生成式 AI 融入探究式學習對程式設計學習成效之影響：以國二 Python 課程為例

論文基本資訊

精簡摘要與研究框架

本研究針對國中生學習程式語言時普遍遭遇的語法錯誤、概念誤解與缺乏規劃／除錯策略等困難，提出將生成式人工智慧（Generative Artificial Intelligence, GAI）作為教學輔助工具，並結合探究式學習（Inquiry-Based Learning, IBL）之 POEE 架構的教學方案。研究者以 Google Gemini 為 AI 輔助工具，將「預測（Predict）、觀察（Observe）、解釋（Explain）、評估（Evaluate）」四步驟融入變數、條件判斷、迴圈等 Python 基礎概念的教學，使學生在固定架構下與 GAI 對話並取得協助。研究採前實驗設計之單組前後測，對象為新北市某完全中學一個班級共 40 位八年級學生，實施 5 週 10 堂課程，課前與課後分別施測「Python 學習成就測驗」與「高階思維能力量表」，並以 SPSS 25 進行相依樣本 t 檢定。文中明載「目前研究資料尚在整理與分析中」，因此僅提出兩項預期結果：GAI 結合探究式學習能提升程式學習成效，並促進高階思維能力發展。本文性質接近研究計畫／進行中研究之階段性報告，尚無實證數據。

研究框架

自變項為教學處理，即「探究式學習（POEE）＋生成式 AI（Gemini）融入之 Python 教學方案」，為單一組別於前後測之間所接受的介入，無對照組。

依變項有二：其一為 Python 程式學習成效，以陳慧珊（2024）編製之 10 題 Python 測驗卷測得；其二為高階思維能力，以李品慧、黃悅民（2024）改編自 Chai、Deng（2015）之量表測得，內含創造力、問題解決能力與批判性思考能力三個面向。

兩者的關係以「時間（前測／後測）」作為受試者內因子檢驗，統計檢定為相依樣本 t 檢定，判準為前後測差異是否達顯著提升。

POEE 四步驟在框架中扮演「教學機制」角色，其中「評估（Evaluate）」被視為 GAI 得以嵌入的關鍵接點，用以提供即時回饋、彌補教師與同儕支持之不足（Al Mamun & Lawrie, 2022）。

本研究未設定中介或調節變項，亦未納入共變數（如前測成績、學習動機、AI 使用經驗）之控制設計，屬單因子受試者內之單純前後比較。

研究動機與研究目的

研究動機

• 程式教育的政策重要性持續攀升：近 30 個國家（含英、美、法、韓等）已制定程式教育相關政策（施又瑀，2018；蔡進雄，2019），我國 108 課綱亦將程式教育與運算思維納入資訊課程，凸顯此議題的國際共通性。
• 初學者面臨三類知識障礙：學生常出現語法錯誤、邏輯概念誤解，以及缺乏規劃與除錯策略（Qian & Lehman, 2017），這些困難導致學習挫折並直接影響學習成效。
• 「一對多」教學場域難以個別化：教師在班級教學中難以即時提供個別化指導，初學階段學習需求差異大，教學資源配置面臨挑戰，形成教師負擔與學生等待之雙重問題。
• 既有研究的不足之處：文獻雖已證實 GAI 能提供即時回饋與差異化支持（Yilmaz & Yilmaz, 2023；Surameery & Shakor, 2023；Sun et al., 2024；Cooper, 2023），但多聚焦工具效果本身，缺少「將 GAI 系統性嵌入一套可操作的探究式教學架構」的方案設計；同時探究式學習架構本身持續演化（POE → POQE → POED → POEE），POEE 新增之「評估」步驟正與 GAI 的即時回饋能力互補，此結合尚待實證檢驗。

研究目的（保留原文編號）

1. 設計一套結合探究式學習並將生成式 AI 導入程式教學的教學方案
2. 探討學生透過此教學方案對學生學習程式語言學習成效之影響
3. 探討學生透過此教學方案對學生高階思維能力之影響

