利用生成式AI设计视频讲座中的有效反馈：反馈类型与学习者主体性在错误检测中的作用

《COMPUTERS and EDUCATION》：Designing effective feedback in video lectures using GenAI: The roles of feedback type and learner agency in error detection

　　•结合知识结果与正确响应反馈的方式提升了学习者的自我调节能力及学习成果。•由学习者自行发现的错误能增强其注意力集中程度与自我调节能力。•学习者自行发现的错误效果优于人工智能检测出的错误或无错误检测的情况。有效的反馈应整合评估、纠正与引导性调节功能。引言视频讲座因其可扩展性、灵活性以及能够整合动画、模拟演示等多样化多媒体资源，已成为当代高等教育的核心组成部分。与传统依赖同步互动及教师即时指导的课堂教学相比，视频讲座让学习者在控制学习进度、重复练习及获取学习资料方面拥有更大自主权。这种灵活性使得视频讲座在正式与非正式学习场景中得到广泛应用（Navarrete等人，2025年）。然而，从传统课堂教学向视频讲座的转变也从根本上改变了学习发生的条件。本研究将视频讲座环境定义为异步的、以技术为媒介的学习场景，教学内容通过预录视频呈现，使学习者能够在无需实时教师互动的情况下自主掌控学习进度、重复次数及学习顺序。这类环境在高等教育中日益普遍，但对学习者的自我调节学习能力提出了更高要求。尽管视频讲座具有诸多教学优势，但也带来了独特的认知与动机方面的挑战。高度的自主性要求学习者持续进行自我调节学习，包括设定目标、管理注意力以及保持坚持，而许多学习者难以在异步环境中维持这些能力。此外，缺乏实时的社交互动和即时教学反馈会降低学习者的责任意识，进而影响其长期的学习投入度。因此，参与视频讲座的学习者往往会出现注意力下降、参与度低以及辍学率高的问题（Deng，2024年；Gutiérrez-González等人，2024年）。这些挑战表明，视频讲座的效果并非仅取决于内容质量，还与能否提供有助于支持学习者认知与动机过程的外部支持密切相关。从理论层面来看，反馈通过引导注意力、减少不确定性以及支持自我调节学习，在调节学习者的认知与动机过程方面发挥着关键作用（Cai等人，2023年；Hattie与Timperley，2007年；Koenka等人，2021年）。但在传统教育环境中，由于教学资源有限且存在可扩展性难题，很难提供及时且个性化的反馈，从而难以大规模实施反馈机制（Hattie与Timperley，2007年；Nicol与Macfarlane-Dick，2006年）。生成式人工智能的出现为克服这些限制提供了新可能，它能够为不同学习场景生成即时、灵活且可大规模应用的反馈（Han等人，2025年；Liu与Zhong，2025年）。尽管基于生成式人工智能的反馈系统被越来越多地采用，但关于不同类型的反馈以及学习者对反馈的处理方式如何影响视频讲座环境中的学习过程与成果，目前仍缺乏足够的实证研究。弥补这一空白至关重要，因为先前的研究已多次表明，反馈的有效性在很大程度上取决于其内容与设计（Brummer等人，2024年；Hattie与Timperley，2007年；Mertens等人，2022年；Nicol与Macfarlane-Dick，2006年）。具体而言，生成式人工智能产生的不同类型反馈，如仅提供结果反馈、仅提供正确答案反馈，或两者结合的反馈，可能会对学习者的动机、参与度及表现产生不同影响（Mertens等人，2022年；Oppici等人，2024年；Van der Kleij等人，2015年；实验1）。此外，学习者主动识别自身错误的程度，即错误识别中的主体性，也可能进一步影响反馈的有效性。学习者可能自行识别错误，也可能依靠生成式人工智能来检测错误，或是在没有明确错误提示的情况下接收反馈（Liebenow等人，2025年；Nicol与Macfarlane-Dick，2006年；实验2）。为探讨这两个维度，本研究旨在分析在用于英语写作教学的视频讲座中，生成式人工智能生成的反馈如何影响学习者的动机、注意力集中度、行为模式及成绩提升情况。在本研究中，视频讲座环境被定义为异步的、以技术为媒介的学习场景，教学内容通过预录视频呈现，使学习者能够在无需实时教师互动的情况下自主掌控学习进度、重复次数及学习顺序。