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.
Artykuł badawczy
Nauka wspierana przez sztuczną inteligencję skoncentrowana na uczniu oraz koncepcja akademicka i kompetencja komunikacyjna nastolatków: Badanie mieszane
W tym artykule
Podsumowanie
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 wydajności3,4. 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. Rysunek 1 szczegółowo przedstawia proces rekrutacji, przydział do klas, harmonogram trójfazowej oceny, kryteria wykluczenia oraz dobór próby do analizy jakościowej.
Tabela 2 podsumowuje opisowe wyniki głównego punktu końcowego w podziale na grupę instruktażową i falę pomiarową. Przed interwencją poziomy akademickiej samooceny były zbliżone w obu kohortach (grupa z pomocą AI: 3,00 ± 0,37; grupa porównawcza: 3,05 ± 0,43). Jednak grupa z pomocą AI wykazywała niższą wyjściową kompetencję komunikacyjną (2,85 ± 0,40) niż grupa z tradycyjnym nauczaniem (3,04 ± 0,38). Ponieważ przydział do grup odbywał się na poziomie całych klas, a nie poprzez randomizację indywidualną, różnice wyjściowe te potraktowano jako potencjalne istniejące różnice międzyklasowe, a nie efekty interwencji. Wyniki wyjściowe zachowano jako kowarianty we wszystkich głównych modelach, a wnioski dotyczące kompetencji komunikacyjnej interpretowano z uwzględnieniem ryzyka regresji do średniej. Aby uwzględnić hierarchiczną strukturę danych, bezwarunkowe współczynniki korelacji wewnątrzklasowej (ICC[1]s) oszacowano na podstawie jednoczynnikowych modeli ANOVA z efektami losowymi, wykorzystując identyfikatory klas jako zmienną grupującą. Zastosowano następujący wzór:
![Wzór na równowagę statyczną, ICC=M(Sbetween-MSwithin)/(MSbetween+[m-1]MSwithin), diagram statystyczny.](/files/ftp_upload/72078/72078eq1.jpg "figure-results-1")
(1)
gdzie MSbetween oznacza średni kwadrat między klasami, MSwithin oznacza średni kwadrat wewnątrz klas, a m oznacza wielkość klasy. Końcowy zbiór danych obejmował sześć klas o tej samej liczebności (k = 6; m = 29). Współczynniki ICC dla głównych wyników obserwowanych mieściły się w przedziale od 0,007 do 0,105, natomiast współczynniki ICC dla głównych wyników zmian wynosiły odpowiednio ASC T2–T1 = 0,152, ASC T3–T1 = 0,160, CC T2–T1 = 0,105 oraz CC T3–T1 = 0,165. Wartości te wskazywały na niepomijalną zależność na poziomie klasy. Ze względu na dostępność jedynie sześciu klastrów poziomu 2, dopasowanie pełnego modelu wielopoziomowego uznano za niestabilne; w związku z tym współczynniki ICC, podsumowania na poziomie klasy oraz odporne na klastrowanie testy wrażliwości wykorzystano jako dowody diagnostyczne, a nie jako potwierdzające szacunki wielopoziomowe.
Zapisy monitorowania wdrażania zostały przeanalizowane wraz z zestawem danych analitycznych. Wszystkie sześć grup ukończyło jednostkę lekcyjną składającą się z sześciu sesji, a poziom obecności był porównywalny we wszystkich warunkach (średni wskaźnik obecności: wspomaganie AI = 0,934; nauczanie tradycyjne = 0,936). Żaden z uczestników, którzy pozostali w badaniu, nie spadł poniżej wcześniej określonego progu obecności. W celu monitorowania wierności wdrażania wykorzystano listy kontrolne na poziomie sesji oraz logi incydentów technicznych, przy czym drugi niezależny obserwator oceniał co najmniej 20% sesji. Obserwacje te służyły jako formujący mechanizm zapewnienia jakości na miejscu, umożliwiający przekazanie natychmiastowej informacji zwrotnej instruktorowi, a nie jako pomiar podsumowujący. Ponieważ głównym celem była korekta pedagogiczna w czasie rzeczywistym, zagregowane wskaźniki statystyczne (takie jak średnie wyniki wierności lub współczynniki niezawodności między sędziami) nie zostały trwale zarchiwizowane do analizy retrospektywnej. Niemniej jednak, te formujące kontrole potwierdziły, że nie wystąpiły żadne poważne odchylenia od protokołu, a główna sekwencja instruktażowa była konsekwentnie zachowana.
Spójność wewnętrzna miar badania
Tabela 3 przedstawia szacunki spójności wewnętrznej dla wszystkich mierzonych konstruktów z wykorzystaniem liczby pozycji zdefiniowanych w zablokowanym kluczu punktacji. Autokoncepcja akademicka wykazała akceptowalną rzetelność zarówno w fazie pointerwencyjnej, jak i w fazie obserwacji, dając wartości alfa Cronbacha odpowiednio 0.828 i 0.876. Kompetencje komunikacyjne w podobny sposób utrzymały akceptowalną rzetelność w tych późniejszych falach pomiarowych, z wartościami alfa wynoszącymi 0.877 i 0.897.
Bazowe szacunki niezawodności dla akademickiej koncepcji siebie (α = 0.676) i kompetencji komunikacyjnych (α = 0.683) znajdowały się poniżej preferowanego progu 0.70. Niemniej jednak, szacunki te zachowano w celu utrzymania uprzednio określonej struktury punktacji, lecz wskazują one na większy błąd pomiaru wyjściowego i mogą osłabiać lub destabilizować szacunki skorygowane o poziom bazowy. Skale związane z procesem po interwencji wykazały akceptowalną spójność wewnętrzną, z wartościami alfa wynoszącymi 0.760 dla jakości interakcji, 0.808 dla samooceny oraz 0.806 dla zaangażowania uczącego się.
