以參與強度作為適應性 AI 倫理教學的學習者建模指標
arXiv - Computers and SocietyYongkyung Oh, Lynn Talton, Alex Bui
研究發現 LLM 使用頻率比過往教育經歷更能有效預測學習者的 AI 感知，可用於適應性教學設計。
AI 幫你先抓重點
AI 重點 1
行為數據（使用頻率）優於學術背景（過往課程）作為學習者建模的指標。
滑鼠懸停看 AI 判斷理由
這改變了傳統依賴「學歷」或「修課紀錄」來評估學習者程度的思維，強調了「實際行為」在預測學習者心理狀態與需求上的強大預測力。
AI 重點 2
利用輕量化的前測調查即可實現適應性教學的初步分層。
滑鼠懸停看 AI 判斷理由
這對於開發低成本、高效率的 EdTech 系統至關重要，開發者無需複雜的診斷工具，僅需簡單的行為問卷即可進行初步的學習者剖繪（Profiling）。
核心研究發現
- 1
在 93 名生物科學研究生與博士後研究員的調查中，LLM 使用頻率與五項 AI 感知指標均呈現顯著關聯。
- 2
自我評估的 LLM 熟悉度僅與其中三項指標相關，而過往的 AI 相關課程或工作坊經歷則與感知結果無關。
- 3
數據呈現閾值模式，特別是在訓練興趣與準確度信任方面，低頻使用者與高頻使用者之間存在明顯差異。
對教育工作者的啟發
課程設計者在設計 AI 相關課程時，不應僅依賴學生的學術背景或修課紀錄來決定教學難度。建議在課程開始前，設計一個極簡的行為調查（如：LLM 使用頻率、實際操作經驗），並以此作為適應性教學（Adaptive Instruction）的觸發機制。例如，對於低頻使用者，教學應著重於建立正確的 AI 信任與基礎概念；對於高頻使用者，則可直接進入更深層的倫理辯證或複雜案例分析，從而實現精準的差異化教學。
原始文獻資訊
- 英文標題：
- Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction
- 作者：
- Yongkyung Oh, Lynn Talton, Alex Bui
- 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。