快思慢想：運用 ChatGPT 人機協作深化議題思考之設計與實踐探究

論文基本資訊

精簡摘要與研究框架

本研究旨在精進「教師專業發展」課程中「真實情境議題研討」的品質，探究 ChatGPT 人機協作（Human-AI Collaboration）的設計，在課室中支援個別化學習與深化思考的作用、價值與限制。研究者於一學年內先後建構並實施兩版自定義 GPT：「蘇格拉底 1.0」以蘇格拉底式連續提問引導師資生系統思考（Systems Thinking）；「蘇格拉底 2.0」則轉化為「AI 協作教練」，運用積極探問、提示教學、角色扮演、帶入經驗、提供多元選項等七項策略，逐步優化議題研討品質。研究採探索式質性研究，透過課堂觀察、半結構式訪談、問卷與人機對話內容分析，蒐集 25 位師資生（上學期 9 位、下學期 16 位）的資料。結果顯示：師資生學期初多將 ChatGPT 用於查詢與文書輔助，缺乏與 AI 協思的意識與策略；經歷 1.0 與 2.0 的協作對話後，AI 扮演促進對話、啟發反思、延伸觀點、補充知識、澄清概念與個別化支持等多重角色；期末資料顯示師資生能辨識 AI 優弱點、整合脈絡觀點並探索因素間的動態關聯，系統思考與教師專業認同的前後測差異達統計顯著水準。

研究框架

• 介入設計（自變項性質）：ChatGPT 人機協作模式的三段式對照安排 —「Human（無 AI）→ Human+AI（蘇格拉底 1.0）→ 優化後 Human+AI（提示優化／蘇格拉底 2.0）」，以三次真實議題研討逐段導入。
• 關注的學習結果（依變項性質）：師資生對教育議題的系統思考深度、問題解決與創新實踐表現、對 AI 優勢與限制的辨識力、生成式 AI 應用與數位素養，以及教師專業認同。
• 中介機制：提示系統（prompt system）的品質與提示策略運用；以及人機協作的「主從性」—以使用者占比、問句率、主動語句率、多元想法四項指標加權而成的「主動性分數」，區分學生主導／協作平衡／AI 主導。
• 質性分析架構：以探索式質性研究為主軸，依開放性編碼→主軸編碼→核心與選擇性編碼的程序，對對話文本、觀察紀錄、訪談與教學省思日誌進行分析，並以三角校正與參與者確認建立信實度。
• 理論參照：Kahneman 快思慢想雙系統（系統一／系統二）作為問題意識來源，Senge 系統思考與槓桿作用（leverage）作為議題探究的目標架構，Vygotsky 社會文化理論下的「更有知識的他者」（more knowledgeable other, MKO）與知識建構論（Knowledge Building）作為 AI 角色定位依據。

研究動機與研究目的

研究動機

• 教學現場的直接觸發：研究者在「特殊教育導論」課程的實務問題研討中，發現學生將學習單複製貼上詢問 ChatGPT 後，即迅速取得中規中矩的答案，潛藏 Kahneman 所指「慢想系統能不費力就會怠惰」的風險（洪蘭譯，2012：53），因而反問「如果 ChatGPT 彈指間就給出條理清晰的答案，學生能學到什麼？」
• 真實議題的動態複雜性：真實教育情境涉及因素複雜，依 Senge 的觀點，今日的問題常來自昨日的解，顯而易見的解往往無效，唯有「小而專注的行動」用對地方才能產生槓桿作用；實務問題研討的價值在探究歷程，而非現成答案。
• 現有研究的不足與缺口：ChatGPT 相關研究雖已遍及醫學、工程、經濟、語言學習、心理健康、探究學習、知識建構與師資培育等領域，但如何在教師專業發展歷程中設計提示系統與人機協作，使 AI 「協助啟發思考、促進對話與知識建構，而非僅是代工」，仍待具體化與實證檢驗。
• 政策與治理的要求：英國教育部（2023）生成式 AI 教育政策、美國教育部教育科技辦公室（2023）強調的「人機循環」（Humans in the Loop）、UNESCO 的生成式 AI 教育指引（Miao & Holmes, 2023）與高教 ChatGPT 快速入門指南（Sabzalieva & Valentini, 2023），皆呼籲以人為本（human-centred approach），要求教育者負責任地參與設計、選擇與評估 AI 工具。
• 課程延續的需要：延續 108 學年度起「未來教師影響力實驗室」系列課程（I 跨界思考、II 轉型思維、III 系統思考人機協作），並回應先前「真實議題研討」發現的問題—探究系統脈絡時所知所思有限、思考過於發散或侷限特定面向、討論停滯或偏離；且一位教師難以滿足議題探究歷程的個別需求。

