大學教師以生成式人工智慧進行教學的質性差異經驗

論文基本資訊

精簡摘要與研究框架

本研究關注一個尚未被細緻探討的問題：當各行各業與政府政策紛紛要求大學培養學生的生成式人工智慧（generative artificial intelligence, GenAI）素養時，實際承擔課程與學習成果責任的大學教師，究竟如何看待、理解並實際運用 GenAI 於教學。研究採現象圖學（phenomenography）視角與混合研究設計，對 30 位來自不同學科（依 Becher–Biglan 分類涵蓋硬純、硬應用、軟純、軟應用四類）與不同年級教學層級的大學教師進行半結構深度訪談，經反覆閱讀、比較對照與跨研究者共識編碼，建構三個「結果空間」（outcome spaces）：教師對 GenAI 價值主張的知覺（4 類）、對 GenAI 用於高教學習的概念觀（5 類）、以及對「要求學生查核 GenAI 產出」的教學取徑（5 類）；再以交叉表（cross-tabulation）與 Phi 係數檢定三者關聯。結果顯示三類變項的質性差異可分為「較高階／較低階」的層級關係，且兩兩之間皆達統計顯著的中度關聯：抱持整合性概念觀者傾向持正向知覺（φ = 0.590, p = 0.002），採學習取向取徑者亦傾向正向知覺（φ = 0.450, p = 0.024）與整合性概念觀（φ = 0.360, p = 0.029）。作者據此主張，某些理解與教學 GenAI 的方式，比其他方式更可能協助學生發展職場所需的知識與技能，並為教育領導者設計教師支持方案提供實證依據。

研究框架

• 本研究以 Trigwell 與 Prosser（2020）的「教學—學習經驗 3P 模型」（Presage 前置條件 / Process 歷程 / Product 產出，見原文 Fig. 1, p.5）為分析模型，並僅取其中「教師教學經驗」的下半部進行探討。
• 三個核心構念在本研究中的角色（原文 Fig. 2, p.7 的假設關係圖）為：知覺（perceptions）屬前置條件層次的情境感受、概念觀（conceptions）屬對現象本質的理解、取徑（approaches）屬歷程層次的教學意圖與策略。
• 質性分析架構採現象圖學的「指稱面向（referential aspect，意義為何）」與「結構面向（structural aspect，如何被覺察）」雙軸分析（Marton & Booth, 1997），據此把各類別排成「巢狀包含的層級」（nested hierarchy of inclusiveness）。
• 量化部分不設自變項／依變項的因果方向，而是以類別化後的二分變項（正向／負向知覺；整合性／片斷性概念觀；學習取向／教學取向取徑）進行關聯性檢定，以 p 值判定顯著性、以 Phi 判定關聯強度。
• 因此本研究屬「先質性建構類別、再量化檢驗類別間關聯」的現象圖學混合設計，主張現象圖學可同時提供個殊性（ideographic）厚描與律則性（nomothetic）推論（Feldon & Tofel-Grehl, 2018）。

研究動機與研究目的

研究動機

• 產業與政策的雙重推力：多數產業已開始把 GenAI 素養視為大學畢業生的關鍵屬性（Nartey, 2024），員工必須同時會「使用」與「批判性評估」GenAI 產出（Farrell et al., 2021）；澳洲聯邦政策亦要求大學展現 GenAI 在教學上的「生產性使用」（TEQSA, 2024）。這些期待直接衝擊課程設計與教學。
• 高教現有回應偏向風險管理而非學習效益：大學早期關注焦點集中在抄襲與學術誠信等倫理議題；Moorhouse 等人（2023）檢視大學評量政策後發現，對「生產性使用」的指引十分有限，建議多聚焦於預防與偵測；政策亦多強調 GenAI 幻覺、編造與誇飾的危險（Rudolph et al., 2023）。
• 教師視角的研究缺口：教育模式、倫理爭辯與技術仍在快速演進，「大學教師教學使用 GenAI 的經驗」尚未被細緻探究（原文摘要明示）。而教師是課程與學習成果的責任承擔者，不理解教師怎麼想、怎麼做，就難以設計有效的教師發展支持。
• 既有經驗研究的關聯是否在新科技情境中複製，仍屬未知：傳統課堂中「概念觀—知覺—取徑」的關聯（Prosser et al., 1994；Prosser & Trigwell, 1997）是否能在教師不斷試用新興科技的當代教學情境中重現，作者認為此時檢視正當其時。

