人工智慧情感豐富化回饋：提升學生觀感，但對參與度和作業品質影響有限

Kernekoncepter

在教育環境中，情感豐富的 AI 回饋可以提升學生的觀感並降低負面情緒，但對學生參與度和作業品質的影響有限。

Resumé

人工智慧在教育領域的應用 (AIEd)

人工智慧 (AI) 正迅速改變教育領域，帶來個人化學習體驗、適性學習科技以及行政任務自動化等優勢。
AI 系統能夠分析學生的學習模式、優缺點，並根據個人需求量身打造教材內容，進而提升學習成效。
生成式 AI，作為 AI 的一個分支，在提供個人化且即時的回饋方面展現巨大潛力，可望徹底改變教育回饋機制。
運用 AI 優化回饋機制

回饋在傳統和線上學習環境中都扮演著至關重要的角色，連結學習者、教師和同儕之間的互動。
研究顯示，AI 生成的回饋通常被認為比人工回饋更有幫助，且教師只需進行少量修改。
然而，過度依賴 AI 輔助學習可能會對學生的自我調節能力和學習自主性產生負面影響。
成就情緒的控制價值理論 (CVT)

CVT 強調控制和價值評估在形塑學生學習情緒體驗中的作用。
根據此理論，學生的情緒受其對學習活動的控制感和價值觀的影響。
積極的情緒，如享受和希望，有助於提升學習動機和學業成就，而負面情緒，如憤怒和焦慮，則會阻礙學習成效。
回饋在形塑情緒和學業成果中的作用

關於成功和失敗的回饋會顯著影響學生的情緒，進而影響他們的學業成就。
學生如何看待回饋會影響他們的情緒反應，進而影響他們的學習行為和結果。
當學生認為回饋具有建設性和實用性時，即使是批評性的回饋，他們也往往會感到滿意。

研究工具：RiPPLE 系統

本研究採用 RiPPLE 系統，這是一個基於建構主義的適性教育系統，透過學習者自創內容、同儕審查和練習等活動促進學習。
RiPPLE 整合了 AI 回饋機制，在學生提交自創內容或同儕回饋之前提供自動化回饋。
參與者和學習環境

