大型語言模型在高等教育教學中的應用與反思
arXiv - Computers and SocietyFiammetta Caccavale, Carina L. Gargalo, Julian Kager, Magdalena Skowyra, Steen Larsen, Krist V. Gernaey, Ulrich Kr\"uhne
探討以RAG模型為基礎的AI助手在大學課程中的實施效果，評估學生動機、回應質量與學業成績，並提出實務可行性與未來挑戰。
AI 幫你先抓重點
AI 重點 1
RAG模型有效提升AI回應的相關性與準確度
滑鼠懸停看 AI 判斷理由
RAG模型透過檢索專業資料，減少幻覺並提升回應準確度，對高等教育專業課程的知識建構與評量具有關鍵影響。
AI 重點 2
學生動機提升顯示LLM具備促進自主學習的潛力
滑鼠懸停看 AI 判斷理由
學生在與LLM互動時表現出更高的學習動機，動機提升是自我調節學習的關鍵因素，顯示LLM可作為促進自主學習與協作探究的有效工具。
核心研究發現
- 1
LLM助手能夠重現教師主導的耗時練習，顯著降低教師負擔，並維持教學質量，在專業課程中尤為有效。
- 2
學生在使用LLM時表現出更高的學習動機，尤其在自主探索與即時回饋方面，並且對學習成果持續保持興趣。
- 3
RAG模型的檢索增強功能顯著提升AI回應的相關性與準確度，減少幻覺現象，在專業知識密集的課程中尤為有效。
- 4
實驗結果顯示LLM輔助並未對學生學業成績產生負面影響，甚至在部分評量中略有提升，這表明LLM可作為有效的學習工具。
- 5
實施過程中遇到的主要挑戰包括AI生成幻覺、專業知識限制與提示設計不當，需加強監控與教師介入。
對教育工作者的啟發
本研究顯示，採用RAG模型的AI助手能在不降低教學質量的前提下，顯著減輕教師在專業課程中的重複性工作。實務上，教師可先將核心教材與參考資料建立索引，設計具體提示，並在課堂中以小組討論或PBL方式引入AI互動，讓學生即時獲得回饋。為避免幻覺與知識盲點，建議教師定期檢視AI回應、提供修正指引，並將AI作為輔助工具而非替代者。此模式亦可延伸至評量設計，利用AI生成多元題型，提升評量效率與多樣性。
原始文獻資訊
- 英文標題：
- Large Language Models in Teaching and Learning: Reflections on Implementing an AI Chatbot in Higher Education
- 作者：
- Fiammetta Caccavale, Carina L. Gargalo, Julian Kager, Magdalena Skowyra, Steen Larsen, Krist V. Gernaey, Ulrich Kr\"uhne
- 來源：
- arXiv - Computers and Society
- 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。