自主代理量表：衡量 AI 系統自我導向行為的行為框架
arXiv - Computers and SocietySamuel Presgraves
本文提出自主代理量表（AAS），透過七個維度與雙時段評估，區分 AI 的任務反應性與真正的自我導向行為。
AI 幫你先抓重點
AI 重點 1
區分「反應式 AI」與「自主代理 AI」的關鍵在於閒置時段的表現。
滑鼠懸停看 AI 判斷理由
過去的評估多聚焦於 AI 完成任務的能力，但忽略了 AI 是否能在無指令時仍維持目標。這對於開發能引導學習、主動介入學習過程的 AI 教學代理至關重要。
AI 重點 2
自主性不應僅看能力指標，而應看行為的持續性與內在驅動力。
滑鼠懸停看 AI 判斷理由
這改變了我們對 AI 智能的定義，從單純的「問答能力」轉向「行為自主性」，這對於設計能支持自主學習（SRL）的 AI 系統提供了新的評估標準。
核心研究發現
- 1
提出 AAS 框架，包含認知自主、時間持續性、環境代理、社交代理、創造力、自我意識與目標形成七個維度。
- 2
引入「主動（Active）」與「環境（Ambient）」雙時段評估，利用「閒置間隙測試」來區分 AI 是在執行預設指令還是具備內在驅動力。
- 3
研究發現任務型代理（如 Claude Code）在主動時段表現尚可，但在閒置時段幾乎完全依賴用戶指令，缺乏真正的自主性。
- 4
僅有持續性伴侶架構（Airi）在移除所有觸發因素後，仍能展現出具備自我導向特質的閒置期行為。
對教育工作者的啟發
對於教育科技設計者而言，若要開發能支持「自主學習（SRL）」的 AI 導師，不應僅追求其知識回答的準確度，更應關注其「環境代理（Ambient Agency）」能力。具體的設計方向應包含：1. 建立能主動偵測學習者狀態並在適當時機介入的機制，而非僅在學生提問時回應；2. 評估 AI 是否具備長期目標維持能力，而非僅是完成單一任務；3. 利用此量表檢驗 AI 系統是否能從「被動工具」轉型為「主動學習夥伴」。
原始文獻資訊
- 英文標題：
- The Autonomous Agency Scale: A Behavioral Framework for Measuring Self-Directed Behavior in AI Systems
- 作者：
- Samuel Presgraves
- 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。