人工智慧現象學：理解人機互動的經驗
arXiv - Human-Computer InteractionBhada Yun, Evgenia Taranova, Dana Feng, Renn Su, April Yi Wang
本文提倡「人工智慧現象學」的研究方法，強調在評估人工智慧系統時，除了效能，更應關注使用者主觀感受與詮釋，以促進人機雙向對齊。
AI 幫你先抓重點
AI 重點 1
本文提倡「人工智慧現象學」的研究方法，強調在評估 AI 時，應超越效能指標，深入探究使用者主觀感受與詮釋。
滑鼠懸停看 AI 判斷理由
此方法論的重點在於填補傳統人機互動研究的空白，它提醒教育科技研究者，僅關注 AI 的功能性並不足以確保有效的學習體驗。理解使用者與 AI 互動時的「感受」，能更精準地設計出能促進人機協作、提升學習動機的教育工具，並避免潛在的負面影響。
AI 重點 2
研究提供了可複製的研究工具與設計概念，包含透明設計、價值對齊感知、時序共同演化追蹤，支持人機協作的發展。
滑鼠懸停看 AI 判斷理由
這些工具和概念不僅是理論上的，更具備實務操作性。教育科技研究者可以直接運用這些方法，在教育情境中評估 AI 工具的影響，並根據學生回饋進行迭代優化。這有助於建立更具適應性、更符合學習者需求的 AI 輔助教育系統，提升教育的品質與效率。
核心研究發現
- 1
傳統的人工智慧評估方式（如易用性、參與度）往往忽略了使用者體驗的細微差異，需要更深入的理解。
- 2
「人工智慧現象學」作為一種研究視角，透過提問「互動時的感受如何？」來捕捉使用者與人工智慧系統之間的主觀體驗。
- 3
研究追溯了現象學、後現象學及行為者網絡理論的發展脈絡，為人工智慧現象學提供了理論基礎。
- 4
透過對 AI 伴侶「Day」的長期研究，以及軟體工程中具代理性 AI 的多方法研究，提供了可複製的研究工具。
- 5
研究提出了三種設計概念：透明設計、價值對齊感知、時序共同演化追蹤，以支持人機協作的發展。
對教育工作者的啟發
教育工作者在導入人工智慧工具時，不應僅關注其功能性，更應重視學生在使用過程中的主觀感受與體驗。透過設計透明、價值對齊、以及時序追蹤等方法，可以提升學生對人工智慧系統的信任感與參與度，促進更有效率的學習。此外，研究強調人機協作的共同演化，提示教育者應關注學生與人工智慧系統之間的互動模式，並根據學生回饋進行調整，以優化學習體驗。
原始文獻資訊
- 英文標題：
- AI Phenomenology for Understanding Human-AI Experiences Across Eras
- 作者：
- Bhada Yun, Evgenia Taranova, Dana Feng, Renn Su, April Yi Wang
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- ISTA-DASLab/gemma-3-27b-it-GPTQ-4b-128g
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。