Personalized Multimodal Feedback Using Multiple External Representations: Strategy Profiles and Learning in High School Physics
作者: Natalia Revenga-Lozano, Karina E. Avila, Steffen Steinert, Matthias Schweinberger, Clara E. Gómez-Pérez, Jochen Kuhn, Stefan Küchemann
分类: physics.ed-ph, cs.AI
发布日期: 2026-01-14
备注: Keywords: Adaptive Feedback, Multimodal Learning, Multiple External Representations, Physics Education, Science Education, Representational Competences, Intelligent Tutoring Systems
💡 一句话要点
个性化多模态反馈提升高中物理学习效果：策略分析与表征能力影响
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多重外部表征 个性化反馈 高中物理 学习策略 表征能力 智能辅导系统 多模态学习
📋 核心要点
- 现有研究缺乏对如何有效整合多重外部表征(MERs)进行个性化反馈的深入理解，阻碍了物理学习的优化。
- 该研究通过计算机平台提供口头、图形和数学形式的验证和详细反馈，探索不同表征选择策略对学习的影响。
- 研究发现，详细的多重表征反馈与学习成绩呈正相关，且表征能力较低的学生受益于多样化的表征选择。
📝 摘要（中文）
多重外部表征(MERs)和个性化反馈能够支持物理学习，但个性化反馈如何有效整合MERs的证据仍然有限。鉴于多模态大型语言模型的兴起，这个问题尤为及时。我们进行了一项为期16-24周的高中物理观察性研究(N=661)，使用一个计算机平台，该平台提供验证和可选的详细反馈，形式包括口头、图形和数学。线性混合效应模型和策略聚类分析(ANCOVA调整比较)测试了反馈使用与后测成绩之间的关联，以及表征能力对这种关联的调节作用。详细的多重表征反馈显示出与后测成绩之间存在小的但一致的正相关，且独立于先验知识和信心。学习者采用了不同的表征选择策略；在表征能力较低的学生中，使用多样化的表征集合与更高的学习效果相关，而这种优势随着能力的提高而减弱。这些发现推动了自适应反馈设计，并为能够根据学习者特征定制反馈细化和表征形式的智能辅导系统提供了信息，从而推进了物理教育中的个性化教学。
🔬 方法详解
问题定义：该论文旨在解决高中物理教学中，如何利用多重外部表征（MERs）和个性化反馈来提升学生的学习效果的问题。现有方法在如何有效地整合不同类型的表征，并根据学生的个体差异提供定制化反馈方面存在不足，导致教学效果难以最大化。
核心思路：论文的核心思路是研究不同类型的反馈（口头、图形、数学）以及学生对这些反馈的利用策略与学习成绩之间的关系。通过观察学生在计算机平台上的学习行为，分析不同表征能力的学生如何选择和利用不同类型的反馈，从而为设计更有效的个性化教学策略提供依据。
技术框架：该研究采用了一个计算机平台，该平台为学生提供物理练习，并根据学生的作答情况提供验证性反馈和可选的详细反馈。反馈形式包括口头、图形和数学三种。研究收集了学生在平台上的学习数据，包括反馈选择、作答情况等。然后，利用线性混合效应模型和策略聚类分析等统计方法，分析反馈使用与后测成绩之间的关联，以及表征能力对这种关联的调节作用。
关键创新：该研究的关键创新在于揭示了学生在利用多重外部表征进行学习时存在的不同策略，并发现表征能力对这些策略的有效性具有调节作用。具体来说，对于表征能力较低的学生，使用多样化的表征集合与更高的学习效果相关，而这种优势随着能力的提高而减弱。这一发现为设计自适应反馈系统提供了重要的启示。
关键设计：研究中，计算机平台提供的反馈包括验证性反馈（确认答案是否正确）和详细反馈（提供解题思路和步骤）。详细反馈以口头、图形和数学三种形式呈现，学生可以根据自己的需要选择使用。研究人员收集了学生选择不同类型反馈的数据，并将其与学生的表征能力和学习成绩进行关联分析。此外，研究还使用了线性混合效应模型来控制先验知识和信心等混淆变量的影响。
🖼️ 关键图片
📊 实验亮点
研究发现，详细的多重表征反馈与后测成绩之间存在小的但一致的正相关，且独立于先验知识和信心。更重要的是，研究揭示了学生在利用多重外部表征进行学习时存在的不同策略，并发现对于表征能力较低的学生，使用多样化的表征集合与更高的学习效果相关。这些发现为个性化教学设计提供了重要的依据。
🎯 应用场景
该研究成果可应用于智能辅导系统和在线学习平台的设计，特别是物理等需要多重表征的学科。通过分析学生的表征能力和反馈选择策略，系统可以提供个性化的反馈和学习建议，从而提升学生的学习效果。此外，该研究也为教师提供了关于如何有效利用多重表征进行教学的指导。
📄 摘要（原文）
Multiple external representations (MERs) and personalized feedback support physics learning, yet evidence on how personalized feedback can effectively integrate MERs remains limited. This question is particularly timely given the emergence of multimodal large language models. We conducted a 16-24 week observational study in high school physics (N=661) using a computer-based platform that provided verification and optional elaborated feedback in verbal, graphical and mathematical forms. Linear mixed-effects models and strategy-cluster analyses (ANCOVA-adjusted comparisons) tested associations between feedback use and post-test performance and moderation by representational competence. Elaborated multirepresentational feedback showed a small but consistent positive association with post-test scores independent of prior knowledge and confidence. Learners adopted distinct representation-selection strategies; among students with lower representational competence, using a diverse set of representations related to higher learning, whereas this advantage diminished as competence increased. These findings motivate adaptive feedback designs and inform intelligent tutoring systems capable of tailoring feedback elaboration and representational format to learner profiles, advancing personalized instruction in physics education.