研究目的與研究問題（保留原文編號）

總體研究問題（overarching research question）：What are university teachers' qualitatively different experiences of teaching with GenAI?（大學教師以 GenAI 教學的質性差異經驗為何？）此問題再細分為四個子研究問題（原文 p.7）：

1. 大學教師對 GenAI 於高等教育學習之「價值主張」的知覺有哪些差異？（What are variations of university teachers' perceptions of the value proposition of GenAI in higher education learning?）
2. 大學教師對「GenAI 用於高等教育學習」的概念觀有哪些差異？（What are variations of university teacher conceptions of GenAI for higher education learning?）
3. 大學教師對「要求學生查核 GenAI 產出」的取徑有哪些差異？（What are variations of university teachers' approaches to student verification of GenAI output?）
4. 教師 GenAI 教學經驗中的知覺、概念觀與取徑三者關聯程度如何？（To what extent are perceptions, conceptions, and approaches in teacher experience of GenAI associated?）

此外，論文於前言明示另一項目的：發展對「教師視角的 GenAI 教與學」細緻理解，並闡明其對教學經驗的意涵（原文 p.3）。

文獻探討大綱

• 章節一｜Introduction（緒論，pp.1–2）
  • 主題 1.1 大學教育的當代張力 — 學生視大學為職涯手段、雇主期待畢業即戰力（Chan & Hu, 2023；Bae et al., 2022）。論證角色：先建立「畢業生職場能力」這一外部壓力，作為 GenAI 議題的宏觀入口。
  • 主題 1.2 職業結構變動與跨域問題解決 — 部分職務消失、新職務出現，需要跨領域觀點與新技術的有意義應用（Prohorov et al., 2024）。論證角色：把技術變遷轉譯為「對大學教學的根本性影響」。
  • 主題 1.3 本文焦點界定 — 聚焦教師視角下「何謂 GenAI 適切融入學生學習經驗」，並自陳這是一個細緻且可爭議的空間。論證角色：先行限定研究範圍與立場，避免規範性宣稱。
• 章節二｜Research and development of GenAI in industry and education（GenAI 在產業與教育的發展，pp.2–3）
  • 主題 2.1 產業端：LLM 進入主流職場 — ChatGPT、Gemini、Copilot 等免費／訂閱服務大幅提升採用率（Wu et al., 2023；Tomašev et al., 2020），GenAI 助理成為複雜系統中的非人類元素。論證角色：說明 GenAI 素養成為就業條件的實證基礎（Javaid et al., 2023）。
  • 主題 2.2 批判素養作為就業力 — 畢業生不只要判斷 GenAI 產出是否正確，還要評估偏誤與其他不當影響，並判斷可據以決策的程度（Ng et al., 2021）。論證角色：把「查核 GenAI 產出」提升為核心能力，直接鋪陳 RQ3。
  • 主題 2.3 國家層級治理 — 美國總統辦公室指令（Biden, 2023）、UNESCO（2023）、澳洲 TEQSA（2024）。論證角色：以政策強制力說明大學無法迴避。
  • 主題 2.4 高教早期回應的偏斜 — 政策集中於抄襲、學術誠信、幻覺風險（Moorhouse et al., 2023；Rudolph et al., 2023）。論證角色：指出「風險管理取向」與「學習效益取向」的落差，即本研究要探究的變異來源。
  • 主題 2.5 教學面的潛在效益 — 效率之外更有生產性提升（Bozkurt et al., 2023；Tlili et al., 2023）；教師需判斷何時會妨礙理解（Reiss, 2021）；把 GenAI 有意義地嵌入活動與評量設計（Markauskaite et al., 2022；Lodge et al., 2023）；並促使教師反思哪些教育實踐是「唯獨人類可為」（Chan & Tsi, 2024）。論證角色：建立正向可能性，使「知覺與概念觀差異」具教育意義。
