李林林，王兴华，宋述婷，王雨，赵良千

青岛大学

电邮：linlin908@outlook.com

【摘要】 本文探究了AI支持的学习情境下学习模式挖掘。通过对16名小学生在外语学习过程中的AI平台使用数据和学生反思文本进行聚类和认识网络分析，研究发现，深度学习能放大AI个性化指导的优势并增强学习社区感，而学生被动或机械地与AI交互可能会降低社区感并取得较差成绩。

【关键词】 人机交互、学习社区、聚类分析、认知网络分析

Abstract: This study investigates how students interact with artificial intelligence (AI) for English as a Foreign Language (EFL) learning and what matters in AI-supported EFL learning. It included sixteen primary school students. The students’ usage data of an AI agent and their reflection essays about the interactions with the AI agent were analyzed using cluster analysis and epistemic network analysis. The deep approach to AI-supported learning may amplify the benefits of AI’s personalized guidance and strengthen the sense of the human-AI learning community. Passively or mechanically following AI’s instruction, albeit with high levels of participation, may decrease the sense of the human-AI learning community and eventually lead to low performance.

Keywords: Human-computer interface, Learning communities, cluster analysis, epistemic network analysis

 

1. 前言

近年来，人工智能技术(Artificial Intelligence, 简称AI)在教育领域，尤其是在第二语言(Second Language, 简称L2)学习领域，得到了广泛应用(Jeon, 2021)。然而，对于学生如何与AI进行语言学习方面的互动以及不同类型的学生在互动时可能存在的差异，我们依旧认识不足。因此本文以此为切入点，运用聚类和认识网络分析深入研究了16名六年级学生在使用AI教师进行英语学习时的具体情况及其与AI的交互模式，从而回答了以下两个研究问题：(1) 在学习者与AI交互的过程中，有哪几种不同类型的学习者？ (2) 不同类型的学习者在语言学习的过程中如何与AI进行交互，不同的交互方式之间存在哪些差异？

2. 理论基础

2.1.探究社区理论框架

探究社区理论框架(Community of Inquiry Framework, 简称CoI framework)是数字教学环境下支持学生有效构建知识的理论模型和实践框架，已被广泛应用于高质量在线教育发展的指导过程当中(Lomicka, 2020)。社区互动对于有意义学习的重要性日益凸显，因此，随着AI在教育中的广泛应用，CoI理论与“人-AI”的结合为人们审视AI支持下的学习提供了一个新的视角。目前，该框架已被成功应用于L2学习环境，这对AI支持下的语言学习的启示作用(柳茜 等, 2022)。本文所述的CoI理论框架包括三个维度，分别是社会存在感、认知存在感和教学存在感。

2.2.学生的学习方法理论框架

学生的学习方法(Students’ Approaches to Learning, 简称SAL) 理论框架已经成为理解学生参与学习活动的一种重要方式。 SAL包括三种不同的学习方法：深度学习、浅层学习和组织学习(Cheng, 2017)。深度学习意味着学生在学习过程中能够积极地进行意义构建并使用高阶思维策略，表层学习通常与死记硬背相关联，组织学习则侧重于系统化和良好组织的高效率学习(Thompson & Education, 2013)。

3. 研究设计

3.1.研究对象与研究场景

本研究以某区小学中的16名六年级学生为研究对象。16名学生在为期三个月的研究过程中定期使用AI教师 (kouyu100.com) 进行L2学习，并在研究结束后针对各自的学习体验写下了评价文本。 同时他们的使用数据被完整的保存在了AI系统当中。AI教师采用语音识别和自然语言处理算法来诊断学生的输出并生成个性化反馈。 学生在学校平均每天使用AI教师15分钟来练习发音、词汇、听力和口语技能。 AI教师会标注错误并提供反馈，鼓励学生反思和改进。

3.2.数据收集

本研究的数据来源共包括两个方面：(1) 学生的AI系统使用数据; (2) 学生的评价文本。使用数据包括听力、词汇学习频率、英语模仿及其得分。频率数据代表学生的参与度。AI教师会对每位学生的英语模仿话语进行评分，该得分代表着学生的学习表现。在研究结束时，学生们用中文写了一篇与AI教师进行互动及其对外语学习影响的评价文本。

3.3.评价文本编码框架

本研究基于CoI和SAL理论框架和研究数据创建了一个编码框架，包括SAL中的深度、浅层和组织学习方式；CoI的三个组成部分和七个子组成部分：社会存在感（情感表达和亲和力），教学存在感（教学设计，指导和促进，以及反馈），以及认知存在感（主动探索和问题解决）；其他变量（L2学习乐趣和内外部动机）。由两名研究人员对数据分别进行编码，并进行一致性检验，结果显示系数为 0.87，说明一致性较好。

4. 研究结果与分析

图像1 四类学习者的认知网络

4.1聚类分析

本研究使用了两步聚类分析来识别在与AI交互的过程中存在着哪几种不同类型的学习者。轮廓分析用于检验这些不同类型学习者群集的整体拟合度(Atapattu, Thilakaratne, Vivian, Falkner, & Education, 2019)，最终选定了四种类型的学习者。这四个群集分别被命名为最有效的学习者(A)、被动学习者(B)、平衡良好的学习者(C)和低效率的学习者(D)。