Wyniki w zakresie akademickiej koncepcji siebie
W obu grupach odnotowano wzrost poczucia własnej wartości w nauce w czasie, choć w grupie wspomaganej przez AI wzrost ten był wyraźnie większy. Od pomiaru wyjściowego do oceny bezpośrednio po interwencji średni wynik grupy wspomaganej przez AI wzrósł z 3,00 ± 0,37 do 3,51 ± 0,48. W przeciwieństwie do niej, w grupie porównawczej zaobserwowano niewielki wzrost z 3,05 ± 0,43 do 3,19 ± 0,60. Przełożyło się to na średnią zmianę T2–T1 wynoszącą 0,51 ± 0,44 dla kohorty wspomaganej przez AI oraz 0,14 ± 0,46 dla kohorty porównawczej. Wynikająca z tego różnica międzygrupowa w ocenie zmiany wyniosła 0,37 (95% CI [0,24, 0,50]), co stanowi statystycznie istotny efekt o dużej magnitudzie (Welch t = 5,28, p < 0,001, Cohen’s d = 0,80).
Przewaga ta została utrzymana podczas oceny kontrolnej. Wynik samooceny akademickiej wyniósł 3,57 ± 0,60 w grupie wspieranej przez AI, w porównaniu do 3,20 ± 0,63 w grupie z tradycyjnym nauczaniem. Średnia zmiana T3–T1 wyniosła 0,57 ± 0,54 dla grupy wspieranej przez AI oraz 0,15 ± 0,48 dla grupy z tradycyjnym nauczaniem. Odpowiadająca temu międzygrupowa różnica w zmianie nieznacznie wzrosła do 0,42 (95% CI [0,27, 0,57]), zachowując wysoką istotność statystyczną (Welch t = 5,46, p < 0,001, Cohen’s d = 0,83). Te trzyfalowe trajektorie podłużne przedstawiono na Ryc. 2A, natomiast pełne porównania wyników zmian zaprezentowano w Tabeli 4.
Tabela 5 przedstawia wyniki analizy ANCOVA skorygowane o wartości wyjściowe. Po uwzględnieniu wyników wyjściowych i odpowiednich kowariantów, przydział do grupy instruktażowej wiązał się z wyższym poziomem akademickiej samooceny po interwencji (B = 0.328, 95% CI [0.193, 0.463], SE = 0.069, t = 4.77, p < 0.001, model R2 = 0.395). Zależność tę zaobserwowano również podczas badania kontrolnego (B = 0.401, 95% CI [0.246, 0.556], SE = 0.079, t = 5.07, p < 0.001, model R2 = 0.384). Wyjściowa akademicka samoocena była istotnym kowariantem w obu modelach analitycznych.
Efekty w zakresie kompetencji komunikacyjnych
U studentów w grupie z pomocą AI odnotowano również bardziej wyraźną poprawę kompetencji komunikacyjnych. Pomiędzy pomiarem wyjściowym a pomiarem po interwencji w grupie z pomocą AI wynik wzrósł z 2,85 ± 0,40 do 3,22 ± 0,63, podczas gdy w grupie kontrolnej nastąpił niewielki wzrost z 3,04 ± 0,38 do 3,12 ± 0,62. Średnia zmiana T2–T1 wyniosła 0,37 ± 0,45 dla uczestników z pomocą AI oraz 0,08 ± 0,46 dla uczestników z grupy kontrolnej. Przełożyło się to na statystycznie istotną różnicę w zmianie między grupami wynoszącą 0,29 (95% CI [0,15, 0,43]), co odpowiada średniej lub dużej wielkości efektu (Welch t = 4,14, p < 0,001, Cohen’s d = 0,63).
W fazie obserwacyjnej wyniki kompetencji komunikacyjnych wzrosły do 3,41 ± 0,71 w grupie wspomaganej przez AI oraz do 3,12 ± 0,69 w grupie porównawczej. Średnia zmiana T3–T1 wyniosła 0,57 ± 0,56 w warunkach interwencyjnych w porównaniu do 0,09 ± 0,57 w warunkach porównawczych. Różnica w tych wynikach zmiany wyniosła 0,48 (95% CI [0,31, 0,65]), co stanowi statystycznie istotny rezultat z dużym rozmiarem efektu (Welch t = 5,61, p < 0,001, Cohen’s d = 0,85). Rysunek 2B ilustruje te trajektorie, a Tabela 4 zawiera szczegółowe dane dotyczące wyników zmian.
Zgodnie z surowymi wynikami zmian, analiza ANCOVA z korektą o poziom wyjściowy wykazała, że przynależność do grupy była powiązana z kompetencjami komunikacyjnymi po interwencji (B = 0.301, 95% CI [0.158, 0.444], SE = 0.073, t = 4.14, p < 0.001, model R2 = 0.488). Zależność ta utrzymywała się podczas badania kontrolnego (B = 0.516, 95% CI [0.340, 0.692], SE = 0.090, t = 5.72, p < 0.001, model R2 = 0.388). Wyjściowe kompetencje komunikacyjne pozostały istotnym predyktorem w obu skorygowanych modelach, co szczegółowo przedstawiono w Tabeli 5.
Eksploracyjne powiązania z jakością interakcji, samooceną i zaangażowaniem uczącego się
Pomiary po interwencji wykazały, że jakość interakcji, samoocena oraz zaangażowanie uczących się były wyższe w grupie wspomaganej przez AI. Modelowanie liniowe wskazało, że przynależność do grupy była pozytywnie skorelowana z jakością interakcji (B = 0.344, SE = 0.075, t = 4.62, p < 0.001, model R2 = 0.133), samooceną (B = 0.291, SE = 0.082, t = 3.57, p < 0.001, model R2 = 0.118) oraz zaangażowaniem uczących się (B = 0.361, SE = 0.081, t = 4.43, p < 0.001, model R2 = 0.129).
