最详细的同行评审研究关于课堂中-AI-的教益
最详细的同行评审研究关于课堂中 AI 的教益
原文：
towardsdatascience.com/what-the-most-detailed-peer-reviewed-study-on-ai-in-the-classroom-taught-us/
虽然关于教育中 LLM 的潜在利益和问题已被广泛讨论，但迫切需要稳健的、基于经验的证据来指导这些技术在课堂、课程和一般研究中的整合。超越轶事报告和相当有限的研究，最近的一项名为“ChatGPT 对学生学习表现、学习感知和高级思维的影响：来自元分析的见解”的工作，提供了迄今为止最全面的定量评估。由杭州师范大学中国教育现代化研究院的金王和王文祥撰写的这篇文章，本月发表在自然出版集团的《人文与社会科学通讯》杂志上。它既复杂又详细，因此在这里我将深入探讨其中报告的发现，并触及方法论，以及对于在教育环境中开发和部署 AI 的影响。
进入它：量化 ChatGPT 对学生学习的影响
王和王帆的研究是一项元分析，它综合了 2022 年 11 月至 2025 年 2 月间发表的 51 篇研究论文的数据，考察了 ChatGPT 对三个关键学生成果的影响：学习表现、学习感知和高级思维。对于 AI 实践者和数据科学家来说，这项元分析提供了一个有价值的、基于证据的视角，可以用来评估当前 LLM 的能力，并指导教育技术的发展。
主要研究问题旨在确定 ChatGPT 在三个关键教育成果方面的整体有效性。元分析产生了具有统计学意义的显著结果：
关于学习表现，来自 44 项研究的数据显示，ChatGPT 的使用产生了巨大的积极影响。事实上，结果表明，平均而言，将 ChatGPT 整合到学习过程中的学生与控制组相比，学术成果显著提高。
对于学习感知（包括学生的态度、动机和参与度），19 项研究的分析揭示了适度但显著的正向影响。这意味着尽管存在学生可能利用该工具作弊的先验局限性和问题，ChatGPT 仍可以促进从学生角度来看更加有利的学习体验。
同样，基于 9 项研究的结果，对高级思维技能（如批判性分析、问题解决和创造力）的影响也被发现是适度积极的。因此，ChatGPT 可以支持这些关键认知能力的发展，尽管其影响显然不如对直接学习表现那么显著。
不同因素如何影响使用 ChatGPT 进行学习
除了整体有效性之外，王和范还研究了各种学习特征如何影响 ChatGPT 对学习的影响。让我为您总结一下核心结果。
首先，课程类型产生了强烈的影响。在涉及技能和能力的培养的课程中观察到最大的影响，其次是 STEM（科学/技术）和相关学科，然后是语言学习/学术写作。
课程的学习模式也在调节 ChatGPT 协助学生的程度方面发挥了关键作用。基于问题的学习模式通过 ChatGPT 得到了特别强的强化，产生了非常大的效应量。个性化学习环境也显示出较大的效应，而基于项目的学习则显示出较小但仍然积极的效应。
ChatGPT 的使用时长也是调节其对学习表现影响的一个重要因素。单周左右的短期使用产生了较小的影响，而超过 4-8 周的持续使用则产生了最强的影响，如果使用时间进一步延长，影响也不会增长太多。这表明，持续的互动和熟悉感对于培养对 LLM 辅助学习的积极情感反应可能是至关重要的。
有趣的是，学生的年级水平、ChatGPT 在活动中的具体角色以及应用领域在所有分析的研究中都没有对学习表现产生显著影响。
其他因素，包括年级水平、课程类型、学习模式、ChatGPT 所扮演的具体角色以及应用领域，并没有显著调节对学习感知的影响。
研究进一步表明，当 ChatGPT 作为智能导师，提供个性化指导和反馈时，其对培养高级思维的影响最为显著。
对基于 AI 的教育技术发展的启示
王和范的元分析结果对 AI 在教育环境中的设计、开发和战略部署具有重大意义：
