它是工具而非拐杖：一項提升職前教師自我效能與 AI 素養的生成式 AI 介入試驗

論文基本資訊

精簡摘要與研究框架

本研究針對「生成式 AI 如何真正融入師資培育職前階段（initial teacher education, ITE）」這一問題，設計並試行一套以情境式學習（scenario-based learning, SBL）為骨架、由 Microsoft CoPilot 驅動的工作坊介入方案，探討其對職前教師自我效能與 AI 素養的影響。研究採探索性質性取徑並內嵌量化元素，以立意取樣招募愛爾蘭四年級大學部小學職前教師（n = 12）與二年級碩士級中學職前教師（n = 6），共 18 人參與兩場各兩小時的工作坊；工作坊分為「規定式提示任務」（由 CoPilot 依教師自我效能三個子構念生成愛爾蘭本土教室情境與五個隱藏 Likert 排序的因應選項，共三個難度遞增循環）與「開放式任務」（就自身校外實習困境與 CoPilot 自由對話）。資料包含前後測的教師自我效能量表與 AI 素養量表，以及一場小學職前教師焦點團體（n = 8）。結果顯示自我效能總分由 74 升至 80.35，AI 素養總分由 51.12 升至 62.23，質性資料歸納出五大主題。研究者認為此試驗展現 GenAI-SBL 介入的正向潛力，並就其嵌入 ITE 課程的方式提出建議。

研究框架

本研究的介入變項（自變項）為「GenAI 驅動的情境式學習工作坊介入」，兩個結果變項（依變項）分別為教師自我效能與 AI 素養，且各自沿用既有量表的子構念作為測量結構：自我效能分為教學策略（instructional strategies）、班級經營（classroom management）、學生投入（student engagement）三個子量表；AI 素養分為覺察（awareness）、使用（usage）、評估（evaluation）、倫理（ethics）四個子構念。

理論基礎有三層。第一層是 Bandura 社會認知理論（social cognitive theory）的自我效能構念，特別是其四大來源——精熟經驗（mastery experience）、替代經驗（vicarious experience）、言語說服（verbal persuasion）、情緒與生理狀態；研究者以 GenAI 情境作為「虛擬精熟經驗」與即時回饋的來源。第二層是 Lave 與 Wenger（1991）情境學習理論（situated learning theory）支撐的 SBL 設計原則，強調在低風險、擬真情境中演練判斷。第三層是 Wang 等人（2023）的 AI 素養四因素架構，作為 AI 素養的定義與測量框架。

研究並未建立中介或調節模型，量化部分僅止於前後測描述統計，質性焦點團體資料則承擔解釋「為什麼會改變、改變了什麼」的角色。詮釋層面另引入 Chan（2023）AI 生態教育政策框架（AI Ecological Education Policy Framework）的教學、倫理、營運三個面向，用以定位研究發現對 ITE 課程的政策啟示。

研究動機與研究目的

研究動機

• 自 2022 年 11 月 ChatGPT 問世後，GenAI 已成為政策制定者、學者、學校領導者、教師與學習者共同的教育語彙，各方仍在協商 AI 使用、覺察、評估與倫理的最佳實務（Wang et al., 2023）；然而 GenAI 究竟如何成功融入「學程」層級的課程設計，仍待進一步檢驗。
• 既有 K-12 AI 教育研究（如 Martin et al., 2023 的系統性回顧，涵蓋 2017 年至 2022 年 5 月）大多完成於 ChatGPT 等 GenAI 工具出現之前，聚焦智慧型導師、聊天機器人、教育遊戲、AI 機器人與 VR 等應用，與當前 GenAI 情境有時間落差。
• GenAI 對備課、評量、回饋、批判思考與創意寫作等「傳統上被視為神聖」的教育活動具顛覆性；Keppler 等人（2024）發現教師將模型當作對話夥伴或「共同智能」（co-intelligence）時獲益最大，但 Kasneci 等人（2023）同時指出著作權與資料隱私、模型偏誤與公平性、師生過度依賴、整合失效等風險，而 Bastani 等人（2024）更實證證明過度依賴會在支持撤除後導致更差的學習表現。
• 當前論述已明確指出三項需求：清楚的 AI 策略與教學取徑（Kasneci et al., 2023）、提升師生 AI 能力（Tlili et al., 2023）、持續關注 AI 倫理（Chan, 2023），並須考量 GenAI、學生與教師之間複雜且互補的關係（Jeon & Lee, 2023）。研究者即以這三項需求為出發點設計本研究。

