應用 AI 工具於數理資優學生之教學：從現場經驗的反思與建議

論文基本資訊

精簡摘要與研究框架

本文旨在探究數理資優學生運用生成式人工智慧（generative artificial intelligence, 以下簡稱 AI）工具進行學習的優點與缺點。作者的問題意識源於兩項觀察：一是資優生具備學習能力快速、理解力優異、樂於挑戰高難度教材等特質，理論上最能受益於生成式 AI 所提供的廣泛知識內容、即時回饋與歸納協助；二是作者以「AI 教學」為關鍵字檢索華藝線上圖書館與國家圖書館碩博士論文系統，截至 2025 年 4 月扣除重複篇名後僅得 43 篇相關文獻，且尚無任何一篇說明 AI 工具可如何運用於資優班。方法上，本文採文獻探討結合作者在臺北市國中數理資優班的教學現場經驗（含 2023 年八年級理化「濃度」單元的 ChatGPT 輔助自主學習，以及 2024 年 9 月教育部因材網「AI 學習夥伴 e 度」的跳階學習任務），分析資優生使用 AI 學習時的益處與困難。主要結論指出，AI 最大優點在於節省學習時間與促進自我學習；但 AI 回應深度不足、題目敘述不清、資訊來源不明與 AI 幻覺等問題，使自主學習仍無法完全仰賴 AI，作者據此提出個別化學習、批判思考訓練與理解 AI 限制三項策略。

研究框架

本文並非變項取向的實證研究，其論證架構為「三層遞進＋一組回饋」：第一層為技術與教育層，界定 AI 內涵（機器學習、深度學習、自然語言處理）及其在教育、醫療、交通等領域的應用，並定位教師角色由知識權威轉為自主學習引導者。

第二層為學習理論層，以自主學習（self-directed learning）與自我調節（self-regulated learning）為核心概念，接上臺灣 108 課綱核心素養之「自主行動」面向，論證自主學習能力與終身學習者養成之關聯（Tekkol & Demirel, 2018）、與學科自我效能及學習成效之關聯（廖智生，2022）。

第三層為資優教育應用層，以資優生特質（好奇心、創造力、豐富知識與推理能力；Rimm et al., 2018）與 Siegle（2023）對 ChatGPT 於資優教育角色的論述為基礎，檢視 AI 是否能回應資優生加深、加廣與高層思考的需求。

回饋機制則來自作者三個教學現場個案（小齊使用 BingAI、小郁使用 ChatGPT、小珍使用因材網 AI 學習夥伴 e 度），以學生反思與學習單記錄檢驗前三層的推論，並反向修正為第三章的三項教學策略建議。

此架構中可視為「自變項」者是 AI 工具導入方式與課程鷹架設計，「依變項」是資優生自主學習品質與高層思考表現，而批判思考能力與提問（下指令）能力被作者論述為關鍵的中介／調節條件。惟本文未進行任何統計檢定，上述對應僅為概念層次的整理。

研究動機與研究目的

研究動機

• 政策與現場的推力：臺灣在教育部推動「數位學習精進方案」政策下實踐「班班有網路、生生用平板」的自主學習課堂，為教師資訊應用於教學提供支撐（教育部，2022）；作者擔任數位學習輔導委員，經由到校訪視觀察，發現 ICT（information and communication technology, 簡稱 ICT）已應用於數理資優班的課堂活動。
• AI 對學習的四項正向影響：作者由課堂觀察歸納生成式 AI 可提高學習動機與興趣、促進自主學習（自行設計與執行實驗、經由嘗試錯誤調整修正）、提供個別化學習經驗（依個性化需求與學習風格推薦適性資源），以及有助學生面對未來挑戰與職涯成功。
• 明確的研究缺口：作者以「AI 教學」為關鍵字於華藝線上圖書館與國家圖書館碩博士論文系統檢索，截至 2025 年 4 月扣除重複篇名後，相關文章或論文合計 43 篇，且尚未有文章分享 AI 工具可於資優班如何運用。
• 資優生的特殊需求未被回應：資優生實為異質性群體，學習步調不盡相同，AI 是否能支援其特殊需求領域學習（特別是獨立研究課程）尚待檢視。

