在多智能体学习环境中映射学生与人工智能的互动动态：支持个性化学习并缩小绩效差距

《COMPUTERS and EDUCATION》：Mapping Student-AI Interaction Dynamics in Multi-Agent Learning Environments: Supporting Personalised Learning and Reducing Performance Gaps

多智能体AI系统通过模拟教师、助教、同伴等角色，在六模块课程中探索学生互动模式及其对认知成果（学习增益）和非认知因素（动机、技术接受）的影响。研究发现低先验知识学生更依赖知识共构模式获得高学习增益和持续动机，而高先验知识学生侧重过程共调但学习提升有限，技术接受度整体提升。贡献包括长期课程验证、多角色协同机制及差异化交互模式分析。

　　多智能体人工智能系统在模拟教师、同伴等多样化教学角色方面展现出巨大的潜力，为个性化和互动式学习提供了新的可能性。然而，当前的研究对于学生与AI之间的具体互动模式及其教育意义仍缺乏深入理解。本文通过分析学生在六模块课程中与多个AI智能体的对话数据，揭示了学生与AI互动的两种核心模式：知识共建与学习共调。研究发现，具有较低先验知识的学生更倾向于采用知识共建的方式，这有助于他们获得更高的学习成果和课后动机。相比之下，具有较高先验知识的学生则更多地参与学习共调行为，但其学习提升相对有限。值得注意的是，所有学生群体在技术接受度方面均有所提高，这表明AI技术在教育中的应用正在逐步获得认可。

在现代教育体系中，随着在线学习的普及，如何提升学习者在虚拟环境中的互动体验和学习效果成为一个重要课题。传统在线学习平台，如大规模开放在线课程（MOOCs），虽然提供了丰富的学习资源，但在促进学习者之间的互动以及构建真实的教学情境方面存在不足。近年来，大型语言模型（LLMs）的出现极大地推动了交互式学习的发展，使学生能够通过自然语言与AI进行实时对话，从而提高学习的自主性和互动性。LLMs不仅能够解答学生的问题，还能够提供个性化的学习建议，帮助学生在学习过程中进行自我调节，实现更高效的学习目标。

在实际教育应用中，基于LLMs的智能体已被广泛应用于多种教学场景。例如，个性化导师可以帮助学生解决学习中的问题，教学生智能体则可用于编程教育和调试，生成式智能体可以辅助教师培训，而评估智能体则可用于学生表现的分析与反馈。这些智能体在理解人类指令、促进互动和决策支持方面表现出色，为构建更加智能和灵活的学习环境提供了可能。在此基础上，研究者们提出了基于LLMs的多智能体系统，旨在利用多个智能体的协同作用，实现更全面的教学支持和更个性化的学习体验。相比于单一智能体系统，多智能体系统能够模拟完整的教学与学习过程，增强学习者在虚拟环境中的存在感，并根据学习者的不同需求提供差异化的支持。

尽管多智能体系统在教育领域展现出广阔的应用前景，但目前的研究主要集中在技术实现和工具评估上，缺乏对学生与AI互动过程的深入探讨，尤其是在多智能体学习环境中。因此，本文通过系统分析学生与不同AI智能体之间的对话，揭示了学生在学习过程中与AI互动的行为特征及其对学习效果的影响。研究采用细致的编码方法，识别了对话的性质，并结合过渡分析和滞后序列分析（LSA）等技术手段，进一步揭示了互动的动态机制。通过这些分析，本文不仅探讨了多智能体协作机制，还强调了长期、正式课程环境的重要性，为教育实践提供了更具生态效度的依据。

研究中发现，学生与AI智能体的互动呈现出两种主要模式：知识共建和学习共调。知识共建指的是学生与AI之间通过共同讨论、提问和解答来构建和深化对知识的理解。这种模式通常出现在学生对所学内容缺乏充分理解的情况下，他们更倾向于通过与AI的互动来获取新的信息和知识。相比之下，学习共调则强调学生在学习过程中对自身学习节奏和目标的主动管理，通过与AI的互动来调整学习策略和行为。具有较高先验知识的学生更倾向于采用学习共调的方式，他们能够自主地规划学习路径，对AI的反馈有较强的判断力和适应能力。然而，这种模式在学习成果上的提升相对有限，可能是因为学生在已有知识的基础上更关注于自我管理，而非知识的进一步拓展。