研究目的與研究問題

研究者在文獻回顧末段自陳的研究目的為：探索學生對介入方案的知覺與經驗、確認 CoPilot 是否能生成合適的 SBL 情境案例（vignettes）、協助學生從多重自我效能觀點有效地探究這些情境，並藉此提升其自我效能與 AI 素養；同時檢視此取徑融入 ITE 學程的可能性。

主要研究問題（primary research question）：

• 「情境式學習取向的生成式 AI 對話介入，該如何設計才能提升師資培育職前學程中職前教師的自我效能與 AI 素養？」

次要研究問題（ancillary questions，保留原文編號）：

1. 學生對此介入方案的知覺與經驗為何？
2. 生成式 AI 情境式學習介入是否影響職前教師的自我效能感？
3. 生成式 AI 情境式學習介入是否影響職前教師的 AI 素養？

文獻探討大綱

• 第 1 節　緒論：教育中的 AI（Introduction: AI in Education）
  • GenAI 進入教育語彙 — 以 ChatGPT 上市為時間分水嶺，論證「AI 在教育中並非新事物，但 GenAI 帶來新一輪關注」，為研究的時效性鋪陳（Wang et al., 2023；van den Berg & du Plessis, 2023）。
  • K-12 AI 應用地景 — 透過 Martin 等人（2023）系統性回顧盤點智慧型導師、聊天機器人、教育遊戲、AI 機器人、VR 等應用，說明研究基礎已存在但屬前 GenAI 時代。
  • 教師端與學生端的 AI 使用 — 教師用於追蹤學習進展、預測行為、提升投入、自動支援與評分；學生用於科學探究學習、改善學習經驗與資料驅動的選課決策，論證 AI 使用「多元但零散」，缺乏學程層級的教學整合。
• 第 2 節　教育中的生成式 AI（Generative AI in Education）
  • GenAI 的顛覆性與生產力效益 — 以備課、評量、回饋、批判思考、創意寫作為例，並引 Keppler 等人（2024）的「共同智能」發現，建立「把模型當對話夥伴優於當答案產生器」的核心主張。
  • 風險清單與護欄 — Kasneci 等人（2023）的風險分類與 Bastani 等人（2024）的負向學習效果，論證介入設計必須內建鷹架而非直接給答案，為後續「工具而非拐杖」的論述埋線。
  • 師資培育中的 AI 素養整合 — Tzirides 等人（2024）、Brandão 等人（2024）支持在高教與教師培訓中嵌入 GenAI 實作，並引入 Chan（2023）AI 生態教育政策框架的教學／倫理／營運三面向，作為本研究的政策詮釋工具。
  • 核心理論定位 — 本節收束出三項研究關切（AI 策略與教學取徑、AI 能力、AI 倫理）與 GenAI–師–生三方互補關係（Jeon & Lee, 2023），直接導出研究目的。
• 第 2.1 節　自我效能（Self-efficacy）
  • 構念定義 — 以 Bandura 社會認知理論界定自我效能為「相信自己有能力組織並執行達成特定成果所需行動的信念」，確立本研究的心理學基礎。
  • 高自我效能的效益證據 — 學生學業成就、韌性、教學品質、教學承諾、工作滿意度等多面向研究，論證「提升職前教師自我效能」本身即為有價值的介入目標。
  • 教師教育情境化 — Tschannen-Moran 與 Woolfolk Hoy（2001）將自我效能定義為「對自身能否帶來預期的學生投入與學習成果的判斷」，此定義同時是本研究量表的來源。
  • 四大效能來源逐一鋪陳 — 精熟經驗（含 Boone & Batista, 2015 提出的「虛擬精熟經驗」，為本研究以 GenAI 模擬情境提供正當性）、替代經驗（Palmer, 2006；Johnson, 2010 的示範效果）、言語說服（同儕、教師、學術教員、實習輔導教師的鼓勵與回饋）、情緒與生理狀態（校外實習的高壓性質可能負向影響效能發展；Brown et al., 2015 指出高效能教師視挑戰為待解問題而非障礙）。
• 第 2.2 節　情境式學習（Scenario-Based Learning）
  • 理論根源 — 建基於 Lave 與 Wenger（1991）情境學習理論，論證 SBL 讓學生在真實脈絡中應用學科知識與問題解決技巧。
  • SBL 效果證據 — 中小學階段對學業成就的正向影響（Aybek & Aslan, 2019；Al-Attar, 2019）；SBL 活動正向影響職前教師對實習任務的信心、教學自我效能與入班準備度；Anseel 等人（2009）指出「具反思性」的 SBL 更有效。
  • 設計待解問題 — Reddock 等人（2020）的「分支式」（branching）情境設計，論證 SBL 需依職前教師發展階段調整複雜度與真實性，直接對應本研究「三個難度遞增循環」的設計決策。
• 第 2.3 節　AI 素養（AI Literacy）
  • 操作性定義與四因素架構 — 採 Wang 等人（2023）定義：「在倫理標準的前提下，正確地辨識、使用與評估 AI 相關產品的能力」，並明確採用其覺察、使用、評估、倫理四個子構念作為本研究的 AI 素養框架。
  • 第 2.3.1 節　教育中的 AI 素養 — Miao 與 Holmes（2023）的人本取徑五要素（包容近用、個人化與開放學習、資料驅動的管理、學習歷程監測與風險預警、發展倫理且有意義使用 AI 的理解與技能）；Stolpe 與 Hallström（2024）主張 AI 素養須超越技術技能，涵蓋社會、倫理與環境影響；Ng 等人（2023）指出協作式專題學習與跨領域問題解決是常見教學取徑；Su 等人（2023）指出幼教階段面臨教師知識與課程設計不足；Walter（2024）強調提示工程（prompt engineering）與批判思考的重要性。此節論證 AI 素養必須「分階段、有序列」地進入課程，為本研究討論階段適切性鋪路。
• 第 2.4 節　研究問題（Research Questions） — 將前述三條文獻線（自我效能、SBL、AI 素養）收束為一個主要問題與三個次要問題。

