Scaffolding generative AI as a tutor: A quasi-experimental study of learning outcomes and motivational, cognitive and metacognitive processes
Open accessAbstract
Generative artificial intelligence (AI) is increasingly used in higher education as an interactive tutoring partner rather than a passive information tool. While AI offers opportunities to support learning, concerns remain regarding cognitive offloading, reduced engagement, and unreflective use. Although instructional scaffolding is a well-established design principle for supporting complex learning, its role in shaping cognitive and metacognitive processes in AI-supported settings remains underexplored. This quasi-experimental pre–post study examined how varying levels of scaffolding influence learning outcomes and motivational, cognitive and metacognitive processes during AI-tutored learning. A total of 175 first-semester students from two faculties and diverse academic backgrounds completed the same academic task within a four-hour university session under one of three conditions: (1) full scaffolding, including a structured prompting template based on the Goal–Context–Constraints (GCC) strategy, iterative refinement, and reflective guidance; (2) light scaffolding, including the GCC prompting template; or (3) no scaffolding template as the control condition. Measures included knowledge gain, motivation, cognitive load, critical thinking, and reflective use. Data were analysed using ANOVAs, ANCOVAs, regression models, and PROCESS moderation and mediation analyses. Across the conditions, students showed significant gains in knowledge, critical thinking, and reflective use, while motivation remained stable and intrinsic and extraneous cognitive load decreased; no significant differences between scaffolding conditions were observed. The scaffolding conditions did not produce significant interaction effects, although descriptive trends suggested higher gains in higher-order knowledge under scaffolded conditions. Overall, the findings suggest that short-term learning gains in AI-supported settings may not depend on scaffolding intensity alone, but rather on how learners engage with AI during the learning process.
The claims and statistics of this paper haven’t been checked yet.
Run the check — free, no account needed. It reads the open-access text and checks the sources it cites.
Integrity signals
Registry
Cites
Statistics
Claims the paper makes
The claims and statistics of this paper haven’t been checked yet.
Run the check — free, no account needed. It reads the open-access text and checks the sources it cites.
Claims other papers make about this one
Each is checked against this paper’s own text: does it say what the citing paper says it does?
This pattern indicates that scaffolded GenAI use extends beyond the higher-order skills emphasised in recent literature, operating as a broader mechanism consistent with Melanou and Beege's finding of gains distributed across the full cognitive hierarchy rather than concentrated at higher-order outcomes.
“This pattern indicates that scaffolded GenAI use extends beyond the higher-order skills emphasised in recent literature (Iqbal et al., 2025), operating instead as a broader mechanism that is consistent with Melanou and Beege's (2026) finding of gains distributed across the full cognitive hierarchy rather than concentrated at higher-order outcomes.”
From <b>Effects of Partial vs. Full Cognitive Offloading with Generative AI on Learning Retention </b> (2026) · cites this paper as Melanou and Beege, 2026
Split into 2 atoms — 1 confirmed, 1 partially supported, 0 disputed, 0 misattributed, 0 unverifiable. Expand the claim to see per-atom verdicts.
Experimental — accuracy not yet measured
Self-check
Percentages, sums and reported differences re-computed from the paper’s own numbers.
The self-check needs the paper’s full text.
Cites
The publisher hasn’t deposited this paper’s reference list.
