Artificial Intelligence in Mathematics Education : The Creation and Evaluation of an AI Agent from a Feedback Perspective

Sammanfattning

Den snabba integreringen av artificiell intelligens (AI) inom utbildning har möjliggjort ett paradigmskifte från att se datorer som statiska verktyg till att behandla dem som symbiotiska partners inom en samverkande “människa-AI-allians”. Detta examensarbete undersöker tillämpningen av generativ artificiell intelligens (GenAI) inom matematikundervisning, med specifikt fokus på konstruktion och utvärdering av en AI agent utformad för att ge återkoppling enligt de fyra nivåer som definieras av Hattie och Timperley: uppgift, process, självreglering och person. Genom en iterativ designprocess innefattade studien utveckling och testning av flera versioner av agenten med hjälp av modellen Llama 3.3 70B, huserad på en lokal server på en svensk gymnasieskola. Prompt engineering delen vägleddes av IDEA ramverket och tillämpade principerna PARTS (Persona, Aim, Recipients, Theme, Structure) och CLEAR (Concise, Logical, Explicit, Adaptive, Restrictive) för att förfina agentens pedagogiska beteende. Empiriska data samlades in från ungefär 60 konversationer med svenska gymnasieelever och analyserades genom tematisk analys för att kartlägga interaktioner mot de teoretiska återkopplingsnivåerna. Resultaten bekräftar att genAI agenter är kapabla att ge återkoppling på alla fyra nivåer, även om återkoppling på uppgiftsnivå förblev mest förekommande på grund av stora språkmodellers grundläggande tendens att ge omedelbar verifiering. Tematiska fynd belyste en framgångsrik förskjutning mot återkoppling på processnivå och användningen av ledtrådar av typen “Vart ska jag härnäst?” för att aktivera elevernas självreglering. En kritisk “upplösning av självreglering” observerades dock i komplexa textuppgifter, där agenterna ofta föll tillbaka på direkt instruktion, vilket potentiellt kan framkalla en “expertise reversal effect”. Även om genAI erbjuder en kraftfull potential för omedelbar kognitiv stöttning (scaffolding), lägger den en betydande utvärderingsbörda på de lärande, som måste besitta tillräckliga förkunskaper för att upptäcka sakfel eller “hallucinationer”. Studien drar slutsatsen att en framgångsrik integrering av AI agenter kräver ett “humans in the loop” ramverk för att mildra tekniskt beroende och säkerställa att teknologin förstärker, snarare än ersätter, elevens egen kognitiva ansträngning.