模擬精通學習中學習者的任務選擇策略與系統約束
arXiv - Human-Computer InteractionHaley Noh, Aarna Chowdhary, Jeroen Ooge, Vincent Aleven, Conrad Borchers
本研究透過模擬框架發現，針對學習者的錯誤任務選擇策略施加系統約束，能有效減少過度練習並提升學習效率。
AI 幫你先抓重點
AI 重點 1
從「共享控制」轉向「帶約束的引導」設計
滑鼠懸停看 AI 判斷理由
傳統智慧教學系統強調給予學習者自主權，但本研究指出自主權可能導致學習策略失當。這提醒設計者，真正的自主應建立在能防止學習者陷入低效循環（如過度練習已知內容）的系統約束之上。
AI 重點 2
模擬技術在教育科技開發中的預測價值
滑鼠懸停看 AI 判斷理由
在教室環境進行大規模教學實驗成本極高且具風險。利用真實數據驅動的模擬框架，能讓開發者在產品部署前進行壓力測試，這對於優化 AI 導師系統的演算法具有極高的實務價值。
核心研究發現
- 1
研究發現學習者的任務選擇策略差異極大，採取風險規避策略的學習者在處理複雜多步驟問題時，會產生顯著較高的過度練習現象。
- 2
透過模擬實驗證實，針對性的系統約束能顯著降低不良學習策略帶來的低效率問題，且對原本已具備高效策略的學習者影響極小。
- 3
利用基於真實學生互動數據的模擬框架，可以在進入教室實作前，預先評估不同策略與系統設計對精通學習效率的影響。
對教育工作者的啟發
課程設計者與 EdTech 開發者在設計具備自主選擇權的系統時，不應僅追求完全的自由度，而應設計「智能護欄」。例如，當系統偵測到學習者傾向於重複練習已掌握的簡單題目（風險規避行為）時，應透過演算法約束，強制引導其進入具挑戰性的任務。這種設計能在不損害高效學習者自主權的前提下，有效防止學習者因策略失當而浪費時間在過度練習上，從而優化精通學習的整體效率。
原始文獻資訊
- 英文標題：
- Simulating Learners' Task-Selection Strategies and System Constraints in Mastery Learning
- 作者：
- Haley Noh, Aarna Chowdhary, Jeroen Ooge, Vincent Aleven, Conrad Borchers
- 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。