虛擬學習團隊中 AI 可解釋性與知識收穫

1. 基本資訊

這篇論文由 Mehdi Darban 撰寫，2026 年發表於 Education and Information Technologies。正式書目可寫為：Darban, M. (2026). Enhancing knowledge gain in virtual learning teams: the role of AI explainability, team cohesion, and perceived virtuality. Education and Information Technologies. DOI 為 10.1007/s10639-026-14048-3。就來源判斷，這是可明確辨識的正式期刊論文，且由 Springer 出版；但本輪未逐項重查其最新 SSCI、Scopus 分區或 ranking，因此期刊品質與索引狀態寫為「正式期刊可確認，ranking 未明確確認」。

2. 研究問題

這篇文章真正要處理的是：在虛擬團隊學習情境裡，當學生把 ChatGPT 這類生成式 AI 當成協作成員時，什麼樣的 AI 互動特性會讓知識增長真的發生，而不是只增加資訊接觸或短期便利。作者把焦點鎖定在 AI explainability，也就是學習者主觀感受到 AI 回應是否清楚、可理解、能說明推論脈絡。更進一步地，文章追問這種可解釋性效果是否會受到團隊條件影響，特別是團隊有多虛擬、以及成員之間是否具有足夠凝聚力。

3. 理論基礎

理論上，本文主要建立在 self-regulated learning (SRL) 與 volitional control theory 之上。SRL 的觀點是，學習者需要在規劃、監控、反思之間反覆循環，而 AI 如果能提供清楚可解釋的回應，就可能成為一種認知腳手架，降低理解成本，幫助學習者更有效地監控與修正自己的學習進程。意志控制理論則補上另一層：在虛擬學習情境中，學習者常面臨分心、延遲回應、互動稀薄等摩擦，因此能不能維持投入，不只看個人動機，也取決於外部支持結構是否足夠穩定與清楚。

4. 研究架構

整體架構很清楚：個體層次的自變數是 perceived AI explainability，主要結果變數是 perceived knowledge gain，之後再連到 intention to learn。在團隊層次上，作者放入兩個調節變數，分別是 team perceived virtuality 與 team cohesion。也就是說，這篇不是只問 AI 能不能幫助學習，而是要檢驗一個跨層次機制：當 AI 的解釋夠清楚時，它是否更能在高度虛擬、又或者高凝聚的團隊裡發揮知識增長效果。

5. 假設邏輯

本文採假設檢定邏輯。第一條主線是，若學習者覺得 AI 的回應不只是給答案，而是能被理解、能協助拆解問題，那麼這類可解釋性就會促進知識增長。第二條主線是情境強化邏輯：當團隊的虛擬性越高，面對面澄清與即時互助越不足，成員就越依賴 AI 提供可理解的支架，因此 explainability 的效果應該更強。第三條主線則是社會整合邏輯：團隊凝聚力越高，成員越容易共享、吸收並整合 AI 帶來的資訊，因此 explainability 也更可能轉化成真正的知識獲取。最後，若知識增長真的發生，理論上也會推升後續持續學習意向。

6. 方法

研究採用 16 週的縱向多層次設計，樣本為 344 位 MBA 學生，分屬 48 個虛擬專案團隊。學生在課程期間把 ChatGPT 視為團隊成員之一，與之進行專案協作。資料分三個時間點蒐集，用來捕捉不同變數在學習過程中的變化與先後關係。分析上使用多層次模型處理個體嵌套在團隊中的資料結構，並檢驗個體層的 explainability 效果，以及團隊層虛擬性與凝聚力的跨層次調節作用。這種設計的價值，在於它不像單次問卷只抓靜態感受，而比較接近真實課程中的人機協作歷程。

