相同回饋，不同來源：AI 與人類歸因如何影響計算教育中的學習者行為
arXiv - Human-Computer InteractionCaitlin Morris, Pattie Maes
研究發現人類來源歸因雖具動機價值，但若缺乏可信度，其學習成效反而低於透明的 AI 歸因。
AI 幫你先抓重點
AI 重點 1
「可信度」是決定 AI 替代人類教學成效的關鍵門檻。
滑鼠懸停看 AI 判斷理由
過去研究常假設人類身份能提升動機，但本研究指出若學生察覺來源不實，反而會產生負面影響。這提醒設計者，盲目追求「擬人化」若缺乏真實性，反而會損害學習品質。
AI 重點 2
透明的 AI 歸因在教學設計中是更穩健的預設選項。
滑鼠懸停看 AI 判斷理由
當無法保證教學者身份的真實性時，直接標註為 AI 雖然看似缺乏情感連結，卻能透過建立透明度來維持學習者的信任，避免因「被欺騙感」導致的學習成效下降。
核心研究發現
- 1
相信回饋來自人類的參與者，其任務投入時間顯著高於收到相同延遲 AI 回饋的參與者（d=0.61）。
- 2
回饋交付的延遲時間會獨立增加學習者的輸出複雜度，但不會影響其任務投入時間。
- 3
在人類歸因組中，有 46% 的參與者不相信來源，這群人的程式碼複雜度與任務時間表現均差於透明 AI 組。
- 4
研究證實了來源歸因（Source Attribution）與交付時機（Timing）對學習結果具有不同的影響機制。
對教育工作者的啟發
教育工作者在設計 AI 輔助教學系統時，應優先考慮「透明度」而非單純追求「擬人化」。若系統回饋是由 AI 生成，應明確告知學生，以建立正確的心理預期。此外，設計者可以利用「延遲回饋」來促進學習者產出更複雜的成果，但需注意這與「來源歸因」對學習動機的影響機制不同。在無法確保教學者真實在場的情況下，採取透明的 AI 標註策略，是降低教學風險、維持學習成效的最佳做法。
原始文獻資訊
- 英文標題：
- Same Feedback, Different Source: How AI vs. Human Feedback Attribution and Credibility Shape Learner Behavior in Computing Education
- 作者：
- Caitlin Morris, Pattie Maes
- 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。