评估生成式人工智能作为电子实践训练中实时故障排除助手的有效性

《Big Data and Cognitive Computing》：Evaluating Generative AI as a Real-Time Troubleshooting Assistant in Practical Electronics Training

　　

摘要：基础职业教育学生在电子学学习中面临显著困难，导致对教师的高度依赖，并在实践工作坊中形成教学瓶颈。本研究旨在评估生成式人工智能作为电子实践工作坊中辅助导师的有效性，通过比较其对概念学习、技术表现、动机和学习自主性的影响与传统教学方法的效果。为此，研究人员采用准实验设计，以八名基础职业教育学生为试点组，分为人工智能辅助组（n = 4）和传统对照组（n = 4），并使用前测和后测评估来测量认知进步。结果显示，尽管任务难度不断增加，人工智能的使用仍能维持概念学习的表现，同时显著提升学生的动机和感知自主性。虽然未记录到技术装配错误频率的大幅减少，但人工智能被证明是解决程序性问题实时支持的有效工具。结论表明，生成式人工智能的整合为基础职业教育带来了积极意义，其作为补充导师的功能能够促进学生独立性并优化技术课堂动态。

论文解读：《评估生成式人工智能作为电子实践训练中实时故障排除助手的有效性》

一、研究背景与问题

在电子学教育领域，基础职业教育阶段的学生普遍面临严峻的学习挑战。这些学生往往难以掌握欧姆定律（Ohm's Law）、电阻计算以及串并联电路行为等抽象理论概念及其实际应用，这常被称为充满脱节公式的“不可能之墙”。由于这些学生通常伴有学业失败史和低自尊心，他们需要即时的正面成果来维持学习投入。更为关键的问题是，在实践工作坊活动中，当学生的电路无法正常工作时，他们会立即停止操作，导致对教师的极高依赖性。由于通常每间教室只有一名指导教师，当多名学生同时等待教师识别微小技术错误（如LED极性接反或导线松动）时，便形成了“教学瓶颈”（instructional bottlenecks）。这种持续依赖教师的现象打乱了整个班级的教学节奏，阻碍了学生在技术领域中所需自主性的发展。尽管已有大量研究探讨人工智能在高等教育和更广泛的STEM（科学、技术、工程和数学）领域的应用，但在职业教育与培训中的应用，特别是基础职业教育层面，仍存在明显的研究空白。因此，本研究旨在通过真实的基础职业教育工作坊环境提供实证证据，评估生成式人工智能（generative AI）作为实时故障排除助手的效果。该论文发表于《Big Data and Cognitive Computing》。

二、关键技术方法

为开展此项研究，研究人员采用了定量准实验研究设计，并在西班牙帕尔拉的一所公立中学的第二年基础职业教育的“电气与电子设备”模块中进行干预。样本最终由8名完成所有研究阶段的男性学生组成，年龄均为18岁，分为人工智能辅助实验组（n=4）和传统对照组（n=4）。干预内容聚焦于在面包板（protoboard）上进行电子电路的实践组装，包括从基础到高级的三个不同难度水平的电路任务，每个任务分配约20分钟。实验组被允许使用个人设备上的生成式人工智能工具（ChatGPT-5.6 Luna和Gemini-3.6 Flash）作为实时故障排除助手；而对照组则依赖教科书、手写笔记和教师直接帮助的传统教学方法。为确保两组间的隔离，研究人员将实验组和对照组物理分隔在工作坊两侧，并由教师严格监督。数据收集使用了四种自编工具：包含11道选择题的前测和后测试卷、用于记录特定装配错误的10项观察清单，以及采用五点李克特量表（Likert scale）测量动机和自主性的问卷。数据分析通过Microsoft Excel进行，计算平均值并比较两组间的差异。