研究目的

作者於前言末段以敘述方式提出四項寫作任務（原文未以數字編號，以下依原文順序整理）：

1. 介紹 AI 在教育上的角色及其應用方式。
2. 說明 AI 對自主學習產生的影響。
3. 分享作者於數理資優班運用 AI 的教學經驗。
4. 藉由省思提供 AI 融入數理資優生學習的建議，以供教學實務老師運用 AI 工具進行教學時參考。

摘要另明示總體目的：「探究數理資優學生應用生成式 AI 工具進行學習之優點與缺點」，並探討「AI 如何提供資優生學習時的協助與帶來更深度之學習經驗」。本文未列出正式編號的研究問題或研究假設（原文未明示）。

文獻探討大綱

本文的文獻探討與論述主體交織於第一章至第三章，以下依原文章節層級整理，並標註各主題的論證角色與所引核心理論／模型。

一、前言

• （一）研究背景與動機
  • 政策脈絡：數位學習精進方案、班班有網路生生用平板（教育部，2022）—— 論證角色：建立 ICT 與 AI 進入資優課堂的制度性前提。
  • AI 對學習的四項影響：動機興趣、自主學習、個別化學習、未來職涯準備 —— 論證角色：預告全文的效益主張，作為後續逐一檢證的清單。
  • 文獻檢索結果：43 篇 AI 教學相關文獻、資優班應用缺席 —— 論證角色：確立研究缺口的正當性。

二、AI 在教育上的角色與應用

• （一）AI 在教育內涵與應用
  • 生成式 AI 技術定義：ChatGPT（Chat Generative Pre-trained Transformer）為自然語言處理工具，可生成文字、回答問題、撰寫摘要與郵件、生成詩歌故事笑話（OpenAI, 2023）—— 論證角色：界定研究對象的技術能力邊界。
  • AI 技術路徑：機器學習（machine learning）、深度學習（deep learning）、自然語言處理（natural language processing）（陳國益，2024）—— 論證角色：說明 AI「自主處理複雜任務」的機制來源。
  • 教師角色轉換：教師應轉為自主學習的引導者，並扮演資訊科技的使用者與評估者（黃冠達，2023）—— 論證角色：把技術議題轉譯為教師專業角色議題。
  • 批判性思考與交叉驗證：教師使用 ChatGPT 須保持批判性思考、引導學生理解其限制（高文忠，2023）—— 論證角色：為第三章「批判思考」策略埋下理論伏筆。
  • 數位原民與教師社群：學生自小為數位原民，教師須走在學生前面、組成社群學習 AI、指導學生辨識偽科學與假消息（陳國益，2024）—— 論證角色：主張教師不會被取代，而是關鍵角色。
  • 國際案例：哈佛大學 CS50 程式通識課的 ddb 人工智慧助教（2023 年 9 月）、可汗學院 Khanmigo 全科 AI 助教 —— 論證角色：以既有實作證明 AI 助教的可行性。
• （二）自主學習
  • 核心概念：自主學習（self-directed learning）—— 個體主動掌握學習過程，自我設定目標、規劃方案、選擇資源、評估成果並持續反思調整；強調主動性、責任感與學習動機 —— 論證角色：全文的核心理論支柱。
  • 自我調節（self-regulated learning）：自主學習意指在學習過程中應用自我調節的過程，達到自我期望目標的成就水準（Sitzmann & Ely, 2011）—— 論證角色：為自主學習提供心理歷程層次的定義。
  • 政策架構：108 課綱核心素養—— 自主行動、溝通互動、社會參與三大面向，最終培養以人為本的終生學習者；自主行動強調個人是學習的主體（教育部，2021）—— 論證角色：將自主學習與臺灣課程政策接軌。
  • 終身學習連結：學習者自主學習技巧與日後成為終身學習者間存在正相關（Tekkol & Demirel, 2018）—— 論證角色：提供自主學習長期價值的實證支持。
  • 學科成效連結：學生自主學習能力顯著預測其數學自我效能，並影響數學學習成效（廖智生，2022）—— 論證角色：把自主學習連到數理學科成效，貼合本文對象。
  • 教師角色定位：自主學習是讓學習者自行設立並執行教育計畫的方法，教師應為引導者、建議者或諮詢者（許大偉，2018）—— 論證角色：釐清 AI 與教師在自主學習中的分工。
  • 臺灣本土實證：花蓮縣志學國小（數學科五週自主學習、因材網資源、教師引導與小組合作）、南投縣溪南國小（影片預習＋課堂小組合作與展示報告，國語與社會科成效良好）、屏東縣長興國小（綜合活動領域以 VR 工具與數位輔具、培育數位學習平臺種子老師、與家長溝通）（楊語承等，2020）—— 論證角色：證明科技輔助自主學習在不同學校與學科皆能提升成效。
  • AI 於學術與學科的限制：ChatGPT 資料來源具體不明、無法直接處理研究者資料或進行統計分析，適合用於論文檢視與改進而非深入研究（陳冠名，2023）；基於 ChatGPT 的輔助學習系統雖能降低作文與劇本創作的訓練成本，但答案並非完全正確，對訓練思考力與問題解決能力不盡理想，需完善教學設計與充足學習鷹架（林彥宏，2023）；ChatGPT 輔助化學科自主學習能減少搜尋資料與翻閱書籍時間，但須先學會給予正確指令並對內容進行組織與區辨（吳宗遠，2023）；學生使用 AI 時須避免將學習簡化為以提示詞獲取正確答案（許惠美，2024）—— 論證角色：構成本文「效益與限制並存」的核心張力，並導向 AI 幻覺概念與批判思考訓練。
  • AI 作為教育奇異點：促進自主學習能力提升、教學資源運用更有效率，並提醒須辨識 AI 語言模型潛藏的偏見與刻板印象（陳佩英，2024）—— 論證角色：同時提供樂觀論據與倫理警示。
• （三）AI 運用於數理資優班之經驗分享
  • 資優生特質：學習能力快速，具好奇心、創造力、豐富知識與推理能力（Rimm et al., 2018）—— 論證角色：說明資優生為何特別適配生成式 AI。
  • 資優教育的 AI 角色：學生取得 AI 回應後可再以後續問題深入研究，有助產生更多想法，非常適合資優生；AI 亦可協助探索不同類型的創意實驗，擴展並加深教育機會，並為資優教育資源不足地區提供更多機會（Siegle, 2023）—— 論證角色：本文最直接的理論對話對象。
  • 三個教學案例：小齊（BingAI，深度不足而拒用）、小郁（ChatGPT，能列公式舉例與比較而願續用）、小珍（因材網 AI 學習夥伴 e 度，題意不清與無正確選項）—— 論證角色：以現場證據限縮前述樂觀主張。

