Google DeepMind 引导学习 AI 在塞拉利昂的试验

Google DeepMind 在塞拉利昂进行了一项预登记试验，表明 AI 可以作为强大的教学伙伴，在不取代教育者的情况下扩大教师的覆盖范围。研究发现，使用引导学习的学生在数学成绩上取得了显著进步，有些学生在八周内相当于获得了 1.2 到 2.5 年的典型学习进步。

可量化的学习收获和学生参与度

使用引导学习的学生在数学成绩上相比对照组提高了 +0.258 个标准差，相当于大约 1.2 到 1.7 年的典型学习进步。在教师将 Gemini 融入大约一半课程以达到试验期间 12 小时使用目标的课堂中，影响最为显著；这些学生的进步相当于大约 1.8 到 2.5 年。

虽然自愿使用的教育技术常常受到 “The Five Percent Problem” 的影响（通常只有 5% 的学生参与），但在此次试验中，69% 的学生达到了或超过了使用目标。这种高参与度伴随着学生自我报告的数学乐趣增加。

教学方法：优先考虑理解而非答案

引导学习建立在 LearnLM 研究之上，专门调整以优先考虑概念理解而非直接给出答案。这种 “苏格拉底” 互动模式确保学生进行学习所需的认知努力。

对试验期间超过 113,000 次互动的分析揭示了以下内容：

• 概念理解： 学生在 91.4% 的对话中使用该工具来建立理解。
• 支架式提示： Gemini 在 76% 的消息中以支架式提示进行回应。
• 直接解答： Gemini 仅在 2% 的情况下提供直接解答。

在试验过程中，学生行为转向技能培养。技能培养类查询从第一周的 68% 增加到最后一周的 90%，而寻求解答的查询则从 25% 下降到 10%。

教师在 AI 集成中的作用

该试验被设计为教师主导的干预措施，教育者始终是体验的核心。教师设计课程、设定目标并促进课堂讨论。

除了对学生的影响外，教师报告了专业成长，他们使用 Gemini 进行备课，并发现解释分数等复杂主题的新方法。这使得教师的角色从 “讲授者” 转变为 “促进者”，使他们能够为学生配对提供有针对性的支持，帮助他们在学习旅程中前进。

为了支持这些项目的规模化，Google DeepMind 已与 Fab AI 合作发布了一份教师培训指南。

局限性和未来研究

尽管总体成功，试验凸显了持续的 “成就差距”：初始数学技能较强的学生受益最大。这表明需要提供更大收益的工具，以帮助最需要支持的学生。

Google DeepMind 正通过额外的预登记随机对照试验（RCTs）将这些试验扩展到其他国家，并与全球 AI 学习联盟（GAILA）合作。为了促进开放科学，他们与 Fab AI 合作发布了关于其 RCT 方法的手册，以帮助其他组织开展可规模化、本地化的研究。未来研究将探索元认知和关系智能，以捕捉学习过程的更全面视角。