通过较弱的 LLM 塑造人类-AI 合作中的可信度判断：基于转移记忆视角的 AI 素养
人机交互
2026-03-30 v1 新兴技术
摘要
生成式 AI (GenAI) 越来越多地被用作高等教育中的知识伙伴，导致需要强调 AI 素养实践的教学设计，如评估输出可信度和保持人类责任。现有的 AI 素养框架更关注学生应做什么，而不是这些实践在日常学生-GenAI 合作中如何实施。在本研究中，我们通过将学生-GenAI 互动框架为转移记忆合作伙伴，where 可信度调节依赖和验证来弥补这一差距。为使这一过程在课程作业中可见，我们使用了一个较弱的大语言模型 (LLM)：足够小，能够在大多数学生电脑上运行于课堂上，足够有帮助以支持学习，但又不至于如此强大以至于消除对验证的需求。在一个本科 STEM 课程中，学生被随机分配至三个条件中的一个进行重复活动：反思-先行 (先思考，再咨询 AI)、验证-必需 (使用 AI，然后评估输出) 或控制组 (不受限制的使用)。在三个时间点上进行了转移记忆调查 (N = 42)。加权可信度在不同条件下随时间发生变化。控制基线可信度的 ANCOVA 结果显示，在中学期出现条件效应，F(2, 38) = 4.02, p = .026, partial eta squared = .175，在干预后更强的效应 F(2, 38) = 5.48, p = .008, partial eta squared = .224；平均值在反思-先行组最低，在验证-必需组居中，在控制组最高。专业能力和协调的平行分析未达显著。这些发现表明，工作流程排序、有意识地使用较弱的 LLM 以及嵌入在作业指令中的责任线索可以重新校准学生对 GenAI 使用的可信度判断，其中反思-先行产生了最强的依赖下降。
引用
@article{arxiv.2603.26522,
title = {Shaping Credibility Judgments in Human-GenAI Partnership via Weaker LLMs: A Transactive Memory Perspective on AI Literacy},
author = {Md Touhidul Islam and Mahir Akgun and Syed Billah},
journal= {arXiv preprint arXiv:2603.26522},
year = {2026}
}
备注
14 pages, Accepted in AIED'26