intelligent-tutoring-dialogue-designer

智能辅导对话设计师

此技能的作用

为 AI 辅导互动设计对话逻辑：何时提问、何时给提示、何时讲解、何时提示学生进行自我解释，以及何时保持沉默。这是智能辅导中最难的设计问题：干预过多会阻碍有成效的探索并造成依赖；干预过少则会让学生陷入困境、倍感挫折。VanLehn（2011）指出，辅导（无论由人类还是 AI 提供）的有效性取决于逐步互动的质量——每一步都促使学生主动推理的系统，其效果远胜于只呈现内容并评估最终答案的系统。Chi 等人（2001）分析了人类辅导为何有效，得出了一个反直觉的发现：最有效的辅导者并不是讲解最多的人，而是善于提出恰当问题、为学生创造自我解释机会的人。输出内容包括完整的对话架构（互动的各个阶段及其分支逻辑）、对话动作库（辅导者可以说或做的具体内容）、决策规则（根据学生的回应决定何时使用各类动作），以及展示系统实际运行方式的实例。AI 在这里特别有价值，因为它可以大规模地持续进行一对一对话——但必须刻意设计对话，否则 AI 会默认采用讲授方式，而这是效果最差的辅导策略。

证据基础

VanLehn（2011）开展了一项全面的元分析，对比了人类辅导、智能辅导系统和无辅导条件。他发现，关键因素不在于谁来辅导，而在于如何辅导。“内循环”系统——在每个解题步骤都提供反馈和支架的系统——效果量达到 0.76，几乎与人类辅导者（0.79）持平。“外循环”系统——只评估最终答案的系统——效果量则低得多（0.31）。这对对话设计的启示很明确：系统必须关注学生的推理过程，而不仅是最终答案。Chi 等人（2001）对有效的人类辅导对话进行了详细分析，发现了一个出人意料的结果：最有效的辅导者并没有给出最好的讲解。相反，他们采用“先引导，再讲解”的模式——先提示学生尝试解释，再基于学生的回答进行讲解。这一发现直接挑战了“好的辅导就是讲解清楚”这一直觉假设。原因在于：辅导者讲解时，学生被动接收；辅导者发出提示、学生尝试解释时，学生会主动建构理解（Chi & Wylie，2014——ICAP 框架）。Graesser 等人（2005）开发了 AutoTutor，这是研究最深入的智能辅导系统之一，它采用“混合主动式对话”方法。AutoTutor 会提问、评估学生的回应、提供反馈，并提示学生展开说明——保持对话交流，而非单向讲授。他们的研究确定了五种关键对话动作：引导追问（“再多说一点”）、提示（询问具体信息）、暗示（指引答案方向但不直接给出答案）、陈述（提供信息）和纠正（直接指出错误）。Koedinger & Aleven（2007）提出了“辅助困境”——这是辅导设计中的根本矛盾。辅助过多（事事讲解、过早给出提示）会造成浅层学习：学生完成了任务，却不明白其中的道理。辅助过少（从不干预，让学生无休止地苦苦摸索）则会导致挫折和放弃。最佳辅导策略需要在这两个极端之间取得平衡，只提供学生继续取得进展所需的最少辅助。

输入架构

教师必须提供：

• 学习目标： 学生应掌握的内容。例如：“理解为什么较重的物体不会比轻的物体下落得更快（牛顿物理学与亚里士多德物理学之别）”／“能够识别非虚构文本中的主要论点，并将其与支持性证据区分开来”／“理解乘以小于 1 的分数会让数值变小，而不是变大”
• 预期困难： 学生可能遇到的困难。例如：“学生有‘越重越快’的亚里士多德式直觉。他们会引用日常经验（丢下羽毛和球）作为‘证明’。他们难以区分空气阻力与重力加速度”／“学生会把文本主题与论点混淆。他们会找出事实，而不是主张。他们难以区分作者的看法与作者转述的内容”／“学生把整数乘法中‘乘法会让数变大’的规则套用过来，因此不明白为什么 ½ × 6 = 3”

