的建议吸收进他们的草稿中。他们很活跃，但其活动与最终产品是脱节的。
第二组由 133 名学生组成，遵循的是“整合路径”。这些学生也使用了 AI，但他们的工作流呈现出不同的模式。他们利用 AI 来帮助他们写作、修改和完善论点。当他们收到 AI 的回复时，他们不仅仅是阅读，而是将其融入到写作中，删除薄弱的句子，并构建更强的论点。数据表明，这一组拥有更高的写作增长率和修改率。他们将 AI 视为写作过程中的伙伴，而非仅仅是一个信息来源。
这项研究最重要的发现是，使用 AI 的频率并不决定学生学得有多好。一个频繁与 AI 聊天的学生，其学习效果未必比聊天较少的学生更高。关键区别在于聊天之后发生了什么。当 AI 的反馈被吸收进写作过程中时，学习才会发生。研究人员发现，那些成功将 AI 整合进写作的学生展现出了一种专注于写作增长和修改的独特工作流，而探索型组则表现出一种高参与度阅读与聊天但低吸收率的不同模式。值得注意的是，数据表明探索型组获得的提案平均分略高于整合型组，这表明高分可以从不同的工作流策略中产生，且工作流类型与最终成绩之间的关系是复杂的。
这一发现挑战了“与工具交互越多等于学习越好”的普遍假设。研究表明，生成式人工智能的教育价值仅在它成为证据使用、反馈解读和写作这一受控循环的一部分时才会显现。对于那些困在探索阶段的学生来说，仅仅鼓励他们更多地使用 AI 是没有帮助的。相反，他们需要得到能够帮助他们将研究和问题转化为书面论点的支持。对于那些已经在进行整合的学生，重点应转向确保他们能够评估 AI 建议的质量并完善自己的论点。
研究人员使用了一种方法，使他们能够清晰地看到这些模式，而无需依赖难以解释的复杂数学模型。他们关注的是系统记录的实际行为，例如写作速率、产出量以及交互的时机。他们发现，对于一份成功的提案而言，最重要的因素是写作动作的速率、产出的工作量以及修改的频率。这些因素比聊天的具体内容或点击按钮的次数更为重要。
这项研究为教育者理解学生如何利用 AI 进行学习提供了一种新途径。它超越了“聊天次数”等简单指标，转而关注互动的质量。研究结果表明，有效的 AI 教学需要帮助学生弥合获取信息与产出写作之间的鸿沟。仅仅拥有这个工具是不够的；学生必须学会将工具的输出编织进自己的思考与写作之中。通过理解这些不同的工作流模式，教育者可以设计更好的支持系统，引导学生从被动探索转向主动的、整合式的学习。研究结论指出，人工智能在教育中的未来并不取决于技术本身，而取决于学生吸收其反馈并实现自身成长的能力。
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。