Novobo：通过共同教学人工智能学徒代理支持教师对手势教学的同伴学习

文献标题

Novobo: Supporting Teachers' Peer Learning of Instructional Gestures by Teaching a Mentee AI-Agent Together

出版信息

• 主题领域: 通过人工智能辅助的教学手势同行学习促进教师专业发展。
• 关键词: 教学手势、教师专业发展、可教代理、同行学习、具身实践、检索增强生成（RAG）、大型语言模型（LLMs）、隐性知识、协作学习、人机交互（HCI）。

背景与问题

• 问题/挑战: 现有的教学手势培训方法耗时、过于规范化，且未能解决这些技能的隐性、经验性特点。在这一领域中，同行学习的潜力尚未充分利用，而现有的人工智能系统缺乏支持非语言教学行为的协作性和反思性学习的能力。
• 重要性: 教学手势对于增强沟通、提高学生理解力和参与度至关重要。开发有效的培训方法可以改善教学质量并提升学生学习效果。
• 动机与相关研究: 之前的方法（如视频分析和行为改进系统）因资源需求高、缺乏情境适应性以及反馈机制过于简单而受到限制。关于可教代理（TAs）的研究主要集中在学生身上，尚未探索其在教师专业化中的潜力。

解决方案

• 提出的方法: Novobo 是一个设计为学习者的可教人工智能代理，通过语言和身体互动促进教师的教学手势同行学习。
• 创新点:
  1. 首次引入可教人工智能代理用于教师专业发展，利用“通过教学进行学习”的方法。
  2. 集成检索增强生成（RAG），提供关于教学手势的有参考性、理论性和实践性的知识。
  3. 使用骨架镜进行具身实践，减少自我意识并促进反思。
  4. 设计教师与人工智能之间的导师-学习者动态关系，减轻社会压力并鼓励包容性协作。
• 流程与关键技术:
  • 教师与 Novobo 进行四阶段循环互动：提出问题、提供评论、演示手势并解释其原理。
  • Novobo 使用基于 RAG 的多代理 LLM 管道生成手势建议，教师通过骨架镜评估、改进并演示手势。
  • 系统将教师的输入综合为总结性原则，促进知识共建。

结果

• 具体发现:
  • 教师在与 Novobo 互动中外化隐性知识、社交化洞见并共建对教学手势的理解。
  • Novobo 的管道在教育意义（4.10 vs. 3.36）、适切性（4.19 vs. 3.43）、自然性（4.16 vs. 3.44）和可理解性（4.08 vs. 3.33）方面优于基线架构，且 p 值显著（< 0.001）。
  • 教师认可系统的理论基础、骨架镜设计以及导师-学习者动态关系。
• 相比基线的优势: Novobo 的基于 RAG 的多代理架构显著提升了手势建议质量，相较单一 LLM 基线架构在所有评估指标上均获得更高评分。
• 实验/评估:
  • 在 10 次协作会话中对 30 名教师进行实验。
  • 教师在真实的学习小组环境中与 Novobo 互动，并参与焦点小组讨论。
  • 评估包括情景分析和教师反馈的主题分析。
• 局限性与未来工作:
  • 基于文本的手势描述可能导致解释的差异性；未来研究可探索多模态输出（如动画）。
  • 骨架镜视图对摄像头位置敏感，限制了手势的扩展性。
  • 研究参与者来自高社会经济地区；未来研究应包括更多样化的人口统计。
  • 异步互动和学习成果的量化尚未探索。

总结

本研究介绍了 Novobo，一个旨在支持教师协作学习教学手势的可教人工智能代理。通过利用检索增强生成（RAG）和骨架镜进行具身实践，Novobo 促进了隐性知识的外化、社交化和共建。教师认可其理论基础、减轻社会压力以及反思性学习的机会。实证结果显示手势生成质量和教师参与度显著提升。未来工作可探索多模态输出、更广泛的人口覆盖以及异步学习环境。Novobo 展示了可教代理在提升教师专业发展和同行学习中的潜力。