研究目的（保留原文編號）

1. 設計並優化 ChatGPT 的提示系統，發展一套有助於深化議題思考的 ChatGPT 人機協作模式。
2. 透過議題探究與實作，引導師資生明辨 ChatGPT 協作潛在的優勢和限制，善用人工智能，增進系統思考和問題解決能力。
3. 評估 ChatGPT 人機協作模式實際的作用與價值，探討在人機協作環境下提升師資生專業素養的方法和策略。

研究問題（原文編號 1-1 至 3-2）

• 1. ChatGPT 人機協作模式的設計與優化
  • 1-1 如何設計並優化 ChatGPT 的提示系統與人機協作模式，以深化師資生對實務議題的思考？
  • 1-2 ChatGPT 在實務議題研討中可以扮演哪些角色？它可以如何支持個別化的學習？
• 2. ChatGPT 人機協作模式潛在的優勢與限制
  • 2-1 師資生是否能明辨 ChatGPT 人機協作的優勢和限制？議題研討時，如何應對這些限制？
  • 2-2 師資生是否善用生成式人工智能，主動優化提示系統，表現系統思考和問題解決能力？
  • 2-3 與未使用 ChatGPT 的情況相比，使用 ChatGPT 對師資生的系統思考和問題解決能力有何影響？
• 3. 經過優化的 ChatGPT 人機協作模式實際的作用與價值
  • 3-1 經過優化後的 ChatGPT 人機協作模式，對實務議題研討的作用和價值為何？
  • 3-2 如何透過 ChatGPT 人機協作的優化，提升師資生的專業素養，特別是生成式人工智能的應用和數位素養？