需要指出的是，本研究将生成式人工智能视为生成与传递反馈的工具，而非核心理论变量。研究的主要变量是反馈设计，尤其是是否提供评估信息、纠正信息或二者结合。依据教育技术领域的媒体-方法视角（Clark，1994年），本研究强调，观察到的效果应归因于反馈设计而非技术载体本身。为此，为了同时捕捉结果层面的影响及背后的学习过程，本研究采用了以过程为导向的多方法研究思路，整合了学习者自我报告的动机数据、基于眼动追踪的注意力集中度指标以及行为序列分析数据。这种综合设计回应了当前对于更全面反馈研究的呼吁，即超越单一的结果衡量，深入理解学习过程（Fong，2025年）。反馈是指由某一方提供的关于个人表现或理解程度的信息（Hattie与Timperley，2007年）。反馈的核心目的是帮助学习者解读有关自身表现的信息，并促进错误检测与纠正等学习过程的开展（Cai等人，2023年；Hattie与Timperley，2007年；Koenka等人，2021年）。反馈可以通过多种形式呈现，每种形式都传递着不同的信息及具备不同的教学功能（Kuklick等人，2023年；Mertens等人，2022年）。因此，根据反馈的复杂程度及信息的具体性，可以对其进行分类（Mertens等人，2022年；Van der Kleij等人，2015年；Wisniewski等人，2020年）。最简单的反馈形式之一是结果反馈，它仅告知学习者其回答是否正确，通常以分数或对错判断的形式呈现（Mertens等人，2022年；Oppici等人，2024年）。结果反馈不提供纠正信息，也不指导学习者如何改进表现（Van der Kleij等人，2015年）。关于结果反馈对学习成果影响的实证研究结果并不一致。有些研究表明，结果反馈对学习表现及元认知能力有轻微的积极影响（Kuklick与Lindner，2021年；Oppici等人，2024年），但也有研究认为，仅靠结果反馈对学习成果及动机的影响可能十分有限甚至毫无作用（Kuklick等人，2023年；Van der Kleij等人，2015年）。比结果反馈更具信息量的反馈形式是正确响应反馈。正确响应反馈不仅告知学习者其回答是否正确，还会提供正确的答案或标准解答（Lu等人，2025年）。通过提供纠正信息，正确响应反馈让学习者有机会修正错误知识，从而有助于错误纠正（Kuklick等人，2023年）。元分析结果表明，正确响应反馈对学习成果可能产生从轻微到显著的不等程度的影响（Mertens等人，2022年；Van der Kleij等人，2015年）。不过也有研究表明，正确响应反馈的有效性取决于学习者对反馈信息的认知处理方式，而不仅仅取决于该信息的存在与否（Meyer等人，2025年）。综上所述，以往关于结果反馈与正确响应反馈的研究所得结论并不一致。结果反馈的一个主要局限在于，它往往缺乏足够的信息来支持错误纠正，而正确响应反馈则通过提供正确答案来弥补这一缺陷。从理论层面看，结果反馈主要提供评估信息，帮助学习者监测自身表现并调整元认知能力，使其能够判断自己的回答是否正确。相比之下，正确响应反馈则提供纠正信息，通过给出正确答案来帮助学习者修正知识、纠正错误。然而，当学习者仅收到正确响应反馈时，他们可能无法准确评估自身表现，也无法清楚认识到自己错误的程度（Guo等人，2022年；Ranalli，2018年）。这一局限与关于自我评估准确性的研究结果一致，即在没有评估信息的情况下，学习者往往难以准确判断自身表现的质量（Liebenow等人，2025年；Panadero等人，2026年）。因此，将结果反馈与正确响应反馈相结合，可以提供互补的信息，既有助于表现监测，也有助于知识更新，使学习者既能评估自身表现，又能了解如何纠正错误。尽管解释性反馈通常对学习成果有显著影响（Mertens等人，2022年），但本研究重点关注结果反馈与正确响应反馈，是因为它们代表了两种基本的反馈功能，即评估与纠正。研究这两种反馈形式有助于更深入地探讨在生成式人工智能生成的反馈中，评估信息与纠正信息如何影响学习过程，而这一领域目前仍缺乏足够的实证研究，尤其是在视频讲座环境中。