生成式 AI 用於教師自主導向專業發展：一項混合方法研究

論文基本資訊

精簡摘要與研究框架

本研究以 ChatGPT 為生成式人工智慧（generative AI, GenAI）的代表案例，探討美國 K-12 在職學校教師如何運用它進行自主導向專業發展（self-directed professional development, SDPD）。作者採用解釋性混合方法（explanatory mixed-method；Creswell & Creswell, 2017），先於 2024 年 5 至 6 月透過 Prolific 招募並以 Qualtrics 施測，取得 298 份完整問卷；問卷題項依 Garrison（1997）自主導向學習三維模型設計，含 3 題人口變項、4 題 ChatGPT 使用概況與 3 組共 27 題李克特量表題。其後於 2024 年 8 月邀請表達受訪意願的 75 人，最終完成 5 位半結構訪談，並蒐集 ChatGPT／Google Gemini 互動紀錄（截圖或影片）作為三角驗證的文件資料。結果顯示：教師最主要以 ChatGPT 取得課堂教學法、活動與教案的靈感與結構（167 人次、19.49%）；教師的 SDPD 動機原本因教學壓力而偏被動，但 ChatGPT 降低了投入 SDPD 的起始門檻，反而成為推動其專業成長的動力；教師在自我管理與自我監控上表現良好，並在與 ChatGPT 互動時普遍具信心（M = 4.04, SD = 1.00），惟對其資訊正確性的信心較保守（M = 3.46, SD = 1.03）。

研究框架

本研究非變項間因果檢驗，而是以 Garrison（1997）自主導向學習（self-directed learning, SDL）三維模型作為量表設計與資料分析的理論架構，三個維度分別為動機（motivation）、自我管理（self-management）、自我監控（self-monitoring）。

三個維度分別對應論文的三個研究問題與發現章節：以 ChatGPT 支援教學實務與教學取徑（工具使用面）、以 ChatGPT 進行 SDPD 的歷程（動機／自我管理／自我監控）、以及教師對 ChatGPT 功能性的知覺（批判評估與信心）。

混合方法的整合邏輯為「解釋性」：量化描述統計負責描繪分佈與集中趨勢（不追求推論性概化），質性訪談與文件資料則負責解釋量化結果中變異較大的題項（例如目標設定 M = 3.73, SD = 1.26 與不受干擾 M = 3.52, SD = 1.38），並補足量化無法捕捉的情境脈絡。

SDPD 在架構中被定位為 SDL 在教師專業成長脈絡下的特定應用，屬非正式（informal）、機構往往不予承認但深植於課堂實踐的專業發展形式。

研究動機與研究目的

研究動機

• 傳統專業發展（professional development, PD）多以講座、工作坊、研習、研討會等形式組織，教師往往扮演被動角色，且通常未鑲嵌於其特定工作場域（Van Veen et al., 2012），與日常教學現實脫節。
• 近年 PD 明顯朝「由下而上、內在驅動、教師自發」的方向轉移（Sancar et al., 2021; Van Eekelen et al., 2006; Mushayikwa & Lubben, 2009），但 SDPD 的彈性同時帶來風險：缺乏外部認證、機構支持不足，且將需求辨識、資源篩選與動機維持的重擔完全交給個人，在原已高負荷的工作環境中容易難以承擔（Morris, 2019）。
• SDPD 的成效不只取決於動機，還必須有適當的工具、流程與結構條件支撐（Lopes & Cunha, 2017）；生成式 AI 工具能生成教材、提供即時建議與形成性回饋、示範教學策略（Atlas, 2023; Moorhouse & Kohnke, 2024; Li et al., 2024），其功能與正式 PD 中的鷹架有平行之處，因而成為潛在解方。
• 然而 GenAI 也可能助長表層參與、模糊教學知識的來源，並在取用與數位素養不均時加劇不平等（Farahani & Ghasemi, 2024; Lutz, 2019）；至今針對教師「實際如何」將生成式 AI 用於 PD 與教學改進的研究，在範圍與深度上都相當有限（Bonos, 2023）。

