研究计划书

大概半个月前，站长的Google Cloud绑卡后获得了300刀赠金，一直愁在什么地方花。今天下午随机过程的期中也是随机拿分了……因此我也在反思为什么自学没有想象中那么高效。

正巧今晚重读了叶老师关于“一对一辅导的学习效果极大地优于传统课堂教学”的译文。一个小想法油然而生——大学中「自助式学习」的重要性已经是老生常谈了，那么在大模型性能飞速增强的现在，LLM被高水平学习者有效利用的最佳实践是什么？是能处理杂务，协作研讨，还是连导师的身份也能很好胜任？

于是上课摸鱼弄了个计划书，没有质量和细节，轻喷。

探索前沿LLM模型
(Gemini 2.5 Pro Preview )
对早期本科生学习工作流、技能发展与个人状态的影响——多元案例研究

1. 背景与研究目的

• 背景： DeepSeek爆火后，LLM正以前所未有的速度渗透高等教育。对于刚步入大学、正在塑造学习习惯和探索未来方向的早期本科生而言，LLM（如高性能的 Gemini 2.5 Pro Preview 和快速响应的 2.0 Flash）可以革新信息获取、作业完成、概念理解、编程学习甚至跨学科技能培养的方式，从而改变教育关系。
• 研究缺口： 当前对 LLM 在教育中应用的研究，较少专门针对国内早期本科生这一关键群体，以及 LLM的差异化应用。此外，LLM 对非传统学术技能的支持以及“超级用户”的最佳实践探索也缺乏深入研究。
• 研究目的： 本研究旨在通过一项为期两个月的多元案例研究，深入探索 8 位背景各异的早期本科生（包含研究者本人）如何利用 Gemini 2.5 Pro Preview 和 2.0 Flash 模型（通过 Cherry Studio 平台交互），以支持他们的学习、技能发展和个人探索。研究将重点关注：
  • 不同背景学生（学业水平、年级、兴趣方向）对 LLM 不同模型和预设角色 (Persona) 的实际使用模式与偏好。
  • LLM 对参与者学习流程（如课程理解、作业完成、编程实践）、时间管理、探索新领域以及特定技能发展的影响。
  • LLM 使用与参与者自我报告的认知状态（如学习信心、理解深度）和个人状态（如专注度、压力感知、学习动力）之间的关联。
  • 通过研究者本人的参与，探索 LLM 在本科生场景下的“极限”应用和高级工作流。
• 研究意义： 本研究将为理解前沿 LLM 如何融入早期本科生的学习生态提供独特而细致的视角，揭示不同学生群体的差异化需求和挑战，为个性化 AI 助学工具的设计、教学策略的调整以及学生数字素养的培养提供实证依据。

2. 研究问题

• RQ1 (使用模式): 不同背景的早期本科生（年级、学业水平、兴趣方向、艺术生）如何通过 Cherry Studio 使用 Gemini 2.5 Pro Preview 和 2.0 Flash？他们偏好使用哪些模型/预设助手？主要用于哪些类型的任务或实践？
• RQ2 (学习影响): LLM 的使用如何影响参与者的学习流程（如理解课程、完成作业、准备考试）、时间管理效率、以及对新知识/技能的探索？
• RQ3 (认知与状态): 参与者如何感知 LLM 对他们学习信心、理解深度、问题解决能力、学习动力以及个人状态（如专注力、学业压力）的影响？
• RQ4 (特定案例):
  • (研究者) 作为一名熟悉 AI 的用户，探索出的针对本科学习场景的 LLM 高级应用策略和工作流是什么？这与普通本科生的使用模式有何异同？
• RQ5 (演化): 在两个月内，参与者的 LLM 使用策略、对其价值的认知或依赖程度是否发生了变化？

