學生使用大型語言模型的方式，並非教育者所期望的那樣
arXiv - Computers and SocietySebastian Kobler, Matthew Clemson, Angela Sun, Jonathan K. Kummerfeld
研究發現學生傾向將 AI 用於直接獲取答案，而非進行教學設計者所期望的持續性學習對話。
AI 幫你先抓重點
AI 重點 1
教學設計與實際使用行為之間存在根本性的「目標錯位」。
滑鼠懸停看 AI 判斷理由
這點揭示了教育科技開發者常犯的錯誤：假設學生會主動進行深度對話。理解這種錯位有助於設計者不再僅僅優化 AI 的回答品質，而是要思考如何透過系統設計來引導學生從「尋求答案」轉向「理解過程」。
AI 重點 2
課程結構與部署方式對學生行為的影響力大於學生個人偏好。
滑鼠懸停看 AI 判斷理由
這提醒課程設計者，AI 工具的介入方式（是作為輔助工具還是強制整合）會直接決定學生的學習策略。若不考慮部署情境，單純優化 AI 模型無法解決學生為了應付作業而尋求捷徑的問題。
核心研究發現
- 1
研究發現教育者設計的對話式導師旨在促進持續學習，但學生主要將其作為「答案提取」的工具。
- 2
部署情境是使用模式最強的預測因子：當 AI 為選修時，使用量集中在截止日期前；當 AI 被整合進課程時，學生會直接詢問作業問題的解答。
- 3
傳統的「整段對話評估」方法會忽略學生在逐回合對話中表現出的特定行為模式，無法精準捕捉學習行為。
- 4
研究開發了六種新的計算指標，用於自動化評估學生與 AI 對話中是否符合教學目標（Pedagogical Alignment）。
對教育工作者的啟發
教育工作者在引入 AI 工具時，不應僅將其視為知識來源，而應將其「整合進課程結構」中，並設計能防止直接獲取答案的互動機制。建議開發者開發具備「教學對齊」能力的 AI，而非僅僅是問答機器人。此外，課程設計者應意識到，當 AI 工具與作業直接掛鉤時，學生極易將其視為完成任務的捷徑，因此應設計更強調過程、而非僅強調結果的評量方式，以降低學生僅進行「答案提取」的動機。
原始文獻資訊
- 英文標題：
- Your Students Don't Use LLMs Like You Wish They Did
- 作者：
- Sebastian Kobler, Matthew Clemson, Angela Sun, Jonathan K. Kummerfeld
- 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。