Tabela 6 podsumowuje eksploracyjne modele regresji, które badały powiązania procesowe ze zmianami wyników. Gdy jakość interakcji, samoocena i zaangażowanie ucznia zostały wprowadzone jednocześnie wraz z przydziałem do grupy, grupa instruktażowa pozostała powiązana ze zmianami w akademickiej koncepcji ja (B = 0.299, SE = 0.078, t = 3.85, p < 0.001, model R2 = 0.191). Jednakże w tym modelu jakość interakcji nie wykazała niezależnego powiązania ze zmianą akademickiej koncepcji ja (B = 0.014, SE = 0.073, t = -0.20, p = 0.844). Zarówno samoocena (B = 0.108, SE = 0.065, t = 1.66, p = 0.099), jak i zaangażowanie ucznia (B = 0.061, SE = 0.066, t = 0.93, p = 0.355) wykazały pozytywne, lecz statystycznie nieistotne trendy. Modele te nie były interpretowane jako formalne testy mediacji.
Podobny wzorzec pojawił się w przypadku zmian w kompetencjach komunikacyjnych. Przydział do grupy pozostał istotny w modelu wielopredyktorowym (B = 0.252, SE = 0.082, t = 3.09, p = 0.002, model R2 = 0.141). Jakość interakcji (B = 0.131, SE = 0.075, t = 1.75, p = 0.082) oraz samoocena (B = 0.111, SE = 0.066, t = 1.68, p = 0.094) wykazały pozytywne, lecz nieistotne statystycznie powiązania. Zaangażowanie uczącego się było w podobny sposób nieistotne (B = -0.083, SE = 0.066, t = -1.25, p = 0.214).
Kodowanie jakościowe i integracja metod mieszanych
Aby uzupełnić wyniki ilościowe, poddano analizie jakościowej celowo dobraną podpróbę 36 studentów. Zakodowane motywy ustrukturyzowano wokół czterech głównych obszarów: jakości interakcji, samooceny, zaangażowania uczących się oraz barier w implementacji. Rycina 3A przedstawia rozkład tych motywów w zależności od warunków instruktażowych.
W kohorcie wspieranej przez AI najczęstszymi zakodowanymi motywami były wyjaśnienia rówieśnicze wspierane przez AI (15 zakodowanych przypadków), aktywne zadawanie pytań (14), weryfikacja informacji wspieranych przez AI (14), świadomość luk w wiedzy (13), uzasadnianie poprawek (12) oraz wytrwałość w wykonywaniu zadania (11). Bariery we wdrożeniu występowały rzadziej, ale nadal były zauważalne, w tym powierzchowne wykorzystanie (5) i bariery techniczne (4). W grupie porównawczej wyjaśnienia rówieśnicze wspierane przez AI z założenia nie występowały, natomiast wyjaśnienia rówieśnicze związane z dopasowaną rutyną promptów pojawiły się w 10 zakodowanych przypadkach; aktywne zadawanie pytań wystąpiło w 9 przypadkach, świadomość luk w wiedzy i wytrwałość w wykonywaniu zadania w 8 przypadkach każdy, uzasadnianie poprawek w 7 przypadkach, a powierzchowne wykorzystanie w 2 przypadkach. Bariery techniczne oraz weryfikacja informacji wspieranych przez AI zostały zakodowane jako 0 w warunkach porównawczych. Liczby te opisują liczbę zakodowanych przypadków w podpróbce wywiadów, a nie w całej populacji.
Integracja danych ilościowych i jakościowych (Rysunek 3B) wykazała zbieżność w dwóch obszarach. Po pierwsze, wyższe wyniki jakości interakcji odnotowane w grupie wspomaganej przez AI odpowiadały częstym kodom jakościowym dotyczącym wyjaśnień rówieśniczych z pomocą AI oraz weryfikacji informacji generowanych przez AI. Po drugie, wyższe oceny samoewaluacji w grupie interwencyjnej były zgodne z narracjami jakościowymi podkreślającymi świadomość luk w wiedzy oraz rozumowanie dotyczące poprawek. Tematy jakościowe rozszerzyły również wnioski dotyczące zaangażowania, pokazując, że aktywny udział zależał od postrzeganej autentyczności zadania, moderacji nauczyciela oraz unikania powierzchownego wykorzystania AI.
Podsumowanie wyników
Podsumowując, zintegrowane wyniki sugerują, że wprowadzenie promptów wspieranych przez AI w ramach ustrukturyzowanego, zorientowanego na studenta cyklu uczenia się wiązało się z wyższym deklarowanym poczuciem własnej wartości w nauce oraz kompetencjami komunikacyjnymi. Eksploracyjne dane procesowe i narracje jakościowe były spójne z rutyną klasową, w której wyjaśnienia rówieśnicze, weryfikacja wyników AI oraz ustrukturyzowana samoocena wspierały doświadczenia edukacyjne studentów. Wyniki te należy interpretować jako zbieżne dowody z metod mieszanych na korzyść pedagogicznie ustrukturyzowanej rutyny wykorzystania AI, a nie jako dowód na to, że sama ekspozycja na AI przyniosła zaobserwowane korzyści.
