与K12教育者共同设计基于项目的大型语言模型工具

研究背景与问题

作者发现了哪些问题或挑战？

作者探讨了在K-12教育中实施基于项目的学习（PBL）的实际挑战，包括：

• 设计符合标准的项目以满足多样化学生需求的复杂性。
• 管理规划时间和课堂动态的难度，特别是协调学生自主性和教师指导之间的平衡。
• 评估学生学习成果的难度，例如团队合作、创造力和问题解决能力等传统评估无法准确捕捉的技能。
• 学生在从传统学习转向PBL时的适应困难，例如任务模糊性带来的挫败感。
• 教师在提供学生个性化反馈和管理跨学科项目时面临的负担。

此外，实施PBL的教师必须从传统的知识传授角色转变为学习促进者，这需要复杂的专业发展（PD）和新的教学策略。

为什么这个问题很重要？

PBL被广泛认为是一种促进深度学习、跨学科学习和学生批判性思维发展的有效教学方法。但是，由于这些挑战的存在，其在K-12学校的大范围实施受到限制。因此，支持教师克服这些困难对于教育创新至关重要。

研究动机与相关工作

• 生成式人工智能（Generative AI，简称GenAI）特别是大语言模型（LLMs）被认为是一种有效应对PBL复杂性的工具，具有个性化学习和实时反馈能力，可以支持差异化教学并减轻教师的负担。
• 尽管LLMs在教育领域的潜力巨大，但其对实际课堂的影响仍需通过教师驱动的设计和研究来验证。
• 本研究在教师共创（co-design）框架下探索LLMs在PBL教学中的应用，这在现有文献中尚属首次，尤其是针对K-12教育背景。

解决方案

作者提出了哪些方法或解决方案？

• 作者采用共创设计方法，邀请教师参与工具设计，以确保LLMs的设计与教师的实际课堂需求相匹配。
• 提议开发支持PBL的LLM工具，这些工具侧重于：
  1. 课程支持：帮助教师创建和改进项目想法及课程计划，提供基于标准的模板和参考。
  2. 评估与评分支持：自动化的评估与个性化反馈功能，辅助教师创建差异化的评估标准和评分机制。
  3. 进度跟踪与动态管理：可视化的学生和团队进度跟踪功能，帮助教师管理多组学生的项目贡献和任务。

该解决方案的创新之处是什么？

1. 通过采用教师共创方法，使工具设计更加贴合实际教学情境，体现教师的需求和价值观。
2. 关注解决PBL在课程设计、评分评估和课堂管理中的特定挑战，而不是泛化的教育辅助。
3. 强调LLM工具对教师角色的增强，而非取代，实现教师自动化工作和专业发展的平衡。

实施步骤是什么？使用了哪些关键技术？

1. 研究设计：
   • 两轮教师参与：与高水平PBL经验教师进行深度访谈并开展多阶段的共创设计；随后邀请经验多样的教师测试与反馈。
2. 共创研讨：
   • 第一阶段：通过头脑风暴和情景分析确定教学痛点与LLMs的潜在应用场景。
   • 第二阶段：基于讨论结果开发概念化设计原型，并探讨其对教师、学生等利益相关者的影响。
3. 原型设计与评估：
   • 原型包括课程计划支持工具、可调整的评估和反馈功能，以及基于视觉的学生进度跟踪。
   • 教师通过测试这些原型提供反馈，优化工具功能与交互设计。
4. 技术支撑：
   • 使用LLMs生成建议、创建交互式模板和可视化反馈。
   • 与现有学习管理系统（LMS）如Canvas、Google Classroom集成。

研究成果

取得了哪些具体成果？

• 需求与挑战：研究明确定义了教师在实施PBL时的需求和痛点，如高负载管理、多样化需求的调节和公平评分的难度。
• 工具原型：开发了三种核心支持：
  1. 项目设计工具：帮助教师生成多样化项目理念和课堂活动建议。
  2. 差异化评估工具：支持个性化评估指标的创建和即时反馈。
  3. 进度管理仪表板：提供实时监控和学生贡献追踪。
• 设计指导原则：
  • 提供教师输入主导和个性化选项的灵活集成。
  • 确保技术与课程标准的对齐，简化繁重的课程规划。
  • 强调隐私与数据保护，特别是在差异化教学中使用敏感学生数据。

与现有解决方案相比，它有哪些优势？

• 对比于一般性的教育AI工具，本解决方案重点解决PBL的具体挑战，如协作动态管理和复杂评分评估。
• 强调教师的创造力与自主性，以及对现有教学模式的尊重。
• 通过共同开发的途径，确保开发的LLM工具能满足教师和学生的实际需求。

实验或评估结果是什么？

• 测试结果表明：
  • 教师高度评价LLM在项目生成和学生个性化支持中的潜力，认为可大幅减少课程设计时间并提升学生的学习独立性。
  • 教师明确要求保留评分过程中的人类监督，以确保公平和灵活性。
• 反馈揭示了许多工具优化方向，例如加强对多学科协作的支持、简化教师培训以及提升学生数据隐私保护。

局限性与未来方向

• 局限性：
  • 样本覆盖范围集中于美国K-12教育体系，缺乏全球教育背景的验证。
  • 参与者偏好采用LLM工具，可能导致对实际实施中的阻力低估。
  • 原型工具尚未进入实际教学环境，输出效果需进一步验证。
• 未来方向：
  • 开发功能完整的工具，对学生与教师端界面进行多轮测试。
  • 扩展研究至国际和资源有限的学校，评估工具的可扩展性。
  • 探索学生视角工具的共创设计，以形成教师与学生的平衡支持生态系统。

通过结合精心设计的LLM工具与教师领导的共创过程，本研究展示了生成式人工智能在PBL实施中的潜力。这些工具旨在简化教师的教学负担，同时保持高质量、个性化和公平的教学实践。