研究目的與研究問題

本研究探討 ChatGPT 這一普及的生成式 AI 工具在學校教師 SDPD 中的使用，並特別關注 PD 機會有限之情境中的教師。原文列出三個研究問題（保留原文編號）：

1. 教師如何使用 ChatGPT 來支持與發展其教學實務與教學取徑？（How do teachers use ChatGPT to support and develop their instructional practices and pedagogical approaches?）
2. 教師如何將 ChatGPT 納入其自主導向專業發展歷程之中？（How do teachers engage with ChatGPT as part of their self-directed professional development process?）
3. 教師對 ChatGPT 在支持 SDPD 上之功能性的知覺為何？（What are teachers’ perceptions of ChatGPT’s functionality in supporting SDPD?）

文獻探討大綱

• 緒論（Introduction） — 界定 PD 對教師內容知識與專業定位的重要性（Sutherland et al., 2010），區分正式／非正式 PD（Richter et al., 2014; Yurkofsky et al., 2019），並指出新興技術（特別是 AI）使 PD 更個人化（Ayanwale et al., 2024; Dede et al., 2016）。論證角色：把「個人化 PD」建立為本研究切入生成式 AI 的入口。
  • 核心對比：傳統 PD 教師被動、脫離工作場域（Van Veen et al., 2012）↔ 協作、師徒、網絡式 PD 中教師主動決定內容。
• 自主導向學習（Self-Directed Learning, SDL） — 論證角色：提供本研究的核心理論語彙與量表藍本。
  • 核心理論：Garrison（1997）SDL 三維模型＝自我管理（規劃、目標設定、時間與資源管理；Candy, 1991）、自我監控（對學習策略／歷程／成果的反思與評估，含認知與後設認知調整）、動機（初始動機與維持動機）。論證角色：直接對應後續三個發現小節。
  • SDL 的性質：非線性、非孤立，而是迭代、動態且情境化（Knowles, 1975; Morris, 2019; Jossberger et al., 2010; Schweder et al., 2025）。論證角色：正當化以質性資料捕捉歷程而非僅測量結果。
  • SDL 作為理解個人如何駕馭新興技術的透鏡（Canaran, 2025）；GenAI 的彈性契合 SDL 對學習者能動性的強調，但同時引發鷹架、正當性與學習深度的疑問。論證角色：預埋本研究後半的「張力」論述。
• 自主導向專業發展（Self-Directed Professional Development, SDPD） — 論證角色：將 SDL 收斂到教師專業成長脈絡，定義本研究的核心構念。
  • 定義與轉向：SDPD 指教師自主提升專業能力的努力；PD 正從機構主導、學分認證、由上而下，轉向反映教師自身目標、經驗與專業認同的形式（Sancar et al., 2021; Van Eekelen et al., 2006; Mushayikwa & Lubben, 2009）。
  • 情境鑲嵌性：沙烏地 EFL 教師偏好自發 PD，因其鑲嵌於在地脈絡並回應工作變化（Alshaikhi, 2020）；SDPD 涉及自我評估與有意識的技能建構（Lan, 2022）。論證角色：支撐「AI 提供即時、貼近需求支援」的價值主張。
  • 條件論：SDPD 不只需要動機，還需工具、流程與結構條件（Lopes & Cunha, 2017）。論證角色：本研究把 ChatGPT 視為「工具與流程」的候選解。
  • 動機結構：辛巴威 A-level 數理教師的七項 SDPD 動機因素（專業認同、生涯發展需求、人際網絡需求、提升學科內容知識、調整整合教材以促成理解、獲取學科實務知能、由滿足這些需求所感知的效益），最終收斂為專業效能與課堂效能兩大面向（Mushayikwa & Lubben, 2009）。論證角色：說明 SDPD 同時回應教學需求與系統壓力。
  • 風險面：缺乏外部認證與機構支持、需求辨識與動機維持的個人重擔（Morris, 2019）、需要高度情緒韌性以克服挫折與失望（Mushayikwa & Lubben, 2009; Zhang, 2020a, 2020b）。
  • 非孤立性：教師亦向同儕求助、尋找可自由取用的教學資源與線上社群（Shurr et al., 2014; Zhang, 2020a, 2020b）。論證角色：鋪陳後續「教師不願與同儕分享 AI 使用」這一發現的對照基準。
• 線上專業發展（Online Professional Development, OPD） — 論證角色：建立「技術中介 PD」的既有成效基準，以便定位 GenAI 的新增價值。
  • OPD 的優勢：高品質、低成本、彈性、突破地理限制（Dede, 2006; Fishman et al., 2013; O’Dwyer et al., 2007; Mushayikwa & Lubben, 2009）；COVID-19 提升其必要性（Bragg et al., 2021; Hartshorne et al., 2020）。
  • 成功要素：Bragg et al.（2021）回顧 11 篇文獻，指出內容知識、教學內容知識、自我效能、教學信念與教學實務是有效 OPD 的關鍵；其他研究亦指出 OPD 可改變專業認同、班級文化與同儕／社群連結（Beach, 2017; Hou, 2015; Yurkofsky et al., 2019）。
  • 動機的樞紐地位：Dille & Røkenes（2021）強調教師內在動機與態度形塑其對正式 OPD 的參與；相對地，自主導向取徑把導航資源與維持動機的責任更多推給教師。論證角色：直接導出「GenAI 可能成為非正式專業學習的促進者」的推論。
• 生成式 AI 與 SDPD（Gen AI and SDPD） — 論證角色：以「一方面／另一方面」的張力結構收束文獻，並凸顯研究缺口。
  • 正面：前所未有的資訊與回饋取得，支持即時（just-in-time）學習與實驗（Samala et al., 2023; Yusuf et al., 2024）。
  • 負面：可能強化表層參與、模糊教學知識來源，並在取用與數位素養不均時加劇不平等（Farahani & Ghasemi, 2024; Lutz, 2019）。
  • 問題重構：關鍵不在 GenAI 是否支持 SDPD，而在它如何重塑非正式專業學習的節奏、風險與可能性；且相關研究在範圍與深度上仍有限（Bonos, 2023）。