研究方法介紹

研究取徑與哲學立場

本研究採 Creswell（2008）的探索性質性取徑（exploratory qualitative approach），並內嵌量化元素（embedded quantitative elements），目的在於理解 GenAI 用於提升職前教師自我效能與 AI 素養的整合潛力與教學價值。研究者以質性焦點團體資料為主、量化結果為輔，藉此更深入探究影響參與者自我效能與 AI 素養的因素，同時讓參與者有機會反思其工作坊經驗。研究者自陳其哲學假定同時汲取後實證主義（postpositivist）與建構主義（constructivist）思維，並引 Creswell 與 Plano Clark（2018）作為方法論依據。

研究設計與分期

研究設計分為三個階段：階段一為介入方案設計，研究者檢視自我效能（Klassen & Tze, 2014；Tschannen-Moran & Woolfolk Hoy, 2001；Power et al., 2023）、SBL（Klassen & Chiu, 2010）與 AI 素養（Wang et al., 2023）文獻，以確保工作坊涵蓋關鍵要素；階段二為參與者招募與工作坊介入實施；階段三為質性資料蒐集，對兩組參與者進行焦點團體，以提供對各量表所測得影響的豐富解釋性資料。

研究對象與抽樣

• 抽樣方式：立意取樣（purposive sampling），參與者自我選擇（self-selected）報名。
• 對象：四年級大學部小學（primary）職前教師 n = 12；二年級碩士級中學（post-primary）職前教師 n = 6；量化樣本共 N = 18。
• 焦點團體：小學職前教師 n = 8，於階段一資料蒐集後自願參加；無中學職前教師報名。
• 樣本說明：研究者明言樣本雖小，但符合此試驗性研究（pilot study）的探索性質，其發現「並非意圖可推論（generalisable），而是可為相似教育脈絡提供可轉移的洞見（transferable insights）」。

資料蒐集工具

• 教師自我效能：採 Tschannen-Moran 與 Woolfolk Hoy（2001）的 9 點量尺教師自我效能量表，共 12 題，分為教學策略、班級經營、學生投入三個子量表；作答由 1 =「Nothing（完全沒有）」至 9 =「A Great Deal（非常多）」。3.3 節另稱使用 Klassen 等人（2009）的簡式教師自我效能量表（shortened Teacher Self-Efficacy Scale），工作坊情境亦依 Klassen 等人（2009）的三個子構念生成。
• AI 素養：採 Wang 等人（2023）的 7 點量尺 AI 素養量表，共 12 題，涵蓋 AI 覺察、使用、評估、倫理四個子量表；作答由 1 =「Strongly disagree（非常不同意）」至 7 =「Strongly agree（非常同意）」。
• 質性資料：焦點團體訪談（錄音），參與者以 P1–P8 代碼呈現。
• 信度與效度統計：（原文未明示，論文未報告 Cronbach’s α、量表信度重新檢驗或效度分析數據。）

