该文章介绍了Phosphor数字学习平台，将大语言模型评分的形成性评估融入教学内容。在151名统计学学生中，平台使用率达90.2%，且与期末考试成绩提升0.71至1.30个标准差相关。嵌入的构答式问题对学习效果有重要贡献，表明高参与度和可测量效果可同时实现。

好的，这是根据您的要求，对文章主要内容进行的中文重述，已保留关键细节并删减了与主题无关的内容。

文章标题：在交互式文本中平衡效能与参与度

核心内容：

本文介绍了一个名为“Phosphor”的数字学习平台，该平台将基于大语言模型（LLM）的 formative assessment（形成性评估）直接整合到教学内容中。研究者在达特茅斯学院的三个《统计学导论》班级中，对151名学生进行了部署测试。

主要发现：

1. 显著提升学习效果：完全使用Phosphor平台的学生，其期末考试成绩有显著提高。在调整了先前考试成绩后，效果提升为0.71个标准差；未调整时为1.30个标准差。
2. 极高的学生参与度：该平台作为传统阅读材料的完全可选、不计分的替代方案，被90.2%的学生采用，远超典型的阅读完成率。
3. 关键设计要素：平台中嵌入的“构答反应题”（constructed-response questions，即需要学生自己组织语言回答的题目）是驱动学习效果提升的关键因素。相比之下，纯选择题的练习效果不明显。

平台设计与部署：

• 平台功能：Phosphor将课程内容组织成课程，每节课后设有包含选择题和构答反应题的测验。构答反应题由AI（Claude Sonnet 4.6）根据教师设定的评分标准进行评分。学生可以无限次重试。此外，平台还提供涵盖整个模块内容的“模块复习”测验，以及一个基于检索增强生成（RAG）的聊天助手，供学生提问。
• 部署情况：平台在2026年春季学期作为传统阅读的替代品推出，完全自愿且不计入成绩。课程分为三个模块，每个模块对应一次考试。由于学生反馈，平台在不同模块中采用了不同的测验形式：模块1包含混合题型（选择题+构答反应题），模块2因学生反映AI评分过于死板而改为纯选择题，模块3则重新引入了构答反应题。

研究结果：

• 参与度：90.2%的学生至少使用过一次平台。学生的阅读完成率估计在48%到76%之间，远高于该课程传统阅读10-15%的基线水平。学生调查显示，94%的学生认为平台比传统阅读更具吸引力，94%认为有助于记忆。
• 学习成果：
  • 剂量-表现关系：在包含构答反应题的模块（模块1和3）中，完成更多课程测验与更高的考试成绩显著相关。而在纯选择题的模块2中，这种关联消失。
  • 模块复习效果：通过所有三个模块复习的学生，期末考试成绩平均高出7.1分（效应量d=0.66），这是研究中观察到的最强效果。
  • 综合模型：通过Tobit模型分析，完全参与平台（完成所有课程和复习）与零参与之间的期末成绩差距，在调整前为1.30个标准差，调整后为0.71个标准差。研究者认为0.71个标准差是一个保守的下限估计。
• 聊天助手使用不足：RAG聊天助手使用率很低，仅有72次查询。学生反映通用LLM更快、能力更强，且阅读材料本身已足够。

讨论与结论：

• 核心结论：研究表明，高参与度和可衡量的学习效果可以同时实现。关键在于将AI直接整合到内容传递系统中，并通过形成性评估（特别是构答反应题）来驱动主动回忆。
• 设计原则：LLM使得大规模评分构答反应题成为可能，这具有重要的教学意义。尽管纯选择题可能带来更高的完成率，但构答反应题才是提升学习效果的关键。模块复习因其涵盖范围广、题目交错、间隔重复等特点，成为最有效的单一杠杆。
• 局限性：本研究为观察性研究，缺乏随机对照，存在自我选择偏差。未来需要进行更严格的对照实验，并在更多院校和课程中复制验证。

关键词：智能教科书，大语言模型，形成性评估，智能辅导，检索增强生成，阅读参与度，构答反应评估。

根据评论内容，总结如下：

主要观点与论据：

1. 积极效果显著：多位评论者（如Rperry2174、rusbus、rictic）认为AI辅导工具显著提升了学生参与度和学习效果。关键引用：

   • "Text book reading in this course was 10-15% at baseline ... but this AI thing got 90% voluntary usage ungraded." (Rperry2174)
   • "This is exciting because the effect size is so large." (rusbus)
   • "Bloom's Two Sigma Opportunity suggests that there's another SD improvement available." (rictic)

2. 方法论局限：多位评论者（如radioactivist、orami、mmarian）指出研究存在选择偏差、缺乏随机对照等缺陷。关键引用：

   • "Self-selection is the central threat: students who complete more quizzes may be more motivated or higher-performing generally." (rusbus)
   • "The article explicitly calls out selection bias ... 'Engaged students score 0.71 - 1.30 SD better in tests' sounds like a much simpler explanation." (orami)
   • "I'm sceptical of that it'll have 'strong benefits' at scale; I'd be more in favor if the wording was 'some'/'moderate'." (mmarian)

3. 工具本质争议：wxw认为该平台并非真正的AI导师，而是带有AI自动评分的练习测验平台。关键引用：

   • "This isn't an AI tutor so much as a practice quiz platform with an AI autograder." (wxw)
   • "The conclusion is essentially that people who do practice quizzes will do better on exams." (wxw)

4. 未来潜力与担忧：部分评论者（如baq、zerobees、klustregrif）看好AI在教育中的潜力，但也表达了对社交替代、过度依赖等问题的担忧。关键引用：

   • "I'm convinced this is the future of education - models are there, we need the classroom tech to catch up." (baq)
   • "What creeps me out about bringing LLM into early education is that it's a period where kids learn to socialize and cope with problems." (zerobees)
   • "I am just happy that we are seeing some work towards bridging the 2 Sigma gap for regular education vs. elite private tutoring." (klustregrif)

平衡性总结： 评论呈现明显分歧：一方强调AI工具在提升参与度和学习效果上的巨大潜力（如90%自愿使用率、0.7 sigma改进），另一方则质疑研究设计（选择偏差、缺乏随机对照）和结论的普适性（可能仅反映练习效应而非AI教学优势）。多数评论者认可AI在教育中的探索价值，但呼吁更严谨的研究和关注长期影响。