追蹤生成式 AI 素養：透過知識網絡分析揭示學術寫作中的人機互動模式
arXiv - Computers and SocietyAngxuan Chen, Jiyou Jia
本研究利用學習分析技術，透過知識網絡分析揭示不同 AI 素養程度學生在寫作任務中截然不同的互動策略。
AI 幫你先抓重點
AI 重點 1
從「自我報告」轉向「行為數據」的素養評估模式
滑鼠懸停看 AI 判斷理由
傳統素養評估依賴問卷，容易產生主觀偏差；本研究展示了透過追蹤實際互動紀錄（Process Data）來客觀衡量能力的可能性，這對於開發精準的 AI 教育評量工具至關重要。
AI 重點 2
互動模式是區分學習質量的關鍵指標
滑鼠懸停看 AI 判斷理由
這項發現提醒教育者，評估 AI 工具的使用成效不應只看最終產出，更應關注學生如何與 AI 協作。理解「如何提問」比「得到什麼答案」更能反映學生的認知深度。
核心研究發現
- 1
高 AI 素養的學生展現出迭代優化與策略性提問的特徵，能透過多次對話精煉內容。
- 2
低 AI 素養的學生則傾向於使用直接生成指令，較少進行深層的對話互動與調整。
- 3
研究證明透過學習分析（LA）的過程數據，可以有效刻畫並區分學生的生成式 AI 素養水平。
對教育工作者的啟發
教育工作者應從「教導如何使用工具」轉向「教導如何與 AI 協作」。具體建議包括：1. 課程設計應強調「迭代式提問」的訓練，引導學生學習如何透過多輪對話精煉想法，而非僅依賴單次指令。2. 開發者可利用此類行為數據，在學習平台上建立即時反饋機制，當系統偵測到學生僅使用簡單指令時，主動提供引導性問題，以提升其 AI 素養與批判性思考能力。
原始文獻資訊
- 英文標題：
- Tracing GenAI Literacy: Uncovering Student-AI Interaction Patterns in Academic Writing through Epistemic Network Analysis
- 作者：
- Angxuan Chen, Jiyou Jia
- 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。