大型語言模型發布後教師課程設計與學生學習變化測量
arXiv - Computers and SocietyAmanda Potasznik, Daniel Haehn
研究探討大型語言模型對教師課程設計與學生學習成效之影響，結合問卷與成績資料，提供政策與實務參考。
AI 幫你先抓重點
AI 重點 1
LLM 的普及迫使教師重新思考課程評量與作業設計，以維持學習深度。
滑鼠懸停看 AI 判斷理由
此洞察顯示 AI 不是單純工具，而是改變教學結構的催化劑，促使教師必須設計能夠評估學生批判性使用 AI 的任務，否則學習成效可能被淺化。
AI 重點 2
學生對 AI 的依賴並未明顯降低學業表現，說明適當的課程調整可緩解潛在風險。
滑鼠懸停看 AI 判斷理由
這表明教育者可透過設計引導式任務與評量，將 AI 轉化為學習資源，而非學習障礙，對政策制定與實務操作具有指導意義。
AI 重點 3
混合方法結合問卷與成績資料提供多角度證據，提升研究可信度。
滑鼠懸停看 AI 判斷理由
此方法展示了在 AI 影響研究中，質性與量化資料互補，可為其他機構複製與擴展提供範例。
核心研究發現
- 1
學生普遍使用生成式 AI 來完成課堂作業，且多數未獲授權。
- 2
教師在課程設計中逐漸加入 AI 相關評量與使用指引，並調整作業要求以促進批判性思考。
- 3
歷史成績資料顯示，LLM 釋出前後學生平均成績變化不顯著，暗示 AI 影響可能被課程設計調節。
對教育工作者的啟發
建議學校制定 AI 使用指引，鼓勵教師在課程中設計能評估學生批判性使用 AI 的任務；透過分層作業與反思日誌，提升學生自我調節學習；同時利用成績資料監測 AI 影響，調整評量標準，確保學習成效不受淺化。
原始文獻資訊
- 英文標題：
- Measuring Changes in Instructor Class Design and Student Learning After the Release of Large Language Models (LLMs)
- 作者：
- Amanda Potasznik, Daniel Haehn
- 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。