分類: 教育行政及領導

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
教育行政及領導 中學教育

職業-普通教育路徑與學生未來：來自英格蘭UTCs的證據

Machin 及其同事（2025）採用兩階段最小平方法（2SLS）因果推斷設計結合行政檔案與稅務數據，評估了英格蘭大學技術學院（UTCs）對學生成績、高等教育入學率及勞動力市場結果的影響。自2010年推出的大學技術學院融合學術課程與職業培養體系，允許學生在14歲或16歲兩個年齡段入學，這為研究專業分化時機提供了天然對照。

研究結果顯示，不同入學年齡導致顯著差異後果。14歲入學者在GCSE考試中表現大幅落後，尤其在英語、數學和科學科目，預計將導致終身收入降低。相反，16歲入學者則獲得更優異的職業發展成果：攻讀STEM類大學學位的機率更高，早期就業率與收入水平顯著提升。這種分化既揭示了過早專業分化的風險，也彰顯了將職業教育與教育體系自然過渡節點相結合的優勢。

本研究通過論證早期分流有損學業發展、而後期職業介入能提升STEM培養效率與勞動力市場匹配度，為混合式教育模式論爭提供了新依據。建議政策制定者審慎設計職業路徑，確保培養體系既能支撐學術進階，又可促進技術能力發展。

 

文獻來源（開放取用）：Machin, S., McNally, S., Terrier, C., & Ventura, G. (2025). Closing the Gap Between Vocational and General Education?: Evidence from University Technical Colleges in England. Journal of Human Resources.

https://doi.org/10.3368/jhr.0223-12768R1… Read the rest

Categories
高等教育 教育行政及領導

以人—環境契合視角預測高等教育新生專業特定的留讀情況

de Vries 及其同事 (2025) 最近進行的一項預測建模研究探討了不同的人—環境（PE）契合概念如何預測大學新生在特定專業中的持續就讀情況。研究數據來自一所大型研究型大學的1305名一年級學生，這些學生來自生物醫學科學、工商管理、健康與生命科學、法律與運動科學等五個非選擇性的學士課程，且每種課程所貢獻的學生數量均不少於200名。

研究者採用帶有 LASSO 正則化的邏輯迴歸以及十折交叉驗證，對比了五組預測因子：興趣契合、能力契合、既往成就／人格／動機、選擇過程，以及背景特徵。興趣契合同時使用了剖面相關與多項式迴歸方法來操作化；能力契合則由高中會考成績與自陳能力來衡量。

結果顯示，模型對持續就讀的預測準確度為中等水準：訓練樣本為67–77%，測試樣本為50–75%。模型在正確分類持續就讀者方面表現優於分類退學者。興趣契合是最一致的預測因子，多項式迴歸所得的指標在五個學科模型中有四個被保留（效應量為小到中等）。剖面相關指標在部分專業中亦有貢獻，但影響較弱。基於學科相關高中成績的能力契合（例如：生物醫學科學專業的生物學成績、工商管理專業的數學成績）也是另一個穩健的預測因子。相較之下，傳統指標如高中平均績點（HSGPA）、人格特質與動機，在納入興趣與特定學科成績後，僅提供有限的附加價值。與選擇過程相關的變項（如探索深度）以及背景特徵的貢獻則僅為邊際。

本研究強調了在預測大一持續就讀時，專業特定的興趣與能力匹配的重要性。雖然模型在預測持續就讀方面比預測退學更有效，但研究結果凸顯了需要透過專業特定的方式來支持學生成功，並建議招生與學業指導實務應更著重於興趣與學科契合，而非僅依賴 GPA 或人格等廣泛指標。

文獻來源（開放取用）：de Vries, N., Merkle, B., Meeter, M., Janke, S., Bakker, T. C., & Huizinga, M. (2025). Predicting program-specific first-year persistence in higher education using a person-environment fit perspective. European Journal of Higher Education, 1-22.https://doi.org/10.1080/21568235.2025.2502536… Read the rest

Categories
學業成績 小學教育 教育行政及領導

釋放小學生的潛力：自主學習的重要性

最近的一項系統性綜述檢視了自主學習（Self Regulated Learning, SRL）干預在小學課堂的影響，這個階段是建立基礎學習習慣的關鍵階段。SRL是指學生設定目標、監測進度並調整策略的能力。這些技能與提高注意力、毅力和學業成績有關。

該綜述綜合了2008年至2022年間在德國、葡萄牙、西班牙和愛沙尼亞發表的10 項研究的結果。近3,000名3至6年級、8至 6歲的學生參與。研究人員評估了SRL技能發展和學業成績，特別是在數學和寫作方面。

