结构化提示，效果更佳？探究结构化界面对ChatGPT在研究生机器人课程中的影响

先行研究表明，学生与大型语言模型（LLM）的交互方式影响其问题解决与理解能力，强化了支持促进学习的“良好”提示行为的必要性。本研究评估了旨在促进“良好”提示行为的结构化GPT平台对58名研究生在机器人课程中的影响。学生被分为实验组（使用结构化平台）和对照组（自由使用ChatGPT），分别进行两次实践实验课，随后在第三次实验课中所有学生均可自由使用ChatGPT。我们分析了学生感知（前后调查）、提示行为（日志记录）、表现（任务得分）和学习（前后测试）之间的差异。尽管在表现和学习方面未发现组间差异，但我们识别出一些提示行为——例如聚焦于理解代码的明确提示——与更高的学习收益相关，且在使用结构化平台时更常见。然而，这些行为在学生不再受结构化平台约束后未能转移。定性调查数据显示，学生对结构化平台的感知呈现混合态样：部分学生认为其价值，但大多数学生不认为其相关性强，抵制改变其习惯。这些发现为持续识别集成LLM于教学中有效策略提供了依据，并质疑了暂时性地通过改变用户界面来影响学生交互的自下而上方法的有效性。未来研究可探索解决学生动机并明确展示某些交互模式如何支持学习的自上而下策略。