原始研究摘錄

生成式AI於資料科學課程的導入時長效應：比較不同介入週數對非資訊背景大學生學習成效之影響

摘要

在人工智慧浪潮席捲各專業領域的當下，資料科學與程式設計已然成為高等教育不可或缺的核心素養。然而，對於非資訊背景的大學生，尤其是初入大學階段者，學習程式設計的抽象性與複雜性常構成顯著的學習障礙，進而影響其學習動機與最終成效。近年興起的生成式AI（Generative AI,Gen AI），特別是大型語言模型（LLMs），憑藉其在輔助程式碼生成、概念釐清、即時除錯及個人化教學支援等面向展現的潛力，被視為革新程式設計教育的關鍵技術。既有文獻雖已初步探索Gen AI作為教學輔具的應用效益，但對於如何將此類工具最適切地融入課程結構，尤其Gen AI教學介入的「時長」此一影響是否對學習成效具有調節作用仍有待釐清。基於此背景與理論考量，本研究探討在一門大學入門級課程中，不同時長的AI虛擬學習夥伴介入對非資訊背景大學一年級學生Python程式設計學習成效的差異性影響。假設，相較於較短時程，較長的AI導入與應用指導（12週）更能促進學生有效運用AI輔助，克服學習難點，從而在學期末展現更佳的程式設計能力。本研究採準實驗研究設計，以中部一所大學修習該課程之195名非資訊背景大學一年級學生為研究對象。研究者以其任教之兩個已分班的大學一年級班級為研究單位。實驗組（長時介入組，n=105）接受為期12週（自第4週至第15週）的AI虛擬學習夥伴導入與應用指導；對照組（短時介入組，n=90）則接受為期8週（自第8週至第15週）的相同指導，其第4至7週採傳統教學模式。兩組課程內容（含Python基礎、資料處理、視覺化、分析概念）、教學目標、評量標準均維持一致，且使用相同的、基於LINE平台、整合GoogleGemini生成式AI技術的AI虛擬學習夥伴作為學習輔助工具

一、先看這篇研究真正回答了什麼問題

研究比較不同AI介入長度對非資訊背景學習者的影響，帶出一個很重要的管理啟示：企業培訓不應只問要不要上AI課，而要問在哪個任務、用多長時間、在什麼節點介入最有效。

企業常見的錯誤有兩種，一種是一場大型訓練後就期待員工長期改變；另一種則是不斷堆疊課程時數，卻沒有看見學習疲乏。真正有效的設計，通常是配合工作節奏，在關鍵任務節點提供恰當長度的AI支援。

這篇研究若放到企業管理脈絡中，真正回答的不是單一技術問題，而是：把不同介入週數的成效比較轉成企業訓練專案設計原則。也就是說，研究本身雖然來自教育或學習情境，但它揭露的是更普遍的人機互動與制度設計原理。

培訓預算愈來愈受到檢視，企業需要從課程有沒有開轉向介入有沒有產生可衡量成效。

二、為什麼這個議題對企業現在特別重要

許多企業已經跨過要不要用AI的階段，真正的挑戰轉向怎麼用才會進入流程、變成能力、留下績效。如果沒有把這類研究中的機制看懂，組織很容易把AI導入做成短暫風潮：一開始很熱，幾個月後卻回到原本的人工作法。

更關鍵的是，企業環境比學術研究場域更複雜。它同時涉及權責、資安、績效、跨部門協作與文化接受度。正因如此，這篇研究的價值不只在理論，而在它能幫企業把抽象問題轉成具體管理設計。

·        可避免過度訓練造成疲乏，也避免一次性導入毫無留存。

·        有助於設計onboarding、轉職培訓與主管升級課程。

·        讓培訓預算從課程時數轉向介入成效管理。

若進一步拆解，這些企業價值並不是抽象好處，而是會直接反映在制度運作與部門協作上的管理成果。

就管理面來看，可避免過度訓練造成疲乏，也避免一次性導入毫無留存。這件事之所以重要，是因為它能讓企業不只看到工具本身，而是看到工具如何改變日常流程、角色分工與判斷品質。若缺少這一層，AI很容易停留在示範性應用，無法真正變成部門的固定做法。

三、企業可以如何把研究結果轉成實際做法

若要把這篇研究真正轉成企業方案，以下三個步驟，是最實務也最容易啟動的做法。

1.     以2週、4週、8週等節點試行不同介入強度。

2.     把AI使用嵌進真實任務，而非獨立成一門抽象課。

3.     每個節點同步看技能成長、焦慮下降與實務產出結果。

這三個步驟之所以值得依序執行，在於它們分別對應了導入的起點、執行的中段與穩定運轉後的校正機制。

若把「以2週、4週、8週等節點試行不同介入強度。」單獨拆開來看，它其實代表的是一個管理控制點：企業需要在這個節點確認使用者理解是否一致、流程是否跑得動，以及AI的輸出是否能被安全地納入工作決策。這也是許多導入案容易忽略、但最影響成敗的地方。

圖企業落地重點圖，整理核心發現、導入步驟與管理指標

四、對企業來說，誰最適合先採用這個做法

從實務導入角度來看，最適合優先推動這類做法的，通常不是單一資訊部門，而是同時牽涉流程、培訓與管理指標的業務單位。若能讓一位懂流程、懂使用者痛點、也願意持續校正機制的角色擔任內部主責人，導入成功率通常會更高。

