生成式AI可以快速解釋知識、回答問題、產生題目及提供回饋。然而，學生「得到答案」或「當下答對」，不代表已真正學會。學習者也可能因AI解釋得十分流暢，誤以為自己已充分理解，形成「看懂等於學會」的錯覺。
因此，AI輔助自學不應只是：
學生提問 → AI提供答案。
比較完整的模式應包含：
目標設定 → 能力診斷 → 學習者先嘗試 → AI提供適應性支援 → 刻意練習 → 回饋與反思 → 無支架檢核 → 延宕與遷移驗證 → 外部驗證與持續調整。
我將此模式稱為：
AI輔助自我調節與精熟學習循環
英文名稱為：
AI-Supported Self-Regulated Mastery Learning Cycle
這個循環的目的，不是讓AI替學習者完成任務，而是協助學習者：
了解自己需要學會什麼；
確認目前能力與目標之間的差距；
透過適當的練習與回饋修正問題；
最後在沒有AI支架的情況下，仍能獨立完成任務。
圖1 AI輔助自我調節與精熟學習循環（四個Phase與九個Stage）
AI依據學習目標、學習者表現、信心及可能的錯誤原因，提供適量的scaffolding與formative feedback。學習者通過無支架Stage-Gate後，再接受延宕、遷移及真實任務驗證；驗證結果則用於更新後續學習策略，形成持續校準的閉環。
圖中的實線箭頭呈現主要學習循環；由Phase 4向Phase 1–3延伸的淡色虛線，表示外部校準並非只能在最後進行。當AI無法提出充分依據、學習者持續未達標，或任務涉及高風險判斷時，任何Stage均可提前啟動外部驗證或轉介。
本文提出的是一套整合Self-Regulated Learning、Mastery Learning、Deliberate Practice、Retrieval Practice、Scaffolding、Metacognitive Calibration與Transfer of Learning等概念的初步conceptual framework。各項組成具有相關理論與研究基礎，但整體「四個Phase／九個Stage」模式的feasibility與effectiveness，仍需進一步透過實證研究驗證。
若只想快速了解本架構，可閱讀圖1、四個Phase總覽及九個Stage總表；若要實際應用於教學或自學，可繼續閱讀後續的錯誤分析、Stage-Gate、風險分級及操作Prompt。
一、四個Phase與九個Stage
本架構包含四個Phase：「目標與診斷」、「嘗試與精進」、「獨立與遷移」及「外部校準」。四個Phase與九個Stage的對應如下：
| Phase | Stage | 核心問題 |
|---|---|---|
| Phase 1：目標與診斷 | 1–2 | 要學會什麼？目前差距在哪裡？ |
| Phase 2：嘗試與精進 | 3–6 | 為何出錯？需要什麼支援與練習？ |
| Phase 3：獨立與遷移 | 7–8 | 沒有AI後，能否維持並應用？ |
| Phase 4：外部校準 | 9 | AI與自我判斷是否可信？ |
九個Stage的具體任務如下：
| Stage | 主要任務 | AI可以提供的協助 | 學習者的責任 |
|---|---|---|---|
| 1. 界定目標與標準 | 確認需要學會的knowledge、skills及attitudes | 整理學習目標、rubric、範例及常見錯誤 | 理解目標，確認何種表現才算達標 |
| 2. 基線能力與信心評估 | 評估先備知識、目前能力及自我判斷 | 產生診斷題，分析答案、理由及信心 | 先作答，說明理由並評估信心 |
| 3. 學習者先嘗試 | 在AI講解前先完成任務 | 暫不提供完整答案，以問題引導思考 | 提出自己的答案、推理及困難 |
| 4. 錯誤機制分析與支架配置 | 推測錯誤原因及所需協助程度 | 蒐集表現證據，提供提示、範例或任務拆解 | 使用必要支架修正理解，而非直接抄錄答案 |
| 5. 刻意練習與依表現證據的回饋 | 針對弱點進行反覆且有目的的練習 | 依rubric指出具體證據、優缺點及修改方式 | 根據回饋修正並再次練習 |
| 6. 自我解釋、反思與校準 | 將錯誤轉化為下一次可使用的判斷規則 | 引導結構化反思，比較信心與實際表現 | 說明錯誤原因、修正原則及下一步 |
| 7. 無支架Stage-Gate | 確認能否獨立完成新的平行任務 | 提供parallel forms，不給提示或答案 | 在沒有AI協助下完成任務並說明理由 |
