雙知識—調節—實證閉環框架 -- AI 時代的終身學習典範

以下是我最近反思：退休前究竟能做出什麼學術成果的想法。我與 Codex 協作，提出以下終身學習模式：

英文名稱：Dual-Knowledge Regulation and Real-World Validation Framework 

中文簡稱：雙知識調節實證框架（或學習典範）

 

圖：雙知識—調節—實證閉環框架。領域／任務知識與學習者／自我知識共同構成調節決策的認知基礎；自我調節與適應性決策引擎透過目標設定、差距診斷、策略配置及歷程監測，產生個人化學習行動。介入效果再由真實世界中的學習成效、保留與遷移、可用性、公平性及安全性加以驗證，並將所得證據回饋至知識系統與調節引擎，形成持續更新的閉環。

-----------------------------------------------------------

以下說明此模式之核心概念與各重點組成：

一、核心概念

「雙知識—調節—實證閉環框架」主張：有效的智慧學習系統必須同時掌握「要學什麼」與「學習者目前如何學」。僅擁有正確的學科內容，或只依靠一般性的人工智慧生成能力，皆不足。AI時代的學習者可透過一個持續運作的調節引擎，把兩套知識（「領域／任務知識系統」與「學習者／自我知識系統」）轉化為適合當下學習者的目標、策略、提示、任務與回饋，最後再以真實世界中的學習表現、遷移能力及持續使用結果，檢驗這些調節是否真正有效。

因此，整體架構由四個彼此連結的部分組成（圖）：

1. 領域／任務知識系統 （圖之左上）

2. 學習者／自我知識系統（圖之左下）

3. 自我調節引擎（圖中）

4. 真實世界驗證與回饋迴路（圖右與迴圈）

 

其基本邏輯可表示為：

「領域／任務知識 × 學習者／自我知識」 →「 調節決策」 → 「個人化學習行動 」→ 「真實世界結果 」→ 「知識與策略更新」

這不是一條只執行一次的線性流程，而是一個持續校正、反覆學習的閉環系統。

 

 二、第一套知識：領域／任務知識系統

 第一套知識是「領域／任務知識」，回答的是：

 - 學習者需要學會什麼？

- 正確、完整且符合專業標準的內容是什麼？

- 一項任務包含哪些子能力？

- 不同知識或技能之間有何先後與依存關係？

- 什麼表現才算達到標準？

 

這套知識不只是教材內容或事實資料庫，而應包括至少五個層次：

 1. 概念知識：核心概念、原理、定義與理論關係。

2. 程序知識：完成任務所需的步驟、方法與操作順序。

3. 條件知識：何時應使用某項知識或策略，以及何時不適用。

4. 錯誤知識：常見迷思、典型錯誤及其可能成因。

5. 評量知識：表現標準、評分規準及精熟程度的判定方式。

 

在醫學教育中，它可能包括疾病知識、臨床推理規則、病史詢問架構、溝通技巧及評量規準；在一般教育中，則可能包括課程概念圖、能力指標、題目難度與先備知識關係。

領域知識系統的價值，在於確保人工智慧的教學建議有專業依據，避免系統只生成「看似合理」但缺乏學科結構、教育順序或評量標準的回答。

 

 三、第二套知識：學習者／自我知識系統

 第二套知識是「學習者／自我知識」，回答的是：

 - 這位學習者目前知道什麼、尚未知道什麼？

- 他如何理解自己的能力？

- 他使用哪些學習策略？

- 他是否能正確監測自己的理解與表現？

- 什麼情境會促進或阻礙他的學習？

 

這套知識應同時包含可觀察的學習資料與學習者對自己的認識，主要涵蓋：

1. 先備知識與能力狀態：目前的知識、技能與錯誤概念。

2. 目標狀態：短期目標、長期目標及個人優先順序。

3. 策略特徵：偏好的學習方法，以及策略使用是否有效。

4. 後設認知狀態：信心、理解判斷及自我評估的準確程度。

5. 動機與情意狀態：興趣、自我效能、焦慮、挫折與投入程度。

6. 情境與資源限制：可用時間、學習環境、設備、協助與現實負荷。

7. 歷程資料：過去的選擇、練習頻率、錯誤型態、回饋反應與進步軌跡。

 

