Categories
社交及情意成果 高等教育

揭示隱藏的關鍵：求助行為能否彌合博士生導師關係與研究自我效能之間的差距？

最近，Jeanne Boisselier 進行了一項橫斷面研究，探討博士生導師關係（DSR）與研究自我效能（RSE）之間的關係，特別關注求助行為在其中的中介作用。研究旨在了解，主動與非主動求助行為是否可以作為橋樑，連接導師支持與學生對自身研究能力的信心。研究樣本為178名就讀於法國大學及研究機構的博士生。

作者採用了 ANOVA、線性迴歸與中介分析來檢驗各研究變數之間的關聯。主要構念使用多維度的五點 Likert 量表進行測量。博士生導師關係評估了五個維度：自主支持（Autonomy Support）、能力支持（Competence Support）、關係支持（Relatedness Support）、溝通質量（Communication Quality）及導師投入（Supervisor Involvement）。求助行為分為主動求助（Adaptive Help-seeking），反映學生主動獲取掌握能力的策略；以及非主動求助（Non-adaptive Help-seeking），反映因自尊受威脅而迴避尋求幫助的行為。研究自我效能指學生對自身能否成功完成研究相關任務與過程的主觀信心。

結果顯示，DSR 的五個維度均顯著正向預測 RSE：自主支持（β = .20, p < .01）、能力支持（β = .27, p < .01）、關係支持（β = .29, p < .01）、溝通質量（β = .31, p < .01）、導師投入（β = .28, p < .01）。中介分析顯示，主動求助在 DSR 與 RSE 的關係中起部分中介作用，並完全中介了自主支持的效果；相反，非主動求助發揮負向中介作用：有效的導師支持可減少迴避求助行為，從而防止學生研究信心下降。儘管這些求助行為途徑顯著，但導師的直接支持對 RSE 的影響仍更為強烈，突顯導師關係質量本身的重要性。

研究結果提醒導師與院校，需要關注博士生指導的多維特性，特別是透過提升溝通質量與自主支持來鼓勵學生主動求助。

 

文獻來源（開放取用）：Boisselier, J. (2026). Unveiling the hidden key: can help-seeking behaviors bridge the gap between doctoral supervision relationship and research self-efficacy of PhD candidates? Higher Education Research & Development, 45(1), 33-48.

https://doi.org/10.1080/07294360.2025.2526816… Read the rest

Categories
有效教學法 中學教育

當 AR 讓學習更有趣，卻未必更有效

Olea-Ibarra 等人（2025）探討擴增實境（AR）如何影響中學生在科學學習中的學習樂趣、認知性情緒與知識獲得。雖然 AR 常被視為一種能提升抽象內容吸引力的沉浸式工具，但這一研究關注一個重要而尚未充分解答的問題：在 AR 學習中，更高的學習樂趣與情緒激發是否真的會轉化為更好的學習成效，尤其是在年齡較小的學習者群體中。這一研究以七年級學生學習太陽系為情境，比較 AR 學習與非沉浸式靜態多媒體學習之間的差異。

這一研究採用準實驗田野研究設計，研究對象為墨西哥一所國際中學的 47 名七年級學生。學生按班級組別被分配至 AR 組或對照組。AR 組學生使用平板電腦上的 Jigspace 應用程式，以空間互動方式探索太陽系內容，包括行星的位置與特徵；對照組則使用平板電腦上的互動式 PowerPoint幻燈片，透過靜態圖片與文字學習相同內容。研究透過前測與後測評估學生的知識掌握情況，並在學習活動前、學習過程中及活動結束後多次測量其學習樂趣與認知性情緒。

研究結果呈現出一種混合且略為反直覺的模式。AR 組學生的學習樂趣顯著高於對照組；在學習過程中及學習結束後的平均樂趣得分方面，AR 組（M = 3.86, SD = 0.84）高於對照組（M = 2.84, SD = 0.66），且效應量較大（d = 1.37）。AR 亦引發了更強的正向認知性情緒，包括驚訝（d = 1.09）、好奇（d = 1.05）與興奮（d = 1.07）。然而，對照組學生的知識增長反而高於 AR 組；對照組的知識增長（M = 12.20%, SD = 6.90）明顯高於 AR 組（M = 4.66%, SD = 6.41），且效應量較大（d = 1.13）。重複測量 ANOVA 進一步顯示，學習條件與測量時間之間存在顯著交互作用，表明知識增長僅在對照組中達到統計顯著，F (1,45) = 15.049, p < .001。中介分析亦顯示，學習樂趣並未顯著中介 AR 使用與知識增長之間的關係（b = 1.857, SE = 1.356, p = .171）。這些結果表明，AR 確實可以讓學習在情緒層面更具吸引力，但這種情感優勢並不會自動轉化為更好的知識獲得。

