问题链提示对生成式人工智能环境下自我调节学习、元认知与学业成就的影响

《International Journal of Educational Technology in Higher Education》:Effects of question-chain prompting on self-regulated learning, metacognition, and achievement in a generative AI environment

【字体: 大 中 小 】 时间:2026年10月24日 来源:International Journal of Educational Technology in Higher Education 38.7

编辑推荐:

  生成式人工智能(GenAI)为学习者提供即时和个性化的支持,然而无指导的互动可能会鼓励被动使用并削弱自我调节学习(SRL)。本研究考察了问题链提示是否能在人机交互中支持SRL。研究人员对83名修读电视节目制作课程的本科生进行了准实验研究。对照组采用自由提问方式

  
生成式人工智能(GenAI)为学习者提供即时和个性化的支持,然而无指导的互动可能会鼓励被动使用并削弱自我调节学习(SRL)。本研究考察了问题链提示是否能在人机交互中支持SRL。研究人员对83名修读电视节目制作课程的本科生进行了准实验研究。对照组采用自由提问方式,而两个实验组分别采用渐进式或发散式问题链策略。数据包括GenAI交互日志、任务后反思、元认知意识测量和课程成绩。本研究发现,两个问题链组在学习策略和学习监控行为方面均显著多于对照组。反思数据进一步揭示了学生在人机协作方法上的差异,但由于不同条件下的反思提示不同,这些差异应谨慎解读。此外,两个实验组在认知知识、认知调节和学业成就方面的得分均显著高于对照组。渐进式与发散式问题链方法之间未发现显著差异。研究结果表明,将问题链提示作为包含具体、有序和必需问题的教学包实施,可以促进人机交互过程中更积极的参与,并支持元认知发展和学习表现。问题链为在教育环境中引导学生使用GenAI提供了一种实用方法。
研究背景与问题
随着ChatGPT和DeepSeek等生成式人工智能(GenAI)工具迅速进入高等教育领域,它们能够按需回答问题、提供即时反馈并根据个体学习者调整回应,这长期以来被视为个性化学习的理想能力。然而,未经引导的GenAI交互可能鼓励认知卸载——即把思考委托给外部辅助工具——从而导致学习者的被动使用,并削弱自我调节学习(SRL)。已有研究表明,在ChatGPT支持下,学生表现出较少的元认知过程,如定向和评估,这种现象被称为“元认知懒惰”。同样,学生可能依赖AI协助而非内化其建模的调节技能。因此,如何在利用GenAI优势的同时保持和加强学习者的SRL,成为一项核心的教学挑战。
在人机对话中,学习者的提问是主要的控制工具。然而,缺乏指导的学生往往依赖模糊的一次性提示,限制了人机交互的潜在收益。相比之下,结构化提示能改善交互质量和学习者态度。基于此,本研究将问题链策略从传统的师生互动拓展至人机交互场景,旨在检验它是否能通过引导学习者提出一系列相互关联、逐步递进的问题,来促进高阶思维、强化SRL过程和结果。
研究方法与技术
本研究采用准实验设计,研究对象为广州某大学电视节目制作课程中的83名本科生,来自三个完整班级。A班(n=28)为对照组,使用自由提问方式;B班(n=30)和C班(n=25)分别为实验组1和实验组2,采用渐进式和发散式问题链策略。所有参与者均使用DeepSeek作为GenAI工具。研究工具包括:改编版的元认知意识量表(MAI),经预试验验证信度良好(Cronbach's α=0.824);交互日志编码方案,用于捕捉学习策略和学习监控行为;以及由两位课程讲师独立评分的课程成绩。数据分析采用卡方检验比较交互日志中的行为频率,单因素方差分析(ANOVA)比较元认知意识和学业成就的组间差异,显著效应进一步使用最小显著差异法(LSD)进行事后检验。反思文本则采用主题分析法进行分析。
研究结果
调节学习行为
交互日志的行为频率分析显示,对照组在学习策略(33次,25.00%)和学习监控(36次,14.46%)方面的频次均低于实验组1(52次,39.40%;108次,43.37%)和实验组2(47次,35.60%;105次,42.17%)。卡方检验表明三组间存在显著差异(χ2=6.551,p=0.038),但两个实验组之间差异不显著(χ2=0.090,p=0.765)。反思数据的主题分析识别出三个核心主题:GenAI的赋能价值、人机协作策略以及GenAI的局限性。实验组学生更多描述GenAI作为创意灵感和想法发展的来源,以及提示设计和迭代交互的策略;对照组则更多提及GenAI作为信息来源及其内容质量限制。
元认知意识
单因素方差分析显示,在认知知识维度上,对照组(M=3.96,SD=0.47)得分低于实验组1(M=4.23,SD=0.40)和实验组2(M=4.24,SD=0.52),组间差异显著(F=3.406,p=0.038)。在认知调节维度上,对照组(M=3.99,SD=0.09)也低于实验组1(M=4.27,SD=0.07)和实验组2(M=4.25,SD=0.10),差异显著(F=3.323,p=0.041)。LSD事后检验表明,对照组在两个维度上均显著低于两个实验组,而两个实验组之间无显著差异。
学业成就
单因素方差分析显示三组间学业成就存在显著差异(F=3.807,p=0.035)。对照组平均得分为86.67(SD=2.915),实验组1为90.50(SD=3.705),实验组2为90.13(SD=3.182)。LSD事后检验表明,对照组显著低于实验组1(均值差=-3.833,p=0.015)和实验组2(均值差=-3.458,p=0.043),而两个实验组之间差异不显著(均值差=0.375,p=0.808)。
讨论与结论
讨论部分指出,与自由提问相比,渐进式和发散式问题链策略均与更多的学习调节行为、更高的元认知意识和更高的学业成就相关联,但两种问题链方法之间未发现显著差异。这些发现应被理解为问题链条件作为一个整体的效果,因为与控制条件相比,问题链同时在预设问题的具体性和质量、顺序、每个问题需建立在先前回答基础上的要求、完成每一步的要求以及反思提示的措辞等方面存在差异,因此无法将观察到的差异归因于“链接”本身。一种可能的解释是,问题链条件改变了学生与AI响应的互动方式,每个新问题必须建立在先前回答之上,这可能促使学生阅读、评估和连接AI生成的信息后再继续交互,这种参与符合建构性和交互性的学习投入形式。在元认知方面,问题链可能在交互内部支持了元认知过程,鼓励学生根据目标评估响应并决定是否接受、修改或拒绝内容,这与规划、监控和评估的元认知调节过程相对应。在学业成就方面,结构化提问可能促使学生在整个项目中更深入地参与中间产品,从而产出更强的最终作品。渐进式与发散式方法之间未发现显著差异,这可能表明问题链的有效性更多取决于结构的存在而非特定形式。
研究结论部分翻译如下:
随着生成式人工智能日益融入教育环境,一个关键挑战是确保学习者保持认知参与,而不是成为AI生成内容的被动消费者。本研究考察了问题链提示能否在GenAI环境中支持学习。结果显示,渐进式和发散式问题链均比无指导的交互带来更强的学习调节、更高的元认知意识和更高的学业成就。两种方法之间未发现显著差异。由于问题链结合了具体、有序和必需的提示,这些效果反映了问题链方法作为一个教学包的整体作用,而非单独链接的效果。这些发现强调了学习者如何与GenAI互动的重要性。通过结构化学习者的提问,问题链可能为人机交互中维持积极参与提供了一种实用手段。随着教育工作者越来越多地将GenAI整合到教学中,设计有效的探究模式可能与设计技术本身同等重要。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号