數位說故事任務中 AI 對團隊創意的影響

1. 基本資訊

這篇論文作者為 Xiaodong Wei、Lei Wang、Lap-Kei Lee、Ruixue Liu，題目是 The effects of generative AI on collaborative problem-solving and team creativity performance in digital story creation: an experimental study，發表於 2025 年的 International Journal of Educational Technology in Higher Education，DOI 為 10.1186/s41239-025-00526-0。它同時落在 教育 × GenAI × human-AI collaboration × team creativity 的交會點，和你最近在追的人機協作、認知風格、知識創造脈絡高度相容。期刊品質方面，從期刊定位與 DOI metadata 來看，可合理視為教育科技領域的重要期刊；但本輪 未逐一向 SSCI／Scopus／AJG 官方來源複核索引與分位，因此保守標示為 期刊品質高、索引細節未逐庫確認。

2. 研究問題

這篇文章的核心問題是：當大學生在數位敘事（digital storytelling, DST）任務中使用生成式 AI 工具時，是否真的能提升團隊層次的協作問題解決能力與創意產出，而不只是讓作業做得更快？ 作者特別關心兩件事。第一，GAI 是否能減輕傳統 DST 創作過程中的技術負擔，讓學生把心力轉向高階思考與協作。第二，這種工具輔助是否會伴隨新的副作用，例如認知外包、過度依賴，或在人際互動層次出現情感支持不足的問題。換句話說，作者不是只問 AI 有沒有用，而是問 AI 介入團隊創作後，到底改變了哪些學習機制與協作品質。

3. 理論基礎

本文的理論基礎主要建立在 建構主義學習觀、問題導向學習（PBL）與數位敘事作為高階能力培養場域 這三條線上。作者把 DST 視為一種能促進意義建構、協作交流與創造性表達的學習活動，但也指出傳統 DST 很容易因為素材蒐集、腳本撰寫、視覺製作與剪輯流程過於繁重，而把學生困在技術操作層。生成式 AI 在這裡被視為一種 認知支援與創作補償機制：它不一定直接替代思考，但可能透過快速生成文本、圖像與影片草稿，降低低階製作成本，讓團隊把更多資源放在情節設計、問題拆解、角色協商與想法整合。這個理論角度隱含了一個重要前提：AI 的價值不是單點自動化，而是重新分配團隊的認知與協作資源。

4. 研究架構

研究架構相對清楚。自變項是 創作方式，也就是使用 GAI 工具輔助 DST 的實驗組，對比使用傳統方法完成 DST 的對照組。依變項則有兩大塊：第一是 collaborative problem-solving（CPS），第二是 team creativity performance（TCP）。其中 TCP 又拆成多個維度，文章特別提到 novelty、user experience、relevance、sustainability。作者等於在測試一個教學命題：如果 GAI 真能減少學生被技術流程拖住，那麼團隊應該不只在效率上改善，也會在 協作互動品質與創意成果品質 上呈現更好的表現。

5. 假設邏輯

這篇是實驗研究，因此有相對明確的假設邏輯。第一條邏輯是：若 GAI 能把文本、圖像與影音生成等低階製作工作自動化，團隊成員就能把有限認知資源轉移到問題理解、任務協調、故事設計與創意整合，因此 CPS 會提升。 第二條邏輯是：當團隊不再被技術操作拖慢時，創意構想可以更快被外化、比較與修正，這會提高作品的新穎性與整體體驗品質。 不過作者也沒有把 AI 理想化，而是在研究設計裡保留一個反向張力：若學生過度依賴 AI 回答與生成內容，可能出現「看起來做得更多，但其實自己思考更少」的認知外包現象。所以這篇有趣的地方在於，它一面測量 AI 的增益，一面觀察 增益是否伴隨能力內化風險。

6. 方法

方法上，這篇採用 mixed-methods 的 20 週實驗研究。研究對象為 60 名大學生，隨機分派到實驗組與對照組。實驗組在 DST 任務中使用 ChatGPT、Midjourney、Runway 等 GAI 工具；對照組則用傳統方式與傳統多媒體工具完成創作。量化部分透過前後測檢驗學生的 CPS 與 TCP 變化；質性部分則用 半結構式訪談 去補捉學生對 GAI 介入的實際感受，包括它如何幫助創作、在哪些地方造成依賴，以及它在人際支持層面有什麼缺口。這個設計的優點是，它不只看結果有沒有差異，也嘗試理解 差異背後的學習經驗與心理機制。