文獻探討大綱

原文「參、文獻探討」自陳依研究目的聚焦三個面向；部分小節於報告中註明「限於篇幅，以下略，全文詳連結」，本大綱僅呈現報告中實際可見之論點。

• 一、ChatGPT 在教育上的應用及其可能的潛力與挑戰　論證角色：先確立 AI 進入教育的既有基礎與風險邊界，為「為何需要謹慎設計人機協作」建立前提。
  • 檢索基礎：以 ChatGPT 與 education 為關鍵字檢索學術資料庫，2022 年迄今具同儕評鑑的期刊論文約 782 篇。說明議題已具研究量能，但仍缺教學實踐層次的設計證據。
  • 技術本質：大型語言模型透過生成式預訓練（Generative Pre-trained）深度學習依提示演算產出文字（Miao & Holmes, 2023; Yan et al., 2023）。為後續「使用者需具判斷力」的主張奠定技術理解。
  • 七至八項功能與教育應用：支持個別化學習、即時互動（可扮演虛擬講師或學習夥伴）、輔助研究、協助寫作與應考準備、增進批判思考與溝通、裨益跨域探究與腦力激盪、節省時間提高效率、建構智慧聯動的環境（呂冠緯、王大鯤，2023；Javaid et al., 2023；Siegle, 2023）。Javaid 等引介 27 種教育現場應用，用以支撐「ChatGPT 有潛力根植教育系統」的樂觀端。
  • 限制與風險：回應品質高度依賴提示的具體性與清晰度（Loos et al., 2023; Mohammad et al., 2023）；資訊不足時可能產生幻覺（hallucination）（Masters, 2023）；英語語料偏多致中文回應精準度較低，預訓練資料的偏見與刻板印象可能反映於生成內容（Baskara & Mukarto, 2023）。構成必須培養數位素養與批判思考的理由。
  • (一) 人們對教育使用 ChatGPT 仍有疑慮：Hosseini 等（2023）調查發現支持在研究、教育與醫療保健使用者約四成，教育領域的接受度低於醫療與研究，主因擔心助長學習投機行為；使用過者興趣較高。說明態度差異，並反向支持「讓師資生實際體驗」的教學設計。
  • (二) 發展數位素養與批判思考，ChatGPT 才能真正改善學習：Loos et al.（2023）與 ChatGPT 共同以 SWOT 架構分析其優勢、弱點、機會與威脅，發現 ChatGPT 能某程度反思自身功能但有局限；若學生提供不正確資訊，將導致錯誤回應與無效指導。確立「人類教師仍重要」與「素養優先」的立場。
  • (三) 以廣博知識提供學習鷹架：Stojanov（2023）以自我民族誌（autoethnography）研究，依 Vygotsky 社會文化理論主張 ChatGPT 有潛力成為「更有知識的他者」（more knowledgeable other, MKO），提供鷹架、激勵與支持；但不宜高估其知識與理解，其反應有時膚淺。為本研究將 GPT 定位為「協思夥伴／心智教練」提供理論授權。
  • 小結五點啟示：師生共同優化提示系統並批判性參與協作；發展數位素養與批判思考並有系統記錄分析使用經驗；依學習理論與心智習性創新建構提示；評量設計強調自主探究與批判反思、區分人類與 AI 產出；使用 AI 教學仍須考量特殊需求並提供適性調整。
• 二、如何在人機協作模式中運用 ChatGPT 提示策略提升教學成效　論證角色：由「該不該用」轉向「怎麼用」，提供本研究自定義 GPT 提示設計的技術與策略來源。
  • 提示工程（prompt engineering）作為新數位能力：Korzynski 等（2023）指出正確的提示設計可顯著提高 AI 效能與輸出準確性，以人為本引導模型產出符合預期的內容，確保協作聚焦與互動連貫；有效提示結構包含脈絡、任務、資訊與格式。核心模型：提示工程與數位素養對照架構（原文表 8）。
  • (一) 七項提示優化策略（Korzynski et al., 2023; Mohammad et al., 2023）：拆解思維鏈（chain-of-thought／Least-to-Most）、少樣本學習（few-shot）、在提示中使用範本、調整提示提供回饋（含 ReAct 重新評估與 Iterative 迭代精煉）、自問（Self-Ask）、後設提示（Meta-Prompt）、生成知識。直接轉化為本研究蘇格拉底 GPT 的提示骨幹與後續分析編碼依據。
  • (二) 教育實務案例：可汗學院 Khanmigo 以蘇格拉底式提問風格訓練導師型模型，不直接給答案而拆解問題至學生可及程度（呂冠緯等，2023：9）；均一「Jutor」英語口說家教先英文後中文回饋，展現同理與引導（呂冠緯等，2023：10）；Kılınç（2023）將 ChatGPT 整合遠距科學教育，運用拆解思維鏈支持個別化學習。為「蘇格拉底 1.0」的原型設計提供可模仿的具體案例。
  • (三) 提升對話品質與輔助知識建構：Lee 等（2023）以「學生知識建構設計工作室」（sKBDS）探討 ChatGPT 維持學生對話與知識創建，關注觀點的生成、批評、改進與整合；原文表 1 整理知識建構原則與生成式 AI 作為學習夥伴的作為（真實的想法與實際問題、促進多元思考、改進想法、跨界思考、以建設性方式運用關鍵資訊、嵌入式／平行／變革性評估）。三種情境為：總結對話要點、整合外部資訊與觀點、提出改進思考的建議與策略；並提出「了解—建設—批判」（Know-Build-Critique, KBC）三原則。既提供 AI 角色分類依據，也提供教師把關原則。
  • 人機協作的實證典範：Sharma 等（2023）以隨機對照試驗，將 TalkLife 平台心理支持志願者隨機分派為使用 AI 輔助工具 HAILEY 與不使用兩組，發現人機協作使對話同理心顯著增加。作為「人機協作可提升對話品質」的最強實證，並被本研究引為研究設計參照。
  • 小結三點啟示：清楚的提示結構、精準策略與適時回饋可優化 ChatGPT 功能；運用 ChatGPT 可提升對話品質與輔助知識建構，但整合外部資源時出現資訊過時或不具參考價值，使用者須具備數位素養與批判思考；人機如何協作尚需更多實踐與研究以具體化最佳運作模式。
• 三、運用 ChatGPT 人機協作深化議題思考的個別化學習設計　論證角色：將前兩節的原則收攏為可操作的自定義 GPT 規格，構成本研究的介入工具。
  • 目標設定：協助使用者以系統思考原則進行教育議題研討—深度理解與同理現況需求與問題、探究問題之系統脈絡並形成關鍵因素的假設、設計最佳解決方案。
  • 互動方式（兩階段）：第一階段「議題思辨」以蘇格拉底式提問主動發問、不直接給答案，將議題拆解為系列主題以釐清重要因素或面向，持續重組對話以形成更具涵容性的整合觀點；第二階段「創新實踐」歸納討論重點、邀請提出最佳解決方案、討論理念價值目標與專業發展自主行動，最後整理專案計畫並依知識庫中系統思考評量標準給予回饋。對應「轉型思維」持續重組意義結構的理論主張。
  • 知識庫：提供系統思考與教育議題相關資料，來源包括 Waters Center for Systems Thinking 與 FSG 的 Initiatives/Programs。
  • (二) 原型測試發現四項協助：不直接給答案而以更深入的問題促進思考；依使用者關心的議題、疑問與知識調整問題；將議題拆解為系列主題以釐清重要因素或面向；持續引導對話，幫助連結相關經驗與知識並整合觀點。確立介入的可行性，並邀請師資生共同參與評估與優化。