• 章節三｜A phenomenographic perspective on qualitative variations（現象圖學視角，p.4）— 核心理論標註：現象圖學／變異理論（Phenomenography & Variation Theory）
  • 主題 3.1 現象圖學的定義 — 探究人們經驗、概念化、知覺與理解世界各種現象的質性差異方式（Marton, 1986, p.31）。論證角色：確立方法論的知識論位置。
  • 主題 3.2 有限類別與巢狀層級假定 — 知識可置於有限類別中，並「以巢狀包含關係邏輯地結構化」（Åkerlind, 2008, p.636），故可由低到高精緻度排序（Durden, 2019；Han & Ellis, 2019；Taylor & Booth, 2015）。論證角色：正當化後續「A/B 較高階、C/D/E 較低階」的層級詮釋。
  • 主題 3.3 存有論前提 — 「個體無法在沒有被經驗之物的情況下經驗」（Marton & Pang, 2008, p.535）。論證角色：說明本研究採關係式（relational）而非心理特質式的分析。
• 章節四｜Previous research into perceptions and conceptions of, and approaches to, learning and teaching（既有研究回顧，pp.4–6）
  • 主題 4.1 三大研究傳統 — Entwistle 團隊（Entwistle, 2013；Entwistle et al., 2014）、Marton 團隊（Marton, 2014；Marton et al., 1993）、Prosser 與 Trigwell（Prosser & Trigwell, 1999；Trigwell & Prosser, 2020）。論證角色：說明「深層學習 ↔ 學生取向教學」的結構關聯已有長期實證支持。
  • 主題 4.2 3P 模型（Presage–Process–Product，Prosser & Trigwell, 2017；原文 Fig. 1）— 上半部為學生學習經驗、下半部為教師教學經驗，共享學術情境（academic context）。論證角色：提供本研究的分析模型骨架，並說明本文僅取教學經驗一半。
  • 主題 4.3 學生學習概念觀的整合／片斷二分 — 整合性（cohesive）視學習與深層理解不可分割、對應分析綜合應用等高階活動；片斷性（fragmented）視學習為互不相關的清單、對應複製與機械記憶（Chiu et al., 2016；Kapucu, 2014；Limbu & Markauskaite, 2015；Prosser & Trigwell, 1999；Teixeira et al., 2016）。論證角色：提供本研究概念觀類別命名（cohesive/fragmented）的直接來源。
  • 主題 4.4 教師對學生學習的概念觀與教學取徑 — Prosser 等人（1994）訪談 24 位大學科學教師，得到兩群概念觀與五種教學取徑（資訊傳遞、教師取向、師生互動、學生取向、概念改變），並呈現關係式層級與「概念觀↔取徑」的邏輯關聯。論證角色：本研究取徑分類與關聯假設的原型；亦為第 8 節對話的主要文獻。
  • 主題 4.5 教師知覺研究相對稀少 — 僅 Prosser 與 Trigwell（1997）檢視教學環境知覺（教學自主、班級規模適切性、學生特質、系所支持、學術工作量）與教學取徑之關聯：採教師取向／資訊傳遞者傾向認為班級過大（負向知覺），採學生取向／概念改變者傾向認為班級規模適切且系所支持良好（正向知覺）。論證角色：指出知覺構念的研究缺口，並提供本研究 RQ1 的比較基準。
  • 主題 4.6 傳統課堂結論是否可移轉 — 當代教師持續試驗與整合 GenAI 等新興科技，上述關聯未必複製，故「此時檢視正當其時」。論證角色：由文獻缺口收斂到 RQ4。
• 章節五｜The current study and research questions（本研究與研究問題，pp.6–7）— 提出 Fig. 2 假設關係圖與總體研究問題及四個子問題。論證角色：把文獻缺口正式轉為可操作的研究問題。

說明：本文並未使用 TAM、TPACK、ARCS、SDT 等模型；其理論骨幹為現象圖學／變異理論，加上 Prosser 與 Trigwell 的 3P 教學—學習經驗模型，以及 Becher–Biglan 學科分類（Biglan, 1973；Neumann et al., 2002）作為抽樣架構。

