從解釋到診斷：具備錯誤感知的下一代互動式影片教練
arXiv - Human-Computer InteractionXiao Jin, Rahul K. Dass, Ashok K. Goel
開發 Ivy 兩模型架構，將教師診斷知識編碼成機器可讀，實證能即時偵測並分類學習者錯誤，並提供診斷導向的支架，提升精準回饋與概念轉變。
AI 幫你先抓重點
AI 重點 1
將教師診斷知識編碼為機器可讀，實現即時錯誤偵測與分類。
滑鼠懸停看 AI 判斷理由
此舉突破傳統教學系統僅提供解釋的限制，使系統能在學習者犯錯時即時定位問題根源，提供更具針對性的回饋，從而加速概念修正與學習成效。
AI 重點 2
兩模型架構結合 Task-Method-Knowledge 與 Pedagogical Model，提升診斷深度。
滑鼠懸停看 AI 判斷理由
透過 TMK 解析學習任務與方法，PM 則聚焦診斷與支架，兩者互補使系統能同時掌握知識結構與學習者誤解，為後續自適應學習提供堅實基礎。
核心研究發現
- 1
Ivy 透過新增 Pedagogical Model (PM)，將每題錯誤回應的錯誤信念、TMK 來源、誤解類型與針對性支架編碼成機器可讀格式。
- 2
實作證明概念的管線能即時偵測並分類學習者錯誤，並根據診斷結果生成個別化的診斷導向支架。
- 3
此診斷感知功能使 Ivy 從單純知識檢索轉向精準、可行的回饋，促進概念轉變並推進 AI 教育與學習科學的適應性學習系統。
對教育工作者的啟發
實務工作者可先將教師的診斷知識（錯誤信念、誤解來源、支架策略）系統化編碼，形成 Pedagogical Model；再將此模型與現有的 Task-Method-Knowledge 模型結合，建立兩模型架構。透過測驗題目收集學習者回應，利用 PM 進行即時錯誤偵測與分類，並自動產生診斷導向的支架。此流程不僅提升回饋精準度，也能在課程設計階段預測常見誤解，協助教師提前調整教學內容。對於已部署的智慧教學平台，可透過 API 方式整合 PM，快速擴充診斷功能，並在學習分析中加入錯誤類型指標，進一步優化個別化學習路徑。
原始文獻資訊
- 英文標題：
- From Explanation to Diagnosis: Next Generation Interactive Video Coach with Misstep Awareness
- 作者：
- Xiao Jin, Rahul K. Dass, Ashok K. Goel
- 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。