研究方法介紹

研究取徑與研究設計

本研究採探索式質性研究，目的在深度理解 ChatGPT 如何促進或影響師資生對議題的思考，透過詳實的觀察、訪談與內容分析，探究人機協作設計在課室中支援個別化學習與深化思考的作用、價值與限制。教學介入採兩階段設計：第一階段全班共同經歷三次「真實議題研討」—第一次 ChatGPT 不參與（議題：網路成癮）、第二次 ChatGPT 參與討論（議題：AI 雲端情人）、第三次師資生嘗試優化給 ChatGPT 的提示並共構人機協作最佳模式（議題：美感教育）；第二階段為連續五週的教師專業發展微型專案，由師資生自行決定是否使用人機協作，再觀察各組議題研討情形。研究者亦自陳研究者身兼教學者，故徵求一位修過質性研究方法論且對本計畫有興趣的研究生共同進行研究。

研究對象與抽樣

• 對象即授課對象（立意／全班取樣）：修習中小學教育學程的學生（含師資生與預修生），共 25 位（上學期 9 位、下學期 16 位）。
• 背景異質性高：學生來自校內各系所；中教學程多為大學生、小教學程多為研究生；大學生多無中小學教學經歷，研究生多有代理代課經驗；年齡自 20 歲至 40 多歲，婚姻狀態不一。
• 研究關係定位：強調與參與者互為主體、真誠對話，師資生「並非僅是研究對象，而是共同探究者」；並邀請中小學資深優良實務教師協同教學或參與議題研討，多數已與研究者合作三到五年，亦為諮詢對象。
• 場域：大學實體教室（配備數位多功能講桌、錄影機、遠距教學設備），必要時與夥伴學校視訊連線；實地參訪時場域為夥伴學校經同意參訪之場地。

資料蒐集工具（依原文表 2 對應研究問題）

• 研發札記：記錄設計與優化 ChatGPT 的歷程與反思；測試紀錄與參與者回饋。
• ChatGPT 歷程對話內容分析與專家諮詢：檢核 ChatGPT 回應的準確度、相關性、真實度與建設性。
• 半結構式訪談紀錄：討論如何善用 ChatGPT 裨益實務議題研討、使用經驗與系統思考經驗；期末訪談與焦點訪談。
• 課堂觀察：觀課紀錄與錄影，觀察師資生與 ChatGPT 互動的行為、反應與互動方式；教學省思日誌。
• 文件與作品：教師專業發展微型專案（期末報告）、協作平台 e-Portfolio 學習檔案。
• 檢核表與規準：教師專業發展規準、系統思考規準（原文表 6，分待加強 1–2／普通 3–5／良好 6–8／優良 9–10 四級）；教師專業發展檢核表（期末自評與專家評）。
• 問卷（前後測）：教師專業認同問卷（張芝萱，2011）、生成式 AI 使用經驗、系統思考量表（Dolansky et al., 2020）、以及 6 個月後追蹤問卷。

資料分析方法

• 量化資料進行描述統計與差異分析；報告中呈現前後測差異之 Wilcoxon 型 Z 值（系統思考後測提升 Z=-3.17, p<.01；專業認同之提早定向傾向降低 Z=-2.42, p<.05；朝定向成功發展 Z=-3.23, p<.01）。原文未報告各量表之 N、M、SD、Cronbach's α 與效果量。
• 質性資料依以下七道程序處理（張芬芬譯，2005）：1) 轉騰逐字稿；2) 開放性編碼；3) 主軸編碼；4) 核心編碼與選擇性編碼；5) 描述與詮釋資料；6) 信實度檢核；7) 研究倫理檢核。
• 人機協作主從性的量化化：與 ChatGPT 5.0 Thinking 討論後歸納四項以證據為本的指標—(1) 使用者占比＝使用者字數÷（使用者字數＋AI 字數）；(2) 使用者問句率（／千字），含不帶問號的隱性問句；(3) 主動語句率（／千字）；(4) 多元想法指標（是否出現條列或並列方案）。各指標轉為最高 5 分後加權：使用者占比 35%＋學生問句率 30%＋主動語句率 30%＋多元想法 5%，得「主動性分數」；≥3.6 為學生主導、2.4–<3.6 為協作平衡、<2.4 為 AI 主導。
• 成效評量的多元來源：系統思考評量採專家評、學生自評與同儕互評三方並列（各組專家評量平均 6–7.5，學生自評平均 6.8–7.7，同儕互評平均 7.3–8.5）。

信效度與研究倫理處理

• 信實度：對多重來源資料進行三角校正，對所有文本進行系統性分析，並與研究參與者確認資料分析結果是否契合其真實經驗與理解；研究者持續反思，忠實重現參與者的視角與聲音。
• 雙人共同研究：邀請具質性研究方法論訓練的研究生共同進行，以緩解研究者兼教學者的角色張力；AI 輔助分析部分要求 ChatGPT「以證據為本」，並與研究者人工分類結果相互比對（原文載明兩者「相符」，但未報告編碼者間一致性係數）。
• 研究倫理：實施前取得選課師資生同意，告知資料匿名處理；尊重意願，明示同意與否絕不影響成績，可隨時溝通調整或終止參與；不同意參與者的學習資料不列入結果分析。
• AI 使用揭露：報告末附註說明筆者同步與 ChatGPT 4.0 及 5.0 討論、比對提問策略與互動主從性，AI 主要功能為輔助確認內容分析的適切性並提供修正建議，筆者對協思後產生的內容負責，確保無造假、變造、抄襲等不當行為。

