AI、專家或同儕？師培生對回饋來源的偏見與吸收程度研究
arXiv - Human-Computer InteractionLucas Jasper Jacobsen, Ute Mertens, Thorben Jansen, Kira Elena Weber
研究發現師培生對 AI 回饋的認知受來源標籤影響，但實際的回饋吸收程度僅與回饋品質相關。
AI 幫你先抓重點
AI 重點 1
認知偏見與實際行為之間的脫鉤現象
滑鼠懸停看 AI 判斷理由
這項發現挑戰了「偏見會直接導致行為改變」的假設。在教育情境中，即便教師對 AI 來源持有懷疑或偏見，只要 AI 能提供高品質的教學建議，其對學習目標的修正效果仍能與人類專家媲美。
AI 重點 2
回饋品質優於來源權威性
滑鼠懸停看 AI 判斷理由
這對於推動 AI 輔助教學具有重要意義。它暗示了教育科技開發的重點應放在提升回饋的「教學指令組成（instructional composite）」品質，而非僅僅模擬人類專家的語氣或權威感。
核心研究發現
- 1
參與者對回饋來源的判斷準確率偏低，判斷依據主要是訊息長度而非回饋品質，且當 AI 被標記為人類時會獲得更高評價。
- 2
儘管對來源的認知存在偏見，但不同來源（專家、同儕、AI）的回饋在實際吸收率上並無顯著差異，LLM 的相對吸收率最高（52%）。
- 3
研究顯示回饋品質是唯一與回饋吸收率顯著相關的變數，而回饋的情緒效價（Valence）僅影響感知，不影響實際吸收。
對教育工作者的啟發
對於課程設計者而言，應著重於提升 AI 回饋的教學結構與品質，而非僅追求模擬人類的語氣。對於師資培育者，應強化師培生的「AI 素養」，教導他們如何辨識回饋的教學價值，而非受限於對來源（AI 或人類）的刻板印象。實務上，應引導教師建立以「回饋品質」為核心的評估標準，幫助他們在面對 AI 生成內容時，能客觀地判斷其對學習目標的實際貢獻，而非僅僅根據來源標籤做出直覺式判斷。
原始文獻資訊
- 英文標題：
- AI, Expert or Peer? Provider Biases and Feedback Uptake Among Pre-Service Teachers
- 作者：
- Lucas Jasper Jacobsen, Ute Mertens, Thorben Jansen, Kira Elena Weber
- 來源：
- arXiv - Human-Computer Interaction
- 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。