AI 在野：大學生與生成式 AI 真實互動的大規模分析
arXiv - Computers and SocietyTaelin Karidi, Ofra Amir, Ido Roll
透過分析超過一萬五千次真實課業互動，揭示大學生使用生成式 AI 具有高度結構化且隨學科性質變化的模式。
AI 幫你先抓重點
AI 重點 1
從「受控實驗」轉向「真實情境」的研究範式轉變
滑鼠懸停看 AI 判斷理由
過去研究多侷限於實驗室或單一領域，本研究透過大規模自然發生的數據，打破了對學生使用 AI 行為的片面認知，提供了更具生態效度的實證基礎。
AI 重點 2
互動模式的結構化特性暗示了潛在的學習腳本
滑鼠懸停看 AI 判斷理由
發現互動模式具有高度重複性，這意味著學生在使用 AI 時可能遵循某種隱性的認知路徑，這對於設計引導式的 AI 學習工具或教學介入具有極高價值。
核心研究發現
- 1
研究分析了超過 15,000 個來自不同大學課程與學科領域的真實學生與 AI 互動單元。
- 2
學生與 AI 的互動並非隨機或高度個人化，而是集中在少數幾種可重複出現的結構化模式中。
- 3
不同學科與學術任務類型之間存在系統性差異，形成了各具特色的互動特徵輪廓。
對教育工作者的啟發
課程設計者不應將 AI 視為單一工具，而應根據不同學科的「互動輪廓」設計差異化的教學策略。例如，針對需要深度思辨的學科，應引導學生將 AI 用於檢視先前輸出或深化領域知識，而非僅僅是生成內容。此外，開發者可利用這些發現出的「重複模式」來設計更符合學生真實學習流（Learning Flow）的 AI 輔助系統，從而提升學習支持的精準度。
原始文獻資訊
- 英文標題：
- AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI
- 作者：
- Taelin Karidi, Ofra Amir, Ido Roll
- 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。