当 AI 走进数学课堂，学生用脚步 “走出” 正负数，生成式 AI 则实时捕捉他们的步态、眼动与瞳孔变化，精准测算认知负荷并定制反馈 —— 这不是科幻，而是 2025 年《British Journal of Educational Technology》的真实研究。
数据显示：AI 反馈与真人教师的正确率不相上下，但学生认知负荷更低、学得更轻松。眼动轨迹更是暴露差异：AI 组紧盯数字线与正确答案，教师组却在错题和文本间反复徘徊。
技术让学习更省力，却也抛出难题：AI 该介入多少？课堂里，人的位置又在哪？答案，藏在每一步、每一眼里。
论文引用：Cosentino, G., Anton, J., Sharma, K., Gelsomini, M., Giannakos, M., & Abrahamson, D. (2025). Generative AI and multimodal data for educational feedback: Insights from embodied math learning. British Journal of Educational Technology, 56(5), 1686–1709.https://doi.org/10.1111/bjet.13587
君洁对这项研究中多模态数据融合的设计洞察非常精准，特别是用瞳孔微振荡量化认知负荷的指标创新。顺着这个思路，如果将该方法迁移到非具身学科，比如历史课堂中分析学生对文本与图像的眼动模式，是否也能通过类似的AOI转换矩阵来区分表层浏览与深层加工？这可能为不同学科的认知策略比较提供新工具。
老师好，感谢老师给出的启发与问题。我初步思考了一下，逻辑上觉得是可行的，但是需要重新定义学生的兴趣区域，可能是历史图像，战国地图，时间轴等关于历史课堂特征的信息，对于历史学科学习时的表层浏览与深层加工也要重新定义，以及我觉得更重要的是对于文科阅读的眼动解释可能考虑的方面与理科解题会有很多不一样，不过这确实可以为不同学科的认知策略研究提供新的思路。
研究并没有依赖传统的自我报告，而是利用高频眼动追踪数据，通过小波变换捕捉微尺度瞳孔振荡的幅度和频率，非常敏锐地计算出了瞬时认知负荷。那如果未来我们要走向文章倡导的混合智能教学模式，让AI处理基础反馈以降低认知负荷，让教师专注于培养高阶思维——我们该如何在“建立学生对AI的信任”与“保持学生对反馈的批判性思考（维持适当的认知负荷）”之间寻找平衡点呢？
这个问题也是我在读的时候的思考之一，因为研究中学生确实对AI给出的答案持需要验证的态度，我觉得这是很好的一个点，因为对AI的答案持验证态度本质就是保持了一个批判性思考，我觉得要合理的规范AI的介入，虽然我现在可能没办法给一个很明确的平衡点，但是未来研究可以继续考量AI的参与度，控制参与占比，观察学生思维的变化
君洁同学分享的这个研究非常有趣，利用生成式 AI 实时捕捉学生的步态、眼动与瞳孔变化，精准测算认知负荷并定制反馈，这里我想请教一下，就是这篇文章中AI的反馈与教师的反馈只是针对题目的正确性吗，有没有针对学生关于题目如何进一步时候，启发做题方法这类的反馈，然后我其实不太能够理解从眼动的那些数据怎么能够获取认知负荷的相关数据，这背后是有什么脑科学和生理学的机制吗，如果我需要了解这方面测试及其背后的脑科学与生理学机制的内容，有什么推荐书目和文章吗，谢谢😁
这篇文章时基于题目的正确性，因为题目比较简单，所以没有再进一步的分析做题方法，眼动数据据我的了解是去看眼睛的视线移动轨迹以及频次去分析，可以多去看一看关于眼动实验的文章，比较新也比较有意思，这篇着重展现了代码上的机制，很多其他研究会有一些热力图，会更明确
研究用眼动、瞳孔微振荡、动作日志、任务正确率等指标把学习过程量化出来，尤其认知负荷和AOI转移的分析，让“学生到底有没有轻松学懂”变得更可观察。不过我也会好奇：这些指标能否真正代表深度理解？如果AI让路径更顺，会不会也减少必要的思考挣扎？很值得继续追问。
是的，这也是值得注意的一点，AI让路径更顺，减少了认知负荷，但是不可避免让人担心会不会产生惰性，也就是减少必要的思考挣扎，这篇研究并没有深入进行，因为实验给的测试问题也就很简单，但是值得进一步探究，换比较难得问题去探索学生的思维过程
读了好几位同学的介绍，特别深的感悟是：研究方法与研究内容和研究问题之间的对应关系真的让我很惊讶，当我们决定关注哪些问题之后，我们就会想方设法的找到其外在表现（证据），进而选择合适的研究方法来获取证据。而这些方法的迁移使用也会发生很多意想不到的结果