4.2四类学习者的认知网络对比

图像1显示了四类学习者的不同认知网络。A类学生的网络中浅层学习方法与其他任何元素都没有交互连接。深度学习与反馈、情感表达和L2学习乐趣高频共现。 当与AI教师互动时，A类学生倾向于采用深度学习方法。 他们重视来自AI教师的反馈，但并不会机械地遵循。然而，主动探索和内在动机并未连接到主体认知网络，这表明他们之所以参与AI支持的学习活动更多是由于父母或老师的要求而非出于个人兴趣。

B类学习者的网络表现出与反馈和问题解决的高频共现，以及与浅层学习、指导和促进、情感表达等方面的交互连接。然而，该网络缺乏与动机、L2学习乐趣和深度学习等元素的联系。B类学生在与AI教师互动时显得被动，在认知上表现为只将AI教师视为工具。他们的学习方法仅限于根据AI教师的反馈来重复和记忆词汇及句子。

C类学习者拥有一个良好连接的认知网络，所有节点之间的交互连接相比其他三类学习者更多。他们积极参与AI支持下的语言学习并取得了相对较高的表现分数。与此同时，他们的评价文本揭示了其对AI教师使用的积极态度及其克服挑战的毅力。 C类学习者的网络模式与A类学习者十分类似，但A类学生与深度学习方法之间有着更强联系。

D类学习者与反馈、指导和促进、以及情感表达的联系更强，与B类学习者的认知网络相似。然而，深度学习没有连接到任何节点。他们喜欢与AI教师互动，能感受到强烈的教学存在感，但只是被动遵循指令，并主要侧重于模仿和记忆，而缺乏深度学习。我们对比其与B类学习者的认知网络和表现分数，可以发现D类学生在AI支持下的学习中表现出更高的参与度，但因为其倾向于采用浅层学习方法而导致了较低的成绩。这表明，学习者在AI支持下的学习中仅有较高的参与度可能无法保证其取得较好的学习成绩。

5. 讨论与展望

5.1.并非每位学生都能从AI描绘的美好图景中受益

研究结果表明在AI支持的外语学习中存在四种类型的学生群体，其参与度和学习表现各异。A类学生是最有效的学习者，而B类学生表现最差，依赖于被动的和浅层学习方法。C类学生则平衡较好，D类学生虽然拥有较高的参与度但过于依赖浅层学习方法。由于个体与AI教师的交互方式各异，所以AI对学生的影响在很大程度上也会因人而异。因此，人们在利用AI技术改变传统教学时应谨慎考虑，因为并非每个学生都能从中受益。

5.2.深度学习方法可能会放大AI个性化指导的益处，并加强AI学习社区的凝聚力。

A类和C类学生都采用了深度学习方法并取得了较高的表现分数。B类和D类学生则都运用了浅层学习方法而取得了较低的表现分数。结果显示，深度学习方法可能会增加AI教师个性化反馈所带来的好处，并加强“人-AI”学习社区感。

5.3.被动地或机械地遵循AI的指令，可能会降低学习社区感，并导致学生表现较差。

D类学生与B类学生的认知网络相似，如浅层学习和教学存在感共现。 D类学生侧重于AI的使用功能并机械地遵循AI指示。而B类学生则表现为被动地与AI教师进行互动并将其学习限制在词汇和句子的记忆上。这表明当学生在与AI进行互动时使用浅层的学习方法在很大程度上会降低个体的主动性，从而导致人和AI的二元分裂并最终促使他们取得低水平的学习成绩。

参考文献

柳茜、庞晖、王兴华、孙百才、徐艳萍和李田田(2022).人工智能支持的语言学习——拟人化技术如何影响学习.电化教育研究, 43(10), 102-109.

Chen, H. H.-J., Yang, C. T.-Y., & Lai, K. K.-W. (2020). Investigating college EFL learners’ perceptions toward the use of Google Assistant for foreign language learning. Interactive Learning Environments, 1-16.

Atapattu, T., Thilakaratne, M., Vivian, R., Falkner, K. J. C., & Education. (2019). Detecting cognitive engagement using word embeddings within an online teacher professional development community. Computers & Education, 140, 103594.

Cheng, K.-H. J. J. o. E. C. R. (2017). Exploring parents’ conceptions of augmented reality learning and approaches to learning by augmented reality with their children. Journal of Educational Computing Research, 55(6), 820-843.

Jeon, J. J. C. A. L. L. (2021). Exploring AI chatbot affordances in the EFL classroom: Young learners’ experiences and perspectives. Computer Assisted Language Learning, 1-26.

Lomicka, L. J. F. L. A. (2020). Creating and sustaining virtual language communities. Foreign Language Annals, 53(2), 306-313.

Thompson, P. J. C., & Education. (2013). The digital natives as learners: Technology use patterns and approaches to learning. Computers & Education, 65, 12-33.