Nauka wspierana przez sztuczną inteligencję skoncentrowana na uczniu oraz koncepcja akademicka i kompetencja komunikacyjna nastolatków: Badanie mieszane

Podsumowanie

To badania mieszane oceniają klasową rutynę zorientowaną na studenta, wspomaganą sztuczną inteligencją, która obejmuje wspierane sztuczną inteligencją zapytywanie, dyskusję wśród rówieśników, wyjaśnienia nauczyciela i samoocenę. Badanie koncentruje się na samoopisanym akademickim pojęciu siebie i kompetencji komunikacyjnych oraz dostarcza wystarczających szczegółów proceduralnych, aby ułatwić replikację w klasie.

Streszczenie

Niniejsze badanie kwazi-eksperymentalne oparte na mieszanych metodach w klasie do badania, czy nauka z pomocą AI zorientowana na studenta wiąże się ze zmianami w akademickich pojęciach siebie oraz samoocenie kompetencji komunikacyjnych wśród nastolatków. Sześć niepodzielonych klas zostało przypisanych do warunku z nauczaniem wspieranym przez AI lub zwykłym nauczaniem zorientowanym na studenta. Interwencja wpajała wsparcie AI w formie pytań w strukturalny cykl nauczania obejmujący indywidualne zapytywanie, dyskusję wśród rówieśników, wyjaśnienia nauczyciela i samoocenę. Spośród 186 zrekrutowanych studentów, 174 pozostało do analizy ilościowej. Akademickie pojęcie siebie oraz samoocena kompetencji komunikacyjnych zostały oceniane na poziomie początkowym, tuż po interwencji oraz podczas wcześniej ustalonego krótkiego okresu obserwacji. Jakość interakcji, samoocena oraz zaangażowanie uczniów zostały zmierzone po interwencji, a 36 studentów wzięło udział w wywiadach półstrukturalizowanych. W porównaniu z grupą z zwykłym nauczaniem, grupa z nauczaniem wspieranym przez AI wykazała większe zmiany po interwencji i podczas okresu obserwacji w obu badanych wynikach. Eksploracyjne analizy procesu wskazały na wyższą jakość interakcji, samoocenę i zaangażowanie uczniów w grupie z nauczaniem wspieranym przez AI, podczas gdy jakościowe wyniki sugerują, że pytania wspierane przez AI pomogły studentom w weryfikacji wyjaśnień, poprawianiu odpowiedzi oraz uczynieniu samooceny bardziej eksplicitnej, gdy były połączone z dyskusją wśród rówieśników i wskazówkami nauczyciela. Ponieważ uczestnicy byli przypisywani na poziomie klasy, a wyniki były głównie samoocenione, wyniki powinny być interpretowane jako związki w klasie, a nie jako ostateczne dowody na przyczynową poprawę wyników akademickich.

Wprowadzenie

Sztuczna inteligencja (AI) stała się coraz bardziej rozpowszechniona w środowiskach edukacyjnych. Jednak jej wartość dydaktyczna pozostaje niekonsekwentna, ponieważ sam dostęp do narzędzia technologicznego nie oznacza intrinsycznie procesu uczenia się. Chociaż recenzje podkreślają postęp w dziedzinie edukacyjnej sztucznej inteligencji, często zaniedbują rolę nauczyciela i interakcje w klasie. Jest to krytyczne dla nastolatków, którzy aktywnie formują oceny kompetencji i testują pomysły z rówieśnikami. Dlatego uczenie się wspierane przez AI musi być wdrożone jako celowa aranżacja pedagogiczna, która kształtuje sposób, w jaki uczniowie pytają, oceniają i dyskutują, zamiast służyć jako jedynie ekspozycja technologiczna.

