高中生 AI 輔助學習模式之行為與腦電波探索性研究
arXiv - Computers and SocietyKashika Khurana, Ally Liew
本研究探討不同 AI 互動模式（導師、協作者、解題者）對高中生行為指標與腦電波活動的影響。
AI 幫你先抓重點
AI 重點 1
打破「AI 使用」的二元對立觀點
滑鼠懸停看 AI 判斷理由
過去研究多將 AI 僅視為「用或不用」的二元變項，但本研究強調了「互動模式」的重要性。這提醒教育設計者，AI 工具的設計邏輯（是引導思考還是直接給答案）會從根本上改變學生的認知參與度。
AI 重點 2
結合行為量化與生理訊號的跨維度評估
滑鼠懸停看 AI 判斷理由
透過行為矩陣與 EEG 結合的研究框架，能更全面地捕捉學習者的心理狀態。這對於開發能即時偵測學生壓力或認知負荷的智慧學習系統具有重要的實務參考價值。
核心研究發現
- 1
研究發現三種不同的 AI 互動模式（Tutor, Collaborator, Solver）在啟動、處理與壓力這三個行為維度上皆呈現顯著差異。
- 2
透過腦電波（EEG）觀察，不同 AI 互動模式下呈現出描述性的腦電波模式差異，儘管在統計學上尚未達到顯著水準。
- 3
研究初步探討了 AI 互動後可能存在的短期後續效應（carryover effects），為未來研究提供了電生理觀察基礎。
對教育工作者的啟發
教育工作者在導入 AI 工具時，不應僅關注工具的功能，更應根據教學目標選擇適當的「互動角色」。例如：若目標是培養自主學習（SRL），應設計偏向「導師型（Tutor）」的 AI 模式以引導思考；若目標是解決複雜問題，則可考慮「協作者（Collaborator）」模式。此外，設計者應警惕「解題者（Solver）」模式可能帶來的認知惰性，並透過監測學生的行為指標（如啟動與壓力程度）來調整教學介入時機。
原始文獻資訊
- 英文標題：
- An exploratory behavioral and electroencephalographic study of artificial intelligence-assisted learning modes in high school students
- 作者：
- Kashika Khurana, Ally Liew
- 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。