研究方法介紹

本研究採解釋性混合方法（explanatory mixed-method approach; Creswell & Creswell, 2017）：先以問卷蒐集量化資料掌握整體樣貌，再以半結構訪談與文件資料解釋、深化量化結果。

研究對象與抽樣

• 量化階段：2024 年 5 月與 6 月透過 Prolific 線上受試者招募平台，搭配嵌入 Qualtrics 的線上問卷施測。以 Prolific 篩選機制預先過濾符合三項條件者：(1) 現職 K-12 教師身分、(2) 居住於美國、(3) 具備將 ChatGPT 用於教學與專業發展的經驗。最終取得 298 份完整問卷（K-12 學校教師）。
• 教學年資分佈（Table 1）：未滿 1 年 2 人（0.67%）、1–2 年 21 人（7.05%）、3–5 年 59 人（19.80%）、6–10 年 100 人（33.56%）、11–15 年 55 人（18.46%）、超過 15 年 61 人（20.47%）。
• ChatGPT 使用頻率（Table 2）：每日 21 人（7.05%）、每週 125 人（41.95%）、每月 68 人（22.82%）、很少 84 人（28.19%）。
• 質性階段：298 位填答者中有 75 人表示願受訪；研究者於 2024 年 8 月以電子郵件聯繫全部 75 人，最終 5 位同意受訪（Table 3：Audrey、Beth、Chloé、Dan、Eden；涵蓋國小 1–5 年級、高中 9–12 年級、大專與非正式／社區教育情境，學科含英語文、閱讀、藝術史、社會科學、社會研究／歷史／公民與經濟）。作者明言訪談樣本相對小、可能限制觀點廣度，但質性資料重深度而非數量。

資料蒐集工具

• 問卷：刻意依 Garrison（1997）SDL 理論的關鍵元素設計，包含 3 題人口變項、4 題教育場域中 ChatGPT 一般使用情況，以及 3 組李克特量表、共 27 個題項，對應 Garrison 三維模型評估 SDPD。
• 半結構個別訪談：5 場，全程錄音。
• 文件資料：以截圖或影片展示方式蒐集參與者實際的生成式 AI（ChatGPT 與 Google Gemini）互動紀錄，用以三角驗證，呈現其提問方式、AI 回應內容及使用者後續行動（Fig. 1 為課程規劃的互動截圖範例）。