文獻探討大綱

以下依原文「貳、文獻探討」之章節層級重建，並補入「壹、前言」中承擔背景論證的段落。括號內為該主題在全文論證鏈中的角色。

• 壹、前言（問題化與缺口宣告）
  • 程式教育的全球政策地位（施又瑀，2018；蔡進雄，2019）——建立議題正當性，說明研究對象並非邊緣課題。
  • 初學者的三重挑戰與教師個別化指導的限制（Qian & Lehman, 2017）——把「學習困難」轉譯為可由工具介入的問題。
  • GAI 發展脈絡與教育政策支持（Hu, 2023；教育部《AI 教育 × 教育 AI》）——說明介入工具的可得性與制度合法性。
  • IBL 之 POEE 四步驟與其在程式教學的效果（Al Mamun, Lawrie & Wright, 2020；Urdanivia Alarcon et al., 2023；Antonio & Prudente, 2024；林菁，2018；時文中等，2022）——提供教學策略端的理論支撐，導出本研究的結合式模式。
• 貳之一、程式教育
  • （一）程式教育的重要性
    • 運算思維（Computational Thinking, CT）為程式教育核心：Wing（2006）主張 CT 是一種以電腦科學家方式進行問題解決與系統性推理的認知過程，是可轉移的思考技能——奠定「程式教育＞程式編寫技巧」的價值論述。核心理論：Computational Thinking
    • 資訊社會的公民能力：Koyuncu & Koyuncu（2019）指出現代公民需具備使用並生產資訊的能力，程式設計是培養此能力的關鍵工具——將 CT 連結到 21 世紀關鍵技能的政策語彙。
    • CT 的操作化框架一：Brennan & Resnick（2012）之運算概念／運算實踐／運算視角三向度——說明程式學習涵蓋知識、實作與價值觀三個層面。核心模型：CT 三向度
    • CT 的操作化框架二：Anderson（2016）之分解問題、模式識別、抽象化、演算法設計、解法評估五步驟——為後文「高階思維能力」依變項提供概念鋪路。
  • （二）程式教育面臨的挑戰
    • 總框架：Qian & Lehman（2017）將新手困難歸為語法知識、概念知識、策略知識三類——本節的組織骨架，也是後續 GAI 功能對位的依據。核心框架：三類知識誤解
    • 語法知識：括號／方括號／引號不符為最常見錯誤（Altadmri & Brown, 2015）；未預先設定變數、遺漏分號、混淆賦值與比較運算子（Jackson et al., 2005）——證明語法困難具大規模數據基礎。
    • 概念知識：對程式術語的誤解構成學習障礙（Bayman & Mayer, 1983；Canas et al., 1994）；學生誤認 if 與 else 區塊皆會執行（Sirkiä, 2012）；無法理解迴圈重複範圍與執行次數（Sleeman et al., 1986）；依熟悉度而非問題適配性選擇 for／while（Qian & Lehman, 2017）——指出困難不只在表面語法。
    • 策略知識：包含規劃、撰寫與除錯（McGill & Volet, 1997）；難以拆解任務（Muller, 2005；Robins et al., 2006）、無法正確合併程式區塊（de Raadt, 2008）、缺乏整體理解以定位錯誤（McCauley et al., 2008）——建立除錯輔助之需求。
