教师中介的人工智能教育非插电范式对资源受限环境中学生学业成绩与教师工作负荷的准实验研究

《Smart Learning Environments》：AIED unplugged, teacher workload, and numeracy learning: a clustered quasi-experimental mixed-methods study

　　

摘要

教育领域的人工智能（AIED）系统通常依赖学生与设备之间的交互，这限制了其在缺乏此类基础设施的环境中的适用性。AIED非插电范式（AIED-U）通过将教师定位为学习者与AIED系统之间的中介来解决这一挑战。然而，将AIED-U与传统教学法进行比较的实证证据仍然稀缺。本研究评估了在19个真实课堂中使用AIED-U系统对学生学习和教师工作负荷的影响。我们在巴西小学数学课堂中进行了一项集群式准实验混合方法研究，将班级随机分配到对照条件、教师培训条件，或结合培训与使用AIED-U系统的实验条件。我们通过前后测来衡量221名完成两次测试的参与学生（共320名）的学习成效，通过原始NASA任务负荷指数来测量教师感知的工作负荷，并通过半结构化访谈来了解教师的感知。由经过培训的教师所教授的学生的表现优于对照组的学生，无论是在实验条件（估计差异为12.31，95% CI [0.34, 21.86]）还是在培训条件（15.15，95% CI [0.84, 31.10]）下均如此，而这两个条件之间没有显著差异（?4.33，95% CI [?17.29, 7.23]）。实验条件下的感知工作负荷描述性更低，但在任何子量表上各条件之间均无显著差异。然而，教师工作负荷与学习成效呈负相关，值得注意的是，使用AIED-U系统通过减少教师报告的精力投入对学习成效产生了正向的间接效应（3.65，95% CI [1.10, 6.40]）。这些发现提供了初步证据，表明教师中介的人工智能可能为改善资源受限环境中的教育机会提供了一种实用策略，同时呼吁进行重复研究以确立这种潜力是否能在更长的干预和其他教育环境中持续有效。