研究方法介紹

本研究為實證研究，採混合方法研究設計（mixed-methods research design）搭配現象圖學方法（phenomenographic method）。作者引用 Feldon 與 Tofel-Grehl（2018）主張，現象圖學能將辨識個體層次變異的個殊性質性分析（厚描）與追求可移轉律則的量化分析結合。其標誌性產物是「結果空間」（outcome spaces）——參與者經驗現象之不同方式的結構化表徵：描述類別（categories of description）源自個別經驗的個殊性分析，而類別化又使律則性詮釋與類別間關聯的量化處理成為可能（Prosser & Trigwell, 1999）。

研究對象與抽樣

• 樣本數：30 位大學教師（teaching academics）自願參與。
• 抽樣策略：立意求異，刻意招募學科多元的參與者，理由是既有研究指出知覺、概念觀與取徑具有學科特性（Biggs et al., 2022；Lonka et al., 2004；Nelson Laird et al., 2014）。具體採 Becher–Biglan 分類（Biglan, 1973；Neumann et al., 2002）涵蓋四大類：硬純（如數學、化學、統計）、硬應用（如設計、藥學、醫學科學）、軟純（如歷史、音樂、藝術）、軟應用（如教育、法律、社會工作）；教學年級亦混合一、二、三年級。
• 原文 Table 1（p.8）之分布：軟純＝Level 1 為 3、Level 2 為 1、Level 3 為 –；軟應用＝1 / 7 / 1；硬純＝5 / 3 / –；硬應用＝2 / 1 / 4。（按：表中格位加總為 28，與文中所述 30 位參與者略有落差，原文未說明差異原因。）
• GenAI 使用經驗：從「為教育用途進行試驗」到「已嵌入學程設計」不一；受訪者多同時使用一種以上平台，包含資料蒐集當時常見的 ChatGPT、Microsoft CoPilot、Claude、Gemini、Llama、DALL·E 與 Sora（前五者為文字型，後兩者分別為圖像與影片生成）。作者明示：學科分布與平台經驗雖有變異，但各類別的案例數與次數過少，無法辨識值得注意的模式，預測性模式待未來大樣本研究。

資料蒐集工具

• 先取得研究者所屬機構的研究倫理審查許可，並取得全體參與者的書面簽署同意。
• 採半結構訪談（semi-structured interviews），訪談開放且結構鬆散，讓受訪者自行決定回應性質，並有充分時間反思與延伸闡述；訪談全程錄音並轉錄為文字稿。
• 對應前三個研究問題的三個主要提問（原文 p.9）：
  （1）"How do you perceive the value proposition of GenAI in higher education learning?"
  （2）"What is your understanding of GenAI in higher education learning?"
  （3）"To what extent do you require students to verify the accuracy of AI output? How and why?"
• 並使用探詢式追問（如 "Could you please elaborate…further?"、"What do you mean by…?"）以促使受訪者擴展與釐清想法。

資料分析方法

分析分兩階段進行：現象圖學質性分析與量化分析。

• 階段一（質性）：依現象圖學研究廣泛採用的分析取徑（Åkerlind, 2018；Marton & Pong, 2005；Yates et al., 2012）。步驟為：徹底閱讀全部逐字稿，將關於知覺、概念觀、取徑的回應分離並彙整，三題各自獨立分析；第一輪反覆閱讀以確定回應的質性廣度與深度；第二輪定位並標記每位教師回應中的關鍵特徵，據以辨識初始主題；接著比較對照主題的異同，產生初始類別集合；再以疊代方式修改類別定義，使各類別彼此明確區隔，並以能代表其本質特徵的語言加以命名；命名與分類過程經研究者頻繁討論直到就類別數量、名稱與定義達成共識。
• 階段二（量化）：以交叉表（cross-tabulation）檢視知覺、概念觀、取徑三者之關聯以回答 RQ4；以 p 值判定關聯是否具統計顯著性，以 Phi（φ）係數評估關聯強度。
• 結果呈現時依 Marton 與 Booth（1997）同時討論各類別的結構面向與指稱面向，並整理為原文 Table 4、Table 6、Table 8 的雙軸摘要表。

