检查指导人工智能导师如何解决学生僵局的变化

当学生陷入困境时，导师面临着援助困境：太早提供帮助会阻碍富有成效的斗争，而拒绝帮助太久会让学生陷入令人沮丧的、持续的僵局（即车轮空转）。生成式人工智能导师越来越多地使用护栏来限制给出答案，但一旦僵局持续存在，人们对这些导师的行为却知之甚少。我们分析了大语言模型化学导师指导下的 1,260 场真实课程中的 20,462 名学生，确定了三种主要类型的 6,630 次僵局：概念错误、表达的不确定性或寻求帮助。然后，我们使用这些僵局来模拟三种辅导条件，以研究人工智能导师指导在僵局中的变化：基线、无直接答案和指导导师。对于 150 个僵局的样本，提示特异性改变了教学法：基线导师在 50.7% 的回答中直接提供了答案，无直接答案的导师每次都会提出后续问题，指导导师根据上下文以多种方式做出回应。然后，我们分析了真实交互中的僵局轨迹，发现每增加一个僵局回合都会使下一回合恢复的几率降低 12.7%（AOR = 0.873，p < .001），并且在到达执行之前，早期退出会陷入递归概念启发中。随着僵局持续存在，提问的好处逐渐减弱（脚本问题 x 深度 AOR = 0.78；后续问题 x 深度 AOR = 0.83），而解决学生的错误则变得更加有益（AOR = 1.14）；在一个失败的脚本问题后，重复该问题后，有 28.1% 的情况可以恢复，而当导师纠正错误时，这一比例为 39.8%。对于学习分析，这些发现将僵局深度和类型识别为可观察的、回合级对话信号，分析可以使用这些信号实时触发分级的、状态敏感的帮助。