這套知識的重點不是替學習者貼上固定標籤，而是建立一個可以隨學習歷程持續更新的「動態學習者模型」。

 尤其重要的是，自我知識不一定正確。學習者可能高估自己的能力，也可能因缺乏信心而低估自己。因此，系統必須比較「主觀自我判斷」與「客觀表現證據」，辨識兩者之間的落差。這種校準能力，正是自我調節學習能否有效發生的關鍵。

 

 四、一個調節引擎：自我調節與適應性決策核心

 兩套知識本身不會自動產生良好學習。必須有一個調節引擎，持續比較「任務要求」與「學習者狀態」，並決定下一步應採取什麼行動。

 

正式名稱可稱為：「自我調節與適應性決策引擎 」Self-Regulation and Adaptive Decision Engine  (SRADE)

 此引擎不是單純的推薦器，而是一個循環性的決策機制，包括四個核心功能。

  1. 目標設定與差距診斷

 系統先根據領域標準與學習者現況，判斷：

 - 目標能力是什麼？

- 當前表現與目標之間有多大差距？

- 差距來自知識不足、策略不當、監測失準，還是動機與情境因素？

- 哪一項差距最值得優先處理？

 

因此，相同的錯誤不一定得到相同介入。例如，學生答錯可能是因為不知道、誤解、粗心、過度自信，或無法在情境中提取既有知識；不同原因需要不同調節方式。

 

 2. 策略選擇與支架配置

 引擎依據差距診斷，選擇適合的學習策略，例如：

 - 提供概念解釋；

- 安排提取練習；

- 降低或提高任務難度；

- 提供範例、提示或部分步驟；

- 要求學習者解釋推理；

- 引導反思錯誤原因；

- 建議分散練習或交錯練習；

- 在適當時機撤除支架；

- 將問題轉介教師或專業人員。

 

這裡的個人化不是迎合偏好，而是根據學習需要選擇最可能有效的策略。

 

 3. 過程監測與即時調整

 在學習進行中，引擎持續蒐集表現、信心、反應時間、錯誤型態、策略選擇與投入程度等訊號，判斷：

 - 學習者是否理解？

- 提供的支架是否過多或不足？

- 任務是否太難、太簡單或缺乏挑戰？

- 學習者是否正在形成對人工智慧的依賴？

- 是否需要改變策略、提示強度或學習節奏？

 

調節引擎因此不是固定地「給答案」，而是控制何時提示、提示多少、何時要求自主作答，以及何時促進反思。

 

 4. 結果反思與模型更新

 任務完成後，引擎比較預期與實際結果，更新：

 - 對學習者能力的估計；

- 對其自我評估準確度的判斷；

- 不同策略對該學習者的有效性；

- 任務難度與先備知識的關係；

- 下一輪學習目標與介入方式。

 

因此，系統不只幫助學習者學習，也必須學會「如何更好地幫助這位學習者學習」。

 

 五、真實世界驗證：從技術正確走向教育有效

 框架的最後一部分是「真實世界驗證」。其核心主張是：人工智慧在測驗、模擬情境或控制實驗中表現良好，不代表它在真實教育環境中必然有效。

 真實世界驗證至少需要回答四個層次的問題。

  1. 技術有效性

 系統提供的內容是否正確、穩定、安全且可解釋？ 

學習者模型是否能合理估計能力與狀態？ 

調節引擎是否按照預定規則運作？

 

 2. 學習有效性

 使用系統後，學習者是否真正進步？應評估：

 - 知識與技能的獲得；

- 延宕保留；

- 跨情境遷移；

- 問題解決與臨床推理；

- 自我監測與自我評估的準確度；

- 獨立完成任務的能力。

 

