大家好。我是硕士二年级的尾崎。

在本文中，我将介绍一篇关于探究学习支持系统的论文。该系统结合了近年来在教育领域迅速普及的“生成式AI”与捕捉学习者行为的图像识别技术。

探究学习（Inquiry-Based Learning）是一种由学生自主提出问题并为解决问题而进行学习的方法，但在实际操作中，经常会出现“学生中途放弃”、“难以对每位学生进行针对性指导”等情况。本篇论文针对这些课题，开发并验证了一个利用AI通过“图像识别与ChatGPT”在最佳时机为每位学生提供引导的系统。

 

论文信息

标题: Improving inquiry-based learning through automated ChatGPT-based inquiry prompt and behavioral image recognition

（通过基于ChatGPT的自动探究提示与行为图像识别促进探究学习）

作者: Pin-Hui Li, Ting-Ting Wu, Yueh-Min Huang

期刊: Education and Information Technologies, 30(17), 25543-25575

出版年份: 2025年

 

引言与背景

探究学习作为一种以学习者为中心的方法，对于培养深度理解和问题解决能力非常有效。然而，由于其要求“自主性”的本质，有时会给学习者带来巨大的负担。缺乏足够好奇心或自我效能感的学生，在活动过程中可能会陷入困惑或遭遇挫折。

理想情况下，教师应观察每位学生的状态，并在适当的时机提供支架。然而，在大班授课中，教师实时掌握所有学生的情况并进行个别指导在物理上是困难的。

虽然此前已有利用技术的支持系统，但由于缺乏对“学习者当前正在做什么”的实时行为监控，且往往只能回复预设的固定文本，存在缺乏灵活性的问题。

因此，本研究开发了“AIPS（Automated Inquiry Prompt System）”系统，通过图像识别技术观察学生行为，并利用ChatGPT生成符合语境的建议。

 

AIPS的机制

AIPS系统大致包含两个功能。

利用YOLObile进行“行为识别”

首先，利用轻量级图像识别模型YOLObile，实时检测学生当前的行为。具体而言，通过网络摄像头识别以下要素：

・脸部、手部

・键盘、鼠标等

此外，系统会判断学生的手是否覆盖在对象上（是否在操作）、是否与旁边的学生面对面（是否在讨论）等情况，每3分钟判定一次学生是处于“积极探究中”还是“停滞状态”。

利用ChatGPT进行“动态提示生成”

基于行为识别的结果，ChatGPT会生成符合学习进度的最佳提示并呈现给学习者。本研究将探究过程分为“预测、观察、解释、评估”四个阶段（POEE模型），并根据认知负荷理论（Cognitive Load Theory: CLT）和自我决定理论（Self-Determination Theory: SDT），区分使用以下四种提示：

・构成性提示：具体说明步骤，消除迷茫学生的焦虑（“先试着做一下……”）。

・协作性提示：促进与他人的对话（“试着和旁边的人交换一下意见吧”）。

・创造性提示：促进自由构思与探索（“如果……会发生什么呢？”）。

・批判性提示：促使学生深入反思自己的想法（“你能解释得出这个结果的原因吗？”）。

例如，在POEE模型的“预测”阶段，如果学生停下手来，系统会给出温和说明步骤的“构成性提示”；相反，如果学生正在快速打字推进，则会给出促进深度思考的“创造性提示”，从而实现灵活应对。

 

研究方法

为了验证该系统的有效性，研究者以台湾某大学修读工程学课程的74名学生为对象，在编程课程中进行了实验。学生被随机分为“实验组（使用AIPS）”和“对照组（不使用AIPS）”，进行了为期4周的探究活动。

评估采用了以下指标：

・好奇心：五维好奇心量表（愉悦的探究、对匮乏的敏感性、压力耐受力等）

・自我效能感：完成任务的自信心

・探究技能：课题设定、实验、分析、解释的技能

・知识构建：通过后测评估专业知识的掌握程度

 

结果与讨论

实验结果显示，与未接受AI支持的组别相比，接受AI支持的组别在所有指标上均表现出显著更高的成果。

① 好奇心与自我效能感的提升

特别是“愉悦的探究”和“对匮乏的敏感性（求知欲）”有了显著提高。这被认为是因为AI在适当的时机给出了提示，使学生没有被“不懂”的压力所压垮，从而保持了“想了解更多”的积极心态。此外，在遇到困难时，AI将任务拆解并呈现，也提升了学生“我也能做到”的自我效能感。

② 探究技能的显著改善

差异最显著的是“实验技能”。这是AI针对具体步骤提供反馈直接起效的结果。另一方面，“课题设定技能”的提升幅度相对较小。这表明，提出高质量“问题”的能力难以通过短期干预来培养，需要更长期的支持。

③ 对知识构建的协同效应

分析结果证明，好奇心、自我效能感和探究技能的提高直接导向了最终的知识构建。特别是“想要解决不懂的问题”的意愿，以及将其逻辑化表达出来的“解释技能”，在将知识内化为己有方面起到了核心作用。

 

结论与局限性

本研究表明，通过结合图像识别与生成式AI，可以摆脱传统的统一指导，实现针对每位学生情况的“适应性指导”。

然而，该研究也存在局限性。本系统适用于伴随“实验”或“观察”等明确行为的理科探究，但对于需要在大脑中深入思考的人文类探究，或没有明确标准答案的活动，仅靠行为识别存在局限。作者指出，今后需要结合学生发言内容、聊天记录等语言数据，进行多模态分析。

 

选择理由与感想

选择理由：

我本人对如何支持探究学习以及如何衡量其效果非常感兴趣，因此选择了这篇论文。特别是该研究展示了利用AI支持探究学习过程，不仅能增加知识，还能协同提升学习者的“好奇心”和“探究技能”等通用能力，这一点非常有参考价值。

感想：

阅读这篇论文后，我思考最多的是AI在知识构建以外目标上的可能性。本研究将“专业知识的习得”作为最终目标，但在日本的教育现场，特别是“综合探究时间”或“生涯教育”的语境下，知识量并不一定是唯一目标。深入审视“自我存在方式与生活方式”、对未来职业进行决策的过程本身受到高度重视。在那种没有标准答案、抽象度更高的探究过程中，AI的提示和学习者行为分析将如何发挥作用？以及它将如何进一步转化为学习者“实际的行为改变”或“意识的转变”？这些点还有很多未解之谜，也是我今后想要追究的主题。

探究学习被期待能对主体性和好奇心产生积极影响。另一方面，正如论文所指出的，其学习过程复杂且负荷较高，如果本身不具备主体性和好奇心，很难自主持续学习。针对人数众多且对探究学习的意愿和能力参差不齐的学习者，如何设计支持方案以实现个性化学习，是我今后想要深入探讨的问题。

文责：尾崎 康平