機器人輔助學習中的演算法準確度對動機之影響：聲音檢測技術的比較研究
arXiv - Human-Computer InteractionRezaul Tutul, Ilona Buchem, Niels Pinkwart
研究證實演算法的檢測準確度會直接影響學習者的動機，準確的技術表現能提升學習興趣與勝任感。
AI 幫你先抓重點
AI 重點 1
演算法性能不只是工程指標，更是影響學習心理的關鍵因素。
滑鼠懸停看 AI 判斷理由
傳統開發者往往只關注技術的精準度或運算效率，但本研究提醒教育科技開發者，技術錯誤會直接損害學習者的公平感與自我效能感，進而破壞學習動機。
AI 重點 2
技術穩定性與學習者的壓力感知存在直接關聯。
滑鼠懸停看 AI 判斷理由
當機器人判斷錯誤時，學生會感到挫折或不公平，這對於強調自主學習與參與感的教學環境（如 PBL）是致命的，因此技術穩定性是教學設計的基礎。
核心研究發現
- 1
在教室環境下，互相關演算法（Cross-Correlation）在聲音檢測的可靠性表現優於卷積神經網路（CNN）。
- 2
使用互相關演算法的組別在內在動機量表（IMI）的所有子量表中得分顯著較高。
- 3
較高的演算法準確度能顯著提升學生的學習興趣、勝任感與投入程度，並降低其感受到的壓力。
- 4
研究結果支持了「演算法精準度-動機關係」（APMR）模型，證明技術指標與心理動機間的關聯。
對教育工作者的啟發
教育科技開發者在設計互動式教學工具（如機器人、智慧教室系統）時，不應僅追求技術的先進性（如使用複雜的深度學習模型），而應優先考量技術在實際教學場域（如嘈雜的教室）中的穩定性與準確度。若技術判斷失誤，會導致學生產生不公平感，進而削弱學習動機。因此，在設計教學互動流程時，應建立技術容錯機制，或確保演算法在真實環境下的可靠性，以維護學習者的勝任感與學習投入度。
原始文獻資訊
- 英文標題：
- Algorithmic Accuracy as a Motivational Driver in Robot-Mediated Learning: A Comparative Study of Cross-Correlation and CNN-Based Sound Detection in an Interactive Quiz Game
- 作者：
- Rezaul Tutul, Ilona Buchem, Niels Pinkwart
- 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。