大家好。我是硕士二年级的尾崎。
在本次的文章中，我将介绍一篇关于“探究学习”的论文。在探究学习中，学生需要自主提出问题并寻找答案，而这篇论文探讨了为维持同伴间的“生产性对话”所开发的协作型聊天机器人的设计、实施与评估。

作者:Adelson de Araujo, Pantelis M. Papadopoulos, Susan McKenney, Ton de Jong (2024).
标题: A learning analytics-based collaborative conversational agent to foster productive dialogue in inquiry learning
出版:Journal of computer assisted learning
卷号・页码:40(6), 2700-2714.
出版年份:2024年

1. 背景与目的
在现代教育中，协作作为在21世纪生存的必备技能而备受关注。特别是在探究学习中，人们期待学生通过与同伴的对话加深思考，并培养科学推理能力。然而，在实际的课堂现场维持“生产性对话”并非易事。尤其是在在线学习中，促使学生分享思考并深入探讨彼此的观点是一项艰巨的挑战。此外，当多个小组同时活动时，教师实时介入并支持所有对话的能力也是有限的。
因此，本研究旨在设计一款名为“Clair”的聊天机器人，用于促进学习者之间的对话，并评估该聊天机器人能在多大程度上促进生产性对话。

2. 什么是协作学习代理“Clair”？
本研究开发并引入的代理名为Clair（Collaborative Learning Agent for Interactive Reasoning）。Clair能够实时分析学生的聊天记录，并在适当的时机抛出“促进对话的话语”。
Clair的引导话语设计
Clair的介入策略基于一种名为“负责任的对话（Accountable Talk）”的教育理论。这是一个旨在尊重彼此、基于证据进行逻辑讨论的对话框架。Clair会灵活运用以下8种“对话动作（Talk Moves）”：
总结（Recapping）：促使对目前的讨论进行概括（例如：“能简单总结一下刚才的话题吗？”）。
补充（Add-on）：促使在他人意见的基础上增加新信息。
转述（Paraphrasing）：用自己的话解释对方的意见，以确认理解。
同意、反对：明确自己的立场。
关联贡献（Linking contributions）：将个人的想法与主题联系起来。
关联既有知识与举例（Relating to prior knowledge/examples）：要求提供具体案例。
扩展推理（Expanding reasoning）：询问理由（例如：“为什么这么想？”）。
Clair在对话中的判断设计
Clair利用12项指标来把握对话状态，例如学生的发言是否“与学习内容相关（领域）”、“是否为闲聊（非任务）”、“是否解释了理由（逻辑性）”等。这些数据通过一种名为“模糊专家系统（Fuzzy Expert System）”的机制进行处理。这是一种能够根据接近人类判断的灵活规则来决定介入的机制，例如“如果学生专注于学习，但很少使用特定关键词，则促使其进行补充”。

3. 研究方法：在巴西和荷兰的实践
为了验证Clair的效果，研究在巴西（相当于初二，19组）和荷兰（相当于初三，28组）的两个教育现场进行了实验。
实验设计：实验分为两个阶段进行。
阶段1 所有小组在没有代理的情况下活动（测量基准线）。
阶段2 分为有代理介入的“实验组”和不介入的“对照组”进行活动。
教材使用了关于光合作用和消化系统的探究学习课程。
评估指标
从以下两个方面评估对话变得有多“生产性”：
① 序列模式挖掘（Sequential Pattern Mining）：从聊天文本中提取行为模式，统计符合“分享自己的想法”、“倾听与引导”、“深化推理”、“参与他人推理”这四个目标（FGPDs）的模式出现了多少次。
② 主观评估：通过问卷调查了解学生自身对“我们的对话是否具有生产性”等方面的感受。

4. 分析结果
显现的效果与局限性。客观对话模式的变容分析结果显示，Clair的存在对符合FGPDs目标的对话行为产生了明确影响。
关于促进“思考的分享”，在两项研究中，有Clair的小组从阶段1到阶段2，分享自己想法的行为均显著增加。另一方面，没有Clair的小组则未见此类变化。
此外，关于“参与他人推理”的提升，在荷兰的研究中，Clair的介入使得针对他人意见进行反驳或提问的行为有所增加。
接下来，关于对“深度推理”的影响，在进一步深化自身推理的行为方面，Clair的有无并未造成明显差异。
最后，关于学生的主观认知，令人意外的是，问卷调查结果（对话的生产性）显示，Clair的有无并未产生显著差异。学生们似乎觉得无论是否有AI，他们都“充分地进行了合作”。

5. 为什么未能触及“深度推理”？
本研究结果表明，Clair在拓宽对话入口（如“先试着发言”、“对他人做出反应”）方面非常有效，但在深化内容层面仍存在课题。其原因可能包括以下几点：
・内容无关介入的局限性：本次的Clair虽然能读取发言的“意图”，但无法深入到具体的“内容（如科学上的正误）”。因此，仅靠目前的通用提示词，不足以纠正特定概念的误解或提出更深层的专业问题。
・介入时机：手动检查日志的结果显示，当系统在不恰当的时机介入时，学生会将其视为“多余的负担”而选择无视。
・对系统的动机与责任感：与来自人类（教师或同伴）的反馈相比，来自没有情感的系统的呼吁，可能在激发学生动机和责任感方面的力量有限。

6. 结论与未来展望
生成式AI（LLM）的可能性。本研究表明，使用学习分析的聊天机器人作为探究学习中“对话的脚手架（Scaffolding）”取得了一定成果。特别是其推动协作学习第一步——即把自己的想法表达出来（思考的分享）——的力量得到了持续验证。今后，以下改进将成为实现“深度探究”的关键：
・利用LLM（大语言模型）：通过整合ChatGPT等LLM，可以实现深入学习内容的“内容依赖型”介入。
・增加人性化：赋予代理称赞或自然跟进的功能，设计出让学生感到更亲切、更有责任感的形式。
・与教师协作：不应让AI完全替代教师，而应考虑建立一种“混合型”支持体制，即由AI收集分析数据并提供给教师，让教师能够专注于更高层次的介入。
探究学习是一个面对没有标准答案的问题的过程。论文主张，通过技术支持对话，未来将会有更多的学生能够享受到深度学习。

感想
以下是我的感想。
我选择了这篇论文，是因为我想了解在我的研究中极具前景的“探究学习”方法中，如何加深学习者的思考，
以及如何为学习过程搭建脚手架。在设计聊天使用方式时，如何恰当地整合理论，以及如何利用这些模式进行评估，这些方法对我非常有参考价值。
另一方面，我认为关于如何发展通过系统进行的课堂学习成果，还有待进一步思考。本次目标之一的“推理的深化”被认为是深度探究学习中的重要环节，而本研究中未出现显著差异这一点尤其令我感兴趣。论文暗示了通过利用LLMs深入探究学习内容，有可能引导至深度推理，但我认为除了系统之外，还需要构思整个课堂的组件。今后，我希望更深入地学习如何通过促进探究学习过程，从而获得深度推理等重要的学习效果。

文责：尾崎康平