人工智慧於教學與教師專業發展：一項系統性回顧

論文基本資訊

精簡摘要與研究框架

本文針對 2015 年 1 月至 2024 年 7 月間發表、探討教師在教學與專業發展中運用人工智慧（artificial intelligence, AI）技術的期刊論文，依 PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）原則與流程進行系統性回顧。作者以 Scopus 與 Web of Science（WoS）兩大資料庫檢索，初步取得 5623 筆文獻，經納入排除準則、去重、標題摘要篩選與全文審查後，最終納入 95 篇實證研究論文，並以演繹編碼（deductive coding）結合歸納編碼（inductive coding）分析其出版趨勢、地區與學科分布、教育階段、AI 技術類型與研究主題，編碼者間一致性以 Cohen's Kappa 檢核達 0.85。結果顯示研究焦點嚴重失衡：65% 的研究處理 AI 在教學中的應用（涵蓋對話式 AI 及相關技術、AI 驅動的學習與評量系統、沉浸式技術、視覺與聽覺運算、教與學分析），僅 35% 探討 AI 對教師專業發展的助益。作者據此指出，教師在導入 AI 過程中的發展需求長期被研究社群忽略，未來研究應同時從學生學習與教師教學兩種視角檢視 AI 的教育應用，並優先處理技術與倫理挑戰，以確保 AI 在教育中被負責任且有效地整合。

研究框架

本研究非變項取向的實證研究，而是以「供給—需求」為概念軸線的質性文獻綜整框架：作者將「教育機構所提供的專業發展機會（supply）」與「教師整合 AI 所實際產生的發展需求（demand）」對置，用文獻分布的失衡程度作為兩者落差的證據。

分析架構為兩層階層式編碼：第一層為兩大類目——「AI in teaching（AI 於教學）」與「AI in professional development（AI 於專業發展）」；第二層在「AI 於教學」下歸納出 5 個子類目，在「AI 於專業發展」下歸納出 4 個子類目。

每一子類目再以軸心編碼（axial coding）交叉兩個由演繹編碼而來的次級碼——學科（discipline）與教育階段（educational level），形成「主題 × 學科 × 階段」的三維描述矩陣。

三個研究問題構成分析的推進順序：RQ1 描繪整體樣貌（趨勢、地區、學科、階段、技術類型），RQ2 深入教學應用的實作型態，RQ3 收斂至教師專業發展方案的研究版圖，最後在討論中將三者對照，推導出「失衡」此一核心命題。

研究動機與研究目的

研究動機

• 問題背景：2022 年以降，以 ChatGPT 為代表的生成式 AI（generative AI）快速成熟，帶動自然語言處理、電腦視覺等既有 AI 技術大量進入教育場域，使「AI 於教育」成為顯學；同時也引發 AI 可能弱化教師角色、損害教育品質、負面影響學生認知發展的疑慮（Chan & Tsi, 2023; Edwards & Cheok, 2018）。
• 技術斷層：生成式 AI 出現前，AI 在教育的應用大多侷限於智慧學習系統與自動評分等教學與評量支援任務（Wang, 2021），早期系統在評估複雜認知表現與生成個人化學習內容上能力有限（Zawacki-Richter et al., 2019）；生成式 AI 大幅擴張了應用範疇，既有研究結論是否仍適用需要重新盤點。
• 既有回顧的共同盲點：Ng et al. (2023)、Chiu et al. (2023)、Crompton & Burke (2023)、Zawacki-Richter et al. (2019)、Bozkurt et al. (2021) 等回顧研究雖已廣泛梳理 AI 的教育應用，但多聚焦於 AI 對教學歷程的直接影響，對教師角色與其專業發展需求著墨相對稀少。
• 供需落差：多篇研究已指出教育機構所提供的 AI 技術訓練與教師實際需求之間存在明顯錯配（Chiu et al., 2023; Ng et al., 2023; Zawacki-Richter et al., 2019）。鑑於教師在教育活動中的樞紐地位，其 AI 技術素養攸關教學品質，因此有必要系統性檢視教師如何實際運用 AI，並彌合既有專業發展方案與教師真實需求之間的鴻溝。

研究目的

本研究旨在回顧 2015 至 2024 年間的研究，建立對「教師將 AI 技術整合進教學及其專業發展」之整體理解，檢視專業發展機會之供給與教師應用 AI 之需求兩者的關係，並提出可操作的教師專業發展方案建議。選定此一時期係因 2015 年是深度學習與自然語言處理等突破性技術湧現的關鍵年份（LeCun et al., 2015），亦是 AI 驅動的教師訓練與專業發展工具興起之始（Luckin et al., 2016）。三項研究問題（RQs）如下：