 3. 情境有效性

 系統能否在真實課程、臨床訓練或自主學習中被持續使用？需要考慮：

 - 教師與學生是否願意採用；

- 是否增加額外負擔；

- 是否能融入既有教學流程；

- 不同能力、背景與資源條件的學習者是否都能受益；

- 成效是否會隨時間、課程或使用方式而改變。

 

 4. 系統與倫理有效性

 系統是否產生非預期後果，例如：

 - 過度依賴人工智慧；

- 深層思考與自主判斷下降；

- 錯誤資訊被放大；

- 隱私與資料安全風險；

- 演算法偏差與教育不平等；

- 教師專業判斷被不當取代。

 

因此，真實世界驗證不只驗證「有沒有提高分數」，也要檢驗「在什麼人、什麼情境、透過什麼機制、付出什麼代價，產生何種短期與長期效果」。

 

 六、閉環的意義

 真實世界驗證不是整個系統的終點，而是下一輪調節的起點。

 真實使用所產生的資料，應回饋至三個位置：

 1. 更新領域／任務知識：修正任務難度、錯誤分類與能力結構。

2. 更新學習者／自我知識：提高對能力、策略與情境差異的掌握。

3. 更新調節引擎：辨識哪些介入對哪些學習者、在何種條件下有效。

 

因此，框架形成一個持續演化的循環：

 理解任務 → 理解學習者 → 選擇介入 → 監測反應 → 驗證成效 → 更新知識與決策

 真正的智慧不只在於系統能回答問題，而在於它能根據證據知道：何時應提供協助、應提供多少協助、何時應撤除協助，以及如何判斷協助是否真的改善了學習。

 

 七、理論主張

 本框架提出五項核心主張：

 1. 雙知識必要性主張  

   缺少領域知識，個人化可能失去專業正確性；缺少學習者知識，專業內容則難以轉化為適切教學。

 2. 調節中介主張 

   兩套知識不會直接產生成效，其效果必須透過目標設定、策略選擇、監測與調整等調節行動實現。

 3. 動態校準主張 

   個人化不能建立在固定標籤上，必須依學習歷程持續校準學習者模型與介入策略。

4. 真實成效主張 

   技術準確度、使用滿意度或短期測驗進步，都不能單獨證明教育有效性；必須觀察保留、遷移、自主性及真實任務表現。

 5. 閉環學習主張 

   真實世界資料不只是研究結果，也是更新知識系統與調節規則的必要來源。

 

 八、相較於一般AI個人化學習的特色

 一般人工智慧學習系統常採取「輸入問題—生成回答」的單次互動模式；本框架則將人工智慧重新定位為一個受到領域標準、學習者狀態、調節原則與實證結果共同約束的學習支持系統。

 其核心差異在於：

 - 從「內容生成」提升為「雙知識整合」；

- 從「回答問題」提升為「調節學習歷程」；

- 從「依偏好推薦」提升為「依能力差距與學習機制介入」；

- 從「一次性成效」提升為「持續校準的閉環」；

- 從「測試環境表現」提升為「真實世界教育價值」。

 

 九、正式定義

 「雙知識—調節—實證閉環框架」是指一種以領域／任務知識與學習者／自我知識為雙重認知基礎，透過自我調節與適應性決策引擎進行目標設定、差距診斷、策略配置、歷程監測及動態調整，並以真實教育情境中的學習成效、遷移表現、持續使用、公平性與安全性加以驗證，再將所得證據回饋至知識模型與調節規則的循環式智慧學習架構。

 簡言之，這個框架所追求的不是：

 「AI知道很多，所以能教。」

 而是：

 「AI同時理解學習內容與學習者，能依證據調節學習，並且其價值已在真實世界中得到驗證。」

-----------------------------------

以下是修改版：

 雙知識—共同調節—分層實證閉環框架（完整修正版論述）

 

