原始研究摘錄

AI 輔助程式設計與數據分析學習中的人機互動行為分析

摘要

隨著人工智慧技術的迅速進展，資料科學與程式設計已日益被視為高等教育中不可或缺的核心素養。對非資訊相關背景的大學生而言，程式設計所要求的邏輯推理與抽象概念理解，常成為其學習歷程中的顯著挑戰。近年來，生成式人工智慧（Generative AI, GenAI ）特別是大型語言模型（ Large Language Models, LLMs）在程式教學中的應用日益普及，惟學生與 AI 互動歷程中所展現 的認知策略與學習行為，尚缺乏系統性的分析與理解。 本研究以修習某大學「資料科學與問題解決」通識課程之 103 位學生為對象，蒐集其與 AI 虛擬學習夥伴互動歷程中所產生的710則對話紀錄，並運用滯 後序列分析法，探討學生在學習過程中展現的七類行為模式與轉移結構。分析 結果顯示，「任務提交（TS）」為最常見的互動行為，顯示學生多將 AI 虛擬學 習夥伴作為作業成果回報管道，該行為類型呈現高度的自我連續性，學生完成 學習任務會修正並重複的提交，反映其學習過程具明確的任務導向特性。此外， 「資訊尋求（IS）」與「認知／後設認知互動（CM）」之間呈現雙向顯著轉移， 構成一種持續反覆的「學習探索循環」，表示學生會在思考與反省後主動向 AI 尋求補充資訊，進而再進行整合與評估，深化學習歷程。而在獲得知識理解之 後，學生亦傾向接續提出具體的任務請求（IS→TO），如請求 AI 提供程式範例 或應用於生活情境中的解題建議，進行實務操作練習顯示知識運用能力的展現。

一、這篇研究回答了什麼問題

研究整合更新：高品質的人機互動不是聊天次數多，而是提問、提示、修正與再嘗試能否形成可追蹤的循環。Fan 與 Ouyang（2026）以學習分析辨識不同表現者的人機協作模式；Sedrakyan 等人（2020）及 Jin 等人（2024）則提示，回饋儀表板與回饋素養設計能協助使用者調節後續行動。這些結果來自學習情境，企業應將其視為訓練流程設計參考。

研究發現，使用者與 AI 的互動不是單點問答，而是在資訊尋求、認知整理、任務提交與修正之間反覆循環。這說明企業若只把 AI 當成一個聊天視窗沒有任務導向的結構，往往無法真正提升工作能力。

這類發現特別適合套用在新進員工訓練、資料分析工具上手、內部知識庫學習與跨部門系統操作。很多公司以為導入 AI 助理後，學習效率自然會提升，但實際上學員常問完就停，沒有被引導到下一步的嘗試、驗證與修正。

二、企業可以如何把研究結果轉成實際做法

可把每次 AI 回覆設計成建議、下一步、再提交的任務，並以互動紀錄辨識反覆卡關的步驟，避免只以對話量評價學習投入（Sedrakyan et al., 2020; Jin et al., 2024）。

1.    把 AI 助理接到培訓平台時，預設回覆需附帶下一步行動選單，而非只給答案。

2.    針對常見任務設計詢問、示範、修正、再提交的四段式學習路徑。

3.    建立互動日誌分析儀表板，定期檢查學員是否卡在同一類問題或重複提交。

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。

三、導入時最容易忽略的風險

若 AI 直接給出完整答案，互動紀錄再多也可能只是依賴行為。管理者應保留問題拆解與成果驗證節點，才不會把高使用率誤認為能力成長（Fan & Ouyang, 2026）。

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。

·       避免把 AI 訓練做成單次體驗活動，沒有後續任務承接。

·       避免只看聊天次數，不看任務完成與修正成效。

·       避免讓 AI 直接產出完整答案，削弱學員的問題拆解與判斷能力。

參考文獻與延伸閱讀

Fan, Y., & Ouyang, F. (2026). Using Learning Analytics to Unveil Human–AI Collaborative Patterns Between High and Low Performance Students in Instructional Design Activities. International Journal of Human–Computer Interaction, 1-19. https://doi.org/10.1080/10447318.2026.2618550

Jin, F., Maheshi, B., Martinez-Maldonado, R., Gašević, D., & Tsai, Y.-S. (2024). Scaffolding Feedback Literacy: Designing a Feedback Analytics Tool with Students. Journal of Learning Analytics, 11(2), 123-137. https://doi.org/10.18608/jla.2024.8339

Sedrakyan, G., Malmberg, J., Verbert, K., Järvelä, S., & Kirschner, P. A. (2020). Linking learning behavior analytics and learning science concepts: Designing a learning analytics dashboard for feedback to support learning regulation. Computers in Human Behavior, 107, 105512. https://doi.org/10.1016/j.chb.2018.05.004