引導式ChatGPT與知識建構

2. 研究問題

作者要回答三個問題：第一，相較於一般 ChatGPT，GCLA 是否改善混成學習中的自我調節學習；第二，是否提升高層次思考，包括批判思考、問題解決與創造力；第三，是否促進化學知識建構與延後保留。研究缺口在於，早期 ChatGPT 教育研究常強調即時回覆與個人化的好處，但「直接提供答案」可能讓學生跳過自行預測、嘗試與修正的認知歷程。作者因此把研究焦點從「是否使用 ChatGPT」推進到「ChatGPT 應以何種回饋方式介入學習」，並用實際學習成果而非單純使用意圖回答這個問題。

3. 理論基礎

核心理論是 Zimmerman 的自我調節學習（self-regulated learning, SRL）模型，包含前瞻、執行與自我反思三階段。作者將動機對應前瞻階段，將認知、行為與情緒投入對應執行階段，並把自我效能置於自我反思階段。第二條理論主軸是探究式學習與「先預測、再驗證」：學生先提出自己的解釋，接著從提示中辨認錯誤、修正推理，較能形成深層理解。第三條主軸是高層次思考，包含批判思考、問題解決及創造力。GCLA 將這些理論轉成介面規則：不直接交付答案，而是迫使學生表達初步想法，再以提示支持迭代修正與歷程反思。

4. 研究架構

研究架構可表述為：AI 教學回饋設計（GCLA 引導式提示 vs. 一般 ChatGPT 直接回覆）→ 自我調節學習、高層次思考與知識建構。自我調節學習細分為內在動機、認同調節、外在調節、無動機、認知投入、行為投入、情緒投入及自我效能；高層次思考則包含批判思考、問題解決與創造力；知識建構以化學前測、後測及延宕測驗衡量。分析時以各構面的前測作為共變數，檢驗兩種工具在後測上的調整後差異。本文沒有正式中介模型，因此不能把自我效能說成已驗證的中介；它在本研究中是 SRL 的結果構面之一。

5. 假設邏輯

本文以研究問題而非逐條編號假設呈現。其推論邏輯是：一般 ChatGPT 迅速給出完整答案，雖可能提高便利性與即時滿足，卻容易降低學生自行嘗試與監控的需要；GCLA 要求學生先作答，再只給提示，因此會增加認知與行為投入，並讓學生在多次修正中累積成功經驗及自我效能。相同的引導機制會促使學生評估資訊、辨認錯誤、嘗試替代解法，因而增進批判思考、問題解決與創造力。最後，學生自行生成初步解釋、接受提示並修正答案，應比直接取得答案形成更穩固的知識結構，因此在後測與延宕測驗都應有較好表現。

6. 方法

研究在台灣南部一所大學的一年級基礎化學課進行，61 人包含男性 31 人、女性 30 人，隨機分派至實驗組 31 人與控制組 30 人。兩組使用相同教師、教材、課程環境與 iPad；差別僅在實驗組使用 GCLA，控制組使用 iOS 上的一般 ChatGPT（主要為 GPT-3.5）。課程每週三小時、共十週：第一週進行前瞻與前測，第二至第九週進行學習與問題解決，第十週完成後測及反思，第十五週測量知識保留。SRL 問卷共 46 題，涵蓋動機、投入與自我效能；HOTS 共 11 題，涵蓋批判思考、問題解決與創造力，量表各構面 α 約為 .72 至 .88。知識建構以 20 題化學選擇題測量。研究使用描述統計、Levene 檢定、ANOVA 與 ANCOVA，並以 partial η² 報告效果量，軟體為 JAMOVI 2.4。

7. 結果

GCLA 組的認知投入（34.5 vs. 27.4）、行為投入（20.1 vs. 17.4）與自我效能（31.2 vs. 25.8）顯著高於控制組，自我效能的效果量 partial η² = .313。動機結果必須特別保留：表格數據顯示 GCLA 組內在動機較高（18.9 vs. 16.1），無動機也較低（8.53 vs. 12.0，低分較佳），兩項 ANCOVA 皆顯著；但正文討論卻稱一般 ChatGPT 在動機上略占優勢，與表格及數值方向不一致，疑似組別標示或敘述錯誤，因此不宜據此下確定結論。高層次思考方面，GCLA 組的批判思考（17.3 vs. 13.8，partial η² = .418）、問題解決（15.9 vs. 13.1，partial η² = .400）及創造力（11.0 vs. 10.1，partial η² = .134）均顯著較高。知識測驗亦支持引導式設計：實驗組後測為 79.7、控制組為 74.7（p = .017，partial η² = .100）；延宕測驗為 75.9 對 69.3（p = .006，partial η² = .124）。結果顯示，GCLA 的主要價值是促使學生投入推理並保留知識。

