生成式 AI 作為設計變數：STEM 評量治理的證據中心框架
arXiv - Computers and SocietyYizhu Gao, Zhongzhou Chen, Min Li, Xiaoming Zhai
本文提出以證據中心設計（ECD）為基礎的框架，將生成式 AI 視為評量設計變數，而非外部威脅。
AI 幫你先抓重點
AI 重點 1
將 GenAI 從「威脅」轉向「設計變數」的思維轉變
滑鼠懸停看 AI 判斷理由
這改變了教育者應對 AI 的傳統防禦姿態，從單純的禁止轉向如何將 AI 整合進評量架構中，確保評量仍能有效衡量學生的真實能力。
AI 重點 2
區分「目標構念」與「周邊需求」的評量策略
滑鼠懸停看 AI 判斷理由
這對於課程設計者至關重要，能幫助他們判斷何時該允許 AI 輔助（以減輕瑣碎任務負擔），何時該嚴格限制（以確保核心知識的掌握）。
核心研究發現
- 1
提出三種治理立場：限制（Restrict）用於防止污染評量效度；支架（Scaffold）用於支持非核心技能；要求（Require）用於評量 AI 互動能力。
- 2
透過物理課程的實務設計證明，學生的 AI 互動能力（如提示詞、評論與修正）可轉化為可觀察且可評分的學習證據。
- 3
框架分析了 GenAI 如何重新形塑學生模型、證據模型與任務模型，從而重新定義評量的推論邏輯。
對教育工作者的啟發
教育者不應僅關注 AI 是否會導致作弊，而應思考如何設計任務來「觀察」學生的 AI 使用過程。具體建議包括：1. 設計需要「過程證據」的任務，例如要求學生提交提示詞（Prompts）與對 AI 輸出內容的批判性評論；2. 根據教學目標決定 AI 的角色：若目標是基礎知識，應限制使用；若目標是專業工作流，則應要求學生展現與 AI 協作的能力；3. 開發新的評分量表，針對學生如何修正 AI 錯誤及優化指令進行評分。
原始文獻資訊
- 英文標題：
- Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment
- 作者：
- Yizhu Gao, Zhongzhou Chen, Min Li, Xiaoming Zhai
- 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。