在一项试验中，受训教师被教导识别有潜在学习困难的学生，他们的工作被人工智能“标记”，发现这种方法显着提高了他们的推理能力。

这项研究由剑桥大学和 Ludwig-Maximilians-Universität München(慕尼黑大学)的学者领导的研究小组在德国有 178名实习教师进行。它提供了一些初步证据，表明人工智能(AI) 可以增强教师的“诊断推理”：收集和评估有关学生的证据的能力，并得出适当的结论，以便为他们提供量身定制的支持。

在试验期间，受训者被要求评估六个虚构的“模拟”学生，这些学生有潜在的学习困难。他们获得了他们的功课示例，以及其他信息，例如行为记录和与父母的对话记录。然后，他们必须确定每个学生是否有学习困难，例如阅读障碍或注意力缺陷多动障碍 (ADHD)，并解释他们的推理。

提交答案后，一半的受训者立即收到由合格专业人员预先编写的原型“专家解决方案”，以与他们自己的进行比较。这是学生教师通常在课外接受的典型练习材料。其他人收到了人工智能生成的反馈，这些反馈突出了他们解决方案的正确部分，并标记了他们可能改进的方面。

在完成六项准备练习后，学员随后进行了两次类似的后续测试——这次没有任何反馈。研究人员对测试进行评分，他们评估了他们的“诊断准确性”(受训者是否正确识别了阅读障碍或多动症病例)和他们的诊断推理：他们如何利用现有证据做出判断。

在六次初步练习中收到 AI 反馈的学员的诊断推理平均分数估计比使用预先编写的专家解决方案的学员高 10 个百分点。

其原因可能是人工智能的“自适应”特性。因为它分析了实习教师自己的工作，而不是要求他们与专家版本进行比较，研究人员认为反馈更清晰。因此，没有证据表明这种类型的人工智能会改善来自人类导师或高质量导师的一对一反馈，但研究人员指出，受训教师并不总是能够随时获得这种密切支持以进行重复练习，尤其是那些在较大课程上的练习。

该研究是剑桥大学战略合作伙伴关系研究项目的一部分。该人工智能是在达姆施塔特技术大学的一个团队的支持下开发的。

剑桥大学教育学院副教授 Riikka Hofmann 说：“教师在识别学生的障碍和学习困难的迹象并将他们转诊给专家方面发挥着关键作用。不幸的是，他们中的许多人也觉得他们有没有足够的机会练习这些技能。德语课程的个性化指导学员教师的水平与英国不同，但在这两种情况下，人工智能都有可能提供额外水平的个性化反馈，以帮助他们发展这些基本能力。”

来自慕尼黑大学的 Michael Sailer 博士说：“显然，我们并不是在争论人工智能应该取代教师教育：新教师首先仍然需要专家指导如何识别学习困难。然而，人工智能似乎确实- 生成的反馈帮助这些受训者专注于他们真正需要学习的内容。如果个人反馈不容易获得，它可能是一个有效的替代品。

该研究使用了自然语言处理系统：一种人工神经网络，能够分析人类语言并在受训者的文本中发现某些短语、想法、假设或评估。

它是根据早期职前教师对类似练习的反应创建的。通过对这些响应进行分段和编码，团队“训练”了系统以识别受训人员在试验期间提供的解决方案中是否存在关键点。然后，系统选择预先编写的文本块，为参与者提供适当的反馈。

在准备练习和后续任务中，试验参与者要么被要求单独工作，要么被分配到随机选择的配对中。那些在准备练习中独自工作并获得专家解决方案的人在后续任务中的诊断推理平均得分为 33%。相比之下，收到人工智能反馈的人得分为 43%。同样，如果获得专家解决方案，结对工作的学员的平均得分为 35%，但如果获得 AI 的支持，则为 45%。

使用人工智能进行训练似乎对他们正确诊断模拟学生的能力没有重大影响。相反，它似乎通过帮助教师切断他们被要求阅读的各种信息来源，并提供潜在学习困难的具体证据而有所作为。这是大多数教师在课堂上实际需要的主要技能：诊断学生的任务落在了特殊教育教师、学校心理学家和医疗专业人员身上。教师需要能够将他们的观察结果传达给他们有疑虑的专家，以帮助学生获得适当的支持。

人工智能在多大程度上可以更广泛地用于支持教师的推理能力仍然是一个悬而未决的问题，但研究团队希望进行进一步的研究，以探索使其在这种情况下有效的机制，并评估这种更广泛的潜力。

慕尼黑大学教育与教育心理学教授 Frank Fischer 说：“在教师培训或医学教育等领域相当普遍的大型培训项目中，使用人工智能支持基于模拟的学习可能具有真正的价值。开发和为此目的实施复杂的自然语言处理工具需要时间和精力，但如果它有助于提高未来专业人士的推理能力，那么它很可能值得投资。”

该研究发表在《学习与教学》上。