針對初學者程式設計之 AI 生成追蹤動畫：多校研究中的學習成效與學習者差異
arXiv - Computers and SocietyYuri Noviello, Naaz Sibia, Anastasiia Birillo, Thomas Overklift Vaupel Klein, Michael Liut, Gosia Migut
研究發現 AI 生成的類比動畫能提升短期學習成效，但其影響受學習者參與度特質之調節。
AI 幫你先抓重點
AI 重點 1
AI 生成工具的成效具有「情境依賴性」與「短期性」。
滑鼠懸停看 AI 判斷理由
這提醒教育者，AI 輔助工具並非萬靈丹，不能僅依賴技術生成內容，必須考慮教學情境的設計，並關注如何將短期學習增益轉化為長期知識內化。
AI 重點 2
學習者個體差異（參與度特質）是決定 AI 工具成效的關鍵調節變項。
滑鼠懸停看 AI 判斷理由
這強調了「個性化學習」的重要性。單一的 AI 輔助模式可能對某些學生有效，對另一些學生則無效，因此開發具備適應性的 AI 教學系統是未來趨勢。
核心研究發現
- 1
研究開發了 GATs（生成式動畫追蹤），結合原始碼、執行狀態與概念類比，提供敘述式動畫輔助學習。
- 2
實驗結果顯示 GATs 對即時學習成效有選擇性的幫助，但這種效益具有情境依賴性且屬於短期效果。
- 3
學習者的參與度特質（Engagement Profiles）會調節 GATs 對學習表現的影響程度，顯示效果並非對所有學生一致。
對教育工作者的啟發
教育工作者在引入 AI 生成的視覺化工具時，不應僅追求技術的自動化，而應關注「適配性」。首先，應設計能結合概念類比的動態內容，而非單純的程式執行紀錄；其次，必須意識到學生參與度的差異，建議開發具備適應性（Adaptive）的系統，根據學生的學習行為與參與程度，動態調整 AI 輔助的強度或呈現方式，以彌補不同學習者在吸收 AI 生成內容時的落差。
原始文獻資訊
- 英文標題：
- AI-Generated Traces for Novice Programmers: Learning Effects and Learner Differences in a Multi-Institutional Study
- 作者：
- Yuri Noviello, Naaz Sibia, Anastasiia Birillo, Thomas Overklift Vaupel Klein, Michael Liut, Gosia Migut
- 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。