 一、框架定位

「雙知識—共同調節—分層實證閉環框架」旨在說明學習者如何在專業學習中，理解任務要求與自己的能力狀態，運用AI提供的任務、提示、回饋與支架，與教師或同儕共同選擇及調整學習策略，並逐步發展在沒有AI協助時仍能獨立完成任務的能力。

框架以領域／任務知識與帶有不確定性的學習者模型為雙重知識基礎，但學習者不是被動接受系統安排的對象，而是參與目標設定、檢視自我判斷、選擇策略、提出疑問及決定何時尋求協助的主體。AI的角色是協助辨識學習差距並提供適切支持，教師/同儕則負責引導反思、覆核重要判斷及處理高風險情境。學習是否真正發生，不能只看當下分數或使用感受，而要檢查學習者能否在一段時間後保留所學、運用於新情境，並在真實場域中安全且適切地完成任務。

從學習者的角度而言，本框架所稱「閉環」是持續進行「嘗試—取得回饋—反思—調整—再驗證」的過程。由於單次表現可能受到學習/題目難度、提示程度、疲勞、焦慮或偶發失誤影響，未必能代表學習者的穩定能力，系統應累積多次且跨情境的作答與學習行為資料，並與外部標準、真實任務表現及教師判斷交叉驗證；只有在能力或學習需求的變化呈現一致趨勢後，才調整後續任務、提示與支持方式。如此可使個人化調整建立在較可靠的證據上，同時讓學習者有機會理解系統判斷、檢視自己的學習變化，並參與後續學習路徑的決定。

學習歷程產生的資料，必須先與外部標準及真實表現比較，並在必要時由教師或同儕審查，確認資料足以反映學習者的實際能力，也未因情境差異、模型漂移或群體偏誤而造成錯誤判斷，才可用來調整後續任務與支持方式。若證據不足、AI判斷與學習者實際表現不一致，或出現公平、安全與隱私疑慮，學習者應有權知道其原因、提出異議、要求人工覆核，並選擇限制或停止自動調整；系統也應維持原設定、停止更新或回復先前版本，以保障學習者的自主性與安全。

 

 二、雙知識基礎

 

 （一）領域／任務知識

 領域／任務知識是完成特定專業任務所需的概念、程序、適用條件與評量規準。它不僅回答「正確答案是什麼」，也界定「在何種條件下，應採取何種程序，以及如何判定表現品質」。在醫療或其他高風險專業教育中，這套知識應由課程目標、實證指引、專家共識、標準化評量及真實任務要求共同界定，避免AI僅依語言流暢度或表面相似性產生教學內容。

 

 （二）學習者模型

 學習者模型是系統根據多源證據形成的暫時性狀態估計，包括能力狀態、策略歷程、動機與情境，以及估計本身的不確定性。它不是對學習者的固定標籤，也不等同學習者的自我認知。模型輸入可包括作答結果、錯誤類型、反應時間、提示需求、策略使用、求助行為與情意資料；每項推論均應標示資料來源、更新時間與可信程度，避免把短期波動誤判為穩定能力。

 

 （三）校準差距

 框架將自我估計、系統估計與外部表現明確分開。三者之間的差距是調節的重要依據：自我估計高於外部表現，可能代表過度自信；系統估計偏離外部表現，可能代表模型誤判、資料不足或情境改變。校準差距不宜只用自陳量表判定，應搭配標準化測驗、無支架任務、專家評分或其他外部效標。差距過大時，首先應補充評量或啟動人工審查，而不是直接提高或降低任務難度。

 

 三、AI素養與治理：橫向必要條件

 AI素養與治理不是第三套學科知識，而是橫跨整個閉環的使用條件，至少包括理解AI限制、查證輸出、公平與隱私保護，以及人工接管。學習者須能辨識AI可能生成錯誤、過度肯定或不適用於當前情境的內容；教師與機構則須界定資料可否進入系統、哪些建議可以自動執行、哪些決策必須由人類覆核。

