分類: 高等教育

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
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
高等教育 學業成績 小學教育 中學教育

備考活動對大型教育測驗表現的影響：實驗研究的後設分析

近期一項後設分析考察備考活動是否能提升學生在大型教育測驗中的表現。儘管學校、商業機構與學生投入大量資源於備考課程與材料，既有研究對其效果的結論並不一致。早期綜述也多集中於美國大學入學考試與認知能力測驗，且主要依賴2000年以前的研究。因此，本研究旨在估計備考活動的整體效果，並分析其是否因干預方式、測驗特徵、學生特徵與研究設計而有所不同。

研究者整合了28項實驗與準實驗研究，共納入92個效應量與16,741名參與者，涵蓋初等、中等與高等教育階段，以及大學入學考試、英語能力測驗和其他大型評量。研究採用階層隨機效應模型與穩健變異數估計，並分析干預範圍、策略與材料使用、測驗特徵、既往測驗經驗及研究設計的調節作用。

結果顯示，備考活動對測驗表現具有顯著正向效果（g=.26，95%信賴區間 [.10,.42]，p<.001），但研究間異質性較高（I^2=82.44%）。聚焦於測驗相關內容的特定型干預（g=.33）與窄化型干預（g=.32），均明顯優於發展一般知識或可遷移能力的廣泛型干預（g=-.04）。包含應試技巧訓練的干預效果也較強（g=.35），未包含者的效果則接近於零（g=.05）。具有既往測驗經驗的學生受益更多（g=.69），而缺乏此類經驗者的效果不顯著（g=.06）。然而，備考效果未能顯著遷移至同一領域的其他測驗（g=.06，p=.502）。

綜合而言，備考活動能夠提高大型教育測驗分數，但其效果主要來自與目標測驗的高度對應，而非廣泛學習能力的提升。有限的遷移效果也表明，分數增長未必代表測驗所衡量能力的實質發展。未來研究應採用更嚴謹的實驗設計，更清楚地報告干預過程，並區分測驗分數提升與可遷移學習。

 

文獻來源（開放取用）：Hao, Z., Baird, J. A., Masri, Y. E., & Double, K. (2025). The impact of test preparation on performance of large-scale educational tests: A meta-analysis of experimental studies. Review of Educational Research, 00346543251360775.

https://doi.org/10.3102/00346543251360775… Read the rest

Categories
高等教育 K-12 教育階段 教育行政及領導

生成式人工智慧對學生高階思維的影響：來自三層元分析的證據

鑒於目前人工智慧教育（AIEd）的發展趨勢，系統梳理生成式人工智慧（Gen-AI）對高階思維（HOT）的整體影響至關重要，因為研究人員已經創造性地將生成式人工智慧應用於輔助教學與學習中。目前的輿論中存在一種擔憂，即生成式人工智慧可能會損害高階思維。然而，關於生成式人工智慧對高階思維具體影響的實證研究仍然較為分散，尚未達成共識。Nie等人（2025年）的研究綜合了在不同背景下開展的19項實驗性和准實驗性研究（效應量 k=68），共納入2,347名參與者。該研究採用三層元分析方法來解釋研究內和研究間的變異性，評估了生成式人工智慧對高階思維的影響，並探討了調節變數的效應。

結果表明，生成式人工智慧對提升學生的高階思維具有顯著的正向影響（Hedges’s g=0.851, p<0.001）。研究基於影響目標、生成式人工智慧要素、研究背景和方法論特徵進行了調節變數分析。當樣本量小於80時，其促進效果更為顯著。短期干預（少於4周）和長期干預（多於8周）都有可能產生顯著的正向效果。

這些研究結果為將生成式人工智慧融入教育提供了至關重要的政策啟示。首先，教育行政部門應當在人工智慧驅動的課程中強制推行小班制教學或優化師生比，因為大集體會稀釋生成式人工智慧在培養高階思維方面的功效。其次，鑒於4-8周的時間不足以促進深度的認知發展，課程框架必須從短期試點轉向延長的、長期的干預時間線。最後，決策者應當資助針對人工智慧對高階思維不同維度之具體影響的、更細緻的專項研究，以指導智能、個性化和自適應教育生態系統的規模化推廣。

文獻來源（開放取用）：Nie, X., Tian, Y., Liu, M., Wu, D., & Guo, Y. (2025). The impact of generative artificial intelligence on students’ higher order thinking: Evidence from a three-level meta-analysis. Education and Information Technologies, 30(17), 25359-25390.https://doi.org/10.1007/s10639-025-13735-x… Read the rest

Categories
語言發展 高等教育

GenAI 在寫作反饋流程中的任務卸載方式與寫作發展

Lai 及其團隊採用準實驗設計，探討在英語作為外語（EFL）寫作的「起草—評估—修訂」流程中，將不同任務卸載給 GenAI 會產生何種影響。研究歷時七週，以 101 名中國大學生為對象，比較三種條件：（1）GenAI 起草、學生評估、學生修訂；（2）學生起草、GenAI 評估、學生修訂；（3）學生起草、學生自評、學生修訂。

研究結果顯示，GenAI 起草組在寫作能力上表現最佳 (M = 18.21, SD = 2.21)，顯著高於 GenAI 評估組 (M = 16.30, SD = 1.70) 以及無 GenAI 參與組 (M = 15.15, SD = 1.79)。這顯示將 GenAI 納入反饋流程整體上有助於寫作進步，但將「起草」任務（而非「評估」任務）卸載給 GenAI，所產生的效果最強。

在心理歷程方面，GenAI 起草組展現出顯著較高的認知投入，與 GenAI 評估組相比，他們與 AI 互動時使用了更多的總提示次數 (中位數 20.50 vs. 9.00, U = 195, p < .001) 以及學習導向提示 (中位數 10.50 vs. 8.00, U = 398.50, p < .05)。此外，他們在後設認知方面也優於其他兩組在同儕評閱期間的問題辨識 (M = 4.41)、問題論證 (M = 2.82) 與提供建設性建議上 (M = 4.97)。

在寫作自我效能方面，GenAI 起草組展現了最大的進步 (M = 4.74, SD = .55)，顯著高於另外兩組；而 GenAI 評估組 (M = 4.42, SD = .53) 與無 GenAI 組 (M = 4.45, SD = .78) 之間則無顯著差異。訪談結果進一步顯示，這些學生因能批判性地評估並改寫 AI 的初稿，而產生了更強的掌控感與能力感。相較之下，GenAI 評估組的部分學生則擔心自己過度依賴 AI 修改，從而形成某種「虛假的自信」。

整體而言，本研究強調 GenAI 在寫作反饋流程中的教育價值，取決於將「什麼任務」卸載給 AI。將起草任務交給 GenAI，並由學生承擔評估與修訂，更能促進深度認知投入、後設認知理解以及寫作自我效能。作者建議，在將 GenAI 融入寫作教學時，應優先考慮「AI 生成草稿搭配學生判斷與修正」的模式，讓 AI 成為引發批判與反思的對象，而非取代學生的思考。

文獻來源（開放取用）：Lai, C., Pan, M., Guo, K., & Cui, Y. (2026). What task to offload to GenAI in the writing feedback process? – Effects of task-offloading approaches on EFL learners’ writing skill development. Computers & Education, 252, 105675.https://doi.org/10.1016/j.compedu.2026.105675… Read the rest