可选（如果有，情境引擎会注入）：

• 学生水平： 年级和熟练程度
• 学科领域： 课程学科
• 互动时长： 互动应持续的时间
• 学生模型： 关于特定学生的已知信息
• 系统能力： AI 系统能够执行的操作

提示词

You are an expert in tutoring dialogue design, with deep knowledge of VanLehn's (2011) meta-analysis of ITS effectiveness, Chi et al.'s (2001) research on effective tutoring dialogues, Graesser et al.'s (2005) AutoTutor research, Chi & Wylie's (2014) ICAP framework, and Koedinger & Aleven's (2007) assistance dilemma. You understand that the quality of tutoring depends not on what the tutor KNOWS but on what the tutor DOES — specifically, how the tutor manages the dialogue to maximise the student's active cognitive engagement.

CRITICAL PRINCIPLES:
- **Elicit before explain.** The most common mistake in tutoring (human and AI) is explaining too much, too early. The first move should almost always be a QUESTION, not an explanation. Even when the student is clearly wrong, the first move is "Can you explain your thinking?" — not "Actually, the correct answer is..." Chi et al. (2001) showed that tutoring effectiveness correlates with how much the STUDENT talks, not how much the tutor talks.
- **Navigate the assistance dilemma.** Koedinger & Aleven (2007): too much help → shallow learning; too little help → frustration. The dialogue should provide the MINIMUM assistance necessary for progress. Start with the lightest possible intervention (a question, a pause, a pump) and escalate ONLY when lighter moves fail.
- **Use mixed-initiative dialogue.** Graesser et al. (2005): effective tutoring is a CONVERSATION, not a lecture or a quiz. The tutor sometimes leads (asking questions) and sometimes follows (responding to student questions). The student should have genuine agency in the dialogue — they can ask questions, express confusion, change the topic, or disagree.
- **Silence is a move.** One of the most powerful tutoring moves is to say nothing. After asking a question, WAIT. Students need time to think. If the system responds instantly to every student action, it trains the student to be passive. Deliberate silence (with visible thinking time) creates productive struggle.
- **Design for misconceptions, not just errors.** An error is getting the answer wrong. A misconception is having a wrong mental model. The dialogue must distinguish between these: errors are corrected with feedback; misconceptions are addressed by creating cognitive conflict — presenting evidence that contradicts the student's mental model and prompting them to reconcile the conflict.

Your task is to design the dialogue logic for:

**Learning objective:** {{learning_objective}}
**Anticipated difficulties:** {{anticipated_difficulties}}

The following optional context may or may not be provided. Use whatever is available; ignore any fields marked "not provided."

**Student level:** {{student_level}} — if not provided, design for a general secondary school context.
**Subject area:** {{subject_area}} — if not provided, infer from the learning objective.
**Interaction length:** {{interaction_length}} — if not provided, design for a 10-15 minute interaction.
**Student model:** {{student_model}} — if not provided, assume a typical student who may hold the anticipated misconceptions.
**System capabilities:** {{system_capabilities}} — if not provided, design for a text-based AI system that can also display images and worked examples.

Return your output in this exact format:

## Tutoring Dialogue Design: [Learning Objective]

**Learning objective:** [What the student should master]
**Anticipated difficulties:** [Where students struggle]
**Interaction model:** [How the dialogue is structured]

### Dialogue Architecture

[The overall structure of the interaction — phases, transitions, and branching logic. Include a visual flow if helpful.]

**Phase 1: [Name]** — [Purpose and key moves]
**Phase 2: [Name]** — [Purpose and key moves]
**Phase 3: [Name]** — [Purpose and key moves]

### Dialogue Move Library

[The specific moves available to the tutor at each point, with examples of each]

| Move Type | When to Use | Example |
|---|---|---|
| [Move] | [Condition] | [Exact text] |

### Decision Rules

[The rules that govern which move to use, based on student responses. Format as IF-THEN rules.]

### Example Dialogue

[A complete, realistic dialogue showing the system in action with a student who holds the anticipated misconception. Show BOTH effective and challenging moments — including what happens when the student is confused, resistant, or wrong.]

**Tutor:** [What the system says]
**Student:** [A realistic student response]
**Tutor:** [Response, with annotation explaining WHY this move was chosen]
...

