将事物置于上下文中：生成式AI支持的上下文个性化词汇学习提高学习动机

文献标题

Putting Things into Context: Generative AI-Enabled Context Personalization for Vocabulary Learning Improves Learning Motivation

文献信息

• 主题领域: 人工智能在教育中的应用与个性化学习技术
• 关键词: 生成式人工智能, 个性化学习, 动机提升, 词汇学习, 自主学习, 学习评价, 自然语言生成, 教育学

研究背景与问题

• 问题与挑战:

  • 学生在标准化学习资料中难以与内容建立联系，导致失去学习兴趣。
  • 个性化学习在理论上被认为能激发学生兴趣，但实施起来成本高、复杂。
  • 当前对使用生成式人工智能进行个性化学习尚缺乏系统研究，尤其在实际应用中的效果和挑战并不明确。

• 重要性:

  • 学习兴趣是学生持久学习动力和学术成就的重要前提。
  • 生成式人工智能（如GPT-3/4等）的问世为定制化学习内容提供了技术可能，解决过去手动定制材料的成本问题。
  • 研究生成式人工智能在提高学习动机和学习结果方面的潜力可以帮助塑造未来教育技术。

• 研究动机与相关工作:

  • 现有证据表明，不论是文本还是视觉化学习材料，定制化学习内容能够提升学生在学习上的兴趣和表现。
  • 大模型的文字生成能力使其有可能动态调整学习内容，与学生兴趣或现有知识相关联，适合规模化的个性化教育。
  • 此研究旨在验证生成式人工智能在词汇学习过程中的效果，尤其是对学生学习动机和学习结果的影响。

解决方案

• 方法与创新:

  • 开发一个基于生成式人工智能的词汇学习应用，其中包含三种学习的对比条件：

    1. 控制组: 提供从现有书籍或文章中提取的示例句子。
    2. 生成型句子组: 根据用户输入的兴趣生成与词汇相关的动态化示例句子。
    3. 生成型故事组: 根据用户兴趣生成更深入、与目标词汇相关的动态短故事。

  • 应用设计嵌入用户输入功能，用来引导生成型学习材料的输出。

  • 使用 GPT-3.5 模型生成句子和故事，同时确保输出包含目标词汇并解释其定义。

  • 研究设计采用控制性在线实验，对比生成式人工智能是否影响学习表现及学习体验。

• 实施步骤与技术:

  1. 实验设计:
  • 进行预筛选以确保参与者有未掌握的词汇。
  • 将参与者随机分配到三种条件之一，学习包含目标词汇的示例句或故事。
  • 完成词汇学习后填写问卷并接受测试。
  • 一周后进行学习成果的重复测试。
  1. 数据收集:
  • 应用日志记录参与者输入、生成的示例以及交互时间。
  • 对学习表现进行测试，通过两次时间点的测验结果评价。
  • 使用内在动机问卷（IMI）评估学习体验。
  • 分析参与者输入主题及其动机。

研究成果

• 具体成果:

  • 学习表现:
    • AI驱动的个性化学习材料未显著改善词汇学习成绩，但也未劣化表现。
    • 在控制组和生成式AI组之间并未观察到学习表现上的显著差异。
  • 学习体验:
    • 实验组的学习体验显著优于控制组，尤其在兴趣/愉悦感、选择感、自主性及感知到的能力方面。
    • 生成型AI条件提高了参与者对学习任务的兴趣和动机。
  • 个性化使用的多样性:
    • 用户会根据个人经验、兴趣、简单性或词汇联想等多种策略输入主题，用以引导生成学习材料。
    • 生成式材料被认为更幽默、有趣、贴合个人兴趣或知识领域。

• 优势与不足:

  • 优势:
    • AI驱动的个性化学习降低了设计定制材料的成本。
    • 提升了学习动机和学习体验，可能成为长期学习动力的催化剂。
    • 生成材料较传统“模板式”的个性化更有深度和互动性。
  • 局限性:
    • 被动学习者可能不愿持续输入主题，可能需要减少交互成本。
    • 长故事可能让部分学习者感到故事冗长或不适合年龄层。
    • 生成材料偶尔出现不够自然或风格重复的问题。
    • 此次研究为短期实验，未评估长期效果及不同学科领域的迁移性。

• 未来方向:

  • 探索长期使用AI来辅助学习动机是否最终转化为更强的学习表现。
  • 结合不同类型的输入参数（语气、长度、结构等）增强材料适配性。
  • 扩展到更多学习场景，例如数学或科学的概念教学，并建立跨领域的实践案例。
  • 借助AI实现个性化学习的可扩展教育系统设计，同时解决伦理、隐私及生成内容可靠性的问题。

结论

• 本研究验证了生成式AI能够通过深度个性化学习材料提高学习动机和体验。
• 尽管未观察到直接学习性能提升，其增强的兴趣和自主感可能激发刷题与自学的持续性。
• 此研究为生成式AI在教育领域的实际应用提供了重要实证支持，未来应进一步完善生成材料的多维个性化并扩展其应用场景。