資料分析方法

• 量化：全部以描述統計分析，並明確聲明無意導出概化結論（Nasir & Sukmawati, 2023）；主要以次數與百分比摘述單一變項（Rogers & Goodrick, 2010）。類別回應轉為數值等級（Not at all = 1、A little = 2、Some = 3、Quite a bit = 4、Very much = 5）。作者提醒該資料屬順序尺度、類別間距不必然相等，故平均數應僅視為集中趨勢指標；並以堆疊長條圖（stacked bar charts）呈現各題分佈，以更貼合順序尺度性質、提升題項間差異的可解讀性。
• 質性：主題分析（thematic analysis; Clarke & Braun, 2017）。訪談以 Kaltura 自動轉錄，再由研究者依逐字方式人工校正（Paulus et al., 2014），並進行第一層成員檢核（first-level member checking）。由一位研究者精讀兩份訪談逐字稿並提出初始編碼、類別與主題，再由兩位研究者公開討論初始編碼簿、解決歧異後定稿（Table 4 呈現編碼主題、代碼與摘錄範例）。

信效度與嚴謹性處理

• 三角驗證：問卷、訪談與實際 AI 互動紀錄三種資料來源相互印證。
• 成員檢核（第一層）與逐字稿人工校正，提升轉錄與詮釋的可信性。
• 雙人編碼討論與歧異解決以確保編碼一致性；惟原文未報告量化的編碼者間一致性係數（如 Cohen’s kappa）。
• 量表信度：（原文未明示）——未見 Cronbach’s α 或其他信度係數；亦未報告因素分析、推論統計檢定（t、F、p）或效果量。
• 研究倫理：印第安納大學 IRB 核准（ID: 25207），取得知情同意並嚴格保護隱私。

研究流程（表格）

條列式研究流程

1. Step 1：回顧 SDL／SDPD／OPD／GenAI 文獻，鎖定研究缺口並以 Garrison（1997）三維模型定錨，提出三個研究問題。
2. Step 2：依 SDL 三維度編製含 27 題李克特量表的線上問卷，並取得 IRB（ID: 25207）核准。
3. Step 3：2024 年 5–6 月透過 Prolific 預篩美國現職 K-12 且有 ChatGPT 教學使用經驗的教師，以 Qualtrics 完成施測，回收 298 份完整問卷。
4. Step 4：從填答者中找出 75 位願受訪者，2024 年 8 月全數以電子郵件邀約，最終 5 位成案。
5. Step 5：進行 5 場半結構訪談並錄音，同時蒐集參與者的 ChatGPT／Gemini 互動截圖或影片作為三角驗證文件。
6. Step 6：將問卷類別回應轉為 1–5 數值，以次數、百分比、平均數、標準差與堆疊長條圖描述分佈，不作概化推論。
7. Step 7：訪談逐字稿經自動轉錄、人工校正與成員檢核後，由兩位研究者共同建構並定稿編碼簿，完成主題分析。
8. Step 8：以質性與文件資料解釋量化結果，依三個研究問題整合為三組發現。
9. Step 9：與既有文獻對話，提出「動機與可為性」及「張力與批判要點」兩大討論軸線，並收束為意涵、限制與未來研究建議。

研究議題與討論重點收斂

議題一：ChatGPT 在教學實務中的角色是「起點與結構」而非替代

發現摘要：問卷顯示教師最主要以 ChatGPT 取得課堂教學法、活動與教案的靈感（167 人次、19.49%），其次為生成練習題或小考（154、17.97%）、製作客製化教材（135、15.75%）、提供學科解釋或釋疑（106、12.37%）；促進批判思考與問題解決（64、7.47%）、支援特殊需求學生個別化教學（59、6.88%）、提供學生寫作協助或回饋（57、6.65%）、語言學習與翻譯（54、6.30%）、以 AI 生成洞見促進課堂討論（47、5.48%）比例較低。訪談印證此傾向：Eden 表示「它幫我形成像大綱一樣的結構，我再用我知道的東西把它填滿」；Dan 則以「給我一份高中人類學一學期 18 週的進度指南，只要每週涵蓋的大主題」為提示（Fig. 1），取得課程規劃的骨架。

