標籤: 人工智能

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
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

Categories
K-12 教育階段 有效教學法

智慧型輔導系統對K-12學生學習與學業表現的影響：一項系統性文獻綜述

近期發表於 npj Science of Learning 的一項系統性文獻綜述探討了智慧型輔導系統（ITS）對K-12學生學習與學業表現的影響。隨著教育人工智慧（AIEd）的快速發展，ITS已成為其中一項關鍵應用，被認為具有促進個別化學習與提升學習成效的潛力。然而，儘管其應用日益廣泛，其實際教育價值仍不明確。部分研究指出ITS能夠提升學習成效，甚至優於傳統教學；但亦有研究發現其效果有限或不一致。此外，既有研究往往混淆不同教育情境，或聚焦於廣義的人工智慧應用，導致對ITS在K-12教育中的實際效果缺乏系統性理解。因此，本研究旨在評估ITS對K-12學生學習與學業表現的影響，並梳理用於評估這些系統的實驗設計類型。

本研究納入28項實證研究，共涉及4,597名學生。多數研究採用準實驗設計，通常將使用ITS的實驗組與不同類型的對照組進行比較，包括傳統教師主導教學、非智慧型輔導系統、改良版ITS或無對照組等。這些研究涵蓋多個國家、學科與學段，並主要集中於中學與高中階段的STEM領域。干預時間長短差異顯著，從單一課堂至數週甚至數月不等。該綜述依據教育情境、實驗設計與干預特徵對研究進行分類，以實現對研究結果的系統性比較。

研究結果顯示，ITS整體上對K-12學生的學習與學業表現具有正向影響，尤其是在與傳統教師教學相比時，多數研究報告中等至較大的效果。然而，當與非智慧型輔導系統相比時，結果則較為分歧，多數研究未發現顯著差異。研究之間存在顯著異質性，主要源於實驗設計、干預時間與情境差異。重要的是，ITS的效果取決於其關鍵設計特徵與實施條件，例如個別化、適應性與即時回饋等核心要素。當ITS與教師指導相結合、促進自我調節學習，且在較長時間內實施時，通常能產生更佳效果。相對而言，短期干預可能受到新奇效應影響，而學習者的先備知識與教育階段等因素亦會影響學習結果。

綜合而言，研究結果表明，ITS能夠促進K-12學生的學習與學業表現，但其效果並非由技術本身決定，而取決於其教學設計與實施條件。當ITS能夠與良好的教學原則相結合，並與教師指導協同運作時，其效果最為顯著。本研究亦指出現有文獻的若干限制，包括干預時間偏短、樣本多樣性不足，以及對人工智慧倫理議題的忽視。因此，未來研究應採用更為嚴謹的實驗設計，延長干預時間，擴大樣本多樣性，並加強對倫理議題的關注，尤其是在人工智慧技術持續演進並日益滲透教育實踐的背景下。

 

文獻來源（開放取用）：Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J., & Léger, P. M. (2025). A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science of Learning, 10(1), 29.

https://doi.org/10.1038/s41539-025-00320-7… Read the rest

Categories
高等教育

大學生批判思維在生成式 AI 依賴行為中的角色

Hou 及其團隊以大規模問卷資料與結構方程模型（SEM）為基礎，系統性檢驗大學生的批判思維如何影響其在生成式AI輔助問題解決任務中的不同依賴行為。研究納入808份有效樣本，評估學習者的批判思維技能與傾向、AI素養、對AI的信任程度，以及四種類型的使用方式——反思性、謹慎性、協作性與輕率使用。作者將依賴行為視為「學習者如何評估並運用AI與人類能力差異」的結果，從而提出批判思維在其中可能扮演關鍵調節角色。

