多智能體學習中學生與 AI 的互動模式

1. 論文結構

本文首先探討大型語言模型（LLM）在線上學習中的角色演變，進而提出多智能體系統（MAS）的教育應用架構；隨後透過 MAIC 平台進行實證研究，結合對話編碼與滯後序列分析（LSA），辨識出不同先備知識背景學生的互動模式；最後對比認知（學習增益）與非認知（動機與技術接受度）成效，論證多智能體環境在縮小表現差距上的教育潛力。

2. 研究背景

傳統線上學習長期面臨互動不足與學習孤島的挑戰，雖然 LLM 的出現賦予了對話式教學新契機，但單一智能體往往難以同時兼顧導師、同伴與促進者等多重教學功能。多智能體系統能模擬真實教室中複雜的角色互動，提供高度個人化的支持，對於解決大規模線上課程中學生的異質需求具有重要的實踐價值。

3. 研究缺口

現有研究多從技術層面或單一工具的效能評估切入，缺乏對學生與多個 AI 角色互動動態過程的微觀分析。特別是在多智能體環境下，學生如何與不同功能的 AI 進行知識共建與調節行為，以及這些互動特徵如何受學生先備知識影響並反作用於學習成效，尚缺乏實證數據的支持。

4. 研究目的

本研究旨在系統性分析學生在多智能體線上學習系統（MAIC）中的對話互動行為，識別其行為序列特徵與模式，探討不同先備知識水平學生在互動路徑上的差異，並驗證多智能體互動對提升學習成效及縮小學習者間表現差距的有效性。

5. 核心理論

研究基於互動式學習參與理論（Learning Engagement）與自我調節學習（SRL），將 AI 智能體設計為「啟發者」、「質疑者」、「思考者」與「筆記員」等教學角色。理論核心在於透過角色分工引發學生的「知識共建」與「共同調節」行為，利用多重代理人的社會性存在感來優化學習者的認知負荷與社會互動品質。

6. 文獻回顧

文獻回顧追溯了 Moore 的三類互動模型至 Hillman 的界面互動，強調互動品質決定線上學習成效。隨著生成式 AI 興起，研究開始將 AI 視為資源、促進者或協作者。本研究進一步整合上述觀點，認為多智能體系統能突破單一對話的侷限，將學生與內容、學生與同伴的互動轉化為學生與多元 AI 角色的動態對話，從而建構出「知識共建」與「共同調節」的新型互動範式。

7. 研究命題與假設

研究假設不同先備知識的學生在互動路徑上存在顯著差異：低先備知識者更傾向於依賴 AI 的引導進行知識共建，且在多智能體環境中能獲得更高的學習增益；而高先備知識者則展現更多自我調節特徵。此外，多智能體互動能顯著提升所有學生的技術接受度與學習動機。

8. 研究架構

研究架構將先備知識設為前因變項，將學生與 AI 智能體（教師、同伴）的對話編碼為行為序列，透過滯後序列分析（LSA）提取出「知識共建」與「共同調節」兩大互動機制，最終指向學習增益、學術動機與技術接受度（UTAUT2）等產出指標。

9. 研究方法

本研究採用準實驗設計，樣本為 305 名大學生，其中 131 名完成 MAIC 課程。研究工具包括 MAIC 學習平台、先備知識測驗（Pre-test）、後測（Post-test）以及 AMS 動機量表與 UTAUT2 量表。數據分析核心在於對 19,365 行對話進行人工與 AI 結合的編碼，並應用 LSA 分析行為轉移概率。

10. 資料分析與結果

分析過程包含：1. 對話數據的行為編碼與頻率統計；2. 滯後序列分析（LSA）以識別顯著的行為轉換路徑；3. 獨立樣本 t 檢定與配對樣本 t 檢定，用以比較不同知識組別間的學習增益及課程前後動機、技術接受度的變化趨勢。

11. 研究發現

研究發現兩類核心互動模式：低先備知識學生偏好「知識共建」序列（如接收 AI 引導並提問），展現出顯著更高的學習增益與課後動機提升；高先備知識學生則展現更多「共同調節」行為（如核心概念確認），但學習增益相對有限。整體而言，MAIC 顯著提升了學生的技術接受度，並成功縮小了高低分組間的成績差距。

12. 理論與實務意涵

理論貢獻在於界定了多智能體環境下的學生-AI 互動動態，並揭示了「互動模式」在調節先備知識與學習成效間的中介作用。實踐意義上，研究證實了 AI 多智能體系統能作為有效的個人化支持工具，特別是為弱勢或低先備知識學生提供精準介入，促進教育公平。

13. 研究限制與未來研究

研究樣本侷限於單一頂尖大學學生，其自我驅動力與數位素養可能影響結果的普適性；此外，研究僅關注短期課程成效，未來需進一步探討長期的 AI-學生互動習慣形成及其對批判性思維的深層影響。