《Frontiers in Psychology》：Teacher-reviewed generative AI action-analysis materials for university dance training: action understanding, body awareness, feedback uptake, and revised performance
编辑推荐：
引言：大学舞蹈训练要求初学者将示范、口头纠正和身体感觉转化为修正后的动作尝试。研究人员在一门大学舞蹈课程中检验了教师审阅的生成式人工智能（Generative Artificial Intelligence, GenAI）动作分析材料是否比传统教师文本提示与更
引言：大学舞蹈训练要求初学者将示范、口头纠正和身体感觉转化为修正后的动作尝试。研究人员在一门大学舞蹈课程中检验了教师审阅的生成式人工智能（Generative Artificial Intelligence, GenAI）动作分析材料是否比传统教师文本提示与更强的动作单元学习相关。方法：一项学生内交叉准实验设计包括了143名有效学生和六个舞蹈动作的827条有效动作单元记录。每名学生在不同动作单元上接触两种材料条件。主要结果是教师评定的反馈后修订训练质量，过程变量包括动作理解、即时身体意识和反馈采纳。两名教师独立对每个动作单元表现评分。使用混合效应模型和重复测量有序模型来考虑重复的动作单元记录。结果：教师审阅的GenAI动作分析材料与传统教师文本提示相比，与更高的修订训练质量（估计值=5.09，95% CI [4.14, 6.03]）、更高的动作理解（估计值=1.97，95% CI [1.62, 2.32]）和更高的即时身体意识（估计值=0.36，95% CI [0.28, 0.43]）相关。长期格式的阶段-材料敏感性模型也显示GenAI条件下初始到修订的变化更大（交互作用=1.68，95% CI [1.01, 2.34]）。在过程模型中，初始表现具有最大的标准化系数，而动作理解、即时身体意识和反馈采纳仍然是修订训练质量的正向预测因子。讨论：教师审阅的GenAI动作分析材料与传统教师文本提示相比，与更强的修订表现和更有利的学习过程指标相关。研究结果表明，在教师中介的舞蹈教学中，GenAI支持的动作分析可能是有用的，特别是作为解释反馈和完善动作尝试的结构化辅助工具。
大学舞蹈训练与许多课堂学习任务不同，目标知识必须在身体动作中显现。初学者即使从概念层面理解口头指令，仍可能在表演时无法协调躯干线条、肢体路径、重心转移、力量时机、呼吸和安全边界。运动学习理论将熟练动作视为任务目标、感知信息、练习条件、反馈和反复调整的产物。舞蹈训练强化了这一关系，因为教师同时评价形式、时机、表现完整性和安全执行。在初学者课堂中，学生常能在示范后再现动作可见轮廓，却缺乏赋予动作稳定质量的内部路径、重量转移关系或肌肉控制。纠正性反馈同样存在转换问题，如“保持骨盆稳定”这类提示将空间、肌肉和安全关系压缩为简短课堂短语。反馈研究区分教师提供的评论与学习者的采纳，信息只有在学生解释、监控自身表现并在后续尝试中做出可见改变时才能支持学习。在舞蹈中，采纳依赖于即时身体意识，因为学生必须在运动时注意姿势、关节关系、身体线条、重量和紧张度。传统教师文本提示在课后保留了关键指令，但其压缩格式对初学者如何逐步执行纠正的指导有限。生成式人工智能（Generative Artificial Intelligence, GenAI）已成为高等教育中产生解释、示例和学习材料的实用工具，但已有应用主要集中在文本丰富的学习、评估支持、辅导和分析。近期综述强调学习效益取决于教学对齐、提示设计和人工审阅，而在身体训练中，不准确或过度自信的措辞可能鼓励代偿动作或不安全范围。因此，教师审阅的GenAI动作分析材料提供了一条弥合压缩课堂提示与可执行身体纠正之间差距的途径。本研究正是基于这一背景，旨在检验这类材料是否与传统教师文本提示相比能更好地促进动作单元学习，并考察动作理解、即时身体意识和反馈采纳等过程变量是否伴随改善。
研究人员采用学生内交叉准实验设计，纳入143名有效学生和827条有效动作单元记录，覆盖六个舞蹈动作。每名学生在不同动作单元上先后接触两种材料条件。主要结果是教师评定的反馈后修订训练质量，过程变量包括动作理解、即时身体意识和反馈采纳。结果显示，教师审阅的GenAI材料与更高的修订训练质量（估计值=5.09）、更高的动作理解（估计值=1.97）和更高的即时身体意识（估计值=0.36）相关；长格式敏感性模型显示GenAI条件下初始到修订的变化更大（交互作用=1.68）。过程模型中，初始表现标准化系数最大，但动作理解、即时身体意识和反馈采纳仍是修订训练质量的正向预测因子。这表明GenAI支持的动作分析在教师中介的舞蹈教学中可能作为结构化辅助工具，帮助学生解释反馈并完善动作尝试。
