透過互動式多模態表示法提升人類對機器學習功能的理解
arXiv - Human-Computer InteractionBokang Wang, Yingxuan Liao, Leah Lee, Jack Wesson, Anlan Yang, Ruizi Wang, Yigang Wen
本研究旨在透過互動式視覺化工具降低機器學習的門檻，藉由激發好奇心來消除大眾對 AI 技術的恐懼與誤解。
AI 幫你先抓重點
AI 重點 1
將「好奇心」作為驅動技術理解的核心引擎
滑鼠懸停看 AI 判斷理由
傳統教學往往專注於技術細節，但本文強調先建立情感上的連結（好奇心）而非僅是知識傳遞，這能從根本上改變學習者面對複雜技術時的心理防禦機制。
AI 重點 2
透明度與互動性是消除技術恐懼的關鍵工具
滑鼠懸停看 AI 判斷理由
當技術被視為「黑盒子」時會引發不安；透過互動式視覺化將抽象函數具象化，能將學習者從被動的觀察者轉變為主動的探索者，建立對技術的掌控感。
核心研究發現
- 1
研究指出大眾對人工智慧與機器學習存在普遍的誤解，這種對未知技術的恐懼感阻礙了知識的進一步追求。
- 2
透過設計高度透明且精心挑選的數據集，開發出三種不同的機器學習數據視覺化原型，用以測試參與度的成功因素。
- 3
互動式視覺化被證實能有效吸引青少年及不同專業領域人士的興趣，進而促進對機器學習領域的探索。
對教育工作者的啟發
教育工作者在設計 AI 相關課程時，不應僅著重於演算法邏輯，應優先設計「低門檻、高互動」的視覺化工具。建議採用「由感性到理性」的教學路徑：先利用具備高度透明度的數據視覺化引發學生的好奇心，降低對 AI 的畏懼感，再逐步引入複雜的機器學習概念。這種策略能有效提升學習者的自主學習動機，並幫助不同背景的學生建立對新技術的信心。
原始文獻資訊
- 英文標題：
- Towards Interactive Multimodal Representation of ML Functions for Human Understanding of ML
- 作者：
- Bokang Wang, Yingxuan Liao, Leah Lee, Jack Wesson, Anlan Yang, Ruizi Wang, Yigang Wen
- 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。