1. RQ1：2015 年 1 月至 2024 年 7 月間，關於 AI 於教學與專業發展的出版趨勢為何？包括研究數量、地理分布、學科焦點、教育階段，以及所使用的 AI 技術類型。
2. RQ2：教師在不同教育階段與學科焦點下，如何將 AI 技術整合進其教學實踐？
3. RQ3：以支援 AI 融入教學為目標之教師專業發展方案，其主要研究領域為何？

作者說明：RQ1 提供時序與脈絡的全景，辨識成長期與焦點轉移；RQ2 揭露 AI 使用的差異樣態，以利發展因地制宜的整合策略；RQ3 描繪主題版圖，指出既有研究的主導議題與未被充分探索之處。三者合而構成理解此一領域的完整框架。

文獻探討大綱

本文未設獨立的「文獻探討」章節，相關論述整合於第 1 節 Introduction，並在第 3 節 Results 與第 4 節 Discussion 中與納入文獻對話。以下依原文論證推進順序重建其階層。

• 一、AI 進入教育的技術驅動力（Introduction 第 1–2 段）
  • 生成式 AI 的成熟與外溢——論證角色：建立「為何此刻須重新檢視」的時代前提。以 ChatGPT 為例，說明其在下游任務的成熟度（Bengesi et al., 2024; Lin et al., 2022），並帶動 NLP、電腦視覺等技術進入教育（Lo, 2023; Mai et al., 2024）。
  • 教育場域的 AI 工具譜系——論證角色：界定研究對象的技術邊界。聊天機器人、AI 輔助學習平台、資料驅動決策支援系統、學習行為分析工具（Tang et al., 2023; Zhang & Aslan, 2021）。
  • 爭議面：教師角色被稀釋、教育品質與學生認知發展的隱憂（Chan & Tsi, 2023; Edwards & Cheok, 2018）——論證角色：提供張力，說明研究不能只問效能。
• 二、生成式 AI 前後的教育 AI 分野（Introduction 第 3–4 段）
  • 前生成式 AI 時期的窄用途——論證角色：建立對照基準。智慧學習系統與自動評分（Wang, 2021）；Baker et al. (2019) 提出的三類利害關係人（學習者、教師、教育行政人員），並以 CENTURY（智慧學習系統，服務學生自主學習）、ClassCharts（智慧教學管理軟體，減輕教師行政負擔）為例。
  • 早期系統的能力限制：難以評估複雜認知表現、難以生成個人化學習內容（Zawacki-Richter et al., 2019）——論證角色：指出技術世代差異，合理化 2015 年為起點。
  • 生成式 AI 帶來的擴張：文本與圖像生成、程式設計、創意寫作（Creely & Blannin, 2023; Denny et al., 2024），以及對教師教學效率與教學創新時間的釋放（Kshetri, 2023）——論證角色：導出「教師端」為新的關鍵變數。
• 三、既有回顧研究的盤點（Introduction 第 5 段）
  • Ng et al. (2023)：2000–2020 年 AI 於教與學的演進，指出大學層級資訊科學教育的普及與 K-12 的成長趨勢，以及全球將 AI 素養納入教育標準的運動——論證角色：確立時間軸縱深。
  • Chiu et al. (2023)：AI 於教育的機會、挑戰與未來方向——論證角色：提供主題分類的參照，亦是本文編碼架構的來源之一。
  • Crompton & Burke (2023)：2016–2022 年高等教育的 AI 應用，指出使用量與地理分布同步擴張——論證角色：支持「量的成長」但突顯「教師視角缺席」。
  • Zawacki-Richter et al. (2019)：高等教育 AI 應用以學術支援服務與機構行政為主——論證角色：本文最核心的對話對象，其「教育者何在」之問正是本文承接的缺口。
  • Bozkurt et al. (2021)：五十年 AI 教育研究的主題梳理，指出倫理議題的顯著缺口——論證角色：鋪陳本文結論中對倫理的呼籲。
• 四、研究缺口的收斂（Introduction 第 6 段）
  • 既有文獻偏重 AI 對教學歷程的直接影響，對教師角色與專業發展需求相對忽視——論證角色：缺口宣稱（gap statement）。
  • 機構訓練供給與教師實務需求之間的錯配（Chiu et al., 2023; Ng et al., 2023; Zawacki-Richter et al., 2019）——論證角色：將缺口具體化為「供需落差」，直接對應本文的分析框架。
• 五、方法學與分析取徑的理論依據
  • PRISMA 2020（Page et al., 2021）：系統性回顧的報告與執行標準。
  • 紮根理論編碼（grounded theory coding, Strauss & Corbin, 1994）與實境編碼（in vivo coding, Saldaña, 2021）：歸納階段的方法依據。
  • Cohen's Kappa 與其判讀標準（McHugh, 2012）：編碼者間信度的檢核依據。
  • 高品質期刊優先原則（Booth et al., 2021; Hwang et al., 2021; Tang et al., 2023）：排除非實證與會議論文的正當性論據。
• 六、於結果與討論中被援引的核心理論／模型
  • TPACK（Technological Pedagogical Content Knowledge，科技教學內容知識）及其 AI 延伸——本文中出現三種變體：Lee & Zhai (2024) 的改良式 TPACK 評分規準、Celik (2023) 的 Intelligent-TPACK 量表（納入倫理面向）、Ning et al. (2024) 的 AI-TPACK 框架（AI-TK／AI-TCK／AI-TPK）；亦為 Kim (2024)、Sun et al. (2023) 專業發展方案的設計骨幹。
  • 自我效能理論（self-efficacy theory）——Chou et al. (2023) 的 TEP-AITA 量表與 Chou et al. (2024) 的 AIS-TASE 量表之理論基礎。
  • 社會認知理論（social cognitive theory）——Yang et al. (2024) 專業發展方案的設計依據，強調社群支持、觀察學習與示範。
  • 自我決定理論（self-determination theory, SDT）——Chiu (2024) 以自主、勝任、關聯三需求檢視 ChatGPT 學習活動並支援自我調節學習。
  • 建構主義（constructivism）——Ma (2021) 之 VR 沉浸式英語教學設計基礎。
  • ADDIE 模式、6E Learning by Design 模式（Engage, Explore, Explain, Engineer, Enrich, Evaluate）——分別為 Lee et al. (2023) 的 CLAIS 系統開發與 Saimon et al. (2024) 的師培方案設計架構。
  • P-GenAI-C（professional generative AI competence，專業生成式 AI 素養）框架——Moorhouse, Wan, Wu, et al. (2024) 提出，含技術熟練度、教學能力、教師專業任務、風險／福祉與倫理使用、學生準備五面向。