| 8. 延宕、遷移與真實任務 | 檢查所學能否保留並應用於新情境 | 安排延宕測驗、跨情境案例及模擬任務 | 將所學遷移至不同問題或臨床情境 |
| 9. 外部驗證、更新或轉介 | 確認AI與自我判斷是否可信 | 整合外部效標並標示不確定性 | 與教材、文獻、教師或真實表現比對 |
九個Stage與Self-Regulated Learning的對應
本架構可與Self-Regulated Learning的三個主要歷程相互對照：
Forethought：目標設定、標準確認、基線評估及信心判斷；
Performance：先嘗試、支架配置、刻意練習、自我監控及策略使用；
Self-reflection：錯誤歸因、表現校準、外部驗證及策略更新。
二、為什麼一定要「先嘗試，後支援」？
如果學生一開始就要求AI提供完整解釋或答案，可能產生熟悉感，卻未必形成能自行提取與應用的知識。
因此，AI教練應先要求學生：
用自己的話解釋概念；
提出初步答案；
說明判斷理由；
評估答案信心；
指出最不確定的部分。
例如，與其直接問AI「什麼是standard deviation？」，可以改成：
請先讓我用自己的話解釋standard deviation，並舉一個OT評估分數的例子。請不要立刻告訴我答案；先用Socratic Questioning檢查我的理解，再根據我的錯誤提供最少且必要的提示。
這樣才能觀察學習者真正理解多少，而不是只確認學習者能否看懂AI的解釋。
三、一個微型案例：解讀RCT研究結果
任務
OT學生需要完整解讀一篇RCT主要結果的statistical significance、effect size、precision及clinical importance。
| Stage | 學習活動示例 |
|---|---|
| 1. 界定目標 | 能整合解釋effect estimate、95% CI、p value及clinical importance。 |
| 2. 基線評估 | 學生先判斷研究結果是否具有統計與臨床意義，並報告自己的信心程度。 |
| 3. 先嘗試 | 學生在AI提供解釋前，先以自己的話解讀表格及主要研究結果。 |
| 4. 錯誤分析 | 發現學生僅依p value判斷介入「有效」，未整合effect estimate、95% CI、clinical importance及研究限制。 |
| 5. 支架與練習 | AI先以提示問題引導學生整合各項資訊，不直接公布完整答案；再針對未理解的部分安排練習。 |
| 6. 反思與校準 | 學生修正原本的解釋，說明錯誤原因，並形成可重複使用的研究結果判讀規則。 |
| 7. 無支架檢核 | 學生在沒有AI提示下，獨立解讀另一篇RCT的主要研究結果，並說明判斷理由。 |
| 8. 延宕與遷移 | 一週後解讀不同疾病、研究主題或介入領域的研究結果，確認是否能保留並遷移所學。 |
| 9. 外部驗證 | 將學生的解讀與原始論文、教師評分、rubric及正確的統計判讀原則進行比對。 |
實際的Stage-Gate通過標準
例如：
在沒有AI提示下，學生須正確解讀另一篇RCT的主要結果，並依序說明effect estimate、95% CI、p value及clinical importance；不得將statistical significance直接等同於clinical importance。
如此，案例便不只是活動流程，也示範如何將抽象的mastery轉化為observable performance criteria。
四、AI應先蒐集證據，再推測可能的錯誤原因
相同的錯誤答案，背後原因可能完全不同。因此，AI不應對所有錯誤都提供相同的解釋。
| 可能的錯誤類型 | 適合的AI介入 |
|---|---|
| 知識不足 | 提供核心概念與最少必要教材，協助學習者補足完成任務所需的基礎知識。 |
| 存在錯誤概念 | 使用反例、概念比較及conceptual conflict，引導學習者察覺原有理解與證據之間的不一致。 |
| 知道但提取失敗 | 安排retrieval practice及spaced practice，增加學習者主動提取與延宕後再次提取的機會。 |
| 判斷規則不清楚 | 協助建立decision rule或checklist，將抽象原則轉化為可以重複執行的判斷步驟。 |