GenAI 模型選擇與工作坊介入設計

研究者選用 Microsoft CoPilot，理由有二：其一，Maynooth University 與 Microsoft 已簽有資料保護協議，全校學生皆可使用 CoPilot，符合大學的《一般資料保護規則》（GDPR）要求與 GenAI 使用規範；其二，研究者想確認「僅透過特定提示策略」是否即可有效運用現成模型，而不需另行開發客製產品。

介入為兩場、各兩小時的工作坊，分為兩部分：

• Part 1（規定式提示任務）：研究者透過實驗性、迭代且反思的過程反覆調整 CoPilot 提示語，直到輸出穩定一致（Fig. 1 為小學版 SBL 提示語）。參與者輸入開場提示後，CoPilot 被定位為經驗豐富的小學或中學教師，依 Klassen 等人（2009）自我效能三子構念生成愛爾蘭本土教室情境，並產出五個隨機排序、由最不適當到最適當的 Likert 選項，但量尺對參與者隱藏（Fig. 2）。參與者閱讀情境、選擇最適當策略並說明理由後，CoPilot 才揭露各選項的 Likert 排序（Fig. 3）、針對參與者的選擇與每個選項提供回饋（Fig. 4），並依其選擇建議延伸閱讀（Fig. 5）。此任務共進行三個循環，情境與選項的複雜度與難度逐次提高。
• Part 2（開放式任務）：請參與者反思近期校外實習（school placement）遭遇的困境，以非結構化方式與 CoPilot 對話。參與者被要求不得輸入任何可識別學校或學生的資訊。CoPilot 隨後生成與 Part 1 類似的多重排序選項結構，並鼓勵參與者與其對話、提問、質疑、挑戰甚至表達不同意。

資料分析方法

• 量化：於 SPSS 中將資料編碼為數值、檢查輸入錯誤、計算新變項以測量前後測自我效能與 AI 素養，並對各變項進行描述統計分析以比較前後分數。論文僅呈現平均數，未報告推論統計（無 t 值、F 值、p 值或效果量）。
• 質性：採 Braun 與 Clarke（2022）六步驟反思式主題分析（reflexive thematic analysis）——反覆閱讀與聆聽訪談以熟悉資料、辨識有意義的資料單位並生成初始編碼、系統性組織與分類編碼以尋找潛在主題、檢視與精煉主題以確保準確捕捉資料本質，最後以敘事方式呈現發現。

研究倫理與資料保護

• Maynooth University 倫理委員會於 2024 年 2 月核准（編號 BSRESC/SRESC-2024-38090）；參與完全自願，並於填答前後測問卷、參加工作坊與焦點團體前取得同意，相關說明載於參與者資訊單。
• 選用 CoPilot 特別考量 GDPR 遵循與機構資料保護政策，因其整合於 Microsoft 教育生態系、符合歐盟 GDPR 標準並提供機構層級的資料控管；研究過程未將任何個人資料輸入 AI 工具，並指示參與者不得輸入可識別資訊。
• 所有數位資料（問卷、焦點團體錄音）存放於 Maynooth University 具密碼保護的安全伺服器；紙本資料安全保存，並依參與者資料所述的十年資料保存政策銷毀。
• 資料可得性：支持本研究發現的資料可向通訊作者（JM）合理請求取得。

研究流程（表格）

條列式研究流程

1. Step 1：檢視自我效能、情境式學習與 AI 素養三線文獻，據以設計 GenAI-SBL 工作坊介入架構。
2. Step 2：以迭代、實驗與反思的方式反覆調校 CoPilot 提示語，直到小學版與中學版都能穩定產出一致格式的情境與選項。
3. Step 3：取得校方倫理核准，並基於 GDPR 與機構資料保護協議選定 Microsoft CoPilot 作為研究用 GenAI 平台。
4. Step 4：以立意取樣招募 18 位自願參與的小學與中學職前教師，並施測自我效能與 AI 素養量表前測。
5. Step 5：實施工作坊 Part 1，參與者連續完成三個難度遞增的 SBL 循環，在隱藏排序的五個選項中做選擇並接受 AI 逐項回饋與閱讀建議。
6. Step 6：實施工作坊 Part 2，參與者就自身實習困境與 CoPilot 自由對話並提出質疑，工作坊結束後施測兩份量表後測。
7. Step 7：對 8 位自願的小學職前教師進行焦點團體，蒐集能解釋量表變化的豐富敘事資料。
8. Step 8：以 SPSS 進行前後測描述統計比較，並以 Braun 與 Clarke 六步驟反思式主題分析歸納出五大主題。
9. Step 9：以 Chan（2023）AI 生態教育政策框架詮釋結果，提出嵌入 ITE 的建議並明列研究限制與未來研究方向。