三、研究结果

3.1 学习成果（Learning Outcomes）

前测结果显示两组起点同质，人工智能辅助组平均得分为9.00/10，对照组为8.25/10。然而在后测中，随着教学重点转向实际应用和故障排除，人工智能组保持了较高水平（8.50/10），而对照组的平均分急剧下降至6.25/10。这表明人工智能提供了有效的认知支架（cognitive scaffold），帮助学生弥合抽象理论与物理装配之间的差距。例如，对照组学生A05的成绩从前测高分骤降至后测仅1/10，而人工智能组参与者（如A04、A06和A02）持续获得9/10的高分，证明了技术在维持参与度和概念保持方面的作用。

3.2 技术错误（Technical Errors）

通过10项观察错误清单对装配准确性进行评估发现，两组间的差异微乎其微。传统对照组的装配正确率平均得分为9.75/10，而人工智能辅助组为9.50/10。基于此结果，假设H2（预测人工智能将显著减少技术装配错误）被拒绝。这说明对于纯粹的机械性和视觉空间性任务，当前基于文本的人工智能支持并未比传统教学方法提供实质性优势，因为人工智能缺乏对学生物理设置的“视觉”能力，无法主动识别手动错误。

3.3 动机（Motivation）

使用五点李克特量表测量的结果显示，两组在学习投入度方面存在显著差异。人工智能辅助组的动机平均得分高达4.55/5，而对照组仅为3.50/5。这一发现验证了假设H3（即时人工智能支持会促进对技术学习的积极态度）。定性观察也显示，实验组学生对使用人工智能工具解决技术问题表现出更大的兴趣和兴奋感，而对照组学生则表现出厌倦和对静态资源的排斥。

3.4 学习者自主性（Learner Autonomy）

在评估学生对教师独立程度方面，人工智能辅助组报告的感知自主性平均得分为4.10/5，显著高于对照组的3.35/5。这一结果正式验证了假设H4。人工智能充当了“个人数字导师”的角色，使学生能够与技术问题进行对话式排查，从而减少了因技术失败而产生的焦虑。这种行为的转变直接解决了“教学瓶颈”问题，因为人工智能“吸收”了简单的程序性查询，让学生感到更有能力独立推进学习。

四、讨论与结论

讨论部分指出，研究结果证实了生成式人工智能作为有效认知支架的作用，特别是在任务复杂度增加时。人工智能提供的“即时”支持帮助学生克服了理解元件极性或电路逻辑等技术“卡点”，避免了传统职业教育环境中常见的挫败循环。关于人工智能作为故障排除工具与物理监督者的对比，研究发现基于文本的人工智能擅长解释“为什么”，但对于“如何”进行物理装配仍需多模态视觉模型的支持。此外，研究观察到“教学瓶颈”的缓解，人工智能吸收了简单的程序性查询，使教师得以从重复性故障排除中解放出来，专注于更高质量的教学干预。对于职业教育学生群体而言，人工智能的整合有助于解决近30%的技术职业教育辍学率问题，通过减少等待教师帮助的挫败感，将工作坊转变为更具韧性的学习环境。

研究结论部分翻译如下：本研究评估了生成式人工智能作为基础职业教育电子工作坊中数字导师的影响。结果验证了四个主要假设中的三个，得出以下关键发现：改善学习成果——人工智能辅助组在任务复杂度增加时保持了高学业表现（8.5/10），而传统组的成绩下降至6.25/10；减少故障排除错误——虽然物理装配精度差异极小，但人工智能通过充当实时故障排除助手有效减少了概念性和程序性错误；增强学习者自主性——使用人工智能的学生报告了显著更高的独立程度（4.10 vs. 3.35），无需教师持续干预即可成功解决技术疑问；提高动机——人工智能工具的整合将工作坊转变为更具吸引力的环境，带来了更高的学生动机得分（4.55 vs. 3.50）。鉴于样本量较小（n=8），这些发现应被视为初步证据，未来需在更广泛的教育背景下进行更大规模队列的验证。