迈向课程特定人工智能导师的可扩展与负责任整合：教师在校园级平台的体验研究

文献标题

Toward Scalable and Responsible Integration of Course-Specific AI Tutors: Instructor Experiences with a Campus-Wide Platform

出版信息

• 主题领域: 生成式人工智能导师在高等教育中的整合。
• 关键词: AI导师、高等教育、生成式人工智能、教学设计、负责任的AI、可扩展性、教学法、伦理、多模态学习、教师发展。

背景与问题

• 问题/挑战: 尽管生成式人工智能工具在高等教育中被广泛采用，但关于教师如何设计、评估和实施课程特定的AI导师的实证研究仍然有限。现有平台通常缺乏针对教师的指导、基础设施和专业发展支持，阻碍了可扩展的应用。
• 重要性: 理解教师如何使用AI导师可以为平台设计提供指导，使其与教学目标一致，解决多样化的教育挑战，并确保负责任的AI整合。
• 动机与相关研究: 以往关于智能辅导系统（ITS）和生成式人工智能工具的研究主要关注学生学习成果，而非教师实践。诸如Yoo等人（2022）的研究探讨了K–12阶段聊天机器人使用，但与高等教育的相关性不足。本研究通过分析教师驱动的AI导师大规模采用情况填补了这一空白。

解决方案

• 提出的方法: UT Sage，一个支持课程特定AI导师创建的平台，旨在同时支持学生学习和教师驱动的教学目标。
• 创新点:
  1. 提供关于教师如何设计、评估和实施课程特定AI导师的实证洞察。
  2. 识别AI导师采用中的教学、技术和伦理挑战。
  3. 为可扩展且负责任的AI导师平台设计提供建议。
  4. 探索AI导师使用中的学科特定和情境化差异。
• 程序与关键技术:
  • 对20位来自STEM和人文学科的教师、助教和教学设计师进行访谈。
  • 分析教师使用UT Sage的经验，重点关注导师创建、评估和实施。
  • 使用主题分析法识别教师实践、挑战和伦理考虑中的模式。

结果

• 具体发现:
  • 教师使用UT Sage解决认知（如知识差距）、情感（如焦虑）和社会（如群体动态）方面的挑战。
  • 评估实践包括非正式测试、学科特定压力测试以及与教学价值观的基准比较。
  • 实施过程中发现技术障碍（如缺乏多模态支持、LMS集成）和伦理问题（如公平性、数据治理）。
• 相较基线的优势: UT Sage提供了教学护栏和学科特定定制，弥补了像ChatGPT这样的通用AI工具的不足。
• 实验/评估:
  • 参与者包括来自不同学科和角色的20位教育工作者，教学经验和AI熟悉程度各异。
  • 数据收集包括访谈、迭代导师创建和后续反思。
  • 分析识别了跨情境的导师设计、评估和实施模式。
• 局限性与未来工作:
  • 单一机构研究限制了结果的普适性。
  • 缺乏直接的学生数据限制了对学习成果的洞察。
  • 初期发现需要纵向验证。
  • 未来研究应探索多模态能力、可扩展的导师设计以及公平的AI访问。

总结

本研究探讨了教师如何使用UT Sage这一专为高等教育设计的平台来设计、评估和实施课程特定AI导师。研究发现，教师调整AI导师以应对多样化的认知、情感和社会挑战，但面临技术和伦理障碍，如多模态限制和公平性问题。评估实践仍不一致，强调了平台支持的工作流程和教师发展的必要性。研究凸显了AI导师在负责任整合时提升学习的潜力，并提出了可扩展、学科敏感且伦理基础的平台设计建议。