[论文解读] AI and personalized learning: bridging the gap with modern educational goals

Kristjan-Julius Laak, Jaan Aru|arXiv (Cornell University)|Apr 3, 2024

Online Learning and Analytics被引用 19

一句话总结

本论文分析以 AI 驱动的个性化学习如何与 OECD Learning Compass 2030 目标保持一致，识别协作、认知参与和一般能力方面的差距，并提出一种结合大语言模型的混合 AI–教师模式来解决这些差距。

ABSTRACT

Personalized learning (PL) aspires to provide an alternative to the one-size-fits-all approach in education. Technology-based PL solutions have shown notable effectiveness in enhancing learning performance. However, their alignment with the broader goals of modern education is inconsistent across technologies and research areas. In this paper, we examine the characteristics of AI-driven PL solutions in light of the goals outlined in the OECD Learning Compass 2030. Our analysis indicates a gap between the objectives of modern education and the technological approach to PL. We identify areas where the AI-based PL solutions could embrace essential elements of contemporary education, such as fostering learner's agency, cognitive engagement, and general competencies. While the PL solutions that narrowly focus on domain-specific knowledge acquisition are instrumental in aiding learning processes, the PL envisioned by educational experts extends beyond simple technological tools and requires a holistic change in the educational system. Finally, we explore the potential of generative AI, such as ChatGPT, and propose a hybrid model that blends artificial intelligence with a collaborative, teacher-facilitated approach to personalized learning.

研究动机与目标

• 评估当前基于 AI 的个性化学习（PL）在多大程度上与 OECD Learning Compass 2030 的目标（一般能力、自主性、AAR 循环）保持一致。
• 识别 PL 将效率置于协作、认知和更广泛技能之上的差距。
• 讨论面向领域的、基于知识图谱的 PL 系统在促进自我调节学习（SRL）和一般能力方面的局限性。
• 探讨大型语言模型（LLMs）及混合 AI–教师模式在实现整体化 PL 目标中的潜在作用。

提出的方法

• 回顾并综合 PL 与 AI 教育文献（自适应学习、ITS 及相关系统）。
• 将 PL 特征映射到 OECD Learning Compass 2030 的目标（AAR、自主性、一般能力）。
• 批判性评估 PL 对绩效和领域特定知识的强调与社会与规范性学习需求之间的取舍。
• 讨论关于 SRL 支架的证据（如 MetaTutor、Betty’s Brain）及其与更广泛能力的相关性。
• 分析 LLM（如 ChatGPT）作为教学代理的潜力及其在协作学习中的作用。
• 提出一个混合模型，在其中 AI 提供支持而非取代由教师主导、协作的 PL。

实验结果

研究问题

• RQ1 当前基于 AI 的个性化学习系统与 OECD Learning Compass 2030 的目标对齐程度如何？
• RQ2 现代教育的哪些关键要素（认知、协作、一般能力、自我调节学习）在 PL 中被低估或缺失？
• RQ3 大型语言模型和混合 AI–教师框架能否解决所识别的差距，以实现整体化的个性化学习？
• RQ4 在整合游戏化与 AI 时需要哪些预防措施，以避免削弱内在动机和自主性？

主要发现

• 自适应 PL 有效支持领域特定知识和学习效率，但往往忽视协作、SRL 和一般能力。
• 当前的 PL 通常强调绩效提升，而非长期学习、自主性或认知参与。
• 领域特定的 PL 和知识图谱方法使学习者局限于现有知识空间，限制创造力与跨领域迁移。
• 自我调节学习支架和开放式学习者模型可以提升自我调节与元认知，但现实世界的 PL 常缺乏这些特性。
• 在精心设计并与教师引导整合时，LLMs 作为教学代理在促进自我调节、反思和协作学习方面显示出潜力。
• 提出一个将 AI 助手与协作、由教师主导的学习相结合的混合模型，以使 PL 与现代教育目标保持一致。