研究流程（表格）

條列式研究流程

1. Step 1：諮詢學者專家並建構自定義 GPT 原型，完成系統思考知識庫建置與原型測試調整。
2. Step 2：向師資生說明研究、取得知情同意，並完成 ChatGPT 使用經驗、專業認同與系統思考的前測與訪談。
3. Step 3：進入校準階段，透過專業素養與轉型案例研究打底，實施第一次真實議題研討「網路成癮」，全程不使用 ChatGPT 以建立基線。
4. Step 4：進入提升階段，教授系統思考習慣與 Kumu 系統圖工具，並在第二次議題研討「AI 雲端情人」導入蘇格拉底 1.0 進行 Human+AI 協作。
5. Step 5：於第三次議題研討「美感教育」引導師資生主動優化提示，並將 GPT 升級為蘇格拉底 2.0「協作教練」，共構最佳協作模式。
6. Step 6：進入活化階段，以五週集思集智社群完成 12 個教師專業發展微型專案，由師資生自行決定是否使用人機協作，並邀請專家教師協同指導。
7. Step 7：以策展說故事統整專案歷程，於協作平台彙整 e-Portfolio，並實施檔案評量、專業發展檢核與系統思考的專家評／自評／同儕互評。
8. Step 8：實施後測與焦點訪談、課後專家諮詢，檢討人機協作模式對個別化學習與系統思考的支持成效。
9. Step 9：依質性編碼程序與量化差異分析整合資料，對照三階段系統圖與前後測結果，形成結論與建議，並規劃 6 個月後追蹤問卷。

研究議題與討論重點收斂

議題一　兩代自定義 GPT 的迭代：從「連續提問者」到「協作教練」

發現摘要：蘇格拉底 1.0 以連續提問引導系統思考（提示要求逐一提出深入的反思性問題，連續五輪問答後繪製簡明的系統思考圖）；蘇格拉底 2.0 進一步定位為「AI 協作教練」，以七項策略回應—主動提問了解背景後再建議、教使用者寫更好的提示、主動索取可深化回應的資訊、以角色扮演練習困難對話、接手最困擾或費時的工作、鼓勵帶入個人經驗或情感視角、提供大量多樣化的選項而不滿足於第一個答案。師資生的版本差異回饋顯示：2.0 自適應／語意理解／層次化 20%（3 人）、2.0 記憶／延續脈絡 13%（2 人）、2.0 持續引導不直接給答案 26%（4 人）。兩代優弱點各異：1.0 有助於系統思考與更廣博的探究，但問題可能略大、回覆需較大篇幅；2.0 有助於創新實踐的設計與共同思考如何解決問題，但有時會一次問一連串問題。

作者詮釋：GPT 的角色設定必須隨教學階段轉換—議題思辨期需要「持續追問」，方案設計期則需要「協作教練」的聚斂與策略提示。作者並提出未來 Prompt 可加入限制（如「一次只問我最關鍵的 2 子題、逐題呈現、等待回覆再追問」、「請先提供多視角或挑戰→再透過提問釐清概念→最後協助聚斂成 3–5 點」），以避免過度追問限制主體性、降低認知負荷。與文獻的對話：此設計直接承襲 Khanmigo 的蘇格拉底式提示與 Korzynski 等（2023）、Mohammad 等（2023）的提示策略清單；而「一次問一連串問題造成負擔」的發現，則對 Lee 等（2023）樂觀強調 GAI「促進多元思考」的主張構成補充與節制條件。

議題二　人機協作的主從性：主動性分數與個體差異

發現摘要：反覆閱讀對話文本可區分「學生主導」（較多）、「協作平衡」（其次）、「AI 主導」（較少）三類；以四項證據指標加權計算主動性分數，並以 ChatGPT 5.0 Thinking 依規準分析，結果為學生主導 57.8%、協作平衡 31.6%、AI 主導 10.5%，與研究者人工分類結果相符。師資生結合 ChatGPT 進行議題探究的方式以「提問／蘇格拉底引導」啟動（45.8%）為最多，其次為資料蒐集／彙整／摘要（25.0%）、聚焦／結構化（16.7%）、方案設計（12.5%）與尋求思考的挑戰（4.2%）。

