論文基本資訊
| 項目 | 內容 |
|---|---|
| 標題（原文） | Reimagining teacher development in the era of generative AI: A scoping review |
| 標題（中譯） | 重新想像生成式 AI 時代的教師發展：範疇綜述 |
| 作者 | Qi Tan（譚琪，單一作者） School of Mathematical Sciences, East China Normal University, Shanghai, China（華東師範大學數學科學學院，中國上海） |
| 年代 | 2025（Received 22 April 2025；Revised 13 September 2025；Accepted 23 September 2025；Available online 26 September 2025） |
| 期刊名稱 | Teaching and Teacher Education《教學與師資教育》，第 168 卷（2025），文章編號 105236 文章類型：Review article（回顧性論文）；DOI: 10.1016/j.tate.2025.105236；出版者 Elsevier Ltd. |
| 關鍵字 |
Generative AI → 生成式人工智慧 Teacher development → 教師發展 AI literacy → 人工智慧素養（AI 素養） AI integration in education → 人工智慧在教育中的整合／融入 Scoping review → 範疇綜述（範疇回顧） |
精簡摘要與研究框架
本文是一篇範疇綜述（scoping review），目的在回應「生成式人工智慧（generative AI）如何被設計與實施於教師發展介入之中、又產生了哪些成效」這一尚未被系統整理的問題。作者指出，雖然已有多篇回顧探討生成式 AI 在教育中的可能性與風險，但幾乎都聚焦學生族群或評量實務，鮮少直接處理教師發展；且既有回顧存在資料庫過少等方法論缺口。因此本研究依循 PRISMA 流程，於 2025 年 3 月 17 日檢索 Web of Science、Scopus、EBSCO、IEEE Xplore、ScienceDirect 五個資料庫，未設起始年限，初步取得 402 篇，經去重與兩輪篩選後最終納入 22 篇英文實證研究。分析結果顯示：研究對象以師資生（preservice teachers）為主（13 篇，59.1 %），13 篇（59.1 %）樣本數少於 40 人；最常用工具為 ChatGPT（16 篇）；生成式 AI 的核心應用可歸為教學資源開發、個人化教學支持、教師學習環境建構三類；多數介入時長落在 4–16 週。透過主題分析（thematic analysis）辨識出七項介入成效：提升學習成果、增進教師知識、發展高階思維、影響課程設計與實施能力、改善自我價值與自信、促進正向態度與使用意圖、培育 AI 素養。
研究框架
本研究並非變項驗證式的實證研究，因此不存在自變項／依變項／中介調節的路徑模型；其框架是一個「以研究問題驅動的四層編碼架構」。
- 分析單位為「已發表的實證研究」（22 篇），而非個別教師；每篇文獻是一筆可被編碼的個案。
- 第一層對應 RQ1 的整體特徵，編碼欄位為作者、年份、國家（作者機構所在地）、研究方法取向、效果量報告情形。
- 第二層對應 RQ2 的參與者特徵，編碼欄位為教師類型（師資生／在職教師）、人數、學科領域。
- 第三層對應 RQ3 的介入設計特徵，編碼欄位為生成式 AI 工具類型、在介入中的應用方式、介入時長。
- 第四層對應 RQ4 的成效，改用歸納式主題分析：先摘錄各文獻關於介入成效的結論，再從結論中框出表示成效的名詞片語（如「teacher self-efficacy」、「higher order thinking」），以「保留原片語或代換為相近既有碼」的規則反覆比對，最終收斂為七個成效主題。
研究動機與研究目的
研究動機
- 生成式 AI 已在學習、教學、評量與行政等多個面向重塑教育樣貌，對教師而言既是課程設計、教案撰寫、學習目標訂定、教學策略發展與回饋提供的助力，也伴隨取代教師、AI 生成抄襲、過度依賴削弱批判思考等憂慮，而這些憂慮可能影響教師信念、限制其採用意願。
- 既然生成式 AI 是教育未來不可迴避的一部分，關鍵便轉為「如何為師資生與在職教師設計並實施有效的專業發展方案」；作者主張若師資培育者未能設計適當的專業發展介入，教師將缺乏必要知能，無法為下一代學生做好準備。
- 雖已有若干實證研究探討生成式 AI 融入教師發展，但研究發現零散分散（fragmented and dispersed），缺乏一份綜合性的整合。
- 既有回顧存在方法論缺口，例如使用的資料庫數量有限（如 Cloux et al., 2025），妨礙更廣泛的理解；同時多數回顧聚焦學生或評量，未直接處理教師發展，導致目前對「教師發展介入中使用了哪些生成式 AI 工具、具體應用為何、教育成效如何」所知甚少。
研究目的與研究問題
總體目的：檢視探討生成式 AI 融入教師發展之實證研究，辨識生成式 AI 在教師發展介入中如何被設計與實施，並統整這些介入的成效；同時擴大至五個資料庫，以彌補既有回顧資料庫過少的限制。作者提出四個研究問題（保留原編號）。
- 在生成式 AI 融入教師發展的實證研究中，整體特徵為何？
- 在生成式 AI 融入教師發展的實證研究中，參與者特徵（如類型、人數、學科）為何？
- 在生成式 AI 融入教師發展的實證研究中，介入設計的關鍵特徵為何？具體而言：使用哪些類型的生成式 AI？生成式 AI 在這些介入中的主要應用為何？這些介入持續多久？
- 涉及生成式 AI 的教師發展研究介入，其成效為何？
文獻探討大綱