整體而言，這一研究為學校科學學習中使用沉浸式科技提供了一個重要的提醒。AR 可能提升學生的學習樂趣，並激發正向認知性情緒，但當情緒投入與以任務為中心的認知加工相互競爭時，也可能分散學生注意力，甚至造成情感負荷過高。研究強調，在設計 AR 學習環境時，需要謹慎平衡沉浸感、情緒激發與教學焦點。換言之，教師不應預設「更有趣」或「更吸引人」的媒介一定會帶來更好的學習效果，而應在清晰教學引導下使用 AR，尤其是在面向年齡較小的學習者時。

文獻來源（開放取用）：Olea‐Ibarra, D., Hartmann, C., & Bannert, M. (2025). The role of enjoyment and epistemic emotions in middle school AR learning: A quasi-experimental field study. Journal of Computer Assisted Learning, 41(2), e70016.

https://doi.org/10.1111/jcal.70016… Read the rest

Categories
高等教育 有效教學法

生成式人工智能反饋如何支援線上高等教育中的自我調節學習

Yilmaz及其團隊最近進行的一項混合方法研究，探討人工智能生成的反饋能否協助大學生在線上課程中發展自我調節學習能力（self-regulated learning skills, SRLs），以及學生對反饋來源的感知如何影響其態度。這項研究在一個為期九週的遠距「基礎統計學」課程中進行，共有46名高等教育學生參與，並被隨機盲分至生成式人工智能反饋組（n = 23）或導師反饋組（n = 23），參與者在整個介入期間均不知悉自己接收的反饋類型。

研究團隊採用了Nazaretsky及其團隊（2024）提出的四維反饋感知框架，涵蓋客觀性、實用性、真誠性及提供者可信度，並結合Barnard及其團隊（2009）提出的六維自我調節學習模型，包括目標設定、任務策略、環境建構、時間管理、求助行為及自我評估。自我調節學習的評估則採用改編自Ye與Pennisi（2022）框架的軌跡數據指標，研究團隊從大約48,000條MOODLE日誌記錄中挖掘、標準化並映射出自我調節學習代理分數，並在兩次反饋介入前後分別進行測量。生成式人工智能反饋透過GPT-4生成，並以結構化提示輸入每位學生的個人代理z分數；導師反饋則透過一個名為RefleXED的專用支援工具生成，同樣基於相同的基礎數據。

結果顯示，學生在所有反饋感知維度上，對人工智能生成的反饋評價均高於導師生成的反饋，其中真誠性維度呈現統計顯著的優勢（p = .036, r = .36）。在自我調節學習發展方面，人工智能反饋組在任務策略維度上顯示出顯著改善（p = .044, r = .35），而時間管理維度則呈現接近顯著的趨勢（p = .057, r = .33），其餘自我調節學習維度則未發現組間顯著差異。針對17名實驗組學生的開放式回應進行的質性分析顯示，學生對反饋來源的知悉程度存在相當大的差異：能識別反饋為人工智能生成的學生普遍表示態度沒有改變，重視反饋內容的品質而非其來源；而部分未察覺來源的學生則表示，若事先知悉來源，其看法可能會有所不同。

研究結果表明，精心設計並結合學習分析數據的生成式人工智能反饋，在線上高等教育中具有規模化提供個人化自我調節支援的實際潛力，但研究者提醒，不應將生成式人工智能視為導師的替代品。相反，他們主張採用一種互補模式，讓生成式人工智能的可擴展性與適應性，與導師的教學專業判斷相輔相成，同時院校亦須留意學生對反饋來源的知悉程度及感知，如何影響反饋的最終成效。作者指出，本研究樣本量偏小（n = 46）且來自單一課程，限制了研究結果的普遍適用性，因此呼籲未來研究應涵蓋更大規模、更多元化的學生群體，設立無反饋對照組，並對自我調節學習成果進行更長期的追蹤。

