edtechaiassessmentmetacognitionlearning design

數學教育數位影子：LLM 模擬學生與 AI 的表現、焦慮與自信

arXiv - Computers and SocietyNaomi Esposito, Anthony Tricarico, Luisa Porzio, Ali Aghazadeh Ardebili, Massimo Stella

建立MEDS資料集，記錄LLM在數學任務中的推理、成績、焦慮與自信，揭示模型偏差與人類類似情緒。

AI 幫你先抓重點

AI 重點 1

將自我效能、數學焦慮與認知網絡納入數學基準，提供更全面的AI教學評估。

滑鼠懸停看 AI 判斷理由
此方法不僅測量準確度，還能評估AI回饋對學生情緒與認知的影響，協助設計更安全、具同理心的AI導師。
AI 重點 2

發現特定LLM族群表現出人類式負面態度與過度自信，凸顯偏差調整需求。

滑鼠懸停看 AI 判斷理由
了解這些偏差可指導開發者校正AI自信輸出、減少焦慮誘發，提升教學品質與學生信任度。

核心研究發現

  1. 1

    MEDS包含28,000筆人物資料，涵蓋14種LLM（Mistral、Qwen、DeepSeek、Granite、Phi、Grok）在模擬人類或AI助手情境下的表現。

  2. 2

    每筆資料包含提示、心理/社會人口統計資料，以及四類數學任務：開放式面試、心理測量、認知網絡與18題高中數學題，並附推理與自信分數。

  3. 3

    驗證結果顯示LLM保持結構完整與人物一致，且不同族群呈現人類式負面數學態度、邏輯謬誤與過度自信等特徵。

對教育工作者的啟發

教育工作者可利用MEDS評估 AI 教學的情緒影響，調整回饋語氣；課程設計者可根據模型的自信與焦慮指標，設計分層練習；開發者應加入自我效能校正機制，避免過度自信。

原始文獻資訊

英文標題：
Math Education Digital Shadows for facilitating learning with LLMs: Math performance, anxiety and confidence in simulated students and AIs
作者：
Naomi Esposito, Anthony Tricarico, Luisa Porzio, Ali Aghazadeh Ardebili, Massimo Stella
來源：
arXiv - Computers and Society
AI 摘要模型：
openai/gpt-oss-20b
閱讀原文

每週精選研究電子報

每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。