Research works printed but not linked: 13
- https://doi.org/10.3390/educsci16040651 Verwenden Sie den Ask Alma Chatbot als Tutor, um die heutigen Inhalte selbst zu vertiefen. Laden Sie die Lernmaterialien hoch und nutzen Sie die KI mit Hilfe der Scaffolding-Vor- lage (siehe Anhang A.3.3.). Formulieren Sie drei mögliche Prüfungsfragen zum Thema der Lehrmaterialien und geben Sie eine richtige Musterantwort. Die Frage soll zeigen, dass Sie die Inhalte verstanden haben und kritisch reflektiert können. Abgabe: Speichern Sie Ihre Ergebnisse in einer Word-Datei (.docx) und laden Sie diese als Abgabe hier in Moodle hoch. Control Condition Verwenden Sie den Ask Alma Chatbot als Tutor, um die Inhalte der heutigen Einheit "Einführung in die KI-Kompetenzen" selbständig zu vertiefen. Laden Sie die Lernmate- rialien (Folien) in Ask Alma hoch und nutzen Sie die KI, um zentrale Inhalte zu wieder- holen, zu erklären und zu vertiefen. Formulieren Sie anschließend drei mögliche Prüfungsfragen zu den Lernmaterialien und geben Sie jeweils eine richtige Musterantwort. Ihre Fragen sollen zeigen, dass Sie die In- hate verstanden und reflektiert haben. nicht nur wiedergeben. Hinweis: Verwenden Sie die KI als Lernhilfe, nicht zur automatischen Texterstellung. Sie entscheiden selbst, welche Fragen Sie der KI stellen, um die Themen zu verstehen oder zu vertiefen. Nutzen Sie die KI, um Beispiele zu finden, Begriffe zu erklären oder Zusammenhänge zu klären. Abgabe: Speichern Sie Ihre Ergebnisse in einer Word-Datei (.docx) und laden Sie diese als Abgabe hier in Moodle hoch. Appendix A.3.3. Scaffolding Templates Full-Scaffolding Condition Diese Vorlage unterstützt Sie dabei, die KI gezielt als Lernhilfe zu nutzen, um die Inhalte der Vorlesung "Einführung in die KI-Kompetenzen" besser zu verstehen. Sie können die KI verwenden, um technische, ethische und rechtliche Aspekte zu wieder- holen, zu klären und zu reflektieren. So bereiten Sie sich optimal auf die Aufgabe vor. · DOI
- GCC-Strategie (Goal-Context-Constraints) Formulieren Sie Ihr Lernziel (Goal) Was möchten Sie mithilfe der KI besser verstehen? Beziehen Sie sich auf ein Thema aus der Vorlesung oder den Folien (z. B. maschinelles Lernen, schwache/starke KI, EU-KI-Verordnung, Urheberrecht, Fairness). Prompt-Beispiele: "Ich möchte den Unterschied zwischen schwacher und starker KI verstehen." "Ich möchte den Unterschied zwischen überwachten und unüberwachten Lernverfahren nachvollziehen." "Ich möchte besser erklären können, was die EU-KI-Verordnung regelt." "Ich möchte nachvollziehen, warum algorithmische Fairness wichtig ist." Geben Sie den Kontext an (Context) Für wen soll die Erklärung verständlich sein? (z. B. für Studierende im 1. Semester, für eine Person ohne KI-Vorkenntnisse, im studen- tischen und beruflichen Alltag) Setzen Sie klare Rahmenbedingungen (Constraints) https://doi.org/10.3390/educsci16040651 Welche Anforderungen soll die KI-Antwort erfüllen? (z. B. maximal 100 Wörter, einfache Sprache, mit Beispiel aus dem Alltag oder Studium) Refine-Loop-Antwort in Schritten verbessern Nutzen Sie die erste Antwort nicht direkt. Stellen Sie mindestens zwei Folgefragen, um die Erklärung zu verbessern, zu vertiefen, zu vereinfachen oder kritisch zu vertiefen. Prompt-Beispiele: "Formuliere die Erklärung einfacher und mit einem Beispiel aus dem Alltag." "Welche Vorteile und Risiken gibt es?" "Wie kann man das Konzept in einem realen Anwendungsfall sehen?" "Wie könnte man das in der Hochschule anwenden?" "Welche typischen Missverständnisse gibt es bei diesem Thema?" Ziel: Das Thema wirklich verstehen-nicht nur wiedergeben. Source-Check and Reflection Fragen Sie gezielt nach Quellen oder Belegen. Überprüfen Sie, ob diese plausibel und lernmaterialiennah sind. Prompt-Beispiele: "Nenne eine Quelle oder ein Beispiel, das diese Aussage stützt." "Welche rechtliche Grundlage oder ethische Leitlinie gilt hier?" "Wie stimmt diese Antwort mit dem überein, was wir in der Vorlesung besprochen