信實度／效度處理

• 以共識取向的研究者三角檢證：三位研究者依議定類別各自獨立編碼。
• 以編碼者間信度（inter-coder reliability）建立編碼可信賴性，計算不同研究者以既定類別指派資料的一致性百分比（Säljö, 1988），並以 80% 為門檻。原文 Table 2（p.10）數值為：研究者 2 與研究者 3 的比較——研究者 2：價值主張知覺 90%→100%、GenAI 概念觀 90%→100%、學生查核取徑 90%→90%；研究者 3：90%→100%、70%→80%、80%→90%（諮商前→諮商後）。作者稱皆符合 80% 之要求。
• 質性厚描以「illuminative quotation（例示引言）」呈現於 Table 3、5、7，供讀者檢視類別與資料的對應。
• （原文未明示：未報告 Cronbach's α、效果量或量表信度等統計指標，因量化部分僅為類別關聯檢定；亦未報告成員檢核（member checking）或稽核軌跡。）

研究流程（表格）

條列式研究流程

1. Step 1｜從產業需求與政策要求出發指認「大學教師 GenAI 教學經驗」的研究缺口，選定現象圖學視角與 3P 模型，訂出 1 個總體與 4 個子研究問題。
2. Step 2｜取得機構研究倫理許可，並向所有參與者取得書面簽署同意。
3. Step 3｜依 Becher–Biglan 學科分類與教學年級進行立意求異招募，取得 30 位自願參與的大學教師。
4. Step 4｜以三個主要提問加探詢式追問實施開放式半結構訪談，錄音並轉錄為逐字稿。
5. Step 5｜依題分離彙整回應，兩輪閱讀以確立質性廣度深度並標記關鍵特徵，形成初始主題。
6. Step 6｜比較對照主題異同、疊代修訂類別定義與命名，經研究者共識確立知覺 4 類、概念觀 5 類、取徑 5 類的三個結果空間。
7. Step 7｜三位研究者依議定類別獨立編碼，並以一致性百分比（門檻 80%）檢核編碼者間信度。
8. Step 8｜對每一類別進行結構與指稱雙軸分析，排出由低到高精緻度的巢狀層級並整理成摘要表。
9. Step 9｜將類別二分後以交叉表、p 值與 Phi 係數檢定三構念兩兩之關聯強度與顯著性。
10. Step 10｜整合質量結果繪出教學經驗變異圖示，與既有文獻對話，提出教育領導與教師發展意涵並交代樣本限制與未來研究方向。

研究議題與討論重點收斂

議題一：教師對 GenAI 價值主張的知覺——多數為負向，且負向者往往不從學生視角出發（RQ1）

發現摘要：辨識出四類知覺（原文 Table 3–4, pp.11–12）。正向：類別 A（n = 5, 17%）認為 GenAI 能透過反思促成更深層理解；類別 B（n = 7；文中作 23%，Table 3 印為 13%）承認 GenAI 的「評估性」學習效益，但附加條件——須有精心設計的活動。負向：類別 C（n = 15, 50%）認為可能有益，但取決於教師的品質而非學生帶入歷程的東西；類別 D（n = 3, 10%）最為負向，認為 GenAI 完全無助於學生學習（受訪者語：「No one's learning anything… it's just a totally useless, futile exercise」）。合計負向知覺者達 18 人（60%）。

作者詮釋：指稱面向上，A、B 認可 GenAI 對發展學生理解的潛在價值，C、D 則不認為有此價值；結構面向上，A/B 與 C/D 之間存在質性斷裂——A、B 清楚覺察到「將 GenAI 產出與其他來源及課程學習成果並置審慎評估」如何促成學生理解，而 C、D 在思考 GenAI 潛能時並未採取學生視角，作者認為這或可解釋為何 C、D 把 GenAI 的使用與任何促成學習的可能性切割開來。

