向谁解释很重要:通过向具有不同教学角色的对话代理解释来学习

荣誉提名
智能辅导系统与学习分析大语言模型(LLM)的人机协作对话式聊天机器人大学教授与研究人员在线课程设计师

文献标题

Who You Explain To Matters: Learning by Explaining to Conversational Agents with Different Pedagogical Roles

出版信息

  • 主题领域: 对话式代理角色对通过解释进行学习过程的影响。
  • 关键词: 对话式代理、通过解释学习、教学角色、学习者、同伴、挑战者、认知参与、元认知、教育技术。

背景与问题

  • 问题/挑战: 现有关于教育中对话式代理的研究主要集中于单一教学角色,尚不清楚不同角色如何影响学习动态、结果和体验。以往研究常将角色效应与任务设计和内容等其他因素混淆。
  • 重要性: 理解代理角色如何塑造学习过程可以为设计针对特定教学目标的教育代理提供指导,从而改善学习成果和体验。
  • 动机与相关工作: 之前的研究探讨了导师、同伴和辩论者等角色,但缺乏对其影响的系统比较。本研究通过在受控的通过解释学习环境中直接比较代理角色(学习者、同伴、挑战者、控制组)来填补这一空白。

解决方案

  • 提出的方法: 采用组间实验设计,比较三种对话式代理角色(学习者、同伴、挑战者)和控制条件对学习动态、结果和体验的影响。
  • 创新点:
    1. 提供关于代理角色如何塑造学习动态和体验的实证证据。
    2. 基于教育互动框架的理论性角色设计。
    3. 为根据特定教学目标和阶段定制代理设计提供指导。
  • 流程与关键技术:
    • 参与者(N=96)学习经济学概念,并在五轮互动中向指定代理解释。
    • 代理设计体现了不同的教学角色:
      • 学习者: 模拟初学者,促使参与者教授和澄清概念。
      • 同伴: 作为协作伙伴,参与共同构建对话。
      • 挑战者: 采用苏格拉底式提问风格,探究参与者的推理。
      • 控制组: 提供最少互动,模拟自我解释。
    • 数据收集包括前测和后测、行为日志、编码的互动模式以及自我报告问卷。

结果

  • 具体发现:
    • 各条件下客观学习成果(测试分数)无显著差异。
    • 主观学习体验存在显著差异:
      • 学习者: 认知投入最高,但压力也最大。
      • 同伴: 最愉快和吸引人,吸收度高且压力低。
      • 挑战者: 促进批判性思维,压力适中。
  • 相较基线的优势:
    • 三种代理角色(学习者、同伴、挑战者)在感知的批判性思维和能力方面均优于控制组。
    • 同伴和挑战者角色比学习者和控制组更能促进流畅状态且压力较低。
  • 实验/评估:
    • 参与者向代理解释供需概念,并将所学材料应用于真实案例(美国邮政服务案例)。
    • 评估指标包括互动模式(如认知/元认知行为)、字数、材料复习频率/时长以及自我报告测量(如压力、兴趣、批判性思维)。
  • 局限性与未来工作:
    • 短期研究设计限制了对长期效果的洞察。
    • 单一领域(经济学)可能无法推广到其他学科。
    • 参与者对角色的感知未被正式验证。
    • 未来研究应探索长期效果、多样化领域以及个性化代理角色设计。

总结

本研究系统比较了对话式代理角色(学习者、同伴、挑战者、控制组)对通过解释进行学习过程的影响。尽管客观测试分数无显著差异,代理角色显著影响了互动模式和主观体验。学习者角色引发最高的认知努力但压力较大,同伴角色促进愉快且协作的学习,挑战者角色在适中压力下促进批判性思维。这些发现强调了根据特定教学目标和阶段定制代理角色的重要性,并突出了开发适应性、基于角色的教育代理的需求。未来研究应探讨长期效果,并在多样化学习环境中探索角色设计。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/222039/2026

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3790298
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
荣誉提名
group
作者
4 位作者
sell
研究子方向
智能辅导系统与学习分析、大语言模型(LLM)的人机协作、对话式聊天机器人
work
职业/产业
大学教授与研究人员、在线课程设计师
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文