研究方法介紹

研究取徑與設計

本研究採用 PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses，系統性回顧與後設分析之首選報告項目）指引（Page et al., 2021）作為執行與報告標準。PRISMA 為系統性回顧提供標準化框架，涵蓋文獻檢索、篩選、資料萃取、分析與報告等步驟。原文明列本研究的五個執行步驟：

1. 依預先設定的納入與排除準則進行全面文獻檢索；
2. 執行兩輪篩選以評估所檢出研究的合格性；
3. 自入選研究萃取關鍵資訊並整理為結構化表格；
4. 詳細分析所萃取之資料以回應研究問題；
5. 依 PRISMA 標準撰寫研究報告。

檢索策略（Search strategy）

• 時間範圍：2015 年 1 月 1 日至 2024 年 7 月 30 日（第 2.1 節）。按：第 3.1.1 節另記為「2015 年 1 月 1 日至 2024 年 7 月 31 日」，原文兩處日期略有出入。
• 關鍵詞建構：先以「artificial intelligence」與「teachers」為核心詞，經預試檢索後擴充與精煉。最終 AI 面向詞彙為「artificial intelligence」「AI」「ChatGPT」「GAI」「Generative AI」；教學與專業發展面向詞彙為「teaching」「teacher training」「teacher professional development」。
• 檢索邏輯：對文章的標題、關鍵字與摘要進行檢索，須同時包含至少一個 AI 面向詞與一個教學／專業發展面向詞。
• 資料庫：Scopus 與 Web of Science（WoS）。作者引用 Tang et al. (2023)、Zhang & Aslan (2021)、Ng et al. (2023) 說明兩庫在教育與人工智慧領域的高品質期刊覆蓋率與引文索引可信度。
• 檢索結果：初步取得 5623 篇——Scopus 792 篇、WoS 4831 篇。

納入與排除準則（Inclusion and exclusion criteria）

• 納入：同儕審查之期刊論文；主題須為教師將 AI 技術整合進教學實踐或專業發展；屬實證研究（empirical studies）；發表於指定時間範圍內。
• 排除：非實證論文與會議論文（理由為研究設計嚴謹度與可重製性不足，Booth et al., 2021）；概念性論文、文獻回顧、評論文章等非實證類型；重複文獻；無法取得全文者。
• 正當性論據：作者引用 Hwang et al. (2021) 與 Tang et al. (2023)，主張聚焦高品質期刊論文的系統性回顧較能揭示有意義的研究趨勢；並引用 Page et al. (2021) 說明優先採用經驗證嚴謹度之來源可提升結果效度。
• 初篩結果：套用準則後，初始文獻池縮減至 2373 篇進入細部篩選。
• 原文未明示是否設定語言限制，亦未列出詳細的逐條準則表（原文以 Fig. 1 呈現，純文字版無法還原圖內細目）。

