AI 結合 5E 教學模式的混成學習

1. 基本資訊

**正式書目：**Liu, J., Wu, Y., Bao, X., & Abdul Hamid, H. (2026). AI meets 5E: innovating blended learning through constructivism and self-determination theory. Humanities and Social Sciences Communications, Article in Press. DOI: 10.1057/s41599-026-08470-8。

文章提出 5EAIBL（5E-sequenced AI-blended learning），將 Engage、Explore、Explain、Elaborate、Evaluate 五階段與建構主義、Self-Determination Theory（SDT）及 AI 輔助混成教學整合，並在中國一所大學的非英語主修 EFL 課程中進行 16 週混合方法研究。

2. 研究問題

研究問三件事：第一，BL、僅加入 AI 的 AIBL、以及 5EAIBL 三種模式在英語學業成就上有何差異；第二，5EAIBL 學生如何描述其學習利益與困難；第三，這些經驗如何由建構主義與 SDT 解釋。核心問題不是「AI 有沒有用」，而是「AI 被放進什麼樣的學習流程後才產生可觀察的效果」。

3. 理論基礎

建構主義把學習視為學生連結先備知識、透過探究與反思主動建構理解的過程；SDT 則以自主、勝任與關係三種心理需要解釋持續投入。文章的理論貢獻在於把二者從抽象理念轉成階段性設計原則：Engage 啟動先備知識與興趣，Explore 用 AI 提供受限選擇與即時鷹架，Explain 協助表述與校準理解，Elaborate 透過合作應用，Evaluate 以回饋支持精熟與自我調節。

4. 研究架構

5EAIBL 將 Engage–Explore–Explain 放在課前線上活動，Elaborate–Evaluate 放在課堂活動，形成「先備知識啟動 → AI 對話探索 → 說明與校準 → 合作應用 → 評量回饋」的循環。AI 不是獨立的教學介面，而是被嵌入一個由教師、同儕、課程任務與評量共同構成的學習架構；教師仍負責界定目標、限制 AI 使用範圍、設計回饋與維持人際互動。

5. 假設邏輯

作者以研究問題與設計邏輯取代正式假設。其可重建的命題是：單純把 AI 加到既有 BL，不必然改變學習行為，因此 AIBL 未必優於 BL；若把 AI 放入有順序、有明確任務與評量對齊的 5E 循環，則較能促成知識啟動、建構、應用與反思，因而提升成就。另一個重要命題是，清楚的階段與可達成的回饋可能降低低成就學生的自我調節負擔，讓 AI 的效益較不只集中於原本就擅長自我導向的學生。

6. 方法

研究對象為中國湖南一所大學三個完整班級的 127 名非英語主修大二學生（BL 41、AIBL 43、5EAIBL 43），年齡 18–20 歲，接受同一位教師、同一課程脈絡下的 16 週介入。量化工具是 100 分英語成就測驗，含聽力、字彙與文法、閱讀、翻譯、寫作；以期末單因子 ANOVA、Games–Howell 事後比較及組內 paired t-test 分析。質化資料來自 5EAIBL 組 43 人在期中與期末各一次的反思日誌，共 172 份回答；以 MAXQDA 進行歸納與演繹主題分析，兩位編碼者子樣本 Cohen’s k = .890。研究取得倫理核准與書面同意。

7. 結果

三組前測約 57–58 分，基線大致相近；後測平均為 BL 65.80、AIBL 70.88、5EAIBL 76.23。整體 ANOVA 顯著，F(2,124)=13.538，p<.001，η²=.179；BL 與 AIBL 差異未達顯著（p=.063），但 5EAIBL 顯著高於 BL（差 10.428，p<.001）與 AIBL（差 5.349，p=.008）。三組均有進步，Cohen’s d 分別為 .51、.73、1.40，5EAIBL 的增幅最大。反思日誌產生 7 個主題、37 個高頻碼，正向陳述 555、挑戰 127；最突出的是語言技能、動機、教育科技與學習策略。學生仍回報課前準備、技術問題與工具依賴等困難。

8. 理論貢獻

文章把「AI 有效」改寫成「教學編排有效」：AIBL 與 BL 無顯著差異，說明工具可用性本身不足以產生學習增益；5EAIBL 的優勢來自 AI 被安排在一個能把處理、回饋與課堂合作連起來的序列。這也讓建構主義與 SDT 變成可操作的機制語言：前者說明知識如何逐步建構，後者說明自主、勝任與關係如何透過任務、回饋和同儕互動維持投入。研究亦提出一個值得檢驗的公平性方向：結構化鷹架可能比自由取用 AI 更能改善低成就者的結果分布。

9. 實務意涵

教師不應只導入聊天機器人，而要先安排「何時使用、用來做什麼、何時必須獨立思考」；課程設計者應對齊課前 AI 任務、課堂合作與評量，並控制工作量與回饋密度。學校層級則需提供教師培訓、平台與技術支援、資料隱私及負責任 AI 政策。對學習者而言，AI 最適合用作可追蹤的提問、澄清與回饋鷹架，不應取代說明、應用、同儕互動與最終判斷。

10. 研究限制

單一中國大學、三個完整班級與非隨機分派限制外部效度與因果推論；既有動機、學習習慣、班級文化及教師期待效應仍可能影響結果。只有 5EAIBL 組提供反思日誌，且質化資料為自陳，無法直接比較三組的學習經驗。成就指標主要是書面英語測驗，口語與廣泛溝通能力沒有直接標準化測量。未來應採多校與隨機分派、加入口語表現、課堂觀察、訪談、學習分析與 implementation fidelity 檢查。

11. 對我研究的啟發

對 AI × 知識創造與 human–GenAI collaboration 研究，最可重用的洞見是：協作品質不是由「是否使用 GenAI」決定，而是由人與 AI 在工作流程中的分工、時序與回饋迴路決定。若把 5E 轉譯到我的研究，可將人機協作拆成「啟動問題—探索候選—人類說明／校準—共同應用—反思評估」五個可觀察階段，進一步比較認知風格、自我效能或 AI 素養如何改變各階段的知識尋求、個人化與創意產出。研究也提醒，若只測一次採用意圖或最終產出，會漏掉 AI 鷹架如何改變中間的認知歷程；應加入提示互動紀錄、修訂行為、判斷品質與過度依賴指標。對觀光／旅宿 AI 服務研究，則可把「角色導向與接觸情境的配適」類比為「服務任務階段與 AI 介入深度的配適」，避免把同一種 AI 互動模式套用到所有服務場景。

12. 整體評價

值得收進核心文獻，但定位應是 empirical support + pedagogical/design framing，不是可直接外推到所有教育場域的終局證據。最有價值之處是清楚比較 BL、AIBL 與 5EAIBL，並以量化效果與質化歷程共同指出「AI 工具」與「AI 的教學編排」不可混為一談；η²=.179、5EAIBL 的 d=1.40 也提供可引用的實證支點。主要疑點是完整班級的非隨機設計、單一教師與單一院校，以及 AIBL 操作化與 AI 工具使用細節仍不足以完全排除介入劑量差異。可作為 framing paper 與課程設計實證依據，但若要支持跨文化、跨學科或人機創新的一般理論，仍需多場域複製與更直接的過程資料。