大型語言模型比專家更能精準解釋隱性知識
arXiv - Computers and SocietyMina Cho, Russell J. Funk, Alok Gupta, Mochen Yang
研究證實 LLM 能有效將專家的隱性知識顯性化，其產出的知識品質甚至優於專家親自表達的內容。
AI 幫你先抓重點
AI 重點 1
LLM 成為克服「表達瓶頸」的關鍵工具
滑鼠懸停看 AI 判斷理由
傳統知識傳承受限於專家能否將經驗轉化為文字，而 LLM 能從非結構化的對話中捕捉細微邏輯，這改變了知識管理與技能傳承的效率上限。
AI 重點 2
AI 產出的知識品質可能超越人類自述
滑鼠懸停看 AI 判斷理由
這挑戰了「專家說出的就是最好教學內容」的傳統認知，暗示在設計教學或知識庫時，利用 AI 進行知識重組與顯性化，可能比直接使用專家筆記更有效。
核心研究發現
- 1
LLM 能從專家的行為與對話中提取隱性知識，並將其轉化為可供使用的顯性知識。
- 2
透過 LLM 轉化的隱性知識能顯著提升決策品質，並幫助新手達到接近專家的表現水準。
- 3
實驗結果支持波蘭尼悖論（Polanyi's Paradox），即人類能知曉某些事卻難以言傳，而 LLM 能克服此表達瓶頸。
- 4
研究顯示 LLM 提取知識的能力在不同模型與檢索方法下皆具備一致性與穩健性。
對教育工作者的啟發
教育設計者應改變單純依賴「專家撰寫教材」的模式，轉而利用 AI 輔助知識萃取。具體做法包括：1. 記錄專家在實務操作中的對話或行為數據，而非僅依賴其撰寫的理論文件；2. 利用 LLM 將這些非結構化數據轉化為結構化的教學指南或決策模型；3. 建立「專家-AI-新手」的知識傳遞鏈，利用 AI 填補專家經驗與新手理解之間的溝通鴻溝，從而實現更高效的技能轉移與知識內化。
原始文獻資訊
- 英文標題：
- Large Language Models Explain Experts Better Than Experts Themselves
- 作者：
- Mina Cho, Russell J. Funk, Alok Gupta, Mochen Yang
- 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。