HARP：人機協作 AI 研究平台
arXiv - Human-Computer InteractionZeshu Zhu, Natalie Friedman, Kevin Weatherwax, Emily Eiben
開發 HARP 平台，讓研究者能透過可配置的 AI 代理人與行為數據，系統化地研究使用者與生成式 AI 的互動行為。
AI 幫你先抓重點
AI 重點 1
從「結果分析」轉向「過程分析」的互動研究範式
滑鼠懸停看 AI 判斷理由
過去研究多關注 AI 給出的答案，但 HARP 強調捕捉使用者在構思與修正 Prompt 時的認知過程，這對於理解人類如何與 AI 進行協作學習至關重要。
AI 重點 2
高度可控的實驗環境對於 AI 設計優化之必要性
滑鼠懸停看 AI 判斷理由
透過精確控制 AI 代理人的參數與行為特徵，研究者能排除變數干擾，科學地驗證特定 AI 設計決策（如回應長度或語氣）對使用者學習或行為的影響。
核心研究發現
- 1
傳統靜態原型無法模擬真實 AI 互動，且對話紀錄難以捕捉使用者在輸入提示詞（Prompt）時的修改與猶豫過程。
- 2
HARP 平台能精確記錄使用者構思提示詞的時間、回應延遲、刪除行為及按鍵停頓等細微行為數據。
- 3
透過初步研究證實，技術描述的精確度與回應長度會顯著影響使用者對大型語言模型輸出內容的記憶留存率。
對教育工作者的啟發
對於教育科技設計者而言，HARP 的概念提醒我們，設計 AI 學習工具時，不應僅關注 AI 的回答品質，更應關注「提示詞工程」過程中的學習行為。開發者可以利用類似的數據追蹤技術（如記錄刪除與停頓），來分析學生在與 AI 對話時的認知負荷與元認知（Metacognition）過程，進而設計出能引導學生進行深度思考而非僅是獲取答案的 AI 輔助教學系統。
原始文獻資訊
- 英文標題：
- HARP: The Human--AI Research Platform
- 作者：
- Zeshu Zhu, Natalie Friedman, Kevin Weatherwax, Emily Eiben
- 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。