本文的文獻探討集中於第 2 章「Extant reviews and research questions（既有回顧與研究問題）」，其論證策略是「以回顧檢視回顧」：先盤點既有各類型回顧的樣貌，再逐層指出它們與「教師發展」之間的落差，最後把落差轉為四個研究問題。
- 2. 既有回顧與研究問題
- 2.1 既有回顧的類型與規模盤點
- 回顧類型涵蓋範疇綜述（Su et al., 2023）、系統性回顧（Wang et al., 2024）、後設分析（Deng et al., 2025）、綜合性回顧（Ahmad et al., 2024）與快速回顧（Garcia, 2025）。論證角色：建立「本文選擇範疇綜述」的方法論座標。
- 納入篇數通常為 20–40 篇，綜合性回顧則可達 4000 篇以上（Ahmad et al., 2024）。論證角色：預先為本文僅納入 22 篇提供規模上的合理性。
- 2.2 概念界定：傳統 AI 與生成式 AI 的分野
- ChatGPT 發布後近一年內，多數回顧標題僅使用「AI」而非「generative AI」，涵蓋範圍混雜。論證角色：說明為何不能直接沿用早期 AI 回顧的結論。
- 傳統 AI 著重模式識別與最佳化（如監督式學習），生成式 AI 則模擬人類創造力、產出多樣原創內容，具更高即時回應性與個人化（Ahmad et al., 2024；Su et al., 2023）。論證角色：確立本文的核心概念邊界。
- 2.3 聚焦學生族群的回顧
- Weng et al.（2024）以範疇綜述提供高等教育中生成式 AI 對學生評量與學習成果的證據；Deng et al.（2025）以系統性回顧與後設分析檢驗 ChatGPT 是否提升學生學習。論證角色：指出研究對象偏向學生，教師端留下缺口。
- 2.4 聚焦可負擔性、風險與提示工程的回顧
- Wang et al.（2024）辨識四項可負擔性（accessibility、personalization、automation、interactivity）與五項挑戰（學術誠信、偏誤或錯誤回應、過度依賴、數位落差、隱私與安全）。論證角色：提供本文討論倫理風險時的理論支點。
- Lee 與 Palmer（2025）檢視提示工程（prompt engineering）在高教中的角色；Garcia（2025）以快速回顧探討 ChatGPT 於程式教育的應用與挑戰。論證角色：顯示既有回顧多停留在工具層次，未觸及教師專業發展。
- 2.5 聚焦教育工作者採用行為的回顧
- Nikolic et al.（2024）以系統性回顧探討教學學者對生成式 AI 的態度、知覺與意圖（採用 UTAUT 架構），但未直接處理教師發展。論證角色：區分「教師的採用態度」與「教師發展介入」兩個不同問題。
- Xia et al.（2024）雖提及教師專業發展，但僅作為建議，主軸仍是高教評量的轉型。論證角色：證明教師發展在既有文獻中只是附帶議題。
- 2.6 缺口宣告與研究問題導出
- 目前對「研究在多大程度上探討了生成式 AI 融入教師發展」仍不清楚，尤其是工具類型、具體應用與教育成效三者。論證角色：直接轉譯為 RQ1–RQ4。
- 2.1 既有回顧的類型與規模盤點
- 散見於結果與討論的理論支撐（本文未設獨立理論章節，理論是隨主題被引入的）
- 認知負荷理論（Cognitive Load Theory，Sweller, 1988）：用於解釋為何使用 ChatGPT 的教師學習成效較佳。
- TPACK 家族概念：TCK（技術內容知識）、TPK（技術教學知識）、TPACK（技術教學內容知識），用於歸類教師知識成效（Kong & Yang, 2024；Urazbayeva et al., 2024）。
- AI 素養（AI literacy）定義：Long 與 Magerko（2020）將其界定為能與 AI 溝通、協作並批判性評估 AI 技術的能力組合；作者並追溯至 Agre（1972）。
- 高階思維（higher-order thinking）五面向：批判思考、創造思考、後設認知思考、問題解決、計算思考（引自 Lu et al., 2024 的量表設計）。
- 生成式 AI 素養（generative AI literacy）的再概念化主張：Zhao et al.（2024）提出應以務實、安全、反思、社會倫理與情境理解等面向更新 AI 素養；Simms（2025）於護理教育呼應之；另有 ChatGPT literacy 之提法（Casey, 2024；Lee & Park, 2024）。
- 人機互補關係：Jeon 與 Lee（2023）將 ChatGPT 功能歸為對話者、內容提供者、教學助理與評量者，本文以此對照自身歸納的三大應用。
研究方法介紹
研究取徑與研究設計
本研究採範疇綜述取徑，並依循 PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）流程進行（Moher et al., 2010；Page et al., 2021）。作者說明 PRISMA 建議至少使用三個資料庫，本研究刻意提高至五個，以回應既有回顧「資料庫過少」的方法論缺口；文獻檢索與篩選過程以 PRISMA 流程圖呈現（原文 Fig. 1，第 3 頁）。
資料來源與檢索策略
- 資料庫（5 個）：Web of Science、Scopus、EBSCO、IEEE Xplore、ScienceDirect。選擇理由為此五者在教育科技領域文獻回顧中廣泛使用、涵蓋眾多頂尖期刊，可同時保障文獻品質與廣度。
- 檢索日期：2025 年 3 月 17 日；未設定起始年，以便檢視是否存在更早期的相關實證研究。
- 檢索式（前四個資料庫）：(“generative artificial intelligence” OR “generative AI” OR “GenAI” OR “artificial intelligence generated content” OR “AIGC” OR “GPT”) AND (“teacher education” OR “teacher training” OR “teacher professional development” OR “teacher development” OR “teacher preparation”)。
