Дифференцированное взаимодействие с генеративным искусственным интеллектом в высшем образовании: гендер, мотивация и траектории учебных достижений
Differential engagement with generative artificial intelligence in higher education: Gender, motivation, and achievement trajectories
2026-07-30
SCID: 54.1/jz2g9zs8
Discuss with AI
Автономная мотивацияГенеративный искусственный интеллектВысшее образованиеГенерация с дополненной выборкойНулевая инфляция отрицательно-биномиального распределения
Figures from the paper
Abstract (AI)
Это исследование выходит за рамки вопроса о том, улучшает ли генеративный искусственный интеллект (GenAI) обучение, и рассматривает, кто взаимодействует с ним, как именно это происходит и какие вопросы задаются. Мы изучили, как аспиранты использовали чат-бота на основе архитектуры Retrieval-Augmented Generation (RAG) для поддержки изучения статистики, а также как модели взаимодействия были связаны с характеристиками обучающихся, мотивацией и академическим прогрессом. На основе 2819 запросов к чат-боту в течение семестра, показателей мотивации и данных об успеваемости 97 студентов мы смоделировали взаимодействие с использованием модели отрицательной биномиальной регрессии с избытком нулей (ZINB) и выявили профили прироста успеваемости посредством кластеризации методом k-средних. Более четверти студентов вообще не использовали чат-бота, что указывает на значимую неучастность. Частота взаимодействия определялась различиями между обучающимися: студентки, обучающиеся с более выраженной автономной мотивацией, меньшими исходными знаниями и более высокой успеваемостью по курсу взаимодействовали чаще, тогда как более успешные студенты с меньшей вероятностью полностью отказывались от использования чат-бота. Важно, что взаимодействие определялось не только частотой, но и качеством и разнообразием запросов. Студенты группы «достигающие прогресса» (начинавшие с более низких результатов, но продемонстрировавшие значительный прирост успеваемости) задавали более разнообразные вопросы концептуальной направленности. Напротив, студенты группы «снижающих результаты» взаимодействовали с чат-ботом минимально и сосредоточивались на более узких процедурных вопросах, несмотря на более высокий исходный уровень знаний. Эти результаты показывают, что инструменты GenAI функционируют по-разному для различных подгрупп обучающихся и могут либо усиливать учебный прогресс, либо оставаться недостаточно востребованными в зависимости от траекторий мотивации и достижений. Наблюдаемая вариативность профилей взаимодействия студентов указывает на то, что эффективность интеграции ИИ зависит от перехода от единообразного технологического доступа к стратегиям, уделяющим приоритетное внимание автономной мотивации и обеспечивающим поэтапную поддержку с помощью ИИ, ориентированную на освоение концепций и адаптированную к индивидуальным траекториям обучающихся. Такая поддержка необходима для того, чтобы…
Key Findings
1
Женщины, студенты с более высокой автономной мотивацией, меньшими исходными знаниями и более высокой успеваемостью взаимодействовали с чат-ботом чаще.
2
Эффективность GenAI различалась между подгруппами учащихся, что поддерживает мотивационно чувствительное и адаптированное к траектории обучение вместо единообразного предоставления технологий.
3
Студенты с растущими достижениями задавали более разнообразные и концептуально ориентированные вопросы, тогда как студенты со снижающейся успеваемостью использовали чат-бот минимально и задавали более узкие процедурные вопросы.
4
Более четверти студентов не использовали GenAI-чат-бот, что свидетельствует о значительном неучастии даже при наличии доступа.
5
В исследовании проанализированы 2819 запросов 97 магистрантов к чат-боту на основе архитектуры Retrieval-Augmented Generation при изучении статистики.
Research Object
использование аспирантами чат-бота на основе архитектуры Retrieval-Augmented Generation (RAG) для изучения статистики
Research Subject
модели взаимодействия, качество и разнообразие запросов, а также их связь с гендером, мотивацией, исходными знаниями и траекториями академической успеваемости
Publication Details
Publication Date
2026-07-30
Journal
Publisher
ISSN
Cited by
3
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai6
Три подхода к качественному контент-анализу2005
«Что» и «почему» стремлений к целям: человеческие потребности и самодетерминация поведения2000
Генерация с дополнением извлечённой информацией для больших языковых моделей: обзор2023
Вопросы учащихся: потенциальный ресурс для преподавания и изучения естественных наук2008
Гендерные различия в использовании чат-ботов на основе генеративного искусственного интеллекта в высшем образовании: характеристики и последствия2024
Оценка качества извлечения в системах генерации с дополненным извлечением2024