文獻來源（開放取用）：Yilmaz, M., Temur, H. B., Emmungil, L., Çelik, E., Gauthier, A., & Cukurova, M. (2026). Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback. International Journal of Educational Technology in Higher Education, 23(1), 16.

https://doi.org/10.1186/s41239-026-00592-y… Read the rest

Categories
計劃評鑑 高等教育

不平等的參與機會，卻能達成相近結果？大學主導 STEM 計畫中的性別差異

Guo 等人（2025）探討大學主導的 STEM 計畫是否能作為縮小性別差距的關鍵機制，進而影響大學生的 STEM 職涯承諾（career commitment）。研究以社會認知職涯理論（Social Cognitive Career Theory）為基礎，分析四項計畫因素（課程資源、研究機會、導師品質與同儕互動）如何影響學生的 STEM 職涯承諾，並檢驗 STEM 專業自我效能感（STEM professional self-efficacy）與 STEM 專業人員知覺（perceptions of STEM professionals）在其中扮演的中介角色，以及這些機制是否在不同性別間存在差異。研究數據來自中國 39 所重點大學的 19,108 名本科生，所有學生均參與了一項全國性精英 STEM 培育方案——「強基計畫」。

研究採用 t 檢驗、迴歸分析與多群組結構方程模型進行分析，比較計畫參與者與非參與者之間的職涯承諾在不同性別間的差異。結果顯示，在整體樣本中，男性學生的 STEM 職涯承諾顯著高於女性；然而，在參與「強基計畫」的學生中，此一性別差距已不再顯著。女性參與者在課程資源、研究機會與導師品質上的評價反而高於男性，而男性則在同儕互動上表現更好，顯示制度化的學術支持環境有助於縮小本科生在職涯承諾上的性別差距。

迴歸結果進一步指出，四項計畫因素皆能顯著正向預測 STEM 職涯承諾。其中，課程資源與研究機會對女性學生的影響更為顯著，而同儕互動則對男性學生的影響更大；導師品質的影響則在性別間並無顯著差異。此結果顯示，不同性別對制度支持元素的敏感度存在結構性差異。

多群組中介分析揭示了更為細緻的性別路徑。對女性學生而言，課程資源與研究機會主要透過提升 STEM 專業自我效能感與正向的職業知覺，進而增強其職涯承諾；相較之下，男性學生的職涯承諾則更多經由同儕互動影響其對 STEM 專業人員的知覺而形成。導師品質則在兩性之間展現相近的中介效果。此結果說明，即使最終結果趨於平等，其形成機制仍具有顯著性別差異。

整體而言，本研究顯示，大學主導的 STEM 計畫即使在女性參與比例仍偏低的情況下，仍能有效促進其 STEM 職涯承諾，發揮實質的性別平衡功能。通過揭示不同性別的心理與情境路徑，本研究不僅拓展了社會認知職涯理論在 STEM 教育情境中的應用，也為高等教育制定更具針對性的 STEM 政策與支持體系提供了重要實證依據。

 

文獻來源（開放取用）：Guo, C., Wu, W., Hu, T., & Gao, T. (2025). Unequal access, equal outcomes? Gender differences in the relationship between university-led STEM program factors and undergraduates’ career commitment in STEM. International Journal of STEM Education, 12(1), 46.

https://doi.org/10.1186/s40594-025-00569-9… Read the rest

Categories
有效教學法 中學教育

利用AR智能輔助提升中學科學學習效果

Ateş（2025）探討將擴增實境（AR）與智能導學系統（ITS）結合，是否能提升初中學生的科學學習成效與學習體驗。本研究聚焦於週期表教學，這一主題對學生而言往往較具挑戰，因為它涉及抽象概念以及元素之間的複雜關係。研究透過結合 AR 視覺化工具與 ITS 所提供的個別化回饋、自適應學習路徑及個別化支援，考察這種科技增強教學方式是否較傳統科學教學更有效。

本研究採用準實驗前測—後測控制組設計，對一所公立初中的 58 名八年級學生進行研究。實驗組使用 ITS-AR 系統學習，對照組則接受傳統教科書式教學，包括課本閱讀、教師講授、示範、練習與測驗。整個介入歷時八週：學生首先了解學習系統，之後完成前測與問卷，接著進行四週教學活動，最後完成後測與後續問卷。研究測量了學生的學業成就、學習投入、科學學習動機與自我效能感。

