大家好。
在本文中，我将介绍本次英语文献研讨会中阅读的论文及其感想。

论文标题： Leveraging Process-Action Epistemic Network Analysis to Illuminate Student Self-Regulated Learning with a Socratic Chatbot
期刊： Journal of Learning Analytics
出版年份：2025
卷号与页码：12(1) 和 32-49
作者： Joel Weijia Lai, Wei Qiu, Muang Thway, Lei Zhang, Nurabidah Binti Jamil, Chit Lin Su, Samuel S. H. Ng, Fun Siong Lim

本研究旨在生成式AI迅速普及的背景下，利用教育用聊天机器人与学生的对话数据，揭示自我调节学习（SRL）的过程。研究开发了一款苏格拉底式聊天机器人，并通过针对34名大学生的为期3周的实验，分析了学习成果高低不同的学生在行为模式上的差异。
本研究以Zimmerman和Pintrich等人的理论模型为基础，特别采用了过程-行动框架模型。该模型由“定义”、“探索”、“参与”、“反思”四个阶段组成，每个阶段都包含具体行动（如问题识别、目标设定、信息检索、复习、自我评价等）。

在研究方法方面，实验对象为修读统计学入门课程的34名大学生。首先从开发苏格拉底式聊天机器人开始。该聊天机器人基于Python开发，并以GPT-4为基础。系统提示词设定其角色为“作为AI导师，将学生的问题拆解为循序渐进的步骤，引导学生理解统计学课程教材”。当学生提问时，聊天机器人不会直接回答，而是被设计为通过引导性问题来促进学生自身的思考。实验持续了3周，第一周为线下教学，随后的两周采用线上混合式学习形式。学生在参加前测后，需观看相关的在线视频，并按自己的节奏与聊天机器人进行对话。3周后进行了后测，以评估学习成果。

在数据分析中，学生与聊天机器人之间的所有对话均基于上述过程-行动框架进行了编码。由3名研究人员进行标记，经Krippendorff’s alpha评估的评分者间信度为α = 0.693，确认了足够的信度。学生按先验知识水平（50分以下的A1组和50分以上的A2组）及学习成果（基于分数差值的G1、G2、G3组）进行分类，并使用认知网络分析（ENA）和有序网络分析（ONA）对行为模式进行了比较。

分析结果得出了一些有趣的发现。关于先验知识水平的差异，先验知识较高的A2组学生倾向于更多地参与目标设定和资料整理。另一方面，先验知识较低的A1组学生则更专注于信息检索。特别是从ONA分析来看，A1组学生倾向于在检索资料前先进行复习，这表明他们在探索新内容之前更注重知识的整合。从学习成果的角度来看，G3组（高学习成果）的学生主要从事与基本概念相关的信息检索，而G1组（低学习成果）的学生则更多地参与了自我评价活动。有趣的是，G3组的12人中有11人属于A1组（低先验知识），这表明他们通过与聊天机器人的对话，学习成果得到了显著提升。

以下是我的感想。本研究针对生成式AI如何应用于教育这一当前备受关注的课题，提供了具体的分析框架，我认为非常有意义。具体来说，关于苏格拉底式聊天机器人的设计，它不提供直接答案，而是通过引导性问题促进学习者的思考，我认为这具有不同于单纯信息提供工具的教育价值。通过适当的提示词设计实现教育性对话，为今后的AI应用提供了重要启示。此外，从自我调节学习的角度系统地分析与聊天机器人的对话数据，其方法在今后的研究中有很多值得参考之处。过程-行动框架模型的应用也令我感到很有趣。将多种SRL理论整合并整理为四个阶段，并将其应用于对话数据分析的方法，在我的研究中也可以借鉴。特别是将学习者的行为捕捉为“定义”、“探索”、“参与”、“反思”这几个阶段的视角，对于理解学习过程非常有用。同时，不同学习者群体表现出不同的学习行为模式，我认为这是在设计个性化学习支持时应考虑的要素。有一点在阅读时引起了我的注意，即如果能对聊天机器人侧的响应进行更详细的分析，或许能获得更有趣的发现。不仅是学生的行为模式，什么样的提问类型或提示词能促进特定的SRL行为，期待在今后的研究中能有所揭示。总的来说，这项研究不仅展示了利用生成式AI进行教育支持的可能性，还提供了详细分析学习过程的有效方法。今后，我也希望在自己的研究中参考这种分析方法，更深入地理解AI工具与学习者之间的互动。

文责：耿学旺