用 CoMAP 以图思考：项目式学习设计的共享视觉工作空间

文献标题

Thinking in Graphs with CoMAP: A Shared Visual Workspace for Designing Project-Based Learning

出版信息

• 主题领域: 教育设计中的人机协作
• 关键词: 项目式学习，教学设计，分布式认知，基于图的协作，人机交互，可视化工作空间，双模态人工智能，认知支架，迭代设计，教师支持

背景与问题

• 问题/挑战: 现有的项目式学习（PBL）设计工具受限于线性工作流程和缺乏持久共享上下文的对话式AI系统，这使得教育工作者难以管理PBL的非线性和迭代特性。
• 意义: 有效的PBL设计对于培养学生的问题解决能力和协作能力等高阶技能至关重要，但现有工具未能充分支持教师应对迭代教学设计的复杂性。
• 动机与相关研究: 先前的研究探讨了PBL设计的理论框架、工作流程工具和数字环境，但这些方法往往强加了僵化的线性流程、需要精确的自然语言表达，或更关注学习者支持而非教师支架。在为教师提供共享工作空间和迭代本地化的工具方面仍存在空白。

解决方案

• 提出的方法: CoMAP，一种基于图的人机协作工具，用于PBL设计，利用分布式认知原则和双模态AI交互。
• 创新点:
  1. 引入基于图的人机协同设计范式，将非线性认知过程外化为共享的可视化工作空间。
  2. 开发CoMAP系统，使用ASSURE教学设计模型将PBL组件结构化为交互式图形。
  3. 通过混合方法研究（n=30）进行实证验证，证明其在设计表达、降低认知负荷以及增强人机协作信任方面的改进。
• 流程与关键技术:
  • 结构化图画布作为共享认知工件，用于外化想法并跟踪相互依赖关系。
  • 双模态AI交互：一个用于高层次创意构思的全局对话代理和多个用于细粒度优化的本地GUI集成代理。
  • 流畅的交互设计支持非线性探索和迭代对齐。
  • 提供导出选项以连接数字和传统工作流程。

结果

• 具体发现:
  • CoMAP显著提升了设计表达感知（M = 6.13 vs. 4.15, p < .001, d = 1.11）和理解感知（M = 5.77 vs. 4.29, p < .001, d = 1.16），相较于基于对话的AI基线。
  • 降低了认知负荷（M = 5.67 vs. 4.74, p = .006, d = 0.62），提高了协作性（M = 5.72 vs. 4.49, p = .007, d = 0.72），并增强了信任感（M = 5.55 vs. 4.57, p = .001, d = 0.78）。
• 相较基线的优势:
  • 更高的可控性和透明度，更少的负面关键词，以及更低的对话负担（例如更少的聊天轮次：M = 11.82 vs. 18.64, p < .001, d = 1.11）。
• 实验/评估:
  • 采用30名参与者的混合方法用户研究，使用组内交叉设计。
  • 定量指标包括感知表达、理解、人机交互体验和行为指标。
  • 对访谈和交互日志进行定性主题分析。
• 局限性与未来工作:
  • 由于参与者选择（中等经验的教育工作者），推广性有限。
  • 多因素设计使得难以将效果归因于具体功能。
  • 对GPT-4.1 API的依赖带来了可扩展性和延迟挑战。
  • 未来方向包括探索替代教学框架，将该范式扩展到其他领域，支持多用户协作，以及整合教师学习支持。

总结

CoMAP引入了一种基于图的人机协作项目式学习设计范式，解决了线性工具和对话式AI系统的局限性。通过将非线性认知过程外化为共享的可视化工作空间，并利用双模态AI交互，CoMAP提升了设计表达、理解和迭代优化能力。实证验证显示其在用户体验、认知负荷减少和信任增强方面的显著改进。尽管研究突出了共享可视化表示和集成AI指导的潜力，但仍需进一步工作以推广研究发现、优化系统可扩展性，并探索在其他设计领域的应用。