穿越迷雾：大学生如何调整意义建构实践以应对 LLM 输出中的似是而非的虚假信息

DOI

LLM 界面（如 ChatGPT）在高等教育中被学生广泛使用。但它们的可靠性因生成看似合理但实际上不准确的内容而受损。随着人机交互社区对设计基于 LLM 的教育技术越来越感兴趣，这个问题尤其关键。尽管人们越来越感兴趣，但我们仍然不清楚似是而非的虚假信息如何干扰学生对不可靠 LLM 输出的实时意义建构，以及学生目前如何尝试减轻这些负面影响。因此，我们对15名大学生进行了案例研究，通过大声思考任务和半结构化访谈来使用 ChatGPT。我们发现了反复出现的意义建构模式，学生面临的挑战包括依赖直觉猜测以及被 LLM 冗长、逢迎和过于自信的回应所淹没。他们通过从 LLM 的回应中引出不一致之处，并在自己和 LLM 之间战略性地分配任务来进行适应。最后，我们的研究为未来可靠的 LLM 界面提出了若干设计启示。