研究議題與討論重點收斂

議題一：GenAI 情境式學習能否提升職前教師自我效能

發現摘要：自我效能三個子量表與總分皆上升——教學策略由 25.71 升至 27.35、班級經營由 24.82 升至 27.12、學生投入由 23.47 升至 25.88、整體自我效能由 74 升至 80.35（Table 1）。質性資料相互印證：P2 表示「我在最後放進一個情境，很個人的那種情境，它給我的想法是我自己絕對不會想到的」；P6 就學生投入表示「它給的投入策略非常有幫助」，並就教學策略補充「那真的很動手做、很實用，孩子會從中學到東西」。

作者詮釋：研究者認為 SBL 為參與者提供了模擬的教室挑戰，讓他們在低風險環境中演練決策（Kaufman & Ireland, 2016），一定程度上映射真實教學情境，給予職前教師精熟與掌控感，而這正是培養自我效能的已知機制；模型回饋的即時性也被參與者視為有助於進一步反思自身思考的優點。研究者明確指出，作為線上 SBL 介入的另一種形式，此結果與 Klassen 等人（2023）與 Klassen 與 Chiu（2010）強調線上 SBL 可改善教師自我效能的既有研究一致，並與 Bardach 等人（2021）的入班準備度、Dicke 等人（2015）降低實習「現實震撼」（reality shock）等發現相呼應。研究者同時強調量化樣本僅 n = 18，因此將量化結果定位為「支持性」證據，以質性資料為主要指標。

議題二：AI 素養四構面成長不均——評估大幅提升、倫理僅微幅移動

發現摘要：AI 素養整體由 51.12 升至 62.23；其中 AI 評估 增幅最大（11.88 → 16.88），AI 使用次之（12.29 → 15.76），AI 覺察由 13.59 升至 15.18，而 AI 倫理增幅最小（13.55 → 14.41）（Table 2）。質性面向亦見發展中的素養：P3 就使用面提問「要做出好的教育性提示，需要哪些條件？」；P8 就評估面表示「我認為每次使用它，都必須反思它有沒有用、哪裡沒用，並展現學習」，就倫理面則批評「大學裡有些人已經把它搞壞了，就只是拿來用、拿來交作業，甚至不看一眼、什麼也沒學到」；P2 就覺察面表示「我開始把它看成更像是一個工具……我們拿到提示語的方式，讓我看見它可以被好好使用」。

作者詮釋：研究者主張這些改善不僅涉及技術技能，也涵蓋對 AI 社會與倫理影響的較廣理解（Wang et al., 2023）；透過接觸 CoPilot 的功能與限制，參與者同時體會到 AI 的優勢與批判評估其輸出的必要性。研究者認為此進展值得注意，因為許多參與者進入研究時對 AI 的應用與倫理議題所知有限；他們透過反思性討論表達出對過度依賴 AI 及其對真實學習的影響等倫理考量的覺察，與 Kasneci 等人（2023）對 AI 倫理與負責任整合的關切相互映照。研究者亦承認資料隱私（GenAI 如何蒐集、儲存與處理使用者輸入）雖非本次工作坊的主要焦點，卻是 AI 素養的關鍵組成，並引 UNESCO（2021）與歐盟執委會（2022）的倫理指引強調保護學習者資料與系統透明度的重要性。

議題三：「它是工具而非拐杖」——過度依賴的張力與非正式的批判參與

發現摘要：參與者一方面肯定系統的效用，另一方面高度警覺其使用方式需要批判性。P3 說「說到底，它是工具而不是拐杖，所以不是你可以倚靠的東西」；P6 說「它還是必須用批判的眼光來使用，你還是得懂內容」；P5 則就 GenAI 時代的教職前景表示「教師在課程之外還有太多必須做的事，是 AI 永遠無法取代的」。論文亦明確指出工作坊未納入任何正式的批判參與框架，但焦點團體參與者展現了非正式卻有實質意義的批判反思，會把 AI 輸出對照自身經驗、價值與教學知識加以權衡。

