研究发现人工智能驱动工具的反馈改善了教学

人工智能正在以令人担忧和有益的方式迅速改变教育。从积极的方面来看，新的研究表明，人工智能如何通过一种尖端工具，为他们在课堂上的互动提供反馈，从而帮助改善教师与学生互动的方式。

8月<>日发表在同行评审期刊《教育评估与政策分析》上的一项由斯坦福大学领导的新研究发现，一种自动反馈工具改善了教师对一种称为吸收的做法的使用，即教师承认、重申和建立学生的贡献。调查结果还提供了证据，证明在学生中，该工具提高了他们的作业完成率和他们对课程的整体满意度。

对于希望改进实践的教师来说，该工具为传统的课堂观察提供了低成本的补充——不需要教学教练或其他专家来观察老师的行动并编制一组建议。

“我们从过去的研究中知道，及时，具体的反馈可以改善教学，但对于一个人来说，每次都坐在老师的教室里提供反馈是不可扩展或可行的，”斯坦福大学教育研究生院(GSE)助理教授Dora Demszky说。“我们想看看自动化工具是否可以以可扩展且具有成本效益的方式支持教师的专业发展，这是第一项表明它确实如此的研究。

促进有效的教学实践

认识到提供个性化反馈的现有方法需要大量资源，Demszky及其同事着手创建一种低成本的替代方案。他们利用自然语言处理(NLP)的最新进展 - 帮助计算机阅读和解释人类语言的人工智能分支 - 开发了一种工具，可以分析课堂会话的成绩单，以识别对话模式并提供一致的自动反馈。

在这项研究中，他们专注于确定教师对学生贡献的接受程度。“吸收是让学生感到被倾听的关键，作为一种实践，它与更大的学生成绩有关，”Demszky说。“但也被广泛认为教师很难改进。

研究人员训练了这种名为M-Powering Teachers的工具(M代表机器，如机器学习)，以检测教师的反应在多大程度上特定于学生所说的话，这将表明教师理解并建立在学生的想法之上。该工具还可以提供有关教师提问实践的反馈，例如提出引起学生重要回应的问题，以及教师/学生谈话时间的比例。

研究团队在斯坦福大学 Code in Place 的 2021 年春季课程中将该工具投入使用，这是一门免费的在线课程，现已进入第三年。在为期五周的课程中，基于斯坦福大学流行的计算机科学入门课程，数百名志愿者讲师以1：10的师生比例向世界各地的学习者教授基本编程。

Code in Place讲师来自各种背景，从最近自己参加课程的本科生到在该行业工作的专业计算机程序员。尽管他们热衷于向初学者介绍编码世界，但许多教师在之前很少或没有教学经验的情况下接近这个机会。

志愿者讲师接受了基本培训，明确的课程目标和会议大纲，为他们的角色做准备，许多人欢迎有机会在他们的课程中获得自动输入，该研究的共同作者Chris Piech说，他是斯坦福大学计算机科学教育助理教授，也是Code in Place的联合创始人。

“我们在教育中非常重视及时反馈对学生的重要性，但教师什么时候得到这种反馈?”他说。“也许校长会进来坐在你的课堂上，这看起来很可怕。接受不是来自校长的反馈会舒服得多，而且你不仅可以在多年的实践之后获得它，而且可以从你工作的第一天开始。

教师在每节课后的几天内通过应用程序收到来自该工具的反馈，因此他们可以在下一次课程之前进行反思。反馈以丰富多彩、易于阅读的形式呈现，使用积极、非评判性的语言，并包括他们课堂上对话的具体示例，以说明支持性的对话模式。

研究人员发现，平均而言，审查反馈的教师随后增加了吸收和提问的使用，最显着的变化发生在课程的第三周。与对照组相比，教师收到反馈的学生学习和对课程的满意度也有所提高。Code in Place不管理课程结束考试，因此研究人员使用可选作业和课程调查的完成率来衡量学生的学习和满意度。

在其他环境中进行测试

Demszky随后与该研究的共同作者之一Jing Liu博士进行了研究，'18，研究了在在线指导计划中与高中生一对一合作的教师中使用该工具的情况。研究人员将于 2023 月在 10 年大规模学习会议上展示他们的发现，他们发现，该工具平均将导师对学生贡献的吸收提高了 5%，将他们的谈话时间减少了 <>%，并改善了学生对该计划的体验以及他们对学术未来的相对乐观态度。

Demszky目前正在研究该工具在面对面的K-12学校教室中的使用，她指出了从虚拟环境中生成高质量转录的挑战。“教室里的音频质量不是很好，分离声音也不容易，”她说。“一旦你有了成绩单，自然语言处理就可以做很多事情，但你需要好的成绩单。

她强调，该工具不是为监督或评估目的而设计的，而是通过让教师有机会反思自己的做法来支持教师的专业发展。她将其比作健身追踪器，为用户提供信息。

她说，该工具也不是为了取代人类的反馈而设计的，而是为了补充其他专业发展资源。