大型語言模型與生成式 AI 時代的教師自主性：設計教學 AI 代理

論文基本資訊

精簡摘要與研究框架

本文目的在於盤點生成式人工智慧（generative AI, GAI）進入教育場域後所產生的既存問題，並提出一個可操作的解方：教導教師自行設計「教學 AI 代理」（pedagogical AI agent）。作者先從教師與學生兩種視角各列出四項問題（教師端：擔心學生依賴 AI 完成作業、難以辨別學生作品與 AI 產出、不熟悉 GAI 的教育功能可為性、缺乏以 AI 提升教學效率的實作知能；學生端：把 AI 當成進階搜尋引擎、過度依賴 AI 完成學習任務、不了解 GAI 的學習潛能、不知如何把 GAI 當老師或導師使用）。接著提出以「人師與 GAI 教師協同教學（team teaching）」為核心的三個概念，並系統性地說明教學 AI 代理的五個設計面向（角色、程序、規則／規準、引導、回饋）、五項特徵與功能、以 ADDIE（Branch, 2009）與 Dick and Carey 模式（Dick, 1996）為基礎的設計程序，以及可直接填入的兩層式六部分結構模板。最後以一個教英語為外語（EFL）學生使用「順序詞」（order words）的代理為例完整示範，並附上一份學生真實學習歷程紀錄，收尾提出四個後續研究議題。

研究框架

本文非變項式的實證研究，其論證框架為「問題 → 概念 → 設計規格 → 模板 → 案例 → 研究議題」的線性推論結構。第一層是問題診斷框架：以「教師視角 × 學生視角」二維切分 GAI 教育應用的八項問題。第二層是解方概念框架：以人師與 GAI 教師的協同教學為軸，分工邏輯是人師負責教學專業、學科知識與情意智能（設定學習目標、界定範圍、準備教材、選定教學法），GAI 教師負責資訊處理、流程控制、個人化內容遞送、即時回饋與學習表現追蹤。第三層是設計規格框架：五個設計考量面向（role、procedure、rule/criteria/rubrics、guidance、feedback）對應五項代理特徵（理論／原則導向的學習、適性與個人化學習路徑、互動式學習、即時評量與回饋、規則執行與品質控管）。第四層是實作框架：兩層式（Part／Step）六部分模板，構成「概念解釋 → 舉例 → 理解評量 → 練習 → 應用 → 總結建議」的教學序列。貫穿全文的核心命題是教師自主性（teachers’ agency）不因 GAI 而削弱，反而成為 AI 教育應用成敗的關鍵：代理只是教師教學設計的「代理人／分身」，設計品質決定學習品質。

研究動機與研究目的

研究動機

• GAI 在教育場域引發的衝擊已無法忽視，但實務端的問題被談論得多、解方被具體提出得少。作者指出專家學者已辨識出許多普遍且重要的議題，本文要做的是「拆解教師在教與學情境中實際遭遇的具體問題」，而非再一次泛論風險。
• 教師端存在明確的知能落差（knowledge gap）：許多教師並不清楚 GAI 工具如何有效融入學習設計實務，對其潛能、限制與最佳用法理解不足，缺乏適切理解與培訓時，教師可能低度使用這些強大工具，或以不符教學原理的方式使用，導致教育成效無法提升。
• 學生端存在使用取向的偏差：學生傾向把 AI 當作快速取得答案的搜尋引擎，或直接請 GAI 代做學習任務，繞過批判思考、問題解決與概念理解等深層學習歷程，形成表層學習並衍生學術誠信疑慮。
• 教育政策層面亦有要求：UNESCO（2022）的教師 ICT 能力框架報告指出，教師必須精熟科技在教育中的有效與適切運用，並展現在應用（application）、融入（infusion）與轉化（transformation）等層次的數位能力。這使「教師如何主動設計 AI 教學應用」成為必須回應的課題。