結果顯示，ITS-AR 組學生在所有測量結果上均顯著優於對照組。在控制前測差異後，實驗組學生表現出更高的科學學習成效、更強的學習投入、更高的科學學習動機，以及更強的自我效能感。AR 元素幫助學生以更動態的方式視覺化並操作週期表內容，而 ITS 元素則能對學生的項目構想提供回饋，並支援更具個別化的學習。兩者結合後，有助於將抽象的科學概念轉化為更具體、互動且容易理解的學習內容。

整體而言，本研究表明，由 AR 支援的智能導學系統可以成為提升科學學習與促進學生動機、情感發展的有效教學方式。研究凸顯了在科學教育中整合人工智能與沉浸式視覺化工具的價值，尤其適用於學生需要理解抽象或高度依賴視覺表徵的概念時。同時，由於本研究樣本量相對較小，且僅來自一所學校，其結果應被視為具有潛力的初步證據，未來仍需在更大規模及更多元的教育情境中進一步驗證。

文獻來源（開放取用）：Ateş, H. (2025). Integrating augmented reality into intelligent tutoring systems to enhance science education outcomes. Education and Information Technologies, 30(4), 4435-4470.

https://doi.org/10.1007/s10639-024-12970-y… Read the rest

Categories
社交及情意成果 K-12 教育階段

教師職業倦怠與缺勤、師生互動及學生動機與成就之關聯

Wartenberg 及其團隊採用元分析與系統性回顧方法，全面檢驗教師職業倦怠與其專業表現及學生結果之間的關係。研究整合了 86 項研究、90 個獨立樣本，共 38,457 名教師，系統分析三項核心倦怠症狀——情緒耗竭（emotional exhaustion）、去個人化（depersonalization）與低成就感（reduced personal accomplishment）——與教師缺勤、師生互動品質，以及學生動機與學業成就之間的相關。

研究結果顯示，教師倦怠與多項專業與學生結果之間存在穩定但強度不一的關聯。首先，在教師缺勤方面，情緒耗竭與缺勤呈小幅正相關（r = .18, 95% CI [.08, .29]），去個人化亦呈小幅正相關（r = .14, 95% CI [.04, .24]），而低成就感與缺勤的關聯接近於零但仍達顯著（r = .08, 95% CI [.03, .12]）。其次，在師生互動方面，三項倦怠症狀皆與互動品質呈負相關，其中去個人化（r = −.21, 95% CI [−.33, −.09]）與低成就感（r = −.21, 95% CI [−.37, −.05]）的關聯往往比情緒耗竭更強（r = −.12, 95% CI [−.17, −.07]）。再次，在學生結果方面，情緒耗竭與學生動機呈小幅負相關（r = –.23, 95% CI [–.28, –.17]），但與學生學業成就的總體關聯接近於零（r = –.05, 95% CI [–.11, .01]）；去個人化與低成就感在學生動機與成就上的研究數量較少，但整體也呈現負向趨勢。

進一步的後設迴歸顯示，評量來源是重要調節因素，且教師自陳通常比外部評量呈現更強的負向關聯。其中，低成就感與教學支持的關聯在教師自陳下為 r = –.41，但在外部報告中已不顯著（r = –.03；β = –.35, p < .001）。這說明若僅依賴教師自評，可能會高估教師倦怠與教學表現之間的關聯。

整體而言，本研究指出，教師倦怠不僅與教師自身的缺勤風險有關，也與較差的師生互動品質及較低的學生動機穩定相關，但與學生學業成就的直接關聯相對較弱。研究同時提醒，倦怠的不同面向並非作用一致，其中去個人化與低成就感在師生互動層面的關聯往往比情緒耗竭更強。作者據此建議，未來的教師支持與介入方案不應只聚焦減少壓力或情緒耗竭，也應重視教師與學生互動品質及教師專業效能感的維護；在研究方法上，則應更多結合觀察、學生報告與縱貫設計，以更準確掌握教師倦怠對教學與學生發展的實際影響。

 

文獻來源（開放取用）：Wartenberg, G., Aldrup, K., Grund, S., & Klusmann, U. (2026). How strongly is teachers’ burnout related to teacher absenteeism, teacher–student interactions, and student motivation and achievement: A meta-analysis and systematic review. Review of Educational Research, 00346543261455273.

https://doi.org/10.3102/00346543261455273… Read the rest