- 檢索式（ScienceDirect）：因該資料庫限制布林連接詞數量，略作修改為 (“generative artificial intelligence” OR “generative AI” OR “artificial intelligence generated content” OR “GPT”) AND (“teacher education” OR “teacher training” OR “teacher professional development” OR “teacher development” OR “teacher preparation”)。
納入與排除標準
- 納入標準：必須為英文發表的實證研究；聚焦生成式 AI 融入教師發展；具體檢視生成式 AI 對教師發展介入的影響。
- 排除標準：非實證論文（概念性論文、理論性論文、回顧、社論）；非英文論文；未同時明確聚焦生成式 AI 與教師發展介入者。
篩選程序與其一致性處理
篩選分兩輪：第一輪瀏覽全部論文的標題與摘要，排除 279 篇、保留 43 篇；其中 2 篇無法取得全文，餘 41 篇進入第二輪。第二輪逐篇全文瀏覽，排除 21 篇、保留 20 篇合格研究。另透過搜尋引擎的關鍵詞組合手動檢索及保留文獻的參考文獻回溯，補入 2 篇合格論文，最終納入 22 篇。兩輪篩選過程中，均由一位同儕研究者複核 20 % 的論文，歧見透過討論解決。
資料編碼與分析方法
- 編碼與分析對齊研究問題：RQ1 擷取作者、年份、國家、方法、效果量；RQ2 編碼參與者類型（師資生／在職教師）、人數、學科；RQ3 記錄生成式 AI 類型、在介入中的應用、介入時長。
- RQ4 採主題分析，步驟為：(1) 記錄各篇關於介入成效的結論及其對應的研究問題或目的；(2) 於各結論中以顏色標示表示成效的名詞片語（如 teachers' knowledge、teacher self-efficacy、higher order thinking）；(3) 回頭檢視對應的研究目的或問題以避免遺漏；(4) 對每個名詞片語進行編碼，保留原片語或代換為意義相近的既有碼；若與既有碼相近則賦予同一碼，若無相近碼則新增一碼。
- 編碼示例（原文所舉）：Lu et al.（2024）結論指出實驗組師資生在教師自我效能（F = 8.589, p = 0.0084 < 0.05）與高階思維（F = 7.217, p = 0.008 < 0.05）上顯著優於控制組。其中「teacher self-efficacy」因先前已有相近碼「self-confidence」且多篇文獻提及「confidence」，故編為「teacher self-confidence」；「higher order thinking」無相近既有碼，故新增一碼。
信效度／嚴謹性處理
- 篩選階段：每輪由同儕研究者複核 20 % 樣本，歧見以討論達成共識。
- 編碼階段：兩位資深研究者先各自獨立編碼 10 篇，比對結果並以討論消解歧異、取得共識；其後由一位研究者完成其餘編碼與分析。
- 主題確認階段：主題確立後，由該研究者將主題交另一位資深研究者檢核是否認同編碼與分析結果，歧見以討論解決。
- 未報告任何量化的評分者間信度係數（如 Cohen's kappa）—（原文未明示）。
研究流程（表格）
| 步驟 | 階段名稱 | 主要工作 | 產出 |
|---|---|---|---|
| 1 | 缺口界定與研究問題設定 | 檢視既有回顧（範疇綜述、系統性回顧、後設分析、綜合性回顧、快速回顧），指出其偏重學生族群、僅附帶提及教師發展、資料庫數量有限等缺口 | 四個研究問題 RQ1–RQ4（整體特徵、參與者特徵、介入設計特徵、介入成效） |
| 2 | 檢索策略擬定 | 選定 5 個資料庫（Web of Science、Scopus、EBSCO、IEEE Xplore、ScienceDirect）；以「generative AI」與「teacher development」的各種變體，用 AND／OR 組成檢索式；ScienceDirect 因布林連接詞數量限制而略作簡化；未設起始年 | 兩組檢索字串；檢索日 2025 年 3 月 17 日 |
| 3 | 資料庫檢索與去重 | 於五個資料庫執行檢索，合併結果並移除重複 | 初步 402 篇 → 移除 80 篇重複 → 322 篇待篩選 |
| 4 | 納入／排除標準訂定 | 於篩選前確立標準：須為英文實證研究且聚焦生成式 AI 融入教師發展介入之影響；排除非實證、非英文、未同時聚焦兩主題者 | 一組可操作的納入與排除準則 |
| 5 | 第一輪篩選（題目與摘要） | 瀏覽 322 篇的標題與摘要，逐篇對照標準；同儕研究者複核 20 %，歧見以討論解決 | 排除 279 篇，保留 43 篇；其中 2 篇無法取得全文，餘 41 篇 |
| 6 | 第二輪篩選（全文審閱） | 對 41 篇進行全文瀏覽並判定合格性；同儕研究者同樣複核 20 % | 排除 21 篇，保留 20 篇合格研究 |
| 7 | 補充檢索與最終納入 | 以關鍵詞組合於搜尋引擎手動檢索，並回溯保留文獻的參考文獻清單 | 新增 2 篇，最終納入 22 篇；完成 PRISMA 流程圖（Fig. 1） |
| 8 | 資料萃取與編碼 | 依 RQ1–RQ3 逐篇萃取作者／年份／國家／方法／效果量、參與者類型與人數與學科、生成式 AI 類型與應用與介入時長；RQ4 以名詞片語為單位進行歸納編碼；兩位資深研究者先獨立編碼 10 篇後取得共識 | Table 1（研究概況）與 Table 2（參與者與介入設計特徵）；一套成效碼表 |
