符號解釋中對無關資訊抽象的雙重角色：認知負荷與理解
arXiv - Human-Computer InteractionZeynep G. Saribatur, Johannes Langer, Ute Schmid
研究發現，透過聚類與刪除無關細節的抽象化，可同時提升使用者理解與降低認知負荷，證實抽象化對符號解釋的正面影響。
AI 幫你先抓重點
AI 重點 1
抽象化可同時減少認知負荷並提升理解，顯示兩者並非互斥。
滑鼠懸停看 AI 判斷理由
此洞察提醒設計者在提供 AI 解釋時，需平衡資訊量與使用者負擔，避免過度簡化或過度複雜。
AI 重點 2
聚類與刪除的效益不同，應依目標選擇合適策略。
滑鼠懸停看 AI 判斷理由
了解兩種策略的差異可幫助教育工作者針對學習者需求調整解釋方式，提升學習成效與使用者滿意度。
核心研究發現
- 1
聚類無關細節顯著提升參與者對符號解釋的理解程度。
- 2
刪除無關細節顯著降低參與者在分類任務中的認知負荷。
- 3
兩種抽象化策略共同支持符號解釋的以人為中心設計。
對教育工作者的啟發
在設計 AI 說明介面時，可先提供聚類化的解釋以提升學習者對概念的理解；若目標是減少學習者的認知負荷，可選擇刪除無關細節的簡化版本。建議開發可動態切換抽象化層級的工具，並在實際教學前進行使用者測試，確保說明既易懂又不失資訊完整。此方法亦適用於自適應學習系統，根據學習者表現即時調整解釋深度。
原始文獻資訊
- 英文標題：
- The Dual Role of Abstracting over the Irrelevant in Symbolic Explanations: Cognitive Effort vs. Understanding
- 作者：
- Zeynep G. Saribatur, Johannes Langer, Ute Schmid
- 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。