引導 K-12 教師透過 Vibe Coding 打造 AI 學習科技的框架

論文基本資訊

精簡摘要與研究框架

大型語言模型（large language models, LLMs）能從自然語言提示生成程式碼，使不具程式背景者也能以「vibe coding」開發運算解決方案。作者主張這項轉變放大了「教師即設計者」（teachers-as-designers）的價值，既可改善科技融入教學的適配性，也能同步培養教師 AI 素養；然而現有專業發展方案缺乏支持此歷程的結構化引導。本研究因此提出 GAIDE 框架：先以 Design Thinking 與 INTERACT 兩個既有框架建構初始歷程模型（Figure 1），再透過一場為期八週、由大學教授擔任導師的線上（Zoom）同步工作坊進行實證檢驗，參與者為 3 位 K-12 教師與 4 位教授導師；教師團隊使用 Google AI Studio 以 vibe coding 共同開發出名為 Math Mysteries 的故事導向、遊戲化國中數學 AI 學習平台，並投入美國 Presidential AI Challenge。研究以 CORDTRA 圖示分析六場次工作坊錄影（共 553 個互動編碼），並以 Braun 與 Clarke（2006）六步驟主題分析比較前後焦點團體訪談。結果顯示教師的創作歷程呈非線性迭代，導師互動占 60.2%、教師占 39.8%，且教師在 AI 素養四領域皆出現實質提升，支持「以創造來學習」（learning-by-creating）作為教師專業發展途徑。

研究框架

本研究屬質性的設計取向研究，並無自變項／依變項的統計檢定關係，而是「理論框架建構 → 實證應用 → 框架修訂」的三段式論證結構。

• 初始框架（Figure 1）以 Design Thinking 的五個階段（同理、定義問題、發想、原型、測試；Razzouk & Shute, 2012）提供歷程骨架，並以 INTERACT 框架（Domagk et al., 2010）的互動設計要素補足「什麼樣的 AI 互動具有教學效能」這一層空缺。
• 分析架構一（對應 RQ1、RQ2）：以 CORDTRA（Chronologically Ordered Representation of Discourse and Tool Related Activity）圖示，將時間置於 x 軸、編碼類別置於 y 軸，同時呈現「開發步驟」巨觀層與教師／導師微觀活動層。
• 分析架構二（對應 RQ3）：以 Ng 等人（2021）AI 素養四領域（知道並理解 AI、使用並應用 AI、評估並創造 AI、AI 倫理）為演繹編碼骨架，比較前、後訪談的主題移動。
• 詮釋理論層：以建構論（constructionism；Papert, 1980）、學習即設計（learning-by-design；Koehler & Mishra, 2005）、分散式認知（distributed cognition；Hollan et al., 2000；Putnam & Borko, 2000）、認知徒制（cognitive apprenticeship；Collins, 2013）與 TPACK（Mishra et al., 2023）詮釋結果。
• 最終產物：經實證修訂後的 GAIDE 框架（Figure 5），以「Understand AI」開場、「Reflect on Ethical Application」收尾，中間為非線性迭代的 Design Thinking＋INTERACT 設計歷程。

研究動機與研究目的

研究動機

• 技術門檻已被 vibe coding 大幅降低：LLM 可依自然語言提示生成、修改並執行程式碼（Karpathy, 2025），使用者以高層次意圖而非程式語法引導開發（Chow & Ng, 2025），領域專家、教育者與實務工作者因而可自行打造貼合情境的運算解決方案。
• 既有教育科技與教室現實脫節：許多工具由開發者或研究者主導設計，被批評未能對應教室實況（Luckin et al., 2019）；共同設計與參與式設計雖已嘗試納入教師（Roschelle et al., 2006），但教師常僅提供領域知識或部分參與，研究者與技術開發者仍是設計主導者（Lin & Van Brummelen, 2021；Nicholson, 2022）。
• 教師 AI 素養的培育需求上升：AI 融入教育使教師 AI 素養成為優先議題（Ding et al., 2024；Pei et al., 2025），而專案式、以設計為本的創作歷程被視為培育素養的有潛力路徑（Kali et al., 2015；Papert, 1980）。
• 結構化引導仍然缺乏：開發教育軟體不只需要內容與教學知識，還需處理資料、互動設計與倫理等設計決策（Domagk et al., 2010）；多數教師缺乏此類經驗，現有專業發展少有針對「建置 AI 學習科技」的結構化指引，且鮮少研究探討如何在保有教師高度自主性（agency）的前提下有效引導。此外，vibe coding 在教育場域的研究多聚焦醫學教育（Chow & Ng, 2025）、大學工程課程（Kusper & Szabó, 2025）與中學生（Woo et al., 2025），少有研究檢視教師如何以 vibe coding 打造教室解決方案。

