文本型生成式 AI 自我效能量表 T-GASE

1. 論文結構

本文遵循標準的量表開發與驗證邏輯：首先界定文本型生成式 AI 的技術特質及其與傳統 AI 的區別，接著整合四大心理學理論構建自我效能評估框架，隨後詳細描述 Hinkin 的五階段量表開發程序，最後透過實證數據進行因素分析與跨學科比較，從理論與實務層面論證工具的有效性。

2. 研究背景

生成式 AI (GenAI) 具備隨機性輸出與語境適應能力，已在教育與職業領域引發範式轉移。然而，文本型 GenAI 的核心挑戰在於其可能產生看似合理實則錯誤的「幻覺」資訊。在這種背景下，使用者的「自我效能感」——即對自己能有效、批判性且合乎倫理地操作工具的信念——成為決定其能否在複雜互動中獲益的關鍵因素。

3. 研究缺口

現有的 AI 素養量表大多聚焦於通用的技術意識、倫理或一般應用，缺乏針對「文本型生成式 AI」特定互動特質的測量工具。具體而言，過往研究未能有效捕捉使用者在提示詞工程 (prompt crafting)、幻覺識別、資訊查證以及針對概率性輸出進行迭代優化等「微觀勝任力」方面的自我效能感知。

4. 研究目的

本研究旨在開發並驗證「文本型生成式 AI 自我效能量表」(T-GASE)，這是一個多維度的測量工具，專門用於評估個體在與對話式 AI 互動時，於應用、預期、倫理與評估四個關鍵維度的信心程度，並藉此探討大學生在 GenAI 素養上的學科差異。

5. 核心理論

研究整合了四大理論框架：計畫行為理論 (TPB) 用於解釋使用者對評估技能的行為控制感；科技接受模型 (TAM) 聚焦於提示詞編寫的易用性與有用性知覺；期望價值理論 (EVT) 連結了對 GenAI 未來價值的動機預期；創新擴散理論 (DIT) 則說明了技術融入教育的必然性。這些理論共同構成了 T-GASE 量表的題目編制基礎，將抽象的素養轉化為可操作的心理信念。

6. 文獻回顧

既有 AI 素養研究雖已建立初步評估架構，但 AILS 與 SNAIL 等工具多側重於一般性技術認知，未能充分反映文本型生成式 AI (GenAI) 特有的機率性產出與「幻覺」現象。結合計畫行為理論 (TPB)、技術接受模型 (TAM)、期望價值理論 (EVT) 及創新擴散理論 (DIT) 的視角，使用者在面對非結構化對話時的自我效能感，即其對提示詞精煉、資訊真實性驗證及倫理風險判斷的信心，是驅動有效互動的核心關鍵。因此，有必要開發一套針對文本型 GenAI 互動特徵的專用量表，將測量重點從宏觀的素養意識轉向微觀的自我效能評估，以填補個體能力信心與實際應用行為之間的理論落差。

7. 研究命題與假設

研究假設 T-GASE 具備穩健的四因子結構（應用、預期、倫理、評估），各維度均展現良好的內部一致性與模型擬合度；此外，預測 STEM 學科的學生因其技術背景，在 GenAI 自我效能得分上會顯著高於非 STEM 學科的學生。

8. 研究架構

本量表框架由四個維度構成：應用維度關注提示詞撰寫與迭代互動；預期維度反映對技術未來的積極前瞻；倫理維度涉及對 AI 生成內容偏見與道德問題的識別；評估維度則聚焦於對輸出資訊真實性與可靠性的批判性核查機制。

9. 研究方法

研究採用 Hinkin 的五階段框架進行量表開發。首先透過文獻回顧與缺口分析生成初始題項池，涵蓋提示詞撰寫、幻覺辨識等微觀技能。經 5 位專家進行內容效度審核 (S-CVI/Ave = 0.91) 並完成學生認知訪談後，對 645 名大學生進行施測。樣本隨機分為兩組：第一組 (n=332) 用於探索性因素分析 (EFA) 以確立結構，第二組 (n=313) 用於驗證性因素分析 (CFA) 以驗證模型。受試者背景涵蓋工程、教育、建築、社會科學等多元學科。

10. 資料分析與結果

分析過程首先透過 EFA 刪除低負荷量題項，隨後利用 CFA 檢驗模型擬合度 (包括 CFI, TLI, RMSEA 等指標)，最終確立包含 23 個題項的四因子結構：應用、預期、倫理、評估。研究計算了 Cronbach's Alpha 以確保內部一致性，並透過獨立樣本 t 檢驗比較學科差異。結果證實 T-GASE 具備良好的心理計量屬性，數據顯示學生對 GenAI 的未來預期普遍較高，但在批判性評估 AI 產出內容方面的自我效能得分相對較低；此外，STEM 領域學生的表現顯著優於非 STEM 領域學生。

11. 研究發現

最終確立了包含 23 個題項的四因子結構，量表具備強大的心理測量特性。實證結果顯示，大學生對 GenAI 的未來應用抱有高度期望，但在「批判性評估」（如驗證 AI 聲稱的事實）方面的信心相對薄弱。學科比較證實 STEM 學生在整體 GenAI 素養上表現更優，提示了跨學科教育干預的必要性。

12. 理論與實務意涵

理論貢獻在於將自我效能理論成功引入文本型 GenAI 領域，並界定了區別於傳統 AI 素養的核心維度；實務貢獻則在於提供了一個標準化的診斷工具，協助高等教育機構設計更具針對性的數位能力課程，特別是加強學生在 AI 資訊查證方面的信心。

13. 研究限制與未來研究

本研究樣本僅限於大學生，限制了結果在不同年齡層或職能群體的推論度；此外，預期維度目前偏重於積極前景，未來版本可納入更多關於風險預判與情境適應性的細化指標。