| 9 | 主題分析與結果統整 | 將成效碼收斂為主題，並由另一位資深研究者檢核；繪製年度發表趨勢 | 七項介入成效主題；Fig. 2（年度發表趨勢） |
| 10 | 討論、結論與實務建議撰寫 | 將結果與既有文獻對話（如 Chiu, 2024；Jeon & Lee, 2023），釐清「improvement」與「influence」之別，提出倫理與政策議題 | 對政策制定者、師資培育者／介入設計者、生成式 AI 工具開發者與學者的四組建議；四項研究限制與四項未來研究方向 |
條列式研究流程
- Step 1：盤點既有回顧並指出其偏重學生、資料庫過少與教師發展僅被附帶提及的缺口，據此設定 RQ1–RQ4。
- Step 2：擬定檢索策略，選定五個資料庫並以生成式 AI 與教師發展的關鍵詞變體組成布林檢索式，不設起始年。
- Step 3：於 2025 年 3 月 17 日執行檢索取得 402 篇，移除 80 篇重複後餘 322 篇。
- Step 4：於篩選前訂定納入標準（英文實證研究、聚焦生成式 AI 融入教師發展介入）與排除標準（非實證、非英文、主題不符）。
- Step 5：第一輪以標題與摘要篩選，排除 279 篇保留 43 篇，其中 2 篇無法取得全文而餘 41 篇。
- Step 6：第二輪逐篇全文審閱，排除 21 篇並保留 20 篇合格研究，兩輪皆由同儕研究者複核 20 % 並以討論解決歧見。
- Step 7：以搜尋引擎手動檢索與參考文獻回溯補入 2 篇，最終確定 22 篇納入文獻並繪製 PRISMA 流程圖。
- Step 8：依 RQ1–RQ3 逐篇萃取整體特徵、參與者特徵與介入設計特徵，並就 RQ4 以名詞片語為單位歸納編碼，由兩位資深研究者先獨立編碼 10 篇取得共識。
- Step 9：將成效碼收斂為七項主題並交另一位資深研究者檢核，同時整理年度發表趨勢。
- Step 10：撰寫討論與結論，與既有文獻對話並提出倫理政策議題、四組實務建議、四項限制與四項未來研究方向。
研究議題與討論重點收斂
議題一：研究對象結構失衡——師資生主導、在職教師被低估、樣本普遍偏小
發現摘要：13 篇（59.1 %）僅研究師資生，7 篇（31.8 %）僅研究在職教師，2 篇（9.1 %）同時涵蓋兩者；參與人數方面 13 篇（59.1 %）少於 40 人，5 篇（22.7 %）為 40–80 人，4 篇（18.2 %）為 90–220 人，最小樣本 6 人、最大 215 人。作者機構以中國為多數，其餘包括美國、哈薩克、澳洲、奧地利、芬蘭、南韓、斯洛維尼亞、土耳其與愛沙尼亞。
作者詮釋：師資生受青睞的可能原因是高教機構教育學院研究者更易接觸此族群、便於蒐集資料。此偏重造成在職教師被低估，而在職教師的經驗、需求與挑戰可能與師資生不同，因此顯著影響結果的可推論性；再加上過半研究樣本少於 40 人，可能引入偏誤並限制代表性，兩者相加構成推論上的關鍵限制，套用結果時需謹慎。與過往文獻的對話：此發現與 Chiu（2024）主張「生成式 AI 對教育影響的討論在高教情境中尤為突出」一致；地理集中雖可能是偏誤，但也反映亞太研究者對此議題的重視（呼應 Wong & Looi, 2024 的區域視角）。
議題二：方法論成熟度不足——混合方法為主，過半未報告效果量
發現摘要：方法取向以混合方法最多（14 篇），其次為質性（5 篇）與量化（3 篇）；效果量方面 22 篇中有 13 篇未報告任何效果量。有報告者所用指標分散，包括 Cohen's d、η²（ANCOVA／ANOVA）、r 值（Wilcoxon 符號等級檢定、等級雙序列相關）、b 值與 95 % 信賴區間，甚至有研究僅給出效果量數值而未說明所用指標（Markel et al., 2023）。年度趨勢顯示 2024 年相關研究激增，且 2025 年不到三個月的發表量已達 2024 年全年的三分之二。
作者詮釋：作者直言這代表該領域「在量化統計方法的應用上存在某些忽視」，並將此與樣本過小並列為證據品質上的隱憂；同時，發表量的陡升說明這是一個新興且快速成長的領域，現階段的綜述只能是「學術地貌的早期測繪（an early mapping of the scholarly terrain）」。
議題三：工具高度集中於 ChatGPT，應用可收斂為三大類，介入以中期為主
發現摘要：最常使用的工具是 ChatGPT（16 篇）；另有依 GPT 模型客製的工具（CollectiveGPT、GPTeach），以及 Bing Chat、Claude、ERNIE Bot（文心一言）、Gemini、magicschool.ai、Midjourney、Microsoft Copilot、LLaMA 等。核心應用歸為三類：教學資源開發（產生教案、測驗、評量、評分規準與教材，如聽力腳本、字彙表、閱讀理解學習單、音訊資源，並激發思想實驗、跨語言比較活動等創意設計）、個人化教學支持（分析學習者語言錯誤以實施精準教學、提供即時個人化回饋、為個別兒童生成個別化教育計畫目標）、教師學習環境建構（融入以心智圖為基礎的協作學習情境、人機互動模擬如扮演學生角色與人機情境對話）。介入時長從單次 45 分鐘或 2 小時（120 分鐘）到數個月不等，但多數落在 4–16 週。
作者詮釋：ChatGPT 的獨大反映其技術的快速擴散——公開發布後不久即吸引超過一億活躍使用者（Hu, 2023）。三大應用與 Jeon 與 Lee（2023）將 ChatGPT 功能歸為對話者、內容提供者、教學助理與評量者的分類相似，形成跨文獻的一致性；學科橫跨物理、數學、英語、歷史、教育科技等常見領域，也延伸到護理、資訊科學、特殊教育、工藝科學等專門領域，呼應 Ooi et al.（2025）對生成式 AI 跨領域效用的判斷。介入時長的差異則被解讀為各研究情境與目的不同，其規模常取決於研究預期的深度與焦點。
議題四：七項成效中「高階思維」最為研究不足，且伴隨過度依賴的風險
