AI 輔助驗證中的知識遷移：框架與評估協議
arXiv - Human-Computer InteractionChristoph Trattner
本文提出「知識遷移」概念，藉由新指標評估 AI 工具在輔助判斷後，能否提升使用者獨立驗證的能力。
AI 幫你先抓重點
AI 重點 1
從「當下表現」轉向評估「工具移除後的長期能力」。
滑鼠懸停看 AI 判斷理由
傳統評估過於關注 AI 工具在場時的輔助效果，卻忽略了使用者是否因此產生依賴。這項轉變能幫助開發者判斷工具是在「賦能」還是「削弱」人類的批判性思考能力。
AI 重點 2
利用 ETE 與 TRC 指標建立診斷模型。
滑鼠懸停看 AI 判斷理由
這套框架提供了一套科學的度量標準，讓研究者能精確辨識 AI 介入對認知產生的負面影響（如去技能化），而不僅僅是看準確率是否提升。
核心研究發現
- 1
定義了「知識遷移」（Epistemic Transfer）概念，區分其與信任、依賴或團隊表現等傳統指標的不同。
- 2
提出兩個量化指標：知識遷移效應（ETE）衡量延遲後的獨立表現，工具移除成本（TRC）衡量失去工具時的表現下降。
- 3
建立了一個診斷空間，可區分使用者是獲得了能力提升、僅具備工具優勢、發生去技能化，或是僅依賴工具進行驗證。
對教育工作者的啟發
教育科技設計者不應僅追求 AI 輔助下的高準確率，更應關注「去技能化」風險。建議在設計 AI 學習工具時，應納入「工具移除測試」作為評估標準。例如，在設計 AI 輔助事實查核工具時，應設計能引導使用者思考的互動模式（如 evidence-first），而非直接給予答案，以確保使用者在失去 AI 輔助後，仍能保有獨立的判斷與驗證能力，實現真正的知識遷移而非單純的工具依賴。
原始文獻資訊
- 英文標題：
- Epistemic Transfer in AI-Assisted Verification: A Framework and Evaluation Protocol
- 作者：
- Christoph Trattner
- 來源：
- arXiv - Human-Computer Interaction
- 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。