⏶4
SRLAgent：通过游戏化和 LLM 辅助增强自我调节学习技能
发表
由 
Ge Wentao 提交
Ge Wentao 提交作者: Wentao Ge, Yuqing Sun, Ziyan Wang, Haoyue Zheng, Weiyang He, Piaohong Wang, Qianyu Zhu, Benyou Wang
Wentao Ge, Yuqing Sun, Ziyan Wang, Haoyue Zheng, Weiyang He, Piaohong Wang, Qianyu Zhu, Benyou Wang摘要
自我调节学习 (SRL) 对于大学生应对日益增长的学业需求和独立性至关重要。 SRL 技能不足会导致学习习惯混乱、动机低下和时间管理不善，从而削弱学习者在具有挑战性的环境中茁壮成长的能力。通过一项涉及 59 名大学生的形成性研究，我们确定了学生在发展 SRL 技能方面面临的关键挑战，包括在目标设定、时间管理和反思性学习方面的困难。为了解决这些挑战，我们推出了 SRLAgent，这是一个由 LLM 辅助的系统，通过游戏化和来自大型语言模型 (LLM) 的自适应支持来培养 SRL 技能。SRLAgent 以 Zimmerman 的三阶段 SRL 框架为基础，使学生能够在交互式游戏环境中参与目标设定、策略执行和自我反思。该系统提供由 LLM 提供支持的实时反馈和支架，以支持学生的独立学习工作。我们使用受试者间设计评估了 SRLAgent，将其与基线系统（没有 Agent 功能的 SRL）和传统的 multimedia 学习条件进行比较。结果表明，SRLAgent 组的 SRL 技能显着提高（p < .001，Cohens d = 0.234），并且与基线相比，参与度更高。这项工作突出了在游戏化环境中嵌入 SRL 支架和实时 AI 支持的价值，为旨在促进更深层次的学习和元认知技能发展的教育技术提供了设计意义。
摘要
自我调节学习 (SRL) 对于大学生应对日益增长的学业要求和独立性至关重要。 SRL技能不足会导致学习习惯混乱、动机不足和时间管理不善，从而削弱学习者在具有挑战性的环境中茁壮成长的能力。 为了应对这些挑战，我们引入了SRLAgent，这是一个由LLM辅助的系统，通过游戏化和大型语言模型 (LLM) 的自适应支持来培养SRL技能。 SRLAgent 以 Zimmerman 的三阶段 SRL 框架为基础，使学生能够在交互式游戏环境中参与目标设定、策略执行和自我反思。 该系统提供由 LLM 驱动的实时反馈和支架，以支持学生的独立学习工作。 我们使用受试者间设计评估了 SRLAgent，将其与基线系统（没有代理功能的 SRL）和传统的 multimedia 学习条件进行比较。 结果表明，SRLAgent 组的 SRL 技能显着提高 (p < .001, Cohen's d = 0.234)，并且与基线相比，参与度更高。 这项工作突出了在游戏化环境中嵌入 SRL 支架和实时 AI 支持的价值，为旨在促进更深入的学习和元认知技能发展的教育技术提供了设计意义。