首先，关于深化认知的战略支架。对思维技能发展的影响略低于对表现的影响，这意味着 LLM 并非天生就是培养深入批判性思维的工具，尽管它们对学习有积极的整体影响。因此，基于 AI 的教育工具应整合显式的支架机制，以促进思维过程的发展，指导学生从知识获取转向更高层次的分析、综合和评估，同时与 AI 系统的直接帮助并行。
因此，在教育中实施 AI 工具必须得到适当的框架，正如我们上面所看到的，这种框架将取决于课程的准确类型和内容、希望应用的 学习模型以及可用的时间。一个特别有趣的设置将是 AI 工具支持探究、假设检验和协作问题解决的情况。然而，关于最佳持续时间的发现意味着需要采用入职策略和适应性参与技术，以最大化影响并减轻潜在的过度依赖。
当 ChatGPT 作为智能导师时，其卓越的影响突出了 AI 在教育中的关键方向。开发基于 LLM 的系统，能够提供适应性反馈、提出诊断性和反思性问题，并指导学习者完成复杂的认知任务至关重要。这需要超越简单的问答能力，转向更复杂的对话 AI 和教学推理。
此外，还有一些非次要问题需要解决。虽然 LLM 在信息传递和任务辅助方面表现出色（导致性能显著提升），但要增强它们对情感领域（感知）和高级认知技能的影响，需要更好的交互设计。纳入促进学生自主性、提供有意义的反馈和有效管理认知负荷的元素是至关重要的考虑因素。
局限性与未来研究方向
研究的作者谨慎地承认了一些局限性，这也为未来的研究指明了方向。尽管总体样本量是前所未有的最大，但它仍然很小，对于一些具体问题来说非常小。需要进行更多研究，并且当更多数据可用时，可能需要新的元分析。一个困难的问题是，随着技术的快速发展，结果可能会非常快地过时，这很遗憾，这是我个人添加的。
在本文分析的这项研究中，另一个局限性是它们在很大程度上偏向于大学生，对基础教育的数据非常有限。
王和范还讨论了 AI、数据科学和教育工作者在未来的研究中应考虑的事项。首先，他们应该尝试根据具体的 LLM 版本分解影响，这一点至关重要，因为它们发展得非常快。其次，他们应该研究学生和教师通常如何“提示”LLM，然后调查不同提示对最终学习成果的影响。然后，他们需要以某种方式开发和评估嵌入在基于 LLM 的教育工具中的自适应支架机制。最后，从长远来看，我们需要探索 LLM 整合对知识保留和自我调节学习技能发展的作用。
个人而言，我在此补充一点，我认为研究需要更深入地挖掘学生如何使用 LLM（大型语言模型）作弊，不一定是有意为之，也可能是通过寻找捷径导致他们误入歧途或让他们逃避责任，但实际上并没有真正学到任何东西。在这种情况下，我认为 AI 科学家在开发用于检测 AI 生成文本的伪装系统方面做得不够，他们可以使用这些系统快速而自信地判断，例如，作业是否是用 LLM 完成的。是的，现在有一些水印和类似系统（我会在某天介绍它们！）但我觉得它们并没有被大规模部署，让教育工作者能够轻松利用。
结论：迈向基于证据的 AI 在教育中的整合
我为您提供的这篇元分析为关于 AI 在教育中的讨论提供了关键、数据驱动的贡献。它证实了 LLM（尤其是 ChatGPT 在这些研究中的 LLM）在增强学生学习表现和积极影响学习感知和高级思维方面的巨大潜力。然而，这项研究也强烈表明，这些工具的有效性并不统一，而是受到情境因素和它们融入学习过程的方式的显著调节。
对于 AI 和数据科学社区来说，这些发现既是肯定也是挑战。肯定之处在于 LLM 技术的有效性得到了证明。挑战在于通过深思熟虑、基于证据的设计来利用这种潜力，超越通用应用，走向复杂、自适应且符合教学原则的教育工具。前进的道路需要持续致力于严谨的研究和对 AI、教学和人类学习之间复杂互动的细微理解。
参考文献
ChatGPT 对学生学习表现、学习感知和高级思维的影响：来自元分析的见解。王金 & 范文翔 人文社会科学通讯 第 12 卷，第 621 页（2025 年）
如果你喜欢这个，请查看
浙公网安备 33010602011771号