篩選程序（Screening）

篩選全程由人工執行。第一步以重複標題與作者辨識並移除重複文獻，排除 485 篇；第二步依預設納入排除準則審查剩餘文獻的標題與摘要，排除 1696 篇（不相關，或屬概念性論文、文獻回顧、評論、會議論文等非實證研究類別）；第三步於人工篩選過程中因無法取得全文排除 23 篇；第四步經完整全文審查再排除 74 篇不符準則者。四階段合計排除 2278 篇，最終 95 篇獲納入本系統性回顧。

編碼架構（Coding）

• 混合編碼策略：對 95 篇文獻採演繹編碼（deductive coding）與歸納編碼（inductive coding）並用。
• 演繹階段：依既有理論框架與前行研究（Bozkurt et al., 2021; Crompton & Burke, 2023; Ng et al., 2023）設定預設碼，自 Scopus 與 WoS 資料萃取作者所屬機構、地理位置、研究領域與出版年份；另以預設碼分類學科（如英語、數學、科學）與教育階段（如高等教育、K-12 教育）。
• 歸納階段：運用紮根理論編碼技術（Strauss & Corbin, 1994）辨識 AI 發展趨勢與教學應用的浮現主題；以實境編碼（in vivo coding, Saldaña, 2021）直接擷取文本語言，確保編碼貼近原作者的發現；採多輪迭代編碼進行持續比較與修正，並將初始碼系統性發展為軸心碼（axial codes）以建立主題間的意義連結。
• 兩大類目與九個子類目：編碼結果組織為「AI in teaching（AI 於教學）」與「AI in professional development（AI 於專業發展）」兩大類。前者再依教育階段、學科與 AI 技術類型細分，歸納出 5 個子類目；後者依專業發展目的與所用 AI 技術歸納出 4 個子類目。每一子類目再以軸心編碼整合「學科」與「教育階段」兩個次級碼。

信效度與品質管控

• 編碼者間信度：由兩位具該領域專長的獨立研究者分別編碼，再比對與精煉結果以評估一致性；以 Cohen's Kappa 量化，κ = 0.85，依 McHugh (2012) 之判準屬「強一致性（strong agreement）」。所有歧異經討論後取得共識。
• 效度作法：預設碼源自既有理論框架與前行回顧研究；實境編碼確保碼與原文語意貼合；多輪迭代與軸心編碼提供內部一致性。
• 來源品質控管：以「僅收同儕審查期刊之實證研究」作為前端品質門檻，並選用 Scopus 與 WoS 兩個引文索引資料庫。
• 品質評鑑：原文未採用任何形式化的個別研究品質評鑑或偏誤風險（risk of bias）評估工具（如 MMAT、CASP、Cochrane RoB），亦未報告出版偏誤檢定——品質保證主要倚賴前述來源門檻與編碼者間信度（原文未明示）。
• 未執行後設分析：本回顧為敘事式綜整（narrative synthesis），未進行效果量合併或統計整合（原文未明示理由）。

研究流程（表格）

數字核驗：2373 − 485 − 1696 − 23 − 74 = 95，且 485 + 1696 + 23 + 74 = 2278，與原文所述「A total of 2278 articles were excluded after screening」及「Ultimately, 95 articles were deemed eligible」完全吻合。原文僅列出各階段的排除篇數與最終納入數，未逐階段標示剩餘篇數，故本表不代為填補推算值。

條列式研究流程

1. Step 1｜界定 RQ1–RQ3 三項研究問題，並依 PRISMA 2020 指引擬定檢索、篩選、萃取、分析、報告五步驟執行方案。
2. Step 2｜以核心詞預試後擴充關鍵詞組，設定 2015 年 1 月至 2024 年 7 月的時間窗與標題／關鍵字／摘要檢索欄位。
3. Step 3｜於 Scopus 與 WoS 執行檢索，取得初始文獻 5623 篇（Scopus 792、WoS 4831）。
4. Step 4｜套用納入排除準則（僅同儕審查期刊之實證研究），將文獻池縮減至 2373 篇。
5. Step 5｜以標題與作者比對移除重複文獻，排除 485 篇。
6. Step 6｜逐篇審閱標題與摘要，排除不相關與非實證類型文獻共 1696 篇。
7. Step 7｜檢核全文可得性，排除 23 篇無法取得全文者。
8. Step 8｜進行完整全文審查，再排除 74 篇不符準則者，最終納入 95 篇（累計排除 2278 篇）。
9. Step 9｜以演繹加歸納編碼分析 95 篇文獻，經兩位獨立編碼者比對（Cohen's Kappa = 0.85）與歧異共識化後，形成兩大類目與九個子類目，並依三項研究問題綜整撰寫報告。

