當 AI 模糊了貢獻邊界：關於作者身份校準的實證研究
arXiv - Human-Computer InteractionC\'elina Treuillier, Denis Lalanne
研究發現過度依賴生成式 AI 會導致使用者誤判自身對內容的貢獻程度，進而影響作者身份的校準。
AI 幫你先抓重點
AI 重點 1
AI 使用頻率與自我效能認知之間的失真風險
滑鼠懸停看 AI 判斷理由
這項發現挑戰了「工具越熟練，掌控感越強」的直覺。在教育情境中，若學生因過度依賴 AI 而產生錯誤的貢獻感，會導致其無法正確評估自己的真實能力，進而影響學習成效。
AI 重點 2
作者身份校準對元認知監控的影響
滑鼠懸停看 AI 判斷理由
理解作者身份的模糊性對於學習科學至關重要。若學習者無法區分哪些是自己的思考、哪些是 AI 的產出，將會損害其元認知監控（metacognitive monitoring）能力，使學習策略的調整失去依據。
核心研究發現
- 1
研究定義了「作者身份校準」的概念，即使用者在與 AI 互動時，對於自身實際創作貢獻程度的認知程度。
- 2
使用者對作者身份的校準程度存在高度變異性，不同使用習慣的人對自身貢獻的認知落差極大。
- 3
高度依賴 AI 的使用者傾向於誤判自身的作者身份，而較少使用 AI 的使用者則能展現更準確的認知校準。
對教育工作者的啟發
教育者在整合生成式 AI 時，不應僅關注產出品質，更應關注學生的「認知參與度」。建議在課程設計中加入「貢獻度自我評估」環節，要求學生明確標註哪些部分由 AI 生成、哪些是自主思考，以強化其元認知監控。此外，評量方式應從「最終產出」轉向「創作過程」，透過追蹤思考軌跡來確保學生維持正確的作者身份校準，避免因 AI 介入導致的學習虛假成就感。
原始文獻資訊
- 英文標題：
- When AI Blurs the Boundaries of Contribution: An Empirical Study of Authorship Calibration
- 作者：
- C\'elina Treuillier, Denis Lalanne
- 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。