研究目的／研究問題

本文未以問句形式列出研究問題，以下依原文章節編號與摘要陳述逐條還原其目的。

1. 探究生成式 AI 應用於教育時既存的問題（原文第 1 節），並分別從教師視角（1.1）與學生視角（1.2）加以檢視。
2. 提出透過設計教學 AI 代理來解決上述問題的可行方案（原文第 2 節），系統性呈現其主要概念（2.1）、設計考量面向（2.2）、功能與特徵（2.3）、設計程序（2.4）與結構／模板（2.5）。
3. 提供一個應用該方案設計教學 AI 代理的實例（原文第 3 節），以「教導學生使用順序詞」示範六部分模板如何落實。
4. 提出教學 AI 代理在教育領域的潛在研究議題（原文第 4 節），包含 4.1 個人化學習、4.2 師資培育、4.3 培養創造力、4.4 學習分析。
5. 論證教師在 AI 驅動的教育變革中的角色定位（原文第 5 節結論），主張教師負責設計、分析與監控，代理負責執行與即時協助。

文獻探討大綱

• 第 1 節　GAI 教育應用的既存問題（問題界定層）
  • 1.1 教師視角的四項問題（1.1.1 學生依賴 AI 完成作業／1.1.2 難以區辨學生作品與 AI 產出／1.1.3 不熟悉 GAI 作為教學工具的教育功能可為性／1.1.4 缺乏以 AI 提升教學效率的實作知能）——論證角色：建立「問題是使用方式而非工具本身」的立論起點，使後續解方顯得必要。
  • 1.2 學生視角的四項問題（1.2.1 視 AI 為進階搜尋引擎／1.2.2 過度依賴 AI 完成學習任務／1.2.3 不熟悉 GAI 的學習潛能／1.2.4 不知如何將 AI 當作教師或導師）——論證角色：說明僅靠限制或偵測無法解決問題，須改變 AI 在學習歷程中的角色設定。
• 第 2 節　解方概念（理論與規格層）
  • 2.1 協同教學（team teaching）三概念：人師與 GAI 教師協同、以教學 AI 代理設計學習活動、學生與代理互動學習——論證角色：把 GAI 從「答案機」重新定位為「教學夥伴」，是全文的樞紐概念。核心概念：協同教學、提示工程（prompt engineering）、AI 作為教師的代理人（proxy）。
  • 2.2 五個設計考量面向：角色（role）、程序（procedure）、規則／規準／評分規準（rule/criteria/rubrics）、引導（guidance）、回饋（feedback）——論證角色：將抽象概念轉為可檢核的設計清單。核心概念：評分規準導向評量、鷹架（scaffolding）與引導。
  • 2.3 五項特徵與功能（Table 1）：理論／原則導向的學習、適性與個人化學習路徑、互動式學習（降低認知負荷）、即時評量與回饋、規則執行與品質控管（守門人 gatekeeper）——論證角色：說明代理為何能替補人師不在場的空缺。核心概念：認知負荷（cognitive load）、適性學習、即時形成性回饋。
  • 2.4 設計程序：明確以 ADDIE 模式（Branch, 2009：analysis, design, development, implementation, evaluation）與 Dick and Carey 模式（Dick, 1996）為基礎——論證角色：把「寫提示詞」正當化為正規教學設計活動，並強調設計者無需程式能力。
  • 2.5 兩層式六部分結構模板——論證角色：提供可複製的操作骨架，是本文最具實務移轉性的產出。
• 第 3 節　案例示範（實作層）
  • EFL 順序詞（order words）教學代理：含教師提供內容、AI 生成內容、AI 促進的工作流與品質控管、教師提供評分規準、AI 執行評量等標記——論證角色：以可執行的完整提示詞證明模板的可行性，並示範「設計—測試—修正」循環（Figure 2）。
  • 附錄 A 學生學習歷程紀錄（2023 年 11 月 30 日對話紀錄）——論證角色：作為代理確實依設計運作並提供鷹架與回饋的證據。
• 第 4 節　潛在研究議題（延伸層）
  • 4.3 培養創造力一節是全文唯一密集引用文獻之處：Yeh & Lan（2018）支持「學生自行創作學習材料可提升學習自主性、動機與成效」；Schunk（2012）支持「能設計範例、自我解釋、教導他人即代表更深層理解」；Chin & Osborne（2008）支持「學生能提出有洞見的問題有助學習表現」——論證角色：為「讓學生自己設計教學 AI 代理」這一延伸主張提供學習理論基礎。
  • 4.1 個人化學習、4.2 師資培育、4.4 學習分析——論證角色：把單一設計方法擴展為研究議程。
• 第 5 節　結論（規範性主張層）
  • UNESCO（2022）教師 ICT 能力框架——論證角色：以國際政策文件為教師必須掌握科技應用的規範性依據。
  • 「教師如孫悟空的本尊、代理如其分身」的隱喻——論證角色：以文化意象收束教師自主性與 AI 執行力的分工命題。