發現摘要：主題分析歸納出七項成效——提升學習成果、增進教師知識、發展高階思維、影響課程設計與實施能力、改善自我價值與自信、促進正向態度與使用意圖、培育 AI 素養。其中僅有 2 篇（Li et al., 2024；Lu et al., 2024）明確探討高階思維，雖皆呈現正向效果，但篇數過少無法形成定論。學習成果提升的可能機制包括認知負荷較低（Li et al., 2024, 2025）與任務完成效率提高、耗時顯著減少（Rakap, 2024；Li et al., 2024）。教師知識面向涵蓋 TCK、TPK、TPACK（Kong & Yang, 2024；Urazbayeva et al., 2024）以及內容知識、教學內容知識與 STEM 教學知識。
作者詮釋：作者以 Sweller（1988）的認知負荷理論解釋學習成效的改善路徑；並援引 Chan（2023）與 Yang et al.（2024）指出過度依賴生成式 AI 可能反而削弱批判思考的發展，形成與「正向效果」並存的張力，因而呼籲後續研究須檢驗依賴程度到何種程度會對批判思考造成損害。
議題五：AI 素養像是介入的「內生副產品」，並促成「生成式 AI 素養」的概念重構
發現摘要：僅有 2 篇明確以「AI literacy」為名探討成效（Abdulayeva et al., 2025；Brünner et al., 2025），且皆發表於 2025 年；其他研究雖未使用該詞，卻觸及其不同面向，包括認識與理解 AI（Kong & Yang, 2024；Reichert et al., 2024；Yang & Markauskaite, 2025）、使用與應用 AI（Lipovec, 2024；Urazbayeva et al., 2024）、對 AI 部署的批判意識（Moorhouse, Wan, Wu, et al., 2024）與 AI 倫理（Yang & Markauskaite, 2025）。
作者詮釋：作者認為這意味著 AI 素養可能是「涉及生成式 AI 的教師發展介入所內生的附帶產出」。與過往文獻對照：AI 素養雖已被納入若干國家課程（Southworth et al., 2023），但其融入師資培育方案仍相當有限（Sperling et al., 2024）。作者進一步提出概念層次的問題——既然生成式 AI 是 AI 的特定形式，AI 素養是否應在生成式 AI 脈絡下被重新定義？並引 Zhao et al.（2024）主張的「生成式 AI 素養」（可從務實、安全、反思、社會倫理與情境理解等面向界定）、Simms（2025）在護理教育中的呼應，以及 Casey（2024）與 Lee 與 Park（2024）提出的「ChatGPT 素養」，作為此一概念演化的證據。本文並自我定位為將「生成式 AI 素養」確立為新興且動態概念的理論貢獻。
議題六：「改善（improvement）」與「影響（influence）」之別——AI 無法取代師徒制，指向 hybrid（AI ＋ human）模式
發現摘要：課程設計與實施能力的成效被刻意標記為「影響」而非「改善」，原因是有兩篇研究發現與在職教師配對的師資生在教案設計與教學能力上表現優於與 ChatGPT 配對者（Li et al., 2024, 2025）。作者明確定義：「improvement」指涉生成式 AI 教師發展帶來的正向改變，「influence」則涵蓋更複雜、未必導向正向結果的影響。
作者詮釋：這顯示生成式 AI 雖能強化教師發展的某些面向，但師徒制與同儕協作等傳統方法無法被完全取代；教師發展的未來可能在於傳統模式與生成式 AI 優勢的整合，例如將資深教師、生成式 AI 與新手教師置於同一協作學習環境的混成取徑。此論點與 Li et al.（2025）強調人際互動與師徒指導不可替代、主張技術創新與傳統教育實務平衡的立場一致。惟作者也承認，因這類實證研究數量仍少，目前難以提出完整的 hybrid（AI ＋ human）概念或視覺架構，只能指出「AI ＋ 師徒指導」是現實可行的方向。
議題七：倫理與政策層面的隱憂
發現摘要：作者援引 Giannakos et al.（2024）綜整九位專家觀點的評論文章，指出四項倫理關切：AI 生成資訊的可信度（可能不準確而不當形塑教師觀點）、資料隱私與透明性（若方案蒐集個人與專業資料須遵守隱私規範，且教師須被充分告知資料用途與生成式 AI 的角色）、過度依賴可能削弱教師的專業自主與判斷、以及需要國際合作以建立統一的指引、規範與法律。
作者詮釋：生成式 AI 應是補充而非取代人類在決策上的專業，教師發展方案應明確強調此點；AI 素養宜納入國家層級教育政策，並提供持續性的專業發展機會。此議題最終轉化為對政策制定者、師資培育者／介入設計者、生成式 AI 工具開發者與學者的四組具體建議（後者如開發多模態或次世代工具，並整合 AR／VR 沉浸式技術以提供多樣課堂情境）。
未來研究缺口
作者明示的研究限制（原文第 6 章，共四點）
- 納入研究缺乏縱貫性或追蹤研究（longitudinal or follow-up research），限制了對生成式 AI 對教師發展長期影響的理解。
- 納入研究過度依賴 ChatGPT，可能限制工具的多樣性。
- 排除非英文文獻引入潛在偏誤，非英文研究中有價值的洞見可能被忽略。
- 即使已納入會議論文，總計回顧的研究數量仍相對偏少，難以提出 hybrid（AI ＋ human）模式的概念或視覺架構；但作者同時指出，語料規模有限也表示這是一個正在萌發的研究領域，本回顧屬於學術地貌的早期測繪。
另於討論與結論中，作者亦將「研究對象過度集中於師資生導致在職教師代表性不足」與「過半研究樣本少於 40 人」列為影響結果可推論性的關鍵限制。
作者明示的未來研究方向（原文列為四項，並附建議研究問題與資料來源）
- 首要議題是增加縱貫性或長期研究，以檢視生成式 AI 對教師發展的長期影響；建議研究問題如「生成式 AI 如何隨時間影響教師發展成效？」「此類介入的持續效果為何？」；建議採混合方法，量化面以連續性問卷與評量測量成效，質性面以觀察、訪談與作品分析捕捉教師的個人經驗；資料來源可包含知識或技能評量、教學檔案（teaching portfolios）與生成式 AI 互動的數位紀錄。