研究議題與討論重點收斂

議題一：AI 於教學與 AI 於教師專業發展的研究失衡

發現摘要：95 篇納入文獻中，62 篇（65%）探討 AI 在教學中的應用，僅 33 篇（35%）探討 AI 在教師專業發展中的角色。此一比例失衡是全文最核心的發現，也是標題所指「供給與需求落差」的量化證據。

作者詮釋：此落差顯示 AI 教學潛能已被大量探索，但「教師如何有效整合這些技術、如何透過有針對性的專業發展提升其 AI 素養」仍是關鍵缺口。從教師視角看，這種失衡反映的是專業成長缺乏結構性支持與指引；因此亟需直接處理教師發展需求、辨識其習得 AI 技能之障礙並提出克服策略的研究。

與過往文獻的關係：一致。作者明確指出此結論與 Chiu et al. (2023)、Ng et al. (2023)、Zawacki-Richter et al. (2019) 相呼應——後者著名的「where are the educators?」之問，正被本研究以 65:35 的比例再次證實；Aljemely (2024) 與 Meylani (2024) 亦支持此判斷。

議題二：AI 教學應用的技術多元化及其對教師的能力要求

發現摘要：62 篇教學應用研究被歸為五類技術——對話式 AI 及相關技術 38 篇（K-12 8 篇、高等教育 24 篇、其他情境 6 篇）、視覺與聽覺運算 8 篇、教與學分析（teaching and learning analytics, TLA）7 篇、AI 驅動的學習與評量系統 5 篇、沉浸式技術 4 篇。其中高等教育的 24 篇對話式 AI 研究再分為 STEM 7 篇、教育學門 6 篇、語言學門 9 篇、其他學門 2 篇。整體而言，對話式 AI（尤以 ChatGPT 等聊天機器人）為使用頻率最高的技術類型。

作者詮釋：技術快速多元化對教師形成實質壓力，要求高度的技術知識與適應力；新技術持續湧入可能令教師應接不暇，需頻繁更新技術知識與教學方法。因此關鍵問題轉為「哪些 AI 技術應在專業發展方案中被優先納入」，以及「教師需要發展哪些具體能力」，方能使專業發展方案既有針對性又具實用性。

與過往文獻的關係：一致並延伸。Tang et al. (2023)、Yildirim & Celepcikay (2021)、Zhang & Aslan (2021) 已指出技術擴散對教師能力的要求；Galindo-Domínguez et al. (2024)、Love et al. (2020)、Karroum & Elshaiekh (2023) 則佐證此對專業發展構成挑戰。本文的貢獻在於以子類目分布量化了「多元化」的實際樣態。

議題三：教師 AI 素養被普遍呼求，但缺乏具體提升策略

發現摘要：AI 教學應用類文獻反覆強調提升教師 AI 素養（AI literacy）的重要性（Kasepalu et al., 2022; Grajeda et al., 2023; Fassbender, 2024; Lee & Zhai, 2024; Rakap, 2024），然而針對「如何有效提升」的研究明顯匱乏。在專業發展類文獻中，僅少數研究探討如何支持教師將技術知識與教學知識有效結合。

作者詮釋：此缺口意味著教師被期待熟練使用 AI，但既有專業發展方案未能對應 AI 整合所帶來的技能需求演變（Aljemely, 2024; Meylani, 2024）。從教師視角，缺乏聚焦的 AI 素養訓練構成課堂應用的顯著障礙，因此必須發展完整的策略與評量工具，以評估並提升教師 AI 素養。

與過往文獻的關係：呼應但指出矛盾。文獻一面倒強調素養的重要性（規範層次），卻鮮少提供可操作的介入方案（實作層次）——這種「呼籲多、方案少」的落差本身即是本文辨識出的張力。Gašević et al. (2023) 對此提供了支持性論述。

