AI輔助知識工作中的自信與實力不符
arXiv - Human-Computer InteractionElena Eleftheriou, George Pallis, Marios Constantinides
研究顯示，雖然LLM可提升學生自信，但不同互動模式對學習成效與認知負荷影響不同，未來自我解釋模式最能對齊實際理解。
AI 幫你先抓重點
AI 重點 1
LLM的快速完整回答可能導致學生過度自信，忽略反思。
滑鼠懸停看 AI 判斷理由
此洞察提醒設計者需平衡即時回饋與深度思考，否則學習者可能停留於表面知識，影響長期知識建構。
AI 重點 2
未來自我解釋模式能將自信與實際理解對齊，提示設計者可利用此機制提升學習成效。
滑鼠懸停看 AI 判斷理由
這說明在AI輔助學習中，設計能促進元認知的互動可減少自信與能力差距，對課程設計具有實務價值。
核心研究發現
- 1
標準單一代理基線雖使學生感知理解度高，但客觀學習成效最低。
- 2
未來自我解釋模式雖增加認知負荷，但使學生的自信與實際理解最為接近。
- 3
引導提示模式在不顯著提升挫折感的情況下，帶來最大的學習增益。
對教育工作者的啟發
在設計LLM輔助工具時，可加入未來自我解釋或對比學習以促進元認知；引導提示能在不增加挫折感的前提下提升學習成效；評估學生自信與實際理解的差距，避免過度自信；針對不同學習任務調整互動模式，提升整體學習效果。
原始文獻資訊
- 英文標題：
- Confidence Without Competence in AI-Assisted Knowledge Work
- 作者：
- Elena Eleftheriou, George Pallis, Marios Constantinides
- 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。