从答案引擎到学习伙伴：AI 辅助学习的双 ZPD 设计框架

文献标题

From Answer Engines to Learning Partners: A Dual-ZPD Design Framework for AI-Supported Learning

出版信息

• 主题领域: 人工智能支持的学习与动机感知的教育设计。
• 关键词: 生成式人工智能、动机感知支架、双重最近发展区（Dual Zone of Proximal Development, DZPD）、认知参与、自我决定理论、可教代理人、协作伙伴、创意共创者、教育人机交互、学习者能动性。

背景与问题

• 问题/挑战: 生成式人工智能系统通过提供无摩擦的答案，可能削弱学习者的动机和参与度，导致认知卸载和“空洞化的头脑”——知识广泛但浅薄。
• 意义: 这一问题威胁到教育技术的核心目标，即通过支架促进努力学习并构建持久的知识。解决这一挑战对于培养智力主权和深度学习至关重要。
• 动机与相关工作: 之前的框架，如最近发展区（ZPD）和智能辅导系统（ITS），专注于认知支架，但缺乏解决动机挑战的机制。生成式人工智能的兴起引发了“便利悖论”，即学习者绕过努力参与的过程，这需要一个整合认知和动机支架的新范式。

解决方案

• 提出的方法: 双重最近发展区（DZPD）框架，将认知准备度（c-ZPD）和动机准备度（ZPM）结合起来，定义人工智能支持学习的生产性学习区（PLZ）。
• 创新点:
  1. 引入DZPD框架，结合认知和动机支架。
  2. 提出义务生成性与责任（OGR）原则，以应对便利悖论。
  3. 制定五项可操作的动机感知人工智能系统设计原则（P0–P4）。
  4. 创建包含可计算指标的启发式工具包，用于评估DZPD感知系统。
• 步骤与关键技术:
  • 将PLZ定义为c-ZPD和ZPM的交集。
  • 通过人工智能设计操作化ZPM，以调节动机。
  • 实施OGR，强制生成性参与和责任感。
  • 开发原型（可教代理人、协作伙伴、创意共创者）和设计原则（如强制表达、生产性摩擦）。
  • 提出启发式指标（如学习者解释、对话主动性比率）用于系统评估。

结果

• 具体发现:
  • 可行性测试（N=8）显示，参与者认为讨论具有激励性，参与度高，并报告理解有所改善。
  • 学习者解释和困惑恢复循环等指标可观察到，并与DZPD框架一致。
• 相较基线的优势: 该框架超越了传统的“答案引擎”模型，通过促进深度参与，防止认知和动机的绕过。
• 实验/评估:
  • 通过经验先例（如可教代理人、AutoTutor）进行间接验证。
  • 可行性测试中实施了双代理可教系统，以展示OGR和启发式指标。
• 局限性与未来工作:
  • 当前指标为启发式，需要进一步验证。
  • 实时ZPM估计依赖于近似的行为代理。
  • 关于“强制性”参与和潜在强制性的伦理考量。
  • 未来工作包括大规模验证、多模态感知ZPM，以及在真实课程环境中的整合。

总结

本文提出了双重最近发展区（DZPD）框架，以应对生成式人工智能在教育中带来的动机挑战。通过整合认知和动机支架，该框架定义了生产性学习区（PLZ），并通过义务生成性与责任（OGR）原则和可操作的设计原则将其操作化。初步的可行性测试和经验先例表明，该框架具有促进深度参与和学习者能动性的潜力。未来研究将专注于验证框架、优化技术实现，并解决动机感知人工智能设计中的伦理问题。