| 只會原題、無法遷移 | 提供表面特徵不同但核心原理相同的新案例，檢查學習者能否辨識並應用相同原則。 |
| 程序遺漏或粗心 | 使用流程提示及self-check checklist，要求學習者在提交答案前逐項確認必要步驟。 |
| 過度自信 | 比較主觀信心與客觀表現，並要求學習者提出支持答案的具體證據。 |
| 過度依賴AI | 逐步撤除scaffolding，增加無AI提示的任務，確認學習者能否獨立完成。 |
| AI無法提出充分依據 | 明確標示不確定性與缺少的資訊，停止作出確定判斷，並轉介教師、專家或其他可信來源。 |
AI對錯誤原因的判斷應被視為需要後續驗證的假設，而不是確定的診斷。
因此，AI的核心角色不是「快速給答案」，而是：
分析學習表現、形成錯誤原因假設、選擇適當支架、安排針對性練習，並在適當時機撤除支架。
五、自我檢核不能只有答對率
較完整的自我檢核，至少應包含四種證據：
| 檢核面向 | 核心問題 |
|---|---|
| 表現 | 我是否答對問題，或依照預定標準完成任務？ |
| 理由 | 我能否說明為何作出這項判斷，而不只是猜對答案？ |
| 信心 | 我對答案有多大信心？我的信心程度是否符合實際表現？ |
| 獨立性 | 沒有AI提示、範例或即時修正時，我是否仍能獨立完成？ |
每次重要練習後，可以固定記錄：
我的答案或實際表現；
我的判斷理由；
我的信心程度（0–100分）；
AI的評分及其具體證據；
我真正或可能的錯誤類型；
下一次遇到類似任務時，我要先檢查什麼。
其中第六項特別重要，因為它能將一次錯誤轉化為未來可以遷移的decision rule。
每次作答後，學習者可將0–100分的信心與答案正確性、理由品質及無支架表現比較：
高信心但表現錯誤：可能存在過度自信或較穩固的錯誤概念；
低信心但表現正確：可能需要增加retrieval practice及應用練習；
高信心且表現正確：仍須經由無支架、延宕及遷移任務確認；
低信心且表現錯誤：通常需要補充核心知識與較明確的scaffolding。
六、Stage-Gating：不是一次答對就算精熟
Stage-Gating是指：學習者必須符合預先設定的標準，才能進入下一階段。
單次測驗答對80%，不足以證明已經精熟。較嚴謹的通過標準可以包含：
知識測驗達到預定門檻；
關鍵安全題全部答對；
能用自己的話說明理由；
能辨識常見錯誤；
能應用於未見過的新案例；
在沒有AI提示下仍能完成；
延宕一段時間後仍能維持表現；
自我信心與客觀表現沒有明顯落差。
通過標準可分為三類：
| 標準類型 | 判定重點與範例 |
|---|---|
| 必要門檻 | 總分達到預先設定的標準；關鍵安全題必須全部正確。 |
| 品質條件 | 判斷理由合理且具有證據支持；沒有重大概念錯誤或關鍵資訊遺漏。 |
| 獨立性條件 | 在沒有AI提示、範例或即時修正的情況下完成任務，並能處理未見過的新案例。 |
進一步的操作模板如下：
學習者須在無AI提示下，於兩個parallel tasks中達到預定rubric標準；關鍵安全項目須全部通過，並能說明主要判斷理由，才可進入延宕與遷移階段。
「80%」只能作為示例，不是普遍適用的mastery標準。實際門檻應依任務內容、風險程度及錯誤後果設定。涉及病人安全的項目通常屬於non-compensatory criteria，不能由其他項目的高分抵銷。
如果未達標，系統不應只重複原題，而應回到錯誤分析，重新選擇練習方式及支架強度。
支架配置的執行順序
AI可以依下列順序，從最低程度的協助開始：
要求學習者重新檢查；
提出Socratic question；
指出錯誤可能出現的範圍；
提供部分提示或decision rule；
提供worked example；
最後才提供完整解釋。
基本原則是：
AI應從最低層級的有效支援開始；只有在學習者仍無法進展時，才提高支架強度。
七、需要兩種不同速度的循環
AI輔助學習可區分為「快速學習循環」與「慢速驗證循環」。
| 循環 | 執行頻率 | 主要功能 |
|---|---|---|
| 快速學習循環 | 每題或每次練習 | 即時分析學習表現，提供提示、形成性回饋與修正機會。 |
| 慢速驗證循環 | 數日、數週或課程結束後 | 檢查學習內容的延宕保留、跨情境遷移、獨立性及真實任務表現。 |
AI可以頻繁執行快速循環，但學習者是否真正形成穩定能力，應由慢速驗證循環判定。