研究方法介紹

研究取徑

概念分析＋設計導向的實務示範（design-oriented demonstration）。作者先以文獻與實務觀察歸納問題清單，再提出解決概念與設計規格，最後以「一個可執行的教學 AI 代理」作為概念的存在性證明（proof of concept）。全文不宣稱進行效果驗證，僅在附錄 A 以一份真實學習歷程紀錄呈現代理運作實況。

研究設計

• 問題分析採「教師／學生」雙視角二分架構，各列四項子問題，共八項。
• 解方建構採規格化寫法：概念（3 項）→ 設計面向（5 項）→ 特徵與功能（5 項，Table 1）→ 設計程序（Figure 1）→ 結構模板（6 個 Part，每個 Part 內含多個 Step）。
• 設計程序明確依循 ADDIE 模式（Branch, 2009）與 Dick and Carey 模式（Dick, 1996）；Figure 1 呈現該設計程序，惟圖內細節未於正文文字中逐項列出（原文未明示）。
• 案例採迭代式的「設計—測試—修正」循環（a cyclic process of design-test-refine），並強調教師在設計過程中可即時看到執行結果、判斷何處需修改（Figure 2）。

對象與抽樣

無研究樣本與抽樣程序（原文未明示）。案例的預設學習者為臺灣的英語為外語（EFL）學習者；附錄 A 的學習歷程紀錄來自一位匿名（Anonymous）使用者於 2023 年 11 月 30 日與 ChatGPT 的對話，未說明其年齡、年級、語言程度或取得方式（原文未明示）。

資料蒐集工具

• 實作平台：ChatGPT 的自訂 GPT 功能（操作路徑原文載為 ChatGPT / Explore / Create a GPT / Configure），代理連結為 https://chat.openai.com/g/g-xHXNDSJsq-ai-agent-for-learning-order-words。
• 資料證據：ChatGPT 分享連結形式的學生學習歷程紀錄（learning log），見附錄 A（https://chat.openai.com/share/06d2c2ef-ea84-48ef-b38b-3dae82f823ab）。
• 評量工具：教師預先寫入代理的三級評分規準（Excellent／Good／Poor），用於評判學生的五步驟故事寫作。

資料分析方法

無統計分析或質性編碼程序（原文未明示）。作者對附錄 A 的處理方式是敘述性檢核：主張該紀錄「不僅遵循教學代理的原始設計，也在學習過程中提供學生必要的鷹架與回饋」。第 4.4 節則把系統性的學習歷程分析（learning analytics）列為未來應做的工作，而非本文已完成的分析。

