利用生成式 AI 量化學生成功：結合系統性回顧的蒙地卡羅模擬
arXiv - Computers and SocietySeyma Yaman Kayadibi
本研究結合系統性文獻回顧與蒙地卡羅模擬，量化生成式 AI 在高等教育中學生成功感知的影響，發現可用性因素對成功分數影響最大。
AI 幫你先抓重點
AI 重點 1
逆方差加權蒙地卡羅模擬方法
滑鼠懸停看 AI 判斷理由
此方法能同時估計成功分數的中心趨勢與不確定度，將質性主題合成轉化為可量化的預測模型，為決策提供更具證據依據的數據。
AI 重點 2
可用性因素（系統效率與學習負擔）對成功分數的主導影響
滑鼠懸停看 AI 判斷理由
揭示哪些使用體驗最能提升學生對 AI 的成功感知，為工具設計與課程整合提供具體優先改進方向，直接影響學習成效。
AI 重點 3
系統性文獻回顧結合主題合成的研究框架
滑鼠懸停看 AI 判斷理由
提供一套可重複、透明的流程，將多篇研究的主題模式與量化模擬結合，方便未來研究者在不同領域重複使用並擴充。
核心研究發現
- 1
透過 PRISMA 指引的系統性回顧，篩選 19 篇 2023-2025 之間的實證研究，並以主題合成整理學生對生成式 AI 的感知模式。
- 2
其中 6 篇提供項目級平均值與標準差，足以進行機率建模，進一步選取一份結構良好的 Likert 量表資料作為模擬基礎。
- 3
逆方差加權的蒙地卡羅模擬產生「成功分數」指標，能同時估計中心趨勢與不確定度，並在不同主題配置下進行敏感度分析。
- 4
模擬結果顯示，與可用性相關的「系統效率」與「學習負擔」對成功分數影響最大，其他主題雖正向貢獻但幅度較小。
- 5
研究提供一種透明且隱私保護的橋樑，將主題合成與預測模型結合，可協助教育工作者評估生成式 AI 對學習成效的潛在影響。
對教育工作者的啟發
實務工作者可先評估 AI 工具的系統效率與學習負擔，透過逆方差加權蒙地卡羅模擬快速估算對學生成功感知的影響，並以此指標調整課程設計與工具介入。此方法不需收集個人敏感資料，保護隱私；同時可在不同主題配置下進行敏感度分析，協助決策者判斷哪些功能改進最具價值。
原始文獻資訊
- 英文標題：
- Quantifying Student Success with Generative AI: A Monte Carlo Simulation Informed by Systematic Review
- 作者：
- Seyma Yaman Kayadibi
- 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。