誰在 AI 輔助學習中做決定？代理權分配框架研究
arXiv - Computers and SocietyConrad Borchers, Olga Viberg, Ren\'e F. Kizilcec
本文提出「代理權分配框架 (AAF)」，將學習者代理權重新定義為決策權在學習者、教師、機構與 AI 之間的分配機制。
AI 幫你先抓重點
AI 重點 1
從「代理權程度」轉向「決策權分配」的思維轉變
滑鼠懸停看 AI 判斷理由
這改變了我們評估 AI 影響的維度。過去我們關注學生是否積極參與，現在則必須審視系統設計如何將決策權從人轉移到演算法，這對於維護學習者的自主性至關重要。
AI 重點 2
區分 AI 的「支撐」與「取代」功能
滑鼠懸停看 AI 判斷理由
這對於 EdTech 設計者是關鍵的判準。若 AI 僅是提供工具協助決策，則是在強化學習者；若 AI 直接代勞決策，則可能削弱學習者的元認知與自我調節能力。
核心研究發現
- 1
現有研究常將代理權誤用為參與度或自我調節的代理指標，導致在自動化環境中難以釐清真正的決策權歸屬。
- 2
研究識別出大規模學習研究中代理權的四大挑戰：概念模糊、依賴行為指標、效率與控制權的權衡，以及 AI 導致的代理權重新分配。
- 3
AAF 框架能區分 AI 是在「支撐（scaffold）」學習者的行動能力，還是在「取代（substitute）」學習者的決策功能。
對教育工作者的啟發
設計者在開發 AI 輔助學習系統時，不應僅追求自動化效率，而應利用 AAF 框架審視決策權的流向。具體建議包括：1. 明確定義系統在哪些環節是提供「支撐」（如提供選項供學生選擇）而非直接「取代」（如直接給出標準答案）；2. 在設計教學流程時，應刻意保留學習者進行計畫與決策的空間，以避免因過度自動化而導致學習者自主能力的退化；3. 定期評估系統對學習者自我調節能力的長期影響，而非僅關注短期的學習成效。
原始文獻資訊
- 英文標題：
- Who Decides in AI-Mediated Learning? The Agency Allocation Framework
- 作者：
- Conrad Borchers, Olga Viberg, Ren\'e F. Kizilcec
- 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。