作者詮釋：研究者將此解讀為參與者行使專業判斷的「本能式批判過程」，此覺察可降低過度依賴的風險，並強調即使在探索性或試驗性場域，也應刻意設計能容納這類評價性反思參與的學習經驗。就與文獻的對話而言，參與者對過度依賴的顧慮與 Bastani 等人（2024）「過度依賴會傷害學習成果」的實證一致，研究者明言「本研究發現顯示參與者也共有這些顧慮」；同時亦與 Kasneci 等人（2023）、Miao 與 Holmes（2023）的風險論述相合。研究者因此主張，此類取徑的引入必須放在整體學程結構中考量，以確保學生先發展出批判評估模型輸出所需的基本能力。此外，研究者指出雖然參與者未報告任何有害或不當的 AI 建議實例，但他們確實抱持謹慎、以自身經驗與教學判斷檢視輸出；這反過來突顯了一個關鍵風險：若缺乏足夠的批判參與，職前教師可能不加批判地採納與教室現實或特定脈絡不符的策略。

議題四：偏誤（bias）議題的缺席——與「倫理素養提升」形成張力

發現摘要：儘管參與者對 GenAI 輸出有批判性參與，他們並未明確提出 AI 生成教學建議中的偏誤問題。同時，AI 倫理子量表的增幅（13.55 → 14.41）是四個子構面中最小的。研究限制中亦指出，GenAI 輸出的可信度（trustworthiness）是一個問題，因為缺乏驗證 AI 生成內容效度的機制，可能削弱此類介入在真實應用中的效果。

作者詮釋：研究者將偏誤議題的缺席歸因於參與者先前接觸 AI 的經驗有限，或對演算法偏誤如何體現於教育內容缺乏覺察（Kaddaruddin, 2023），並據此主張未來介入應明確納入對 AI 系統偏誤的關注，以支持更完整的倫理 AI 理解。此處構成本研究內部一個值得注意的張力：研究者一方面主張 AI 素養在各子構面皆有改善並涵蓋倫理與社會影響的理解，另一方面又承認倫理增幅最小、偏誤與資料隱私皆未被參與者自發提出且非工作坊焦點。這也對 Wang 等人（2023）四因素架構的實務啟示提出提醒——倫理面向似乎不會因單次動手體驗而自動長出來。

議題五：GenAI 作為共同智能夥伴，而非答案提供者

發現摘要：參與者肯認 AI 在提供替代觀點、生成教學策略、以及提升對假設性教室情境投入度上的效用；同時也擔憂過度依賴會使職前教師直接服從 AI 生成的答案，削弱自身的批判思考與問題解決能力。在可信度主題上，多個 GenAI 選項與回應與參與者既有的教學與內容知識吻合，使參與者感到被驗證：P6 表示「當它說出你做過、而你知道對某個孩子或某種需求有效的事，那感覺就像——喔，它真的在給實用的想法」；P7 則指出「顯然不是所有選項都可行，但看到他們給的五個裡有兩個真的有效，還是很有意思」。

作者詮釋：研究者將所報告的效益與 Keppler 等人（2024）在備課與教學支援上的生產力增益發現相連結，並特別強調「當 GenAI 扮演共同智能夥伴（co-intelligent partner）而非解答提供者時」效益最為明顯；這種共同智能式的夥伴關係促成使用者與 AI 之間的生產性對話，促使職前教師主動與 AI 輸出互動、質疑假設、探索處理教室情境的替代方案。研究者進一步指出，辨識 AI 的限制對教育者至關重要，因為有效教學延伸至同理、適應力與創造力等 AI 無法複製的特質。整體討論的收束立場是：GenAI 並非人類技能的替代品，而是在策略性嵌入師資培育學程時能提升自我效能與 AI 能力的互補性工具（Eden et al., 2024）。

議題六：嵌入 ITE 的階段適切性、鷹架與 AI 生態框架定位

發現摘要：學生表達希望 AI 被整合進 ITE 學程，例如作為校外實習經驗的一部分——P4 說「我覺得它可以作為學生實習後用來反思的工具」；P3 指出需要提升有效使用 GenAI 的能力，「如果我們要自己去做這件事，就需要知道怎麼做得好」；P5 則對階段適切性提出警示，「我真的覺得，尤其對一年級學生來說，如果要用它，他們會需要很多支持、很多鷹架」，P3 也表示「當你的進展還沒到位時，它會把你往前推太快」。

作者詮釋：研究者認為 Chan（2023）AI 生態教育政策框架（教學、倫理、營運三面向）適合用來定位本研究啟示，並指出研究發現契合其教學面向的三項目標：發展學生整體素養／通用能力、為 AI 驅動的職場做準備、鼓勵對 AI 採納採取平衡取徑。具體建議包括：在職前教師發展的適當階段嵌入類似的 GenAI-SBL 介入，並仔細確認學生已具備批判反思 AI 內容與互動所需的技能與經驗；介入可安排在校外實習之前作為準備任務，或在實習之後作為反思任務；形式上建議採由講師帶領、保留反思時間的工作坊。研究者也認為此工作坊 SBL 取徑可延伸至自我效能以外的用途，例如發展教案。在學程層級，研究者主張將 AI 素養列為 ITE 核心組成，強調提示工程、倫理考量與批判評估，以培養有意識、以人為本的 AI 使用文化（Walter, 2024），並依師培各發展階段提供差異化鷹架——初階學生需要較結構化的引導，進階學生則可在具備評估模型輸出的知識與技能前提下更自由地探索。

未來研究缺口

作者明示的研究限制

• 樣本規模過小，限制研究發現的可推論性（generalisability）。
• 介入影響的測量時距過短，對 GenAI 支持的 SBL 介入在自我效能與 AI 素養上的長期效果所能提供的洞見有限。
• 質性階段缺乏中學（post-primary）職前教師，限制了對其獨特經驗與觀點的理解深度；研究者建議未來研究應確保各參與者群體的均衡代表性。
• GenAI 輸出的可信度是一個問題：缺乏驗證 AI 生成內容效度的機制，可能降低此類介入在真實情境應用中的效果。
• 研究僅使用 CoPilot 一種 GenAI 工具，未能涵蓋其他平台在能力、使用者體驗或教育潛力上的差異；研究者建議進行不同 GenAI 工具的比較分析以獲得更豐富的洞見。
• 介入所設計的情境與任務可能未能充分反映不同文化或機構脈絡下職前教師面臨的多樣挑戰；針對這些差異調整介入內容可提升發現的適用廣度。

作者明示的未來研究方向

• 輸出分析（output analysis）：評估 GenAI 輸出與教學原則的一致性並辨識其中的偏誤，以確保工具能有效支持多元學習脈絡。
• 介入強化：辨識並突顯最具影響力的組成要素（如互動式回饋與決策情境），以優化自我效能與 AI 素養的增益。
• 長期影響研究：將介入嵌入小學與中學 ITE 學程，評估自我效能與 AI 素養隨時間的持續改善。
• 未來介入應明確納入對 AI 系統偏誤的關注，以支持更完整的倫理 AI 理解。
• 進一步研究職前與在職教師「將 AI 素養實際應用於教學」的情形。