作者詮釋：學生主導性高的對話較目標導向、對問題的思辨有預設藍圖，但有時會忽略 GPT 的提問而中斷議題討論；協作平衡的對話則可見觀點逐漸深化、主理性與開放性兼具，呈現「從工具到協思」的轉化。下學期 2.0 加入後協作平衡人數增加，作者推論與 2.0 有助於議題聚斂與形成可行方案有關。因此，是否有明確的問題意識、以及與 AI 開放探究的包容度，構成個體差異的關鍵；主導性高者若能稍停反思 GPT 的提問，可能有不同收穫。

議題三　ChatGPT 在議題研討中的角色與個別化學習支持路徑

發現摘要：師資生曾請 AI 協助的工作依比例為—協助聚焦、整合觀點 79.2%（19 次，最高）、提出不同觀點或挑戰問題 70.8%（17 次）、請 AI 解說 54.2%（13 次）、提供回饋 50.0%（12 次）、鼓勵 AI 多問 25%（6 次）、其他 8.3%（2 次）；最常見的複選組合為「不同觀點／挑戰 × 整合」14 次、「解說 × 整合」13 次、「整合 × 回饋」9 次、「解說 × 不同觀點／挑戰」9 次。對 GPT 主動提問機制的體驗以正向（54.2%）與有條件肯定（16.7%）為主，效益以激發新點子（20.8%）與聚焦／釐清問題（20.8%）居多，其次為釐清系統因素與關聯（8.2%）、提升討論動機與信心（4.2%）、加深對原因的理解（4.2%）；缺點方面上學期有一人表示提問過多／節奏不合（4.2%）。對話文本顯示議題研討的「起—承—轉—合」為：擴展可探討的子題（想法擴展者）→系列提問提升深度（延伸提問／挑戰者）→彙整觀點引導創新實踐（聚焦整合與行動促進者）。

作者詮釋：據此歸納出「擴散—交互澄清—聚斂」的人機協作深化議題思考模式，2.0 的提問層次與策略更有助於鞏固此歷程。「鼓勵 AI 多問」比例偏低（25%）被解讀為：在已具穩定提問框架的自定義 GPT 情境下，學習者更重視提問互動是否深化理解，而非提問量的多寡；「回饋」僅中度運用（50%）則顯示師資生會評估回饋是否合宜真確，但不太主動指示 AI 扮演特定回饋角色（如諍友），提示策略仍有進步空間。作者強調教師仍須適時介入，提醒資訊時效與真偽，並以 KBC（Know-Build-Critique）原則把關查核，與 Lee et al.（2023）的主張一致。

議題四　「知道風險」與「落實治理」的落差

發現摘要：師資生所提生成式 AI 的正面影響以效率／省時／自動化 36.0%（9/25）最多，其次為取得資訊／視野擴展（20.0%）、寫作／語言支援（12.0%）、個別化學習／自學支援（8.0%）、數位能力提升（8.0%）、即時回饋／解說（4.0%）、提升動機／信心／參與度（4.0%）；負面影響則以依賴／偷懶／思考弱化 44.0%最高，其次為資訊錯誤／過時／偏見（12.0%）與抄襲（12.0%）。然而，當被問到「身為未來老師，如何善用生成式 AI」時，師資生的回覆幾乎未主動提到指導與落實資料查證、AI 倫理或學習歷程的評量。

作者詮釋：師資生對 AI 優勢的初期認知集中於「工具與提升效率」，近半數擔心資訊品質與學術誠信，顯示「知道風險」與「落實治理」之間可能存有落差。多數師資生對 AI 帶來的改變持正向態度但強調需妥善治理，少數深感憂心；其因應主張包括教育學生自我監控與反思、運用 AI 發展能力而非僅代工、設計並測試不同學習目標的協作模式（如 1.0、2.0）、使用者分級與 AI 後端適當設限、落實數位素養教育。此發現與 Loos et al.（2023）「須優先發展學生數位素養與批判思考」的主張一致；但相對於 Korzynski 等（2023）將提示工程視為可習得的新數位能力之樂觀期待，本研究發現大多數師資生尚未穩定地主動優化提示系統，形成落差。

議題五　三階段對照下的系統思考成長與統計證據

發現摘要：透過「Human→Human+AI→優化 Human+AI」三階段真實議題研討的前中後系統圖對照，師資生在延伸思考、多元觀點及因果脈絡等層面隨 AI 導入而有所進步。問卷前後測顯示系統思考後測提升 Z=-3.17, p<.01；教師專業認同之提早定向傾向降低 Z=-2.42, p<.05、朝定向成功發展 Z=-3.23, p<.01。系統思考評量各組專家評量平均在 6–7.5、學生自評平均 6.8–7.7、同儕互評平均 7.3–8.5。學生教學評量課程平均值 113-1 為 4.89、113-2 為 4.8，皆高於聘任系所、學院與全校平均。