8. 理論貢獻

本文最大的學術貢獻，是把「ChatGPT 教育成效」轉譯成可操弄的教學設計問題。它證明同一類生成式 AI，在不同互動規則下可能產生不同學習結果，因而補強單純以科技接受或使用頻率解釋成效的不足。其次，它將 SRL 的三階段與具體系統功能連結：先提出答案對應前瞻與目標形成，反覆提示與修正對應執行監控，歷程紀錄對應自我反思。第三，研究把高層次思考及前後、延宕知識測驗納入同一套 RCT，使「引導而非代答」不只是規範主張，而有初步因果證據。不過，作者並未檢驗 SRL 或自我效能是否為介入影響知識建構的中介，因此理論機制仍有進一步模型化的空間。

9. 實務意涵

對大學教師而言，最直接的做法是把課程規則改成「先交自己的第一版想法，才可以向 AI 求助」，並要求 AI 先提供線索、反問或錯誤定位，而非直接給答案。教師可以保存提示—修訂歷程作為形成性評量，觀察學生是否真正理解。對教育平台設計者，可加入初始答案欄位、分層提示、推理紀錄、反思日誌及延遲顯示完整答案等功能。對管理與行銷課程，也可把化學題改為個案決策、4P 規劃、消費者分析或商業數據解讀。這篇特別適合高教教師、學習科技設計者、教務主管與研究 GenAI 依賴／自我效能的人閱讀。

10. 研究限制

作者承認樣本僅 61 人、來自台灣單一大學及單一化學課程，限制外部效度；研究只追蹤到兩週後的延宕測驗，尚不能判斷長期遷移與能力保留；GCLA 對其他領域、不同難度與其他學習者是否同樣有效仍待檢驗。額外來看，樣本小且同時檢驗多個子構面，增加偶然顯著或效果量高估的可能；論文未清楚處理多重比較問題。其次，GCLA 與控制條件不只差在「提示 vs. 答案」，也包含強制先答、反覆修正與學習紀錄等差異，故無法辨認哪個元件最關鍵。HOTS 多以自陳量表衡量，不能完全等同實際的批判思考或創造表現。使用 GPT-3.5 與 iOS 的技術情境也已快速變動，未來應在現行模型與多平台環境重現。

11. 對我研究的啟發

這篇可同時作為 framing paper、methods reference 與 research gap 來源。對我現有的教育研究，可把「校內／校外 GenAI 學習資源」進一步具體化為「代答型支援」與「鷹架型支援」，檢驗不同支援品質如何影響 GenAI 自我效能、學習投入、依賴及學習成果。可提出的理論鏈條是：引導式 GenAI 支援 → 認知／行為投入 → GenAI 或學習自我效能 → 高層次思考與知識保留；並以拖延、AI 依賴、先備知識、認知風格或數位技能作為調節變項。方法上值得借用十週介入、兩組隨機分派、相同教材與教師、前後測及延宕測驗，但應增加樣本、記錄 prompt 與修訂歷程，並以客觀作業評分補足自陳量表。若延伸到商管教育，可讓學生先提交市場分析，再由 Socratic GenAI 提問；比較其與直接生成完整企畫書在創意自我效能、知識所有感、決策品質及創新績效上的差異。

12. 整體評價

值得讀，且值得列入高等教育與 GenAI 教學設計的核心文獻。 最強之處是它以台灣真實課程做十週隨機對照，研究設計明顯優於一般一次性採用問卷；同時包含自我效能、高層次思考、後測與延宕測驗，具有很高的教學與研究可重用性。最弱之處是樣本小、單一課程，HOTS 主要依賴自陳，且多個介面功能綁在同一操弄，機制尚未拆解。它非常適合做 framing paper 與 methods reference，也能作為「GenAI 不應直接代答」的實證支持；但若要主張自我效能是中介，仍需引用其他中介研究或自行設計驗證。

---

今日結論

今天讀的是 Lee 等人（2024）的 SSCI／Q1 教育科技實證研究。最可重用的角度是把 GenAI 支援區分為「直接代答」與「引導式鷹架」，再檢驗自我效能、投入、高層次思考與知識保留。