7. 結果

結果顯示，GAI 組在 協作問題解決（CPS） 上顯著優於傳統組，代表 AI 輔助不只是加快產出，而是真的改善了團隊處理任務、分工協調與共同推進問題的能力。在 團隊創意表現（TCP） 上，實驗組特別在 新穎性（novelty） 與 使用者體驗（user experience） 維度表現更好，顯示 GAI 有助於把想法更快轉成可討論、可迭代的作品雛形。不過並非所有面向都呈現全面優勢，文章並沒有把結果說成「AI 全面勝出」；它更像是在指出：AI 對某些創意與協作構面特別有效，但效果並不是無條件外溢到所有能力指標。 訪談結果也補上了另一面，學生普遍肯定 GAI 的便利與靈感支持，但同時擔心自己會逐漸把思考外包給工具。

8. 理論貢獻

理論上，這篇的重要貢獻在於它把 GAI 的教育效果從個體學習表現，往團隊協作與創意機制層次推進了一步。很多教育 AI 研究停在個別學習者是否更快、更準、更有效率，但這篇直接處理 團隊如何和 AI 一起創作 的問題，因此對 human-AI collaboration 文獻更有延伸價值。第二，它把 DST 這種本來就高度仰賴多模態整合與協作溝通的任務，當成觀察 AI 如何介入高階思考的天然實驗場域，讓我們不只談工具採用，而是談 認知資源重新配置之後，團隊創造力怎麼被重塑。第三，它把正向效果與負向風險放在同一個框架裡看，避免落入「AI 有效所以就值得全面推廣」的單向敘事。

9. 實務意涵

對教育實務來說，這篇最直接的訊息是：生成式 AI 可以被設計成支援協作式創作與問題解決的學習鷹架，而不只是作業外掛工具。 若課程設計得當，教師可以把 AI 放在文本草擬、視覺原型、故事發想等環節，幫學生跨過技術門檻，把時間留給更有價值的討論與整合。但文章也提醒，教學者不能只把工具丟給學生就算完成創新。若沒有足夠的引導，學生很可能走向 過度依賴、思考偷懶與情感互動空洞化。因此真正的實務重點不是「讓學生用 AI」，而是 設計一種能同時保留自主思考、同儕協作與創意判斷的 AI 融入方式。

10. 研究限制

這篇研究的第一個限制是 樣本規模不大，而且集中在單一教學情境與 DST 任務，因此外推到其他課程、學科或年齡層時要保守。第二，雖然 20 週設計已經比很多短期教學實驗紮實，但它仍不足以回答更長期的問題，例如學生是否會因為長期依賴 GAI 而削弱深度思考、創意耐力或團隊互動品質。第三，本文主要測到的是結果差異與感知風險，對於更細部的互動機制，例如哪些類型的 AI 提示最能促進真實協作、哪些團隊更容易出現認知外包，還沒有拆得很細。第四，期刊與文章都偏教育科技脈絡，因此若要轉用到組織創新或企業團隊場景，還需要額外的情境驗證。

11. 對我研究的啟發

這篇對我特別有價值，因為它不只是又一篇「學生覺得 AI 有幫助」的教育文章，而是直接碰到 human-GenAI collaboration 如何改變團隊問題解決與創意生成機制。我最近的主線一直在認知風格、knowledge seeking、knowledge creation、AI personalization 之間找能夠互相扣合的理論橋樑；這篇剛好提供一個團隊層次的切口。我可以沿著它往下問：不同認知風格的成員，在 GAI 輔助的協作任務中，是否會展現不同的知識尋求模式、想法整合方式與創意貢獻分配？ 另外，文中提到的 cognitive offloading 也很值得我後續吸收，因為它可以成為一個負向機制，去解釋為什麼某些情況下 AI personalization 雖然提升即時產出，卻可能抑制深層知識創造。若把這篇和我 5/19 讀的 cognitive styles 那篇一起看，一個很自然的研究延伸就是：認知風格是否會調節 AI 支援、知識尋求與創意產出的關係，且這個調節效果在個體與團隊層次是否不同。 這比單純再做一篇 AI 使用意願研究有厚度得多。

12. 整體評價

我認為這篇 很值得讀，而且是今天比其他候選更有優先度的一篇。理由有三個。第二，它不只是廣義談 GenAI，而是更精準地處理 協作問題解決、團隊創造力、數位敘事與 cognitive offloading 這些可以直接接到我研究主線的機制。第三，它雖然不是頂尖商管期刊，但期刊本身在教育科技脈絡具代表性，且題目兼具新穎性、方法完整度與可重用性。它的優點是研究設計比單純概念文更能提供效果證據，而且沒有把 AI 神化；它的缺點則是情境仍偏課堂任務、機制拆解還不夠深。整體來看，我會把它視為一篇 很適合拿來支撐「人機協作如何同時帶來創意增益與認知風險」這條論證線 的實證文。若今天只能讀一篇，我同意優先選它。