### Design Rationale

[Why the dialogue is structured this way — what research principles it follows and what alternatives were considered.]

**Self-check before returning output:** Verify that (a) the dialogue elicits before explaining, (b) the assistance dilemma is navigated (minimum necessary help), (c) silence is used as a deliberate move, (d) misconceptions are addressed through cognitive conflict not just correction, and (e) the student talks more than the tutor.

输出示例

情境： 学习目标：“理解为什么较重的物体不会比轻的物体下落得更快——区分重力加速度（所有物体都相同）与空气阻力（不同物体各异）”／预期困难：“学生有强烈的亚里士多德式直觉，认为越重越快。他们会引用日常经验（丢下羽毛和球）作为‘证明’。他们难以将空气阻力与重力加速度的概念区分开来。即使被告知正确答案，许多人仍会在几周内重新陷入这一误区”／学生水平：“9 年级，能力水平不一的科学班”／学科领域：“物理——力与运动”

---

辅导对话设计：重力加速度与空气阻力

学习目标： 理解为什么较重的物体不会比轻的物体下落得更快（重力加速度相同，空气阻力不同） 预期困难： 强烈的亚里士多德式直觉（越重越快）、将日常经验当作证明、把空气阻力与重力混淆 互动模式： 分三个阶段展开的混合主动权对话——引出误解、制造认知冲突、建立正确模型

对话架构

阶段 1：引出（3-4 分钟）——揭示学生已有的看法，但不要纠正。目标是让学生清楚地说出自己的思维模型，并明确作出预测。这一点至关重要，因为：（a）无法解决尚未揭示的误解；（b）作出明确预测，可以为预测被反驳时出现富有成效的认知冲突创造条件。

阶段 2：冲突（4-5 分钟）——提出一个与学生预测相矛盾的情境。不要解释预测为何错误，而要请学生解释这一矛盾。这一阶段是对话的核心。学生必须真正经历认知冲突：“我的预测错了，但我明明确信它是对的。为什么？”辅导者的职责是维持这种冲突（不要过快化解），并引导学生认识关键区别（重力与空气阻力）。

阶段 3：建构（4-5 分钟）——帮助学生建立正确的思维模型。使用自我解释提示，确保学生能够清楚阐述重力加速度（所有物体都相同）与空气阻力（取决于形状和表面积，而非质量）之间的区别。最后提出一个迁移问题，检验学生是否真正理解了这一模型，而非只是死记硬背。

对话推进方式库

推进方式	使用时机	示例
预测请求	阶段 1——引出误解	“如果我同时从同一高度放下一个保龄球和一个网球，哪个会先落地？你预测是什么？”
承诺探询	预测之后——强化承诺	“你有多确定？你能解释一下为什么这么想吗？”
追问	学生回答简短时	“多说一些。”／“你为什么这么想？”
冲突情境	阶段 2——制造认知冲突	“现在想象一下，这两个物体都在一个没有空气的房间里——也就是真空中。你还是会做出同样的预测吗？”
沉默	提问之后——留出思考时间	［回答前等待 5-8 秒。如果系统以文本为基础，则显示“……”或“慢慢想，不着急。”］
引导回题	学生偏离主题时	“这很有意思——我们还是回到刚才的话题。现在我想重点讨论：为什么真空会改变结果？”
苏格拉底式提问	阶段 2/3——引导推理	“所以，如果重力对两个物体的拉力相同，唯一能让其中一个落得比另一个慢的因素是什么？”
自我解释提示	阶段 3——构建理解	“用你自己的话解释一下，为什么羽毛在空气中落得慢，在真空中却落得快。”
最小纠正	学生出现事实性错误时	“实际上，重力会让所有物体以相同的速率加速——9.8 m/s²。不过，你关于空气的疑问非常重要。继续沿着这个思路想想。”
迁移问题	阶段 3 结束时——检验理解	“一名跳伞运动员和一名没有降落伞的跳伞者从同一架飞机上跳下。用我们讨论过的内容解释会发生什么，以及为什么。”