在AI提示下當下答對，不等於學會；經過一段時間後，面對新的問題，在沒有AI協助時仍能正確完成，才比較接近真正的能力。
何時結束或改變循環？
可能有三種情況：
達標：進入延宕與遷移驗證；
部分達標：縮小弱點範圍後繼續練習；
持續未達標或AI無法提出充分依據：轉介教師、同儕、專家或其他可信教材。
因此，Stage 9的外部驗證與轉介應視為所有Stage均可啟動的安全出口，而不只是循環的最後一步。
八、精熟學習的判定
本循環所稱的「精熟表現」，不只是能回答正確答案，而是同時具備：
正確性 × 可解釋性 × 遷移性 × 獨立性 × 維持性
這裡的乘號是概念性表示，意指五個面向相互依賴，並非實際的數學計分公式。任一關鍵面向明顯不足，均不宜直接判定為精熟。
也就是說，學習者需要：
知道正確內容；
能說明判斷理由；
能應用於不同情境；
沒有AI協助時仍能完成；
經過一段時間後仍能維持。
精熟程度可進一步區分為：
Stage 7通過——初步精熟（provisional mastery）：證明學習者當下可以無支架獨立完成；
Stage 8通過——可維持且可遷移的精熟（retained and transferable mastery）：證明能力可以延宕保留、跨情境遷移或應用於真實任務；
最終精熟判定：應至少納入Stage 8的結果，必要時再由外部效標、教師或專家確認。
九、AI評分不等於最終能力判定
AI適合提供頻繁且低成本的formative feedback，但仍可能出現：
評分標準不一致；
過度肯定學習者；
誤解語境或任務要求；
提供看似具體但缺乏充分依據的回饋；
對高風險臨床判斷提出錯誤建議。
因此，AI評估結果應盡量附上：
使用的rubric或判準；
支持評分的具體表現證據；
尚未取得的必要資訊；
評估的不確定性；
是否需要教師或專家覆核。
安全性與任務風險分級
| 任務風險 | AI適合的角色 | 最終判定 |
|---|---|---|
| 低風險 | 題目生成、基礎知識練習、即時提示及形成性回饋。 | 可主要由AI協助，但學習者仍應保留基本查證責任。 |
| 中風險 | 學術寫作、案例推理、技能模擬，以及依rubric提供初步評分與回饋。 | 採用AI、明確rubric及抽樣人工覆核；重要結果仍需人工確認。 |
| 高風險 | 臨床決策、病人安全、資格認證、summative assessment及其他可能造成重大後果的任務。 | 必須由教師、合格專家或具正式權責者作出最終判定；AI只能提供輔助資訊。 |
此分級可以避免將AI形成性評量直接當成summative assessment、專業認證或clinical decision-making的唯一依據。
十、讀者可直接使用的Prompt
我要學習【填入主題或技能】。請依照「AI輔助自我調節與精熟學習循環」帶領我：
先和我確認具體的學習目標與達標標準；
使用診斷題評估我的答案、理由及信心；
在我先作答前，不要提供完整答案；
請根據我的實際表現，提出一至兩項可能的錯誤原因假設，不要把推測當成確定診斷；
從最低程度的提示開始，只有在我仍無法進展時才增加支架；
依rubric及我的具體表現證據，指出優點、問題及修改方法；
要求我說明錯誤原因，並形成下一次可以使用的判斷規則；
最後使用未見過的parallel task進行無提示檢核；
協助我規劃數日後的延宕測驗及不同情境的遷移任務；
若內容涉及高風險判斷、資訊不足或你無法提出充分依據，請明確標示不確定性，並建議適當的外部查證方式。
請一次只進行一個步驟，不要一次公布完整答案及所有後續題目。
備註：真正的延宕測驗不能在同一次對話立即完成，必須在數日或數週後重新進行；若AI系統無法主動提醒，學習者應自行設定日期或行事曆提醒。
十一、理論基礎與延伸閱讀
理論與學習原理對照
| 架構成分 | 主要理論或學習原理 |
|---|---|
| 目標設定、學習監控與反思 | Self-Regulated Learning |
| 先嘗試與無支架測驗 | Retrieval Practice |
| 根據學習表現配置適量協助 | Scaffolding |
| 隨能力進展逐步撤除提示 | Fading |
| 針對具體弱點進行反覆練習 | Deliberate Practice |
| 達到預定標準後進入下一階段 | Mastery Learning |
| 經過一段時間後進行延宕測驗 | Retention |
