SCAN：基於生成式 AI 有效任務分配的決策框架
arXiv - Computers and SocietyFendi Tsim, Alina Gutoreva
本文提出 SCAN 框架，透過四種子區域分類，引導學習者利用元認知進行有效的 AI 任務分配。
AI 幫你先抓重點
AI 重點 1
從「任務分配」的角度重新定義人機協作，而非單純的工具使用。
滑鼠懸停看 AI 判斷理由
這改變了我們看待 AI 的方式。過去我們關注 AI 能做什麼，現在則轉向思考「我應該讓 AI 做什麼」，這對於培養學習者的自主學習能力與元認知監控至關重要。
AI 重點 2
強調透過分類任務來平衡認知負荷與技能流失（Deskilling）的風險。
滑鼠懸停看 AI 判斷理由
在 AI 普及的時代，盲目依賴 AI 可能導致技能退化。透過 SCAN 框架的分類，使用者能有意識地保留核心能力，並在提升效率的同時維持長期的終身學習能力。
核心研究發現
- 1
提出 SCAN 框架，結合維高斯基的近側發展區（ZPD）與元認知理論，建立以人為本的 AI 決策模型。
- 2
將 AI 與人類的互動任務系統化為四個子區域：替代（Substitute）、互補（Complement）、輔助（Aid）與不可協商（Non-negotiable）。
- 3
該框架能協助知識工作者與學生進行元認知「掃描」，以決定在不同任務階段何時以及如何使用生成式 AI。
對教育工作者的啟發
教育工作者在設計 AI 輔助學習環境時，不應僅提供 AI 工具，而應引導學生練習「任務分類」。建議在課程中加入元認知練習，讓學生思考：哪些步驟應由 AI 替代以提升效率，哪些步驟必須由人類主導以確保深度學習（Non-negotiable）。透過這種方式，可以防止學生因過度依賴 AI 而導致認知卸載（Cognitive Offloading）過度，進而達到「混合智能」的目標，而非單純的技能退化。
原始文獻資訊
- 英文標題：
- SCAN: A Decision-Making Framework for Effective Task Allocation with Generative AI
- 作者：
- Fendi Tsim, Alina Gutoreva
- 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。