Рамкова модель ICAP

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Рамкова модель ICAP (Interactive–Constructive–Active–Passive — інтерактивний, конструктивний, активний, пасивний) — таксономія когнітивної залученості, розроблена Michelene Chi, яка класифікує поведінку здобувача на чотири режими зміни знань, від найменш когнітивно залученого до найбільш: пасивний, активний, конструктивний та інтерактивний. В освіті зі ШІ ICAP слугує і ціллю проєктування (створювати інструменти, що спонукають до конструктивної та інтерактивної залученості, а не до пасивного споживання), і лінзою оцінювання (вимірювати, чи здійснюється залученість здобувачів і систем ШІ справді на вищих режимах).(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)

Питання для роздумів

• Згадайте останній раз, коли ви «навчилися» чогось, подивившись відео або почитавши. Рамкова модель ICAP назвала б це пасивним. Що ви насправді утримуєте від пасивного сприйняття порівняно з тим, коли ви пояснюєте це комусь іншому?
• ICAP розташовує залученість від пасивної до активної, конструктивної та інтерактивної. Де інструменти ШІ, якими ви користувалися, зазвичай утримують здобувачів — і чи вважається проходження адаптивної практики натисканням кнопок справжньою залученістю, чи просто активністю?
• Сторінка стверджує, що найважливішим зрушенням є перехід від Active (активного) до Constructive (конструктивного) — створення пояснень або нових артефактів замість простого застосування знань. Чому саме створення чогось нового може бути тим кроком, який справді змінює розуміння?
• Одне дослідження виявило, що експерти-люди значно перевершують моделі ШІ в розмітці рівнів залученості. Якщо автоматизовані системи систематично недооцінюють залученість, як нам слід ставитися до метрик «залученості», згенерованих ШІ?
• ICAP показує, що інструмент, який відповідає за вас, утримує вас у пасивному стані, тоді як той, що підказує і ставить питання, штовхає вас до конструктивної та інтерактивної залученості. Який вибір у проєктуванні ви б зробили для своїх здобувачів?
• Рамкова модель використовується і як ціль проєктування, і як лінза оцінювання. Як би ви могли застосувати ICAP у власному викладанні або проєктуванні, щоб з’ясувати, чи є залученість здобувачів справжньою, а не лише активною?

Вступ

ICAP ґрунтується на припущенні, що те, що роблять здобувачі, визначає, скільки і чого вони навчаються. Модель Чі стверджує, що коли залученість переходить від пасивної до активної, конструктивної та інтерактивної, характер зміни знань поглиблюється — від зберігання до уваги, до інтеграції нових знань з попередніми, до спільного створення знань у діалозі. Це робить ICAP потужним аналітичним інструментом для освіти зі ШІ, де центральне питання проєктування полягає в тому, чи підтримує допомога ШІ когнітивну залученість здобувачів, чи витісняє її.

Чотири режими

Режим	Поведінка здобувача	Характер зміни знань
Інтерактивний	Діалог з іншим здобувачем або агентом, співпобудова значення; напр. захист позиції, collaborative problem-solving	Співстворення нових знань через спільну, взаємну діяльність
Конструктивний	Створення нового результату за межами заданого; напр. самооб’яснення, порівняння, рефлексія, малювання	Інтеграція нової інформації з попередніми знаннями для створення нового розуміння
Активний	Маніпулювання матеріалом або дія над ним; напр. ведення нотаток, підкреслювання, зупинка для роздумів	Звернення уваги на інформацію та її зберігання, іноді без глибокої інтеграції
Пасивний	Отримання інформації без відкритої дії; напр. слухання лекції, читання	Зберігання інформації з обмеженою подальшою обробкою