議題二：概念觀的整合／片斷斷裂——近八成把 GenAI 與學習思考脫鉤（RQ2）

發現摘要：五類概念觀（原文 Table 5–6, pp.12–14）。整合性（cohesive）：A（n = 5, 17%）認為 GenAI 能透過提出有意義的問題協助學生發展情境化的分析思考；B（n = 6, 20%）認為 GenAI 能培養面對快速變動未來所需的關鍵知能。片斷性（fragmented）：C（n = 5, 17%）僅將 GenAI 侷限於查核與風險管理（如重新思考評量策略）；D（n = 5, 17%）因不信任技術平台而遲疑（受訪者提到「不想讓它從我這裡學習」）；E（n = 9, 29%）視 GenAI 為機器或機械式再製元素（「confection machines」「sampling machines」），與學生學習理解無關。整合性合計 11 人、片斷性合計 19 人。

作者詮釋：指稱上 A、B 構想 GenAI 如何透過知識與技能發展強化學習；C、D、E 則把 GenAI 連結到教學的風險管理、不可信任與「僅是工具」，因而將 GenAI 與學習切離。結構上 A、B 與 C、D、E 之間有質性轉折：後三類的概念被實務顧慮所籠罩（overshadowed by practical concerns），而非關於學習與理解的想法。

議題三：對「學生查核 GenAI 產出」的取徑——學習取向與教學取向的質性斷裂（RQ3）

發現摘要：五類取徑（原文 Table 7–8, pp.13–15）。學習取向（learning focused）：A（n = 6, 20%）以 GenAI 產出為刺激物，要求學生以研究技能確認或修正產出、挑戰其背後推理（衡量證據、思考偏誤與來源）；B（n = 8, 23%）以評估 GenAI 產出（正確性、倫理顧慮、想法品質）來發展學生批判思考，並提及需為初次接觸 GenAI 的一年級生鷹架此技能。教學取向（teaching focused）：C（n = 3, 10%）教導以價值為基礎的使用方式，強調除正確性外還有適當承認他人著作的倫理問題；D（n = 6, 20%）僅告知學生 GenAI 產出每次都可能有錯，意圖與策略偏向簡化；E（n = 7, 23%）不教如何在該課程中使用 GenAI——作者特別指出，某些課程因學習成果主要是動手創作產品，此回應在教育上是可辯護的（educationally defensible），但其他情形則與對平台及其學習效益的不熟悉有關。

作者詮釋：前兩類從「GenAI 能為學生學習提供什麼」出發，後三類從教師視角出發並顯示對學生中心思維的覺察不足。值得注意的是類別 C 雖涉及倫理教學，仍被歸入教學取向，因其切入點是「使用的倫理」而非「學習」。

議題四：三構念皆呈統計顯著的中度關聯，與傳統課堂研究一致（RQ4）

發現摘要：概念觀與知覺呈顯著中度關聯（φ = 0.590, p = 0.002，Table 9）：持整合性概念觀者報告正向知覺的比例（69.23%）顯著高於負向者（11.76%）；反之，持片斷性概念觀者較可能報告負向知覺（原文作 88.26%）而非正向（30.77%）。取徑與知覺亦顯著中度關聯（φ = 0.450, p = 0.024，Table 10）：學習取向取徑者（23 人）在產出經查核的前提下傾向知覺 GenAI 對發展學生理解有益，教學取向者（7 人）全數（7/7）落在負向知覺。取徑與概念觀同樣顯著中度關聯（φ = 0.360, p = 0.029，Table 11）：教學取向的 7 人全數持片斷性概念觀（0 人持整合性）。

作者詮釋：與過往文獻一致——雖然「以 GenAI 教學」的學術情境有別於傳統大學教學，概念觀、知覺與取徑之間的關係型態仍與其他學術情境所觀察者相似（Prosser & Trigwell, 1997；Prosser et al., 1994；Trigwell & Prosser, 2020），作者明言「本研究為 3P 教學—學習經驗模型增添了實證證據」（Prosser & Trigwell, 2017）。同時作者自我節制：交叉表顯示關聯較為細緻，並非絕對分類——某位持片斷概念者採教學取向，並不意味所有持片斷概念者皆如此；質性變異只顯示類別間的「傾向」。

