透過策略性自動化層級選擇構建人機互惠互賴於質性研究
arXiv - Human-Computer InteractionFeng Zhou, Jacqueline Meijer-Irons, Ambar Murillo
提出一套基於任務風險與驗證成本的自動化層級選擇框架，促進人機協作的互惠互賴，並以案例驗證其有效性。
AI 幫你先抓重點
AI 重點 1
人機互賴而非單純自動化是質性研究成功的關鍵，設計需重視信任校準。
滑鼠懸停看 AI 判斷理由
此觀點將焦點從追求最大化自動化轉向平衡人類判斷與機器輔助，對於需要深度詮釋的質性工作尤為重要，能避免過度依賴機器而失去研究深度。
AI 重點 2
LoA選擇框架提供具體決策工具，實務者可系統評估風險與驗證成本，選擇適合的自動化層級。
滑鼠懸停看 AI 判斷理由
提供可操作的評估流程，讓教育工作者或研究者在應用AI時能量化風險，確保分析質量不被自動化程度所削弱。
核心研究發現
- 1
LLM可擴大質性分析規模，但全自動化與詮釋性質衝突。
- 2
提出正式框架，根據任務風險與驗證成本為每個質性分析階段選擇合適的自動化層級。
- 3
案例研究顯示，故意設計互賴工作流程可建立校準信任，促成嚴謹分析。
對教育工作者的啟發
研究者可依據框架先評估任務風險與驗證成本，再決定自動化層級，避免過度自動化導致解讀失真。設計時應建立明確的驗證步驟與人機交互介面，並透過實驗或迭代測試調整信任度。此方法可在課程設計、研究報告或數據分析中，將LLM作為協同工具，保留研究者對意義建構的主導權，提升分析質量與可信度。
原始文獻資訊
- 英文標題：
- Structuring Human-AI Productive Interdependence by Strategic Level of Automation Selection for Qualitative Inquiry
- 作者：
- Feng Zhou, Jacqueline Meijer-Irons, Ambar Murillo
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。