这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：

基于文本对话式可教学智能体（Teachable Agents）的沟通特征对数学学习的影响：语调风格与表情符号使用

作者及机构
本研究由美国犹他大学教育心理学系的Bailing Lyu、Chenglu Li，佛罗里达大学教学与学习学院的Hai Li和Wanli Xing合作完成，发表于*Journal of Research on Technology in Education*，在线发布于2025年6月3日。

学术背景
随着人工智能（AI）技术在教育领域的渗透，对话式AI（Conversational AI）作为支持学生学习的工具受到广泛关注。然而，现有研究多聚焦于AI作为“导师”或“反馈提供者”的角色，忽视了其在促进学生主动探索和深度参与学习内容方面的潜力。此外，尽管研究表明对话式AI的个性化、互动性和社交临场感（Social Presence）能提升学习效果，但其具体沟通特征（如语调风格和表情符号使用）如何影响学习体验仍不明确。
本研究以建构主义学习理论（Constructivist Learning Theory）为基础，结合“以教促学”（Learning by Teaching）框架，探讨文本对话式可教学智能体的两种沟通特征——语调风格（积极vs中性）和表情符号使用（有vs无）——如何影响中学生的数学学习。研究目标包括：(1) 分析沟通特征对学生与智能体互动行为的影响；(2) 评估这些特征如何预测学生在教学过程中对程序性知识（Procedural Knowledge）和概念性知识（Conceptual Knowledge）的应用；(3) 通过师生访谈揭示其对沟通特征的感知。

研究流程与方法
1. 智能体设计与开发
- 技术架构：基于多智能体框架（Multi-agent Framework）开发，核心组件包括“可教学智能体”（模拟中学生）和“导师智能体”（提供反馈）。采用GPT-4o作为基础模型，结合少样本学习（Few-shot Learning）和思维链提示（Chain-of-thought Prompting）优化对话生成。
- 知识库：通过自定义知识图谱（Knowledge Graph）实现检索增强生成（Retrieval-augmented Generation），确保数学内容的准确性。
- 实验设计：构建四种智能体变体：积极语调+表情符号、积极语调无表情符号、中性语调+表情符号、中性语调无表情符号。表情符号包括面部（😊）、手势（👍）和象征性（🎉）三类。

1. 数据收集

   • 参与者：美国东南部一所中学的409名6-7年级学生，通过Math Nation平台在自然情境下与智能体互动3周，共完成1,830道数学问题，生成13,332条学生消息。
     
   • 实验操控：在问题级别随机分配智能体的沟通特征，确保每个问题仅对应一种沟通风格。
     

2. 数据分析

   • 互动行为编码：采用混合方法（Top-down与Bottom-up结合），将学生消息分为四类：
     
     • 情感表达（如礼貌用语、鼓励）
       
     • 认知支架（如解释、指令）
       
     • 元认知反思（如表达困惑）
       
     • 非响应行为（如无关陈述）
       
   • 知识评估：通过二元编码（0/1）标记学生消息中程序性知识和概念性知识的应用。
     
   • 文本分类：对比六种模型（如BERT、Llama3），最终选用Llama3-8B自动分类互动行为和知识类型（F1=0.95）。
     
   • 访谈分析：对3名教师及其学生进行半结构化访谈，探讨对智能体沟通风格的感知。
     

主要结果
1. 互动行为差异
- 情感表达：表情符号显著增加学生的礼貌用语（p=0.04）；积极语调与表情符号的交互作用影响鼓励行为（p<0.001）。
- 认知支架：中性语调（p=0.01）和无表情符号（p=0.05）促使学生提供更多指令性指导。
- 元认知反思：积极语调下学生更易表达困惑（p=0.02）。
- 非响应行为：中性语调导致更多无关陈述（p=0.03）。

1. 学习效果预测

   • 知识应用：中性语调显著提升概念性（b=−0.08, p=0.03）和程序性知识（b=−0.09, p=0.01）；无表情符号促进概念性知识（b=0.07, p=0.04）。
     
   • 中介效应：学生的解释行为（b=0.34, p<0.001）和指令提供（b=0.17, p<0.001）正向预测知识应用，而困惑（b=−0.05, p=0.01）和无关陈述（b=−0.03, p=0.02）呈负相关。
     

2. 访谈发现

   • 表情符号：多数师生认为其增强沟通清晰度（如“表情符号帮助理解AI的情绪”），但少数学生认为分散注意力。
     
   • 语调风格：积极语调的重复性表扬（如“反复感谢”）可能引发厌烦，而中性语调更利于任务聚焦。
     

结论与价值
1. 理论贡献
- 验证了社交临场感理论（Social Presence Theory）与认知负荷理论（Cognitive Load Theory）的竞争性假设：积极特征增强情感投入，中性特征促进认知深度。
- 拓展了“以教促学”框架中AI代理的设计原则，强调沟通特征需与学习目标匹配。

1. 实践意义
   
   • 教育AI设计：在需要深度认知的任务（如数学问题解决）中，优先采用中性语调和有限表情符号；情感支持场景则可使用积极特征。
     
   • 适应性系统：未来可开发动态调整沟通风格的智能体，结合学习者画像（如数学焦虑水平）个性化交互。
     

研究亮点
1. 方法创新：首次将大语言模型（LLM）与知识图谱结合，构建高保真可教学智能体。
2. 跨学科视角：融合教育心理学、AI和人机交互（HCI）领域，提出“沟通特征-行为-学习”的因果链。
3. 生态效度：通过真实课堂环境的大规模实验（N=409）提升结论普适性。

局限与展望
1. 未直接测量社交临场感或工作记忆负荷，未来可结合生理指标（如眼动）深化机制研究。
2. 语调风格仅对比“积极/中性”，未来可纳入“批判性语调”以激发反思性学习。

此报告全面覆盖了研究的背景、方法、结果与价值，为学术界和教育技术开发者提供了重要参考。