Фреймворк ICAP

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Фреймворк ICAP (Interactive–Constructive–Active–Passive) — таксономия когнитивного вовлечения, разработанная Микелин Чи (Michelene Chi), которая классифицирует поведение учащегося по четырём режимам изменения знаний, упорядоченным от наименее к наиболее когнитивно вовлечённому: пассивный, активный, конструктивный и интерактивный. В контексте ИИ в образовании ICAP задаёт и цель проектирования (создавать инструменты, которые вызывают конструктивное и интерактивное вовлечение, а не пассивное потребление), и оптику оценивания (измерять, действительно ли учащиеся и ИИ-системы вовлечены на более высоких уровнях).(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Вопросы для размышления

Вспомните, когда вы последний раз «учились» чему-то, посмотрев видео или прочитав текст. Фреймворк ICAP назвал бы это пассивным вовлечением. Что вы действительно удерживаете от пассивного воздействия по сравнению с объяснением этого кому-то другому?
ICAP упорядочивает вовлечение от пассивного к активному, конструктивному и интерактивному. На каком уровне обычно удерживают учащегося использованные вами ИИ-инструменты — и можно ли считать прохождение адаптивной практики нажатиями настоящим вовлечением или это просто активность?
На странице утверждается, что наиболее значимый сдвиг — переход от Активного к Конструктивному: порождение объяснений или новых артефактов вместо простого применения знаний. Почему создание чего-то нового может оказаться тем шагом, который действительно меняет понимание?
В одном исследовании эксперты-люди значительно превосходили модели ИИ при разметке уровней вовлечения. Если автоматические системы систематически занижают вовлечение, как следует относиться к метрикам «вовлечения», генерируемым ИИ?
ICAP показывает, что инструмент, который отвечает за вас, удерживает вас в пассивном режиме, тогда как инструмент, который подсказывает и задаёт вопросы, подталкивает вас к конструктивному и интерактивному вовлечению. Какой выбор в проектировании вы бы сделали для своих учащихся?
Фреймворк используется и как цель проектирования, и как оптика оценивания. Как вы могли бы применять ICAP в собственном преподавании или проектировании, чтобы понять, действительно ли учащиеся вовлечены, а не просто активны?

Введение

ICAP опирается на допущение, что то, что делают учащиеся, определяет, сколько и чему они учатся. Фреймворк Чи постулирует, что по мере перехода вовлечения от пассивного к активному, конструктивному и интерактивному характер изменения знаний углубляется — от хранения к вниманию, к интеграции новых знаний с prior knowledge, к co-creation знаний в диалоге. Это делает ICAP мощным аналитическим инструментом для ИИ в образовании, где центральный вопрос проектирования — поддерживает или вытесняет ИИ-помощь когнитивное вовлечение учащихся.

Четыре режима

Режим	Поведение учащегося	Характер изменения знаний
Интерактивный	Диалог с другим учащимся или агентом, совместное конструирование смысла; напр. защита позиции, совместное решение задач	Создание новых знаний через совместную, обоюдную деятельность
Конструктивный	Порождение нового результата за пределами заданного; напр. самообъяснение, сравнение, рефлексия, рисование	Интеграция новой информации с prior knowledge для создания нового понимания
Активный	Манипулирование материалом или действие с ним; напр. конспектирование, подчёркивание, остановка на размышление	Внимание к информации и её хранение, иногда без глубокой интеграции
Пассивный	Получение информации без явного действия; напр. слушание лекции, чтение	Хранение информации с ограниченной дальнейшей обработкой

ICAP в ИИ в образовании

Цель проектирования для ИИ-инструментов

ICAP переформулирует центральный вопрос проектирования для ИИ в образовании: инструмент ИИ, который отвечает за учащегося, удерживает его в пассивном/активном режимах, тогда как инструмент, который подсказывает, задаёт вопросы и оказывает опору, может подтолкнуть учащихся к конструктивному и интерактивному вовлечению. Это согласует ICAP с педагогикой Конструктивизм и с исследованиями Активное обучение.(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

Оптика оценивания для ИИ-агентов

ICAP также служит измерительным фреймворком. В одном исследовании учёные расширили ICAP до 7-балльной шкалы, чтобы охарактеризовать когнитивное вовлечение в совместном диалоге, затем сравнили обученных экспертов-людей с разметкой на основе LLM (in-context learning, zero-shot prompting и reflective agents). Надёжность согласованности между людьми (kappa = 0.906–0.998) значительно превысила разметку LLM (kappa = 0.541–0.609), что подчёркивает роль ICAP — и текущие пределы — в автоматизированном измерении вовлечения для конвейеров Аналитика обучения.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Направление фасилитации совместного диалога

Поскольку интерактивное вовлечение — высший режим ICAP, фреймворк помогает определить ценность ИИ-фасилитации в онлайн-совместном обсуждении. Исследования тайминга фасилитации LLM показывают, что когда ИИ вмешивается в обсуждение, определяет, поддерживает ли он или прерывает интерактивное co-construction знаний — осторожность в духе ICAP о том, что автономным агентам-модераторам нужна калибровка в сторону человеческой сдержанности, а не чрезмерно усердной фасилитации.