| 將所學應用於新案例及真實任務 | Transfer of Learning |
| 比較主觀信心與客觀表現 | Metacognitive Calibration |
主要概念中英對照
評分規準（rubric）
平行任務或平行測驗（parallel tasks／parallel forms）
階段通過關卡（Stage-Gate）
判斷規則（decision rule）
支架（scaffolding）
支架逐步撤除（scaffolding fading）
提取練習（retrieval practice）
間隔練習（spaced practice）
初步精熟（provisional mastery）
可維持且可遷移的精熟（retained and transferable mastery）
後設認知校準（metacognitive calibration）
代表性文獻
Bjork, R. A., Dunlosky, J., & Kornell, N. (2013). Self-regulated learning: Beliefs, techniques, and illusions. Annual Review of Psychology, 64, 417–444. https://doi.org/10.1146/annurev-psych-113011-143823
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public Interest, 14(1), 4–58. https://doi.org/10.1177/1529100612453266
Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The role of deliberate practice in the acquisition of expert performance. Psychological Review, 100(3), 363–406. https://doi.org/10.1037/0033-295X.100.3.363
McGaghie, W. C. (2015). Mastery learning: It is time for medical education to join the 21st century. Academic Medicine, 90(11), 1438–1441. https://doi.org/10.1097/ACM.0000000000000911
Pan, S. C., & Rickard, T. C. (2018). Transfer of test-enhanced learning: Meta-analytic review and synthesis. Psychological Bulletin, 144(7), 710–756. https://doi.org/10.1037/bul0000151
Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
van de Pol, J., Volman, M., & Beishuizen, J. (2010). Scaffolding in teacher–student interaction: A decade of research. Educational Psychology Review, 22, 271–296. https://doi.org/10.1007/s10648-010-9127-6
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2
十二、結語
生成式AI最有價值的教育角色，不是成為無所不答的「答案機」，而是成為能適時提問、分析錯誤、配置支架、提供回饋及安排再練習的「學習教練」。
但是，AI不應成為唯一的能力判定者。學習是否真正發生，仍需透過無支架表現、延宕保留、跨情境遷移、外部標準及真實任務加以驗證。
因此，較理想的AI輔助自學模式是：
學習者先思考與嘗試，AI依據實際表現推測可能的錯誤原因，並提供適量支援；支援再逐步撤除，最後由學習者以獨立、可維持且可遷移的表現，證明自己真正學會。
這樣的AI，才不只是幫助學生「完成這一次任務」，而是協助學生逐步發展「下一次能夠自己完成」的能力。
沒有留言:
張貼留言