- 探究融入生成式 AI 的教師發展如何影響教師高階思維的發展，例如「涉及生成式 AI 的教師發展方案如何促進或阻礙批判思考技能的成長？」；資料來源可包含測驗、訪談與不同教育情境教師的個案研究。
- 針對 AI 素養進行研究，特別是教師所需的具體 AI 素養面向，例如「融入生成式 AI 的專業發展如何提升教師的 AI 素養？」；可以問卷與介入前後測追蹤 AI 素養變化，並涵蓋新手與資深教師等多元教師族群。
- 深入研究師資培育者或資深教師在 hybrid（AI ＋ human）教師發展取徑中的角色，例如「混成教師發展取徑與僅使用生成式 AI 的介入相較如何？」「師資培育者或資深教師在混成取徑中扮演什麼角色？」；建議採混合方法，含問卷、訪談與不同教育場域的觀察。
此外作者亦點出兩條研究路線的可能順序：未來實證研究可先提出架構再以實證證據支持或驗證，或先進行實證研究再據發現建構架構；對未來的回顧研究而言，待跨多元教育情境的相關實證研究累積足夠後，才是提出 hybrid 模式概念或視覺架構的適當時機。
值得引用的段落句子
| # | 原文句子 | 中譯 | 出處 | 適用情境 |
|---|---|---|---|---|
| 1 | Generative AI has great potential to revolutionize teacher development, yet reviews of its integration in this field remain limited. | 生成式 AI 具有徹底革新教師發展的巨大潛力，然而針對其在此領域整合情形的回顧研究仍然有限。 | p.1（Abstract） | 緒論鋪陳、研究缺口宣告 |
| 2 | If teacher educators fail to design and implement appropriate professional development interventions, they will be unable to adequately prepare teachers for a future in which generative AI tools are ubiquitous, leading to a situation where teachers lack the necessary skills and knowledge to equip the next generation of students. | 若師資培育者未能設計並實施適當的專業發展介入，他們將無法讓教師充分準備好面對生成式 AI 工具無所不在的未來，導致教師缺乏必要的技能與知識來裝備下一代學生。 | p.1–2 | 緒論鋪陳、論述研究重要性 |
| 3 | While some empirical studies have explored the integration of generative AI into teacher development, the findings remain fragmented and dispersed. | 雖然已有一些實證研究探討生成式 AI 融入教師發展，但其研究發現仍然零散且分散。 | p.2 | 研究缺口鋪陳、說明為何需要綜述 |
| 4 | This scoping review followed the process of Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA), which recommends utilizing at least three databases as data sources for conducting reviews. | 本範疇綜述依循「系統性回顧與後設分析首選報告項目」（PRISMA）的流程，該指引建議進行回顧時至少使用三個資料庫作為資料來源。 | p.3 | 方法佐證、回顧方法論依據 |
| 5 | In each of the two rounds of screening process, a peer researcher reviewed 20 % of the papers. Any disagreements were resolved through discussion. | 在兩輪篩選過程中，皆由一位同儕研究者複核 20 % 的論文，任何歧見均透過討論解決。 | p.4 | 方法佐證、篩選嚴謹性交代 |
| 6 | In terms of methodological approaches, mixed methods were the most commonly adopted, appearing in 14 studies. This was followed by qualitative methods in 5 studies and quantitative methods in 3 studies. | 在方法取向方面，混合方法最為常見，出現於 14 篇研究；其次是質性方法 5 篇與量化方法 3 篇。 | p.4 | 結果引用、領域方法論現況描述 |
| 7 | The core applications can be categorized into three key areas: instructional resource development, personalized pedagogical support, and the construction of teachers' learning environments. | 其核心應用可歸類為三個關鍵領域：教學資源開發、個人化教學支持，以及教師學習環境的建構。 | p.5 | 結果引用、介入設計架構依據 |