換言之，真正適合擔任第一波推動者的人，不只是熟悉技術的人，而是能把技術翻譯成部門語言、能夠與主管對齊規則、也願意長期觀察使用者行為的人。這類角色能把AI從專案展示帶進日常管理，是導入能否擴散的關鍵。

五、導入時最容易忽略的風險

企業常在工具選型時投入大量時間，卻低估了導入治理的重要性。實際上，多數失敗不是因為模型不夠強，而是因為流程設計過粗、責任邊界不清，或沒有建立可以持續修正的回饋閉環。

·        避免一開始就拉長週期，卻沒有檢視邊際效益。

·        避免只做短期體驗，導致學習遷移不足。

·        避免用單一測驗分數評估成效，忽略工作現場的使用留存。

若把失敗經驗拉回來看，許多組織並不是不知道這些風險，而是低估了它們對採用率與信任度的影響。

「避免一開始就拉長週期，卻沒有檢視邊際效益。」如果沒有在前期就被制度化處理，後面通常會以更高的成本回來。例如它可能變成主管不信任、員工不願意用、流程被迫回退，或稽核與法遵單位要求重做。對企業而言，越早把風險說清楚，越能避免導入後的大幅反覆。

「避免只做短期體驗，導致學習遷移不足。」如果沒有在前期就被制度化處理，後面通常會以更高的成本回來。例如它可能變成主管不信任、員工不願意用、流程被迫回退，或稽核與法遵單位要求重做。對企業而言，越早把風險說清楚，越能避免導入後的大幅反覆。

「避免用單一測驗分數評估成效，忽略工作現場的使用留存。」如果沒有在前期就被制度化處理，後面通常會以更高的成本回來。例如它可能變成主管不信任、員工不願意用、流程被迫回退，或稽核與法遵單位要求重做。對企業而言，越早把風險說清楚，越能避免導入後的大幅反覆。

六、建議管理層追蹤的成效指標

若只看大家有沒有使用，通常不足以判斷一個AI方案是否真的產生價值。比較好的做法是同時追蹤使用、品質、效率與接受度四個面向。

·        技能成長幅度

·        AI使用留存率

·        實務產出完成率

·        培訓投報率

特別值得注意的是，KPI不應只拿來做成果報告，更應拿來做導入中的調整依據。若啟用率高但品質沒有提升，代表流程設計可能有問題；若品質提升但留存率低，代表使用成本或操作心理負擔仍然過高。管理者若能用這種方式看指標，AI才會真正變成一套可經營的能力，而不是單次專案。

七、如果企業現在就要開始，建議先從哪裡下手

多數企業其實不需要等到所有制度一次到位才開始。比較穩健的做法，是先從一個高頻、可衡量、利害關係人相對明確的場景啟動。例如先從某個內訓評量、一條客服回應流程、一種知識文件導讀或一項主管評核活動做起，利用4到8週建立最小可行運作模式。

在這段試行期間，企業最應該觀察的是組織是否願意配合、資料與權限是否跑得順、AI的建議是否能被採納，以及主管是否願意用相同語言討論成效。只要這四件事打通，後續擴張通常就會容易許多。

八、從單點應用走向制度化，企業還要補哪些條件

很多企業在第一波導入時，常把注意力集中在工具帳號、提示詞模板或單次活動成果，但若想讓這類做法真正穩定下來，還需要補上三類條件：第一是制度條件，也就是誰可以決定怎麼用、誰要負責校正與追蹤；第二是流程條件，也就是AI的輸出會在什麼節點被接住、被覆核、被採納或被退回；第三則是文化條件，也就是主管與同仁是否願意用一致的語言討論品質、風險與改善方向。

若缺少其中任一條件，AI很容易維持在『偶爾有人用』的階段，而不是變成真正可複製的企業能力。例如制度條件不足時，大家會用各自的方法操作，最後很難比較成效；流程條件不足時，AI給出的建議即使不錯，也可能沒有被納入工作流；文化條件不足時，員工則可能把AI視為額外負擔，而不是工作幫手。也因此，企業若打算擴大導入，最好從一開始就把這三個條件一起規劃。

對經理人與部門主管的實際提醒

對高階主管而言，最重要的不是逐一理解技術細節，而是確保組織在導入時沒有把責任外包給工具本身。AI可以提升速度、降低重工、改善回饋品質，但它不會自動替企業完成治理。主管真正需要做的，是決定先從哪個場景試行、定義怎樣算成功、誰負責看指標，以及當結果不如預期時要如何調整，而不是只在導入初期要求部門多用一點AI。

對中階主管與第一線主管而言，則要特別注意示範作用。很多員工會透過主管的反應來判斷AI到底是正式工具、實驗工具，還是可有可無的附屬品。如果主管能在會議、審查、回饋或培訓現場示範如何正確使用、如何判讀AI建議、如何指出不足並要求修正，員工通常會更快理解AI的定位，也更容易把它視為日常工作的一部分。換句話說，AI在組織內的成熟度，往往不是由模型能力決定，而是由管理者是否真的把它帶進管理行為決定。