    • 解方鋪陳：良好範例可協助理解程式碼（Fleury, 1991）；即時個人化回饋可預防性提示錯誤並強化學習體驗（De-La-Fuente-Valentín et al., 2013）——作者明白指出「這些都是生成式 AI 可以協助完成的工作」，完成從問題到工具的推論。
• 貳之二、探究式學習
  • （一）何謂探究式學習
    • 定義與哲學基礎：IBL 為以學生為中心、源自建構主義（Constructivism）的教學方法，學生透過解釋、預測與實驗自行提問並做決定（Urdanivia Alarcon et al., 2023）——確立教學取向的認識論立場。核心理論：建構主義／IBL
    • 架構演化史：POE（White & Gunstone, 1992）→ POQE 加入評量 Quiz（Hong, 2019）→ POED 加入實作 Do（Chen, 2022）→ POEE 加入評估 Evaluate（Al Mamun & Lawrie, 2022）——以「架構並非固定」的論證，為選用 POEE 取得正當性。核心模型：POE／POQE／POED／POEE
  • （二）探究式學習與 POEE 架構如何融入 AI 幫助學生學習程式
    • 理由一，教學法層面：程式教育應避免傳統講述式教學以免思考僵化，改採探究式可提升程式知識與高階思維能力（邱柏升、鍾華栩，2021）；探究式可有效提升程式學習成效，並透過提問與提示減少挫折感（時文中，2022）——支撐「為何用 IBL」。
    • 理由二，接合點層面：POEE 較 POE 多出的「評估」環節，其目的正是提供即時回饋並彌補教師與同儕支持不足（Al Mamun & Lawrie, 2022），而這恰為 GAI 的專長，如 Gemini 可就複雜程式概念提出詳細範例與說明（陳慧珊，2024）——支撐「為何用 POEE 而非其他變體」，是全文最關鍵的論證榫接。
• 貳之三、生成式 AI
  • （一）生成式 AI 在教育中的應用
    • 整體效果：ChatGPT 等 GAI 已被證明能提升學習效率、增強理解並改善學習體驗（Yilmaz & Yilmaz, 2023；Sun et al., 2024）——建立工具的效果前提。
    • 功能對位：程式碼建議、除錯輔助與即時反饋（Biswas, 2023；Surameery & Shakor, 2023）；提升運算思維、程式設計自我效能與學習動機（Yilmaz & Yilmaz, 2023）——逐一回應前節三類知識困難。
    • 學習型態轉變：即時互動降低對傳統指導的依賴，提升自主探索與學習動機、自信心（Sun et al., 2024）——連結至個別化學習的訴求。
  • （二）生成式 AI 在教育中需解決的問題
    • 準確性與可靠性：GAI 輸出並非總是正確，學生可能遇到不準確資訊、輸入輸出限制與技術穩定性問題（Sun et al., 2024）；表現依賴訓練資料品質，錯誤或偏見會影響除錯與解釋準確度（Surameery & Shakor, 2023）——提示教學設計需納入驗證機制。
    • 自主性與批判思考風險：學生在 GAI 輔助下花較少時間除錯、更頻繁依賴 AI 回饋，過度依賴可能削弱對程式邏輯與概念的理解（Sun et al., 2024）——構成本研究採用「固定探究架構」而非自由使用 AI 的理由。
    • 動機的雙面性：使用 GAI 者在運算思維與程式設計自我效能顯著較高（Yilmaz & Yilmaz, 2023），但過度依賴亦可能導致缺乏主動學習動力——說明教育者需規劃使用方式而非放任。