Nauka skoncentrowana na uczniu zapewnia solidną ramę do rozwiązania tego problemu. Przenosząc uczniów od pasywnego odbioru, to podejście priorytetowo traktuje aktywny udział, zaangażowanie w zadania, wyjaśnienia między rówieśnikami i autonomiczne decyzje. Badania metaanalityczne potwierdzają, że aktywne środowiska edukacyjne charakteryzujące się rozwiązywaniem problemów i zaangażowaniem uczniów mogą znacząco poprawić wyniki akademickie w porównaniu z tradycyjnymi wykładami¹. Niemniej jednak, nauka skoncentrowana na uczniu nie jest intrinsycznie skuteczna. Wymaga ona zadań instruktażowych, które są wystarczająco ustrukturalizowane, aby wyprowadzać uczestnictwo, a jednocześnie wystarczająco elastyczne, aby zachęcać uczniów do wyjaśniania, porównywania i rewidowania pomysłów. Ta dynamika staje się jeszcze bardziej skomplikowana w klasach wspomaganych przez AI. Chociaż AI może szybko generować przykłady, wyjaśnienia i sugestie, brak wskazówek nauczyciela i oceny przez rówieśników może prowadzić do tego, że uczniowie przyjmują te wyniki bezkrytycznie, traktując je jako skróty poznawcze, a nie jako surową materię do głębszego myślenia.

Samoocena akademicka służy jako bardzo istotny wynik w tym kontekście, odzwierciedlając dziedzinowe przekonania uczniów na temat ich akademickich zdolności. Poprzednie badania wykazały, że samoocena akademicka nie jest statyczną cechą osobowości, ale raczej dynamicznym konstruktem ściśle związanym z osiągnięciami i ciągłymi doświadczeniami edukacyjnymi². To badanie ocenia samoocenę akademicką, aby wykazać pewność siebie uczniów w ich zdolności do poprawy swojej pracy. Kompetencja komunikacyjna służy jako drugorzędny wynik, ponieważ interwencja wymaga od uczniów artykulacji usprawiedliwień i udoskonalania wyjaśnień poprzez strukturalizowaną opinię rówieśników.

Ocena i samoregulacja stanowią kluczowy most instruktażowy łączący wsparcie AI z tymi docelowymi wynikami edukacyjnymi. Skuteczna ocena formacyjna wymaga, aby uczniowie aktywnie monitorowali postęp, mierzyli go zgodnie ze standardami i działali w odpowiedzi na różnice w wydajności^3,4. W klasie wspomaganej przez AI, skoncentrowanej na uczniu, wskazówki AI mogą generować alternatywne wyjaśnienia lub wskazówki do rewizji. Jednak prawdziwa edukacyjna wartość tych wskazówek zależy od tego, czy uczniowie skrytykują wynik, debatują nad nim z rówieśnikami i przetłumaczą go na udoskonaloną odpowiedź. W związku z tym samoregulacja w tym badaniu jest opisana nie jako mglista postawa, ale jako konkretne, obserwowalne zachowanie w klasie, mające na celu identyfikację luk w nauce i wprowadzenie poprawek.

Zaangażowanie uczących się odgrywa równie ważną rolę w tym cyklu nauczania. Uznawane za wielowymiarową konstrukcję, zaangażowanie obejmuje uczestnictwo behawioralne, zaangażowanie emocjonalne i inwestycję poznawczą⁵. Ta wielowymiarowość jest szczególnie istotna dla nastolatków, ponieważ powierzchowna zgodność nie gwarantuje głębokiej obróbki poznawczej. Jeden uczeń może mechanicznie wykonać kartę ćwiczeń bez analizy leżącej w tle logiki, podczas gdy inny może zadawać mniej pytań, ale zaangażować się głęboko poprzez ciągłe samomonitorowanie i rewizję. Wprowadzenie AI teoretycznie może podnieść zaangażowanie, zapewniając bogaty materiał do porównania i pytań; odwrotnie, może osłabić zaangażowanie, jeśli uczniowie domyślnie polegają na łatwym korzystaniu z automatycznych wyników. W związku z tym, to badanie kontekstualizuje zaangażowanie uczniów obok jakości interakcji i samoregulacji, celowo unikając traktowania użycia AI jako izolowanych zdarzeń w klasie.