議題四：專業發展方案的實施取徑與成效評量呈現碎片化

發現摘要：33 篇專業發展研究分為四類——影響教師專業發展的元素與因素 5 篇（15%）、專業發展的實施取徑 7 篇（21%）、支援專業發展的 AI 技術 15 篇（46%）、專業發展成效評量 6 篇（18%）。實施取徑的 7 篇中，4 篇自教學觀點出發（Kim, 2024 的 TPACK 教育方案；Sun et al., 2023 的 TPACK 專業發展方案顯著提升在職資訊科學教師的 AI 知識、AI 教學技能與 AI 教學自我效能；Saimon et al., 2024 的 6E Learning by Design 模式；Ding, Kim, & Allday, 2024 的案例導向方案），3 篇聚焦自我效能與信心建立（Nazaretsky et al., 2022；Yang et al., 2024 之社會認知理論方案；Tatar et al., 2024 之課程共同設計方案）。評量工具則包括 Celik (2023) 的 Intelligent-TPACK 量表、Ning et al. (2024) 的 AI-TPACK 框架、Chou et al. (2023) 的 TEP-AITA 量表（六構面）、Chou et al. (2024) 的 AIS-TASE 量表（五要素）、Ding, Kim, & Allday (2024) 的 AI 素養評量工具（25 題、17 項能力、5 個面向）、Lérias et al. (2024) 的三面向問卷。

作者詮釋：多數研究聚焦短期方案，對長期影響的評估有限；部分研究顯示教師在訓練中確實建立了 AI 概念的理解，但將知識轉化為課堂實作的能力仍有落差。評量研究則常侷限於特定學科或情境，未充分考量教師在真實教學環境中運用 AI 的脈絡差異，也未充分檢視 AI 技術在不同教育情境中的適用性與可調適性。作者主張完整的能力評量需涵蓋內容理解、技術整合與倫理考量的整體框架。

與過往文獻的關係：存在內部矛盾。Celik (2023) 指出教師的技術知識（TK）雖關鍵卻不足以支撐有效整合，必須與教學知識（PK）結合為 TPK；Ning et al. (2024) 的 SEM 分析卻顯示技術相關知識元素（AI-TK、AI-TCK、AI-TPK）與整體 AI-TPACK 的相關性顯著高於非技術元素。此外 Nguyen (2024) 發現技術技能對教師滿意度呈負向影響、教學內容知識則無顯著效果，與 TPACK 傳統預期相左；Lérias et al. (2024) 發現年齡、性別、任教學制、訓練領域等人口變項均不顯著影響 AI 素養；Ayanwale, Adelana, et al. (2024) 則發現 AI 知識與情緒調節無相關、AI 使用與 AI 辨識能力無相關。

議題五：教學成效證據的正向偏態與內部不一致

發現摘要：多數納入研究報告 AI 帶來正面成效——例如 Yuan (2023) 顯示使用聊天機器人的小學生口說能力與溝通意願優於傳統班級；Karaman & Göksu (2024) 發現 ChatGPT 生成的數學教案在提升學生成就上與教師編寫教案同樣有效；He et al. (2024) 的視覺分析系統使大學生 400 公尺跑成績提升 6–7 秒。但也存在反向或分歧證據：Cooper (2024) 發現音樂教師雖難以分辨 AI 與人類編寫的教案，卻給予 AI 教案較低的品質評分；Sasaki et al. (2024) 發現教師直接更正回饋（TCF）在提升語言複雜度上優於機器翻譯回饋，且學生對 TCF 的動機反應更正向；Evmenova et al. (2024) 指出 AI 回饋品質隨版本與提示語而變動，且與學生個別特質缺乏對齊；Davis & Lee (2024) 發現 ChatGPT 難以整合前後課程內容與策略性地為後續學習成果鋪陳。

作者詮釋：作者在各子類目結語中反覆列出共通挑戰——過度依賴 AI 工具、難以評估 AI 生成內容、教師需發展 AI 能力、回饋的效度與完整性存疑、學術誠信、倫理與偏誤疑慮，以及 TLA 技術要求教師具備強健的資料處理與詮釋能力、沉浸式設備高成本恐加劇數位落差。

與過往文獻的關係：與正向敘事並存的節制。此議題呼應 Edwards & Cheok (2018) 與 Chan & Tsi (2023) 對 AI 取代教師的疑慮，也顯示「AI 可替代教師專業判斷」的推論在證據上尚未成立。

議題六：地理、學科與教育階段分布的不均

發現摘要：95 篇文獻的第一作者分屬 30 個國家或地區，以美國與中國為最大宗；學科上共分為 15 個學科領域，AI 教學應用集中於英語、資訊科學、藝術、數學、科學與教育學門，AI 專業發展研究則更集中於英語與教育學門並多採跨學科取向；教育階段共分為 8 個層級，以高等教育最多，其次為中等教育、再次為初等教育，特殊教育中生成式 AI 的應用亦成為新興關注領域。出版量自 2019 年開始成長，2022 年起出現顯著激增。另有 17 篇專業發展類文獻未載明所使用的 AI 技術，被歸為「未提及（not mentioned）」。