研究方法介紹

研究取徑

量化取徑。原文自述採「前實驗研究設計的單組前後測設計」（pre-experimental design, one-group pretest–posttest design），英文摘要作 one-group pretest–posttest experimental design。因僅有單一班級、無對照組、未隨機分派，屬前實驗而非真實驗設計。

研究設計

• 受試者內單因子設計：同一組學生於介入前後各測一次，比較兩次測量之差異。
• 介入期程：5 週共 10 堂「以探究式學習結合生成式 AI 之 Python 教學」。
• 依變項二元化：同時測量認知成就（Python 學習成就測驗）與能力知覺（高階思維能力量表），對應研究目的 2 與 3。

研究對象與抽樣

• 對象：新北市某完全中學之其中一個班級，40 位八年級（國二）學生。
• 抽樣方式：以班級為單位之整班取樣，屬便利取樣性質（原文未使用「便利取樣」一詞，亦未說明班級的選取程序）。
• 資料矛盾提醒：中英文摘要與研究設計節均寫「新北市」（New Taipei City），但前言第三段寫「臺北市某完全中學」，兩處地點不一致，應以研究設計節之「新北市」為準並視為文字疏漏。

資料蒐集工具

• 探究式學習導入生成式 AI 之 Python 教學方案：將 POEE 四步驟融入 Python 教學，使學生在學習變數、條件判斷、迴圈等基礎知識時，有固定架構與步驟可正確地與 GAI 對話並獲得協助。（原文未明示各堂課單元對應、學習單內容或提示語範本。）
• Google Gemini：選用理由為陳慧珊（2024）指出 Gemini 相較於 ChatGPT，對程式設計概念與複雜結構的說明能提供更好的示範與解釋，有助學習者克服學習障礙。（原文未明示 Gemini 版本、使用帳號型態與使用時機控管方式。）
• Python 測驗卷：採用陳慧珊（2024）編製之測驗卷，題目出自翰林雲端命題大師，由系統區分難、中、易三級，取偏難 1 題、偏中 4 題、偏易 5 題，共 10 題；前後測調換題目順序，且不公布前測成績，以避免學生記憶題目與答案。
• 高階思維能力問卷：採用李品慧、黃悅民（2024）所使用之高階思維能力量表，該量表改編自 Chai、Deng（2015），擷取創造力、問題解決能力與批判性思考能力三構面並經翻譯編製。（原文未明示題數與 Likert 尺度點數。）

資料分析方法

• 以 SPSS 25 進行相依樣本 t 檢定（paired-samples t test），檢視學習成就與高階思維能力在此教學方案下是否顯著提升。
• （原文未明示）顯著水準、效果量指標（如 Cohen’s d）、常態性檢定或無母數替代方案、遺漏值處理。
• （原文未明示）任何實際統計結果：全文未報告前後測之 M、SD、t 值、p 值或效果量，僅陳述資料尚在整理分析中。

信效度處理

• 信度：僅就高階思維能力量表提及「在信度分析後得出，所有信度皆高於 0.7」，未標明係數類型（推定為 Cronbach’s α）與具體數值；Python 測驗卷未報告信度。
• 效度：兩項工具皆採「沿用既有研究工具」作為效度來源（陳慧珊，2024；李品慧、黃悅民，2024；量表源頭為 Chai、Deng, 2015），未另行進行專家效度或因素分析。
• 內部效度控制：僅以「前後測調換題序、不公布前測成績」降低測驗練習效應與記憶效應；未設對照組，故成熟、歷史、選樣等威脅未受控制。
• （原文未明示）研究倫理程序，如家長同意書、IRB 審查、資料匿名化措施。

研究流程（表格）

條列式研究流程

1. Step 1　界定程式教育中語法、概念與策略三類學習困難，並回顧 IBL 架構與 GAI 教育應用文獻以確立研究缺口與三項研究目的。
2. Step 2　設計將 POEE 四步驟融入 Python 基礎單元的教學方案，使學生有固定架構可正確地與生成式 AI 對話。
3. Step 3　選定 Google Gemini 為 AI 輔助工具，並採用既有之 Python 測驗卷（10 題）與高階思維能力量表作為測量工具。
4. Step 4　以新北市某完全中學一個班級 40 位國二學生為研究對象，採無對照組之單組設計。
5. Step 5　於課程實施前施予 Python 學習成就測驗與高階思維能力量表前測，並不公布前測成績。
6. Step 6　實施 5 週共 10 堂探究式學習結合生成式 AI 之 Python 教學課程。
7. Step 7　課程結束後以調換題序之同一測驗卷與量表進行後測。
8. Step 8　以 SPSS 25 執行相依樣本 t 檢定，檢驗學習成就與高階思維能力是否顯著提升。
9. Step 9　依研究假設提出預期結果，並就個人化 AI 家教、特殊教育應用及跨領域整合提出未來研究與教學建議。

研究議題與討論重點收斂

議題一：程式初學者的困難可拆為三類知識，且各有可對位的 AI 支援

發現摘要：本文接受 Qian & Lehman（2017）的三分法，並逐一以實證文獻填實——語法層最常見錯誤為括號、方括號或引號不符（Altadmri & Brown, 2015）；概念層典型迷思為誤認 if 與 else 區塊皆會執行（Sirkiä, 2012）、無法判斷迴圈重複範圍與執行次數（Sleeman et al., 1986）；策略層則表現為無法拆解任務（Muller, 2005；Robins et al., 2006）與難以定位錯誤（McCauley et al., 2008）。

