多模態與對話式 AI 對學習成效與體驗之影響
arXiv - Human-Computer InteractionKaran Taneja, Anjali Singh, Ashok K. Goel
研究顯示結合多模態與對話式 AI 可提升生物學學習成效與體驗，且對話式 AI 能降低外在負荷。
AI 幫你先抓重點
AI 重點 1
多模態對話式 AI 能同時降低外在負荷並提升 germane 負荷，直接驅動學習成效。
滑鼠懸停看 AI 判斷理由
研究發現 MuDoC 取得最高成績，且根據認知負荷理論，對話式 AI 降低外在負荷、視覺-語言整合提升 germane 負荷，兩者共同促進學習。
AI 重點 2
對話式 AI 的易用性與互動性並不保證學習成效，需配合多模態內容以避免感知與成效不符。
滑鼠懸停看 AI 判斷理由
TexDoC 雖被評為更具吸引力與易用，但其後測成績最低，顯示單純文字對話易造成學習成效不足，提示需加入圖像等多模態元素。
核心研究發現
- 1
MuDoC（多模態對話式 AI）在後測成績最高，學習體驗最正面。
- 2
TexDoC 雖被評為更具吸引力與易用，但其後測成績最低，顯示感知與成效不一致。
- 3
DocSearch 介面在使用上較不受歡迎，成績亦低於 MuDoC。
- 4
從認知負荷理論看，對話式 AI 能有效降低外在負荷，提升學習者專注度。
- 5
多模態的視覺-語言整合則增加了 germane 負荷，進一步促進知識建構與成績提升。
對教育工作者的啟發
本研究指出，設計對話式 AI 時應同時加入圖像與文字，以降低外在負荷並提升 germane 負荷；單純文字對話雖易用但易造成學習成效不足；建議開發者在介面中嵌入視覺-語言整合功能，並透過使用者測試驗證其對學習成效的實際影響。
原始文獻資訊
- 英文標題：
- Impact of Multimodal and Conversational AI on Learning Outcomes and Experience
- 作者：
- Karan Taneja, Anjali Singh, 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。