研究目的與研究問題

本文的核心目的是提出一個支持 K-12 教師以 AI 輔助 vibe coding 創作 AI 驅動學習科技的引導框架 GAIDE，並以八週設計工作坊檢驗其實務可用性（practical usability）。原文列出三個研究問題（RQs）：

1. RQ1：教師在工作坊中所展現的 AI 驅動學習科技創作歷程為何？（How is the teachers' AI-powered learning technology creation process demonstrated in the workshop?）
2. RQ2：在受引導的 AI 學習科技創作歷程中，教師與教授導師分別展現哪些活動？（What activities do teachers and faculty mentors demonstrate during the guided AI learning technology creation process?）
3. RQ3：K-12 教師的 AI 素養在整個 AI 驅動學習科技創作歷程中如何演變？（How does K-12 teachers' AI literacy evolve throughout the AI-powered learning technology creation process?）

文獻探討大綱

• 2.1 教育中的 AI 輔助 Vibe Coding（AI-assisted Vibe Coding in Education）
  • Vibe coding 的定義與定位 — 以對話式提示讓 AI 生成、精修、除錯程式碼的流動式程式設計（Karpathy, 2025）；論證角色：確立本研究的技術前提。核心概念對照：vibe coding 強調人在迴路（humans in the loop）為執行主體，與代理式程式設計（agentic coding，代理可在極少人為介入下自主運作）形成對比（Kusper & Szabó, 2025）。
  • 可及性論據 — 近期 AI 輔助程式競賽的獲獎者為醫師、律師、音樂家等領域專家而非專業程式設計師（Minervee, 2026）；論證角色：證明領域知識比語法能力更關鍵。
  • 教育場域既有探索 — 醫學教育兩個臨床應用案例（Chow & Ng, 2025）；大學工程課程中與 AI「組隊」顯著提升學生自陳生產力、但未提升其對程式正確性的信心（Kusper & Szabó, 2025）；中學生於四小時工作坊開發英語為外語（EFL）學習工具的對比個案（Woo et al., 2025）。論證角色：鋪陳研究缺口 —「少有研究檢視教師如何透過 vibe coding 創造教室解決方案」。
• 2.2 透過科技創作發展教師 AI 素養（Developing Teachers' AI Literacy through Technology Creation）
  • AI 素養的構成 — 四大成分：知道並理解 AI、使用並應用 AI、評估並創造 AI、AI 倫理（Ng et al., 2021）；教師還需具備教學判斷、批判評估 AI 輸出與理解倫理社會意涵的能力（Ding et al., 2024）。論證角色：提供 RQ3 的分析骨架。核心理論：AI 素養四領域模型。
  • 建構論路徑 — 學習者透過主動創作有意義的人造物而發展深層知識（constructionism；Papert, 1980），並被操作化為學習即設計（learning-by-design；Kalantzis & Cope, 2005；Koehler & Mishra, 2005）與做中學／製作學習（learning-by-making；Hsu et al., 2017）。論證角色：說明為何「讓教師動手做」能同時是專業學習。
  • 缺口指認 — 既有研究已顯示參與設計可提升教師科技知識與素養（Kali et al., 2015；Koehler & Mishra, 2005），但支持教師創作 AI 驅動學習科技、並檢視其對 AI 素養影響的努力仍相當有限。
• 2.3 學習科技設計的引導框架（Guiding Frameworks for Learning Technology Design）
  • 框架的功能定位 — 引導框架旨在銜接理論與實務，協助設計者將教學原則轉譯為有效的技術方案（Richey & Klein, 2013）。論證角色：說明「為何需要一個框架」。
  • Design Thinking 的貢獻與限制 — 人本、迭代的五階段歷程（同理使用者、定義問題、發想解方、製作原型、以使用者回饋測試；Razzouk & Shute, 2012），已被用於引導中學生創作對話式 AI 應用並凸顯 AI 的社會影響（Song et al., 2023；AI4K12，Touretzky et al., 2019）；限制在於它只提供通用程序結構，未指明「什麼使得所產生的 AI 互動具教學效能」。
  • INTERACT 的補位 — 互動式多媒體學習的整合模型（Domagk et al., 2010），提出互動設計六大要素：1) 學習環境、2) 行為活動、3) 認知與後設認知活動、4) 情緒與動機、5) 心智模型、6) 學習者變項，並強調學習目標、教學事件、互動可為性（interactive affordances）與支持機制等考量。論證角色：把教學理論條件轉譯為可操作的設計元件。
  • 整合論證 — INTERACT 補足 Design Thinking 在「教學上有效的互動設計」上的不足，故作者將二者整合為初始理論模型（Figure 1）。