數據一致性提示：原文 Table 9 的正向知覺總計為 13、負向為 17，而 Table 10 的正向為 12、負向為 18；文中「88.26%」與 Table 9 之 15/19 亦不完全吻合（15/19 ≈ 78.9%）；Table 3 類別 B 標示「n = 7, 13%」而正文作 23%。上述落差為原文自身之出入，本報告照原文引錄不作修正，引用時建議以原始表格數字為準並加註。

議題五：從迴避到嵌入的經驗連續體，與教育領導的介入點

發現摘要：原文 Fig. 3（p.17）以「Avoidance → Awareness → Design → Teach → Embed」為橫軸、「Unfavourable / Favourable」為縱軸，將負向知覺—片斷概念觀—教學取向歸為不利經驗叢集，正向知覺—整合概念觀—學習取向歸為有利經驗叢集。不利經驗中的教師懷疑 GenAI 促成理解的潛力，不太會使用它，或使用時強調糾錯、避免抄襲等風險管理議題。

作者詮釋：作者承認抄襲與倫理侵權「在任何學生經驗中都必須被處理」，但主張這些應是「門檻性關切」（threshold of concerns），而非終點；更高階的觀點會超越風險管理，從學生視角看待 GenAI 對學習的潛在貢獻。因此介入策略是：透過處理片斷概念、負向知覺與教學取向取徑，使教師更覺察學生經驗與 GenAI 素養需求，學習效益才更可能被教師接納。對教學團隊領導者而言，需協助團隊理解相對更具生產性的思考與使用方式（Koeslag-Kreunen et al., 2018）；對大學領導者而言，需將 GenAI 納入學習環境，涉及重大規劃與投資（Hoernig et al., 2024）、跨學院受治理且風險受管理的系統性使用（Chiu, 2024）、敏感校務資料與身分管理的政策與基礎設施，以及重新設計專業發展方案、補助與升等誘因（Trigwell et al., 2012）。

未來研究缺口

作者明示的限制與未來研究方向

• 樣本規模小、需複製研究：作者明言「本研究密集式的探究性質必然導致相對小的樣本」，為檢驗結論的穩健性，教師視角的質性差異位置應在複製研究（replicated studies）中進一步檢驗（原文 pp.18–19）。
• 需大型量化研究以擴充證據：作者指出大型量化研究有助於此，並可發展更廣泛的證據來支持本研究發現。
• 學科變異的影響尚未釐清：作者具體點名待檢驗的問題是「學科差異在多大程度上造成教師以 GenAI 教學取徑上的不同」。
• 參與者、平台與學科界線的預測性模式待研究：方法一節明示，本研究學科分布與平台經驗雖有變異，但各類別案例數與次數過少，無法辨識值得注意的模式；尋找參與者經驗、平台與學科界線之間的預測性模式將在未來更大樣本的研究中進行（原文 p.8）。
• 3P 模型中「學生學習經驗」半部與跨構念關聯尚未處理：作者說明底層研究計畫的目標之一是揭露學生與教師在 GenAI 教與學歷程中的質性差異變異，以及構念間變項的關聯，但「因篇幅之故，本研究僅探討教學經驗中的 GenAI 面向」（原文 p.5）。
• 「何謂適切使用」仍在起步：作者自陳「我們才剛開始理解 GenAI 在學生學習經驗中的適切使用可能是什麼樣貌」，需要教學團隊領導者與大學領導者的回應；也強調唯有教學人員持續聚焦於 GenAI 對學習的貢獻，才會揭露它如何以適當的學科變異程度改善學生經驗。