作者詮釋：既有解方指向「良好範例」（Fleury, 1991）與「即時個人化回饋」（De-La-Fuente-Valentín et al., 2013），而這兩者「都是生成式 AI 可以協助完成的工作」，因此設計可導入 GAI 的教案本身即成為研究目的之一。與過往文獻一致：本文並未挑戰三類知識框架，而是把它當作工具功能對位表使用。

議題二：為何選 POEE 而非 POE、POQE 或 POED——「評估」是 AI 的嵌入接點

發現摘要：探究式學習架構並非固定，POE（White & Gunstone, 1992）之後陸續出現加入評量的 POQE（Hong, 2019）與加入實作的 POED（Chen, 2022）；本文選定 Al Mamun 與 Lawrie（2022）之 POEE，理由是其新增的「評估」環節目的正在於提供學生即時回饋並彌補教師與同學支持之不足，而這兩項恰是 GAI 的專長。

作者詮釋：POEE 與 GAI 的結合並非任意疊加，而是「教學架構的功能缺口」與「工具的功能優勢」在同一位置相接；作者並以 Gemini 能對複雜程式概念提出詳細範例與說明（陳慧珊，2024）作為工具端證據。此為本文最具原創性的論證，也是與 POQE／POED 路線分流之處。文獻引註出入：內文多次引用「Al Mamun 與 Lawrie（2022）」，但參考文獻僅列 Al Mamun, Lawrie & Wright（2020）之 Computers & Education 論文，年份與作者數不一致，引用時宜先行核對原始出處。

議題三：教師端的「一對多」困境與差異化教學負擔

發現摘要：本文指出教師在一對多教學場域難以及時提供個別化指導，初學者階段學習需求差異化明顯，教學資源配置面臨挑戰；GAI 的個別化回饋可減少教師「如打地鼠般，疲於奔命解決學生問題」的窘境。

作者詮釋：本研究的效益主張是雙向的——不僅提升學生學習品質，也減輕教師負擔。這一點呼應邱柏升、鍾華栩（2021）對講述式程式教學的批判，以及時文中（2022）關於探究式可透過提問與提示降低學習挫折感的發現。惟本研究的測量工具僅涵蓋學生端（成就測驗與高階思維量表），教師負擔並未納入任何測量，屬論述性主張而非可檢證之研究假設。

議題四：GAI 的效益與風險並存——本文如何處理這組張力

發現摘要：文獻一方面顯示使用 GAI 的學生在運算思維與程式設計自我效能上顯著優於未使用者（Yilmaz & Yilmaz, 2023）；另一方面 Sun et al.（2024）發現 GAI 輔助模式下學生花較少時間在除錯過程、更頻繁依賴 AI 回饋，可能降低獨立思考與問題解決能力，且 GAI 輸出的準確性受訓練資料品質影響（Surameery & Shakor, 2023）。

作者詮釋：本文明確承認此矛盾，並主張教育者應「適當規劃生成式 AI 的使用方式，確保其能夠輔助學習而非取代學生的思考過程」。POEE 的「預測—觀察—解釋」三步驟事實上構成一道防線：學生須先自行預測與解釋，AI 才在「評估」階段介入，此設計可視為對 Sun et al.（2024）依賴性警訊的方法論回應——雖然作者並未如此明說，此處為本報告之推論。與過往文獻的矛盾點：「較少除錯時間」在 Sun et al.（2024）中同時被解讀為效率提升與能力風險，本文採用其風險面詮釋，反映本研究對「學習歷程品質」而非單純「產出效率」的價值取捨。

議題五：測量取向的收斂——成就測驗＋高階思維量表的雙軌設計

發現摘要：本文以陳慧珊（2024）之 10 題 Python 測驗卷（偏難 1 題、偏中 4 題、偏易 5 題，取自翰林雲端命題大師）測認知成就，並以李品慧、黃悅民（2024）改編自 Chai、Deng（2015）之量表測創造力、問題解決與批判性思考三面向，信度皆高於 0.7。

