为中学生协作数学问题解决设计AI同伴：参与式设计研究

文献标题

Designing AI Peers for Collaborative Mathematical Problem Solving with Middle School Students: A Participatory Design Study

出版信息

• 主题领域: 面向中学数学教育中协作学习的人工智能设计。
• 关键词: AI同伴，协作问题解决，中学数学，参与式设计，生成式AI，支架，群体动态，学生自主性，情感支持，多智能体系统。

背景与问题

• 问题/挑战: 现有教育人工智能系统主要聚焦于导师角色，提供个性化支持，而非促进协作问题解决（CPS）。关于人工智能如何在CPS情境中充当同伴合作者，尤其是面向中学生的研究仍然有限。
• 意义: CPS是中学数学中的关键教学实践，有助于培养推理能力和公平参与。AI同伴可以解决如群体动态停滞和教师可用性有限等问题，从而提升学习效果和协作质量。
• 动机与相关研究: 先前关于AI导师和协作智能辅导系统（ITS）的研究显示了潜力，但仍然表现出刚性、领域特定性和对时间敏感的问题。生成式AI工具（如大型语言模型，LLMs）提供了新的机会，但主要集中于个别辅导情境。关于以青少年为中心设计CPS中的AI同伴的研究几乎没有。

解决方案

• 提出的方法: 通过参与式设计（PD）研究，与中学生共同设计数学CPS中的AI同伴，利用技术探针收集反馈和偏好。
• 创新性:
  1. 让中学生参与设计CPS中的AI同伴，包括可复制的营地结构和研究工具。
  2. 提供关于学生对AI同伴的社交、协作和情感期望的实证见解，揭示降低任务负担与用户体验不均之间的张力。
  3. 提出设计建议：优先支架的AI同伴，具有可调节的帮助提供、可靠的专业性和可配置的个性。
• 流程与关键技术:
  • 为期五天的夏令营，24名中学生（6-8年级）参与，结合CPS任务和PD活动。
  • 学生体验了仅有人类参与的CPS和与AI同伴协作的CPS，然后通过共同设计活动表达对AI同伴功能和行为的期望。
  • 数据收集包括问卷调查、访谈和人工制品（如海报、示例对话）。
  • 分析方法结合了定量指标（如NASA-TLX，GEQ）和定性主题编码。

结果

• 具体发现:
  • AI同伴降低了感知时间压力（NASA-TLX时间需求：M = 5.67 vs. 9.62，p = 0.002），但增加了操作努力（身体需求：M = 8.48 vs. 4.90，p = 0.014）。
  • 与AI同伴的CPS削弱了社会凝聚力（GEQ ATGS：M = 5.21 vs. 6.50，p = 0.029）和任务协调性（GEQ GIT：M = 4.76 vs. 5.54，p = 0.047）。
  • 学生更偏好优先支架的AI同伴，提供提示、错误检测和基于视觉/工具的支持，具有可调节的帮助水平和类似同伴的语气。
• 相较基线的优势: 与仅有人类参与的CPS相比，AI同伴缓解了时间压力，但引入了新的交互摩擦，突显了校准支架和改进对话连贯性的必要性。
• 实验/评估:
  • NASA-TLX和GEQ问卷调查测量了仅有人类参与和AI辅助CPS条件下的工作负荷和群体动态。
  • 参与式设计人工制品（如海报、对话）捕捉了学生对AI同伴功能和行为的偏好。
  • 功能偏好调查（20项）量化了学生对优先支架支持和同伴语气的优先级。
• 局限性与未来工作:
  • 夏令营单点研究限制了普适性；未来研究应探索常规课堂情境。
  • 未与AI导师或单一AI同伴设置进行比较；增加条件可明确角色特定偏好。
  • 研究集中于中学数学；其他领域和年龄段的可迁移性尚不确定。

总结

本研究通过与24名中学生的参与式设计，探索了AI同伴如何支持中学数学中的协作问题解决。研究发现，AI同伴减轻了时间压力，但增加了操作努力并削弱了群体动态。学生更偏好优先支架的AI同伴，提供提示、错误检测和基于视觉/工具的支持，具有可调节的帮助水平和类似同伴的语气。建议包括渐进式支架、校准的个性以及协调的多智能体对话系统。这些见解为设计能够保持学生自主性、改善群体氛围并支持K-12教育中的学习的AI合作者提供了贡献。