文章导读

在成功的同伴讨论中，学生通过积极的互动从深度交流中获益，并推动了对彼此观点的深入理解与整合。来自台湾师范大学的Hsin-Yi Chan教授与加州大学伯克利分校的Marcia C. Linn教授及其团队，共同探索了利用人工智能 (AI) 技术优化小组构建与引导同伴讨论的创新方法。研究团队采用自然语言处理 (NLP) 技术识别学生在科学解释中的核心观点，并将这些识别出的观点与知识整合 (KI) 教学法结合，推动了问题库的设计，从而支持学生在讨论中的积极参与。研究通过对比最大化观点多样性的小组与随机分组的小组，评估了不同分组方式的效果。此外，团队还将聊天工具嵌入地球科学单元，并在同一所学校的两个课堂中进行实地测试。最终，研究报告了NLP观点检测的准确性、最大化与随机分组的影响，以及问题库在引导讨论中促进学生观点交流的作用。研究结果表明，学生观点的相似性在一定程度上限制了最大化观点多样性的效果，而问题库则有效促进了学生在讨论中运用知识整合的过程。

研究过程与结果

本研究采用设计研究方法，结合定量与定性分析，旨在评估聊天工具对学生学习的影响，特别是在科学学习中的应用。研究聚焦于三个关键问题：(1) NLP模型在检测学生想法的准确度如何？(2) NLP技术如何有效地将具有不同思维方式的学生进行分组？(3) 学生使用NLP所提供的KI (知识建构) 启发式自适应提示后，在整理想法、形成KI解释及在聊天对话中应用KI流程等方面有何进步？研究将NLP技术嵌入基于KI教学法的地球科学单元，旨在帮助学生更好地整合板块构造等概念的知识。

本研究的对象为美国西部某城市两所中学的七年级学生，共计256名，研究将这些学生分为131对进行实验，最终得到了102对有效数据，形成56个聊天小组。学生依据NLP技术对其科学解释中所表达的想法的分析结果，分为两组参与聊天活动：NLP信息组 (依据学生想法的多样性进行分组) 和随机组 (按随机方式分组)。聊天界面设计类似于在线社交媒体对话，学生能够看到彼此的初始回答，并在对话中使用由问题库提供的提示问题来引导讨论。

数据分析涵盖了NLP模型在检测学生想法方面的准确性、学生分组方式的实施情况、学生在聊天前后回答的变化、学生小组聊天对话内容以及使用适应性问题库提示对学生KI流程和思维影响的评估。研究结果揭示了NLP技术在促进科学课堂中同伴讨论的潜力。NLP模型在检测学生想法方面表现出良好的准确性，并且适应性问题库提示在促进学生参与知识整合过程方面具有显著作用。然而，在实际课堂中实施NLP分组策略时，仍然面临一些挑战，表明这一方法需要进一步优化和调整。

研究总结

研究表明，NLP分组策略在实际课堂中的实施面临一定挑战，主要原因在于学生解释中的想法相似性较高。未来的研究可以探索更灵活的分组逻辑，例如根据学生解释中具体想法的差异进行分组，从而提高分组策略的效果。研究还强调了教师在分组过程中的关键作用。未来的研究可进一步探讨教师如何利用NLP技术识别学生想法差异，并结合其他因素 (如学生的社交互动) 来优化分组策略。适应性问题库提示在促进学生KI过程方面发挥了一定作用，尤其是在“引发”和“补充/发现”方面。未来的研究可以进一步优化问题库的设计，更好地支持学生在“区分”和“联系/反思”方面的思维发展。研究还指出，使用前测和后测评估学生学习效果的方法存在一定局限性，特别是在聊天活动时间较短的情况下。未来的研究可以探索更有效的评估工具和方法，以更精准地衡量学生的学习进展。

原文出自 Education Sciences 期刊：https://www.mdpi.com/3101156

期刊主页：https://www.mdpi.com/journal/education

Education Sciences 期刊介绍

主编：Daniel Muijs, Queen's University Belfast, UK

期刊主要发表教育类相关文章，涵盖教育行政与管理、教育哲学与教育学原理、教育史与教育政策、教育技术、教学法、课程与教学论、特殊教育、教师教育以及教育测量与评价等各个方面。

2023 Impact Factor：2.5

2023 CiteScore：4.8

Time to First Decision：29.8 Days

Acceptance to Publication：3.8 Days