好奇心如何透過自我效能帶動學生用 AI

1. 基本資訊

本文探討大學生在學習情境中使用 AI 的心理前因，不是把 AI 使用視為單純的工具採納，而是進一步追問：哪些心理資源會讓學生更願意、也更有能力把 AI 納入自己的學習工作流。作者聚焦在 self-efficacy 與 curiosity 兩個變項，並以高等教育情境中的實際 AI 使用時數作為結果指標。

2. 研究問題

本文的核心問題有三個。第一，學生的 AI 使用自我效能是否真的和實際 AI 使用量有關。第二，好奇心是否能直接推動學生更常使用 AI。第三，如果好奇心本身不直接驅動使用，它是否會透過提升學生的 AI 自我效能，間接帶動 AI 使用行為。換句話說，作者真正要拆解的是「好奇心如何變成 AI 使用」這條機制。

3. 理論基礎

理論上，作者結合了 Broaden-and-Build Theory 與 Theory of Planned Behavior。前者指出好奇心等正向情緒會擴展個體的探索範圍，並逐步建構能力、自信與其他心理資源；後者則認為行為的實際發生與個體對自己能否執行該行為的控制感高度相關。放在這篇文章裡，邏輯就是：好奇心促進探索，探索累積出 AI 使用自我效能，而自我效能再把這種心理傾向轉成具體的 AI 使用。

4. 研究架構

研究架構是一個簡潔的中介模型。起點是學生的一般性好奇心，中介變項是 AI 使用自我效能，結果變項是學生每週在大學學習工作中使用 AI 的時間。作者另外透過事後分析把好奇心拆成 exploration 與 deprivation 兩個面向，以辨識究竟是哪種好奇心更能帶動 AI 自我效能的形成。

5. 假設邏輯

作者提出四項假設。其一，AI 使用自我效能越高，學生越常使用 AI。其二，好奇心越高，學生越常使用 AI。其三，好奇心越高，AI 使用自我效能越高。其四，AI 使用自我效能會在好奇心與 AI 使用之間扮演中介角色。這套假設的重點不只是驗證兩兩相關，而是要判斷好奇心是否主要透過「讓人更敢用、覺得自己更會用」來影響 AI 實際採用。

6. 方法

研究以 123 位大學生為樣本，平均年齡 37.83 歲，女性 88 位，資料透過 Qualtrics 線上蒐集。AI 使用行為以學生自陳每週為大學學習工作使用 AI 工具的典型時數衡量；好奇心採用 Five-Dimensional Curiosity Scale 中的探索與匱乏兩個分量表；AI 使用自我效能則由作者依 Bandura 指引自編 8 題量表，評估學生對選擇合適 AI 工具、追問提示與驗證 AI 資訊等工作的信心。分析上使用 Pearson 相關與 PROCESS Model 4 中介分析，並搭配 2000 次 bootstrap。

7. 結果

結果顯示，AI 使用自我效能與 AI 使用時間呈顯著正相關，r(122) = .27, p = .01，支持假設一。一般性好奇心和 AI 使用時間的直接關係不顯著，r(122) = .05, p = .62，因此假設二未獲支持；但好奇心和 AI 自我效能呈顯著正相關，r(122) = .21, p = .03，支持假設三。中介模型則顯示 AI 自我效能的間接效果顯著，effect = .011, 95% CI [.002, .03]，表示好奇心雖不直接推動 AI 使用，卻會透過提升自我效能來影響使用。事後分析進一步發現，真正起關鍵作用的是 exploration curiosity，而不是 deprivation curiosity。

8. 理論貢獻

本文的重要理論貢獻，在於把學生使用 AI 的解釋從「知不知道、喜不喜歡 AI」推進到「是否具備把 AI 納入學習行動的心理資源」。作者證明了好奇心本身不是直接把學生推向 AI，而是透過建構 AI 自我效能發揮作用，這使得 emotion -> efficacy -> behavior 的路徑在 AI 教育研究中更清楚。對 AI 採納研究而言，這也提醒我們不能只量測態度或感知有用性，還要看到探索傾向與能力信念如何串接。

9. 實務意涵

對教學現場來說，這篇文章最直接的意義是：若希望學生更有效地使用 AI，教師不能只把工具丟給學生，而要設計能引發探索、又能累積成功經驗的學習情境。像是示範如何選擇適合的 AI 工具、如何逐步追問提示、如何驗證 AI 回答，這些做法都在幫學生建立 AI 使用自我效能。換言之，推動學生善用 AI 的關鍵，未必是再增加工具曝光，而是降低「我不確定自己會不會用好 AI」的不安。

10. 研究限制

本文有幾個明顯限制。首先，它是橫斷式設計，因此雖然理論假設帶有因果方向，但實證上仍無法嚴格證明因果。其次，所有變項都來自同一份自陳問卷，存在共同方法偏誤風險。再次，deprivation curiosity 分量表在本研究中的信度偏低，削弱了該維度結果的穩定性。最後，樣本來自單一國家，且年齡分散、女性比例偏高，因此結果外推到其他文化與學生族群時需保留。

11. 對我研究的啟發

這篇文章對我的研究特別有價值，因為它提供了一條可直接擴充的心理機制主線：curiosity -> AI self-efficacy -> AI use。若我後續關心的是 AI × 認知風格、AI × 知識創造或 human-GenAI collaboration，本文提醒我，很多看似是「是否使用 AI」的表面差異，背後其實可能來自個體是否把探索傾向轉化成可操作的效能信念。進一步說，若把知識創造放進模型，未來可以檢驗的是：探索型好奇心是否先提升 AI 自我效能，再影響 AI 使用深度、查核行為、協作品質與最終知識產出，而不只是影響使用頻率。這讓 AI self-efficacy 不再只是教育採納研究中的背景變項，而可能成為連接心理特質與知識建構表現的核心機制。

12. 整體評價

整體來看，這篇值得收進核心文獻，尤其適合作為 AI self-efficacy、學生 AI 採用與後續 human-GenAI collaboration 研究的 empirical support 與 framing paper。它的模型不複雜，但優點正是清楚、乾淨，能把好奇心與效能信念的功能拆開來看。若要找 methods reference，本文不算最強，因為設計仍偏基礎；但若要為「學生為何會把 AI 真正用進學習流程」提供可引用的心理機制證據，它非常實用。主要可疑點在於樣本規模與自陳設計較有限，因此更適合作為機制起點，而非定論。