研究方法介紹

研究取徑與研究設計

研究提出新的引導框架 GAIDE，並以一場實證實作支持之：為期八週、教授導師帶領的線上同步（Zoom）工作坊，引導 K-12 教師設計與開發 AI 驅動的教室解決方案。工作坊的情境化學習機會來自支持教師參加美國 Presidential AI Challenge（依行政命令 Executive Order 14277 設立，為 K-12 學生、教育者、導師與社區團隊以 AI 解決真實社區問題的全國性競賽；The White House et al., 2025）。作者指出該競賽雖提供高風險、真實的參與情境，但本質是獨立團隊的競賽，對缺乏 AI 設計開發經驗的教育者僅提供有限的教學鷹架，工作坊即刻意設計來填補此缺口。

八週期間，教師團隊協作完成 Math Mysteries：一個故事敘事導向、AI 驅動的遊戲化平台，用以支持國中數學學習（Figure 2）。教師以 Google AI Studio 進行 vibe coding 原型製作；選用該平台的理由為對教育者免費、完全於瀏覽器運作而無需安裝，且透過 Gemini 系列模型支援文字、圖像、影片、音訊與程式碼的多模態生成。

研究對象與抽樣

• 參與者共 7 人（Table 1）：3 位來自美國田納西州東部鄉村地區的 K-12 教師（以設計者—實踐者身分自願回應 Presidential AI Challenge），4 位來自美國南部三所研究型（R1）大學的教授擔任導師。
• 教師背景：Teacher A—國中（圖書教師），任教字彙與數位公民素養，12 年經驗；Teacher B—國中六年級，歷史與資訊科學，5 年經驗；Teacher C—高中九至十年級，英語與英語文（ELA），11 年經驗。
• 導師背景：Faculty A—教育科技，1 年；Faculty B—學習、設計與科技，5 年；Faculty C—資訊科學，22 年；Faculty D—教育科技，5 年。
• 抽樣方式：教師與導師均以雪球抽樣（snowball sampling）招募，由第一作者聯繫潛在參與者啟動。

資料蒐集

• 工作坊錄影錄音：八場次每週線上工作坊全程錄音錄影，以 Zoom 平台內建 AI 轉錄服務轉為逐字稿，再由人類研究者檢閱並依需要人工校正；錄影用以擷取螢幕分享畫面並提供情境資訊。
• 前、後焦點團體訪談：由 3 位教師輪流回應。前訪談涵蓋既有 AI 知識（例如「你會如何向學生解釋什麼是 AI？」）、既有經驗（例如「你在教學中使用過哪些 AI 工具？」）、對教育中 AI 的觀點（例如「你認為 AI 在教育中的主要機會與挑戰是什麼？」）與自我效能信念（例如「對於學習創作 AI 驅動學習科技，你有多少信心？」）。
• 後訪談聚焦學習經驗反思（例如「你會如何描述整體經驗？」）、AI 素養的自覺成長（例如「你現在會如何向學生解釋什麼是 AI？」）與將所開發工具融入教室實踐的想像（例如「你會如何想像在教室中使用你開發的工具？」）。
• 框架成員檢核：後訪談中研究者分享螢幕呈現工作坊設計所用的初始模型（Figure 1），請教師針對其視覺化與用詞提供意見。
• 研究倫理：已取得第一作者所屬機構之機構審查委員會（Institutional Review Board, IRB）核准。