Debaty dotyczące edukacyjnych dużych modeli językowych podkreślają napięcie między indywidualną pomocą a ryzykiem takim jak nadmierny zależność lub osłabiony wysiłek, gdy są wdrażane bez rygorystycznych granic. W związku z tym, pedagogiczna choreografia rutyny nauczania jest równie konsekwencyjna jak sama technologia AI. Obecne badanie osadziło wsparcie AI w konsekwentnej, pięcioetapowej sekwencji w klasie: instruktaż nauczyciela, indywidualne pytanie, dyskusja wśród rówieśników, wyjaśnienie całej klasy i samoregulacja. Ta specyficzna konstrukcja umiejscawia wynik AI jako wstępny materiał podlegający rygor

Protokół

```html

Wszystkie metody z udziałem ludzkich uczestników przeprowadzano zgodnie z wytycznymi instytucjonalnymi i deklaracją helsińską. Protokół badania został przejrzano i zatwierdzony przez komitet etyczny Guangzhou City Construction College (numer zatwierdzenia IRB: GZCJ2026A016; data zatwierdzenia: 2 stycznia 2026). Zatwierdzony tytuł badania brzmiał “Nauka z wsparciem AI, skoncentrowana na uczniu, oraz samopoczucie akademickie oraz kompetencje komunikacyjne nastolatków: badanie mieszane”. Przed realizacją badania uzyskano pisemną zgodę od uczestniczącej szkoły. Pisemną informowaną zgodę uzyskało od rodziców lub osób prawnie reprezentujących, a pisemną zgodę uzyskało wszystkich uczestniczących uczniów. Uczniowie zostali poinformowani, że uczestnictwo jest dobrowolne i że mogą wycofać się z badania w dowolnym momencie bez obaw o kary akademickie. Żadne nazwiska, dane kontaktowe, identyfikatory szkoły, oceny czy inne informacje umożliwiające identyfikację nie zostały wprowadzone do platformy chatbot AI ani zawarte w publicznym zbiorze danych. Wszystkie procedury badania przeprowadzono w zatwierdzonym okresie badania, od 2 stycznia 2026 do 2 stycznia 2027. Wszystkie narzędzia i platformy użyte w badaniu są wymienione w Tabeli materiałów

Projekt badania i przydział do klasy

W badaniu zastosowano projekt mieszany, kwaziendoświadczalny z dwoma warunkami nauczania: grupą z nauką z wsparciem AI, skoncentrowaną na uczeniu się oraz grupą z nauką skoncentrowaną na uczeniu się. Pomiary wzdłużne przeprowadzano w trzech punktach czasowych: w bazie przed interwencją (T1), natychmiast po ostatnim seansie instruktażowym (T2) oraz w wyznaczonej krótkoterminowej ocenie pośredniej (T3). Przedział T2–T3 był zapisywany w dzienniku badań i był spójny w całym manuskrypcie, zbiorze danych, skryptach analizy i etykietach rysunków. Rysunek 1 podsumowuje rekrutację, przydział do klasy, terminy oceny, wyłączenia oraz próbkowanie jakościowe. Ponieważ ograniczenia administracyjne i ekologiczne uniemożliwiły indywidualną randomizację, sześć niepodzielnych klas zostało przydzielone na poziomie klasy, z trzema klasami w warunku z wsparciem AI i trzema klasami w warunku porównawczym. Każda klasa wniosła 29 uczniów do ostatecznej próby analitycznej. Poziom klasy, dziedzina przedmiotu, sekwencja lekcji, długość sesji, zadania klasowe, harmonogram oceny oraz czas kontaktu z nauczycielem były utrzymywane na porównywalnym poziomie w obu warunkach. Identyfikatory klas zostały zachowane dla sprawdzania statystycznego wrażliwego na klastry.

Rekrutacja uczestników i badanie kwalifikacji

