LLM赋能学习环境中的学生-AI交互：基于参与者轮廓的聚类分析

将大型语言模型(LLM)集成到教育实践中可实现个性化学习，因而能够适应不同学习者的行为差异。本研究探讨了多智能体、LLM赋能学习环境中不同学习者轮廓。数据来自中国一所大学312名本科生在六模块课程中的互动记录。基于系统轮廓和学生-AI交互对话的层次聚类分析，我们发现学生在行为、认知和情感参与倾向上存在差异。该分析使我们能够识别两种退学者类型（早期退学者和停滞互动者）以及三种完成者轮廓（积极提问者、响应导航者和观望者）。结果显示，高水平的互动并不总是等同于富有成效的学习，反之亦然。先前知识显著影响了互动模式及其短期学习效益。进一步分析人机对话发现，一些学生积极参与知识建构，而另一些学生则表现出高频率的调节行为。值得注意的是，两组学生获得了相当相同的学习收益，表明多智能体学习环境在支持个性化学习方面具有有效性。这些结果凸显了人机协作学习中参与度的复杂且多面的本质，为设计自适应教育系统提供了实际建议。