資料分析

• 影片分析（對應 RQ1、RQ2）：採 CORDTRA 圖示（Hmelo-Silver et al., 2008），可將話語、工具使用、手勢等多重行動編碼隨時間平行呈現於同一表格（Hmelo-Silver et al., 2009）。本研究依 Choi 等人（2026）的圖示建構方法，x 軸以一分鐘為單位標記時間、y 軸列出所導出編碼、以不同顏色標示資料樣式。八場次中僅編碼六場：第 7、8 場完全用於準備 Presidential AI Challenge 送件材料（如製作示範影片、撰寫申請文件）；第 4、5、6 場亦部分用於材料製作，故僅編碼與 AI 學習科技設計開發相關的錄影片段。
• 編碼架構（Appendix A）：採結合歸納與演繹的混合編碼取徑（Fereday & Muir-Cochrane, 2006）。教師對話式行動的編碼衍生自任務式協作課程設計之認知歷程文獻（如 Yan & Goh, 2023）；與 AI 互動中浮現的設計行動與工具使用編碼（Prompt Writing、Demonstrating Prototype、Refining Ideas、Reviewing AI Outputs）則由資料歸納而得。導師活動編碼建基於個別指導、鷹架與促進的文獻（如 Hmelo-Silver & Barrows, 2006；Song et al., 2025），並歸納新增 Technological Walkthrough 與 Troubleshooting Support 以反映 AI 設計情境。歸納編碼的建立由兩位研究者先就八份錄影各約 10 分鐘片段試編碼，再經反覆檢閱討論精修與生成新碼。
• 編碼可信度：以 Google Spreadsheet 轉錄並依「個別發言輪次」層級組織逐字稿，教師與導師分欄區隔，兩位研究者直接在表中標碼並同步繪製 CORDTRA 圖；標示資料樣式時兩位編碼者共同觀看所有錄影並討論至達成 100% 一致（Choi et al., 2026）。
• 訪談分析（對應 RQ3）：以 Braun 與 Clarke（2006）六步驟框架對前後訪談逐字稿進行主題分析。兩位研究者各自檢閱逐字稿並產生對應 AI 素養四領域（Ng et al., 2021）的初始編碼，記錄工作坊前後知覺的移動；再以主軸編碼（axial coding）歸類，並透過跨參與者、跨時間點的資料比較反覆精修主題。
• 信實度處理：記錄代表性引語與情境細節以提升可信性（credibility）與可轉移性（transferability）；並實施成員檢核（member checking），研究者、參與者與專家評閱者間反覆討論直至達成共識。

研究流程（表格）

條列式研究流程

1. Step 1：整合 Design Thinking 與 INTERACT，建構初始歷程模型作為工作坊的引導框架（Figure 1）。
2. Step 2：以雪球抽樣招募 3 位鄉村 K-12 教師與 4 位 R1 大學教授導師，並取得 IRB 核准。
3. Step 3：第 1 場次進行定向、團隊建立與競賽說明，並完成前測焦點團體訪談。
4. Step 4：第 2 場次由導師主講 AI 基礎概念迷你講座，建立 Understand AI 的知識基礎。
5. Step 5：第 3 至 7 場次教師依框架協作發想、設計、以 Google AI Studio vibe coding 製作並測試 Math Mysteries 原型，課外持續迭代。
6. Step 6：第 5 場次起撥出部分時間、第 8 場次全程投入 Presidential AI Challenge 送件材料準備。
7. Step 7：第 8 場次後實施後測訪談，並請教師逐項檢核 Figure 1 的視覺化與 INTERACT 用詞（Table 2）。
8. Step 8：以混合編碼架構對六場次錄影進行 CORDTRA 分析，兩位編碼者討論至 100% 一致，產出 553 個互動編碼的描述統計。
9. Step 9：以四領域 AI 素養骨架完成前後訪談主題分析並成員檢核，整合結果修訂框架，定稿為 GAIDE（Figure 5）。