信效度處理

• 設計正確性驗證：教師扮演「模擬學生」（acts as a simulated student）測試代理的正確性，待代理穩定且正確後才分享給學生使用——這是本文唯一明示的品質保證機制。
• 教學一致性控管：以規則執行與品質控管特徵確保學生依既定步驟前進；以教師提供的評分規準統一 AI 的評量標準，降低回饋的任意性。
• 迭代修正：依學生學習歷程紀錄回頭精修代理（refine the pedagogical AI agent according to students’ learning logs）。
• 未見信度係數、專家效度審查、評分者間一致性等量化指標（原文未明示）。

研究流程（表格）

條列式研究流程

1. Step 1：從教師與學生雙視角盤點 GAI 教育應用的八項既存問題，並確認學生真正的學習任務與困難。
2. Step 2：建立「人師 × GAI 教師協同教學」的三項解方概念，把 GAI 定位為教師的代理人。
3. Step 3：界定五個設計考量面向與五項代理特徵／功能，並選定支撐學習程序的學習理論或教學取徑。
4. Step 4：依 ADDIE 與 Dick and Carey 模式建立不需程式能力的代理設計程序。
5. Step 5：提出兩層式六部分（概念解釋、舉例、評量、練習、應用、總結）提示詞模板作為鷹架。
6. Step 6：以 EFL 順序詞教學為案例填入模板，教師扮演模擬學生反覆執行「設計—測試—修正」循環直到代理穩定正確。
7. Step 7：在 ChatGPT 建立自訂 GPT 並分享連結，學生依代理引導逐步學習、接受即時評量與回饋。
8. Step 8：回收學生學習歷程紀錄，據以理解學生學習狀況並精修代理設計。
9. Step 9：由設計實務外推四項未來研究議題，並以教師負責設計、分析、監控的角色主張作結。

研究議題與討論重點收斂

議題一：GAI 在教育的問題根源是使用方式，而非工具本身

發現摘要：教師端的四項困擾（學生依賴 AI 寫作業、難以辨別學生作品與 AI 產出、不熟悉 GAI 的教育功能可為性、缺乏提升教學效率的實作知能）與學生端的四項偏差（把 AI 當進階搜尋引擎、過度依賴 AI 完成任務、不了解 GAI 的學習潛能、不知如何把 AI 當導師）互為鏡像，指向同一個結構問題：AI 被放在「產出答案」的位置，而不是「支持歷程」的位置。

作者詮釋：挑戰在於如何確保學生把工具當作理解與補充學習的輔助，而非繞過學習歷程的手段；相應地，目標是鼓勵學生把 AI 當作促進探索的導師，而非學習旅程的終點。因此解方不應是偵測或禁用，而是重新設計 AI 在學習流程中的角色。與過往文獻的關係：作者僅概括「專家學者已辨識出許多普遍且重要的議題」，未逐一引註對照，故此節屬問題綜述而非文獻辯論。

議題二：人師與 GAI 教師的協同教學分工

發現摘要：人師帶來教學專業、學科知識與情意智能，負責設定學習目標、界定學習範圍、準備主要教材、決定教學法與學習策略；GAI 教師提供多樣的資訊處理能力、個人化學習建議與資料驅動的回饋，負責控制學習流程、個人化內容遞送、即時回饋與學習表現追蹤。此模式可優化學習效率、確保教材涵蓋完整並照顧不同學習風格。

作者詮釋：協同教學不是把教學外包給 AI，而是讓兩者各就其強項；代理是人師方法論的補足或代理人，確保其回應與活動都支持整體學習目標。此主張與 UNESCO（2022）強調教師須具備在應用、融入、轉化層次運用科技的能力相互呼應，屬一致關係。

議題三：設計教學 AI 代理即是教學設計，且不需程式能力

發現摘要：教學 AI 代理可想像為一套智慧型教學系統，但設計者不需寫程式；其設計受學習理論／原則指引，並須遵循教學設計流程，本文採 ADDIE（Branch, 2009）與 Dick and Carey（Dick, 1996）模式建立通用程序，並提供兩層式六部分模板降低門檻。教師的工作實質上是「提示工程」（prompt engineering）。