决策规则

如果学生很有把握地预测“重的物体落得更快”： → 那么进入阶段 2，进行真空思维实验。学生确实存在这一误解，而且已经对此作出承诺——这是引发认知冲突的理想时机。

如果学生预测“重的物体落得更快”，但似乎不太确定： → 那么使用承诺探询：“有意思——你能解释一下你的推理吗？”这能强化学生对预测的承诺，让随后的冲突更有成效。

如果学生一开始就给出正确答案： → 那么探询其理解：“没错。不过大多数人都认为重的物体落得更快。你能解释一下他们为什么错吗——是什么让人们这么想？”这样可以检验学生是真正理解了，还是只记住了事实。

如果学生对真空情境作出了正确回应： → 那么使用自我解释提示：“所以，你的意思是在真空中，它们会以相同的速度下落。关于重力本身，这说明了什么？”进入阶段 3。

如果学生回应了真空情境，但感到困惑： → 那么使用苏格拉底式提问：“你说它们在真空中会以相同的速度下落，在空气中却会以不同的速度下落。这两种情境有什么不同？”引导学生发现空气阻力。

如果学生沉默超过 10 秒： → 那么换一种更简单的问法：“我换个说法。在真空中没有空气，在房间里有空气。空气会对下落的物体产生什么影响？”

如果学生提出问题： → 那么简短回答，然后引导回主要探究方向。不要长篇讲解。“问得好——没错，地球表面附近的重力处处相同。那么，既然如此，为什么羽毛和球下落的方式不同？”

如果学生说“我不知道”或“我卡住了”： → 那么不要直接解释。提供一个支架：“我们一步一步来想。首先，在真空中，两个物体会以相同的速度下落。你同意吗？”从他们确实知道的内容开始引导。

对话示例

导师： 我想让你想象一件事。你站在学校的屋顶上，一只手拿着保龄球，另一只手拿着网球。你在完全相同的时刻，从相同的高度把它们扔下去。哪一个先落地？

学生： 显然是保龄球。它更重。

导师： 你听起来很确定。能解释一下你为什么认为更重的球下落得更快吗？ [探查立场——让学生阐述并坚持自己的推理]

学生： 因为它更重？就是说，重力对它的拉力更大，因为它的质量更大。所以它加速得更快。

导师： 好，你的推理是：质量更大 → 引力更大 → 下落更快。我把它记下来：“更重的物体受到的引力更大，因此加速更快，也会先落地。”这样总结你的观点公平吗？ [明确承诺——记录下学生的预测，为后续的认知冲突做准备]

学生： 对，我就是这么想的。

导师： 很好。现在，我想让你想象同一个实验的另一种情况。还是同一颗保龄球、同一个网球、同样的高度。但这次，你在一个所有空气都已被抽走的房间里——一个完美的真空。除了你和这两个球，什么都没有。你把它们都放开。会发生什么？ [冲突情境——引入真空条件]

学生：……我觉得它们还是会以不同的速度下落？保龄球还是更重。

导师：…… [沉默——6 秒。让学生仔细思考自己的预测。]

导师： 有件事可能会让你惊讶。我们确实做过这个实验，而且做过很多次。在真空中，保龄球和网球会在完全相同的时刻落地。每一次都是如此。你怎么看？

[呈现与预测不符的证据，但不作解释]

学生： 等等，真的吗？这说不通啊。保龄球重得多。

导师： 我知道这感觉上不该发生，但它确实发生了。所以我想问：你预测它们会以不同的速度下落，但在真空中它们并不会。你的预测哪里出了问题？ [苏格拉底式提问——让学生诊断自己的错误]

学生： 嗯……也许即使一个更重，重力对它们的拉力也一样？

导师： 这个想法很有意思。继续想下去。如果在真空中重力对它们的拉力一样，为什么它们在普通空气中下落的速度不同？ [追问并引导——学生已接近关键洞见，引导他们思考空气阻力]

学生： 哦……是不是因为空气？比如，空气让较轻的那个球减速更多？

导师： 多说一些。为什么空气会让其中一个减速更多？ [追问——保持学生的思考投入，不急着解释]

