揭示网络：使用跨模态有序网络分析理解 AI 支持课堂中的有效教师实践

学习分析研究越来越多地通过来自这些系统外部的丰富上下文数据（尤其是师生互动）来研究基于 AI 系统的课堂学习。利用此类数据的一个关键挑战在于生成关于有效教师实践的有意义见解。定量人种志具有填补这一空白的潜力，它将多模态数据流组合成共现行为网络，从而深入洞察有利的条件学习。本研究使用跨模态有序网络分析，在与使用 AI 导师的数学课堂中系统内学习的传统指标的关系中，理解有效的教师实践。将通过位置跟踪和人工观察代码捕获的教师实践纳入建模，显著提高了对学生如何在 AI 导师中高效提升的推断，超越了仅包含导师日志数据特征的模型。通过学生的学习率比较教师实践，我们发现学习率低的学生在监控后表现出更多的提示使用。然而，在经过长时间的巡视后，学习率低的学生表现出与其高学习率同伴相似的学习行为，在导师中实现了连续的正确尝试。观察记录表明，概念和程序支持上的差异有助于解释巡视的有效性。总而言之，为学习率低的学生提供早期的概念支持，可以使使用 AI 导师的课堂实践更加有效。本研究推进了关于在使用 AI 导师的课堂中有效教师实践的科学理解，以及使此类实践可见的方法论。