研究結果顯示，AI素養能強力預測批判思維技能（β = .66, p < .001）與傾向（β = .41, p < .001），而對AI的信任則與兩者呈負相關（技能：β = –.16, p < .05；傾向：β = –.11, p < .001）。在依賴行為上，批判思維技能與協作（β = .25）、反思（β = .21）與謹慎使用（β = .24）呈正向關聯，批判思維傾向亦呈相似效果，突顯批判思維在支持理想的AI使用方式上具有關鍵作用。相比之下，信任強烈預測輕率使用（β = .47, p < .001），同時也小幅提升協作（β = .15, p < .05）與反思性使用（β = .19, p < .001），呈現其在促進與削弱理想依賴之間的雙重角色。更重要的是，AI素養透過批判思維顯著促進協作（β = .25）、反思（β = .20）與謹慎使用（β = .22），而信任則因降低批判思維而對這些理想行為產生負向的間接影響（β = –.05 至 –.06, p < 0.001）。這意味著批判思維既能強化AI素養的正向作用，也能抑制信任可能帶來的盲從式依賴，使學習者更傾向於反思、謹慎且具合作性的AI使用方式。

整體而言，本研究提供了重要證據，指出批判思維並非單純減少AI依賴，而是形塑依賴方式，使其朝向更具反思、協作與審慎的方向發展。作者主張，提升學生的AI素養必須與批判思維培養並行，才能減少輕率倚賴、促進更健康的人機協作。研究也提醒，教育介入應明確界定「理想的依賴行為」並培育學生在日益普及的生成式AI環境中發展負責任與深思熟慮的使用習慣。

 

文獻來源（開放取用）：Hou, C., Zhu, G., & Sudarshan, V. (2025). The role of critical thinking on undergraduates’ reliance behaviours on generative AI in problem‐solving. British Journal of Educational Technology, 56(5), 1919-1941.

https://doi.org/10.1111/bjet.13613… Read the rest

Categories
社交及情意成果 高等教育

學習者對AI與人類導師回饋的偏好

Le 與其團隊以大學英文學術寫作任務為情境，檢驗學習者在接受不同來源與介面形式的學習回饋後，對「人類導師 vs. 生成式AI」的偏好是否改變。研究招募114名非英語母語的大學生，並隨機分派至四組：不提供回饋（控制組）、人類導師回饋、ChatGPT 4.0 自由對話介面、以及以 ChatGPT 為引擎的「結構化」寫作分析工具。研究在任務前後分別以量表與二選一題測量偏好，並比較四組在後測偏好與偏好改變上的差異。

結果顯示，學習者在任務前即呈現明顯的人類導師偏好（87.2% 選人類），任務後此偏好仍然穩定（86.0% 選人類），呈現教育情境中的「算法厭惡」現象。然而，後測量表分數在四組間達顯著差異，人類導師組顯著高於自由對話AI組與控制組；在人類／AI二選一偏好指標上亦達顯著，其中人類導師組與結構化AI工具組都顯著高於自由對話AI組。就偏好改變而論，整體平均變化趨近於零，但四組差異顯著：自由對話AI組對AI的偏好略有上升，反之，人類導師組與結構化AI工具組相較於自由對話AI組更傾向於人類。亦即，即使三者皆能提供有效回饋，自由對話介面才較能緩解算法厭惡、提升對AI的接受度；而結構化、一次性呈現的工具反而強化了對人類導師的偏好。

作者據此主張，提升AI教學工具的「互動性與對話性」或比純粹的技術優化更能影響學習者偏好，因為可反覆厘清與修正的對話歷程，能降低學習者對「演算法必須完美」的期待落差與不信任。整體而言，研究將「人類偏好」置於可被介面設計調節的脈絡中，為AI於教育的採納、產品設計與課程實作提供了實證基礎與警示。

 

文獻來源（開放取用）：Le, H., Shen, Y., Li, Z., Xia, M., Tang, L., Li, X., … & Fan, Y. (2025). Breaking human dominance: Investigating learners’ preferences for learning feedback from generative AI and human tutors. British Journal of Educational Technology.

https://doi.org/10.1111/bjet.13614… 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