三、AI 應用在數理資優生教學之可行方向與策略

• （一）AI 能提供學生個別化的學習經驗 —— 引 Helms（2013）科技輔助學習可有效提升學習動機、Tobin（2008）學生選擇文本是資優生的一種策略且為差異化方法 —— 論證角色：把個別化主張建立在既有科技與差異化教學文獻上。
• （二）強調批判思考在運用 AI 工具的重要性 —— 主張將批判思考教學融入課程、提供明確學習步驟與學習鷹架、納入 AI 幻覺概念 —— 論證角色：回應第二章所揭示的資訊可靠性風險。
• （三）了解生成式 AI 的限制 —— 主張指導學生先提供可靠資料給 AI，再以適當指令要求組織、歸納與整合，並採人機互動交互提問 —— 論證角色：將限制轉為具體操作原則。

四、結語

• 個人型助教策略：將單元內容濃縮為 500 至 1000 字短文提供 AI 作為先備知識，訓練 AI 成為熟悉該單元的個人型助教，學生可隨時透過平板等行動載具向 AI 助教發問，達到即時教學效果（陳國益，2024）。
• 教師角色的翻轉論述：生成式 AI 資訊並不完全可靠，此特性反可成為教師訓練學生批判性思考的利器，引導學生審視資料來源、比對教科書、探索個案論述背後的觀點與立場，辨識 AI 語言模型潛藏的偏見與刻板印象（陳佩英，2024）。

研究方法介紹

研究取徑

屬非實證的論述性文章，混合兩條材料線：其一為文獻探討（國內期刊文章、碩博士論文、國際期刊與專書），其二為第一作者身為臺北市國中數理資優班教師與數位學習輔導委員的教學現場經驗與教學省思（近似教師自我研究／實務反思書寫，但作者未以任何方法論名稱自我定位）。

