人機知識建構：AI 時代的知識夥伴關係

1. 基本資訊

本文由 Garry Falloon 與 Mellita Jones 撰寫，2026 年刊於 Educational Technology Research and Development，DOI 為 10.1007/s11423-026-10605-2。這是一篇理論／概念發展文章，不是以樣本驗證假設的實證研究；作者以 Scardamalia 與 Bereiter 的 Knowledge Building、Krathwohl 修訂版 Bloom 認知領域，以及人機協作文獻為基礎，提出 human–machine knowledge building 的三區模型。

2. 研究問題

本文追問：人與 GenAI 如何形成互補的知識建構夥伴關係？哪些工作適合交由 AI、哪些必須由人保留？尤其在 AI 能產生似乎合理但可能錯誤、偏誤或脫離脈絡的內容時，人類判斷如何維持知識建構的準確性、倫理性與方向感？

3. 理論基礎

核心理論是 Knowledge Building：知識不是把既有答案搬入記憶，而是透過社群中的對話、共同探究與持續的 idea improvement，逐步建構可供使用的概念性成果。作者也借用 Krathwohl 對 Bloom taxonomy 的記憶、理解、應用、分析、評鑑與創造等認知流程，但特別強調三區不是階梯、不是線性順序，也不是越高越好；實際活動會在不同認知流程間往返。另以 Jarrahi 等人的人機互補、Dede 等人的 reckoning／judgement 區分，以及 Ouyang 與 Jiao 的 AI-directed、AI-supported、AI-empowered 三種教育典範，補足 AI 與人的分工邏輯。

4. 研究架構

文章提出一個由三個重疊區域組成的概念模型。第一是 Reckoning Zone，主要處理搜尋、擷取、整理、摘要、計算與資訊管理等「關於某主題的知識」，GenAI 可大量分擔。第二是 Collaboration Zone，人與 AI 以反覆提示、對話、分析、應用、測試和修正來進行 idea improvement，AI 可扮演 cognitive sparring partner。第三是 Judgement Zone，由人運用領域知識、經驗、創造力、社會情緒理解、價值與倫理，判斷輸出是否可信、適切，以及是否應被實際採用。三區間的循環箭頭表示持續評估，而非單向流程。

5. 命題邏輯

本文沒有統計假設，主要提出四個理論命題。第一，GenAI 的資訊處理與 reckoning 能力可以降低例行認知負荷，讓人把資源轉向更深的分析與判斷。第二，GenAI 的最大知識創造潛力不在單次答案，而在 Collaboration Zone 的反覆對話：它可以提供替代觀點、挑戰、刺激與修訂素材。第三，對話只有在使用者具備領域／默會知識、資訊素養與提示修訂能力時，才可能真正改善想法。第四，隨 AI 能力提升，Judgement Zone 的人類判斷、問題形成、文化脈絡與倫理責任反而更重要；AI 輸出增加不等於知識品質自動提升。

6. 方法

這是一篇概念性發展文章，沒有自行收集受試者、實驗資料或量化資料。作者以既有理論與近期評論、研究進行整合式論證，將早期 cognitive tools、Knowledge Building communities、GenAI collaboration、AI literacy、Bloom 修訂分類與 human–AI symbiosis 串接，再用 Figure 1 具體化三區模型。文章的證據型態是理論對照與文獻推演，因此適合作為後續實證研究的框架，而不能直接當作三區模型已被因果驗證的證據。

7. 主要結果

作者的主要產出是三區模型及其分工說明。Reckoning Zone 中，GenAI 適合處理資料存取、定義、摘要、跨來源整合、時間線與計算；Collaboration Zone 中，AI 與人可透過 dialogic discourse 反覆分析、應用、測試和改進想法；Judgement Zone 中，人必須考量目的、受眾、文化、倫理、社會後果與情境，決定採用、修改或拒絕 AI 輸出。文章也明確指出，模型不是把 AI 固定在低階、人固定在高階：三區的活動可能同時發生，且人仍可在 Reckoning、AI 也可參與協作過程，但最終的價值判斷與責任不能外包。

8. 理論貢獻

第一，本文把 GenAI 從「支援人類認知的工具」重新概念化為可參與 idea-centred discourse 的非人類夥伴，拓展了 Knowledge Building 對社群成員的原有理解。第二，它把人機協作的分工放進認知流程，而非只討論 AI 有哪些功能，因而能同時描寫 offloading、共同修訂與人類判斷。第三，三區模型把「AI 生成更多內容」與「形成更好的知識」區分開來，指出 Collaboration 必須由 Judgement 持續迴圈控制。第四，它把 AI literacy 從操作技巧提升為問題形成、提示修訂、輸出評估、脈絡理解與倫理決策的綜合能力。

9. 實務意涵

在教育與組織訓練中，不能只教 prompt engineering 或把摘要工作交給 AI，就宣稱完成 AI literacy。課程可以先讓 AI 協助 Reckoning，再安排多輪對話、反例、比較與測試，使學習者在 Collaboration Zone 中改進想法；評量則應要求說明資料來源、提示如何修訂、哪些 AI 輸出被拒絕，以及最後判斷如何受到文化與倫理考量影響。管理者也應建立 human-in-the-loop 的責任界線：AI 可擴大搜尋與產生選項，但人要保留問題定義、品質判定、脈絡化與部署決策。

10. 研究限制

本文最大的限制是概念模型尚未以實驗、縱貫資料或真實組織案例驗證，三區內的具體任務邊界與最適分工仍有待測試。其次，模型以 Bloom taxonomy 作圖雖便於溝通，仍可能讓讀者誤以為認知活動可被穩定分層；作者雖已反覆聲明並非階層或線性，實際操作仍需更精細的編碼規則。第三，文章對 GenAI 的能力與風險主要依現有文獻推論，尚未處理不同模型、工具介面、提示熟練度和領域差異。最後，Judgement Zone 的「人類優勢」也不應被浪漫化，未來仍須測試人類判斷何時會受自動化偏誤、過度信任或知識不足影響。

11. 對我研究的啟發

本文可直接成為我研究 Human-GenAI collaboration × knowledge creation 的概念骨架。第一，可把互動歷程編成 Reckoning、Collaboration、Judgement 三類，再觀察不同認知風格或 knowledge-seeking tendency 是否改變三區之間的往返頻率。第二，可將「知識創造」拆成 AI 提供選項、共同改進、人的脈絡判斷與最終採用四個階段，避免把生成量誤當創新品質。第三，提示個人化不應只解釋輸出是否相關，也可檢驗它是否使人更願意質疑、比較和重新定義問題。第四，模型特別適合發展可觀察的中介機制：認知卸載 → 對話式 idea improvement → 人類判斷／倫理評估 → 知識品質或創新結果。

12. 整體評價

這篇是很有用的 framing paper，優點是把 GenAI 的效率、協作潛力與失真風險放進同一個可討論的模型，而且沒有把 AI 輸出直接等同於學習或知識。最有價值的觀點是：AI 越能做 reckoning，人的判斷、問題形成與情境責任越不能被省略；真正的互補發生在反覆對話與持續評鑑，而不是單次提問。缺點是理論性高、缺少直接資料，因此下一步必須用互動紀錄、提示歷程、產出評分與判斷品質來驗證模型。整體而言，本文值得放入我的 Human-GenAI 知識創造核心文獻池，特別適合作為理論架構與研究設計的起點。