打破認知被動：重新思考 AI 協助的資料素養與認知對齊
arXiv - Human-Computer InteractionYongsu Ahn, Nam Wook Kim, Benjamin Bach
提出 AI 與使用者之間的認知對齊框架，指出 AI 互動模式與使用者需求不匹配會導致認知被動或摩擦，並呼籲動態適應的設計以提升資料素養。
AI 幫你先抓重點
AI 重點 1
AI 互動模式應根據學習者的認知需求動態調整，避免一次性回覆造成被動。
滑鼠懸停看 AI 判斷理由
若 AI 固定提供完整答案，學習者無法自行推理，失去深度學習機會；動態調整可促進主動探索與元認知發展，提升資料素養。
AI 重點 2
對齊框架揭示了傳遞式與深思式互動的適用情境，幫助設計者選擇合適模式以減少摩擦。
滑鼠懸停看 AI 判斷理由
了解何時使用傳遞式或深思式能降低學習者挫折感，提升互動效率，對課程設計與 AI 工具開發具有實務指導意義。
核心研究發現
- 1
AI 的預設助手模式提供一次性完整回覆，削弱使用者自行思考的機會，造成認知被動。
- 2
建立「認知對齊」框架，將 AI 互動模式（傳遞式 vs 深思式）與使用者認知需求（接受式 vs 深思式）對應，揭示兩者不匹配會產生被動或摩擦。
- 3
透過動態、適應性的策略，可在不同學習階段調整 AI 互動模式，促進使用者的主動思考與資料素養發展。
對教育工作者的啟發
教育工作者可先評估學習者在資料分析任務中的認知需求，選擇傳遞式或深思式 AI 互動模式；在課程中加入動態切換機制，讓 AI 先提供提示或問題，引導學習者自行推理；同時設計元認知反思提示，鼓勵學習者檢視自身思考過程；最後透過使用者測試調整 AI 回覆深度與頻率，避免一次性完整答案造成被動。
原始文獻資訊
- 英文標題：
- Disrupting Cognitive Passivity: Rethinking AI-Assisted Data Literacy through Cognitive Alignment
- 作者：
- Yongsu Ahn, Nam Wook Kim, Benjamin Bach
- 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。