分層還是直接給答案？評估 LLM 生成之分層回饋對學習表現的影響與機制
arXiv - Human-Computer InteractionJie Cao, Chloe Qianhui Zhao, Christian Schunn, Elizabeth A. McLaughlin, Jionghao Lin, Kenneth R. Koedinger
研究發現 LLM 的分層鷹架回饋雖能提升參與感與支持感，卻因增加認知負擔而導致學習表現下降。
AI 幫你先抓重點
AI 重點 1
警惕「教學意圖」與「學習成效」之間的落差
滑鼠懸停看 AI 判斷理由
教育者常認為增加鷹架（Scaffolding）是好事，但本研究揭示了過度的引導可能演變成認知負擔，導致學習者在追求自主的過程中反而犧牲了知識掌握的效率。
AI 重點 2
重新審視 AI 回饋設計中的「情緒價值」與「認知成本」平衡
滑鼠懸停看 AI 判斷理由
這項發現提醒 EdTech 設計者，單純追求讓 AI 聽起來更溫暖、更具支持性是不夠的；若回饋機制增加了不必要的重複嘗試次數，其情緒上的正面影響可能無法轉化為實際的學習增長。
核心研究發現
- 1
分層回饋（先給提示而非答案）能誘發較高的行為參與度，且被學習者認為更具鼓勵性並支持自主學習。
- 2
分層回饋會同時增加學習者的心理努力（mental effort），這在認知路徑分析中顯示其對學習成效具有潛在負面影響。
- 3
研究結果顯示，分層回饋組的最終學習表現顯著低於直接給予答案（非分層）的回饋組。
- 4
中介分析顯示，分層回饋透過「感知鼓勵」帶來正面情感，但同時因「多次嘗試任務增加」導致行為路徑受阻，最終抵銷了正面效果。
對教育工作者的啟發
在設計 AI 輔助學習系統時，不應盲目追求「分層鷹架」或「引導式提問」。設計者應注意：1. 評估引導過程是否造成過度的認知負荷，導致學習者在重複嘗試中耗盡精力；2. 尋找「支持自主性」與「確保知識吸收」之間的平衡點，避免過度複雜的回饋機制；3. 監控學習者的行為數據（如嘗試次數），若發現學習者陷入無意義的重複嘗試，應適時提供更直接的解釋以維持學習效率。
原始文獻資訊
- 英文標題：
- To Layer or Not to Layer? Evaluating the Effects and Mechanisms of LLM-Generated Feedback on learning performance
- 作者：
- Jie Cao, Chloe Qianhui Zhao, Christian Schunn, Elizabeth A. McLaughlin, Jionghao Lin, Kenneth R. Koedinger
- 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。