脈絡存取鴻溝：作為代理不平等補充維度的互動層架構研究
arXiv - Computers and SocietyMasahiro Fujita
本文提出「脈絡存取鴻溝」概念，指出 AI 能否自主檢索用戶知識庫，是決定 AI 工具效能與不平等的核心維度。
AI 幫你先抓重點
AI 重點 1
AI 的效能不應僅以「可用性」衡量，更應以「脈絡自主性」來評估。
滑鼠懸停看 AI 判斷理由
傳統觀點關注用戶是否能使用 AI，但忽略了若用戶必須手動餵食資料，AI 反而會增加認知負擔。理解這一點能幫助開發者與使用者重新定義何謂「高品質」的 AI 輔助。
AI 重點 2
知識密集型工作者面臨著新型態的數位不平等。
滑鼠懸停看 AI 判斷理由
當 AI 無法自動連結用戶既有的知識資本時，知識量越大的人反而需要花更多精力進行資料整理，這會導致 AI 試圖解決的問題（效率）反而演變成新的負擔。
核心研究發現
- 1
提出「脈絡存取鴻溝」（CAD）概念，區分了「動態脈絡檢索」與「手動附件」兩種不同的 AI 互動模式。
- 2
透過認知心理學的「扇形效應」建立機率模型，證明隨著知識庫規模與任務複雜度增加，手動檢索模式的任務成功率會發生組合式崩塌。
- 3
分析了 Model Context Protocol (MCP) 與 RAG 架構，指出動態檢索架構能有效避免因人工管理脈絡所導致的認知負擔與效率低下。
對教育工作者的啟發
對於教育科技設計者而言，開發學習輔助工具時，不應僅追求對話能力的強大，更應著重於「知識整合能力」。在設計 PBL（專題式學習）或知識建構工具時，應優先考慮具備 RAG 或 MCP 等技術架構的系統，讓學生能自動連結過往的學習紀錄與檔案，避免學生將過多的認知資源浪費在「尋找與整理資料」而非「深度思考與問題解決」上。這對於支持自主學習（SRL）至關重要，因為系統應能減少管理資訊的摩擦力，讓學習者專注於高階認知活動。
原始文獻資訊
- 英文標題：
- The Context Access Divide: Interaction-Level Architecture as a Complementary Dimension of Agentic Inequality
- 作者：
- Masahiro Fujita
- 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。