ha- ben?" Output-Checkliste Überprüfen Sie die KI-Ausgabe kritisch auf Grundlage Ihres eigenen Verständnisses und Ihrer eigenen Erkenntnisse und fassen Sie die zentralen Punkte zusammen, die Sie tatsächlich verstanden haben. Leitfragen: Wie würde ich das Thema jemandem in eigenen Worten erklären? Was ist die wichtigste Erkenntnis aus diesem Dialog? Welche Aussage der KI war für mich unklar oder missverständlich und wie verstehe ich sie jetzt? Gibt es eine Aussage im KI-Output, die ich hinterfragen oder korrigieren würde? Welche typische Prüfungsfrage könnte dazu passen und wie würde ich sie beantworten? · DOI
- Akgun, M., & Toker, S. (2025). Short-term gains, long-term gaps: The impact of GenAI and search technologies on retention (version 1). arXiv, arXiv:2507.07357. https://doi.org/10.48550/ARXIV.2507.07357. · DOI
- Anderson, L. W., & Krathwohl, D. R. (Eds.). (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom's taxonomy of educational objectives. Longman.
- Bai, Y., & Wang, S. (2025). Impact of generative AI interaction and output quality on university students' learning outcomes: A technology-mediated and motivation-driven approach. Scientific Reports, 15(1), 24054. https://doi.org/10.1038/s41598-025-08697- · DOI
- Boguslawski, S., Deer, R., & Dawson, M. G. (2025). Programming education and learner motivation in the age of generative AI: Student and educator perspectives. Information and Learning Sciences, 126(1/2), 91-109. https://doi.org/10.1108/ILS-10-2023-0163. https://doi.org/10.3390/educsci16040651 · DOI · Paper page
- Creswell, J. W. (2014). Research design: Qualitative, quantitative, and mixed methods approaches (4th ed.). SAGE.
- Facione, P. A. (1990). Critical thinking: A statement of expert consensus for purposes of educational assessment and instruction. The California Academic Press.
- Gkintoni, E., Antonopoulou, H., Sortwell, A., & Halkiopoulos, C. (2025). Challenging cognitive load theory: The role of educational neuroscience and artificial intelligence in redefining learning efficacy. Brain Sciences, 15(2), 203. https://doi.org/10.3390/brain- sci15020203. · DOI
- Hayes, A. F., & Little, T. D. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). The Guilford Press.
- Ifenthaler, D., & Egloffstein, M. (2020). Development and implementation of a maturity model of digital transformation. TechTrends, 64(2), 302-309. https://doi.org/10.1007/s11528-019-00457-4. · DOI
- Pireci Sejdiu, N., & Sejdiu, S. (2025). The quiet transformation of higher education in the AI era. Open Research Europe, 5, 249. https://doi.org/10.12688/openreseurope.20715. · DOI
- Vygotsky, L. S., & Cole, M. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
Cited by
Sorted by citations
Boateng, F. O., Davor, I., Larbi, E., & Boateng, E. A. (2026) · Research Square · doi:10.21203/rs.3.rs-10778501/v1 · Cited by 1 · see citing works
Alamri, J. M., & Alhalafawy, W. S. (2026) · International Journal of Technology in Education · doi:10.46328/ijte.8779
Irwansyah, I., Syahputri, I. W., & Syahputra, I. W. (2026) · Marketing Education Review · doi:10.1080/10528008.2026.2693702
Terceirização cognitiva e pensamento crítico
Ribeiro, K. R., & de Matos, M. A. E. (2026) · Revista Sítio Novo · doi:10.47236/2594-7036.2026.v10.2239
Elting, S., Solano, L., Strowd, R. E., III, & Fu, K. A. (2026) · doi:10.2196/preprints.108180
Cognitive Dependency and Pedagogical Resilience in AI-Saturated Classrooms
Alam, A. (2026) · Advances in computational intelligence and robotics book series · doi:10.4018/979-8-3373-9484-8.ch007
Artificial Intelligence in Inclusive Education
Koza, C., & Λαζακίδου, Γ. (2026) · Advances in computational intelligence and robotics book series · doi:10.4018/979-8-3373-9169-4.ch006
Beyond AI Police: How Generative AI Is Transforming Education in the Field of Leisure and Recreation
Stodolska, M., & Agate, S. T. (2026) · Leisure Sciences · doi:10.1080/01490400.2026.2716352
Information Literacy Through Open Pedagogy: What’s the Role of AI Tools?
