學生使用大型語言模型行為特徵及其與批判性思維學習之關聯
arXiv - Human-Computer InteractionMinju Park, Ivan Orozco Vasquez, Cristina Conati
本文系統性分類學生使用LLM的行為，並探討其頻率與類型對批判性思維任務成績的影響。
AI 幫你先抓重點
AI 重點 1
LLM使用的質量與主動性決定學習成效，而非單純使用頻率。
滑鼠懸停看 AI 判斷理由
此洞察提醒教育者在設計LLM相關活動時，應聚焦於提升學生的主動參與與批判思考，而非僅鼓勵頻繁使用，否則可能適得其反。
AI 重點 2
底層分類揭示多樣化的LLM使用模式，可用於精準設計教學提示與評量。
滑鼠懸停看 AI 判斷理由
透過細緻的行為分類，教師能針對不同使用類型提供相應的指導與反饋，提升學習效果並避免單一工具化的風險。
核心研究發現
- 1
研究發現學生使用LLM的行為可分為多種類型，從被動資訊搜尋到主動推理與批判，並以學生主動性進行交叉標記。
- 2
數據顯示，使用LLM進行高主動性任務（如生成假設、批判性分析）的學生，其期中考試成績顯著高於低主動性使用者。
- 3
LLM使用頻率與成績呈現非線性關係：適度使用可提升表現，過度依賴則可能導致成績下降。
對教育工作者的啟發
1. 在課程設計中加入LLM使用指引，鼓勵學生進行高主動性任務，如生成假設、批判性分析。2. 透過分層提示與反饋，協助學生從被動搜尋轉向主動推理。3. 監測LLM使用頻率，避免過度依賴；設定合理使用上限或結合人類評量。4. 利用本研究的行為分類，設計針對性評量工具，評估學生在LLM輔助下的批判性思維發展。5. 教師可在課堂討論中分享LLM使用案例，提升學生對工具使用的元認知。
原始文獻資訊
- 英文標題：
- Characterizing Students' LLM Usage Behaviors and Their Association with Learning in Critical Thinking Tasks
- 作者：
- Minju Park, Ivan Orozco Vasquez, Cristina Conati
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。