作者詮釋：這一步把 GAI 的教育應用從「工具操作」提升為「教學設計」層次，也把教師從被動使用者轉為主動設計者——這正是題目中「教師自主性」的具體所指。與過往文獻的關係：直接承接教學設計領域的既有模式（ADDIE、Dick and Carey），屬延續而非挑戰。

議題四：代理作為「守門人」的品質控管機制

發現摘要：Table 1 將「規則執行與品質控管」列為代理特徵之一，理由是學生可能天真或忽略關鍵要點與必要學習步驟；人師無法時時陪在學生身旁，但 GAI 教師隨時在場、隨時可以協助。案例中此機制被具體寫成硬性條件：學生的故事寫作未達「Excellent」不得進入下一項練習，且必須依序完成三項五步驟故事練習後才能進入 Step 8。

作者詮釋：代理不只是個人家教，更像守門人，會引導學生完全依照教師設計的學習程序前進，並在學生卡住時把他們「救出來」；這正是解決教師不在場時無法提供即時支持、回饋與引導的關鍵。這一設計把教學規準與流程控制寫入提示詞，使評量標準對學生透明且一致。

議題五：以真實學習歷程作為代理可行性的證據

發現摘要：附錄 A 為一份 2023 年 11 月 30 日的完整學生學習歷程紀錄，展示代理從 Part 1 概念解釋、Part 2 蝴蝶生命週期舉例、Part 3 三選一評量、Part 4 白雪公主五步驟故事寫作、Part 5 自選主題應用到 Part 6 總結建議的全程執行；學生曾兩度回答「不理解」、答錯多選題、故事只寫三步，代理均給出替代範例與修正建議。

作者詮釋：作者判定該紀錄「不僅遵循教學代理的原始設計，也在學習過程中提供學生必要的鷹架與回饋」，並強調教師可藉學習歷程了解學生狀況並改進代理。與過往文獻的關係：本節為單一案例的示範性證據，作者未與任何既有實證研究比較成效，亦未主張效果量。

議題六：讓學生也能設計代理，以促進創造力與自主性

發現摘要：在潛在研究議題中，作者主張若學生能自行設計教學 AI 代理，即代表他們能提出有洞見的問題、更清楚地解釋目標概念、並能區辨較好與較差的範例／答案，學習表現將因此受益。

作者詮釋：此推論建立在三筆文獻的一致性支持上——Yeh & Lan（2018）指出學生自行設計學習材料可強化學習主控感、提升自主性與動機及成效；Schunk（2012）指出能設計範例、自我解釋、教導他人代表更深層的理解；Chin & Osborne（2008）指出學生提問是教與學的潛在資源。三者與本文主張方向一致，無明示的矛盾之處。

未來研究缺口

作者明示的後續研究方向

本文未設獨立的研究限制（limitations）章節（原文未明示）；第 4 節「教學 AI 代理在教育領域的潛在研究議題」為作者明示的研究議程。

• 4.1 個人化學習：探究教學 AI 代理能在多大程度上滿足個別學習需求，包括學生能力、認知風格與學習偏好；探索不同代理如何生成客製化的學習材料、活動與回饋；並檢視代理如何更好地支持特殊需求學生的學習歷程。
• 4.2 師資培育：發展完整的培訓方案，協助教師認識 GAI 在教育情境中的能力與限制（可透過個案研究、實作示範與批判分析任務親身體驗其潛能與邊界）；發展分析並對齊 GAI 功能與特定學習目標及評量規準的方法，檢視 GAI 如何搭配不同教學策略與學習成果、如何納入既有評分規準與評量架構；發展使教師能有效設計並在課堂實施教學 AI 代理的訓練模組或工作坊。
• 4.3 培養創造力：探究教學 AI 代理如何提升學生的學習與動機，特別是讓學生自行設計學習材料乃至自行設計教學 AI 代理所帶來的主控感、自主性與深層理解。
• 4.4 學習分析：當學生把學習歷程紀錄分享給教師後，須以學習分析方法解析學生的學習行為與學習路徑，一方面讓教師全面了解學習歷程，另一方面找出代理本身的問題；作者主張把學習分析與 GAI 整合以建構穩健的學生學習模型是刻不容緩之事。
• 結論延伸：教師對學習理論／取徑的知識、對教材與概念的熟悉度、以及對學生學習狀態的理解，是此應用能否成功的關鍵；作者認為這意味著教師在 AI 帶動的教育變革中扮演不可或缺的角色（此為規範性主張，作者未提出驗證設計）。