Uczestnicy byli rekrutowani bezpośrednio z uczestniczących niepodzielnych klas. Uczniowie i ich rodzice lub osoby prawnie reprezentujące otrzymali szczegółową kartę informacyjną zawierającą cel badania, procedury klasowe, działania wspierane przez AI, harmonogramy kwestionariuszy, opcjonalny komponent wywiadu, ochronę prywatności, prawa do wycofania się oraz plany przechowywania danych. Uczniowie byli włączeni do badania jeśli byli zapisani do jednej z uczestniczących klas, uczestniczyli w regularnej instrukcji klasowej, wyrazili pisemną zgodę, uzyskali pisemną zgodę rodziców lub osób prawnie reprezentujących oraz wypełnili kwestionariusz bazowy przed pierwszą sesją. Z kolei uczniowie byli wykluczeni z ostatecznej próby analitycznej jeśli przenieśli się ze szkoły, przegapili więcej niż 25% sesji interwencyjnych, przesłali nieważne dane z kwestionariuszy lub wycofali zgodę na użycie danych. Jedna główna przyczyna wykluczenia została udokumentowana dla każdego wykluczonego uczestnika. Przed wprowadzaniem danych, każdemu kwalifikującemu się uczestnikowi przypisano unikalny kod identyfikacyjny badania. Zostały zarejestrowane odpowiednie zmienne demograficzne i edukacyjne, w tym wiek, płeć, identyfikator klasy, zakres wydajności akademickich początkowych, wcześniejsze narażenie na naukę z wsparciem AI oraz początkowa znajomość z nauką cyfrową. Dla celów śledzenia statystycznego, zmienna grupy instruktażowej była kodowana jako 0 dla warunku porównawczego i 1 dla warunku z wsparciem AI.

Materiały instruktażowe i dostarczanie interwencji

Przed realizacją, została opracowana jednostka instruktażowa składająca się z sześciu sesji (Tabela uzupełniająca 1), z każdą sesją klasową trwającą 40–45 min. Identyczne cele nauczania, tematy lekcji, arkusze robocze, zadania do dyskusji wśród rówieśników, formularze samoocen i wskazówki do refleksji były stosowane w obu warunkach instruktażowych. Struktura kwestionariusza, wskazówki do punktacji, elementy odwrócone punktowo oraz ostateczne zmienne na poziomie skali śledziły zablokowaną mapę punktacji w Tabeli 1. Materiały do reprodukcji obejmowały plany lekcji (Tabela uzupełniająca 1), arkusze pytań dla AI (Tabela uzupełniająca

Wyniki

Przepływ uczestników i charakterystyka wyjściowa

Do badania zrekrutowano początkową grupę 186 studentów z sześciu pełnych klas. Po weryfikacji kryteriów kwalifikacji, sprawdzeniu obecności oraz ocenie jakości odpowiedzi, do końcowej analizy ilościowej zakwalifikowano 174 studentów. Uczestnicy zostali podzieleni po równo: 87 przypisano do grupy nauczania skoncentrowanego na studencie z pomocą AI, a 87 do grupy zwykłego nauczania skoncentrowanego na studencie.

Dyskusja

Badanie to sprawdziło, czy integracja narzędzi wspomaganych przez sztuczną inteligencję do nauki zorientowanej na studenta wiąże się ze zmianami w samopoczuciu akademickim nastolatków oraz zadeklarowaną przez nich kompetencją komunikacyjną. Przez cały trzyfalowy okres obserwacji, uczniowie z grupy wspomaganej przez sztuczną inteligencję wykazali większe zmiany w obu tych obszarach niż ci, którzy otrzymywali zwykłą naukę zorientowaną na studenta. Ta trajektoria była spójna w przypadku surowców punktacji, wskaźników zmiany...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
ChatGPT	OpenAI	https://chatgpt.com	Instytucjonalnie zatwierdzona platforma stosowana jako element instruktażu dla pytań i sugestii uczniów.
Grammarly	Grammarly, Inc.	https://www.grammarly.com	Używany podczas przygotowywania manuskryptów do polerowania języka i wsparcia w formatowaniu
SPSS	IBM Corp.	SCR_002865	Używany do analizy danych ilościowych, w tym ANCOVA dostosowanych do wartości początkowych, testów t, korelacji Pearsona i ICC.
NVivo	Lumivero	https://lumivero.com/products/nvivo	Używany do kodowania półstrukturalnych transkrypcji wywiadów i obliczania kappa Cohena dla niezależnych kodujących.
Qualtrics	Qualtrics, LLC	https://www.qualtrics.com	Używany do administrowania kwestionariuszy oceny początkowej, po interwencji i w trakcie następczej oceny.