大家好。我是博士课程二年级的田中。在这篇文章中，我将介绍在最近的英语文献研讨会中阅读的一篇论文。

论文标题: Leveraging Process-Action Epistemic Network Analysis to Illuminate Student Self-Regulated Learning with a Socratic Chatbot (利用过程-行动型认知网络分析阐明学生在苏格拉底式聊天机器人辅助下的自我调节学习)
作者: Joel Weijia Lai, Wei Qiu, Maung Thway, Lei Zhang, Nurabidah Binti Jamil, Chit Lin Su,
Samuel S. H. Ng, Fun Siong Lim
刊载杂志: Journal of Learning Analytics (2025 年)

1. 背景与先行研究
学习分析（LA）是一种被广泛用于理解学习过程并改善教育环境的方法。该领域的研究重点在于阐明学习者如何参与学习过程。本研究关注的“自我调节学习（SRL）”是指学习者为实现目标，主动管理自身学习环境、行为和策略的过程。先行研究表明，SRL对学业成就、元认知、自我效能感、动机以及情感韧性等方面具有积极影响。此外，近年来，人们越来越倾向于将SRL视为一种随情境变化的“动态且适应性的过程”，而非固定的阶段模型。
在现代教育现场，学生利用生成式AI进行学习的机会正在迅速增加，但这对学生SRL的影响尚未得到充分验证。学生在与AI的对话中会流利地进行提问、确认和理解修正，因此从SRL的角度来看，实现有效的学习至关重要。鉴于此，本研究旨在将学生与生成式AI聊天机器人的对话数据作为理解SRL的线索，并验证其特征。

2. 研究问题
虽然生成式AI在个性化支持方面具有巨大潜力，但现有研究尚未充分探讨如何从SRL的角度分析与AI的互动。基于这一差距，本研究设定了以下两个研究问题（RQ）：
RQ1: 如何从SRL的角度处理和分析与教育用聊天机器人的对话？
RQ2: 根据学生的能力水平以及学习成果的提升程度，与聊天机器人的互动存在哪些共同点和差异？

3. 研究方法
聊天机器人的开发:
本研究使用了基于“苏格拉底式提问法”（GPT-4驱动）的聊天机器人，通过反问引导学生自主思考。其设计旨在促使学生不依赖AI，而是通过自主思考来调节学习。该机器人参考课程内容的知识库及过往对话记录，将学生的问题逐步分解并进行后续追问。

实验流程:
以34名参加大学一年级统计学入门课程的本科生为对象进行。实验为期3周的混合式教学（第1周为面授，第2、3周为在线。包括观看视频教材和使用聊天机器人），整体流程由“前测 → 3周聊天使用 → 后测”构成。

SRL框架与编码：“过程-行动框架”
收集到的对话日志基于先行研究的“过程-行动框架”（Lai, 2024），被分类并编码为SRL的4个过程（Defining / Seeking / Engaging / Reflecting）以及与之关联的9个具体行动（目标设定、理解确认、信息整理等）。

网络分析方法:
分析采用了分析代码间联系的“ENA（认知网络分析）”，以及能够区分行为顺序进行分析的“ONA（有序网络分析）”。利用这些方法，针对基于前测的“能力组（A1/A2）”以及基于测试提升幅度的“提升组（G1/G2/G3）”进行了比较分析。

4. 结果与讨论
通过前测与后测的比较，学生的得分有显著提高，并确认了较大的效应量。在对对话日志（共6,716行）进行编码的初期代码分布中，反映聊天机器人设计特点的“理解与答案确认行为（E. RV）”和“寻找信息与解释的行为（S.S）”出现频率较高。基于这些数据的网络分析揭示了各组的以下特征：

前测中按能力水平的差异（A1组：低分组 vs A2组：高分组）:
A2组的目标设定（D.G）、理解确认（E. RV）、信息整理（E.O）等行为之间存在强关联，表现出比A1组更复杂的学习行为。他们不仅获取知识，还表现出管理学习内容及系统化信息的倾向。
另一方面，A1组表现出偏向于信息搜索（S.S）的倾向。顺序分析（ONA）显示，A1组中“确认后立即寻找信息（E. RV → S.S）”的转换频率约为“寻找信息后进行确认（S.S → E. RV）”的2倍，显示出一种反应性的行为模式。作者指出，对于初始能力较低的群体，除了提供信息外，还需要引导其进行目标设定和信息整理的“脚手架（引导）”。

按前测至后测提升幅度的组间比较（G1：提升小，G2：提升中，G3：提升大）:
ONA分析结果显示，G1与G2、G2与G3之间存在显著差异，但G1与G3之间无显著差异。这被解释为G3中许多人原本是具有提升空间的低能力层，而G1中许多人是接近天花板效应的高能力层。
表现出显著提升的G3（以及具有共同特征的G1）中，信息搜索与确认的往复（S.S ⇄ E. RV）以及寻求示例/练习的行为（E. RH）表现强烈，他们通过询问基本概念、确认回答，并进一步寻求示例来进行互动。另一方面，提升程度中等的G2组，问题识别与确认的往复（D.I ⇄ E. RV）较为明显，这被解释为仅仅将作业问题直接输入并确认答案的被动倾向。
这些结果表明，SRL并非“目标设定→执行→自我反思”这种固定的顺序，而是根据情境流动的过程，证实了聊天日志是捕捉其动态侧面的有效数据源。此外，这也暗示了聊天机器人的设计本身可以诱发学生的SRL行为，并且通过LA视角实时掌握日志，有可能实现个性化的支持。

5. 结论与局限性
结论：研究表明，通过“过程-行动框架”对生成式AI的对话日志进行适当编码，并使用ONA等方法，可以可视化学生根据自身能力和提升幅度所表现出的流动的SRL行为网络结构差异。将对话日志作为分析SRL的学习数据而非仅仅作为使用记录，具有重要意义。
局限性：局限性包括样本量仅为34人较小、缺乏对照组导致无法因果断定聊天机器人的效果，以及仅分析了学生侧的发言而未包含“聊天机器人响应分析”等点。

感想
本论文将学生与聊天机器人的互动（对话日志）基于SRL的“process-action framework”进行分类，并进一步通过ENA和ONA分析行为的联系与顺序，这一点让我受益匪浅。特别是它指出学生成绩和学习成果的提升幅度可能导致与聊天机器人的互动方式不同，这在思考利用生成式AI进行学习支持时非常重要。
另一方面，在将数据分类为SRL代码时，我也感到存在难以判断的部分。学生的发言究竟是单纯的确认，还是理解的监控或自我评价，可能会根据语境产生不同的解读。我认为明确并透明化编码标准非常重要。此外，我认为不仅需要分析学生的发言，还需要将聊天机器人的提问和响应纳入分析对象。因为学生的回答可能会受到聊天机器人引导的影响，如果仅分析学生的发言，可能难以区分这是自发的SRL行为，还是对聊天机器人的反应。此外，如果能展示聊天的总数和利用频率，将使组间比较的结果更容易解读。我希望将本研究中从SRL视角赋予学习行为意义的方法论，应用到我自己的研究中。