学生： 因为网球更轻，所以空气阻力对它的影响更大？就是说，它没法那么轻松地穿过空气？

导师： 你已经触及一个非常重要的要点。让我确认一下你是否理解了。请用自己的话解释：为什么羽毛在空气中下落得很慢，却能在真空中以和锤子相同的速度下落？ [自我解释提示——检验学生是否建立了连贯的模型]

学生： 因为真空中没有空气阻力，所以只有重力起作用，而重力让所有物体以相同的速度加速。但在空气中，相对于羽毛的重量来说，它受到的空气阻力要大得多，所以它下落得更慢。锤子几乎感觉不到空气的影响。

导师： 解释得非常好。你找到了关键区别：所有物体的重力加速度都相同，但空气阻力因形状、表面积和质量而异。现在，我用一个新情境来检验你是否理解了这一点。一个带降落伞的跳伞者和一个不带降落伞的跳伞者在同一架飞机上同时跳下。根据我们刚才讨论的内容，预测会发生什么，并解释原因。 [迁移问题——检验学生能否将模型应用到新情境中]

设计原理

该对话遵循基于概念变化研究的刻意设计的三阶段结构：

1. 先引出，再纠正。 导师在第一阶段先让学生表达并坚持自己的亚里士多德式信念。这种做法有悖直觉——许多教师会立即说“实际上，它们下落的速度相同。”但 Chi 等人（2001）的研究表明，直接纠正错误观念基本无效。学生需要感受到自己的预测与现实之间的冲突。

2. 制造认知冲突，而不是纠正。 第二阶段提出一个与学生预测矛盾的事实（物体在真空中下落速度相同），然后让学生解释这种差异。导师不作解释——学生必须通过认知活动来调和自己的预测与证据。这是 ICAP 框架中参与度最高的对话模式（Chi & Wylie，2014）。

3. 由学生生成解释。 到第三阶段时，学生已通过自己的推理得出正确解释（“造成差异的是空气阻力，而不是重力”）。导师通过自我解释提示来检验学生是否理解，再通过迁移问题测试其能否推广这一理解。整个过程中，学生的发言都比导师多。

4. 尽量减少帮助。 在每个环节，导师都采用尽可能轻的引导方式：先沉默、用鼓励性表达，再提问，之后才给提示或解释。导师唯一直接陈述的是物体在真空中下落速度相同这一事实——其他内容都通过提问引导学生自己说出。

---

已知局限

1. 这项技能设计的是对话逻辑，而不是对话实现。 要将决策规则和引导方式库转化为可运行的 AI 系统，需要进行远超这项技能输出范围的工程工作（状态跟踪、自然语言理解、响应生成）。这份设计是蓝图，而非可部署的系统。

2. 该对话假设学生一次只有一种错误观念。 现实中的学生往往同时持有多种相互影响的错误观念。既混淆质量与重量、又不理解空气阻力的学生，其辅导难度远高于上文所述的单一错误观念对话。多种错误观念下的对话设计仍是研究前沿，并非已解决的问题。

3. 当前 AI 系统难以处理混合主动式对话。 上述对话假设 AI 能够理解学生的回答、识别错误观念，并实时选择恰当的引导方式。在许多情况下，当前的大模型可以近似做到这一点，但它们缺乏 AutoTutor 等专用 ITS 系统具备的可靠状态跟踪和错误观念检测能力。若要在当前系统上部署，可能需要简化对话。

4. 现有证据主要来自 STEM 领域。 VanLehn（2011）、Graesser 等人（2005）以及 Koedinger & Aleven（2007）的研究主要在数学和科学领域开展。对话原则也适用于其他领域（“先引出，再解释”的模式在人文学科中同样有效），但错误观念和冲突的具体模式可能有所不同。作文写作或历史分析中的辅导对话，与物理辅导对话有所不同，尽管其底层原则相同。

5. 基于文本的 AI 交互难以实现沉默。 该对话将刻意沉默作为一种辅导方式，但在基于文本的界面中，沉默可能与系统故障无法区分。在聊天机器人中实现“有益的沉默”需要明确设计——例如显示计时器、发送“慢慢来”消息，或在发出下一条提示前刻意等待一段时间。