| 8 | However, the majority of interventions fell within the medium-term range, spanning 4–16 weeks. | 然而，多數介入落在中期範圍，橫跨 4 至 16 週。 | p.5 | 方法設計佐證、規劃介入時長的參照 |
| 9 | Li et al. (2024, 2025) demonstrated that student teachers paired with in-service teachers outperformed those working with ChatGPT in designing lesson plans and demonstrating teaching competence. | Li 等人（2024, 2025）證實，與在職教師配對的師資生，在教案設計與教學能力展現上優於與 ChatGPT 合作者。 | p.7 | 討論對話、對 AI 取代論的反證 |
| 10 | The combination of a limited population focus and small sample sizes highlights a critical limitation in the generalizability of the findings, suggesting that caution is needed when applying these results to broader contexts. | 研究族群焦點狹窄與樣本規模偏小兩者相加，凸顯了研究發現在可推論性上的關鍵限制，意味著將這些結果應用於更廣泛情境時須格外謹慎。 | p.8 | 研究限制論述、批判既有證據品質 |
| 11 | This implies that AI literacy may emerge as an inherent byproduct of teacher development interventions that involve generative AI. | 這意味著 AI 素養可能是涉及生成式 AI 的教師發展介入所內生的附帶產出。 | p.8 | 討論對話、AI 素養理論定位 |
| 12 | Instead, the future of teacher development may lie in the integration of traditional modes with the strengths of generative AI. | 反之，教師發展的未來或許在於將傳統模式與生成式 AI 的優勢加以整合。 | p.8 | 討論對話、混成（AI ＋ human）取徑主張 |
| 13 | Specifically, “improvement” refers to the positive changes resulting from teacher development initiatives involving generative AI, while “influence” encompasses more complex impacts, which may not always lead to positive outcomes. | 具體而言，「改善」指涉涉及生成式 AI 的教師發展措施所帶來的正向改變，而「影響」則涵蓋更複雜的作用，未必總是導向正向結果。 | p.9 | 概念界定、成效詮釋的用語校準 |
| 14 | In this context, this review is an early mapping of the scholarly terrain. | 在此脈絡下，本回顧是對此學術地貌的一次早期測繪。 | p.9 | 研究定位、綜述貢獻的自我節制表述 |
值得延伸閱讀的論文
以下 9 篇皆實際出現於本論文參考文獻清單，書目依 APA 第 7 版格式重排。
- Sperling, K., Stenberg, C.-J., McGrath, C., Åkerfeldt, A., Heintz, F., & Stenliden, L. (2024). In search of artificial intelligence (AI) literacy in teacher education: A scoping review. Computers and Education Open, 6, Article 100169. https://doi.org/10.1016/j.caeo.2024.100169
為何值得讀：同樣以範疇綜述檢視 AI 素養在師資培育中的位置，是與本文最直接可對照的方法論與主題「姊妹作」。
與本論文的關係：本文引用其結論指出 AI 素養融入師資培育方案仍相當有限，成為第五項議題（AI 素養為介入副產品）的關鍵支撐。 - Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. Association for Computing Machinery. https://doi.org/10.1145/3313831.3376727
為何值得讀：AI 素養領域的奠基性定義文獻，提出能與 AI 溝通、協作並批判性評估 AI 的能力組合與設計考量。
與本論文的關係：本文採用其定義作為 AI 素養成效主題的概念錨點，若要延續本文的 AI 素養討論，此文是不可跳過的起點。 - Zhao, X., Cox, A., & Cai, L. (2024). ChatGPT and the digitisation of writing. Humanities and Social Sciences Communications, 11(1), Article 482. https://doi.org/10.1057/s41599-024-02904-x