研究議題與討論重點收斂

議題一：教師的 AI 科技創作歷程是非線性、迭代的循環

發現摘要：CORDTRA 分析顯示歷程隨場次演變。Figure 3-(a)（第 2 場）主要集中於 Understand AI；3-(b)（第 3 場）延伸至 Empathize & Analyze，繼而 Define Educational Problem 與 Ideate；3-(c)（第 4 場）呈現更明顯的迭代樣式，Understand AI 以更應用化的形式再現（Google AI Studio 實作指導），接著進入以 INTERACT 為基礎的 Design 階段，教師討論並決定 Learning Objectives（LO）、Learner Differentiation（LD）與 Knowledge Mapping（KM），並回頭重訪 Empathize & Analyze、Ideate 與 Define Educational Problem；3-(d)（第 5、6、7 場）教師測試原型、接受導師回饋，短暫重訪問題定義與同理階段後繼續互動設計，納入 Behavioral Activities（BA）、LD 與 Thinking Process（TP），最終導向 Reflect on Ethical Application。

作者詮釋：框架據此以橘色箭頭視覺化 CORDTRA 中觀察到的迭代路徑，主張教師協作設計是「詮釋與協商的非線性但迭代的循環歷程」（引 Clark & Hollingsworth, 2002）。與 Design Thinking 強調迭代、使用者中心的主張一致；同時說明教師在課外亦個別與協作地推進原型，工作坊時間並非歷程的唯一場域。

議題二：INTERACT 的學術術語需經「教師語言化」修訂

發現摘要：後訪談中教師整體認為框架大致能代表其設計歷程，但指出部分源自 INTERACT 的術語對教師而言不直觀、不易理解。Table 2 記錄六項調整：Motivation & Emotion → Motivation & Engagement（Engagement 較 Emotion 易於設計、測量與觀察，T#C）；Mental Model → Knowledge Mapping（心智模型偏理論，知識地圖較貼近教師語言，T#B）；Learner Variables → Learner Differentiation（更貼近教師語言並喚起全方位學習設計 UDL 的聯想，T#B、T#C）；Cognitive Activities → Thinking Processes（認知雖精確但較不直觀，教師是為思考例程與策略而規劃，T#A、T#B）；Learning Environment 移除（未觀察到相關討論）；Learning Objectives 新增（教師在設計學習內容前積極討論學習目標與課綱標準）。Behavioral Activities 則維持原詞——Teacher B 建議改為「Learning activities」，但作者決定保留，理由是「行為活動」涵蓋所有可觀察的活動，而學習活動可能只涵蓋學習，且會與認知活動無法區辨。

作者詮釋：對 Learning Environment 的一種可能解釋是，學習環境的考量已在 Design Thinking 的 Empathize 階段隱性處理，教師自然反思了學習者的環境脈絡（Razzouk & Shute, 2012）。新增 Learning Objectives 則是為對齊教師實務——雖原始 INTERACT 未明列，但界定學習目標是開發教材前的關鍵步驟，為許多教學設計模式所強調（如 Dick et al., 2015），此舉使框架超越通用的 Design Thinking，更明確地紮根於教學設計。此處呈現與 INTERACT 原始六要素的部分矛盾：理論上的「學習環境」在教師實作中並未成為獨立的設計討論對象。

議題三：導師互動占比高於教師，反映鷹架與逐步淡出的認知徒制

發現摘要：微觀活動分析（Table 3，總計 553 次編碼）顯示教師互動占 39.8%（220 次）、導師互動占 60.2%（333 次）。教師端以 Respond to Questions（49 次，8.9%）與 Proposing Ideas（45 次，8.1%）最頻繁，其次為 Refining Ideas（33 次，6.0%）、Explanation（19 次，3.4%）、Demonstrating Prototype（18 次，3.3%）、Elaborating Others' Idea（16 次，2.9%）、Questioning（15 次，2.7%）、Reviewing AI Outputs（12 次，2.2%）、Prompt Writing（7 次，1.3%）、Requesting Support（6 次，1.1%）。導師端以 Explanation（94 次，17%）最主導，其次 Technology Walkthrough（59 次，10.7%）、Suggestion（56 次，10.1%）、Questioning（42 次，7.6%）、Managing Discussions（28 次，5.1%）、Strategic Support（23 次，4.2%）、Emotional Support（14 次，2.5%）、Providing Resources（13 次，2.4%）、Troubleshooting Support（4 次，0.7%）。