作者詮釋：AI 專業發展研究的教育階段集中於 K-12 與高等教育的教師，而 AI 教學應用研究則進一步延伸至特殊教育、專業訓練等其他教學情境；此不對稱意味特殊教育、職業訓練等場域的教師專業發展需求尚未被研究涵蓋。作者亦指出生成式 AI 的出現使研究焦點自「檢視 AI 的使用與效果」轉向「探索其與教學實踐的整合」。

與過往文獻的關係：一致。Crompton & Burke (2023) 同樣觀察到 2021–2022 年的使用激增與地理分布擴張；Ng et al. (2023) 亦指出 AI 教育研究自大學資訊科學向 K-12 擴散的趨勢。

未來研究缺口

作者明示的未來研究方向（第 4.2 節 Implications for further research）

• 提高對教師專業發展的關注：未來研究應更重視 AI 在教師專業發展中的角色，探討專業發展活動如何增進教師對 AI 技術的理解並提升其整合能力；可檢視不同形式、時長與強度的專業發展方案對教師 AI 素養、教學策略與學生學習成果的影響（Meylani, 2024）；並應優先理解教師在專業發展歷程中的個人經驗與回饋，探究其對 AI 的態度、信心與能力如何隨時間演變（Lin, 2022; Polak et al., 2022）。
• 教師 AI 素養提升方案：應開發並實施專門化的專業發展方案以提升教師 AI 素養與能力，可混合線上課程、研討會與工作坊，涵蓋 AI 基本概念、教學實務應用與倫理考量（al-Zyoud, 2020; Kitcharoen et al., 2024）；並須建立健全的評估機制檢核方案成效（Qin et al., 2021; Celik, 2023; Ding, Shi, et al., 2024; Ning et al., 2024），以確保方案持續改進並與教師演變中的需求對齊。
• 實證研究與成效評估：應進行更多實證研究以評估各種專業發展策略的有效性。既有研究多止於量測參與方案後教師 AI 素養或能力的提升（Celik, 2023; Chou et al., 2023, 2024; Ding, Shi, et al., 2024; Lérias et al., 2024; Ning et al., 2024），對「方案如何轉化教學實踐」的探討仍不足（Copur-Gencturk et al., 2024; Sharma, 2024）；建議以縱貫研究追蹤完成特定 AI 專業發展方案的教師，檢視其教學策略與學生學業表現的長期變化。
• 雙視角與倫理優先：結論部分主張未來討論應超越技術層面，同時從學生學習與教師教學兩種視角檢視 AI 的教育應用；並強調隨生成式 AI 普及，偏誤（bias）、隱私（privacy）與問責（accountability）等倫理議題將更形關鍵，AI 於教師專業發展的研究應優先處理技術倫理問題。
• 已辨識但未被充分研究的具體缺口：（一）多數專業發展方案為短期，缺乏長期影響評估；（二）教師習得 AI 概念與實際在課堂應用之間存在轉化落差；（三）AI 技術演進快速，如何提供持續性訓練與支持尚無定論；（四）評量研究常侷限於特定學科或情境，未考量真實教學環境的脈絡差異與 AI 技術跨情境的適用性。

