A medida que el aprendizaje exploratorio (AE) se observa cada vez más con el uso de modelos de lenguaje grandes (MLGs), los estudiantes demuestran niveles de compromiso y efectividad notablemente variados cuando interactúan con entornos de aprendizaje apoyados por MLGs. Sin embargo, los mecanismos subyacentes que impulsan estas disparidades, particularmente en cómo los estudiantes interactúan con los MLGs, siguen siendo poco explorados. Para abordar esta brecha, este estudio comparativo observacional investiga sistemáticamente las estrategias de AE de 46 estudiantes en dos regiones diferentes de Asia, clasificando 25 estrategias distintas a través de etapas cognitivas utilizando el modelo de Profundidad del Conocimiento. Nuestro análisis compara el uso de estrategias entre subgrupos de estudiantes de alto y bajo rendimiento. Los hallazgos revelan: (1) Una tendencia a la baja en la utilización de estrategias de AE a medida que se asciende en las etapas cognitivas. (2) Los estudiantes de alto rendimiento emplearon estrategias de AE con más frecuencia que sus compañeros, con diez estrategias de AE que mostraron diferencias significativas entre grupos. (3) Entre los estudiantes con diferentes experiencias en IA, solo unas pocas estrategias de AE y etapas cognitivas mostraron diferencias significativas. Estos conocimientos pueden ayudar a los educadores y diseñadores de interfaces de MLG a desarrollar asistencia de aprendizaje exploratorio dirigida para diferentes tipos de estudiantes y ayudarles a construir procesos metacognitivos de alto nivel para una interacción efectiva entre humanos y computadoras.