DOSTĘPNOŚĆ DANYCH:
Przed przesłaniem pracy do czasopisma przygotowano kompleksowy pakiet powtarzalności, zawierający w pełni zanonimizowany surowy zestaw danych, słownik zmiennych (Tabela uzupełniająca 11), specyfikacje punktowania (Tabela uzupełniająca 12), specyfikacje oczyszczania danych (Tabela uzupełniająca 13), skrypty i specyfikacje analizy statystycznej (Tabele uzupełniające 14 i 15) oraz dane źródłowe dla tabel i rycin (Tabela uzupełniająca 16). Aby zapewnić zgodność z zasadami ochrony prywatności, wykluczono wszystkie bezpośrednio lub pośrednio identyfikowalne rekordy uczniów, surowe formularze zgód oraz prywatne historie czatów. Tabele strukturalne przygotowano jako oddzielne, edytowalne pliki arkuszy kalkulacyjnych, a ryciny dostarczono jako osobne pliki, zachowując ich odpowiednie legendy w głównym manuskrypcie. Podstawowy, zanonimizowany zestaw danych oraz materiały zapewniające powtarzalność, w tym macierz punktowanych pozycji i macierz częstotliwości kodów jakościowych, są publicznie dostępne w repozytorium Zenodo (https://zenodo.org/records/20609465). Zestaw danych do analizy zawiera identyfikatory klas, kodowanie grup, wskaźniki obecności, wyniki w skalach oraz wyniki zmian efektów wykorzystane w raportowanych analizach.
Rycina 1: Przepływ badania w klasach oraz retencja uczestników. Rycina ta przedstawia proces rekrutacji, przydział do klas, harmonogram oceny w trzech etapach, kryteria wykluczenia oraz dobór próby do wywiadów jakościowych. Końcowa ilościowa próba analityczna obejmowała 174 uczniów z sześciu istniejących klas. Kliknij tutaj, aby wyświetlić większą wersję tej ryciny.
Rysunek 2: Trajektorie zmian w trzech falach pomiarowych dla poczucia własnej wartości w sferze akademickiej oraz kompetencji komunikacyjnych. (A) Podłużne zmiany w poczuciu własnej wartości w sferze akademickiej w pomiarach bazowych, po interwencji oraz w badaniu kontrolnym. (B) Podłużne zmiany w kompetencjach komunikacyjnych w odpowiadających im falach pomiarowych. Słupki błędów reprezentują błąd standardowy średniej; naniesione etykiety wskazują wartości średnie i SEM obliczone jako SD/sqrt(n), gdzie n = 87 na grupę w każdej fali. Skróty: SEM = błąd standardowy średniej; SD = odchylenie standardowe. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 3: Rozkład motywów jakościowych i integracja metod mieszanych. (A) Częstotliwość występowania motywów jakościowych w grupach instruktażowych. (B) Strukturalne dopasowanie motywów jakościowych do ilościowych domen procesu. Skorygowana liczba wystąpień motywów opiera się na macierzy częstotliwości kodów jakościowych w uzupełniającej tabeli 10, w tym na „weryfikowaniu informacji wspieranych przez AI” (grupa wspomagana przez AI = 14; grupa porównawcza = 0). Aby wyświetlić większą wersję tej ryciny, kliknij tutaj.
| Buduj / rejestruj | Zakres kodów produktów | Elementy / rekordy | Fala pomiarowa | Zakres odpowiedzi | Kierunek punktacji | Pozycje odwrócone | Zasada brakujących danych | Zmienna końcowa | Zastosowanie analityczne | ||
| Akademicka samoocena | ASC1–ASC6 | 6 elementów | T1, T2, T3 | 1–5 | Wyższa wartość = silniejsza samoocena akademicka | ASC3, ASC5 | Oblicz wynik skali, gdy co najmniej 5 elementów jest prawidłowych; w przeciwnym razie uznaj wartość za brakującą dla danej fali | ASC_T1, ASC_T2, ASC_T3 | Główny punkt końcowy; ANCOVA z korektą o wartości wyjściowe; analiza różnic wyników dla T2–T1 oraz T3–T1 | ||
| Komuni- kompetencja kationowa | CC1–CC6 | 6 elementów | T1, T2, T3 | 1–5 | Wyższy wynik = wyższe kompetencje komunikacyjne | CC4 | Oblicz wynik skali, gdy co najmniej 5 pozycji jest poprawnych; w przeciwnym razie uznaj wartość za brakującą dla danej fali pomiarowej | CC_T1, CC_T2, CC_T3 | Pierwotny punkt końcowy; analiza kowariancji (ANCOVA) z korektą o wartości wyjściowe; analiza różnic w wynikach T2–T1 oraz T3–T1 | ||
| Jakość interakcji | IQ1–IQ5 | 5 elementów | T2 | 1–5 | Wyższa wartość = silniejsze postrzegane poczucie jakości interakcji w klasie | Proszę podać tekst źródłowy do przetłumaczenia. | Oblicz wynik skali, gdy ≥4 elementy są prawidłowe; w przeciwnym razie ustaw jako brakujące | IQ_T2 | Zmienna procesowa; regresja eksploracyjna; integracja metod mieszanych | ||
| Samoocena | SE1–SE5 | 5 elementów | T2 | 1–5 | Wyższa wartość = silniejsza samoocena podczas uczenia się | SE2 | Oblicz wynik skali, gdy co najmniej 4 elementy są prawidłowe; w przeciwnym razie przyjmij wartość brakującą | SE_T2 | Zmienna procesowa; regresja eksploracyjna; integracja metod mieszanych | ||
| Zaangażowanie ucznia | LE1–LE6 | 6 elementów | T2 | 1–5 | Wyższy poziom = większe zaangażowanie uczącego się | LE5 | Oblicz wynik skali, gdy co najmniej 5 elementów jest prawidłowych; w przeciwnym razie określ jako brak danych | LE_T2 | Zmienna procesowa; regresja eksploracyjna; integracja metod mieszanych | ||