研究在中国北方一所大学舞蹈课程中进行，样本来自四个整班，保留143名有效学生。关键技术方法包括：采用学生内交叉准实验设计，六个动作分为两种材料条件；使用ChatGPT 5.5网络界面生成动作分析材料初稿，由教师依据课程标准逐字审阅修订；通过两名教师独立评分获得初始和修订表现（0–100分）；使用10项动作单元测试测量动作理解（0–15分）；采用单题1–7级自评即时身体意识；编码反馈采纳（0–3有序量表）。统计分析使用混合效应模型（纳入学生和动作随机截距）、重复测量累积逻辑模型、长格式阶段-材料交互敏感性模型及过程模型，并计算标准化系数和信度指标（如ICC(A,1)、加权kappa）。
4.1 数据筛选与描述性统计：827条有效记录中，409条来自传统提示，418条来自GenAI条件。平均初始训练质量为57.85，修订后为62.38，平均变化为4.54分。每个动作在两种条件下均有记录。
4.2 信度与评分者一致性：12项身体意识量表前测α=0.773，后测α=0.815；动作理解测试KR-20=0.619；教师评分初始和修订表现的ICC(A,1)分别为0.879和0.912；反馈采纳二次加权kappa=0.883；材料审计ICC(A,1)=0.879。
4.3 材料条件与修订训练质量：混合效应模型显示，GenAI材料相比传统提示，修订训练质量高5.09分（95% CI [4.14, 6.03]）。长格式阶段-材料模型显示初始到修订的变化差异为1.68分（95% CI [1.01, 2.34]）。动作难度负向相关，而训练周次、基线质量和出勤为正向预测因子。
4.4 动作理解、即时身体意识与反馈采纳：GenAI条件下动作理解均值8.92对6.97，即时身体意识4.11对3.76，反馈采纳1.40对0.95。累积逻辑模型显示GenAI条件反馈采纳的log-odds=0.46（OR=1.58）。采纳水平3在GenAI条件占16.0%，传统条件占4.7%。
4.5 动作特定模式：六个动作的调整后材料差异均为正，范围从4.16到6.81，其中tendu与重心转移的动作差异最大；材料×动作交互不显著（Wald=2.03, p=0.844）。
4.6 修订表现的过程预测因子：过程模型显示，初始表现是最大预测因子（标准化β=0.74），但动作理解（β=0.10）、即时身体意识（β=0.04）和反馈采纳（β=0.15）仍正向预测修订训练质量。加入这些过程变量后，直接材料系数变小且不显著（估计值=0.36, p=0.271）。
讨论部分指出，在827条动作单元记录的短反馈循环内，修订训练质量近5分的调整后差异代表了课堂尺度的变化，涵盖运动路径准确性、身体线条控制、中心稳定性、力量协调、节奏、安全和整体完整性。1.68分的阶段-材料交互是额外初始到修订变化的更具体估计，而5.09分系数描述修订表现水平的调整后差异。对于能复现动作外形但不理解路径、中心、力量和呼吸关系的初学者，较高的动作理解分数表明材料改变了学生在尝试修订前解析动作的方式。即时身体意识和反馈采纳的配对模式描述了运动信息转化为身体监控和随后的动作变化的过程。动作特定估计中最大差异出现在需要连接可见肢体路径和较不可见的中心或躯干控制的动作中。所有材料包都经过教师对动作目标的定义、解剖合理性的审查、模糊语言修正、安全检查、与示范对齐和批准，因此可转化为教师-AI协作建议。证据受限于单一课程、两种材料包的非等价性、评分者可能知道材料条件、基于课堂记录的序列和延续性估计，以及缺乏单独的暴露时间测量。未来研究可比较匹配的材料格式、测试保留和向更长短语的迁移、考察同伴练习和不同舞蹈类型或技能水平，并确定哪些审查维度最影响动作质量。
结论：基于143名有效学生和827条有效动作单元记录，在大学初学者舞蹈训练中，教师审阅的GenAI动作分析材料与传统教师文本提示相比，与更高的修订训练质量相关。教师审阅的GenAI条件下更高的修订表现伴随着更强的动作理解、即时身体意识和反馈采纳。对于大学舞蹈教学，GenAI最有用的方式是作为可审阅和可修订的动作分析材料来源，教师可根据课堂标准、学习者水平和安全要求进行调整。教师的专业判断仍然是动作准确性、解剖合理性、安全边界和课堂适配的核心，而未来研究可以考察保留、向更长舞蹈短语的迁移、材料审计特征和学习者水平的变异。