虽然以往的研究已经广泛探讨了不同类型反馈基于其所提供信息所产生的影响（Fleckenstein等人，2024年；Mertens等人，2022年），但越来越多的证据表明，反馈的有效性还取决于学习者如何处理并理解这些反馈（Zhang等人，2021年、2025年）。根据生成式学习理论，当学习者通过选择、组织及整合信息等认知过程，主动在新信息与已有知识之间建立联系时，就能实现有意义的学习（Fiorella与Mayer，2021年；Wittrock，2010年）。因此，那些主动解读并利用反馈进行错误检测与纠正的学习者，比那些不参与此类生成性活动的学习者更有可能实现有意义的学习。在反馈背景下，一个重要但尚未得到充分研究的生成性活动是：谁应承担检测学习者作业中错误的责任。以往的研究表明，当反馈能够帮助学习者自我诊断表现时，其效果最为显著（Liebenow等人，2025年；Nicol与Macfarlane-Dick，2006年）。这一观点与关于自我评估准确性的研究一致，后者强调学习者准确评估自身表现的能力（Liebenow等人，2025年；Panadero等人，2026年）。虽然这与自我评估准确性相关，但本研究具体关注的是错误检测中的主体性，即错误检测的责任在于学习者自身还是外部来源。从生成式学习的角度来看，要求学习者自行检测并分析自身的错误，能促使他们主动将自己的回答与目标标准进行比较，进而建立错误与正确答案之间的关联，从而促进更深层次的加工与知识构建（Zhang与Fiorella，2024年）。相反，当错误由外部主体，如教师或生成式人工智能系统直接检测出来时，学习者可能更倾向于采取被动接受的态度，依赖他人提供的信息，而非主动去检测错误（Fokides与Peristeraki，2025年）。这样一来，学习者进行生成性加工的机会就会减少，进而可能限制学习的深度（Zhang与Fiorella，2023年）。越来越多的证据还表明，学习者可能会过度依赖生成式人工智能生成的反馈，仅仅停留在表面复制上，而不会主动识别并反思自身的错误（Zhai等人，2024年）。值得注意的是，以往关于错误检测的研究大多将其视为一种学习成果或表现指标，探讨不同类型的反馈如何影响学习者检测错误的准确性（Pinet与Nozari，2021年；Gonzalez等人，2010年）。相比之下，很少有研究将错误检测视为一种可以通过教学设计加以调控的过程，或者探讨在反馈处理过程中谁应承担错误检测的责任，尤其是在生成式人工智能支持的学习环境中。与生成式学习理论相符，实证研究显示，那些要求学习者生成信息（如解释、提纲或错误分析）的学习活动，通常比单纯提供信息的活动更为有效，尤其是在涉及复杂理解或错误纠正的任务中（Fiorella，2023年；Zhang与Fiorella，2023年）。此外，关于错误示例学习的研究也表明，只有当学习者能够主动识别、解释并反思错误时，错误示例才能真正促进学习（Adams等人，2014年；Dieterich等人，2025年）。综合这些研究结果可以看出，学习者主动参与错误检测是反馈处理过程中一项至关重要的生成性活动。因此，本研究将这一维度定义为错误检测中的主体性，即错误检测是由学习者主动发起，还是由生成式人工智能工具发起，又或是没有明确的触发机制。从自我调节学习的角度来看，主动识别自身的错误还有助于加强元认知监控，提高学习者对自己当前表现与期望表现之间差异的意识（Cai等人，2023年；Hattie与Timperley，2007年；Koenka等人，2021年）。鉴于反馈在各种教育情境中都具有已被充分证实的积极作用，因此尤其有必要研究在视频讲座环境中，反馈是如何被设计及传递的（Cai等人，2023年；Hattie与Timperley，2007年；Koenka等人，2021年）。尽管先前的研究已经探讨了KR和KCR反馈的效果（Kuklick等人，2023年；Kuklick与Lindner，2021年；Lu等人，2025年），但KR与KCR结合使用的效果，以及错误检测中学习者主体性的作用仍不够明确，尤其是在由生成式人工智能支持的视频讲座背景下。为填补这一空白，本研究探讨了不同类型的反馈（KR、KCR或KR+KCR）以及错误检测中的主体性（学习者发现的错误、生成式人工智能发现的错误或无明确错误检测）如何影响学生的动机、参与度（通过眼动和学习行为来衡量）以及成绩提升。