| Lista obecności | ATT1–ATT6 | 6 zapisy z sesji | Każda sesja | Obecny / nieobecny | Większa frekwencja = większa ekspozycja | Nie dotyczy | Wykluczyć z końcowej próby analitycznej, jeśli pominięto więcej niż 25% sesji | obecność szybkość | Weryfikacja ekspozycji; przesiewowe kryteria wykluczenia | ||
| Lista kontrolna wierności wykonania | FID1–FID6 | 6 ocen na poziomie sesji | Każda sesja | 0–2 na komponent | Wyższa wartość = większa wierność protokołu | Nie dotyczy | Oceń każdą zaobserwowaną sesję; zaznacz odchylenie na poziomie sesji, jeśli wierność <70% | wierność procent | Rejestr odchyleń od protokołu; interpretacja czułości | ||
| Dziennik zdarzeń technicznych | TECH1–TECH6 | Zapis na poziomie sesji | Każda sesja | Dziennik kategoryczny | Nie dotyczy | Nie dotyczy | Odnotować, czy zdarzenie dotyczy więcej niż jednej trzeciej uczniów w klasie | techniczny_ odchylenie | Protokół odchylenia technicznego; interpretacja czułości | ||
| Wywiad jakościowy | INT1–INT5 | Dziedziny półstrukturalne | Po interwencji | Tekst / notatki audio | Częstotliwość występowania motywów według zakodowanej domeny | Nie dotyczy | Należy korzystać wyłącznie z transkrypcji lub ustrukturyzowanych notatek objętych ważną zgodą i zanonimizowanym identyfikatorem. | jakościowy_ macierz kodowa | Wyjaśnienie metod mieszanych w zakresie jakości interakcji, samooceny i zaangażowania uczących się | ||
Tabela 1: Struktura kwestionariusza, zasady punktowania i zastosowanie analityczne. Tabela ta definiuje stałą mapę punktowania ustaloną przed oczyszczaniem i analizą danych. T1 odnosi się do oceny wyjściowej, T2 oznacza ocenę bezpośrednio po interwencji, a T3 wskazuje na ocenę kontrolną. Wyniki skal obliczono jako średnią arytmetyczną poprawnych odpowiedzi po zastosowaniu procedur odwróconego kodowania. Całkowicie brakujące fale ocen nie zostały poddane imputacji.
| Pomiar | Fala | Grupa | N | Średnia | SD |
| Akademicka koncepcja ja | Wartość bazowa T1 | Zwyczajne podejście skoncentrowane na studencie | 87 | 3.05 | 0.43 |
| Akademicka samoocena | Wartość bazowa T1 | Nauczanie zorientowane na studenta wspomagane przez AI | 87 | 3 | 0.37 |
| Akademicka koncepcja ja | T2 po interwencji | Zorientowane na studenta | 87 | 3.19 | 0.6 |
| Akademicka koncepcja siebie | T2 po interwencji | Nauczanie zorientowane na studenta wspierane przez AI | 87 | 3.51 | 0.48 |
| Akademicka koncepcja siebie | Obserwacja po T3 | Zorientowane na studenta | 87 | 3.2 | 0.63 |
| Akademicka koncepcja siebie | Kolejne badanie T3 | Kształcenie zorientowane na studenta wspomagane przez AI | 87 | 3.57 | 0.6 |
| Kompetencja komunikacyjna | Poziom wyjściowy T1 | Typowe podejście zorientowane na studenta | 87 | 3.04 | 0.38 |
| Kompetencje komunikacyjne | T1 poziom wyjściowy | Nauczanie zorientowane na studenta wspomagane przez sztuczną inteligencję | 87 | 2.85 | 0.4 |
| Kompetencje komunikacyjne | T2 po interwencji | Zorientowane na studenta | 87 | 3.12 | 0.62 |
| Kompetencje komunikacyjne | T2 po interwencji | Nauczanie zorientowane na studenta wspomagane przez sztuczną inteligencję | 87 | 3.22 | 0.63 |
| Kompetencje komunikacyjne | Obserwacja T3 | Zwyczajnie zorientowane na studenta | 87 | 3.12 | 0.69 |
| Kompetencja komunikacyjna | Kontrola T3 | Nauczanie zorientowane na studenta wspomagane przez AI | 87 | 3.41 | 0.71 |
Tabela 2: Opisowe wyniki głównego punktu końcowego z podziałem na grupy i etapy badania. Tabela ta przedstawia wskaźniki opisowe dla poczucia własnej wartości w nauce oraz kompetencji komunikacyjnych zarówno w grupie nauczania skoncentrowanego na studencie z pomocą AI, jak i w grupie standardowego nauczania skoncentrowanego na studencie w trzech etapach oceny. Skróty: SD = odchylenie standardowe.
| Konstrukt | Elementy | Alfa Cronbacha | Decyzja |
| Akademicka koncepcja siebie, T1 | 6 | 0.676 | Graniczne; zachowane zgodnie z uprzednio określoną mapą punktową |
| Akademicka koncepcja ja, T2 | 6 | 0.828 | Akceptowalne |
| Akademicka koncepcja siebie, T3 | 6 | 0.876 | Akceptowalne |
| Kompetencje komunikacyjne, T1 | 6 | 0.683 | Graniczne; zachowane zgodnie z uprzednio określonym schematem punktacji |
| Kompetencje komunikacyjne, T2 | 6 | 0.877 | Akceptowalne |
| Kompetencje komunikacyjne, T3 | 6 | 0.897 | Akceptowalne |
| Jakość interakcji, T2 | 5 | 0.76 | Akceptowalne |
| Samoocena, T2 | 5 | 0.808 | Akceptowalne |
| Zaangażowanie ucznia, T2 | 6 | 0.806 | Akceptowalny |
Tabela 3: Szacunki spójności wewnętrznej dla miar badania. W tabeli przedstawiono wartości alfa Cronbacha dla głównych skal wynikowych oraz skal związanych z procesem. Zachowano graniczne szacunki niezawodności wyjściowej, aby ściśle przestrzegać uprzednio określonego schematu punktacji.
