《LEARNING AND INDIVIDUAL DIFFERENCES》：Using artificial intelligence to support self-regulated learning: A systematic review of empirical research
编辑推荐：
人工智能支持自我调节学习的系统综述与框架构建。该研究通过PRISMA指南系统回顾25项实证研究，发现AI技术（如智能辅导系统、自适应学习平台等）在促进学习目标设定、过程监控和策略调整方面具有潜力，但存在准确率低、数据追踪隐私等问题。提出包含学习者（计划、执行、反思、迭代）和教学者（AI素养培养、教学融合等）两层的AI-SRL框架，为教育技术发展提供新方向。
作者：Meina Zhu 和 Annisa R. Sari
研究领域：学习设计和技术；美国密歇根州底特律韦恩州立大学人工智能与数据科学研究所
摘要
鉴于自我调节学习（SRL）需求的不断增加以及人工智能（AI）的快速发展，本研究对25篇关于利用AI支持SRL的实证研究进行了系统回顾。这些研究概述了AI在SRL中的应用现状。所回顾的研究采用了多种AI技术，如聊天机器人、智能辅导系统、自适应学习系统、电子书和教育游戏，并应用于SRL的不同阶段和方式。然而，研究也揭示了使用AI促进SRL时存在的一些局限性和问题（例如准确性、行为追踪、适应性、AI素养以及潜在的负面影响）。基于这些发现，我们提出了一个AI-SRL概念框架，该框架包含两个层面：学习者层面（包括预先思考、表现、自我反思和迭代）和教师层面（包括提供AI素养、将AI融入学习活动、提供持续支持、监控和衡量进展以及不断改进）。这一框架是一个初步版本，具有进一步发展的潜力。
研究亮点
教育相关性声明
本研究探讨了人工智能（AI）与自我调节学习（SRL）之间的关键交叉点，揭示了AI技术如何支持学习者的SRL。通过综合实证证据，研究指出了当前AI在SRL应用中的优势和局限性，强调了AI素养和教学整合的重要性。所提出的AI-SRL概念框架为教育工作者提供了理论基础。
自我调节学习
自我调节学习是指学习者通过设定目标、跟踪自身学习进展，并根据需要调整计划和方法来管理自己的学习过程（Zhao & Johnson, 2012）。这一过程涉及高度的元认知能力，学习者需要规划、监控并评估自己的理解和表现（Stebner et al., 2022）。SRL对学术成功至关重要，因为它鼓励学生积极参与学习，从而提高学习动机和参与度（Karlen &
研究方法
本系统回顾遵循了《系统评价和元分析首选报告项目》（PRISMA）指南（Page et al., 2021）中规定的原则。后续部分将详细说明本研究采用的系统回顾程序。我们遵循了系统评价的期刊透明度标准，报告了研究问题、文献搜索方法、所有纳入和排除的研究、所有编码信息以及所进行的所有分析。
期刊发表趋势
在回顾的文章中，自2008年以来，关注利用AI促进SRL的文章数量有所增加（共1篇），尤其是在2023年之后。在研究的25篇文章中，有11篇发表于2023年，8篇发表于2024年4月之前，这些文章分布在16种不同的期刊上。主要发表在《英国教育技术杂志》（6篇）、《交互式学习环境》（2篇）、《国际高等教育教育技术杂志》（2篇）和《Frontiers》等期刊上。
利用AI支持自我调节学习
所回顾的研究展示了多种利用AI支持SRL的方法，但这些方法反映了不同的技术时代。早期的研究（如2008-2013年）主要关注基于规则的系统或分析驱动的系统，例如智能辅导系统（ITS）、自适应学习平台以及增强型学习管理系统（Leelawong & Biswas, 2008）。这些系统通常依赖于预定义的学习者模型、结构化的任务环境和算法反馈循环。
局限性与未来研究方向
本研究全面总结了AI在支持不同教育参与者（包括学生和教育工作者）的SRL策略中的潜在应用。然而，像所有研究一样，本研究也存在局限性。因此，我们提出了未来研究的建议，以进一步深入理解AI在SRL中的作用。值得注意的是，本研究仅考虑了来自三个数据库（Web of Science、SCOPUS和Eric）的英文文章。
结论
研究人员发现了AI在K-12教育和高等教育环境中增强SRL的多种途径。该领域的研究趋势正在上升，反映了当前对AI在教育中应用的关注。AI有潜力通过提供个性化学习体验、创新且有趣的教学方法以及支持教师进行课堂干预来改变学习和教学过程。本综述对当前的相关研究进行了全面总结。
作者贡献声明
Meina Zhu：负责撰写综述与编辑、初稿撰写、数据可视化、验证、项目监督、资源整理、方法论设计、数据分析、概念构建。
Annisa R. Sari：负责撰写综述与编辑、初稿撰写、数据分析、方法论设计、数据分析。
