人機協作問題解決之互動模式與策略分析
arXiv - Computers and SocietyZhanxin Hao, Xiaobo Liu, Jiaxin Fan, Yun Long, Jifan Yu, Wenli Chen, Yu Zhang
本研究探討大學生與AI協作解決複雜問題時的模式，發現不同模式在效能與學習者自我調節策略上有顯著差異。
AI 幫你先抓重點
AI 重點 1
人機協作模式的差異與任務表現。
滑鼠懸停看 AI 判斷理由
了解不同模式如何影響學習成效，有助於設計者針對不同學習目標，選擇或引導學生使用更適合的協作策略，提升AI輔助學習的效率。
AI 重點 2
自我調節策略在不同模式中的作用。
滑鼠懸停看 AI 判斷理由
研究發現CI模式使用者更頻繁地運用自我調節策略，但表現不如DR模式，這提示我們需要思考如何在提升自我調節的同時，兼顧協作效率，設計更完善的學習框架。
核心研究發現
- 1
研究識別出三種人機協作模式：委託推理(DR)、協同詮釋(CI)和委託闡述(DE)。
- 2
委託推理(DR)模式在任務表現上顯著優於協同詮釋(CI)模式，效率最高。
- 3
在DR模式中，人與AI的語義相似度最高，顯示更有效的協作。
- 4
CI模式的學習者報告使用更多自我調節策略，但任務表現較低。
- 5
研究揭示了分佈式系統效率與學習者自我調節參與深度之間的矛盾。
對教育工作者的啟發
教育科技設計者應考量不同協作模式對學習成效的影響，並設計AI工具以引導學生採用更有效的協作策略，例如鼓勵學生在適當情況下委託AI進行推理，以提升效率。同時，也應關注如何支持和提升學習者在協作過程中的自我調節能力，避免過度依賴AI而降低學習深度。此外，課程設計者可以利用這些發現，設計更具針對性的學習活動，促進人機協作的學習效果。
原始文獻資訊
- 英文標題：
- Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective
- 作者：
- Zhanxin Hao, Xiaobo Liu, Jiaxin Fan, Yun Long, Jifan Yu, Wenli Chen, Yu Zhang
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- ISTA-DASLab/gemma-3-27b-it-GPTQ-4b-128g
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。