Дизайн-ориентированные исследования

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Дизайн-ориентированные исследования (DBR) — методологический подход, который итеративно проектирует, внедряет и совершенствует образовательное вмешательство в аутентичных контекстах, циклически проходя между теорией, дизайном и реальной практикой, чтобы произвести и пригодный к использованию артефакт, и валидированные принципы дизайна. В AI in education DBR — метод выбора для разработки обучающих сред на базе ИИ, pedagogical моделей и программ подготовки преподавателей, которые должны работать в беспорядочной реальности учебных аудиторий, — обменивая причинный контроль experiments на экологическую аутентичность и итеративное совершенствование.

Вопросы для размышления

Дизайн-ориентированные исследования итеративно проектируют, внедряют и совершенствуют вмешательство в реальных аудиториях, циклически проходя между теорией и практикой. Чем это принципиально отличается от контролируемого эксперимента — и почему исследователь аудитории может предпочесть его?
DBR сознательно обменивает причинный контроль на экологическую аутентичность. Если вы не можете сказать наверняка, ЧТО вызвало прирост в обучении, что всё ещё стоит этих знаний?
DBR производит две вещи одновременно: пригодный к использованию артефакт и валидированные принципы дизайна. Какой из этих двух результатов важнее для вас — работающий инструмент или принцип, который можно применить в другом месте?
Сильная сторона DBR — высокая практическая релевантность; ограничение — результаты привязаны к контексту и с трудом обобщаются. Когда вы доверились бы результату DBR настолько, чтобы применить его в очень другой обстановке?
Без неассистированной, контролируемой меры результата приросты в обучении, наблюдаемые в DBR, могут отражать ту же проблему «ИИ-завышенной производительности», которую они изучают. Как бы вы спроектировали исследование DBR, чтобы его фиксируемые приросты действительно означали обучение, а не производительность с помощью ИИ?

Введение

DBR — это традиция дизайна, а не традиция данных: она не укладывается аккуратно в контраст quantitative/qualitative/экспериментальный. Она сознательно сочетает элементы всех трёх — собирая и данные результата, и данные процесса по итеративным циклам, — чтобы ответить на вопрос «как нам спроектировать эту обучающую среду на базе ИИ, чтобы она работала на практике?», а не на вопрос «вызывает ли X следствие Y?». Она тесно связана с Дизайн обучения (который специфицирует процесс дизайна) и с usability evaluation (которая питает совершенствование), но отличается своим устойчивым, управляемым теорией, многоцикловым характером и двойственной целью улучшения практики и генерации теории.

Цикл DBR

DBR — это не единичный дизайн, а итеративный цикл, обычно включающий:

Анализ потребностей — понимание проблемы, контекста и учащихся в аутентичных условиях.
Дизайн — формулирование вмешательства и лежащего в его основе теоретического обоснования.
Внедрение — развёртывание вмешательства в реальной аудитории или программе.
Совершенствование — анализ данных, пересмотр дизайна и итерирование (часто по нескольким циклам).
Результат в виде теории и артефакта — производство и пригодного к использованию вмешательства, и обобщаемых принципов дизайна или валидированной модели.

Канонический пример в AIEd — исследование AI-Assisted Collaborative Learning (AACL) Model study, которое провело четырёхфазный цикл DBR — анализ потребностей, проектирование модели, восьминедельное внедрение в аудитории с индонезийскими студентами старших курсов и совершенствование модели, — итерируя по четырёхстадийному циклу обучения (идентификация проблемы → ассистированное ИИ collaborative исследование → коллаборативное Решение задач → рефлексия и презентация).

