Conversational Agents and Learning Outcomes: An Experimental Investigation
Notice bibliographique
Résumé
Abstract: An experimental approach was used to compare two types of web interfaces (text-based vs. conversation-based) to content on the life and theories of Jean Piaget. The content in each interface was identical with the exception of third- vs. first-person references. Fifty-nine students in psychology first completed a pretest of Piagetian knowledge and then were randomly assigned to one of the two interfaces. After 20 minutes of review/conversation, students completed a 35-item exam designed to measure knowledge retention and a questionnaire to measure their perceptions of the assigned interface. Contrary to expectations, the text-based interface was rated significantly higher on measures of enjoyment and utility and led to better learning outcomes in comparison to the conversational agent. Altogether, the findings indicate that the use of conversational agents in distance education needs to be carefully matched to the learning goals and outcomes. The use of conversational agents in distance education falls under the broader category of pedagogical agents, or the design of computer software that is autonomous, interactive, anthropomorphized, and directed towards educational goals and outcomes The design of pedagogical agents is guided by a number of theoretical frameworks drawn from different disciplines. For example, the work of Graesser and colleagues on AutoTutor, a conversational intelligent tutor system (see Graesser, Wiemer-Hastings, Wiemer-Hastings, Kreuz, & Tutoring Research Group 1999), is based
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».