ICAP и проектирование learning analytics

ICAP лежит в основе критики поверхностных метрик «вовлечения»: взаимодействие с дашбордом путём нажатия на фильтры — это активное, а не интерактивное вовлечение. Эффективные проекты learning analytics вызывают самооценивание и двусторонний диалог, а не просто отображают данные — следствие, выведенное непосредственно из фреймворка Чи.(Interactive learning dashboards: rethinking learning visualisations as engagement tools)

Переход Активный→Конструктивный как ключевой шаг

Хотя ICAP описывает иерархию, наиболее значимый для обучения сдвиг — это переход от режима Активный к режиму Конструктивный (Chi & Boucher, 2023). Активное вовлечение (применение знаний к похожим, но не идентичным сценариям) подготавливает учащихся, но именно конструктивное вовлечение — порождение объяснений, резюме или новых артефактов — позволяет им создавать новые знания. Это суть для ИИ в образовании: инструмент, который удерживает учащихся в Активном режиме (например, прохождение адаптивной практики нажатиями), может выглядеть продуктивным, но никогда не подталкивает их к конструктивному порождению, дающему устойчивое понимание. Совместные и ориентированные на грамотность интервенции, которые целенаправленно выстраивают опору для прыжка Активный→Конструктивный, как правило, демонстрируют наибольший прирост.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

ICAP как сигнал адаптивного скаффолдинга в ITS

Режимы ICAP могут быть операционализированы как целевые состояния, среди которых адаптивный тьютор выбирает, чтобы выстроить опору для когнитивного вовлечения на основе развивающейся модели студента. В ITS для логики Dey Tithi et al. динамически выбирали между Активным режимом «Руководство» с разобранными примерами и Конструктивным режимом примеров «Ошибочных». Сравнивая Bayesian Knowledge Tracing (BKT) с Deep Reinforcement Learning (DRL) и неадаптивным базовым уровнем на выборке из 113 студентов, обе адаптивные политики улучшили результаты посттеста — но по-разному: BKT дал наибольший прирост студентам с низким уровнем prior knowledge (помогая им догнать), тогда как DRL дал наивысшие результаты посттеста среди студентов с высоким уровнем prior knowledge. Это конкретная демонстрация того, что эффективная персонализация режима ICAP интеллектуального тьютора зависит от моделирования текущих знаний учащегося — и что ни один режим или адаптивный метод не подходит каждому учащемуся. Это связывает иерархию ICAP непосредственно с проектированием Адаптивное обучение и Трассирование знаний.

ICAP как модель когнитивного состояния для генерации человекоподобных агентов

Помимо выбора режимов задач, ICAP был встроен непосредственно в когнитивную модель генеративного образовательного агента. CogEvolution строит «перцептрон когнитивной глубины» на основе ICAP, который отображает входные данные в распределение вероятностей по четырём уровням ICAP, объединяя это с обновлениями состояния по эволюционному образцу и извлечением памяти на основе теории item response для симуляции когнитивной эволюции студента (включая переходы, такие как замешательство → озарение). Абляции показывают, что удаление модуля восприятия ICAP разрушает способность агента различать поверхностное и глубокое обучение — свидетельство того, что таксономия ICAP может служить тонкой внутренней мерой когнитивного вовлечения для симуляции студентов, а не только внешней оптикой оценивания.

ICAP как основа оценивания рефлексивного взаимодействия с GenAI

Акцент ICAP на порождающем, процессуальном вовлечении был воспринят фреймворками оценивания, которые анализируют, как студенты учатся с генеративным ИИ. Фреймворк DRIVE явно согласует свою ключевую конструкцию — глубокое рефлексивное взаимодействие с результатами работы GenAI — с тем типом порождающего вовлечения, который ICAP идентифицирует как ведущий к более глубокому обучению, и использует её, чтобы отличить поверхностное потребление от усиленного, рефлексивного переосмысления сгенерированного ИИ контента. Это позиционирует ICAP как теоретическую основу для проектирования и измерения значимых взаимодействий обучения с GenAI, а не просто отслеживания использования.

Следствия для проектирования и исследований

Проектируйте под высшие режимы. ИИ-инструменты должны подталкивать учащихся к порождению, объяснению и диалогу — конструктивной и интерактивной деятельности — а не поставлять пассивный контент или действовать как машины ответов.(Multimodal Learning with Generative AI)
Вовлекайте учащихся на разных уровнях. Эффективное обучение ИИ-грамотности вовлекает учащихся на множестве уровней ICAP — пассивное воздействие, активное манипулирование, конструктивное порождение и интерактивный диалог — выбирая режим, который соответствует цели обучения.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
Измеряйте вовлечение честно. ICAP даёт исследователям и проектировщикам общий словарь для различения подлинного когнитивного вовлечения и простой активности — корректива поверхностного Вовлечённость студентов.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
Следите за разрывом в разметке между людьми и LLM. Если автоматические системы используются для кодирования вовлечения, их систематическое отставание от обученных людей должно быть учтено.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Связанные концепции

Связанные статьи

Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Расширенный фреймворк ICAP для измерения вовлечения: разметка людей против LLM
Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Совместная ИИ-грамотность на четырёх режимах ICAP
Interactive learning dashboards: rethinking learning visualisations as engagement tools — ICAP как критика поверхностного вовлечения в learning analytics
Multimodal Learning with Generative AI — ICAP и когнитивное вовлечение в проектировании мультимодального обучения
To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — Тайминг фасилитации LLM в онлайн-совместных обсуждениях
Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Адаптивный скаффолдинг ICAP в ITS (BKT против DRL)
CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — Модель когнитивной глубины ICAP в агенте симуляции студента
Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — Оценивание рефлексивного взаимодействия с GenAI, опирающееся на ICAP

Связанные FAQ

Как следует встраивать ИИ в учебный опыт?

Метаданные

Обучение и преподавание	Активное обучение, Когнитивная психология, Совместное обучение, Теории обучения
Технологии и методы	Обработка естественного языка в образовании (Educational NLP), Аналитика обучения
Основы ИИ в образовании	Дизайн обучения

Source History Edit Chat