說明：本文並未設置獨立的「研究限制（Limitations）」章節，亦未針對本回顧自身的方法侷限提出討論（原文未明示）。

值得引用的段落句子

值得延伸閱讀的論文

以下 10 篇均為本論文參考文獻清單中實際存在之條目，依 APA 第 7 版格式重製。

1. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
   為何值得讀：系統性回顧的國際報告標準原典，包含 27 項檢核清單與流程圖規範，是自行執行或評判任何一篇回顧研究的必備工具。
   與本論文的關係：本文的整體方法論框架、篩選階段劃分與報告格式即完全依此指引執行。
2. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – Where are the educators? International Journal of Educational Technology in Higher Education, 16, 39. https://doi.org/10.1186/s41239-019-0171-0
   為何值得讀：首度以「教育者何在」為題點名 AI 教育研究中教師視角的缺席，是此一問題意識的奠基之作，被引用率極高。
   與本論文的關係：本文最核心的對話對象；Tan 等人以 65:35 的比例分布為此質問提供了跨越 2015–2024 十年的最新量化證據。
3. Chiu, T. K. F., Xia, Q., Zhou, X., Chai, C. S., & Cheng, M. (2023). Systematic literature review on opportunities, challenges, and future research recommendations of artificial intelligence in education. Computers and Education: Artificial Intelligence, 4, Article 100118. https://doi.org/10.1016/j.caeai.2022.100118
   為何值得讀：以學習、教學、評量、行政四大場域整理 AI 教育應用的機會與挑戰，是進入此領域最有效率的地圖式綜述。
   與本論文的關係：本文編碼架構所參照的前行研究之一，也是「訓練供給與教師需求錯配」此一命題的主要引證來源。
4. Ng, D. T. K., Lee, M., Tan, R. J. Y., Hu, X., Downie, J. S., & Chu, S. K. W. (2023). A review of AI teaching and learning from 2000 to 2020. Education and Information Technologies, 28(7), 8445–8501. https://doi.org/10.1007/s10639-022-11491-w
   為何值得讀：涵蓋二十年、橫跨高等教育與 K-12 的長時距回顧，可清楚看出 AI 素養如何逐步進入各國教育標準。
   與本論文的關係：提供本文 2015 年之前的歷史縱深，其編碼分類方式亦為本文演繹編碼的參照來源。
5. Crompton, H., & Burke, D. (2023). Artificial intelligence in higher education: The state of the field. International Journal of Educational Technology in Higher Education, 20, 22. https://doi.org/10.1186/s41239-023-00392-8
   為何值得讀：聚焦 2016–2022 年高等教育場域，對研究數量激增與地理分布擴張的描述最為完整，適合作為趨勢對照基準。
   與本論文的關係：本文關於「2022 年起出版量激增」與「30 個國家分布」的發現，可直接與此文的觀察相互驗證。
6. Celik, I. (2023). Towards Intelligent-TPACK: An empirical study on teachers' professional knowledge to ethically integrate artificial intelligence (AI)-based tools into education. Computers in Human Behavior, 138, Article 107468. https://doi.org/10.1016/j.chb.2022.107468
   為何值得讀：將倫理面向正式納入 TPACK 框架並完成量表驗證，是目前評量教師 AI 教學知識最常被引用的工具之一。
   與本論文的關係：本文「專業發展成效評量」子類目的代表研究；其「技術知識須與教學知識結合方為有效」之結論被本文採為核心論點。
7. Ning, Y., Zhang, C., Xu, B., Zhou, Y., & Wijaya, T. T. (2024). Teachers' AI-TPACK: Exploring the relationship between knowledge elements. Sustainability, 16(3), 978. https://doi.org/10.3390/su16030978
   為何值得讀：以結構方程模式（SEM）檢驗 AI-TPACK 各知識元素間的路徑關係，是量化取向研究者建構模型時的直接參考。
   與本論文的關係：與 Celik (2023) 並列為本文所整理的兩套 AI 版 TPACK 框架；兩者對技術知識權重的判斷存在張力，是值得深究的對話點。
8. Sun, J., Ma, H., Zeng, Y., Han, D., & Jin, Y. (2023). Promoting the AI teaching competency of K-12 computer science teachers: A TPACK-based professional development approach. Education and Information Technologies, 28, 1509–1533. https://doi.org/10.1007/s10639-022-11256-5
   為何值得讀：完整呈現一套以 TPACK 為骨幹的在職教師專業發展方案設計與成效驗證，對實際規劃師培課程極具參考價值。
   與本論文的關係：本文「實施取徑」子類目中成效最明確的案例，同時提升教師的 AI 知識、AI 教學技能與 AI 教學自我效能。
9. Moorhouse, B. L., Wan, Y., Wu, C., Kohnke, L., Ho, T. Y., & Kwong, T. (2024). Developing language teachers' professional generative AI competence: An intervention study in an initial language teacher education course. System, 125, Article 103399. https://doi.org/10.1016/j.system.2024.103399
   為何值得讀：以 11 週介入研究驗證 P-GenAI-C 五面向能力框架，是少數兼具理論建構與實地介入的生成式 AI 師培研究。
   與本論文的關係：本文「AI 技術支援專業發展」子類目中，回應「短期方案居多、缺乏長期評估」批評的正面範例。
10. Bozkurt, A., Karadeniz, A., Baneres, D., Guerrero-Roldán, A. E., & Rodríguez, M. E. (2021). Artificial intelligence and reflections from educational landscape: A review of AI studies in half a century. Sustainability, 13(2), 800. https://doi.org/10.3390/su13020800
    為何值得讀：以五十年尺度梳理 AI 教育研究的主題演變，並明確指出倫理議題長期缺席，具有難得的歷史視野。
    與本論文的關係：本文編碼架構的參照來源之一，其倫理缺口之發現亦直接支撐本文結論中「倫理應被優先處理」的主張。