題型、認知負荷與 CEFR 對齊：評估 LLM 生成之 EFL 文法練習題
arXiv - Computers and SocietySteve Woollaston, Brendan Flanagan, Yuko Toyokawa, Hiroaki Ogata
本研究證實 LLM 可生成有效教學內容，並發現不同題型對認知負荷與學習表現有顯著影響。
AI 幫你先抓重點
AI 重點 1
題型設計應遵循從「被動辨識」到「主動產出」的漸進式序列。
滑鼠懸停看 AI 判斷理由
這項洞察對於數位教材開發至關重要。開發者不應隨機混合題型，而應利用不同題型的認知負荷差異，設計由淺入深的學習路徑，以引導學生逐步建立語言能力。
AI 重點 2
利用 LLM 生成內容時，必須結合標準化的語言能力框架（如 CEFR）。
滑鼠懸停看 AI 判斷理由
雖然 LLM 能大量產出內容，但若缺乏標準化框架的約束，內容難以精準對齊學生的程度。結合 CEFR 能確保 AI 生成的練習題具有教學上的科學性與難度可控性。
核心研究發現
- 1
題型對認知負荷影響顯著：選擇題認知負荷最低，克漏字測驗對主動回想挑戰最大，而拖放練習則導致最長的反應時間。
- 2
驗證了 CEFR-J 文法框架的有效性：隨著學習者語言能力提升，其在任務中的準確率呈現穩定下降，且反應時間增加。
- 3
證實 LLM 在生成 EFL 學習內容上的可行性，能有效產出符合教學需求的文法練習題。
對教育工作者的啟發
課程設計者在利用 AI 生成教材時，應採取「分層式題型策略」：初期使用選擇題降低認知負荷，建立信心與辨識能力；中期引入克漏字訓練主動回想；後期則透過拖放或開放式練習強化語言產出。此外，應將 AI 生成內容與 CEFR 等標準對齊，以確保練習難度能精準匹配學生的學習階段，避免因難度失控導致學習挫折或過度負荷。
原始文獻資訊
- 英文標題：
- Question Type, Cognitive Load, and CEFR Alignment: Evaluating LLM-Generated EFL Grammar Drill Exercises
- 作者：
- Steve Woollaston, Brendan Flanagan, Yuko Toyokawa, Hiroaki Ogata
- 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。