《Computers and Education: Artificial Intelligence》：Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling
编辑推荐：
数学建模(MM)被广泛认为是解决复杂现实问题的关键能力，要求学习者参与抽象、表征与迭代推理等高阶过程。然而学习者在协调这些过程时常遇困难。尽管人工智能(AI)近期进展为支持数学建模提供新可能，但关于不同AI中介互动形式如何塑造学习者建模过程的研究有限。为此，研
数学建模(MM)被广泛认为是解决复杂现实问题的关键能力，要求学习者参与抽象、表征与迭代推理等高阶过程。然而学习者在协调这些过程时常遇困难。尽管人工智能(AI)近期进展为支持数学建模提供新可能，但关于不同AI中介互动形式如何塑造学习者建模过程的研究有限。为此，研究人员考察五种AI互动角色——导师(Tutor)、助教(Teaching Assistant, TA)、同伴(Peer)、优秀学生(Excellent Student)与困难学生(Struggling Student)——作为AI辅助学习环境中的差异化教学脚手架策略。为评估角色成效，研究人员对26名大学生实施随机被试内实验，比较五种条件下建模能力、角色偏好与学习体验。结果显示建模表现与角色偏好存在显著背离：学习者在与同伴(Peer)和助教(TA)互动时表现出更高建模能力，这两类角色促进了协作推理与观点共建；相反，学习者更偏好导师(Tutor)与优秀学生(Excellent Student)角色，因其提供更明确的指导与结构化解释。困难学生(Struggling Student)角色在表现与偏好两项指标上均被视为最不支持。研究发现互动结构如何影响学习者建模投入，凸显平衡认知脚手架与协作意义建构的重要性，并为开发自适应、以学习者为中心的AI支持建模环境提供设计启示。
研究背景与问题提出
数学建模(Mathematical Modelling, MM)作为21世纪核心素养，被美国共同核心州立数学标准(CCSSM)与国际学生评估项目(PISA)列为关键实践能力，但其非线性、迭代性特征对学生的抽象、表征与反思能力提出高认知要求。传统课堂中教师难以在探索性建模阶段提供持续个性化支持。生成式人工智能(Generative AI)与大型语言模型(Large Language Model, LLM)虽在解题反馈与个性化路径上展现潜力，但已有研究多聚焦通用解题或自动批改，少有考察AI以不同教学角色（导师、助教、同伴、优秀学生、困难学生）介入建模对话时如何同时影响认知表现与情感体验。更为关键的是，学习者主观偏好的互动方式未必对应更优的学习结果。基于此，研究人员在《Computers and Education: Artificial Intelligence》报道了一项随机被试内实验，系统比较五种AI角色对大学生数学建模能力与角色偏好的分化效应。
关键技术方法
研究人员采用随机被试内设计，26名未修读大学数学课程的非理工科大学生经便利抽样入选，剔除无效数据后纳入分析。实验基于自研三层架构AI辅助建模系统（表现层、应用层、数据层），调用DeepSeek-V3.1模型并通过角色特定系统提示词约束回复长度为100—150字符以模拟自然聊天。五类AI角色（Tutor、TA、Peer、Excellent Student、Struggling Student）与五道难度经专家评定可比的高中水平建模任务按5×5拉丁方设计跨组平衡顺序。每名参与者先完成无AI基线任务，再依次在五轮中分别与一种AI角色协作，每轮限时4分钟，随后填写5点李克特量表即时问卷，全部轮次结束后完成回溯排序与开放题。建模能力由两名评分者依据含情境理解(Situation Understanding)、模型抽象(Model Abstraction)、数学表征(Mathematical Representation)与反思迭代(Reflection & Iteration)四维量规（各1—4分）对520条交互日志评分，采用线性混合效应模型(Linear Mixed-effects Model, LMM)分析；偏好与感知数据用Friedman检验与Wilcoxon符号秩检验（Bonferroni校正）处理。
研究结果
5.1 不同AI角色下的学生数学建模能力
LMM分析显示，AI角色显著影响模型抽象与反思迭代两维度，对情境理解与数学表征无显著差异。Peer角色综合均分最高(M=7.92)，其次为TA(M=7.62)与Tutor(M=7.42)，Struggling最低(M=6.08)，Excellent次之(M=6.62)。在模型抽象上，Excellent显著劣于Peer(β=-0.692, p=0.015)、TA(β=-1.039, p<0.001)与Tutor(β=-0.769, p=0.005)；Struggling显著劣于Tutor与TA。在反思迭代上，Peer显著优于Struggling(β=0.769, p=0.005)，Excellent亦优于Struggling。表明过度直接的答案供给（Excellent）或含混错误输入（Struggling）均削弱抽象生成，而Peer与TA的共建式提示更易驱动高阶加工。
5.2 学生对AI角色的偏好与排序
Friedman检验χ2(4)=28.83, p<0.001。平均排序（1最优、5最劣）为Tutor(2.35)、Excellent(2.46)、Peer(2.85)、TA(2.92)、Struggling(4.42)。Struggling在四组两两比较中均显著最不受欢迎（p<0.004），其余四角色间无显著差异。即学习者主观偏爱权威直给型角色，却未转化为绩效优势。
5.3 用户对AI角色质量的感知
5.3.1 量化分析
自我效能、有用性、易用性三项Friedman检验均显著(p<0.001)。Tutor与Excellent在有用性(M=4.12、3.96)与易用性(M=4.08、3.81)领先，Struggling三项均最低(1.81—1.92)；四类胜任角色间无统计差异。说明功能层面的准确清晰比社会标签更重要。
5.3.2 主题整合
质性编码提取4正题（回应清晰、教学引导、鼓励互动、表达明了）与5负题（模糊、教法缺失、沟通低效、可信存疑、负面体验）。Struggling一致被评“令人困惑”；Tutor获赞“逐步引导”、Excellent“答案专业”、TA“给提示不代答”、Peer“如同学讨论”，解释四胜任角色定量同分而异构。
讨论与结论翻译
讨论指出，AI角色效应不来自标签本身，而来自其互动中嵌入的脚手架机制：指导直接性、认知代理(Epistemic Agency)在人与AI间分配、认知努力唤起量、以及清晰可靠感。模型抽象需平衡脚手架（TA最宜），反思迭代需对比性脚手架（Peer/Excellent/Tutor较优）。偏好与绩效背离源于不同机制：偏好关联流畅感、自信与不确定降低；能力依赖主动生成、认知代理与反思推理。ICAP框架(Chi & Wylie, 2014)下，Peer与TA引发构造性/互动性参与，优于被动接收。
结论部分原文要义：本研究以26名本科生混合方法显示，偏好与表现错位——学习者偏爱指令型(Tutor、Excellent Student)，却在低指令协作型(Peer、Teaching Assistant)下取得更优建模能力，后者促进更深抽象与反思。研究呼吁AI系统超越静态角色，走向匹配建模阶段的自适应脚手架，在明确性与协作性间平衡。未来需在更大样本、纵向轨迹与多智能体课堂生态中复制拓展。