作者詮釋：以 Gagné（1985）理論將導師支持分為認知（知識）、動作技能（技能）與情意（態度）三個領域：認知支持包含解釋、建議、提問、管理討論、策略支持與提供資源；技能支持體現於科技操作導覽與疑難排解；Questioning（7.6%）與 Managing Discussions（5.1%）跨所有階段出現，顯示對教師思考的持續促進與協作歷程的協調，Strategic Support（4.2%）尤其在 Ideate 階段幫助教師將想法精修並操作化為可行的設計方向。整體樣式呼應認知徒制（Collins, 2013）的示範、教練與鷹架並逐步淡出支持——導師使專家思維可見、以提問與回饋引導推理，並漸次減少支持以讓教師承擔更大的所有權與自主性。

議題四：AI 是設計歷程中的第三個行動者與中介性人造物

發現摘要：除人際互動外，資料中觀察到教師與 AI 的直接互動，包括 Demonstrating Prototypes（3.3%）、Reviewing AI Outputs（2.2%）與 Prompt Writing（1.3%）。教師在 vibe coding 環境中運用 AI 表達、擴展與精修想法，將默會知識外化，並投入「生成—測試—修訂」的迭代循環。

作者詮釋：作者以分散式認知（Hollan et al., 2000；Putnam & Borko, 2000）將教師、導師與 AI 的互動概念化為「動態協調的分散式專業系統」——導師的證據本位知識、教師的實務本位知識與 AI 的生成式知識，在真實教室實務的情境脈絡中被協同整合並持續重構（Voogt et al., 2015）。教師 C 的訪談顯示其同時將 AI 視為認知卸載者（cognitive offloader；Choi et al., 2026）與協作夥伴（Sun & Huang, 2025）。據此作者主張，AI 不應僅被理解為工具，而是主動形塑教師思考歷程的中介性人造物（mediational artifact）。此外，教師間的對話互動（Refining Ideas 尤其集中於 Empathize & Analyze 與 Ideate 階段）呼應既有研究對協作設計即教師真實學習情境的論述（McKenney et al., 2016）。

議題五：以創造 AI 來學習可作為教師專業發展途徑

發現摘要：Appendix B 顯示，教師在四個 AI 素養領域（Ng et al., 2021）共十組主題上，從初始的不確定與工具性觀點，轉向更精緻、具教學基礎且具倫理意識的觀點。例如：從對 AI 工具有限的程序性理解 → 操作性勝任（「我以前以為 AI 什麼都能做；現在我看到它能產生想法，但答案未必總是正確」T#A）；從工具性觀點 → 認識論再框架（將 AI 視為形塑知識的教育夥伴）；從臨時性試用 → 與學習目標對齊的教學整合（「現在我會先想學習目標，再考慮 AI 如何支持它」T#C）；從視 AI 為替代工具 → 人機協作教學；從教學上的不確定 → 對 AI 支持教學的信心；從對社會技術意涵的有限覺察 → 批判性理解（「我現在意識到 AI 並非中立的」T#C）；從被動消費 → 作為設計者的教師自主性；在倫理面則從模糊覺察 → 對能力與限制（偏誤、幻覺、透明度、過度依賴）的細緻理解、從合規式關切 → 有教學目的的倫理使用、從角色界線不明 → 有意識地劃分人機分工。

作者詮釋：這些轉變支持「創作歷程可作為教師 AI 學習的有意義專業發展形式」（Hsu et al., 2017；Kalantzis & Cope, 2005；Papert, 1980），與建構論及學習即設計的主張一致。作者進一步以 TPACK（Mishra et al., 2023）詮釋：工作坊透過動手操作 AI 工具強化科技知識（TK），透過探索 AI 如何融入教學實務強化科技教學知識（TPK）；更重要的是，設計與創作 AI 人造物的歷程使教師從「孤立使用的工具」轉向「在真實教室脈絡中進行策略性教學整合的資源」，因而支持 TPACK 的發展。框架末端的 Reflect on Ethical Application 則強化倫理推理作為 AI 素養核心成分的角色（Ng et al., 2021）。