作者詮釋：期初師資生多將 ChatGPT 作為查詢與文書工具尋求速效；經與 1.0／2.0 協作後，AI 扮演促進對話、啟發反思、延伸觀點、澄清概念與個別化支持等多重角色，師資生意識到 AI 不只是工具，更可以是協思夥伴、心智教練甚至智囊團，人機應共同進化。作者也自我節制地指出：師資生對議題的理解面向較以往廣，但因關照面廣、探究時間有限，發展解決策略時仍需再聚焦，才能「釐清問題的癥結點，找出轉型的槓桿點」；未來改良 GPT 時應加入請 AI 協助評估「此解決方案若實踐，現有系統可能發生什麼變化？」以後設思考角度協助檢視。

議題六　「替代」而非「增能」：AI 是否擴大實質學力落差

發現摘要：師資生 A07 以自身教高職生的經驗指出，原本不擅寫作者使用生成式 AI 後專題「變得更好閱讀且更有深度」，對低知識儲備者利大於弊；但一味相信或使用也會使腦袋退化，因為 AI「就算接受到破碎的文字，也可以好好的轉變成通順的文章」。研究另發現師資生的閱讀與表達、批判與鑑賞能力，與其所下的提示及協作獲益關係密切；師資生亦頗看重並倚重 AI 協助整合資訊。

作者詮釋：呼應 Noy & Zhang（2023）在專業寫作任務中的發現—ChatGPT 顯著提升生產力與品質、尤其幫助能力較弱者並縮小表現差距，但效益主要來自「替代」而非「增能」，個體未獲增能，長期是否擴大實質學習落差仍需觀察；並與 Stadler 等（2024）「使用 LLM 相較於使用 Google 認知負荷較低，但也較少批判與多層次推理」的警訊一致。作者因此主張穩固學習者基礎素養至關重要，教師的關鍵角色在設計任務、調節 AI 參與的時機與程度、設計提示系統、校準對話模式以確保與學習目標一致、即時修正以確保品質，並更重視歷程性評量；並在教學中明確提醒學生反思「你（們）如何與 AI 人機協作？你（們）思考了甚麼？」

未來研究缺口

作者明示的建議與待探究之處

• （一）持續檢驗並優化 AI 人機協作在教育議題研討的應用模型。
• （二）應用生成式人工智能輔助個別化學習，促進學習的主體性。
• （三）探究與 AI 人機協作提升數位素養的方法與策略。
• （四）培育未來教師 AI 時代所需的關鍵素養，如高層思考、閱讀理解及溝通表達等。
• 提示系統的具體優化方向：加入節奏限制（如一次只問最關鍵的 2 子題、逐題呈現、等待回覆再追問；先多視角或挑戰→提問釐清概念→聚斂成 3–5 點），以避免 AI 過度追問或限制主體性、降低認知負荷。
• 加入後設評估提示：請 AI 協助評估「此解決方案若實踐，現有系統可能發生什麼變化？」以檢視是否釐清問題癥結點、找出轉型的槓桿點。
• 成效仍有進步空間：各組系統思考的專家評量平均僅在 6–7.5 之間，作者明言「未來仍需持續精進」；師資生在發展問題解決策略時仍需再聚焦。
• 核心待答問題：「AI 時代下的關鍵素養有哪些呢？如何培育？值得進一步探究。」並指出 AI 技術是否擴大實質學力落差，長期影響仍需觀察。
• 未完成的追蹤資料：研究工具已規劃「6 個月後追蹤問卷」，惟本報告中並未呈現其結果。
• 治理落差的後續研究需求：師資生知道生成式 AI 的潛力與風險，但是否「落實治理」仍有待商榷；使用 AI 時如何善用提示系統優化人機協作，尚有進步空間。作者建議未來依 Korzynski 等（2023）的「提示工程與數位素養對照」架構（原文表 8），透過開發自定義 GPT 的實作探究同步培養兩者。

