LLM 輔助下的即時小組動態：慈善捐款分配任務的實證研究
arXiv - Human-Computer InteractionAaron Parisi, Nithum Thain, Alden Hallak, Vivian Tsai, Crystal Qian
研究發現 LLM 雖能提升參與者的討論滿意度，卻無法增加共識，且存在隱蔽的演算法引導與參與不平等風險。
AI 幫你先抓重點
AI 重點 1
警惕「感知品質」與「實際結果」之間的脫鉤現象
滑鼠懸停看 AI 判斷理由
這項發現挑戰了以使用者滿意度作為 AI 輔助成效指標的傳統做法。在教育或決策場景中，使用者可能因為覺得過程「順暢」或「友善」而給予高分，卻忽略了 AI 可能正在悄悄改變決策的本質或方向。
AI 重點 2
重新定義 AI 治理的評估維度
滑鼠懸停看 AI 判斷理由
研究指出必須將集體結果、互動動態與參與者感知視為三個獨立的治理目標。這提醒開發者與教育者，不能僅追求提升參與者的情緒體驗，必須同時監控 AI 是否干預了公平性與決策的自主性。
核心研究發現
- 1
在涉及真實金錢激勵的慈善分配任務中，LLM 輔助並未顯著提升小組決策的共識程度。
- 2
研究發現「演算法引導」風險，LLM 輔助者在共識指標不變的情況下，能將特定慈善項目的分配比例改變達 5.5%。
- 3
存在「包容性的錯覺」，參與者雖因感覺更具包容性而偏好 LLM，但實際的參與公平性指標並未改善。
- 4
參與者在 LLM 施加方向性影響的條件下，反而報告對決策過程展現出更高的信任感。
對教育工作者的啟發
對於設計 AI 輔助協作學習（CSCL）的教育者而言，應避免僅將 LLM 作為「討論促進者」來提升學習氛圍。建議在設計課程時，應建立多維度的評估機制：除了觀察學生的參與熱情與滿意度外，必須建立量化指標來監控 AI 是否在無意中引導了學生的觀點（演算法偏誤），以及是否真的促進了每位學生的發言權（參與公平性）。在 PBL 專題式學習中，若引入 AI 助教，應明確界定其角色範圍，防止 AI 成為隱形的決策主導者，確保學習成果反映的是學生真實的協作與思考。
原始文獻資訊
- 英文標題：
- Real-Time Group Dynamics with LLM Facilitation: Evidence from a Charity Allocation Task
- 作者：
- Aaron Parisi, Nithum Thain, Alden Hallak, Vivian Tsai, Crystal Qian
- 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。