以學習理論促進以人為本的可解釋人工智慧：未來視角與挑戰
arXiv - Human-Computer InteractionKarina Cortinas-Lorenzo, Gavin Doherty
本文主張將學習理論融入可解釋人工智慧的全流程，提出以學習者為中心的設計與評估框架，並探討其對提升人類能動性與降低風險的貢獻。
AI 幫你先抓重點
AI 重點 1
將學習者需求作為XAI設計核心，可顯著提升解釋的實用性與接受度。
滑鼠懸停看 AI 判斷理由
因為學習者的先備知識、目標與情境決定了解釋的價值，若忽略這些因素，解釋往往成為資訊過載或無關緊要的噪音，影響決策與信任。
AI 重點 2
結合元認知策略的XAI能減輕認知負荷，促進自我調節學習。
滑鼠懸停看 AI 判斷理由
元認知提示讓使用者能監控自身理解，調整對AI輸出的依賴，從而提升學習成效與對AI系統的掌控感。
核心研究發現
- 1
學習者為中心的XAI能提升使用者的學習成效與對AI決策的理解。
- 2
將學習理論（如建構主義、元認知）嵌入XAI設計，可促進解釋的可理解性與可操作性。
- 3
在XAI生命周期中加入學習評估階段，可系統化衡量解釋對學習者認知負荷與決策品質的影響。
對教育工作者的啟發
為實務教育工作者與課程設計者提供具體建議：首先，建立學習者資料庫，了解其先備知識、學習目標與情境需求，進而設計符合其需求的解釋介面；其次，將元認知提示嵌入解釋流程，協助學習者監控理解與調整對AI輸出的依賴；再次，設計可迭代的評估機制，透過學習成效、認知負荷與決策品質等指標，持續優化解釋內容與呈現方式；最後，鼓勵跨領域合作，將教育心理學、學習設計與AI工程結合，形成以學習者為中心的XAI生態系。這些做法將提升學習者對AI的信任、能動性與學習成效，並降低潛在風險。
原始文獻資訊
- 英文標題：
- Using Learning Theories to Evolve Human-Centered XAI: Future Perspectives and Challenges
- 作者：
- Karina Cortinas-Lorenzo, Gavin Doherty
- 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。