結構化與問題化：LLM 代理如何支撐診斷推理學習的鷹架設計
arXiv - Human-Computer InteractionFatma Bet\"ul G\"ure\c{s}, Tanya Nazaretsky, Seyed Parsa Neshaei, Tanja K\"aser
本研究探討 LLM 代理透過「結構化」與「問題化」兩種鷹架策略，對藥劑技術員診斷推理能力的影響。
AI 幫你先抓重點
AI 重點 1
鷹架策略的「功能分工」優於單一策略的選擇
滑鼠懸停看 AI 判斷理由
研究顯示不同鷹架對參與品質的影響不同，這意味著設計者不應尋求單一「最佳」策略，而應根據教學目標（如追求參與深度或準確度）來組合不同的 AI 互動模式。
AI 重點 2
情境複雜度是決定學習成效的關鍵變量
滑鼠懸停看 AI 判斷理由
當 AI 系統設計者開發模擬環境時，必須意識到情境難度對表現的影響力可能超越了 AI 輔助本身，這提醒我們在設計 EdTech 產品時，情境設計與 AI 鷹架需同步優化。
核心研究發現
- 1
兩種鷹架策略皆能有效支持學生運用診斷策略，且學習表現主要受情境複雜度影響，而非學生先備知識或鷹架類型。
- 2
「結構化」策略與學生更準確的主動參與（Active）及互動參與（Interactive）表現具有正相關。
- 3
「問題化」策略則能激發學生更高程度的建構性參與（Constructive engagement）。
對教育工作者的啟發
教育設計者在開發基於 LLM 的學習系統時，應採取「混合鷹架策略」。若目標是引導學生遵循正確的診斷步驟，應設計「結構化」的 AI 代理提供引導；若目標是深化批判性思考與建構知識，則應設計「問題化」的 AI 代理提出挑戰性問題。此外，系統應具備動態調整能力，能根據情境複雜度與學生的參與類型（主動、互動或建構）來切換不同的對話模式，以達到最佳的學習支撐效果。
原始文獻資訊
- 英文標題：
- Structuring versus Problematizing: How LLM-based Agents Scaffold Learning in Diagnostic Reasoning
- 作者：
- Fatma Bet\"ul G\"ure\c{s}, Tanya Nazaretsky, Seyed Parsa Neshaei, Tanja K\"aser
- 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。