混合系統中的 AI 增強探究與調節：維護人機協作認知主體性的控制分配架構
arXiv - Computers and SocietyJochen Kuhn, Peter Gerjets, Ulrich Trautwein, Jeffrey A. Greene, Sarah Malone, Patrik Vogt, Tim F\"utterer
提出 AIRIS 架構，透過五種調節算子與七種機制，解決生成式 AI 使用中認知參與度下降的困境。
AI 幫你先抓重點
AI 重點 1
認知控制的重新分配不等於單純的依賴問題
滑鼠懸停看 AI 判斷理由
這改變了我們對 AI 依賴的理解。過去認為問題在於「懶惰」或「偏誤」，但本文指出這是系統性的認知控制重新分配，這意味著教育者必須從「防止依賴」轉向「設計有效的控制分配機制」。
AI 重點 2
AI 工具本身不具備提升學習的效果，其效果取決於調節機制
滑鼠懸停看 AI 判斷理由
這對 EdTech 設計者是關鍵警示。單純引入強大的 AI 工具無法保證學習成效，必須透過教學設計或調節算子（如質詢與反思）來確保學習者的認知主體性（Epistemic Agency）不被削弱。
核心研究發現
- 1
發現生成式 AI 雖能提升表現，卻會導致使用者的元認知監控、校準與認知參與度下降，形成元認知困境。
- 2
提出 AIRIS 架構，將 AI 增強視為分散式生成系統中的「控制分配」問題，而非單純的自動化偏誤。
- 3
識別出七種導致混合認知不穩定的機制，包含任務委派、校準漂移以及動機與情感漂移等。
- 4
設計了五種調節算子（預期、質詢、反思、整合、綜合），旨在於不穩定點介入以維持學習者的認知參與。
對教育工作者的啟發
教育工作者與課程設計者不應僅關注 AI 能「做什麼」，而應關注 AI 介入後學習者「失去了什麼」。建議在設計 AI 輔助學習環境時，應內建「調節算子」：例如設計引導式問題（質詢）要求學生檢驗 AI 的解釋，或設計反思環節（反思）讓學生對 AI 的輸出進行校準。教學目標應從「利用 AI 完成任務」轉向「透過 AI 進行深度探究」，確保學習者的認知參與與主體性在人機協作過程中得以維持。
原始文獻資訊
- 英文標題：
- AI-Augmented Inquiry and Regulation in Hybrid Systems: A Control Allocation Architecture for Preserving Epistemic Agency in Hybrid Human-AI Cognition
- 作者：
- Jochen Kuhn, Peter Gerjets, Ulrich Trautwein, Jeffrey A. Greene, Sarah Malone, Patrik Vogt, Tim F\"utterer
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。