| Średnia zmiany z pomocą AI | SD zmiany z pomocą AI | Średnia zmiany w grupie porównawczej | SD zmiany w grupie porównawczej | Różnica średnich | 95% CI dla różnicy | t Welcha | wartość p | d Cohena |
| 0.51 | 0.44 | 0.14 | 0.46 | 0.37 | [0.24, 0.50] | 5.28 | <0.001 | 0.8 |
| 0.57 | 0.54 | 0.15 | 0.48 | 0.42 | [0.27, 0.57] | 5.46 | <0.001 | 0.83 |
| 0.37 | 0.45 | 0.08 | 0.46 | 0.29 | [0.15, 0.43] | 4.14 | <0.001 | 0.63 |
| 0.57 | 0.56 | 0.09 | 0.57 | 0.48 | [0.31, 0.65] | 5.61 | <0.001 | 0.85 |
Tabela 4: Różnice międzygrupowe w wynikach zmian efektów. Tabela ta przedstawia wyniki zmian T2–T1 i T3–T1 dla akademickiej koncepcji siebie oraz kompetencji komunikacyjnych. Różnice międzygrupowe oceniono za pomocą testów t Welcha, podając 95% przedziały ufności oraz współczynnik d Cohena w celu zapewnienia przejrzystości. Skróty: CI = przedział ufności; SD = odchylenie standardowe.
| Wynik | N | Grupa B | 95% CI dla grupy B | SE | t | p wartość | Wynik wyjściowy B | Wartość p wyjściowa | Model R² |
| Akademicka koncepcja siebie, T2 | 174 | 0.328 | [0.193, 0.463] | 0.1 | 5 | <0.001 | 0.748 | <0.001 | 0.395 |
| Akademicka koncepcja siebie, T3 | 174 | 0.401 | [0.246, 0.556] | 0.1 | 5 | <0.001 | 0.827 | <0.001 | 0.384 |
| Kompetencja komunikacyjna, T2 | 174 | 0.301 | [0.158, 0.444] | 0.1 | 4 | <0.001 | 1.116 | <0.001 | 0.488 |
| Kompetencje komunikacyjne, T3 | 174 | 0.516 | [0.340, 0.692] | 0.1 | 6 | <0.001 | 1.095 | <0.001 | 0.388 |
Tabela 5: Wyniki analizy ANCOVA skorygowane o wartości wyjściowe dla wyników głównych. Tabela ta przedstawia modele ANCOVA skorygowane o wartości wyjściowe dla akademickiej samooceny oraz kompetencji komunikacyjnych po interwencji i w okresie obserwacji, w tym współczynniki grupowe, 95% przedziały ufności, błędy standardowe, wartości p oraz wartości R2 modelu. Zmienna grupy instruktażowej została zakodowana jako 0 dla standardowej instrukcji skoncentrowanej na studencie i 1 dla instrukcji skoncentrowanej na studencie wspomaganej przez AI. Skróty: CI= przedział ufności; SE= błąd standardowy.
| Zmiana wyniku | Predyktor | B | SE | Proszę podać tekst źródłowy do przetłumaczenia. | wartość p | Model R2 | Interpretacja |
| Zmiana akademickiej koncepcji siebie | Grupa instruktażowa | 0.299 | 0.078 | 3.85 | <0.001 | 0.191 | Zachowano powiązanie grupowe |
| Zmiana akademickiego obrazu własnego | Jakość interakcji | -0.014 | 0.073 | -0.20 | 0.844 | Nieistotne statystycznie w analizie niezależnej | |
| Zmiana akademickiej koncepcji siebie | Samoocena | 0.108 | 0.065 | 1.66 | 0.099 | Pozytywny trend nieistotny statystycznie | |
| Zmiana akademickiej koncepcji siebie | Zaangażowanie ucznia | 0.061 | 0.066 | 0.93 | 0.355 | Brak istotności niezależnej | |
| Zmiana kompetencji komunikacyjnych | Grupa instruktażowa | 0.252 | 0.082 | 3.09 | 0.002 | 0.141 | Zachowano powiązania grupowe |
| Zmiana kompetencji komunikacyjnych | Jakość interakcji | 0.131 | 0.075 | 1.75 | 0.082 | Pozytywna, nieistotna statystycznie tendencja | |
| Zmiana kompetencji komunikacyjnych | Samoocena | 0.111 | 0.066 | 1.68 | 0.094 | Pozytywny trend nieistotny statystycznie | |
| Zmiana kompetencji komunikacyjnych | Zaangażowanie uczącego się | -0.083 | 0.066 | -1.25 | 0.214 | Brak istotności niezależnej |
Tabela 6: Wyniki regresji eksploracyjnej i diagnostyki na poziomie klasy dla zmian w wynikach końcowych. Tabela ta przedstawia eksploracyjne powiązania liniowe między grupą instruktażową, jakością interakcji, samooceną, zaangażowaniem uczącego się a wynikami zmian w wynikach końcowych, wraz z diagnostyką ICC na poziomie klasy. Modele te nie były interpretowane jako potwierdzające testy mediacji. Skróty: SE = błąd standardowy.
Tabela uzupełniająca 1: Przewodnik po sześciostudniowym cyklu lekcji klasowych. Podsumowuje ona cele nauczania, przydziały faz pedagogicznych oraz dowody zachowane do analizy.Aby pobrać ten plik, kliknij tutaj.
Tabela uzupełniająca 2: Arkusz z promptami AI dla grupy interwencyjnej. Określa on dozwolone funkcje, zakazane zastosowania oraz wymagane zapisy studenckie.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 3: Arkusz z podpowiedziami dla nauczyciela w grupie porównawczej. Zawiera on zestandaryzowane podpowiedzi nauczyciela stosowane w celu dopasowania struktury instruktażowej do grupy wspomaganej przez AI.Prosimy kliknąć tutaj, aby pobrać ten plik.
