aik-12srllearning designmathematics

從提示詞到認識論主動性：學生在數學學習中與 AI 互動的時間軌跡研究

arXiv - Computers and SocietyRania Abdelghani, Peter Kaiser, Kou Murayama

研究發現學生若能隨著學習進程，將 AI 互動從尋求答案轉向概念與程序性的主動探究，能有效提升數學表現。

AI 幫你先抓重點

AI 重點 1

學習成效不在於「用了多少 AI」，而在於「如何隨時間改變與 AI 的互動模式」。

滑鼠懸停看 AI 判斷理由
這挑戰了傳統以「使用頻率」或「靜態行為」來評估 AI 學習成效的觀念，強調了學習是一個動態演進的過程，這對於設計能引導學生轉化學習策略的 AI 工具至關重要。
AI 重點 2

區分「尋求答案」與「認識論主動性」是提升學習質量的關鍵。

滑鼠懸停看 AI 判斷理由
這點提醒教育者，AI 可能會成為學生的「答案產生器」而非「思考夥伴」。理解兩者的差異有助於設計教學干預，引導學生利用 AI 進行深層的概念建構而非僅是完成任務。

核心研究發現

  1. 1

    靜態的 AI 使用總結（如總提示詞功能或行為多樣性）在控制先前知識後，無法預測學生的後測表現。

  2. 2

    時間維度的互動軌跡具有預測力：表現優異的學生在學習後期會展現出更平衡的認識論主動性。

  3. 3

    有效的互動軌跡是從單純的驗證、尋求答案或確認，轉向結合概念與程序性求助及數學建模工作的模式。

  4. 4

    大多數學生的互動表現出較少的顯性自我調節，且多集中於程序性或概念性的問題詢問。

對教育工作者的啟發

教育工作者與設計者應從「任務導向」轉向「軌跡導向」的 AI 教學設計。首先，AI 工具不應僅提供即時答案，而應設計機制引導學生從尋求結果轉向探究概念與程序。其次，在課堂教學中，教師應觀察學生與 AI 的互動模式，若發現學生過度依賴 AI 驗證答案，應及時介入，引導其進行更具主動性的數學建模與問題解決。最後，評估 AI 輔助學習的效果時，應關注學生在學習過程中互動策略的演進，而非僅看單一時間點的使用數據。

原始文獻資訊

英文標題：
From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning
作者：
Rania Abdelghani, Peter Kaiser, Kou Murayama
來源：
arXiv - Computers and Society
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

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。