文獻蒐集方式

• 檢索關鍵字：「AI 教學」。
• 資料庫：華藝線上圖書館、國家圖書館碩博士論文系統。
• 檢索截止時間：2025 年 4 月。
• 檢索結果：扣除重複篇名文章後，AI 教學相關文章或論文合計 43 篇；其中無任何一篇論及 AI 工具於資優班的運用方式。
• 納入／排除標準、篩選流程圖、雙人編碼與一致性檢核：（原文未明示）。實際引用於文中的參考文獻共 21 筆（中文 14 筆、英文 7 筆）。

教學現場經驗的對象

• 場域：臺北市國民中學數理資優班（第一作者任教班級）。
• 案例一：2023 年導入 AI 輔助自主學習，以國中八年級理化「濃度」單元引導學生應用 ChatGPT，並協助學生依自己的步調進行研究探索。文中具名（化名）呈現兩位學生：小齊（使用 BingAI）、小郁（使用 ChatGPT）。
• 案例二：2024 年 9 月教育部因材網數位學習平台「AI 學習夥伴 e 度」開放使用後，指導數理資優生以 AI-e 度作為學科領域學習夥伴，進行跳階學習其他階段的知識結點內容；文中具名（化名）呈現學生小珍。
• 參與人數（N）、班級數、性別、年級分布、實施總時數與抽樣方式：（原文未明示）。

資料蒐集工具

• 教學活動與學習單的規劃，讓學生檢視與 AI 對話的自主學習歷程。
• 學生對課程的省思與記錄（文中呈現學生是否願意再以 AI 作為學習夥伴的表述）。
• 作者的課堂觀察（含到校訪視觀察）。
• 正式問卷、量表、前後測、訪談大綱：（原文未明示）。

資料分析方法

採敘事式的經驗歸納與文獻對話：作者將學生於 AI 互動中的反應與反思，對照文獻所指出的 AI 優勢（節省時間、個別化、即時回饋、擴展學習情境）與限制（來源不明、答案不完全正確、缺乏整合詮釋、AI 幻覺），據此收斂出三項教學策略與結語建議。未使用主題分析、內容分析、紮根理論等具名質性分析程序，亦未報告編碼架構（原文未明示）。

信效度／嚴謹性處理

本文未報告任何信效度或可信性（trustworthiness）處理程序，例如三角驗證、成員檢核、同儕檢核、稽核軌跡、Cronbach's α 或研究倫理審查（IRB）與知情同意程序（原文未明示）。學生以化名（小齊、小郁、小珍）呈現，可視為隱私保護的實務作法，但作者未加以說明。

研究流程（表格）

條列式研究流程

1. Step 1　由數位學習政策與到校訪視觀察出發，形成「AI 進入數理資優課堂究竟帶來什麼」的問題意識。
2. Step 2　以「AI 教學」檢索兩大資料庫（截至 2025 年 4 月，43 篇），確認資優班 AI 應用的文獻缺口。
3. Step 3　界定生成式 AI 的技術內涵與教育功能，並整理國際 AI 助教案例與教師角色轉換論述。
4. Step 4　建立自主學習與自我調節的理論基礎，並接軌 108 課綱「自主行動」核心素養。
5. Step 5　盤點 ChatGPT 在學術寫作與學科學習上的既有限制，導出批判思考與精確指令為前提條件。
6. Step 6　於 2023 年在國中八年級理化「濃度」單元實施 ChatGPT 輔助自主學習，以學習單與省思記錄蒐集小齊、小郁兩案例。
7. Step 7　於 2024 年 9 月導入因材網「AI 學習夥伴 e 度」進行跳階學習任務，記錄其平行題與概念統整效益，以及小珍所發現的題目品質問題。
8. Step 8　將現場經驗與資優教育文獻（Siegle, 2023 等）對話，收斂為三項可行方向與策略。
9. Step 9　於結語提出「濃縮 500 至 1000 字先備知識短文訓練個人型 AI 助教」的操作建議，並重申教師作為批判思考引導者的角色。

研究議題與討論重點收斂

議題一：AI 最顯著的效益是省時與促進自我學習，而非取代思考

發現摘要：摘要明確指出「資優生在學習學科時，應用 AI 最大的優點是可以節省學習時間及幫助自我學習」；教學現場亦發現 AI 學習夥伴 e 度能提供相同概念的平行題並進行概念統整，在大部分學科學習領域上能滿足資優生加深、加廣的學習需求。