作者詮釋：教師把 ChatGPT 當作課程規劃的「結構提供者／起點」，而非內容的最終權威；此與 Table 4 的代碼「為課程規劃提供一個好的開始」一致。作者並將此連結到 OPD 文獻——這些活動鏡映了正式 OPD 所提供的專家示範與策展資源（Bragg et al., 2021; Dille & Røkenes, 2021），差別在於它們由教師自行發起並客製。與文獻一致：支持 SDPD「鑲嵌於實踐」的主張（Alshaikhi, 2020; Lan, 2022）。

議題二：被動的 SDPD 動機與 GenAI 降低的進入門檻

發現摘要：量化上動機面偏正向——「有動機使用 ChatGPT 改善教學」（M = 3.87, SD = 1.07）、「想學習 ChatGPT 帶來的新教學想法」（M = 3.94, SD = 1.07）、「喜歡透過 ChatGPT 學習教學新知」（M = 3.96, SD = 1.07）；但「從錯誤中學習」（M = 3.23, SD = 1.14）、「想理解 ChatGPT 的回饋」（M = 3.23, SD = 1.27）、「分享 ChatGPT 教學經驗」（M = 3.34, SD = 1.22）較低且變異較大。訪談卻揭示更複雜的圖像：教師的 SDPD 動機因州政策與地方條件所給的教學壓力而整體偏被動。Chloé（15 年以上年資）表示無法設定 SDPD 目標，因為「在公立學校教育體系裡要往上走真的很困難」，並形容這是她唯一感覺「有天花板」的職涯；但她出於好奇開始使用 ChatGPT 後，發現它能更快、更有效地蒐集資訊並過濾不可靠網站。Beth 直言「我不是自我驅動的人……我的問題是我無法開始」，而 ChatGPT 讓她能躺著用手機說出需求，就得到一整段可供延伸的內容。

作者詮釋：生成式 AI 藉由降低參與 SDPD 所需的初始投入，改變了投入的動力學；ChatGPT 便利與高效的優勢，能把被動模式的教師帶進 SDPD 歷程。作者引 Sims et al.（2023）指出動機是有效 PD 的關鍵，主張 ChatGPT 可作為激勵工具，鼓勵教師嘗試新方法。與文獻的對話：呼應 Lopes & Cunha（2017）「動機不足以成事、需工具與流程支撐」的論點，並補充傳統 PD 形式常與日常教學現實脫節的對比；同時延伸 Mushayikwa & Lubben（2009）對生涯發展需求的討論——本研究中「生涯天花板」反而是抑制動機的來源。

議題三：高自我管理與時間節省的可為性

發現摘要：自我管理面向多數題項獲高度同意——組織活動（M = 4.81, SD = 1.05）、管理時間（M = 4.70, SD = 1.05）、運用多樣學習策略（M = 4.65, SD = 1.07）、尋求協助（M = 4.95, SD = 1.35）、對與 ChatGPT 學習抱持高期待（M = 4.42, SD = 1.19）；而設定 PD 目標（M = 3.73, SD = 1.26）與遵循 PD 計畫（M = 3.94, SD = 1.28）則分佈較分散。訪談呼應時間管理效益：Chloé 稱 ChatGPT 比搜尋引擎給出更具體的答案，因而「省下很多規劃時間」，並形容它「加速我們規劃教學時的思考過程」；Dan 說最大賣點是省時且能產出「傳統上除非非常費力尋找否則找不到的想法」；Eden 則說備課約佔她一半的在校時間，ChatGPT 縮減了這部分，讓她能處理教室裡其他職責。目標設定方面訪談顯示兩極：因教學壓力而幾乎不設目標者，與如 Eden 般持續設定「寫出更好的教案、設計更有吸引力的課、教學生正確使用科技、培養批判思考」等目標者並存。