**实验1的目标与假设**
实验1研究了反馈类型（KR、KCR或KR+KCR）对学生动机、参与度（注意力投入和行为模式）以及成绩提升的影响。基于反馈干预理论、生成式学习理论以及自我调节学习的相关研究，KR和KCR提供了互补的信息，能够支持学习的不同方面（Cai等人，2023年；Fiorella与Mayer，2021年；Mertens等人，2022年；Van der Kleij等人，2015年；Wittrock，2010年）。

**实验2的目标与假设**
实验1发现，与仅接受KR或KCR反馈相比，学生在接受KR+KCR反馈时成绩提升更为显著。实验2进一步研究了在接收KR+KCR反馈时，错误检测中的主体性（学习者发现的错误、生成式人工智能发现的错误或无明确错误检测）所产生的影响。实验2提出假设：学习者自己发现的错误会提升他们的动机（H4）、注意力投入（H5）以及涉及处理过程的行为表现。

**实证与理论贡献**
本研究探讨了在视频讲座背景下，由生成式人工智能产生的不同类型反馈以及错误检测中学习者主体性的影响。通过两项实验，研究结果一致表明，结合了KR和KCR的反馈比单独使用其中任何一种反馈更能有效提升学习者的动机、自我调节学习能力以及成绩。此外，当这种反馈与学习者自己发现的错误相结合时，学习者的表现会更加优异。

**作者贡献说明**
张一宇：撰写——初稿、研究、正式分析。
皮忠岭：撰写——审阅与编辑、撰写——初稿、项目管理、资金获取、正式分析、数据整理、概念构建。
曹婉如：方法论、研究。
马玉贤：研究、正式分析。
曹玉祥：正式分析、撰写——审阅与编辑。
李希英：撰写——审阅与编辑、撰写——初稿、项目管理。

**未引用参考文献**
Brame，2017年；Shi和Aryadoust，2024年；Szpunar等人，2013年。

**知情同意**
在数据收集之前，作者向所有参与者提供了书面知情同意书。同意手续于2024年9月23日完成。所有参与者都了解了研究的性质、目的和流程，以及作为参与者的权利和同意的范围。他们都知道自己的参与是自愿的，并且他们的隐私会得到保护。同时，他们也被告知可以随时退出研究。

**数据与材料提供情况**
数据可应要求提供。

**利益冲突**
不存在利益冲突。

**研究伦理委员会与伦理审批**
本研究遵循《赫尔辛基宣言》的原则进行。2024年9月12日，陕西师范大学伦理委员会批准了该研究（批准号：L20240912-02）。

**资金来源说明**
本研究得到了中国国家自然科学基金项目[62377035]、中央高校基本科研业务费项目[24ZYYB003]以及海军军医大学老年长期护理重点实验室研究基金项目（LNZD-2023-02）的支持。这些资助机构在研究设计、数据收集、分析或解释以及论文撰写方面的作用是平等的。

**致谢**
无。

皮忠岭 | 曹玉祥 | 张一宇 | 马玉贤 | 曹婉如 | 李希英