值得引用的段落句子

本文原文為中文，故「原文句子」欄照錄中文原句，「中譯／語意重述」欄提供便於引用時改寫的精簡表述。出處採論文印刷頁碼（該報告內頁頁碼）。

值得延伸閱讀的論文

以下 10 篇均出自本報告「參考文獻」中實際存在的條目，依 APA 7 格式重整。

1. Lee, A. V. Y., Tan, S. C., & Teo, C. L. (2023). Designs and practices using generative AI for sustainable student discourse and knowledge creation. Smart Learning Environments, 10(1), 59. https://doi.org/10.1186/s40561-023-00279-1
   為何值得讀：提供以知識建構論為基礎的生成式 AI 教學設計原則，並提出 Know-Build-Critique（KBC）三原則作為教師把關的實用框架。
   與本論文的關係：本研究 AI 角色分類（總結、整合外部觀點、提出改進建議）與教師查核原則直接引用此文，是最核心的設計依據之一。
2. Sharma, A., Lin, I. W., Miner, A. S., Atkins, D. C., & Althoff, T. (2023). Human–AI collaboration enables more empathic conversations in text-based peer-to-peer mental health support. Nature Machine Intelligence, 5(1), 46–57. https://doi.org/10.1038/s42256-022-00593-2
   為何值得讀：以隨機對照試驗嚴謹檢驗人機協作對對話品質（同理心）的因果效果，並示範質量並重的分析策略。
   與本論文的關係：本研究明言此文「詳細分析質性與量化資料，十分難得，可供本計畫研究設計參考」，是方法論上的標竿文獻。
3. Korzynski, P., Mazurek, G., Krzypkowska, P., & Kurasinski, A. (2023). Artificial intelligence prompt engineering as a new digital competence: Analysis of generative AI technologies such as ChatGPT. Entrepreneurial Business and Economics Review, 11(3), 25–37. https://doi.org/10.15678/EBER.2023.110302
   為何值得讀：將提示工程明確定位為一種新的數位能力，並提出提示結構（脈絡、任務、資訊、格式）與數位素養的對照架構。
   與本論文的關係：本研究的提示策略清單與最終建議的師培架構（原文表 8）皆源自此文，是貫串文獻探討與結論的理論支柱。
4. Stadler, M., Bannert, M., & Sailer, M. (2024). Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry. Computers in Human Behavior, 160, 108386. https://doi.org/10.1016/j.chb.2024.108386
   為何值得讀：以實證比較 LLM 與搜尋引擎的學習歷程，指出認知負荷降低同時伴隨批判與多層次推理減少的代價。
   與本論文的關係：本研究引為「值得警惕」的反證，用以支持教學中須明確要求學生反思協作歷程的主張。
5. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
   為何值得讀：以實驗證據說明生成式 AI 提升寫作生產力與品質、尤其幫助能力較弱者，但效益偏向「替代」而非「增能」。
   與本論文的關係：本研究以此文與師資生 A07 的教學觀察互證，形成「AI 是否擴大實質學力落差」的核心討論議題。
6. Stojanov, A. (2023). Learning with ChatGPT 3.5 as a more knowledgeable other: An autoethnographic study. International Journal of Educational Technology in Higher Education, 20(1), 1–17. https://doi.org/10.1186/s41239-023-00404-7
   為何值得讀：以自我民族誌結合 Vygotsky 社會文化理論，論證 ChatGPT 可作為「更有知識的他者」（MKO）提供鷹架，同時揭露其回應膚淺的風險。
   與本論文的關係：為本研究將 GPT 定位為協思夥伴與心智教練提供理論依據，也支撐「需批判性參與」的立場。
7. Loos, E., Gröpler, J., & Goudeau, M.-L. S. (2023). Using ChatGPT in education: Human reflection on ChatGPT's self-reflection. Societies, 13(8), 196. https://doi.org/10.3390/soc13080196
   為何值得讀：以與 ChatGPT 共同進行 SWOT 分析的創新方式檢視其教育優勢與威脅，並強調數位素養與批判思考的優先性。
   與本論文的關係：本研究於文獻探討與結論兩處引用，作為「人類教師仍是重要的」與「素養優先」主張的支撐。
8. Dolansky, M. A., Moore, S. M., Palmieri, P. A., & Singh, M. K. (2020). Development and validation of the Systems Thinking Scale. Journal of General Internal Medicine, 35(8), 2314–2320. https://doi.org/10.1007/s11606-020-05830-1
   為何值得讀：提供經信效度驗證的系統思考量表，是量化測量系統思考的可用工具。
   與本論文的關係：本研究前後測所採用的系統思考量表即出自此文，欲複製或延伸本研究成效測量者必讀。
9. Lee, U., Sohn, Y., Kim, H., Jung, H., Jeon, Y., Hwang, W., & Moon, J. (2023). Few-shot is enough: Exploring ChatGPT prompt engineering method for automatic question generation in English education. Education and Information Technologies. https://doi.org/10.1007/s10639-023-12249-8
   為何值得讀：具體示範少樣本學習（few-shot）在教育情境自動生成問題的效果，是提示策略的可操作範例。
   與本論文的關係：本研究發現師資生僅有單例嘗試少樣本學習且「尚未達到 few-shot 作用」，此文可作為補強該策略教學的參照。
10. Javaid, M., Haleem, A., Singh, R. P., Khan, S., & Khan, I. H. (2023). Unlocking the opportunities through ChatGPT tool towards ameliorating the education system. BenchCouncil Transactions on Benchmarks, Standards & Evaluations, 3(2), 1–12. https://doi.org/10.1016/j.tbench.2023.100115
    為何值得讀：系統性引介 27 種教育現場的 ChatGPT 應用，並整理需預防的問題，適合作為應用面的全景地圖。
    與本論文的關係：本研究歸納 ChatGPT 七至八項教育功能與應留意問題時的主要來源文獻。