가이드된 인공지능 교사들이 학생의 장애를 해결하는 방식의 다양성에 대한 조사

학생이 막히면 교사는 도움을 주기 어려운 문제를 맞이하게 된다. 너무 일찍 도움을 주면 생산적인 어려움을 방해할 수 있고, 너무 오랫동안 도움을 주지 않으면 학생은 괴로워하는, 지속적인 교착 상태에 빠지게 된다. (wheel spinning) 생성 AI 교사들이 점점 더 답을 주는 것을 제한하는 경계를 설정하고 있지만, 교사들이 지속적인 교착 상태에 어떻게 행동하는지에 대한 정보는 거의 없다. 우리는 1,260개의 실제 세션에서 20,462개의 학생의 턴을 분석하여, 6,630개의 교착 상태 턴을 식별했다. 교착 상태는 세 가지 주요 유형으로 나뉘어: 개념 오류, 표현된 불확실성, 또는 도움을 요청하는 것. 이러한 교착 상태를 사용하여, 우리는 세 가지 교사 조건을 시뮬레이션하여 AI 교사들이 교착 상태에 어떻게 행동하는지 연구했다. baseline, no-direct-answer, 및 guided tutor. 150개의 교착 상태 샘플을 분석한 결과, prompt specificity는 교과서의 변화를 일으켰다: baseline 교사는 50.7%의 경우에 직접적으로 답을 주었고, no-direct-answer 교사는 항상 추가 질문을 물었고, guided tutor는 상황에 따라 다양한 방식으로 대답했다. 실제 상호 작용에서, 우리는 각 추가적인 교착 상태 턴이 다음 턴 회복의 기회를 12.7% 낮추는 것을 발견했다 (AOR = 0.873, p < .001), 그리고 조기 탈락자는 실행에 도달하기 전에 재귀적 개념 추출에 빠져들었다. 질문의 유익성이 지속되는 교착 상태에 따라 감소했는데 (scripted question x depth AOR = 0.78; follow-up x depth AOR = 0.83), 오류를 바로잡는 것이 더 유익해졌다 (AOR = 1.14); scripted 질문이 실패한 후 다시 반복하는 경우, 회복은 28.1%의 경우에 이뤄졌고, 오류를 바로잡는 경우에는 39.8%의 경우에 이뤄졌�다. 학습 분석에 이 발견들은 교착 상태의 깊이와 유형을 관찰할 수 있는, 턴 수준 대화 신호로, 분석이 실시간으로 조기에 도움을 주는 graduated, state-sensitive assistance를 트리거할 수 있다.