学生-AI对话能告诉我们关于学生自我调节学习的什么？一种探索性框架
计算机与社会
2026-01-21 v1
摘要
人机协作学习（HAICL）的兴起正在将教育转向以对话为中心的范式，产生了对新评估方法的迫切需求。在此背景下评估自我调节学习（SRL）提出了新的挑战，因为传统方法的局限性变得更加明显。问卷仍然是被打断的，而随着更多学习活动在对话中发生，点击流数据等非打断指标的作用正在减弱。因此，本研究探讨学生与AI的对话是否可以作为SRL评估的有效、非打断数据源。我们分析了98名大学生与生成式AI（GenAI）学习伙伴交互的421份对话日志。利用大语言模型嵌入和聚类，我们识别出22种对话模式，并将每位学生的交互量化为对齐分数画像，将其与他们的在线自我调节学习问卷（OSLQ）分数进行对比分析。结果显示，主动对话模式（如课后知识整合）与总体SRL之间存在显著的正相关。相反，反应性模式（如课前基础问题）与总体SRL及其子过程呈显著负相关。组间比较证实了这些结果，低SRL学生与反应性模式的对齐度显著高于高SRL学生。本研究提出了基于对话的人机自我调节学习（DHASRL）框架，这是一种将SRL评估直接嵌入HAICL对话中的实用方法，以实现对学生调节的实时监控和支架搭建。
引用
@article{arxiv.2601.11576,
title = {What Can Student-AI Dialogues Tell Us About Students' Self-Regulated Learning? An exploratory framework},
author = {Long Zhang and Fangwei Lin and Weilin Wang},
journal= {arXiv preprint arXiv:2601.11576},
year = {2026}
}