通过与学生的共同设计工作坊探索教育领域的多模态生成人工智能

研究背景与问题

• 作者发现了哪些问题或挑战？ 学生如何设计和原型化未来融合多模态大型语言模型（MLLM）的教育工具尚未得到充分探索。现有教育技术工具通常未能充分考虑学生的需求和学习体验。此外，多模态生成AI在教育领域的影响和潜力尚未明确，包括如何解决学习困难、增强教育工具的反馈和个性化等问题。

• 为什么这个问题很重要？ 生成式AI，特别是融合多模态输入的MLLM，其快速发展为教育领域带来了巨大可能性，包括个性化学习资源、多模态学习体验以及实时反馈。然而，这也引发了设计这些工具以满足学生需求的紧迫性。确保生成式AI技术能够以学生为中心，有助于提高其教育应用的实效性和适应性。

• 研究动机与相关工作 本研究的主要动机是在设计教育工具时充分纳入学生的观点，通过共创工作坊探索MLLM在教育领域的潜力。相关研究已在生成AI与教育领域交叉中探索教师和学生的共创过程，但较少关注学生设计的教育性AI工具。

解决方案

• 作者提出了哪些方法或解决方案？ 作者采用了两个共创工作坊（“创意工作坊”和“应用设计工作坊”）的方法，以了解学生如何设计和原型MLLM融合的未来教育应用。这些工作坊包括团队合作、头脑风暴、学习旅程图绘制、故事板设计、低保真原型制作和基于设计原则的评估。

• 该解决方案的创新之处是什么？

  1. 以学生为中心：通过直接让学生参与设计过程，确保设计出的工具能够真正满足学生的需求。
  2. 设计原则嵌入：引入特有的生成AI设计原则（如生成多样性、共同创作、设计不完美等）以指导学生创作。
  3. 强调多模态交互：推动学生思考如何将多模态输入（如音频、视频、文本）整合到教育应用中。
  4. 设计工具与输出评估：使用“学习旅程图”和“提示流图”以结构化形式捕捉学生设计的应用特点。

• 实施步骤是什么？使用了哪些关键技术？

  1. 创意工作坊中，引导学生识别学习中的问题并构思MLLM解决这些问题的方案，完成“未来学习旅程图”。
  2. 应用设计工作坊中，引入生成AI的设计原则，让学生设计故事板、提示流图和用户界面原型，同时评估应用设计的交互和功能。
  3. 使用设计原则工作表帮助学生从生成AI设计视角进行反思，探索如何提高AI输出的可信度和适应性。

研究成果

• 取得了哪些具体成果？

  1. 学生设计了多模态AI应用原型，力图解决从学习获取与技能开发、资源管理到时间管理、课堂互动等教育问题。
  2. 应用设计主要涉及多模态内容生成与个性化、增强反馈、情绪和行为监测等功能。
  3. 提供了一系列用户与MLLM交互的具体视角，包括输入（控制方式）和输出（反馈类型）设计，体现了学生对生成AI设计的深度思考。

• 与现有解决方案相比，它有哪些优势？

  1. 多模态整合：相比仅支持文本或单模态的解决方案，多模态内容生成和个性化更能满足现代学习需求。
  2. 问题导向与学生洞察：解决方案直接根植于学生提出的真实问题，从而更具实用性和针对性。
  3. 交互优化：设计出新的交互机制，使用户能够主动改进AI输出，并对AI生成的内容做出反馈。

• 实验或评估结果是什么？ 学生设计的应用概念验证了以下看法：

  • MLLMs可用于生成各种多样化格式内容，如视频、游戏、交互式学习资源。
  • 学生认为GenAI可有效提高学生的学习成果、时间管理及教学互动。
  • 学生团队一致认为，GenAI应用需要有效的反馈和控制机制，以提高生成内容的准确性。

• 局限性与未来方向

  1. 局限性：
     • 研究样本量有限，仅涉及部分南亚地区学生，无法广泛推断其适用性。
     • 学生设计的应用更多关注机会而非潜在风险，例如生成内容的准确性问题。
  2. 未来方向：
     • 开展更大规模、多样化背景的类似工作坊，以扩大适用性。
     • 探索如何将元认知支持与设计框架结合，为学习环境中生成式AI的有效整合提供指导。
     • 研究GenAI在教育中的伦理问题和设计挑战，如偏见或隐私问题。

以上研究为进一步探索生成AI在教育领域的设计和应用提供了宝贵视角，同时指出了潜在的改进方向。这种合作设计模式能够更加贴近用户实际需求，为教育工具开发提供指导和启发。