所有10項研究都報告了學生SRL技能有所提升，效應值從+0.20到+0.67不等。在測量學業成績的6項研究中，有4項發現學生在數學或寫作方面有所進步，儘管效應值普遍低於觀察到的SRL成果。有效的計劃通常由課堂教師實施，並結合了指導練習、閱讀和同儕討論。動機起著重要作用，參與度高的學生受益最大。研究結果表明，將SRL策略融入日常教學可能是支持學生成功的寶貴方式。

文獻來源（開放取用）：Olid-Luque, M., Ayllón-Salas, P., Arco-Tirado, J. L., & Fernández-Martín, F. D. (2025). Impact of self-regulated learning programs in primary education: A systematic review. Psychology in the Schools, 62(3), 734–755. https://doi.org/10.1002/pits.23352… Read the rest

Categories
教育行政及領導 有效教學法 中學教育

人工智能生成的提示能否有助學習？

隨著許多學校加速採用生成式AI，審視這些工具所提供的真實學習成效（或其不足之處）便很重要。 Pardos和Bhandari在2023年發表的一項研究中，探討了AI生成提示作為代數課程中支架機制的效果。

研究招募的77名參與者（通過亞馬遜的MTURK系統篩擇高中畢業生）被分配到對照組（提供人類產生的提示）或實驗組（提供AI生成的提示）。研究人員的目的是了解AI生成的「低質量」提示的比率，以及與對照組相比，這些提示是否提升了學習成果。課程中的問題被逐字輸入到ChatGPT來生成AI提示。並通過人工檢查以確保所有提示都是正確並顯示正確的步驟。相比之下，對照組的提示是由大學本科生助教產生的。研究採用前測及後測來對比兩組之間的學習成效。

結果表明，ChatGPT生成的提示中有70%被認為是高質素的，並且對照組的學習增益具有統計學意義上的顯著。該研究的一個主要限制是研究人員並沒有要求AI採用任何支架策略。因此，各組之間的提示質量不僅因人類或AI生成而異，在教學理論方面也有所不同。人類導師可能更有可能使用維果斯基（Vygotsky）式的支架，而 ChatGPT更可能直接提供答案。未來的研究可改進本研究中使用的提示，並創建一種多層次的方法，先揭示影響較小的提示，逐步引導學生學習。

 

文獻來源（開放取用）：Pardos, Z. A., & Bhandari, S. (2023). Learning gain differences between ChatGPT and human tutor generated algebra hints (No. arXiv:2302.06871). https://doi.org/10.48550/arXiv.2302.06871… Read the rest

Categories
高等教育 教育行政及領導

在GenAI環境中後設認知支援對自主學習的幫助

Xu 及其團隊最近發表的一項研究探討了後設認知在生成式人工智能（Generative AI, GenAI）環境下，對支持自主學習（self-regulated learning, SRL）和學習體驗的影響。該研究關注學生依賴ChatGPT，以及他們在缺乏指導下維持SRL所面對的挑戰。

參與者來自中國一所大學的68名大二學生，年齡在19-21 歲之間，主修教育技術，並且之前在課堂任務中沒有使用過GenAI工具的經驗。學生被隨機分為兩組：實驗組接受後設認知支援框架指引，而對照組則沒有。為減少干擾，後設認知支援框架以紙本形式提供，該框架鼓勵學生在任務期間進行規劃、監測和反思，包括諸如設定明確目標、評估ChatGPT的反饋和反思自身任務表現等提示。在為期四周的干預中，參與者完成了整合多學科知識的跨學科任務。

根據自我報告問卷，實驗組在六種SRL能力中有兩項顯著提升：任務策略 （效應值 = +0.69） 和自我評估 （效應值 = +0.53），而對照組在這些領域則有所下降。接受後設認知支援的學生還報告了較低的認知負荷，並認為AI工具更有用，但這些發現在統計學意義上並不顯著。實驗組的學習成績比對照組高（效應值 = +0.36），但差異也不顯著。

這項研究表明，後設認知的支援有助於學生使用AI工具並培養主動學習的能力。沒有這樣的指導，學生的自我調節能力可能會下降，繼而削弱學習自主性。

 

文獻來源：Xu, X., Qiao, L., Cheng, N., Liu, H., & Zhao, W. (2025). Enhancing self-regulated learning and learning experience in generative AI environments: The critical role of metacognitive support. British Journal of Educational Technology, 0(0). https://doi.org/10.1111/bjet.13599… Read the rest