值得引用的段落句子

本文以羅馬頁碼刊出（I–XVIII），出處欄依原文印刷頁碼標示。

值得延伸閱讀的論文

本文參考文獻僅 6 筆，未達 10 筆，故以下列出全部 6 筆（依 APA 7 格式重製）。

1. Branch, R. M. (2009). Instructional design: The ADDIE approach (Vol. 722). Springer.
   為何值得讀：ADDIE 五階段（分析、設計、發展、實施、評鑑）是教學設計最通用的程序性框架，本書提供其完整操作說明與各階段產出物範例。｜與本論文的關係：本文第 2.4 節明確以此模式為教學 AI 代理設計程序（Figure 1）的基礎，是理解本文設計流程的第一手依據。
2. Dick, W. (1996). The Dick and Carey model: Will it survive the decade? Educational Technology Research and Development, 44(3), 55–63.
   為何值得讀：作者親自檢視系統化教學設計模式的存續價值與適用邊界，適合作為反思「教學設計模式是否仍適用於新技術情境」的切入點。｜與本論文的關係：本文與 ADDIE 並列引用為代理設計程序的第二個依據；其對模式生命力的自我提問，正可延伸為「該模式能否適用於 LLM 時代」的討論。
3. Schunk, D. H. (2012). Learning theories: An educational perspective. Pearson Education, Inc.
   為何值得讀：學習理論的標準教科書，涵蓋行為、認知、社會認知、建構論與自我調節學習，是判斷任何教學設計是否「理論導向」的基本參照。｜與本論文的關係：本文強調代理必須以健全的學習理論／原則為根基，並在第 4.3 節引用此書支持「能設計範例、自我解釋、教導他人即代表更深層理解」的論點。
4. Chin, C., & Osborne, J. (2008). Students’ questions: A potential resource for teaching and learning science. Studies in Science Education, 44(1), 1–39.
   為何值得讀：系統性回顧學生提問在科學學習中的角色，說明提問品質如何反映並促進概念理解，對設計提問導向的 AI 互動特別有參考價值。｜與本論文的關係：本文以此支持「若學生能自行設計教學 AI 代理，代表他們能提出有洞見的問題，學習表現將受益」的推論。
5. Yeh, Y. L., & Lan, Y. J. (2018). Fostering student autonomy in English learning through creations in a 3D virtual world. Educational Technology Research and Development, 66(3), 693–708.
   為何值得讀：實證探討學習者在 3D 虛擬世界中自行創作如何提升英語學習自主性，是「學生從消費者變成創作者」這一設計理念的實證前例。｜與本論文的關係：本文第 4.3 節引用此文支持「學生自行設計學習材料可強化學習主控感、提升自主性與動機及成效」，也是第一作者自身研究脈絡的延續。
6. UNESCO. (2022). The ICT competency framework for teachers harnessing OER project: Digital skills development for teachers. https://unesdoc.unesco.org/ark:/48223/pf0000383206
   為何值得讀：國際性的教師 ICT 能力框架，界定教師在知識取得、深化與創造等層次所需的數位能力指標，可直接用於師資培育課程與政策論述。｜與本論文的關係：本文結論引用其「教師須精熟科技的有效與適切運用，並展現應用、融入、轉化層次的數位技能」作為教師必須主動掌握 GAI 的規範性依據。