7. 結果

結果顯示，感知到的 AI 可解釋性確實會顯著提升學生的知識增長。更重要的是，這個效果不是均質發生，而是受團隊條件明顯影響。當團隊的感知虛擬性較高時，AI explainability 對知識增長的正向作用更強，說明在遠距、互動摩擦較高的場域，清楚可理解的 AI 回應更像是一種認知補位。另一方面，當團隊凝聚力較高時，explainability 的效果也會被放大，代表 AI 提供的清晰資訊若能進入一個較有信任與整合能力的團隊，知識轉化會更順利。最後，知識增長也顯著預測持續學習意向。

8. 理論貢獻

這篇的理論貢獻不只是再次證明 AI 對教育有幫助，而是把研究重心往 AI 的可解釋互動特性 與 團隊層條件 推進。第一，它把 explainability 從資訊系統或 AI 治理常見的技術屬性，轉寫成學習者在協作情境中的主觀認知資源。第二，它把 SRL 放進 human-AI team 的脈絡中，說明知識增長不是單純由 AI 的存在帶來，而是由 AI 是否能支撐規劃、監控與反思而定。第三，它補強了人機協作學習研究中常被忽略的跨層次觀點，指出虛擬性與凝聚力不是背景變數，而是會改變 AI 作用強度的重要邊界條件。

9. 實務意涵

對高教教師、課程設計者與企業培訓者而言，這篇最可操作的訊息是：若要把生成式 AI 放進虛擬團隊學習，不該只關注功能有沒有開、模型準不準，還要關注輸出是否足夠清楚、可追蹤、便於學習者理解與再利用。尤其在高度遠距的團隊裡，AI 的清晰說明能力其實是在補足人際互動不足所留下的認知缺口。另一方面，若團隊本身缺乏凝聚力，再好的 AI 解釋也可能停留在個人吸收，無法轉化成共享知識。因此教育與培訓設計不應把 AI 導入與團隊經營分開看，而要同步處理。

10. 研究限制

這篇有幾個限制需要記住。第一，知識增長主要依賴自陳衡量，雖然對主觀學習感受有價值，但仍不等於客觀知識表現。第二，樣本來自 MBA 學生與課程專案情境，外部效度仍待更多場域驗證。第三，研究對象聚焦 ChatGPT 類型的生成式 AI，因此結果未必能直接推論到其他不同互動型態或具身型代理。第四，雖然是縱向多時點設計，但仍屬教育場景中的觀察式實證，因果推論強度不能與嚴格實驗完全等同。

11. 對我研究的啟發

這篇對我很有價值，因為它正好把 human-GenAI collaboration 放進我最在意的 knowledge creation / knowledge gain 脈絡，而且不是停留在態度接受，而是開始拆機制。第一，我可以直接借它的核心邏輯，把 AI 的作用拆成「是否提供可理解、可轉化的認知支架」，而不是把 AI 使用強度視為唯一解釋。第二，它也給我一個很重要的研究延伸方向：若結合我持續累積的 cognitive style、knowledge seeking 與 GenAI capability 文獻，下一步就能問，不同認知風格的人是否更依賴 explainability，或是否只有在高凝聚的協作條件下，AI 的可解釋性才會真正轉成知識創造。第三，這篇能幫我把未來模型從個體採用研究推進到跨層次協作研究，特別適合作為教育或團隊情境中人機知識共構的 empirical support。

12. 整體評價

我認為這篇值得收進我的核心文獻池，尤其適合作為 framing paper + empirical support。它的強項是研究問題乾淨、理論組合清楚、方法也夠扎實，並且直接對接 AI × 教育 × 虛擬協作 × 知識增長這條主線。若我要寫 human-GenAI collaboration 如何影響知識創造或學習成果，這篇很適合拿來支持「AI 的作用要透過可解釋性與團隊條件來理解」這個主張。它比較不適合當 methods reference 的地方，是因為方法雖完整，但仍偏標準多層次縱向模型，不像設計研究或實驗法那樣能直接提供更多程序創新。整體上，這篇是高可重用的機制型實證文獻；主要限制在於知識增長衡量偏自陳，以及期刊 ranking / 索引本輪未逐項官方重查。