Как DBR появляется в базе знаний

Разработка обучающих моделей. Исследование The AACL Model study использует DBR для разработки и оценки модели ассистированного ИИ коллаборативного обучения, нацеленной на critical thinking и решение проблем в higher education.
Создание подготовки преподавателей по ИИ-грамотности. Le et al. разрабатывают и оценивают вмешательство в виде обучения грамотности в GenAI на основе DBR для студентов Профессиональное развитие преподавателей программ; Baran et al. используют DBR в 2023–2025 для проектирования профессионального обучения критической AI literacy, опирающейся на принципы Human-Centered AI.
Проектирование institutional стандартов. Crompton et al. используют DBR в двух итеративных макроциклах со 114 участниками для разработки шести стандартов технологической интеграции преподавателей.
Итеративное внедрение систем. Rienties et al. описывают шесть итеративных исследований DBR (18 месяцев, 498 участников), внедряющих ИИ-ассистента Открытого университета AIDA с использованием подхода встроенных систем.
Скаффолдинг и проектирование вмешательств. GenAI critical-thinking scaffolding и другие исследования разработки вмешательств используют DBR для проектирования и совершенствования скаффолдингов на базе ИИ.
curriculum design под руководством молодёжи и экспертов. Moore et al. (2026) используют двухлетний процесс DBR с консультативным советом из молодёжи и экспертов по ИИ для проектирования интегрированного с наукой учебного плана по AI literacy / машинному обучению для старшей школы, совершенствуя дизайн по когортам и измеряя приросты знаний о машинном обучении, — пример DBR как партисипативного со-проектирования, интегрирующего голос молодёжи в цикл дизайна.
Итеративное со-совершенствование рубрики как DBR. Yaşar et al. (2026) демонстрируют итеративно-совершенствующий характер DBR, применённый к самому инструменту оценивания: они рассматривали рубрику как ревизуемый артефакт дизайна и прошли через со-совершенствование с LLM — уточняя дескрипторы исполнения и явно принимая имплицитные индикаторы обучения, — что повысило согласие LLM и человека на 80 студенческих плакатах по дизайну с 54,75% до 81,25% (альфа Кронбаха 0,393 → 0,798). Исследование позиционирует рубрику как медиирующий интерфейс между человеческим педагогическим намерением и машинным выводом, и его чувствительная к роли prompting (преподаватель, рецензент, рецензент грантов) показывает, как выборы дизайна формируют оценочную выдачу, — демонстрация в стиле DBR того, что инструмент оценивания, а не только вмешательство, является объектом дизайна.
Со-проектирование ИИ-грамотности для детей раннего возраста. Lee (2026) использует DBR для со-проектирования, пилотирования и совершенствования учебного плана Play With AI (PL-AI) по итеративным циклам с двумя преподавателями дошкольных групп и двумя преподавателями детского сада, опираясь на опросы преподавателей, 32 часа видео из аудиторий, полевые заметки и транскрипты дизайн-встреч. Исследование документирует, как DBR поддерживает итеративное совершенствование развивающе-соответственных активностей по ИИ-грамотности, и даёт переносимые принципы дизайна (embodied игра, осязаемое программирование, направляемый диалог, со-дизайн с преподавателем).
Экспертная рецензия как свидетельство совершенствования — и честное заявление о границах. Dong et al. (2026) представляют свой начальный четырёхтрековый учебный план по робототехнике пяти экспертам, которые оценивают его по восьми измерениям, а затем пересматривают в ответ: независимая реализация PPO переносится в расширенный блок, а пререквизит по Python добавляется после того, как четверо из пяти экспертов отмечают когнитивную нагрузку. Разброс двигает пересмотрами не меньше, чем средние, — мотивирующий контекст в среднем 4,00 с SD = 1,73 и единственной оценкой 1/5, — и авторы прямо заявляют, что пересмотренный фреймворк остаётся неоценённым до появления данных по студентам.
Триангуляция и граница, которую она не может пересечь. Kenzhebayeva et al. (2026) проводят модель ротации ролей через пять фаз DBR — анализ проблемы, педагогический дизайн, внедрение, оценивание, совершенствование — в течение восьми недель с 62 участниками, триангулируя рефлексивные журналы, интервью, наблюдательные заметки и продукты, созданные студентами, с проверкой со стороны участников. Урок дизайна в том, что авторы утверждают о нём: без пред-пост меры компетентности и без сравнительной группы они представляют свидетельства как вовлечённость во время вмешательства, а не как продемонстрированные приросты компетентности, что и есть та самая граница, которую многоисточниковый дизайн DBR может и не может пересечь.

Сильные стороны и ограничения

Сильные стороны: высокая экологическая валидность и практическая релевантность; производит и пригодные к использованию артефакты, и теорию; отзывчива к сложности реальных аудиторий и эволюционирующих ИИ-инструментов; хорошо подходит для разработки модели и её совершенствования на основе свидетельств аутентичного внедрения; фиксирует, как вмешательство на самом деле работает (или терпит неудачу) на практике.
Ограничения: слабая внутренняя валидность (мало/нет контрольных групп); результаты привязаны к контексту и с трудом обобщаются; длинные сроки; трудно изолировать, какой элемент дизайна вызвал результат, — DBR демонстрирует осуществимость и улучшение, но не может отнести приросты в обучении к конкретному механизму.

DBR обменивает причинный контроль experiments на экологическую аутентичность и итеративное совершенствование: её свидетельства сильнее всего как доказательство концепции и руководство по дизайну, а не как причинная эффективность. Чтение приростов в обучении в DBR требует той же caution, что и другие дизайны, — без неассистированной, контролируемой меры результата приросты могут отражать тот же конфаундер ИИ-завышенной производительности, задокументированный в разделе про learning gains.

Отношение к другим методам

DBR — подписной метод learning sciences — междисциплинарной области, изучающей обучение и дизайн обучающих сред и рассматривающей построение вмешательства и его изучение как единую деятельность, а не две. Она дополняет, а не соперничает с другими методами исследования (см. Методы исследования в AIED для полной картины). Там, где experiments устанавливают причинность, а surveys устанавливают широту, DBR устанавливает осуществимость и знание о дизайне — можно ли построить вмешательство, работающее в аутентичной практике, и какие принципы дизайна его поддерживают. Она часто сочетается с usability evaluation (для совершенствования интерфейса) и qualitative methods (чтобы понять, как учащиеся переживают вмешательство). Зрелая программа DBR обычно culminates в efficacy trial или исследовании measurement, которое проверяет причинные эффекты разработанного вмешательства в масштабе.

Связанные концепции

Связанные статьи

Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — DBR for an AI-Assisted Collaborative Learning Model
Development and evaluation of artificial intelligence literacy training for teacher education students — DBR for AI-literacy training in teacher education
Designing faculty standards for technology integration in higher education institutions: a design-based research study — DBR for faculty technology-integration standards
Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — Human-centered AI for teacher educators (DBR)
New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Six DBR studies implementing AIDA at the Open University
Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — DBR for GenAI critical-thinking scaffolding
Design of a Science-Integrated Secondary School AI Literacy Curriculum: A Youth & AI Expert Guided Design-Based Research Approach — DBR for a science-integrated AI literacy curriculum (Moore et al. 2026)
Play With AI (PL-AI): A Play-Centered, Design-Based Curriculum for AI Literacy in Pre-K and Kindergarten — Play With AI (PL-AI): play-centered AI literacy curriculum for pre-K and kindergarten (Lee 2026)
From evaluation to emulation: LLMs as agents of iterative pedagogical design — LLMs as agents of iterative pedagogical design

Метаданные

Дизайн исследования	Literature Review
Методы исследований и оценка	Дизайн-ориентированные исследования, Методы исследования в AIED

Source History Edit Chat