Clinton‐Lisell, V. (2026) · Sustainability · doi:10.3390/su18178684
Bu, Y., zhang, Z., Wang, S., & Li, Y. (2026) · Research Square · doi:10.21203/rs.3.rs-10212076/v1
Setiawan, G., Jacob, G. S., & Yoenanto, N. H. (2026) · Learning and Motivation · doi:10.1016/j.lmot.2026.102358
Shan, X., Ye, X., Tu, Y., He, Z., Liu, Z., Zheng, S., Zeng, T., & Zhu, H. (2026) · Sustainability · doi:10.3390/su181910031
The Impact of AI Prompts on Learners' Cognitive Load in a Digital Educational Environment
Арлаков, Е. А. (2026) · Almanac Institute of special education · doi:10.66435/almanac.ise.63.03
- Authors
- Melanou, C., & Beege, M.
- Affiliations
- Baden-Wuerttemberg Cooperative State University (DE)
- University of Education Freiburg (DE)
- Corresponding author
- Melanou, Chrysanthi
- Venue
- Education Sciences
- Publisher
- MDPI AG
- Published
- 2026-04-20
- Volume
- 16
- Issue
- 4
- Pages
- 651
- ISSN
- 2227-7102 (ISSN-L)
- OpenAlex
- W7154999853
- Cited by
- 12
- References
- 0
- Citations by year
- 2026: 12
- FWCI
- 41.45
- Type
- journal article
- Language
- en
- Open access
- gold
- doi.org
- Licence
- Locations
- Education Sciences (publishedVersion, cc-by)
- Publication Server (Pädagogischen Hochschule Freiburg) (submittedVersion, cc-by)
- DOAJ (DOAJ: Directory of Open Access Journals) (submittedVersion, cc-by-sa)
- Topics
- Physical Sciences › Computer Science › Artificial Intelligence › Intelligent Tutoring Systems and Adaptive Learning
- Social Sciences › Psychology › Developmental and Educational Psychology › Innovative Teaching and Learning Methods
- Physical Sciences › Computer Science › Information Systems › Artificial Intelligence in Education
- Keywords
- instructional scaffolding, AI-assisted learning, cognitive load, metacognition, student motivation, critical thinking, knowledge improvement, higher-order knowledge, first-year students
About these checks
Registry, retraction, Cites and statistics results are computed, not judged, with one exception: a printed reference that no index lists is read once by a model before it counts as a citation error. Claims are extracted by a model and kept only when their quote appears verbatim in the text; each cited source is then checked, with a model’s help, for whether it says what the claim relies on. Those verdicts can be wrong — read the claim’s quote and the cited source before relying on one.
Statistics and arithmetic are recomputed, not judged.
Confidence bands are shown only for fields calibrated on our annotated test set. None is calibrated yet, so no band is shown.
What counts as a claim ›How we measure confidence ›How we check this ›
Are you an author, or do you see a problem with this page? Request a review
