搜救任務中 LLM 介導的人機互動：專業程度對注意力分配之影響
arXiv - Human-Computer InteractionElahe Oveisi, Hemanth Manjunatha
研究發現 LLM 指引雖能提升搜救效率，但會造成注意力分配轉移，且其效果受使用者專業程度調節。
AI 幫你先抓重點
AI 重點 1
AI 輔助可能導致「認知隧道」效應，使使用者過度關注建議而非環境。
滑鼠懸停看 AI 判斷理由
這提醒設計者，AI 介入不只是增加資訊，更可能改變使用者的認知負荷與注意力分配，若設計不當，使用者可能因過度依賴 AI 而喪失對現實環境的感知。
AI 重點 2
專業程度是決定 AI 協作成效的關鍵調節變項。
滑鼠懸停看 AI 判斷理由
這改變了我們對「AI 萬能」的認知。在設計教學或訓練系統時，必須考慮使用者目前的知識水平，因為專家與新手在處理 AI 資訊時的元認知策略完全不同。
核心研究發現
- 1
LLM 指引能顯著提升任務效率（如更高的獎勵與每步獲救人數），但並未增加最終獲救的總人數。
- 2
眼動追蹤顯示存在「注意力-指引權衡」，使用者的視覺資源會從環境轉移至聊天介面，且瞳孔大小變異性增加。
- 3
專業程度會調節 AI 使用行為：新手傾向於被動依賴 AI，而專家則能透過持續掃描環境來維持「驗證迴圈」。
對教育工作者的啟發
對於教育科技設計者而言，此研究提供了兩點重要啟發：首先，在設計 AI 導師或輔助系統時，應避免讓 AI 資訊佔據過多視覺或認知資源，以免干擾學習者對核心任務（如實驗環境或問題本身）的觀察；其次，應針對不同程度的學習者設計差異化介面。對於新手，應強化「驗證機制」的訓練，引導其學習如何交叉比對 AI 建議與實際數據，而非僅是單向接收資訊，藉此培養其元認知能力與情境覺察力。
原始文獻資訊
- 英文標題：
- LLM-Mediated Human-AI Interaction in Search and Rescue: Impact of Expertise on Attentional Allocation
- 作者：
- Elahe Oveisi, Hemanth Manjunatha
- 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。