此外，研究还发现，学生与AI的互动对学习动机和技术接受度产生了积极影响。无论学生的先验知识水平如何，他们在与AI互动的过程中都表现出更高的学习兴趣和技术使用意愿。这一现象可能与AI提供的即时反馈、个性化支持和互动体验有关。对于先验知识较低的学生而言，AI的参与不仅提升了他们的学习效果，还增强了他们对学习过程的掌控感，从而激发了更高的学习动机。而对于先验知识较高的学生，虽然他们较少依赖知识共建，但在学习共调过程中仍然能够获得一定的学习提升，尤其是在自我反思和学习策略调整方面。

本文的研究还具有重要的教学意义。首先，它表明多智能体系统能够有效支持不同学习需求的学生，通过差异化互动模式满足个体化的学习目标。其次，研究强调了长期、正式课程环境的重要性，这有助于学生在更真实的学习情境中建立稳定的互动模式，从而提高学习的深度和广度。最后，研究为教育者提供了新的视角，即如何利用AI技术来优化学习者的互动体验，促进知识的构建和学习动机的提升。这些发现不仅拓展了对AI在教育中作用的理解，也为未来教育技术的发展提供了理论支持和实践指导。

研究中采用的分析方法也为后续研究提供了借鉴。通过对话数据的编码和分析，研究者能够更清晰地识别学生与AI互动的行为特征，并进一步探讨这些特征如何影响学习过程和结果。过渡分析和滞后序列分析（LSA）等方法的应用，使得研究能够揭示互动的动态变化，为理解学生与AI之间的协作机制提供了新的工具。这些方法不仅适用于当前的研究，也可以推广到其他教育场景中，以评估AI在不同教学环境中的应用效果。

在教育实践中，多智能体系统可以作为传统教学模式的重要补充。它不仅能够提供个性化的学习支持，还能增强学习者之间的互动，模拟真实课堂中的合作学习氛围。然而，要充分发挥多智能体系统的优势，还需要进一步优化其设计和功能，使其能够更好地适应不同学习者的需求。例如，对于先验知识较低的学生，系统应提供更多的引导和支持，帮助他们建立扎实的知识基础；而对于先验知识较高的学生，则应鼓励他们通过学习共调来深化理解，提高学习的自主性和效率。

此外，研究还强调了技术接受度在AI教育应用中的关键作用。随着AI技术的不断发展，如何提高学生对AI工具的接受度和使用意愿，将成为教育技术推广的重要挑战。研究表明，学生在与AI互动的过程中，不仅获得了知识，还逐渐建立了对AI的信任和依赖，这有助于他们在未来的学习中更积极地利用AI资源。因此，教育者在引入AI技术时，应注重培养学生的适应能力，帮助他们理解AI的功能和价值，从而提高技术接受度。

本文的研究还揭示了AI在教育中的潜力，尤其是在促进个性化学习方面。通过分析不同学生群体与AI的互动模式，研究者能够更好地理解AI如何支持不同层次的学习者。这种差异化的互动模式不仅有助于提高学习效果，还能增强学习体验的多样性和适应性。未来的研究可以进一步探索如何根据学生的个性化需求，动态调整AI智能体的角色和功能，从而实现更加精准和高效的教学支持。

总的来说，本文的研究为AI在教育领域的应用提供了新的视角和方法。通过系统分析学生与多智能体系统的互动，研究揭示了不同学习者在与AI合作时所展现出的行为特征及其对学习成果的影响。这些发现不仅有助于优化AI教育工具的设计，也为教育者提供了新的策略，以更好地利用AI技术提升教学质量。随着AI技术的不断进步，多智能体系统有望在未来成为教育领域的重要组成部分，为实现更加公平、高效和个性化的学习体验奠定基础。