議題六：從共同設計者到主要設計者的角色升級與人本能力的再定位

發現摘要：GAIDE 框架以建立 AI 的基礎理解為起點，經 Design Thinking 啟發的階段、整合 INTERACT 元件的 Design 階段、與導師共同進行的 Prototyping 與 Testing，最後以 Reflect on Ethical Application 收尾，與 AI 素養發展閉環。研究同時發現教師特別強調人本能力：以同理心辨識有意義的教育問題、促成真實的師生互動、在 AI 支持的情境中培養學生批判思考與創造力，以及在 AI 使用上行使道德與倫理判斷。

作者詮釋：明確指出與過往文獻的差異——既有共同設計與參與式設計研究（如 Kali et al., 2015）雖讓教師參與教育科技開發，但這些協作模式常把研究者或技術開發者置於設計歷程的主要驅動位置，教師的貢獻有限（如僅提供領域專業或部分參與），少有機會全程參與並在技術設計開發中擔任主要角色（Lin & Van Brummelen, 2021；Nicholson, 2022）。本框架以 AI 驅動的 vibe coding 為支持，將教師定位為主要設計者（primary designers），賦予其更大自主性，使其能更直接地形塑符合教學目標的科技。作者並主張上述人本能力不應再被視為「軟實力」，而是 AI 時代的關鍵能力（OECD, 2019）；隨著 AI 擴展技術上的可能性，教師一貫強調應以 AI 增強而非取代人的能力。

未來研究缺口

作者明示之限制與未來研究

本文未設獨立的「Limitations」章節，以下為原文明確表述之限制與後續需求。

• 需要更多使用案例：作者於結論明言「While more user cases are needed, our framework serves as a practical guide...」（PDF p.31–32），即 GAIDE 的可用性與可實踐性目前僅在一場真實工作坊中檢驗，仍待更多應用案例累積。
• 分析範圍受限於部分場次：八場次中僅六場納入 CORDTRA 編碼，第 7、8 場完全用於競賽送件準備，第 4、5、6 場亦部分用於材料製作，故僅編碼與設計開發直接相關的片段（PDF p.12–13）；亦即工作坊中相當比例的活動未進入互動分析。
• 時間限制影響歷程完整性：受工作坊時間限制，教師被要求在場次外自行持續製作原型（PDF p.10），此部分歷程未被錄影與編碼。
• INTERACT 元件的實作落差待釐清：Learning Environment 因「未觀察到相關討論」而被移除，作者僅提出一種可能解釋（已於 Empathize 階段隱性處理），並未實證確認（PDF p.19、p.27），留待後續驗證。