 在低風險練習中，AI可以提供較高程度的即時調整；在臨床推理、資格判定或真實病人相關任務中，AI應定位為決策支援，而非獨立裁決者。人工接管不是系統失敗後才啟動的補救措施，而是設計之初便應納入的正常治理路徑。

 

 四、人—AI—教師共同調節

 修正版以「共同調節」取代原先較容易被解讀為AI單獨運作的「自我調節與適應性決策引擎」。共同調節包含四個循環階段：

1. 目標設定：依課程目標、任務標準、學習者需求與風險層級設定可觀察目標。

2. 差距診斷：比較目前表現、學習者自我估計、系統估計與外部規準，並保留不確定性。

3. 策略配置：決定任務難度、案例變異、提示、回饋、支架、反思或教師介入。

4. 歷程監測：持續觀察表現、策略、求助、情意與安全訊號，判定維持、調整或停止。

 共同調節的關鍵不在增加決策次數，而在預先界定決策權與門檻。例如，學習者可以選擇練習目標與求助方式；AI可以在核准範圍內調整提示與案例難度；教師負責覆核高風險推論、能力判定與例外處理。當資料不足、模型不確定性過高、表現突然惡化或出現安全疑慮時，應暫停自動調整並轉由教師或督導判斷。

 

 五、個人化學習行動與支架撤除

 共同調節的輸出是可觀察的個人化學習行動，包括任務、提示、回饋、支架與反思。個人化並非讓每位學習者獲得完全不同的內容，而是依相同能力標準調整通往目標的路徑、支持程度與練習順序。

 框架特別加入「逐步撤除支架」。提示與即時回饋可能改善當下表現，卻也可能造成提示依賴，使學習者在沒有AI時無法獨立完成任務。因此，支架應隨能力形成逐步減少，並以無提示或無AI條件下的表現確認學習是否真正內化。若撤除支架後表現明顯下降，系統應重新診斷知識缺口或策略問題，而不能把有支架時的高分視為能力已形成。

 

 六、分層實證驗證

 框架不以單次滿意度、使用意願或模擬內成績作為充分成效證據，而將驗證分為下列層級：

 - 學習層：知識、技能、策略與校準是否改善。

- 保持層：介入效果在數日、數週或更長時間後是否仍存在。

- 遷移層：能否應用於未見過的相似案例、結構不同的新情境及真實任務。

- 實施層：系統是否可用、可接受、可持續採用，並具有合理的時間、成本與教師負擔。

- 治理層：不同群體的效能是否公平，是否出現錯誤、傷害、偏誤、隱私或安全事件。

- 終極結果層：在適用情境下，是否改善真實工作品質、臨床表現或病人相關結果。

 這些結果不應合併成單一「成效」指標。使用者覺得系統方便，不代表學習有效；模擬表現提升，也不代表能遠遷移至真實場域。研究設計至少應同時包含即時表現、延宕保持與新情境遷移，若主張臨床或工作價值，則須另有真實任務或外部效標。

 

 七、品質閘門與證據更新

 驗證資料回饋前須通過三類品質閘門：

1. 外部基準：結果是否與標準化評量、專家評分或真實任務表現一致。

2. 人工審查：高風險、異常或低可信度推論是否經教師、督導或治理人員覆核。

3. 漂移與公平稽核：資料分布、模型效能及不同群體誤差是否發生不合理變化。

 只有通過品質閘門的證據，才可更新學習者模型與調節策略。未通過時的合理反應包括補充資料、維持原模型、限制使用範圍、暫停自動化、停止更新或回復先前版本。此設計可降低錯誤推論自我強化、模型把偏誤當成學習規律，以及短期表現取代長期學習的風險。

 

 八、時間尺度

 閉環需區分不同時間尺度：

 > 即時表現 → 延宕保持 → 新情境遷移 → 真實場域

 秒或分鐘級的提示調整，可改善單一任務表現；

日或週級資料可用於判斷保持與策略變化；

月級或課程級資料才較適合評估能力發展；

真實場域證據則用於檢查學習是否能跨越情境邊界。

不同時間尺度應使用不同更新速度，避免把一次答錯、情緒波動或單次高分立即寫入長期能力模型。

 

