学习行为介导人工智能支持的元认知校准对学习结果的影响

研究背景与问题

• 问题或挑战: 学生在评估自己表现的准确性上经常遇到困难，尤其是在缺乏培训的情况下。这种不准确可能导致学习效率低下和学术成果受到影响。在在线学习环境中，由于缺乏实时反馈，这种挑战可能更加突出。
• 问题的重要性: 准确的元认知校准（metacognitive calibration）能帮助学生更有效地分配学习时间和资源，提高学术表现。解决这一问题将促进自主学习和在线教育的发展。
• 研究动机: 尽管已有一些元认知校准相关的干预研究，这些干预通常是基于事后反馈，其中可能错过了在学习过程中及时纠正错误校准的机会。因此，作者提出探讨是否通过实时、早期干预可以改善学习效果，同时研究干预对行为变化的潜在影响。

解决方案

• 方法或解决方案: 作者开发了一个基于人工智能（AI）的实时训练工具，通过预测学生在学习结束后的表现分数来提供元认知校准支持。干预的目的是帮助学生在学习期间调整学习策略，提高校准能力和学习效果。
• 创新之处:
  • 工具实时提供反馈，而非传统的事后反馈。
  • 使用随机森林模型和注意力机制来预测学生的后续表现，这种方法对学生的交互行为和知识水平进行了动态分析。
  • 根据反馈指导学生调整学习行为，例如专注于挑战性材料。
• 实施步骤:
  1. 开发在线学习平台，提供自学统计学内容。
  2. 使用AI模型实时预测学生表现分数，基于互动数据和测试结果。
  3. 在学习过程中（15分、30分、45分）向实验组学生提供反馈，包括预测得分和针对反思的提示。
  4. 收集学习行为数据和元认知校准数据，评估干预效果。

研究成果

• 具体成果:
  1. 实验组的学习成果平均提高了8.9%（t=-2.384, p=0.019），显著优于对照组。
  2. 实验组中的过度自信学生元认知校准改善了4.1%（t=2.001, p=0.049）。
• 优势:
  • 早期干预策略在调整学生学习行为和提高学习成果方面效果显著。
  • 实验组表现出更多“寻求知识”（seeking knowledge）的学习行为，这被证实是学习成果改善的关键。
• 实验或评估结果:
  • 通过多层次的分析，发现“寻求知识”显著增强了学生的学习收益，而“寻求评估”（seeking assessment）行为对学习收益的影响相对较弱或负面。
  • 干预对性别和种族之间的效果未表现出显著差异，表明策略可能具有广泛的适用性。
• 局限性与未来方向:
  • 样本规模较小可能限制了对不同人口统计学群体差异的进一步分析。
  • 当前干预工具主要集中在元认知校准，如果考虑信心、同伴比较等其他校准层面，可能会对工具设计提出新要求。
  • 建议未来研究深入探索工具增强后对“寻求知识”行为的进一步优化，并研究用户体验反馈以改善工具设计。

通过早期实时AI干预支持元认知校准，不仅提升了学生的学术表现，还揭示了深刻的行为规律。这项研究为在线学习环境中的教学工具设计提供了实践参考，同时指向了个性化干预优化的方向。