类型b：学术报告

作者及机构
本论文由Laura Tubino（澳大利亚迪肯大学）与Chie Adachi（英国伦敦玛丽女王大学）合作完成，发表于2022年悉尼大学主办的ascilite国际会议论文集，标题为《通过AI自动化反馈工具培养反馈素养能力》（”Developing feedback literacy capabilities through an AI automated feedback tool”）。

主题与背景
论文聚焦高等教育领域，探讨人工智能（AI）如何通过自动化反馈工具促进学生反馈素养（feedback literacy）的发展。反馈素养指学生理解、利用并实践反馈的能力，是学习效果和职场竞争力的核心要素（Carless & Boud, 2018）。然而，传统反馈模式受限于教师工作量与学生被动接收的弊端，其效果参差不齐（Hattie, 2008）。AI工具的引入旨在解决这一问题，但现有研究多关注反馈效率，而本文提出AI应更注重培养学生主动处理反馈的能力。

主要观点与论据

1. 反馈素养的理论框架与教育意义
   论文基于Molloy等（2020）提出的学习中心反馈素养框架，将反馈素养分为七个维度：

   • 将反馈视为改进的承诺
     
   • 认识到反馈是主动过程
     
   • 主动获取改进信息
     
   • 处理反馈信息
     
   • 管理情绪反应
     
   • 承认反馈的互惠性
     
   • 将反馈融入学习目标
     这些维度强调学生需从被动接收者转变为反馈的主动参与者。Carless（2020）指出，反馈素养应纳入课程设计，但传统方法会增加教师负担，而AI工具可提供规模化支持。
     

2. AI自动化反馈工具的实践与发现
   论文分析了澳大利亚一所大学与教育科技公司FeedbackFruits合作的试点项目。该AI工具针对学术写作提供微观层面（如语法、标点）的即时反馈，教师可自定义参数，学生自主使用。试点覆盖29门课程、近4000名学生，结果显示：

   • 使用模式：约12%-13%的学生主动使用工具，多为成绩优异者；提交次数以1-3次为主，且多次提交集中在同一天，表明部分学生将反馈视为迭代过程。
     
   • 学生行为：学生通过评分、评论或标记错误与工具互动，体现其对反馈质量的评估能力（Tai et al., 2018），印证了“反馈互惠性”维度。
     
   • 局限性：工具当前仅支持微观层面反馈，且依赖教师初始设置，未能完全激发学生自主性。
     

3. 工具迭代方向与教育设计建议
   作者提出下一代工具应：

   • 学生主导：开放参数设置权，允许学生自主选择反馈目标，强化其能动性。
     
   • 分阶段模板：针对写作不同阶段（如草稿、终稿）提供差异化反馈，帮助学生理解反馈的阶段性作用。
     
   • 课程整合：在学位项目中设置关键节点，结合AI工具设计任务（如要求学生在特定阶段使用工具并展示改进），系统性培养反馈素养。
     

意义与价值
本文的创新性在于将AI工具从“效率工具”重新定义为“素养培养媒介”，并提出具体设计原则。其理论价值在于扩展了反馈素养的实践路径，而应用价值则体现在减轻教师负担的同时，通过技术增强学生的元认知能力。未来研究需进一步验证工具对不同学习阶段学生的普适性，并探索宏微观反馈的结合策略。

亮点
- 理论整合：将Molloy等的学习中心框架与AI教育应用结合，填补了技术赋能反馈素养的研究空白。
- 实证支持：基于大规模试点数据，揭示了高成就学生与反馈主动性的关联性。
- 设计前瞻性：提出的迭代方案（如学生自主权、分阶段模板）为AI教育工具开发提供了新思路。