 九、適用邊界

 本框架最適合具有下列特徵的AI輔助專業學習情境：任務及品質標準可被明確描述、學習過程可重複觀察、可取得外部效標，且能安排延宕或遷移評量。對於開放性極高、評量標準高度爭議或真實錯誤可能造成重大傷害的任務，應降低自動調節程度，增加教師與專家參與。

 框架本身是依現有文獻所提出的理論整合，尚不能宣稱已有單一研究完整驗證所有構件及路徑。因此，較適當的論述是「相關研究分別支持雙知識、共同調節、適應性練習、學習遷移與外部驗證的必要性」，而不是「既有研究已證實本完整閉環有效」。

 

 十、可檢驗命題

 為使框架可以被研究與否證，可提出以下命題：

 1. 同時使用領域／任務知識與帶有不確定性的學習者模型，應比只依一般生成式AI輸出的設計產生更好的無支架表現與遷移。

2. 將自我估計、系統估計與外部表現納入共同調節，應改善校準並降低過度自信與不當依賴AI。

3. 人—AI—教師共同調節的效果，將受到AI素養、任務風險、教師覆核品質及決策權配置所調節。

4. 逐步撤除支架的設計，可能降低即時表現，但應改善延宕保持、獨立作業與新情境遷移。

5. 模擬內成效只有在通過延宕、遷移及外部效標驗證後，才足以預測真實任務表現。

6. 品質閘門可降低模型漂移、群體誤差與錯誤回饋自我強化，但可能增加教師負擔與實施成本。

 

 十一、建議使用的精簡核心敘述

 「雙知識—共同調節—分層實證閉環框架」以領域／任務知識與帶有不確定性的學習者模型為雙重基礎，並藉由比較自我估計、系統估計與外部表現辨識校準差距。在AI素養與治理的橫向約束下，學習者、AI與教師依預設決策權共同完成目標設定、差距診斷、策略配置與歷程監測，形成包含任務、提示、回饋、支架及反思的個人化學習行動。其成效須依即時學習、延宕保持、近／遠遷移、真實任務、實施及公平安全結果分層驗證；新證據只有通過外部基準、人工審查及漂移／公平稽核後，才可更新學習者模型與調節策略，否則應維持、限制、停止或回復。

 

 十二、主要文獻依據

 - Leiser et al. (2023)支持將領域知識納入醫療機器學習，以改善可解釋性、資料限制與穩健性。[PubMed PMID 37925206](https://pubmed.ncbi.nlm.nih.gov/37925206/)

- Zanellati et al. (2024)說明知識追蹤及先驗知識整合，可作為動態學習者模型的技術基礎。[ERIC EJ1410564](https://eric.ed.gov/?id=EJ1410564)

- Su et al. (2025)將AI素養評量整理為AI知識、倫理、情意與使用等面向，支持將AI素養納入橫向條件。[ERIC EJ1497456](https://eric.ed.gov/?id=EJ1497456)

- Badger et al. (2026)指出生成式AI可支持即時回饋與自我調節，但也存在過度依賴及批判思考下降風險。[ERIC EJ1494030](https://eric.ed.gov/?id=EJ1494030)

- Qian et al. (2026)辨識AI素養、任務規劃及教師／評量者參與等重要調節變項。[ERIC EJ1505833](https://eric.ed.gov/?id=EJ1505833)

- Jiang et al. (2026)支持生成式AI虛擬病人的適應性練習潛力，同時指出單次介入、研究異質性及缺乏長期驗證等限制。[PubMed PMID 42098926](https://pubmed.ncbi.nlm.nih.gov/42098926/)

- Shen et al. (2026)顯示AI支持訓練對知識與近遷移較有支持，但遠遷移、長期保持與真實臨床成效證據仍不足。[PubMed PMID 41935468](https://pubmed.ncbi.nlm.nih.gov/41935468/)