您願意擁有 AI 家教嗎？
arXiv - Computers and SocietyCaterina Fuligni, Daniel Dominguez Figaredo, Armanda Lewis, Julia Stoyanovich
提出以利益相關者為中心的 Co-PALE 框架，揭示不同教育情境下 LLM 系統引發的多元關切，並以焦點團體驗證其實務適用性。
AI 幫你先抓重點
AI 重點 1
以利益相關者為中心的評估框架能避免單一「接受度」指標的誤導。
滑鼠懸停看 AI 判斷理由
傳統的使用者滿意度測量忽略了不同角色在不同情境下的核心價值與風險，導致部署決策缺乏責任感與可持續性。
AI 重點 2
情境化感知分析揭示同一 LLM 可能在不同學段產生截然不同的倫理與實務挑戰。
滑鼠懸停看 AI 判斷理由
教育者與家長對資料安全、學習成效與教學設計的重視程度不同，若不考慮情境差異，可能造成誤導性政策或工具設計。
核心研究發現
- 1
先前研究多聚焦於 LLM 的效能與接受度，忽略了利益相關者的多樣化關切與情境差異。
- 2
Co-PALE 框架將教育情境、負責任 AI 原則與感知類別結合，提供系統化評估 LLM 部署的工具。
- 3
焦點團體顯示大學教師擔憂學術誠信與教學負擔，K‑12 家長則關注資料隱私與學習品質，兩者對同一技術的關切截然不同。
對教育工作者的啟發
1. 在規劃 LLM 部署前，先使用 Co-PALE 盤點所有相關利益相關者、教育情境與負責任 AI 原則。2. 透過焦點團體或工作坊，收集各方關切，避免單向決策。3. 針對不同角色設計差異化的使用指引與監督機制，例如教師可設定學術誠信檢測、家長可查閱資料隱私政策。4. 在課程設計中嵌入 LLM 介入點，確保其符合學習目標與評量標準。5. 定期評估 LLM 的實際影響，並根據利益相關者回饋調整部署策略。
原始文獻資訊
- 英文標題：
- "Would You Want an AI Tutor?" Understanding Stakeholder Perceptions of LLM-based Systems in the Classroom
- 作者：
- Caterina Fuligni, Daniel Dominguez Figaredo, Armanda Lewis, Julia Stoyanovich
- 來源：
- arXiv - Computers and Society
- 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。