為何值得讀：主張生成式 AI 的能力（如由簡短提示創造內容）迫使 AI 素養概念更新，提出應以務實、安全、反思、社會倫理與情境理解等面向界定「生成式 AI 素養」。
與本論文的關係：本文將「生成式 AI 素養」定位為新興動態概念的理論貢獻主要建立在此文之上。 - Li, T., Zhan, Z., Ji, Y., & Li, T. (2025). Exploring human and AI collaboration in inclusive STEM teacher training: A synergistic approach based on self-determination theory. Internet and Higher Education, 65, Article 101003. https://doi.org/10.1016/j.iheduc.2025.101003
為何值得讀：以自我決定理論（Self-Determination Theory, SDT）為框架探討人類與 AI 協作的師資培訓，是少數直接對照「與在職教師配對」與「與 ChatGPT 配對」的實證研究。
與本論文的關係：本文據此區分「改善」與「影響」，並以其為 hybrid（AI ＋ human）取徑的核心證據來源。 - Lu, J., Zheng, R., Gong, Z., & Xu, H. (2024). Supporting teachers' professional development with generative AI: The effects on higher order thinking and self-efficacy. IEEE Transactions on Learning Technologies, 17, 1267–1277. https://doi.org/10.1109/TLT.2024.3369690
為何值得讀：納入研究中樣本最大者（N = 215），並自建含批判思考、創造思考、後設認知思考、問題解決與計算思考五面向的高階思維量表。
與本論文的關係：本文的編碼示例即取自此研究（自我效能 F = 8.589, p = 0.0084；高階思維 F = 7.217, p = 0.008），也是僅有兩篇處理高階思維的研究之一。 - Kong, S. C., & Yang, Y. (2024). A human-centered learning and teaching framework using generative artificial intelligence for self-regulated learning development through domain knowledge learning in K–12 settings. IEEE Transactions on Learning Technologies, 17, 1562–1573. https://doi.org/10.1109/TLT.2024.3392830
為何值得讀：提出以人為本的生成式 AI 學習與教學架構，並在教師發展中同時觸及 TCK、TPK、TPACK 與 AI 素養多個面向。
與本論文的關係：在本文中同時支撐「增進教師知識」、「改善自信」與「AI 素養」三項成效主題，是跨主題引用頻次最高的納入研究之一。 - Deng, R., Jiang, M., Yu, X., Lu, Y., & Liu, S. (2025). Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies. Computers & Education, 227, Article 105224. https://doi.org/10.1016/j.compedu.2024.105224
為何值得讀：以系統性回顧結合後設分析檢驗 ChatGPT 對學習的效果，方法論嚴謹度高於一般敘事式回顧，可作為量化統整的方法範本。
與本論文的關係：本文以其為「既有回顧偏重學生族群」的代表案例，同時它也示範了本文因效果量報告不足而無法採行的後設分析路徑。 - Wang, N., Wang, X., & Su, Y.-S. (2024). Critical analysis of the technological affordances, challenges and future directions of generative AI in education: A systematic review. Asia Pacific Journal of Education, 44(1), 139–155. https://doi.org/10.1080/02188791.2024.2305156
為何值得讀：系統整理生成式 AI 的四項可負擔性（可及性、個人化、自動化、互動性）與五項挑戰（學術誠信、偏誤或錯誤回應、過度依賴、數位落差、隱私與安全）。
與本論文的關係：為本文倫理與風險討論提供概念清單，是撰寫生成式 AI 教育研究背景時最省力的引用來源。 - Giannakos, M., Azevedo, R., Brusilovsky, P., Cukurova, M., Dimitriadis, Y., Hernandez-Leo, D., … Rienties, B. (2024). The promise and challenges of generative AI in education. Behaviour & Information Technology, 44(11), 2518–2544. https://doi.org/10.1080/0144929X.2024.2394886
為何值得讀：綜整九位專家對生成式 AI 於教育中機會、挑戰與意涵的反思，適合快速掌握該領域的爭點地圖。
與本論文的關係：本文倫理與政策層面的討論（可信度、隱私與透明性、過度依賴、國際協作）主要以此文為對話對象。