Tabela uzupełniająca 4: Szablon arkusza dla studenta. Zawiera ona wymagane pola, formaty oraz status gromadzenia danych.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 5: Formularz samooceny. Podsumowuje ona elementy refleksji, formaty odpowiedzi oraz odpowiadające im reguły kodowania.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 6: Lista kontrolna obserwacji w klasie i wierności realizacji. Zawiera ona rubryki punktacji dla poszczególnych komponentów w zakresie od 0 do 2.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 7: Rejestr incydentów technicznych. Dokumentuje ona rodzaje incydentów, liczbę dotkniętych studentów oraz kody odchyleń od protokołu.Prosimy kliknąć tutaj, aby pobrać ten plik.
Tabela uzupełniająca 8: Przewodnik po wywiadzie półstrukturalnym. Zawiera szczegółowe domeny jakościowe, pytania główne, opcjonalne pytania pogłębiające oraz powiązane konstrukty.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 9: Jakościowy kodeks kodowania. Definiuje ona domeny, reguły włączenia i wyłączenia oraz konkretne źródła dowodów.Prosimy kliknąć tutaj, aby pobrać ten plik.
Tabela uzupełniająca 10: Macierz częstotliwości kodów jakościowych. Przedstawia ona liczbę zakodowanych przypadków w obu grupach instruktażowych.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 11: Słownik danych. Definiuje ona nazwy zmiennych, etykiety, dozwolone wartości, reguły dotyczące brakujących wartości oraz zastosowania w analizie.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 12: Specyfikacje punktacji. Zawiera szczegółowe informacje o elementach z odwróconą punktacją, minimalnych wymaganiach dotyczących ważnych elementów, formułach skal oraz zmiennych wyjściowych dla każdego konstruktu.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 13: Specyfikacje oczyszczania danych. Przedstawia ona kroki oczyszczania, reguły oraz wygenerowane dzienniki wyjściowe służące do weryfikacji zbioru danych.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 14: Specyfikacje analizy statystycznej. Zawiera ona podsumowanie procedur analitycznych, modeli oraz progów decyzyjnych dla analiz pierwotnych i wtórnych.Kliknij tutaj, aby pobrać ten plik.
Tabela uzupełniająca 15: Specyfikacje analizy wrażliwej na klastry. Opisuje ona procedury i zasady interpretacji dla agregacji na poziomie klas oraz przeglądów odchyleń od protokołu.Prosimy kliknąć tutaj, aby pobrać ten plik.
Tabela uzupełniająca 16: Indeks danych źródłowych. Powiązana jest ona końcowych tabel i rysunków z wymaganymi statystykami, plikami źródłowymi oraz lokalizacjami w manuskrypcie.Prosimy kliknąć tutaj, aby pobrać ten plik.
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 punktacji oraz modeli ANCOVA dostosowanych do wartości początkowych. Jednak ze względu na zastosowanie metody z wykorzystaniem istniejących klas, samoregulacyjnych wyników oraz niewielką liczbę klastrów klasowych, wyniki te powinny być interpretowane jako obiecujące związki oparte na obserwacjach w klasie, a nie jako ostateczne dowody na przyczynowe udoskonalenie efektywności nauczania.
Zaobserwowana poprawa w samopoczuciu akademickim jest zgodna z założeniem, że przekonania uczniów dotyczące ich możliwości akademickich są kształtowane przez kumulowane doświadczenia z zadań oraz ciągłą informację zwrotną. Samopoczucie akademickie nie działa jako uogólniony poziom poczucia własnej wartości, ale jako dziedzina specyficzna konstrukcja reagująca na postrzeganą kompetencję podczas określonych czynności edukacyjnych. Interwencja wymagała od uczniów tworzenia początkowych wyjaśnień, krytycznego badania sugestii generowanych przez sztuczną inteligencję, dyskutowania tych pomysłów z rówieśnikami oraz doskonalenia ich ostatecznych odpowiedzi. Te iteracyjne cykle mogły dostarczyć uczniom widocznych dowodów postępu, oferując prawdopodobne wyjaśnienie zaobserwowanego wzorca samopoczucia akademickiego8.
Wyniki dotyczące zadeklarowanej przez uczniów kompetencji komunikacyjnej wskazują na podobny proces w klasie. Grupa wsparta sztuczną inteligencją nie była jedynie narażona na uzupełniające informacje; projekt nauczania wymagał od uczniów artykułowania, porównywania i uzasadniania pojęć podczas interakcji między rówieśnikami. Informacja zwrotna działała zatem jako ciągła sekwencja bodźców sztucznej inteligencji, odparciem rówieśników i ukierunkowanych wyjaśnień nauczyciela. Ta dialogiczna struktura może pomóc wyjaśnić ciągły wzrost zadeklarowanej przez uczniów kompetencji komunikacyjnej zaobserwowany w następczych badaniach. W obecnym kontekście, największe wzorce rozwojowe pojawiły się, gdy uczniowie byli zobowiązani do przekładania informacji zwrotnej na poprawione wyjaśnienia werbalne, zamiast jej biernego przyswajania9.
Analiza tematyczna jakościowa zapewnia istotny kontekst dla tych ilościowych trendów. Narracje z wywiadów w grupie wspartej sztuczną inteligencją głównie przedstawiały opisy wyjaśnień rówieśniczych wspomaganych przez sztuczną inteligencję, rygorystycznego sprawdzania faktów niepewnych wyników oraz przejrzystych praktyk samoocen. Te tematy odzwierciedlają zamierzoną strukturę interwencji, w której tekst generowany przez sztuczną inteligencję był traktowany ściśle jako surowiec do krytycznej oceny, a nie ostateczna prawda. To epistemologiczne ujęcie jest ważne, ponieważ rzeczywista przydatność edukacyjna sztucznej inteligencji w całości zależy od tego, jak uczniowie współpracują z wynikami. Gdy uczniowie po prostu kopiujeją odpowiedzi sztucznej inteligencji, proces poznawczy pozostaje ograniczony. Z kolei, gdy wyniki są krytycznie kwestionowane, kontrastowane i iteracyjnie poprawiane, mogą wspierać bardziej aktywny proces wyjaśniania. Obserwowane dynamiki przypominają więc paradygmat sterowanego samowyjaśniania, a nie prosty efekt narażenia na technologię10.
