認知對齊驅動注意力：模擬與支援共同協調的雙人程式設計
arXiv - Human-Computer InteractionAnahita Golrang, Kshitij Sharma
研究發現認知對齊驅動注意協調，AI即時與預測性回饋可提升雙人程式設計效能與協調一致性。
AI 幫你先抓重點
AI 重點 1
AI即時回饋可同步調整心理努力與視覺注意，提升協作效能與調節一致性
滑鼠懸停看 AI 判斷理由
此回饋模式證明即時同步調整兩個關鍵維度能顯著提升雙人程式設計的表現，顯示AI可作為協調者而非控制者，改變傳統單向回饋的觀念。
AI 重點 2
前瞻性預測回饋能在協作失敗前介入，保持高效協調，示範AI預測能力可提升學習者自我調節
滑鼠懸停看 AI 判斷理由
此發現說明AI不僅能即時調整，更能預測並預防協作瓶頸，為設計自適應學習環境提供新視角，強化學習者的主動調節能力。
核心研究發現
- 1
高表現雙人組在實驗中顯示更高的共同心理努力（JME）和共同視覺注意（JVA），且更頻繁出現高JME-高JVA的有效期段。
- 2
反應式自適應回饋（同時調整JME與JVA）比單一維度回饋能顯著提升表現、調節一致性與認知-注意因果關係。
- 3
前瞻性預測回饋利用機器學習預測未來協作狀態，能在失敗前介入，進一步提升表現並維持共享調節。
對教育工作者的啟發
此研究顯示在雙人程式設計或協作式學習中，將AI回饋設計為同步調整心理努力與視覺注意的雙維度模式，可顯著提升學習成效與協調一致性。實務上，教育工作者可利用眼動追蹤或行為指標即時監測學生互動，並以即時或預測式回饋介入，避免協作斷裂。對課程設計者而言，可將此回饋機制嵌入協作平台，提供動態提示或協調建議，促進學習者的自我調節與共同建構知識。
原始文獻資訊
- 英文標題：
- Cognitive Alignment Drives Attention: Modeling and Supporting Socially Shared Regulation in Pair Programming
- 作者：
- Anahita Golrang, Kshitij Sharma
- 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。