值得引用的段落句子

本篇為投稿手稿，文中未見期刊印刷頁碼，故出處統一標示為 PDF 頁碼。

值得延伸閱讀的論文

以下 10 筆均取自本文參考文獻清單中實際存在的條目（PDF p.33–39），依 APA 第 7 版格式呈現。

1. Chow, M., & Ng, O. (2025). From technology adopters to creators: Leveraging AI-assisted vibe coding to transform clinical teaching and learning. Medical Teacher, 47(12), 1927–1929. https://doi.org/10.1080/0142159X.2025.2488353
   為何值得讀：目前少數具體記錄「無程式訓練的教育者以 vibe coding 產出可用臨床應用」的實作案例，可作為跨領域對照。／與本論文的關係：本文用它支撐「高層次意圖取代語法」與「採用者變創造者」的核心命題，是最直接的前導研究。
2. Kusper, G., & Szabó, C. (2025, November). Vibe coding in education. In 2025 International Conference on Emerging eLearning Technologies and Applications (ICETA) (pp. 506–511). IEEE. https://doi.org/10.1109/ICETA67772.2025.11280285
   為何值得讀：以大學工程課程檢驗與 AI「組隊」的效果，發現自陳生產力顯著提升但對程式正確性的信心未增，是討論 vibe coding 限制時的重要反面證據。／與本論文的關係：本文據以區辨 vibe coding 與 agentic coding，並凸顯本研究改以教師為對象的差異。
3. Woo, D. J., Guo, K., & Yu, Y. (2025). A vibe coding learning design to enhance EFL students' talking to, through, and about AI (arXiv:2509.08854). arXiv.
   為何值得讀：K-12 場域中以 vibe coding 進行學習設計的對比個案，適合與教師端研究並讀以看見學生端樣貌。／與本論文的關係：本文引為 K-12 vibe coding 的既有嘗試，並指出其僅四小時、且聚焦學生而非教師的缺口。
4. Ng, D. T. K., Leung, J. K. L., Chu, S. K. W., & Qiao, M. S. (2021). Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, 2, 100041. https://doi.org/10.1016/j.caeai.2021.100041
   為何值得讀：AI 素養四領域（知道與理解、使用與應用、評估與創造、AI 倫理）最被廣泛引用的概念化來源。／與本論文的關係：本文 RQ3 的演繹編碼骨架與 Appendix B 主題分類完全建立於此。
5. Domagk, S., Schwartz, R. N., & Plass, J. L. (2010). Interactivity in multimedia learning: An integrated model. Computers in Human Behavior, 26(5), 1024–1033. https://doi.org/10.1016/j.chb.2010.03.003
   為何值得讀：INTERACT 模型的原始出處，詳述互動設計六大要素與可為性、支持機制的理論依據。／與本論文的關係：GAIDE 的 Design 階段直接改編其元件（移除 Learning Environment、新增 Learning Objectives），欲理解修訂理由必讀原典。
6. Razzouk, R., & Shute, V. (2012). What is design thinking and why is it important? Review of Educational Research, 82(3), 330–348. https://doi.org/10.3102/0034654312457429
   為何值得讀：Design Thinking 在教育研究中的權威回顧，釐清五階段與人本設計的理論基礎。／與本論文的關係：構成初始框架的程序骨架，本文對「同理階段隱含學習環境考量」的推論亦引自此文。
7. Kali, Y., McKenney, S., & Sagy, O. (2015). Teachers as designers of technology enhanced learning. Instructional Science, 43(2), 173–179. https://doi.org/10.1007/s11251-014-9343-4
   為何值得讀：「教師即設計者」研究取向的定調文獻，說明參與設計如何同時強化教師科技知識與採用意願。／與本論文的關係：既是本文動機來源，也是本文明確欲超越的對象——作者主張要從共同設計者推進到主要設計者。
8. Koehler, M. J., & Mishra, P. (2005). What happens when teachers design educational technology? The development of technological pedagogical content knowledge. Journal of Educational Computing Research, 32(2), 131–152. https://doi.org/10.2190/0EW7-01WB-BKHL-QDYV
   為何值得讀：以「learning by design」連結設計參與與 TPACK 發展的經典實證，是理解「創作即專業學習」機制的基礎。／與本論文的關係：本文對 TK、TPK 到 TPACK 之進展的詮釋直接承接此一傳統。
9. Hmelo-Silver, C. E., Liu, L., & Jordan, R. (2009). Visual representation of a multidimensional coding scheme for understanding technology-mediated learning about complex natural systems. Research and Practice in Technology Enhanced Learning, 4(3), 253–280. https://doi.org/10.1142/S1793206809000714
   為何值得讀：CORDTRA 圖示的方法論說明，示範如何將話語、工具使用等多維編碼並置於時間軸上。／與本論文的關係：本文 RQ1、RQ2 的分析工具即出自此方法傳統，是複製其分析設計的必要參考。
10. Choi, S., Jeong, S., Park, S., Kim, Y., & Han, I. (2026). Analyzing teacher–AI interaction patterns across teacher experience and AI proficiency in student-centered lesson design. Teaching and Teacher Education, 169, 105266. https://doi.org/10.1016/j.tate.2025.105266
    為何值得讀：以教師經驗與 AI 熟練度切分教師與 AI 的互動樣式，並提出認知卸載（cognitive offloading）的觀察視角。／與本論文的關係：本文的 CORDTRA 圖建構方法與 100% 一致性程序均複製自該研究，且其認知卸載概念被用於詮釋教師對 AI 的雙重定位。