本研究在昆士蘭大學一門網頁設計入門課程中進行，共有 425 名學生參與。
使用 RiPPLE 被納入課程評量設計中，佔期末成績的 10%。
實驗條件

控制組：收到語氣中立、直接且具建設性的回饋。
實驗組：收到包含鼓勵性用語、讚美和表情符號的回饋，旨在營造積極正面的情緒環境。
實驗設定和資料收集策略

現場隨機對照實驗，425 名參與者被隨機分配到上述兩個條件之一。
透過線上問卷和 RiPPLE 平台收集資料。
資料分析和測量方法

採用量化和質化分析方法來評估大學生對 AI 回饋的情緒和參與反應。

Vigtigste indsigter udtrukket fra

Emotionally Enriched Feedback via Generative AI

by Omar Alsaiar... kl. arxiv.org 10-22-2024

https://arxiv.org/pdf/2410.15077.pdf

Dybere Forespørgsler

在 AI 回饋中加入情感元素如何影響不同文化背景的學生？

在 AI 回饋中加入情感元素對不同文化背景學生的影響，是一個需要謹慎考量的重要議題。文化差異可能會影響學生對情感表達方式的理解和接受程度。

文化與情感表達的差異: 不同文化對於情感的表達方式存在著顯著差異。某些文化鼓勵直接、明確的情感表達，而另一些文化則更傾向於含蓄、間接的方式。例如，在某些亞洲文化中，公開接受讚美可能會被視為不謙虛的行為。因此，AI 回饋中所使用的讚美、鼓勵等情感元素，需要根據目標學生的文化背景進行調整，避免造成誤解或產生反效果。
文化與權威的關係: 文化也會影響學生與權威的關係，進而影響他們對來自 AI 老師或導師角色的情感回饋的接受程度。在某些文化中，學生可能更習慣於接受來自權威人士的直接指導和批評，而在另一些文化中，學生則可能更希望獲得更具同理心和支持性的回饋。
文化與學習風格的關係: 文化也會影響學生的學習風格和對回饋的偏好。例如，某些文化背景的學生可能更注重集體學習和合作，而另一些文化背景的學生則可能更傾向於獨立學習和競爭。AI 回饋的設計需要考慮到這些文化差異，才能真正滿足不同學生的需求。
為了確保 AI 回饋對不同文化背景的學生都能產生積極影響，開發者和教育工作者需要：

進行跨文化研究: 深入了解不同文化背景下學生對情感回饋的理解和接受程度，以及文化對學習風格和師生關係的影響。
開發文化敏感的 AI 模型: 根據跨文化研究的結果，設計和訓練能夠理解和適應不同文化背景的 AI 模型，並根據學生的文化背景調整情感表達方式。
提供個性化的回饋: 允許學生根據自己的文化背景和個人偏好，選擇不同的回饋風格和情感表達方式。

如果學生過度依賴 AI 提供的積極強化，會不會導致他們無法培養出面對建設性批評的韌性？

的確，過度依賴 AI 提供的積極強化可能會阻礙學生面對建設性批評的韌性發展。學生需要學習如何有效地處理負面回饋，並將其視為成長和進步的機會。

缺乏應對負面評價的經驗: 如果 AI 回饋過於強調積極強化，學生可能會缺乏應對負面評價的經驗，導致他們在面對批評時感到沮喪、焦慮，甚至放棄努力。
自我認知的偏差: 過度的積極強化可能會導致學生對自身能力產生過於樂觀的評價，而無法正確認識自身的不足和需要改進的地方。
降低學習動機: 當學生習慣於持續的讚美和鼓勵時，他們可能會失去內在學習動機，變得只關注外部獎勵，而忽略了學習本身的價值。
為了避免學生過度依賴 AI 提供的積極強化，教育工作者和 AI 開發者可以採取以下措施：

平衡積極強化和建設性批評: AI 回饋應該在提供積極強化的同時，也包含適當的建設性批評，幫助學生認識到自身的不足，並提供具體的改進建議。
培養成長型思維模式: 鼓勵學生將錯誤和失敗視為學習的機會，並強調努力和策略的重要性，幫助他們建立成長型思維模式。
逐步減少積極強化的頻率和強度: 隨著學生的進步，逐步減少積極強化的頻率和強度，鼓勵他們更加獨立地學習和自我評估。
結合人類教師的指導: AI 回饋不應該完全取代人類教師的指導，教師應該關注學生的情感需求，並提供適當的鼓勵和支持，幫助他們應對挑戰。

在未來，我們如何設計出能夠理解並回應學生更細微情緒的 AI 教育工具？

設計能夠理解和回應學生更細微情緒的 AI 教育工具，需要更先進的技術和更深入的教育心理學研究。以下是一些未來發展方向：

多模態情感識別: 整合語音、表情、肢體語言等多種模態信息，更準確地識別學生的情緒狀態，而不僅僅依賴於文字信息。
上下文感知的情感分析: 考慮學生的學習歷史、個人特質、學習環境等上下文信息，更準確地理解學生情緒背後的原因和動機。
個性化的情感回應策略: 根據學生的情緒狀態、性格特點、學習風格等因素，制定個性化的情感回應策略，提供更具針對性和有效性的支持。
結合教育心理學理論: 將教育心理學理論，如自我決定理論、成就目標理論等，融入 AI 教育工具的設計中，更有效地促進學生的學習動機和情感健康。
注重倫理和隱私保護: 在收集和使用學生情緒數據時，必須遵循倫理規範，保護學生的隱私和數據安全。
透過持續的技術創新和教育研究，我們可以期待未來出現更智慧、更人性化的 AI 教育工具，為學生提供更有效的學習支持和情感關懷。