ICAP в освіті зі ШІ

Ціль проєктування для інструментів ШІ

ICAP переформулює центральне питання проєктування для освіти зі ШІ: інструмент ШІ, який відповідає за здобувача, утримує його в пасивному/активному режимах, тоді як інструмент, який підказує, ставить питання та scaffolds, може штовхнути здобувачів до конструктивної та інтерактивної залученості. Це узгоджує ICAP з Конструктивізм педагогікою та дослідженнями Активне навчання.(Multimodal Learning with Generative AI)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

Лінза оцінювання для агентів ШІ

ICAP також слугує рамкою вимірювання. В одному дослідженні вчені розширили ICAP до 7-бальної шкали, щоб описати когнітивну залученість у колаборативному діалозі, а потім порівняли навчених людських анотаторів із розміткою на основі LLM (навчання в контексті, zero-shot підказки та рефлексивні агенти). Надійність між оцінювачами-людьми (каппа = 0,906–0,998) значно перевищувала анотування LLM (каппа = 0,541–0,609), що підкреслює роль ICAP — а також її поточні межі — в автоматизованому вимірюванні залученості для конвеєрів Аналітика навчання.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Напрямлення фасилітації колаборативного діалогу

Оскільки інтерактивна залученість є найвищим режимом ICAP, модель допомагає визначити цінність фасилітації ШІ в online collaborative discussion. Research on LLM facilitation timing показує, що коли ШІ втручається в обговорення, визначає, чи підтримує воно співпобудову інтерактивних знань, чи перериває її — це попередження на основі ICAP про те, що автономним агентам модерації потрібне калібрування на людську стриманість, а не на надто завзяту фасилітацію.

ICAP і проєктування аналітики навчання

ICAP становить основу критики поверхневих метрик «залученості»: взаємодія з панеллю керування шляхом натискання фільтрів — це активна, а не інтерактивна залученість. Ефективні проєкти аналітики навчання спонукають до самооцінки та двобічного діалогу, а не лише відображають дані — висновок, зроблений безпосередньо з моделі Чі.(Interactive learning dashboards: rethinking learning visualisations as engagement tools)

Перехід Active→Constructive як вирішальний крок

Хоча ICAP описує ієрархію, найважливішим для навчання зрушенням є стрибок з режиму Active (активного) в режим Constructive (конструктивний) (Chi & Boucher, 2023). Активна залученість (застосування знань до схожих, але не ідентичних сценаріїв) готує здобувачів, але саме конструктивна залученість — створення пояснень, узагальнень або нових артефактів — дає їм змогу створювати нові знання. Це суть питання для освіти зі ШІ: інструмент, який утримує здобувачів в активному режимі (напр. проходження адаптивної практики натисканням кнопок), може виглядати продуктивно, але ніколи не штовхає їх у конструктивне створення, що дає стійке розуміння. Колаборативні та орієнтовані на грамотність інтервенції, які свідомо підтримують скаффолдингом стрибок Active→Constructive, як правило, демонструють найсильніші здобутки.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

ICAP як сигнал адаптивного скаффолдингу в ITS

Режими ICAP можна операціоналізувати як цільові стани, серед яких адаптивний репетитор вибирає, щоб підтримувати скаффолдингом когнітивну залученість на основі розвивної моделі студента. В інтелектуальній системі навчання з логіки Dey Tithi et al. динамічно вибирали між активним режимом «Керованих» розв’язаних прикладів і конструктивним режимом «Хибних» прикладів. Порівнюючи Bayesian Knowledge Tracing (BKT) із Deep Reinforcement Learning (DRL) та неадаптивним базовим варіантом на вибірці зі 113 студентів, обидві адаптивні стратегії покращили результати післятестового контролю — але по-різному: BKT дав найбільші здобутки студентам із низьким початковим рівнем знань (допомігши їм наздогнати), тоді як DRL забезпечив найвищі бали після тесту серед студентів із високим початковим рівнем знань. Це конкретна демонстрація того, що ефективна персоналізація режиму ICAP інтелектуального репетитора залежить від моделювання поточних знань здобувача — і що жоден окремий режим чи адаптивний метод не підходить усім здобувачам. Це пов’язує ієрархію ICAP безпосередньо з проєктуванням Адаптивне навчання та Відстеження знань.