作者詮釋：AI 的價值定位在「節省搜尋與翻閱資料的時間」與「貼近自主化、個別化的學習步調」，屬於學習歷程的效率與彈性層面；作者刻意不將 AI 定位為知識正確性的來源。與文獻一致：與吳宗遠（2023）在化學科自主學習研究中「運用 AI 輔助學習確實能減少許多搜尋資料、翻閱書籍時間」的結論一致，亦與 Siegle（2023）主張 AI 可擴展與加深資優生教育機會相符。

議題二：資優生對 AI 的需求是「整合與詮釋」，資訊羅列不足以回應

發現摘要：小齊使用 BingAI 後發現其回應方式如一般搜尋引擎，僅列出名詞解釋與資料出處，反映深度不足，遂表示不會再以 AI 作為學習夥伴；小郁使用 ChatGPT 則發現其不僅回答名詞定義，還能列出計算公式、舉例說明，並依指令針對不同濃度表示法提供比較，因而願意再用。作者由此歸納：資優生對 AI 回應的需求「不僅僅止於資訊出處的提供，也包含對於訊息資料的整合與詮釋」，「如果僅僅只有資訊出處的羅列，無法回應資優生的學習需求」。

作者詮釋：AI 能否成為資優生的學習夥伴，取決於它是否支持比較、判斷與推論等高層認知活動；工具間的能力差異會直接決定學生的續用意願。與文獻對話：此發現具體化了 Rimm 等人（2018）所述資優生具豐富知識與推理能力的特質，也為 Siegle（2023）「以後續問題深入研究內容」的主張提供了現場條件——AI 必須先具備整合能力，追問才有意義。

議題三：AI 產出的題目與解釋仍需教師校正，自主學習無法完全仰賴 AI

發現摘要：學生小珍發現 AI 提供的練習題有時未能清楚說明題意，產生的題目有時還會出現無正確選項的選擇題；作者因而主張 AI 產出的題目與解釋需於課堂中討論或由教師協助校正，「在自主學習的運用時，尚無法完全仰賴 AI」，且「非完全由 AI 進行學習進度的規劃與控制」。

作者詮釋：AI 作為學習夥伴的優勢在於步調與風格的個別化調整，但回應資優生高層思考需求仍須依賴與資優班教師、同儕的對話；換言之，AI 補足的是「量與速度」，人際互動補足的是「深度與品質」。與文獻一致：呼應林彥宏（2023）指出 ChatGPT 融入教學仍需完善教學設計與充足學習鷹架，以及許惠美（2024）反對將學習簡化為以提示詞獲取正確答案的立場。

議題四：資訊可靠性與 AI 幻覺，使批判思考成為前置能力而非附加目標

發現摘要：作者引陳冠名（2023）指出 ChatGPT 雖有精確的資料來源但具體來源不明，與學術論文對參考資料的明確要求相違背，進而影響資料可靠性，且無法直接處理研究者蒐集的資料或進行統計分析；並主張學生應「視 ChatGPT 資訊為研究的線索訊息」，教師應在課程中介紹AI 幻覺的概念。結語處進一步指出，生成式 AI 很可能在許多正確資訊中夾雜一小部分錯誤資訊，「造成使用者難以分辨」。

作者詮釋：由於錯誤資訊被大量正確資訊包裹時更容易被接受，批判思考不是課程的加分項，而是使用 AI 的先決條件；唯有學生具備良好的批判思考能力，才能有效運用 AI 輔助自主學習。作者更提出一個翻轉式論點——AI 資訊的不可靠性本身，反而可作為訓練批判性思考的利器。與文獻一致：與高文忠（2023）強調交叉驗證、陳佩英（2024）提醒辨識 AI 語言模型偏見與刻板印象的立場一致。

議題五：教師角色從知識權威轉為引導者、校正者與批判思考訓練者

發現摘要：作者綜整黃冠達（2023）「教師應轉換角色成為自主學習的引導者」、許大偉（2018）「教師的角色應為引導者、建議者或諮詢者」與陳國益（2024）「教師要擔心的不是被取代，而是成為重要的關鍵角色」，並在結語提出具體操作：將單元內容濃縮為 500 至 1000 字短文提供 AI 作為先備知識，訓練 AI 成為熟悉該單元的個人型助教，學生可隨時透過平板等 ICT 工具向 AI 助教發問。