Samorzegulująca ocena wynikła jako kolejny kluczowy proces klasowy, mimo że eksploracyjne modele regresji nie zidentyfikowały go jednoznacznie jako niezależnego mediatora. Uczniowie w warunku wspieranym przez sztuczną inteligencję raportowali wyższe wyniki samooceny, a jakościowa klasyfikacja podkreślała wyższą częstotliwość zachowań związanych z rozpoznawaniem luk w wiedzy i uzasadnianiem poprawek. Jednak, gdy została wprowadzona do modelu wielowariantowego obok przypisania do grupy i innych zmiennych mechanizmu, samoocena nie osiągnęła statystycznej istotności jako samodzielnego przewidywania zmian wyników. Zmierzona interpretacja jest taka, że chociaż samoocena była integralnym składnikiem rutyny edukacyjnej, jej wpływ był prawdopodobnie zakorzeniony z jakością interakcji, wyjaśnieniami nauczyciela i ogólnym zaangażowaniem w zadanie. To synergistyczne ujęcie dobrze pasuje do ram oceny formacyjnej, które twierdzą, że samoregulacyjne uczenie się dojrzewające poprzez całościową kombinację informacji zwrotnej, ustanawiania standardów, ciągłego monitorowania i strukturalnych możliwości nadrabiania luk w wydajności11.
Podobny stopień ostrożności interpretacyjnej musi być zastosowany do zaangażowania uczniów. Chociaż grupa wsparta sztuczną inteligencją wykazała wyższe ogólne zaangażowanie, jak potwierdziły opisy jakościowe aktywnego pytania i wytrwałości w wykonywaniu zadań, uczestnictwo nie było jednolicie mocne w całej kohorcie. Dane z wywiadów ujawniły, że faktyczne zaangażowanie pozostawało w dużej mierze uzależnione od postrzeganej autentyczności zadania oraz
Oświadczenia
Lingyun Deng: Koncepcja, Metodologia, Badania, Kuracja danych, Analiza formalna, Pisanie – oryginalny szkic.
Shanshan Han: Koncepcja, Metodologia, Nadzór, Administracja projektem, Walidacja, Pisanie – recenzja i edycja.
Fengni Yang: Rekrutacja uczestników, zbieranie danych z kwestionariuszy, nagrywanie wywiadów półstrukturalizowanych, sortowanie materiałów uzupełniających i polerowanie rękopisu. Wszyscy autorzy przeczytali i zgodzili się na opublikowaną wersję rękopisu.
Podziękowania
Autorzy chcieliby wyrazić szczere podziękowania dla uczestniczącej szkoły, uczniów i rodziców za współpracę i wsparcie podczas procesu zbierania danych. Autorzy dziękują również Wydziałowi Pedagogicznemu Uniwersytetu Kookmin za zapewnienie środowiska akademickiego i niezbędnych zasobów, które ułatwiły przeprowadzenie tej badania. Żadne zewnętrzne finansowanie ani wsparcie finansowe nie zostały otrzymane na rozwój tego badania ani jego realizację.
Materiały
| 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. |
Bibliografia
- Freeman S et al. Active learning increases student performance in science, engineering, and mathematics. Proc Natl Acad Sci U S A. 2014;111(23):8410-8415.
- Marsh HW, Craven RG. Reciprocal effects of self-concept and performance from a multidimensional perspective. Perspect Psychol Sci. 2006;1(2):133-163.
- Hattie J, Timperley H. The power of feedback. Rev Educ Res. 2007;77(1):81-112.
- Nicol DJ, Macfarlane-Dick D. Formative assessment and self-regulated learning: A model and seven principles of good feedback practice. Stud High Educ. 2006;31(2):199-218.
- Fredricks JA, Blumenfeld PC, Paris AH. School engagement: Potential of the concept, state of the evidence. Rev Educ Res. 2004;74(1):59-109.
- Creswell JW, Plano Clark VL. Designing and conducting mixed methods research. 3rd ed. SAGE Publications; Thousand Oaks, CA; 2018.
- Webb NM. The teacher's role in promoting collaborative dialogue in the classroom. Br J Educ Psychol. 2009;79(1):1-28.
- Chi MTH, de Leeuw N, Chiu MH, LaVancher C. Eliciting self-explanations improves understanding. Cogn Sci. 1994;18(3):439-477.
- Zimmerman BJ. Becoming a self-regulated learner: An overview. Theory Pract. 2002;41(2):64-70.
- Ryan RM, Deci EL. Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. Am Psychol. 2000;55(1):68-78.
- Shute VJ. Focus on formative feedback. Rev Educ Res. 2008;78(1):153-189.
- Lo CK. What is the impact of ChatGPT on education? A rapid review of the literature. Educ Sci. 2023;13(4):410.
- Webb NM. Peer interaction and learning in small groups. Int J Educ Res. 1989;13(1):21-39.
- Hmelo-Silver CE. Problem-based learning: What and how do students learn? Educ Psychol Rev. 2004;16(3):235-266.
- Fàbregues S et al. Use of mixed methods research in intervention studies to increase young people's interest in STEM: A systematic methodological review. Front Psychol. 2022;13:956300.
Przedruki i uprawnienia
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie