培養職前教師的 AI 素養：訓練介入對 AI 覺察、態度與信任的影響

論文基本資訊

精簡摘要與研究框架

本研究針對西班牙 Mondragon Unibertsitatea 小學教育學士學程「數位創新」（Digital Innovation）專長的職前小學教師，評估一場 8 小時 AI 素養基礎訓練（隸屬「Artificial Intelligence in Education」課程模組）對其 AI 知覺的影響。研究採量化準實驗設計，以前測—介入—後測結構，使用經驗證的 PAICE（Perceptions about AI in Citizens of Europe）問卷測量覺察、態度、信任三個構念（共 14 題，含 Likert、二分、多選與排序題型）。前測 60 人全數作答，後測僅 48 人參與；由於資料匿名蒐集且未編碼，無法逐一配對，故改採獨立樣本取向之推論統計（t 檢定、Welch t 檢定、Mann–Whitney U 檢定、卡方檢定，α ≤ 0.05）。結果顯示覺察面向的一般題項（Q1、Q3、Q5）皆顯著提升，對歐洲 AI 治理文件（可信任 AI 倫理準則、AI 法規提案）的認知顯著增加，16 項含 AI 產品的知覺全數上升；態度面向 Q2（對 AI 的整體態度）顯著改善；信任面向所有 Likert 題項（Q12、Q13、Q14）皆未達顯著。作者進一步將後測結果與 PAICE 歐洲大規模調查（逾 4,000 位八國公民）描述性比較，發現本研究參與者自評 AI 知識、對 AI 的整體贊同度、對教育與大學／研究機構的信任度皆明顯高於歐洲一般民眾。

研究框架

自變項為「是否接受 8 小時 AI 素養基礎訓練」（介入前 vs. 介入後之群體測量點）；依變項為 PAICE 問卷所測之三個 AI 知覺構念：覺察（awareness）、態度（attitude）、信任（trust）。

理論基礎採 Pinski 與 Benlian（2024）的 AI 素養五維度（認知／情意／社會／後設認知／實作技能）、Long 與 Magerko（2020）的 AI 素養定義、Kong 等人（2024）的素養框架，以及 OECD（2025a）的 AI 素養定義；測量框架則承接 Scantamburlo 等人（2025）的 PAICE 三構念架構。

設計邏輯為：訓練內容主要作用於認知維度（概念理解），研究即檢驗認知面的學習是否「外溢」到情意面（態度）與社會信任面（信任）。作者以此對照「認知增益是否自動轉化為情意與社會信心」這一命題。

研究另設一個外部比較層：以 PAICE 歐洲公民聚合資料作為基準（benchmark），檢視介入後的參與者知覺與一般大眾的落差；因缺乏原始資料，該比較僅止於描述性與視覺化，無法進行統計推論。

對應假設共四項（H1 覺察顯著提升、H2 態度顯著正向改變、H3 信任顯著改善、H4 後測覺察與態度高於歐洲一般民眾），其中 H1、H2 獲支持，H3 未獲支持，H4 於描述性層次獲支持。

研究動機與研究目的

研究動機

• 自 2022 年秋季 GPT 等生成式模型出現後，AI 已快速滲透社會各領域（MIT, 2023），理解 AI 如何運作與如何影響日常生活「不再是選項，而是有意義且負責任地參與當代社會的必要條件」（Casal-Otero et al., 2023）。同時，工具不斷推出造成資訊過載，可能引發焦慮與抗拒（Shalaby, 2024），初期的「wow 效應」也可能形成對 AI 能力與倫理限制的不切實際期待（Farina & Lavazza, 2023）。
• 義務教育必須回應社會對 AI 素養的需求（OECD, 2025a），小學階段是關鍵切入點（Yue Yim, 2024；Liu & Zhong, 2024）；而教師是課堂導入 AI 概念的核心角色（Zhang et al., 2024），必須先具備足夠的知識與信心，才能以合乎發展階段的方式向學生說明 AI（OECD, 2025a；UNESCO, 2024）。
• 然而缺乏受過適當訓練的教師，正是 AI 融入義務教育最主要的障礙之一（Liu & Zhong, 2024）；多數教師未接受過 AI 專門訓練，影響其信心與課堂實踐能力，且現有培訓多零碎、偏重技術工具而輕忽教學與倫理面（Hur, 2024；Ravi et al., 2023；Arroyo-Sagasta, 2024）。
• 更關鍵的是，針對教師的 AI 訓練方案其成效「尚未被廣泛分析」，且既有討論多集中於中等或高等教育，小學師資培育被相對忽略（Liu, 2024）。因此有必要以實證方式檢驗一場基礎訓練究竟能改變職前教師的哪些知覺面向。

研究問題（原文編號）

1. 8 小時的 AI 基礎訓練方案在多大程度上影響學生對 AI 的覺察、態度與信任？
2. 數位創新專長學生介入後的 AI 知覺，與大規模研究所報告的歐洲一般民眾相比如何？

研究目的（原文條列）

1. 評估 AI 基礎訓練方案對學生 AI 覺察、態度與信任水準的效果。
2. 在描述性層次上，比較未來小學教師介入後的知覺與歐洲公民所報告的知覺。
3. 反思該教學取徑的有效性，並辨識未來培育方案的關鍵設計要素，以使職前與在職教師能自早期教育階段起推動 AI 素養。

研究假設（原文編號）

1. H1：參與 AI 基礎訓練將使學生的 AI 覺察出現統計上顯著的提升。
2. H2：參與訓練將使學生對 AI 的態度出現統計上顯著的正向改變。
3. H3：訓練將顯著改善學生對 AI 的信任。
4. H4：與歐洲一般民眾相比，因所受訓練具聚焦性質，本研究學生介入後的覺察與態度水準將較高。

文獻探討大綱

• 1 Introduction — 建立「AI 普及 → 全民需具備 AI 素養 → 教師是關鍵中介 → 但師培成效未被檢驗」的問題鏈，作為研究缺口的定位段。
  • AI 的社會滲透與調適需求（MIT, 2023；Casal-Otero et al., 2023）：論證 AI 理解已是基本公民能力，而非選修知識。
  • 資訊過載、焦慮與抗拒（Shalaby, 2024）對照「wow 效應」與過度期待（Farina & Lavazza, 2023）：論證需要「平衡、負責、知情」的使用觀（Jacovi et al., 2021）。
  • 義務教育與小學階段的責任（OECD, 2025a；Yue Yim, 2024；Liu & Zhong, 2024；Zhang et al., 2024）：論證教師培育是政策落地的瓶頸點。
• 1.1 Defining and promoting AI literacy — 定義工作：把「AI 素養」從技術技能擴張為認知＋社會＋倫理的複合能力。
  • 核心定義：Long 與 Magerko（2020）「理解、使用並批判性評估 AI 技術的能力」；Lee 等人（2024）強調認知、社會、倫理能力的組合；OECD（2025a）定義「技術知識、可遷移技能與面向未來的態度」。
  • 核心模型：Pinski 與 Benlian（2024）AI 素養五維度 —— 認知／概念理解、情意／心理準備度、社會／倫理與社會覺察、後設認知、實作技能；本文後續即以此對應 PAICE 的三構念。
  • 素養的下游效果（Schiavo et al., 2024；Moravec et al., 2024）：論證素養可降低不確定與焦慮、提升知覺易用性與有用性，進而影響接受度 —— 為「訓練可改變態度」提供理論依據（接近 TAM 的接受度邏輯）。
• 1.2 AI literacy in education and teacher training — 將一般性素養轉譯為教師專業能力，界定教師版 AI 素養的內容範圍。
  • 教師為何需要 AI 素養（Zhang et al., 2024；Smarescu et al., 2024）：理解 AI 如何融入教學、如何衝擊評量、如何引導負責任使用。
  • 師資準備作為前提（Liu & Zhong, 2024；Casal-Otero et al., 2023）：不僅要會用工具，還要能「教關於 AI 的事」，包含倫理與社會維度。
  • 教師版素養的內容清單（Castro et al., 2025；Abdulayeva et al., 2025）：概念理解、批判評估 AI 產出、倫理原則、資料隱私、演算法偏誤、社會與環境影響。
  • 補充框架：Castañeda 等人（in press）提出小學階段 AI 影響的七個維度 —— 工具／技術／功能、倫理、社會、知識論、意識形態、政治、商業。
  • 教學導向優先於技術可能性（Abdulayeva et al., 2025；Arroyo-Sagasta, 2024；Holmes & Tuomi, 2022；McDonald et al., 2025）：論證培訓不應退化為工具操作課。
• 1.3 Teacher training: current practices and gaps — 指認缺口：既有培訓零碎、缺乏框架、依賴教師個人主動性。
  • 制度層次的缺席（Chan, 2023；Ng et al., 2024）：大學層級的整合性 AI 政策教育框架仍稀少，義務教育端則常取決於個別教師的準備度。
  • 教師知覺的地圖（Emenike & Emenike, 2023；Cervantes et al., 2024；Liu & Zhong, 2024；Lee et al., 2024；Zulkarnain & Md Yunus, 2023；Smarescu et al., 2024；Yusuf et al., 2024）：正向面為效率、備課、個別化學習與學習動機；顧慮面為學術誠信與抄襲、生成內容準確性、學生過度依賴、機構支持不足、班級控管與基礎設施、倫理與安全風險。
  • 訓練方案的實證進展（Ravi et al., 2023；Hur, 2024；Dilek et al., 2025；Eun & Kim, 2024；Liu, 2024）：既有研究指出教師感到準備不足、專業發展零碎；Dilek 等人提出鷹架式（scaffolded）師培模式，Eun 與 Kim 提供「聚焦且實踐導向訓練能提升教師信心與準備度」的實證支持。
• 1.4 Measurement approaches in AI literacy research — 為本研究的測量選擇作正當化說明。
  • PAICE 大規模歐洲框架（Scantamburlo et al., 2025）：測量 AI 覺察、各領域使用態度、對 AI 治理機構的信任 —— 本研究直接沿用之工具與比較基準。
  • 其他量表取向（Nong et al., 2024 多維 AI 素養量表；Krause et al., 2025 生成式 AI 對高教知覺與行為的影響）：作為測量效度的旁證，說明本研究何以選擇既有已驗證工具而非自編量表。

研究方法介紹

研究取徑與設計

本研究採量化研究取徑（quantitative research approach），使用準實驗研究設計（quasi-experimental design），結構為「前測—介入—後測」。雖然前後測問卷施測於同一組參與者，但資料以匿名方式蒐集且未做個別編碼，因此無法在個人層次配對；作者遂改以適用於獨立樣本的方法進行前後測比較，聚焦於群體層次的聚合變化。研究情境為 Mondragon Unibertsitatea 小學教育學士學程「數位創新」專長中的「Artificial Intelligence in Education」模組。

對象與抽樣

• 便利抽樣（convenience sample），共 60 位就讀 Mondragon Unibertsitatea 小學教育學位「數位創新」專長的學生，涵蓋 2023/24 與 2024/25 兩學年。
• 參與為自願，且僅限願意完成介入與相關評量者；未提供任何報酬。
• 全部 60 人完成前測，但僅 48 人參與後測，第二測量點呈部分回應率；作者指出此落差反映流失（attrition）與自願參與模式，並在結果詮釋時納入考量。
• 因該專長全體學生均納入，未再實施其他抽樣程序。

資料蒐集工具

• 採自填式線上問卷；工具為已驗證的「PAICE - Perceptions about AI in Citizens of Europe」問卷（Scantamburlo et al., 2025）。
• 共 14 題，題型包含 Likert 量表題、二分題、多選題與排序題，依三個維度組織：覺察（awareness）、態度（attitude）、信任（trust）。
• 前測與後測為同一份問卷的相同版本，以確保可比較性。

介入設計

• 前後測之間，參與者完成 8 小時、聚焦 AI 素養的訓練，實體面授。
• 內容涵蓋機器學習原理、系統如何以資料訓練、不同類型 AI 的區分；刻意不深入進階技術細節，而優先建立「當前 AI 系統如何運作、如何嵌入日常工具」的清楚易懂理解，對應 Kong 等人（2024）所指 AI 素養的基礎層次（認知維度）。
• 課程交織講解、實例與實作練習，同時滋養 AI 素養的後設認知與情意維度。
• 五個內容區塊與對應 PAICE 維度（原文 Table 1）：AI 與機器學習導論（覺察）；AI 系統如何從資料學習，含監督／非監督學習、資料品質、演算法偏誤（覺察）；日常生活中的 AI，含教育、健康、娛樂、傳播等例（覺察＋態度）；倫理與社會影響，含偏誤、公平、透明、錯誤資訊（覺察＋態度＋信任）；反思活動與小組討論，含個人經驗與對教育場域採用 AI 的批判觀點（覺察＋態度＋信任）。

資料蒐集程序

• 問卷架設於安全線上平台 Encuesta.com，透過 Mondragon Unibertsitatea 課程學習管理系統（LMS）發送邀請連結。
• 問卷開頭說明研究目的、預估填答時間，並明確聲明自願參與、匿名與保密；參與者須先提供電子知情同意方可進入題目。
• 前測完成並實施介入後，以同一 LMS 對同一批參與者施測完全相同的後測問卷；僅研究團隊可接觸所蒐集資料。

資料分析方法

• 統計分析以 Jamovi（version 2.6.26）執行；另以 Python 進行資料前處理、計算 Cronbach's α 內部一致性，以及產製視覺化圖表。
• 描述統計：平均數、標準差、次數與百分比，摘述兩個測量點的作答。
• Likert 題項：先以偏態（skewness）與峰度（kurtosis）檢驗常態性；符合常態者再以 Levene 檢定評估變異數同質性。常態與變異數同質皆成立時採 Student's t 檢定；常態成立但變異數不同質時採 Welch t 檢定；違反常態時採非參數 Mann–Whitney U 檢定。顯著水準設為 α ≤ 0.05。
• 二分題：以卡方獨立性檢定比較介入前後「是」回應比例，將兩組資料視為獨立樣本。
• 多選與排序題：分別計算前後測選擇各選項的參與者比例，再比較其變化；排序資料（如 Q11）因屬序位性質，僅作描述性解讀，不納入 Likert 題項所用的統計檢定。

信效度處理

• 效度：直接採用已驗證（validated）的 PAICE 問卷（Scantamburlo et al., 2025），並以前後測使用完全相同工具確保可比較性。
• 信度：以 Python 計算 Cronbach's α 作為內部一致性指標，惟原文未報告具體 α 數值（原文未明示）。
• 統計效力：作者於限制中明示，匿名設計導致無法配對，改用獨立樣本比較，因而降低分析的統計檢定力。
• 倫理：經 Mondragon 大學倫理委員會核准，遵循《赫爾辛基宣言》，取得書面知情同意，資料匿名且僅研究團隊可接觸。

研究流程（表格）

條列式研究流程

1. Step 1：回顧 AI 素養與教師培育文獻，鎖定「AI 師培成效缺乏實證檢驗」的缺口，提出 2 個研究問題、3 項目的與 H1–H4 假設。
2. Step 2：確立量化準實驗前測—介入—後測設計，並選定已驗證的 PAICE 問卷（14 題，覺察／態度／信任三維度）作為前後測相同工具。
3. Step 3：以便利抽樣納入數位創新專長全體 60 位職前小學教師，完成倫理核准與匿名、自願、知情同意等程序。
4. Step 4：透過學校 LMS 發送線上問卷，取得 60 份前測資料。
5. Step 5：實施 8 小時實體 AI 素養訓練，涵蓋機器學習原理、資料與偏誤、日常 AI 應用、倫理與社會影響及反思討論。
6. Step 6：介入後以同一問卷施測後測，實得 48 份回應。
7. Step 7：以 Python 進行資料前處理與 Cronbach's α 計算，並以偏態、峰度與 Levene 檢定完成統計假設檢核。
8. Step 8：於 Jamovi 2.6.26 依檢核結果選用 t／Welch t／Mann–Whitney U 與卡方檢定，逐題比較前後測差異（α ≤ 0.05）。
9. Step 9：將後測結果與 PAICE 歐洲公民聚合資料逐題視覺化比較，作純描述性解讀。
10. Step 10：整合結果與前行研究對話，提出教學設計意涵、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：短時數概念導向訓練確實能提升 AI 覺察

發現摘要：覺察面向三個一般題項皆顯著提升 —— Q1「對 AI 的知識」M 由 2.63（SD=0.712）升至 3.40（SD=0.676），p=0.001（t 檢定）；Q3「AI 對日常生活的影響」由 3.68（SD=0.813）升至 4.10（SD=0.905），p=0.012（t 檢定）；Q5「察覺自己與內含 AI 產品互動」由 3.05（SD=0.877）升至 3.54（SD=0.874），p=0.003（Mann–Whitney U）。Q7 的十個領域中有五個顯著（healthcare、insurance、finance、law enforcement、environmental），另五個未達顯著。Q6 的 16 項含 AI 產品／應用，回報知悉的比例全數上升。

作者詮釋：此結果與 AI 素養訓練的首要目標一致 —— 建立概念理解。即使不觸及複雜數學，直接教授 AI 基礎概念也能降低 AI 素養的進入門檻（Kong et al., 2022, 2024；OECD, 2025a），支持「直接教學能有效增進對 AI 是什麼、能做什麼的認識」。與過往文獻一致：Kong 等人（2022, 2024）曾報告概念理解、倫理覺察與問題解決能力的顯著增益；Zhang 等人（2024）亦發現學生對 AI 概念理解加深並認識其與生活的關聯。H1 獲支持。

議題二：治理知識的顯著躍升集中於「較不熟悉的新制度」

發現摘要：Q4 三個法規認知題中，GDPR（Q4_1）無顯著變化，χ²=0.477，p=0.490；「可信任 AI 倫理準則」（Q4_2）χ²=39.9，p<0.001；「歐洲層級 AI 法規提案」（Q4_3）χ²=32.9，p<0.001，後兩者皆顯著增加。

作者詮釋：這顯示介入「特別有效於提升對近期或較不熟悉的歐洲 AI 治理倡議之覺察」。言下之意是既已普及的規範（GDPR）存在天花板效應，短時數訓練的邊際貢獻主要落在新興、低知名度的政策知識上。

議題三：態度改善但方向並不一致，情意面外溢僅為部分

發現摘要：Q2「對 AI 的整體態度」由 3.63（SD=0.637）升至 3.96（SD=0.509），p=0.004（Welch t）；Q9「對 AI 應用於人員招募情境的自在程度」p=0.047（Welch t），惟平均數由 3.37（SD=0.928）降至 3.02（SD=0.827）；Q10「對 AI 應用於能源消費情境的自在程度」3.53→3.43，p=0.551，未達顯著。Q8 的領域別態度在 healthcare、finance、military、environmental、manufacturing industry、human resource management 顯著改變，其餘領域未顯著。

作者詮釋：作者將 Q2、Q9 的顯著差異一併解讀為「態度與自在程度的正向轉變」，並以認知理解與情意維度連動的文獻作解釋 —— 提供基礎知識（Pinski & Benlian, 2024 所稱認知維度）提升了參與者對 AI 相關性與潛在益處的知覺，從而促成更正向態度；Zhang 等人（2024）、Scantamburlo 等人（2025）、Schiavo 等人（2024）、Moravec 等人（2024）皆支持素養與接受度／正向態度的關聯。作者並指出，雖然訓練主要聚焦概念理解，態度面的改善暗示認知學習也可能影響對 AI 的情意反應。
需注意的是，原文 Table 4 顯示 Q9 的後測平均數低於前測（3.37 → 3.02），與正文「positive shift」的敘述方向不符；此為原文數據與文字敘述之間的落差，引用該題時宜謹慎並回查原表。

議題四：信任未動 —— 認知增益不會自動轉為社會信心

發現摘要：信任面向所有 Likert 題項皆未達顯著。Q12 六個政策措施子題 p 值介於 0.219–0.882；Q13「教育對提升 AI 信任的重要性」4.26（SD=0.715）→4.27（SD=0.688），p=0.954；Q14 六個機構信任子題 p 值介於 0.059–0.988，其中 Q14_6「社群媒體公司」3.14（SD=1.03）→3.54（SD=1.11），p=0.059 為最接近顯著者。Q11 排序題呈現混合樣態：部分信任建構準則排序上升、部分下降，未見一致方向，僅作描述性解讀。

作者詮釋：此結果乍看與 Kong 等人（2022）「AI 素養介入後倫理覺察顯著提升」相矛盾，但作者指出兩項關鍵差異可解釋落差：其一，Kong 等人的方案長達 30 小時，本研究僅 8 小時；其二，該方案將倫理議題明確納入課程，而本研究主要聚焦概念與技術面。結論進一步將此詮釋為 「認知增益不會自動轉化為情意與社會信心」，並主張三個知覺維度以不同速度演進、需要不同的教學策略；從「知道 AI」到「對 AI 有信心」需要整合倫理反思、批判對話與真實案例檢視的學習經驗（Lee et al., 2024；Smarescu et al., 2024）。H3 未獲支持。

議題五：與歐洲公民的落差 —— 職前教師的知識與制度信任明顯較高

發現摘要：以後測結果對照 PAICE（Scantamburlo et al., 2025，逾 4,000 位、八國公民）：自評 AI 知識（Q1）有 50% 自評為高（4–5 級），歐洲樣本僅 20.9%；對 AI 的整體贊同（Q2）達 85.1%，高於 PAICE 的 63.4%；領域別態度（Q8）以環境（83%）與人力資源（67.7%）尤為突出，後者在 PAICE 中恰為最低（47.3%）；教育對建立信任的重要性（Q13）86.7% 認為重要或非常重要，高於 71.4%；對大學與研究機構的信任（Q14_3）84%，高於 67%；對社群媒體公司的信任（Q14_6）63%，高於 35%。

作者詮釋：H4 於描述性層次獲支持。作者將教育重要性與大學信任的高比例解讀為職前教師對「教育能建立信心、緩解 AI 顧慮」抱持特別強烈的信念，並與其和學術機構的緊密關係、機構對教育的承諾及其在自身專業發展中的角色有關；此與 Chan（2023）主張大學在推動全面且合乎倫理的 AI 教育中扮演關鍵角色相呼應，使高教機構被視為「負責任且可信賴 AI 的守護者」。至於社群媒體公司信任度異常偏高（63% vs. 35%），作者僅推測「可能反映人口結構或文化差異」，未進一步驗證。須留意此比較因無 PAICE 原始資料而不可作統計推論。

議題六：測量設計的代價 —— 匿名倫理與統計效力的取捨

發現摘要：前測 60 人、後測 48 人；資料匿名且未編碼，導致無法配對前後測回應，只能以獨立樣本方法比較群體聚合變化。

作者詮釋：作者承認匿名蒐集雖「在倫理上恰當」，卻使配對樣本檢定無法使用，降低分析的統計效力，也限制了測量個體隨時間變化的能力；後測部分回應率則反映流失與自願參與模式，並已在結果詮釋時納入考量。

未來研究缺口

作者明示的研究限制

• 樣本相對小且同質 —— 僅來自單一專長的學生，限制研究的代表性，以及推論至更廣泛教育或專業族群的可能性。
• 前後測資料匿名蒐集雖合乎倫理，卻使個別回應無法跨時間點配對；因此無法使用配對樣本統計檢定，改採獨立樣本比較，降低統計效力並限制測量個體變化的能力。
• 介入時間短、結構特定，可能限制其影響，尤以信任面向為然；信任本質複雜且高度依脈絡，受媒體論述、文化態度與個人 AI 使用經驗等外部因素影響，而這些皆超出本研究範圍。

作者明示的未來研究方向

• 探究更長期、多階段介入的效果，結合概念理解、倫理反思與批判參與的機會。
• 特別設計明確涵蓋 AI 治理與倫理模組的介入或方案，因其可能對培養信任具關鍵作用。
• 進行跨教育階段、跨學科、跨專業背景的比較研究，以判斷 AI 素養如何在不同脈絡中影響覺察、態度與信任。
• 以完整框架（Kong et al., 2024）檢視認知、情意、社會（含信任）與後設認知維度之間的相互關係，以推進整合而全面的 AI 素養取徑。
• 採用混合方法（量化＋質性工具），以照見學習者學習與回應 AI 相關知識的細緻過程。

值得引用的段落句子

值得延伸閱讀的論文

1. Scantamburlo, T., Cortés, A., Foffano, F., Barrué, C., Distefano, V., Pham, L., et al. (2025). Artificial intelligence across Europe: A study on awareness, attitude and trust. IEEE Transactions on Artificial Intelligence, 6, 477–490. https://doi.org/10.1109/TAI.2024.3461633
   為何值得讀：PAICE 研究本體，提供跨八國逾 4,000 人的 AI 覺察／態度／信任大規模基準資料與完整題目結構。
   與本論文的關係：本研究的測量工具與外部比較基準皆直接取自此文，是複製或延伸本研究的必讀前置文獻。
2. Pinski, M., & Benlian, A. (2024). AI literacy for users – A comprehensive review and future research directions of learning methods, components, and effects. Computers in Human Behavior: Artificial Humans, 2, 100062. https://doi.org/10.1016/j.chbah.2024.100062
   為何值得讀：系統性彙整使用者端 AI 素養的學習方法、組成成分與效果，是目前維度劃分最完整的回顧之一。
   與本論文的關係：提供本研究採用的 AI 素養五維度（認知／情意／社會／後設認知／實作）框架，並被用來解釋為何態度改變而信任未變。
3. 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 (pp. 1–16).
   為何值得讀：AI 素養領域的奠基之作，提出可操作的能力清單與設計考量，是後續量表與課程設計的共同源頭。
   與本論文的關係：本研究對 AI 素養的核心定義（理解、使用、批判性評估）即源自此文。
4. Kong, S.-C., Cheung, W. M.-Y., & Zhang, G. (2022). Evaluating artificial intelligence literacy courses for fostering conceptual learning, literacy and empowerment in university students: Refocusing to conceptual building. Computers in Human Behavior Reports, 7, 100223. https://doi.org/10.1016/j.chbr.2022.100223
   為何值得讀：以概念建構為核心的大學 AI 素養課程成效評估，含 30 小時課程的完整設計與前後測結果。
   與本論文的關係：本研究信任面向未顯著的主要對照文獻 —— 作者以課程時數（30h vs. 8h）與是否明確納入倫理模組來解釋兩者落差。
5. Kong, S.-C., Cheung, M.-Y. W., & Tsang, O. (2024). Developing an artificial intelligence literacy framework: Evaluation of a literacy course for senior secondary students using a project-based learning approach. Computers and Education: Artificial Intelligence, 6, 100214. https://doi.org/10.1016/j.caeai.2024.100214
   為何值得讀：以專題導向學習（project-based learning）落實 AI 素養框架，示範認知、情意、社會、後設認知維度如何在課程中並行。
   與本論文的關係：本研究結論所呼籲的「以完整框架檢視各維度相互關係」即指向此框架，是設計後續長時程介入的藍本。
6. Liu, X., & Zhong, B. (2024). A systematic review on how educators teach AI in K-12 education. Educational Research Review, 45, 100642. https://doi.org/10.1016/j.edurev.2024.100642
   為何值得讀：K-12 階段 AI 教學的系統性回顧，整理鷹架策略、教師知覺、支持需求與主要障礙。
   與本論文的關係：本研究「缺乏受訓教師是最大障礙」與「教師需要更多支持與培訓」兩項核心論證的主要來源。
7. Casal-Otero, L., Catala, A., Fernández-Morante, C., Taboada, M., Cebreiro, B., & Barro, S. (2023). AI literacy in K-12: A systematic literature review. International Journal of STEM Education, 10, 29. https://doi.org/10.1186/s40594-023-00418-7
   為何值得讀：K-12 AI 素養研究的系統性文獻回顧，釐清課程內容、能力界定與教師準備度議題。
   與本論文的關係：支撐本研究「教師版 AI 素養須包含教『關於 AI』的能力與倫理社會維度」之主張。
8. Hur, J. W. (2024). Fostering AI literacy: Overcoming concerns and nurturing confidence among preservice teachers. Information and Learning Sciences, 126, 56–74. https://doi.org/10.1108/ILS-11-2023-0170
   為何值得讀：同樣以職前教師為對象，處理顧慮消解與信心培養，方法與情境和本研究高度可比。
   與本論文的關係：本研究指出現行專業發展零碎、偏技術輕教學倫理的論點即引自此文，可作為對照案例。
9. Abdulayeva, A., Zhanatbekova, N., Andasbayev, Y., & Boribekova, F. (2025). Fostering AI literacy in pre-service physics teachers: Inputs from training and co-variables. Frontiers in Education, 10, 1505420. https://doi.org/10.3389/feduc.2025.1505420
   為何值得讀：同期、同刊、同樣以職前教師 AI 素養訓練為題，但納入共變項分析，可補足本研究缺乏調節變項檢驗的不足。
   與本論文的關係：標題與研究問題幾乎平行的姊妹研究，適合作為跨學科（物理科 vs. 小學教育）比較的對照文獻。
10. Zhang, H., Lee, I., & Moore, K. (2024). An effectiveness study of teacher-led AI literacy curriculum in K-12 classrooms. In Proceedings of the AAAI Conference on Artificial Intelligence, 38.
    為何值得讀：檢驗由教師主導的 AI 素養課程在 K-12 課堂的實際成效，串接「教師培育」到「學生學習成果」的因果鏈。
    與本論文的關係：本研究覺察與態度提升結果的主要一致性佐證，也是主張「教師是 AI 素養推動關鍵」的實證依據。