作者詮釋：教師之所以在自我管理上表現熟練，可能來自自我管理技能的可遷移性——這些技能是他們過去駕馭各種數位工具的經驗中練就的。時間節省不僅是效率議題，還可能本身成為投入 SDPD 的關鍵動機來源。與文獻一致：符合 Garrison（1997）自我管理維度中規劃、目標設定與資源（含時間）管理的定義。

議題四：自我監控伴隨後設認知加工，AI 產出必經「人味化」改寫

發現摘要：自我監控面向以「我對自己使用 ChatGPT 改善教學的學習負責」最高（M = 4.19, SD = 0.89），其次為「使用 ChatGPT 改善教學時我有高學習標準」（M = 4.04, SD = 1.04）、「使用 ChatGPT 時我能導引自己的學習進度」（M = 3.83, SD = 0.96）、「我依需求檢視 ChatGPT 提供的線上教材」（M = 3.82, SD = 1.18）；而「使用 ChatGPT 進行教學相關活動時不受其他線上工具與活動（如 WhatsApp、Instagram、Facebook）干擾」變異最大（M = 3.52, SD = 1.38）。訪談中 Dan 描述多步驟精修流程：要求 ChatGPT 生成活動計畫與 100 分制評分規準後再逐步調整，「我依照我要的參數精修它……不滿意就回去改，直到接近我真正要的樣子」；Beth 則說 ChatGPT 幫她把「一大團糊糊的腦內傾倒」拆解成 10 個要點，讓她發現自己表達變得更精煉。Beth 也強調「AI 很好，但你應該更依賴你的專業。AI 知道很多，但你知道更多……人永遠勝過機器；一定要用自己的話改寫 ChatGPT 給你的東西」。

作者詮釋：教師普遍對自己的 SDPD 負責，且以選擇性、需求導向的方式檢視 AI 產出，將既有教學經驗與對特定班級脈絡的認識整合進來。作者同時指出，本研究參與者的高信心與從容，很可能來自多數人是經驗豐富的教師；新手教師面對驗證與評估 AI 產出時可能遭遇更多困難，需要持續學習與同儕協作的支持（Cochran-Smith et al., 2008）。矛盾／限制之處：部分教師在專注度與目標設定上的困難，顯示 GenAI 的便利與即時性有時會繞過更深層的認知投入。

議題五：對功能性的信心分層——會用、但不全然信任其正確性

發現摘要：教師大致同意自己會批判性評估 ChatGPT 提供的教學想法（M = 4.17, SD = 0.95），與 ChatGPT 互動時感到有信心（M = 4.04, SD = 1.00）；但對其提供之教育資訊正確性的信心僅屬中等，且該題標準差最大（M = 3.46, SD = 1.03），顯示信任程度差異明顯、普遍存在一定程度的懷疑與謹慎。訪談中教師強調 ChatGPT 無法取代人類智能，並對自身多年累積的教學知識給予更高信任。同時，教師普遍反映關於「以 AI 進行 PD」與「將 AI 整合進課堂」的訓練不足：Chloé 直言「我要的訓練要更具體、更高階，而不是教怎麼登入、怎麼寫提示詞……目前的訓練沒有我期望的那麼深入」，並承認自己仍猶豫是否直接請 AI 寫教案。因正式訓練不足，許多教師只能自行尋找其他線上資源或請教同事。

作者詮釋：這些發現累積起來凸顯——學校領導者與政策制定者在未來十年可扮演關鍵角色，以彌合生成式 AI 的潛力與所提供訓練之間的落差。作者亦指出參與者較不傾向與同儕分享 AI 輔助的 PD 經驗，此種保留可能源於學術與教育場域對生成式 AI 使用的負面連結（Wang et al., 2024），也可能與機構政策與文化有關；而機構脈絡會影響教師的專業認同與協作意願（Cohen, 2008; Lefstein et al., 2020）。與文獻一致：與問卷中「分享 ChatGPT 教學經驗」偏低（M = 3.34, SD = 1.22）互相印證。