作者詮釋：教師的專業價值移轉至課程設計（提供明確學習步驟與學習鷹架）、資訊校正與批判思考教學三處；「訓練 AI」本身成為教師的新專業技能。這也將 AI 由不可控的通用工具，轉為受課程內容約束的個人型助教，藉此降低幻覺風險並達到即時教學效果。

議題六：資優教育的公平性潛能與現實限制之間的張力

發現摘要：作者主張 AI「不僅能擴展資優教育，也能協助資優教育資源較為不足的地區提供資優學生更多教育機會和選擇」，並以此為由認定「儘管 AI 在資訊的正確性與可靠性有其限制，但對滿足資優學生的學習需求來說，仍然是一個值得教師導入給學生運用的學習輔助工具」。

作者詮釋：這是全文的權衡判斷——以資源公平性的機會利益，抵銷資訊正確性的風險成本。內在張力：此主張與議題三的結論（AI 產出仍需資優班教師與同儕校正、無法完全仰賴 AI）之間存在未被作者處理的緊張關係：若高品質的教師引導是 AI 有效運用的必要條件，則資優教育資源不足地區恰恰最缺乏這項條件，AI 的公平性效益因而可能被削弱。本文未進一步討論此點（原文未明示）。

未來研究缺口

作者明示的限制與後續方向

本文未設置獨立的「研究限制」或「未來研究建議」章節（原文未明示）。可視為作者明示之限制與後續方向者，散見於各節，計有下列數項：

• 資優班 AI 應用的文獻空白：截至 2025 年 4 月，43 篇 AI 教學相關文獻中「尚未有文章分享 AI 工具可於資優班如何進行運用」——作者以此界定本文的填補範圍，也同時指出後續研究的空間。
• AI 於資優生特殊需求領域學習之成效未明：作者自問「AI 對於資優生的特殊需求領域學習，特別是獨立研究課程是否有所成效呢？」本文僅以理化單元與跳階學習回應，獨立研究課程的成效並未實際檢驗。
• AI 生成內容的品質仍待處理：AI 產出的題目與解釋需於課堂中討論或由教師協助校正，自主學習尚無法完全仰賴 AI，亦不宜由 AI 規劃與控制學習進度。
• 生成式 AI 尚在發展階段：正確資訊中可能夾雜少量錯誤資訊而使用者難以分辨，作者提示「教學應用」層面須持續因應。
• 批判思考教學的落實需求：作者建議課程中應一併培養學生批判思考能力，將批判思考教學融入課程並納入 AI 幻覺概念——屬待驗證的課程設計主張。