作者詮釋：雙軌設計呼應文獻中「程式教育不只是技術操作」的立場（Wing, 2006；Brennan & Resnick, 2012；Anderson, 2016），也承接邱柏升、鍾華栩（2021）認為探究式可同時提升程式知識與高階思維的主張。需注意兩項工具的性質不同：前者為客觀成就測驗，後者為學生自陳量表，因此「高階思維能力提升」若成立，嚴格說是能力知覺（perceived ability）的提升而非直接的能力表現證據。

議題六：結果尚未產出——本文的討論仍停留在預期層次

發現摘要：第肆節「結果與討論」僅提出兩項預期：（1）探究式學習結合生成式 AI 能有效提升學生在程式學習上的學習成效；（2）能促進學生高階思維能力的發展。全文未報告任何 M、SD、t、p 或效果量。

作者詮釋：作者將本文定位為提供「未來程式教育教學設計的實證基礎」與「GAI 於教育情境中互動與協作應用的具體建議方向」，因此本文的可引用價值主要在於教學方案設計邏輯與文獻整合架構，而非成效證據。引用時應避免將其預期結果誤述為研究發現。

未來研究缺口

作者明示的限制與未來研究方向

本文未設「研究限制」專節；以下第 1 點為第肆節之明示狀態，第 2 至 5 點出自「五、未來展望」。

• 研究資料尚在整理與分析中，結果與討論僅為依研究假設所提出的預期，實證結論待後續補足。
• 可進一步開發個性化的 AI 家教，以因應學生不同的學習風格與需求，提升學習成效。
• 可將此模式應用於特殊教育領域，協助學習有困難或需要額外支持的學生發展程式設計能力。
• 隨 GAI 技術進步，其在教學過程中的互動性、回饋即時性與問題解決引導功能將更精緻，有助培養高階思維與自主學習能力，值得持續探究。
• 可透過跨領域合作（教育學、人工智慧、認知科學之整合），推動探究式學習與 AI 輔助教學模式的創新。
• 文獻探討亦指出，GAI 在教育應用上仍需處理輸出準確性、學習自主性、與傳統學習工具的整合，以及學習動機變化等議題（Sun et al., 2024；Surameery & Shakor, 2023；Yilmaz & Yilmaz, 2023），可視為後續研究的待答方向。