議題六：教學權威的知識論張力與公平性

發現摘要：研究同時揭示 GenAI 中介之 SDPD 的風險面：可能助長表層參與；教師之間數位素養與提示素養（prompt literacy）不均，會使技術信心或機構支持較低者更為不利；而教師普遍依賴 ChatGPT 提供結構與規劃，引出一個知識論問題——當知識是與訓練資料不透明的 AI 系統共構時，教學權威究竟落在何處。

作者詮釋：GenAI 不只支持、更重塑非正式專業學習的節奏與風險；GenAI 中介 SDPD 的未來，不僅取決於工具的取用，更取決於培養教師的批判 AI 素養（critical AI literacy），使其能質疑、調適並負責地將 AI 產出整合進自身教學知識基底。作者主張機構不應只支持工具取用，還須重新想像既有結構，以鷹架合乎倫理、可持續且集體共構的教師學習；並提醒 SDL／SDPD 可能日益強調與 AI 系統的「共同能動性」（co-agency），從而引發關於自主性、真實性與公平性的深層問題。與文獻一致／擴展：延續 Farahani & Ghasemi（2024）與 Lutz（2019）對 AI 不平等的關切，並補上 Duan & Zhao（2024）關於數位倦怠與分心的風險提醒。

未來研究缺口

作者明示的限制與未來研究方向

• 如同許多大規模問卷調查，參與者可能因先前經驗、脈絡或對 ChatGPT 的熟悉程度不同而對李克特題項作出不同解讀，此種解讀差異可能影響其對自身投入程度的知覺與評分。
• 質性資料量相對較少，係因參與者流失所致，限制了所捕捉觀點的廣度；雖然訪談深度仍為量化結果提供了有價值的脈絡資訊，未來研究可採用替代的招募策略以提升參與動機。
• 雖已蒐集並分析部分文件資料，未來研究可採實驗設計，檢視參與者如何使用標準化提示詞進行教學相關資訊查詢，並嘗試蒐證教師後續的投入行為。
• 未來研究亦可記錄教師運用生成式 AI 進行 SDPD 後的實際教學實踐及其對學生的影響。
• 作者在討論中另指出，新手教師在驗證、評估與運用生成式 AI 產出時可能面臨諸多挑戰與困惑，需要額外支持——此點雖以「意涵」形式提出，實質上指向一個尚未被本研究樣本涵蓋的族群（本研究樣本以資深教師為主）。

值得引用的段落句子

註：出處頁碼為 TechTrends 第 70 卷之印刷頁碼（PDF 第 1 頁對應印刷頁 p.23）。第 7 至 12 句取自 Discussion、Implications 與 Conclusion 段落。