值得引用的段落句子

值得延伸閱讀的論文

1. Wang, B., Rau, P. L. P., & Yuan, T. (2023). Measuring user competence in using artificial intelligence: Validity and reliability of the artificial intelligence literacy scale. Behaviour & Information Technology, 42(9), 1324–1337. https://doi.org/10.1080/0144929X.2022.2072768
   為何值得讀：這是本研究 AI 素養定義與量表的直接來源，完整交代覺察、使用、評估、倫理四因素的建構與信效度檢驗過程，是任何要測量 AI 素養的研究都必須先讀的工具論文。
   與本論文的關係：本研究的 AI 素養前後測（Table 2 的四個子量表與總分）全部建立在此量表之上，論文亦直接沿用其定義與子構念。
2. Tschannen-Moran, M., & Hoy, A. W. (2001). Teacher efficacy: Capturing an elusive construct. Teaching and Teacher Education, 17(7), 783–805. https://doi.org/10.1016/S0742-051X(01)00036-1
   為何值得讀：教師自我效能測量的奠基之作，說明教學策略、班級經營、學生投入三構面的形成邏輯，也是教師效能研究引用率最高的方法學文獻之一。
   與本論文的關係：本研究的 9 點量尺、12 題三子量表教師自我效能量表即取自此文，其對自我效能的定義也被本研究引為教師教育脈絡的界說。
3. Klassen, R. M., Bong, M., Usher, E. L., Chong, W. H., Huan, V. S., Wong, I. Y., & Georgiou, T. (2009). Exploring the validity of a teachers’ self-efficacy scale in five countries. Contemporary Educational Psychology, 34(1), 67–76. https://doi.org/10.1016/j.cedpsych.2008.08.001
   為何值得讀：提供簡式教師自我效能量表的跨五國效度證據，對需要在不同文化脈絡使用簡式量表的研究者尤其重要。
   與本論文的關係：本研究不僅在抽樣段落聲明使用此簡式量表，更以其三個子構念作為 CoPilot 生成教室情境的分類骨架，是介入設計的直接依據。
4. Klassen, R. M., Wang, H., & Rushby, J. V. (2023). Can an online scenario-based learning intervention influence preservice teachers’ self-efficacy, career intentions, and perceived fit with the profession? Computers & Education, 207, 104935.
   為何值得讀：這是線上 SBL 介入對職前教師自我效能影響的近期大規模實證研究，方法設計比本試驗嚴謹，可作為設計後續正式研究的參照範本。
   與本論文的關係：本研究在討論章節明確指出自身發現「與此研究一致」，是其自我效能結果對外對話的主要文獻座標。
5. Bardach, L., Klassen, R. M., Durksen, T. L., Rushby, J. V., Bostwick, K. C., & Sheridan, L. (2021). The power of feedback and reflection: Testing an online scenario-based learning intervention for student teachers. Computers & Education, 169, Article 104194. https://doi.org/10.1016/j.compedu.2021.104194
   為何值得讀：專門檢驗「回饋」與「反思」兩個成分在線上 SBL 中的作用，正好回答本研究未能回答的「哪些介入成分真正有效」問題。
   與本論文的關係：本研究引其支持 SBL 可提升入班準備度，且其成分分析取徑正對應本研究「未來應強化並辨識最具影響力成分」的建議。
6. Chan, C. K. Y. (2023). A comprehensive AI policy education framework for university teaching and learning. International Journal of Educational Technology in Higher Education, 20(1), 38. https://doi.org/10.1186/s41239-023-00408-3
   為何值得讀：提出涵蓋教學、倫理、營運三面向的 AI 生態教育政策框架，是目前將 AI 整合議題從個別課堂拉高到機構政策層級最常被引用的框架之一。
   與本論文的關係：本研究以此框架的教學面向定位研究啟示，並據其三項目標提出將 GenAI-SBL 嵌入 ITE 學程的建議。
7. Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, O., & Mariman, R. (2024). Generative AI can harm learning. SSRN. https://doi.org/10.2139/ssrn.4895486
   為何值得讀：以實驗證據呈現 GenAI 支持撤除後學習表現反而變差的現象，並指出加上「導師式護欄」可大幅緩解，是討論過度依賴時最具說服力的實證來源。
   與本論文的關係：本研究兩度引用此文，作為參與者「工具而非拐杖」顧慮的文獻支撐，也是其主張介入須放在學程結構中考量的核心理由。
8. Kasneci, E., Seßler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., & Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
   為何值得讀：系統性整理大型語言模型在教育中的機會與風險（著作權與資料隱私、模型偏誤與公平、師生過度依賴、整合失效），是撰寫 GenAI 教育研究風險段落的標準參考。
   與本論文的關係：本研究以其風險清單建立問題意識，並在討論中將參與者的倫理顧慮與此文的關切相互對照。
9. Miao, F., & Holmes, W. (2023). Guidance for generative AI in education and research. UNESCO Publishing.
   為何值得讀：UNESCO 官方指引，提出以人為本的 AI 教育政策五要素，適合作為機構層級政策撰寫與 AI 素養課程規劃的依據。
   與本論文的關係：本研究引其論證 AI 素養必須分階段序列化進入課程，並在資料隱私討論中引為國際指引依據。
10. Keppler, S., Sinchaisri, W. P., & Snyder, C. (2024). Backwards planning with generative AI: Case study evidence from US K12 teachers. SSRN.
    為何值得讀：以美國 K-12 教師為對象提供 GenAI 生產力效益的實證，並區分「求取輸出」與「求取輸入（對話夥伴）」兩種使用模式的效益差異，對設計教師 GenAI 培訓極具啟發。
    與本論文的關係：本研究以其「共同智能（co-intelligence）」概念詮釋參與者與 CoPilot 對話的效益來源，是「夥伴而非解答者」立場的主要依據。
11. Braun, V., & Clarke, V. (2022). Thematic analysis: A practical guide. SAGE Publications.
    為何值得讀：反思式主題分析最新且最完整的操作指南，說明六步驟流程及研究者主觀性在分析中的定位，是質性教育研究的方法必備書。
    與本論文的關係：本研究焦點團體資料的五大主題即依此書的六步驟反思式主題分析程序產出。