值得引用的段落句子

值得延伸閱讀的論文

以下 9 筆均出自本論文參考文獻清單（原文 pp.19–21）之實際條目，未作任何虛構或補充。

1. Prosser, M., Trigwell, K., & Taylor, P. (1994). A phenomenographic study of academics' conceptions of science learning and teaching. Learning and Instruction, 4(3), 217–231. https://doi.org/10.1016/0959-4752(94)90024-8
   為何值得讀：以 24 位大學科學教師的訪談建立「兩群概念觀＋五種教學取徑」的經典結果空間，是現象圖學處理教師經驗的方法範本。｜與本論文的關係：本研究類別命名（cohesive/fragmented、學習取向／教學取向）與「概念觀↔取徑」關聯假設的直接原型，也是第 8 節與過往文獻對話的主要對照對象。
2. Prosser, M., & Trigwell, K. (2017). Student learning and the experience of teaching. HERDSA Review of Higher Education, 4, 5–27. https://www.herdsa.org.au/herdsa-review-higher-education-vol-4
   為何值得讀：完整闡述教學—學習經驗的 3P（Presage–Process–Product）模型與其構念關係。｜與本論文的關係：本研究 Fig. 1 的分析模型出處，作者明言本研究為此模型「增添了實證證據」。
3. Trigwell, K., & Prosser, M. (2020). Exploring university teaching and learning: Experience and context. Springer Nature.
   為何值得讀：兩位作者三十年研究計畫的整合性專書，系統整理知覺、概念觀與取徑的理論與測量。｜與本論文的關係：本研究明言「採用 Trigwell 與 Prosser（2020）的教與學模型」來檢視 GenAI 情境下的教學經驗。（按：原文參考書目此條的作者連接處出現 PDF 擷取雜訊 "spsampsps"，實為 "&"。）
4. Marton, F. (1986). Phenomenography—a research approach to investigating different understandings of reality. Journal of Thought, 28–49. https://www.jstor.org/stable/42589189
   為何值得讀：現象圖學的奠基文獻，界定其研究對象與知識論立場。｜與本論文的關係：本研究第 4 節據以定義方法論，並引其 p.31 的經典定義。
5. Åkerlind, G. S. (2008). A phenomenographic approach to developing academics' understanding of the nature of teaching and learning. Teaching in Higher Education, 13(6), 633–644. https://doi.org/10.1080/13562510802452350
   為何值得讀：說明類別如何構成「巢狀包含的層級」，並示範現象圖學如何轉化為教師發展實務。｜與本論文的關係：本研究層級排序假定的引用來源（p.636），亦支撐第 8、9 節的教師發展建議。
6. Feldon, D. F., & Tofel-Grehl, C. (2018). Phenomenography as a foundation for mixed models research. American Behavioral Scientist, 62(7), 887–899.
   為何值得讀：論證現象圖學如何同時支援個殊性厚描與律則性推論，是質量整合的方法論依據。｜與本論文的關係：本研究「先建構結果空間、再以交叉表檢定關聯」之混合設計的正當性來源。
7. Chan, C. K. Y., & Hu, W. (2023). Students' voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(1), 43. https://doi.org/10.1186/s41239-023-00411-8
   為何值得讀：同一期刊上以學生視角大規模檢視 GenAI 的知覺、效益與挑戰。｜與本論文的關係：構成「教師視角 vs. 學生視角」的互補對照，可補足本研究僅探討 3P 模型教師半部的缺口。
8. Chan, C. K. Y., & Tsi, L. H. Y. (2024). Will generative AI replace teachers in higher education? A study of teacher and student perceptions. Studies in Educational Evaluation. https://doi.org/10.1016/j.stueduc.2024.101395
   為何值得讀：直接處理「哪些教育實踐是唯獨人類可為」的教師與學生知覺比較。｜與本論文的關係：本研究第 2 節論證教師角色反思時的引據，可延伸討論人機分工的界線。
9. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence. https://doi.org/10.1016/j.caeai.2021.100041
   為何值得讀：系統性梳理 AI 素養的概念構成，包含辨識正確性、偏誤與可據以決策程度的評估能力。｜與本論文的關係：為本研究 RQ3「學生查核 GenAI 產出」提供素養架構語言，可用於把教師取徑類別對應到具體素養指標。

補充：本論文參考文獻另收錄 Moorhouse 等人（2023）對大學 GenAI 評量政策的檢視、Rudolph 等人（2023）對傳統評量的批判、Markauskaite 等人（2022）關於「與 AI 共存所需能力」的論述，以及 TEQSA（2024）與 UNESCO（2023）的政策指引，若欲延伸至政策與評量改革面向可一併參閱。