设计支架卡片以促进基于LLM的苏格拉底式教学:响应策略支持学习的探索性研究
荣誉提名作者
大语言模型(LLM)的人机协作智能辅导系统与学习分析参与式设计(Participatory Design)大学教授与研究人员在线课程设计师
文献标题
Designing Scaffolding Cards to Facilitate LLM-Based Socratic Instruction: An Exploratory Study of Response Strategies to Support Learning
出版信息
- 主题领域: 使用脚手架策略提升学习者与LLM在苏格拉底式教学中的互动。
- 关键词: 脚手架卡片, 苏格拉底式教学, 基于LLM的辅导, 批判性思维, 认知负荷, 学习满意度, 响应策略, 个性化脚手架, 学习者自主性。
背景与问题
- 问题/挑战: 在基于LLM的苏格拉底式教学中,学习者对开放性问题的回答往往较为表面化,削弱了批判性思维和学习效果。现有研究主要关注LLM的提问设计,而忽视了学习者的回答策略。
- 重要性: 解决这一问题对于促进深度参与、批判性思维以及学习者在LLM驱动的教育环境中的自主性至关重要。
- 动机与相关研究: 苏格拉底式方法提倡反思性对话,但其成功依赖于学习者构建有意义回答的能力。现有研究强调导师驱动的脚手架,而对如何支持学习者的回答构建缺乏深入理解。
解决方案
- 提出的方法: 脚手架卡片——18种句子框架响应策略,分为三个类别(结构化表达、构建推理、激活思维),用于指导学习者在基于LLM的苏格拉底式教学中构建深思熟虑的回答。
- 创新点:
- 引入以响应为中心的脚手架方法,针对学习者的即时响应状态。
- 开发了保留自主性的脚手架,提供句法支持而不限定内容。
- 设计了功能透明的脚手架,明确传达其目的和应用方式。
- 通过混合方法研究评估卡片对批判性思维、认知负荷和学习满意度的影响。
- 流程与关键技术:
- 进行形成性研究(N=20),从对话记录和访谈中提取响应策略。
- 基于Bloom修订的分类法和学习者反馈设计脚手架卡片。
- 在混合方法用户研究(N=34)中评估卡片,采用被试内设计,比较实验组与对照组在批判性思维、认知负荷和学习满意度指标上的表现。
结果
- 具体发现:
- 实验组的批判性思维得分显著更高(t33 = 6.675, p < .05)。
- 外在认知负荷显著降低(t33 = -2.753, p < .05),而内在认知负荷略有增加(t33 = 1.904, p = .066)。
- 学习满意度在实验组显著更高(t33 = 3.067, p < .05)。
- 相较基线的优势: 脚手架卡片在学习者回答的分析广度、推理深度和重点聚焦方面优于无脚手架对照组。
- 实验/评估:
- 参与者广泛使用卡片,其中简化、提问和推测策略最为频繁。
- 访谈揭示了策略使用的目的性,受对话背景、知识熟练度和个人偏好影响。
- 问卷结果证实了认知负荷的降低以及学习体验满意度的提升。
- 局限性与未来工作:
- 缺乏个性化推荐以帮助选择卡片。
- 长期使用可能存在对脚手架的过度依赖风险。
- 需要探索脚手架在不同学习环境和阶段的效果。
总结
本研究开发并评估了脚手架卡片,以解决基于LLM的苏格拉底式教学中学习者回答表面化的问题。这些卡片分为三个类别,提供结构化但灵活的支持,用于构建有意义的回答。混合方法评估显示,与无脚手架基线相比,批判性思维显著提高,外在认知负荷降低,学习满意度更高。研究结果突出了基于状态感知、保留自主性和功能透明的脚手架在增强学习者与LLM互动方面的潜力,并对设计响应性和个性化教育工具具有重要意义。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 100%
从答案引擎到学习伙伴:AI 辅助学习的双 ZPD 设计框架
CHI '26· 大语言模型(LLM)的人机协作 +2
- 83%
开放式结构化问题评估中的人机协作
CHI '26· 大语言模型(LLM)的人机协作 +3
- 80%
课堂仿真:在线教育中构建情境学生生成代理以模拟学习行为
CHI '25· 大语言模型(LLM)的人机协作 +1
- 80%
好篱笆造就好学习:自主语言学习者如何权衡LLM委托决策
CHI '26· 大语言模型(LLM)的人机协作 +1
- 80%
AskNow:一个用于大规模课堂实时问答的LLM驱动交互系统
CHI '26· 大语言模型(LLM)的人机协作 +1
- 80%
AI赋能数学教育:利用情境感知AI支持大规模数学课程中的教师
CHI '26· 大语言模型(LLM)的人机协作 +1
- 80%
AI伙伴能否赋能学习者提出批判性问题?
IUI '25· 大语言模型(LLM)的人机协作 +1
- 71%
协同设计 Ripplet:一个基于教师工作流概念模型的 LLM 辅助评估题目创作系统
CHI '26· 大语言模型(LLM)的人机协作 +3
- 71%
情境化的想象:与计算机科学教学助理共同设计 AI 未来
CHI '26· 大语言模型(LLM)的人机协作 +3
- 67%
用于开发AI辅导系统的机器教学交互设计
CHI '20· 大语言模型(LLM)的人机协作 +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791696
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
荣誉提名
group
作者
6 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、智能辅导系统与学习分析、参与式设计(Participatory Design)
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