值得延伸閱讀的論文

1. Garrison, D. R. (1997). Self-directed learning: Toward a comprehensive model. Adult Education Quarterly, 48(1), 18–33. https://doi.org/10.1177/074171369704800103
   為何值得讀：提出自我管理、自我監控與動機三維整合模型，是理解成人與線上情境中自主導向學習最常被引用的理論基礎。｜與本論文的關係：本研究問卷 27 個李克特題項即依此模型設計，發現章節亦按三維度組織，屬本文的核心理論骨幹。
2. Mushayikwa, E., & Lubben, F. (2009). Self-directed professional development – Hope for teachers working in deprived environments? Teaching and Teacher Education, 25(3), 375–382. https://doi.org/10.1016/j.tate.2008.12.003
   為何值得讀：以辛巴威 A-level 數理教師為對象，歸納出七項 SDPD 動機因素並收斂為專業效能與課堂效能兩大面向，是資源匱乏情境下 SDPD 的經典實證研究。｜與本論文的關係：本文論證 SDPD 動機結構與情緒韌性需求時的主要依據，也為本研究關注「PD 機會有限情境」的問題意識提供先例。
3. Lopes, J. B., & Cunha, A. E. (2017). Self-directed professional development to improve effective teaching: Key points for a model. Teaching and Teacher Education, 68, 262–274.
   為何值得讀：提出 SDPD 模型的關鍵要素，主張動機之外還需工具、流程與結構條件的支撐。｜與本論文的關係：正是本研究把 ChatGPT 視為「工具與流程」候選解的論證起點，也支撐其對機構支持的政策建議。
4. Bragg, L. A., Walsh, C., & Heyeres, M. (2021). Successful design and delivery of online professional development for teachers: A systematic review of the literature. Computers & Education, 166, 104158. https://doi.org/10.1016/j.compedu.2021.104158
   為何值得讀：系統性回顧 11 篇文獻，指出內容知識、教學內容知識、自我效能、教學信念與教學實務是有效線上 PD 的關鍵設計元素。｜與本論文的關係：提供 OPD 成效的基準線，本文據以主張 GenAI 中介的 SDPD 鏡映了正式 OPD 的專家示範與資源策展功能，但由教師自行發起。
5. Dille, K. B., & Røkenes, F. M. (2021). Teachers’ professional development in formal online communities: A scoping review. Teaching and Teacher Education, 105, 103431. https://doi.org/10.1016/j.tate.2021.103431
   為何值得讀：範疇綜述正式線上社群中的教師專業發展，強調內在動機與態度在參與歷程中的樞紐地位。｜與本論文的關係：本文用以對比「機構鷹架 vs. 自主導向」的責任分配差異，並由此導出 GenAI 作為非正式學習促進者的推論。
6. Li, Z., Wang, C., & Bonk, C. J. (2024). Exploring the utility of ChatGPT for self-directed online language learning. Online Learning, 28(3), 157–180. https://doi.org/10.24059/olj.v28i3.4497
   為何值得讀：同一研究團隊將 ChatGPT 與自主導向學習結合的前作，聚焦線上語言學習情境。｜與本論文的關係：屬本研究的直接前導研究，可對照觀察作者如何把「學習者的 SDL」議程延伸到「教師的 SDPD」。
7. Wang, C., Li, Z., & Bonk, C. J. (2024). Understanding self-directed learning in AI-assisted writing: A mixed methods study of postsecondary learners. Computers and Education: Artificial Intelligence, 6, 100247. https://doi.org/10.1016/j.caeai.2024.100247
   為何值得讀：同團隊以混合方法探討 AI 輔助寫作中的自主導向學習，方法設計與本文高度相似，可作為混合方法操作的參照範本。｜與本論文的關係：本文用以解釋「教師不願向同儕揭露 AI 使用」的成因，也是其混合方法路線的方法學傳承。
8. Morris, T. H. (2019). Self-directed learning: A fundamental competence in a rapidly changing world. International Review of Education, 65(4), 633–653. https://doi.org/10.1007/s11159-019-09793-2
   為何值得讀：把 SDL 論述為快速變動世界中的基本能力，並指出其非線性、情境化特質與隨之而來的個人責任負擔。｜與本論文的關係：本文用以說明 SDPD 賦權同時也把設計複雜教學解方的責任壓在教師身上，是其風險論述的來源之一。
9. Sims, S., Fletcher-Wood, H., O’Mara-Eves, A., Cottingham, S., Stansfield, C., Goodrich, J., Van Herwegen, J., & Anders, J. (2023). Effective teacher professional development: New theory and a meta-analytic test. Review of Educational Research. https://doi.org/10.3102/00346543231217480
   為何值得讀：以新理論架構搭配後設分析檢驗有效教師專業發展的機制，是 PD 成效研究近年的重要參照。｜與本論文的關係：本文引以支持「動機是 PD 有效性的關鍵」的論點，進而主張 ChatGPT 可扮演激勵性工具。
10. Duan, H., & Zhao, W. (2024). The effects of educational artificial intelligence-powered applications on teachers’ perceived autonomy, professional development for online teaching, and digital burnout. The International Review of Research in Open and Distributed Learning, 25(3), 57–76. https://doi.org/10.19173/irrodl.v25i3.7659
    為何值得讀：檢視教育 AI 應用對教師知覺自主性、線上教學專業發展與數位倦怠的影響，直接處理 AI 導入的負面成本。｜與本論文的關係：本文在結論中據以提醒教師需發展批判 AI 素養並設法緩解分心與數位倦怠，是其風險與配套建議的依據。

以上 10 筆皆取自本論文參考文獻清單中實際存在的條目。