值得引用的段落句子

本文為中文論文，故「原文句子」欄照錄中文原句；「中譯」欄改以白話重述／英文對應要義呈現，便於改寫引用。全文未見印刷頁碼，出處統一標為 PDF 頁次。

值得延伸閱讀的論文

以下 10 筆皆取自本文參考文獻清單中實際存在之條目，書目依 APA 第 7 版格式重排（原文部分條目缺 DOI 或頁碼者不予補寫）。

1. Qian, Y., & Lehman, J. (2017). Students’ misconceptions and other difficulties in introductory programming: A literature review. ACM Transactions on Computing Education, 18(1), 1–24.
   為何值得讀：以文獻回顧方式系統整理初學者的語法、概念與策略三類困難，是程式教育困難研究最常被引用的分類框架。
   與本論文的關係：本文的問題界定與 GAI 功能對位表完全建立在此三分法之上，是理解本研究缺口的第一順位文獻。
2. Al Mamun, M. A., Lawrie, G., & Wright, T. (2020). Instructional design of scaffolded online learning modules for self-directed and inquiry-based learning environments. Computers & Education, 144, 103695.
   為何值得讀：提出線上探究式學習模組的鷹架化教學設計原則，說明自主學習環境中支持結構應如何配置。
   與本論文的關係：本文內文所引「Al Mamun 與 Lawrie（2022）之 POEE 架構」在參考文獻中僅對應此筆 2020 年著作，欲確認 POEE 的原始定義與「評估」步驟功能，須從此文入手（並留意年份引註出入）。
3. Yilmaz, R., & Yilmaz, F. G. K. (2023). Augmented intelligence in programming learning: Examining student views on the use of ChatGPT for programming learning. Computers in Human Behavior: Artificial Humans, 1(2), 100005.
   為何值得讀：直接檢驗 GAI 對程式學習者運算思維、程式設計自我效能與動機的影響，並蒐集學生觀點。
   與本論文的關係：本文據此主張 GAI 可提升學習成效與動機，是支撐研究假設（1）的主要外部證據。
4. Sun, D., Boudouaia, A., Zhu, C., & Li, Y. (2024). Would ChatGPT-facilitated programming mode impact college students’ programming behaviors, performances, and perceptions? An empirical study. International Journal of Educational Technology in Higher Education, 21(1), 14.
   為何值得讀：同時檢視 GAI 輔助程式學習的行為、表現與知覺三層面，並指出學生除錯時間縮短與依賴度上升的現象。
   與本論文的關係：本文「生成式 AI 在教育中需解決的問題」一節主要引據此文，是理解本研究為何需以固定探究架構節制 AI 使用的關鍵文獻。
5. Surameery, N. M. S., & Shakor, M. Y. (2023). Use ChatGPT to solve programming bugs. International Journal of Information Technology and Computer Engineering, (31), 17–22.
   為何值得讀：聚焦 GAI 在除錯情境的實際效用與限制，並提醒其表現受訓練資料品質影響。
   與本論文的關係：對應本文所述「除錯是程式學習最具挑戰性部分」之論證，也是準確性風險論述的來源。
6. Brennan, K., & Resnick, M. (2012, April). New frameworks for studying and assessing the development of computational thinking. Paper presented at the 2012 Annual Meeting of the American Educational Research Association, Vancouver, Canada.
   為何值得讀：提出運算概念、運算實踐、運算視角三向度的運算思維評量框架，是 CT 評量設計的經典來源。
   與本論文的關係：本文以此界定程式學習涵蓋知識、實作與價值觀三層面，為雙軌測量（成就＋高階思維）提供概念基礎。
7. Chen, J. C. (2022). Developing a cycle-mode POED model and using scientific inquiry for a practice activity to improve students’ learning motivation, learning performance, and hands-on ability. Interactive Learning Environments, 30(7), 1252–1264.
   為何值得讀：完整示範一個 POE 變體（加入 Do）的設計與成效檢驗，含動機、成效與實作能力三項依變項。
   與本論文的關係：是本文論證「探究架構並非固定」時的對照案例，也是本研究若欲改採實作導向設計時最直接的參照。
8. Hong, J. C., Tsai, C. R., Hsiao, H. S., Chen, P. H., Chu, K. C., Gu, J., & Sitthiworachart, J. (2019). The effect of the “prediction-observation-quiz-explanation” inquiry-based e-learning model on flow experience in green energy learning. Computers & Education, 133, 127–138.
   為何值得讀：提出並實證 POQE 模型，展示在探究循環中加入即時評量對學習流暢經驗的作用。
   與本論文的關係：與 POEE 的「評估」步驟功能高度近似，可用以比較「Quiz」與「Evaluate」在回饋機制設計上的差異。
9. Antonio, R. P., & Prudente, M. S. (2024). Effects of inquiry-based approaches on students’ higher-order thinking skills in science: A meta-analysis. International Journal of Education in Mathematics, Science and Technology, 12(1), 251–281.
   為何值得讀：以後設分析彙整探究式教學對高階思維能力的效果量，提供跨研究的效果估計。
   與本論文的關係：本文研究目的 3（高階思維能力）的主要理論依據，也是後續解讀本研究效果量大小時的比較基準。
10. 陳慧珊（2024）。結合 ARCS 動機模型與 AI 生成工具以增進程式學習成就之研究——以國中 Python 課程為例（未出版之碩士論文）。國立雲林科技大學。
    為何值得讀：同為國中 Python 課程結合 AI 生成工具的研究，並提供 Gemini 與 ChatGPT 在程式概念說明上的比較。
    與本論文的關係：本文的 Python 測驗卷與 Gemini 選用理由皆直接沿用此論文，兩者構成「ARCS 取向」與「POEE 取向」的對照，是最直接的前導研究。