值得引用的段落句子

本文為中文論文，「原文句子」欄照錄中文原句；「中譯／語意重述」欄提供學術寫作可直接轉用的語意重述。出處欄為論文印刷頁碼。

值得延伸閱讀的論文

以下 10 筆均取自本文參考文獻（頁 63-64）實際列出之條目，未加入任何本文未引用的書目。書目依 APA 第 7 版格式整理，中文文獻採臺灣學術慣用格式。

1. Siegle, D. (2023). A role for ChatGPT and AI in gifted education. Gifted Child Today, 46(3), 211-219. https://doi.org/10.1177/10762175231168443
   為何值得讀：這是英語資優教育領域最早正面處理 ChatGPT 角色的專文，直接論述 AI 如何透過後續追問深化學習、擴展創意實驗與教育機會。｜與本論文的關係：本文論述資優生適用 AI 的最主要理論依據，第二章第三節的核心引註，也是本文教學經驗欲在臺灣脈絡下檢證的對象。
2. Rimm, S. B., Siegle, D., & Davis, G. A. (2018). Education of the gifted and talented (7th ed.). Pearson.
   為何值得讀：資優教育領域的權威教科書，系統整理資優生鑑定、特質、課程與教學模式，可補足本文對資優生特質僅一句帶過的部分。｜與本論文的關係：本文界定資優生「學習能力快速，具好奇心、創造力、豐富的知識和推理能力」的來源，是全文推論 AI 適配性的前提。
3. Tekkol, İ. A., & Demirel, M. (2018). An investigation of self-directed learning skills of undergraduate students. Frontiers in Psychology, 9, 2324. https://doi.org/10.3389/fpsyg.2018.02324
   為何值得讀：以大學生為對象檢視自主學習技巧的實證研究，提供自主學習量表化測量與變項關係的具體作法。｜與本論文的關係：本文用以支持「自主學習技巧與成為終身學習者正相關」的論點，是本文將自主學習連結終身學習目標的關鍵引註；也可作為後續補強本文缺乏成效測量的工具參考。
4. Sitzmann, T., & Ely, K. (2011). A meta-analysis of self-regulated learning in work-related training and educational attainment: What we know and where we need to go. Psychological Bulletin, 137(3), 421-442. https://doi.org/10.1037/a0022777
   為何值得讀：自我調節學習領域的重要後設分析，釐清哪些自我調節成分真正預測學習成果，理論位階最高。｜與本論文的關係：本文「自主學習意指在學習過程中應用自我調節的過程，達到自我期望目標的成就水準」定義的出處，為自主學習提供心理歷程層次的理論基礎。
5. Tobin, R. (2008). Conundrums in the differentiated literacy classroom. Reading Improvement, 45(4), 159-169.
   為何值得讀：探討差異化教學在讀寫課堂的實務難題，將「學生自選文本」視為差異化策略而非僅是動機手段。｜與本論文的關係：本文第三章論證「AI 能提供個別化學習經驗」時的差異化教學依據，可延伸思考 AI 選材與自選文本的功能類比。
6. Helms, A. (2013). The impact of technology in the classroom: A study of teaching strategies on the gifted and talented learner. https://doi.org/10.13016/M2TT71
   為何值得讀：專門檢視科技教學策略對資優學生學習表現的影響，是少見同時處理科技與資優兩個變項的研究。｜與本論文的關係：本文「科技輔助學習可有效提升學習動機」主張的實證來源，也是 AI 之前世代科技輔助資優學習的參照基準。
7. 陳冠名（2023）。以 ChatGPT 協助學術論文寫作之初探。實踐博雅學報，34，85-99。
   為何值得讀：以實際對話操作檢視 ChatGPT 在學術寫作協作中的表現，具體指出資料來源不明、無法處理研究者資料與統計分析等限制。｜與本論文的關係：本文論證「AI 資訊可靠性不足、宜視為研究線索」的主要中文依據，也支撐作者對獨立研究課程成效的疑慮。
8. 許惠美（2024）。生成式 AI 與教育：倍力與解放？臺灣教育評論月刊，13(11)，55-60。
   為何值得讀：從教育評論角度反思生成式 AI 的雙面性，警示學習被簡化為以提示詞換取正確答案的風險。｜與本論文的關係：本文批判思考主張的重要對話對象，兩者共同強調教學重點應在激發學習主動性而非 AI 產出的呈現。
9. 陳佩英（2024）。最強 AI 助教創造未來教學力。師友雙月刊，644，7-12。
   為何值得讀：正面論述 AI 助教如何提升自主學習能力與教學資源效率，同時提醒須辨識 AI 語言模型潛藏的偏見與刻板印象。｜與本論文的關係：本文結語段落論述教師引導學生審視資料來源、辨識 AI 偏見的直接引註，兼具樂觀論據與倫理警示兩種功能。
10. 廖智生（2022）。國小高年級學生參與科技輔助自主學習對數學自主學習能力、自我效能及學習成效之影響（未出版之碩士論文）。國立高雄師範大學教育學系。
    為何值得讀：以量化設計檢驗科技輔助自主學習對數學自主學習能力、自我效能與學習成效的影響，變項架構清楚。｜與本論文的關係：本文「自主學習能力顯著預測數學自我效能並影響學習成效」的來源，將自主學習連結到數理學科成效，最貼近本文的數理資優對象，也是後續補強實證缺口時最可借鏡的研究設計。

補充：本文參考文獻另含教育部（2021）《十二年國民基本教育課程綱要總綱》、教育部（2022）《推動中小學數位學習精進方案》、OpenAI（2023）Introducing ChatGPT，以及吳宗遠（2023）、阮德明（2024）、林彥宏（2023）、高文忠（2023）、許大偉（2018）、陳國益（2024）、黃冠達（2023）、楊語承等（2020）等中文文獻，合計 21 筆。其中阮德明（2024）列於參考文獻但未見於正文引用。