3. 研究方法

• 研究设计： 采用定性、纵向、嵌入式多元案例研究设计。将 8 位参与者（包括研究者本人）视为 8 个独立但相互关联的案例，进行为期两个月的数据收集，对比使用前后的变化。
• 参与者 (N=8):
  • 大一 (3人): 1 位学业欠佳，1 位 Top 学生，1 位中等水平。
  • 大二 (3人): 1 位 OIer，1 位直博生（帮导师工作），1 位方向不明。
  • 研究者本人 (1人): 大二直博生，技术爱好者，教育关注者（作为“专家用户”案例）。
  • 艺术生 (1人): 北影录音专业学生（高考后，入学前）。
  • 抽样方法： 目的性抽样 (Purposive Sampling)，旨在最大化样本的多样性以获得丰富视角。
• 研究工具：
  • LLM 模型： Google Gemini 2.5 Pro Preview (高性能) & 2.0 Flash (高速度)
  • 交互平台： Cherry Studio。利用其助手管理、话题分级、聊天记录导出功能。给予参与者一些默认Persona，允许自定义
  • 数据收集工具： 访谈指南（基线访谈、最终访谈）、知情同意书、CheyrryStudio聊天记录备份。
• 数据收集流程：
  • 阶段 0：准备与基线访谈 (第 0 周)
    • 伦理审批（如需）。
    • 招募并筛选参与者，签署知情同意书（特别说明研究者参与的双重角色，以及聊天记录将被脱敏匿名分析）。
    • 进行半结构化基线访谈，深入了解：当前学习状况、典型学习任务、时间安排、遇到的困难、常用学习工具/策略、对 AI 的了解和期望、当前的专注力/压力/动力/睡眠等状态。对艺术生，特别询问其专业技能学习方法和痛点。研究者记录自身当前 AI 使用习惯和期望。
    • 提供 Cherry Studio/API 访问，培训基本操作，介绍模型差异和预设助手。
  • 阶段 1：LLM 使用与数据记录 (第 1-8 周)
    • 参与者在学习、生活、技能练习中自由使用 Cherry Studio 调用两种模型。
    • 核心数据： Cherry Studio 导出的完整匿名化聊天记录。
    • 研究者日志： 研究者本人需定期记录自己的使用情况、探索过程、遇到的问题、形成的策略、以及对过程的反思。
  • 阶段 2：结束与最终访谈 (第 9-10 周)
    • 研究期结束。
    • 收集所有参与者（包括研究者自己）导出的聊天记录。
    • 进行半结构化最终访谈，聚焦：整体使用体验、模型选择偏好、对学习流程/效率/时间管理的影响、对课程理解/作业质量的感知变化、对学习信心/动力/压力的影响、特定技能的辅助情况、遇到的挑战与应对、对 AI 未来作用的看法。访谈中可引用其聊天记录片段进行追问。研究者进行自我总结访谈或深度反思报告。
• 数据分析：
  • 聊天记录分析：
    • 定量概览： 统计不同模型/助手的使用频率、对话长度、任务类型分布（按参与者背景分组对比）。
    • 定性内容分析： 对聊天内容进行编码，识别学习策略（如提问方式、信息验证）、任务分解、思维激发、技能练习（艺术生）、代码调试（OIer/直博生）等具体模式。分析不同背景学生的交互特点。
  • 访谈数据分析：
    • 采用主题分析法，对访谈稿和研究者日志进行编码，识别跨案例的共性主题（如“AI 作为个性化家教”、“时间管理的重塑”、“从信息获取到能力内化”）和特定案例的独特性（如“艺术创作中的人机协同”、“高阶用户的策略演化”）。
  • 案例对比分析： 系统比较不同背景（年级、成绩、兴趣）参与者的使用模式和影响差异。特别分析艺术生案例和研究者案例的特殊性。
  • 三角互证： 结合访谈、聊天记录和研究者日志，相互验证发现。
• 伦理考量：
  • 知情同意： 充分告知研究细节、数据用途、匿名化措施、自愿原则。特别说明研究者既是组织者也是参与者，其数据也会被分析，并会努力减少偏见。
  • 匿名化与保密： 对所有数据严格匿名，保护参与者隐私。
  • 数据安全： 安全存储数据。
  • 利益冲突声明： 在最终报告/论文中明确声明研究者的双重角色。

4. 时间计划 (初步)

• 第 0 周： 准备，伦理审批，招募，基线访谈，工具设置。
• 第 1-8 周： LLM 使用期，数据记录，研究者日志。
• 第 9-10 周： 结束使用，收集数据，最终访谈。
• 第 11-18 周 (或更长)： 数据处理、深度分析、案例撰写、跨案例比较、论文撰写。

5. 预期成果与产出

• 一份包含丰富案例细节的深度研究报告，揭示前沿 LLM 在早期本科生多元群体中的应用图景。
• 识别不同学生群体使用 LLM 的有效策略、常见误区和潜在风险。
• 关于 LLM 支持特定技能学习的初步证据和模式。
• 一套由研究者探索总结的、适用于本科学习场景的 LLM 高级用法和工作流建议。

站长水平有限，这份计划书只是初稿，期待正式开始前与参与者一起完善研究计划。