结构化人机交互设计揭示高等教育内容生成中的探索与利用动态

本研究通过结构化提示模板和社会化关键词设计，探讨了教育工作者在AI生成内容任务中的信息觅食行为。研究人员采用信息觅食理论(IFT)和计算思维框架，分析了25名博士生与GPT-4的交互数据，发现探索行为促进语义多样性信息导航，而利用行为则聚焦AI生成内容。研究揭示了计算思维特质对交互模式的调节作用，为LLM驱动的教育工具设计提供了重要启示。

　　

在人工智能技术迅猛发展的今天，大型语言模型(LLM)如GPT系列正在重塑教育领域的知识获取与内容创作方式。然而，这种新兴技术在教育实践中的应用仍面临诸多挑战：教育工作者如何有效利用这些工具？他们的认知特质如何影响与AI的交互模式？这些问题直接关系到AI技术在教育中的实际效果和发展前景。

赫尔辛基大学的研究团队在《npj Science of Learning》发表了一项开创性研究，通过结构化的人机交互设计，揭示了教育工作者在AI辅助内容创作中的行为模式。研究创新性地将信息觅食理论(Information Foraging Theory, IFT)和计算思维(Computational Thinking Skills, CTS)框架相结合，设计了一套包含可编辑提示模板和社会化关键词的交互系统，对25名参加"教育科学人工智能基础"博士课程的学员进行了行为分析。

研究采用了多方法融合的技术路线：首先开发了标准化的交互协议，包含探索型(生成新场景)和利用型(深入特定内容)两类提示模板；其次运用BERTopic框架对参与者的文本产出进行主题建模，通过香农多样性指数(Shannon Index)量化主题多样性；最后采用计算思维量表(Computational Thinking Scale, CTS)评估参与者的认知特质，并通过网络分析探索行为变量与认知特质的关系。

研究结果部分呈现了丰富发现：

在"探索与利用"部分，数据显示参与者平均使用1.44次探索提示和1.60次利用提示，表明两种行为基本平衡。值得注意的是，76%的参与者主动使用至少一次利用提示，且利用行为主要集中于最终选定的场景中。这一发现印证了IFT关于价值识别的核心观点，即用户会针对感知到的高价值信息进行深度开发。

在"关键词选择"部分，研究发现探索提示完全使用设计提供的社会化关键词，而利用提示中60%采用了GPT生成的关键词。这种转变揭示了交互过程中的动态适应机制：初期由社会化线索引导探索，后期则转向AI生成内容的内部线索。特别有趣的是，68%使用的社会化关键词来自他人贡献而非自身提供，打破了"个性化学习优先"的传统假设。

"主题建模"结果显示，探索行为与更高的主题多样性显著相关(r=0.47,p=0.01)，而利用GPT关键词则与较低的论文主题多样性相关(r=-0.47,p=0.01)。BERTopic分析识别出23个论文主题和34个研究设计主题，其中"学习"(n=17)、"教学"(n=12)和"高等教育"(n=10)是最高频共享主题。这种分布模式反映了集体智慧与个人专长的有机结合。

"与CTS的关联"部分通过聚类分析发现了人群特异性模式：在年轻、教学经验较少的组群中，合作性(Cooperativity)特质与GPT关键词使用正相关(τ=0.79,p=0.01)；而在中年组群中，批判性思维(Critical Thinking)特质与自身关键词使用负相关(τ=-0.79,p=0.01)。这些发现暗示了人口统计学因素在人类-AI交互中的调节作用。

研究结论部分提出了三个关键见解：首先，社会化元素在AI辅助学习的探索阶段具有核心价值，共享关键词体系能有效拓宽信息觅食范围；其次，AI生成内容在利用阶段提供了精准的"信息气味"(information scent)，但过度依赖可能导致主题窄化；最后，计算思维特质的影响具有人群异质性，这对个性化教育工具设计具有重要启示。

这项研究的理论贡献在于首次将IFT应用于LLM交互分析，证实了该理论在AI生成信息环境中的适用性。实践层面，研究为教育科技产品设计提供了具体指导：应开发支持社会化线索共享的界面，平衡探索与利用功能，并针对不同人群特征优化交互设计。随着AI技术在教育中的深入应用，这项研究为理解人机协同的知识创造过程奠定了重要基础。