ICAP як модель когнітивного стану для генерування людських агентів

Окрім вибору режимів завдань, ICAP було безпосередньо вбудовано в когнітивну модель генеративного освітнього агента. CogEvolution будує заснований на ICAP «перцептрон когнітивної глибини», який відображає вхідні дані на розподіл ймовірностей між чотирма рівнями ICAP, поєднуючи це з натхненними еволюцією оновленнями стану та відтворенням пам’яті на основі теорії відгуку на пункти для симуляції когнітивної еволюції студента (включно з такими переходами, як плутанина → прозріння). Абляції показують, що видалення модуля сприйняття ICAP руйнує здатність агента відрізняти поверхневе навчання від глибокого — доказ того, що таксономія ICAP може слугувати детальною внутрішньою мірою когнітивної залученості для student simulation, а не лише зовнішньою лінзою оцінювання.

ICAP як основа оцінювання рефлексивної взаємодії з GenAI

Акцент ICAP на генеративній, процесуальній залученості було прийнято рамками оцінювання, які аналізують як студенти навчаються з генеративним ШІ. The DRIVE framework явно узгоджує свою основну конструкцію — глибоку рефлексивну взаємодію з результатами GenAI — з типом генеративної залученості, який ICAP визначає як такий, що веде до глибшого навчання, і використовує її, щоб відрізняти поверхневе споживання від напруженої, рефлексивної переробки згенерованого ШІ змісту. Це позиціонує ICAP як теоретичну основу для проєктування та вимірювання значущих навчальних взаємодій із GenAI, а не лише відстеження використання.

Наслідки для проєктування та досліджень

1. Проєктуйте для вищих режимів. Інструменти ШІ мають спонукати здобувачів створювати, пояснювати та вести діалог — конструктивну та інтерактивну діяльність — а не постачати пасивний зміст чи діяти як машини для відповідей.(Multimodal Learning with Generative AI)
2. Залучайте здобувачів на всіх режимах. Ефективна інструкція з AI literacy залучає здобувачів на кількох рівнях ICAP — пасивне сприйняття, активна маніпуляція, конструктивне створення та інтерактивний діалог — вибираючи режим, що відповідає навчальній меті.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
3. Вимірюйте залученість чесно. ICAP дає дослідникам і проєктувальникам спільний словник для розрізнення справжньої когнітивної залученості та простої активності — коректив до поверхневого поняття Залученість здобувачів.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)
4. Стежте за розривом у людсько-LLM анотуванні. Якщо для кодування залученості використовуються автоматизовані системи, їх систематичне відставання від навчених людей має бути враховане.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)

Пов’язані поняття

• Активне навчання
• Спільне навчання
• Залученість здобувачів
• Аналітика навчання
• Конструктивізм
• Проєктування навчання
• Метакогніція
• ШІ-грамотність
• Людина в циклі
• Обмеження досліджень AIEd

Пов’язані статті

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — Розширена рамкова модель ICAP для вимірювання залученості з людським і LLM-анотуванням
• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Колаборативна ШІ-грамотність у чотирьох режимах ICAP
• Interactive learning dashboards: rethinking learning visualisations as engagement tools — ICAP як критика поверхневої залученості в аналітиці навчання
• Multimodal Learning with Generative AI — ICAP та когнітивна залученість у проєктуванні мультимодального навчання
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — Час фасилітації за допомогою LLM у мережевих колаборативних обговореннях
• Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System — Адаптивний скаффолдинг ICAP в інтелектуальній системі навчання (BKT проти DRL)
• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — Модель когнітивної глибини ICAP в генеративному агенті симуляції студента
• Assessing students' DRIVE: A framework to evaluate learning through interactions with generative AI — Закріплене на ICAP оцінювання рефлексивної взаємодії з GenAI