基于情感动力学的学生-AI导师对话情感综合分析

虽然近期研究探讨了大型语言模型（LLM）在教育情境中的学习影响，但LLM中介的辅导情感动力学仍未得到充分理解。本工作引入首个基于LLM集成框架的大规模情感感知系统，推动将生成式AI整合至教育领域的负责任路径，关注学习者不断变化的情感状态。为实现此目标，我们分析了两学期、16,986次对话轮次，涉及来自三所美国高校的261名 undergraduate 学习者与PyTutor（LLM驱动AI导师）之间的交互。为探究学习者的情感体验，我们从三家前沿LLM（Gemini、GPT-4o、Claude）生成零样本情感标注，包括valence、arousal与学习有用性的标量评分，以及自由文本情感标签。这些估计通过基于排名加权的模型内部池化与多数共识融合，生成稳健的情感轮廓。我们的分析显示，在与AI导师互动期间，学生通常报告轻度正面情感与中等唤起水平。然学习并非一帆风顺：困惑与好奇常伴随问题解决，焦虑虽较少但仍会出现并可能阻碍进步。情感状态短暂持续——正面时刻稍长于中性或负面时刻，但脆弱且易被打破。令人鼓舞的是，负面情感常快速消退，有时可直接迈向正面状态。中性时刻常作为转折点，更常引导向上而非向下，表明导师可在这些节点干预。