教師使用生成式人工智慧教學之質性差異經驗

論文基本資訊

精簡摘要與研究框架

本研究以現象圖析學（phenomenography）觀點，探討大學教師使用生成式人工智慧（GenAI）教學的質性差異經驗。研究對 30 位跨學科大學教師進行半結構式訪談，分析其對 GenAI 價值主張的知覺（perceptions）、對 GenAI 支持學習的構思（conceptions），以及要求學生查證 GenAI 輸出的教學取向（approaches），並以交叉表（cross-tabulation）檢驗三者關聯。結果顯示：知覺分為 4 類（正向／負向）、構思分為 5 類（連貫／破碎）、取向分為 5 類（學習焦點／教學焦點），且三構念間均呈統計顯著的中度關聯。持連貫構思、正向知覺的教師較傾向採學習焦點取向，較可能幫助學生發展職場所需的 GenAI 知識與技能。

研究框架

本研究採 Trigwell 與 Prosser 的 3P 模型（Presage–Process–Product）作為分析模型：學術脈絡（以 GenAI 教學）為 Presage 端的共享背景，教師對 GenAI 教育價值主張的「構思」屬 Presage、對教學脈絡的「知覺」與「學生查證 GenAI 輸出之教學取向」屬 Process。研究假設三者彼此關聯，並以現象圖析學建立三個成果空間（outcome spaces），再以量化交叉表檢驗類別間關聯之顯著性（p 值）與強度（Phi 係數）。

研究動機與研究目的

研究動機

• 產業界普遍導入 GenAI，GenAI 素養（GenAI literacy）逐漸成為畢業生就業的關鍵能力要求，對大學課程設計與教學產生連鎖效應（Nartey, 2024; Javaid et al., 2023）。
• 高等教育早期對 GenAI 的關注多聚焦於抄襲、學術誠信等倫理風險與防弊偵測，對「生產性使用」的指引有限（Moorhouse et al., 2023; Rudolph et al., 2023）。
• 教學模式、倫理辯論與技術仍在快速發展中，大學教師「使用 GenAI 教學的經驗」尚未被深入探討，形成明確研究缺口。
• 傳統課堂中教師知覺、構思與取向的關聯模式（Prosser & Trigwell 等研究）是否能複製到 GenAI 教學情境，尚待檢驗。

研究目的／研究問題

總體研究問題：大學教師使用 GenAI 教學的質性差異經驗為何？細分為四個研究問題：

1. 大學教師對 GenAI 在高教學習中價值主張之知覺有哪些變異？
2. 大學教師對 GenAI 用於高教學習之構思有哪些變異？
3. 大學教師對學生查證 GenAI 輸出之教學取向有哪些變異？
4. 教師 GenAI 經驗中的知覺、構思與取向之間關聯程度為何？

文獻探討大綱

一、GenAI 在產業與教育的研究發展

• LLM 進入主流職場（ChatGPT、Gemini、Copilot），改變人力規劃 — 說明 GenAI 素養成為就業條件的背景（Wu et al., 2023; Javaid et al., 2023）。
• 畢業生需具備批判性評估 GenAI 輸出的能力（事實正確性、偏誤判斷）— 建立「大學須培養 GenAI 素養」的論證起點（Farrell et al., 2021; Ng et al., 2021）。
• 政策層面：美國總統行政命令、UNESCO、澳洲 TEQSA 要求大學展現 GenAI 生產性使用 — 帶出制度壓力。
• 高教早期聚焦倫理防弊 vs. GenAI 的學習效益潛能 — 指出研究視角需從風險轉向教學生產性（Moorhouse et al., 2023; Tlili et al., 2023; Chan & Tsi, 2024）。

二、現象圖析學觀點

• 核心主張：人們對現象的經驗可歸入有限類別，並呈巢狀包含階層（nested hierarchy of inclusiveness）— 提供本研究方法論基礎（Marton, 1986; Åkerlind, 2008）。

三、知覺、構思與教學取向之既有研究

• 三大研究傳統：Entwistle、Marton、Prosser & Trigwell — 定位本研究於「學與教經驗質性差異」研究脈絡，採 Trigwell & Prosser（2020）3P 模型。
• 學生學習構思：連貫（cohesive）vs. 破碎（fragmented）— 提供本研究構思分類的理論原型（Chiu et al., 2016 等）。
• 教師對學生學習的構思與五種教學取向（Prosser et al., 1994）— 提供取向分類與「構思—取向關聯」的先行證據。
• 教師對教學環境的知覺與取向之關聯（Prosser & Trigwell, 1997）— 補足「知覺」構念的實證基礎。
• 小結：傳統課堂的關聯模式未必能複製至 GenAI 情境 — 導出本研究的必要性與時效性。

研究方法介紹

研究取徑：混合方法（mixed-methods），以現象圖析學方法為主軸——結合個殊式（ideographic）質性厚描述與尋求律則式（nomothetic）可遷移原則的量化分析（Feldon & Tofel-Grehl, 2018）。

研究對象與抽樣

30 位大學教師自願參與。依 Becher–Biglan 學科類型學（Biglan, 1973; Neumann et al., 2002）從四大學科類別立意招募：

• 硬性純粹學科（數學、化學、統計）
• 硬性應用學科（設計、藥學、醫學科學）
• 軟性純粹學科（歷史、音樂、藝術）
• 軟性應用學科（教育、法律、社會工作）

教學年級涵蓋大一至大三。參與者使用過的平台包括 ChatGPT、Microsoft Copilot、Claude、Gemini、Llama、DALL.E、Sora 等，經驗從教育用途實驗到嵌入課程設計不等。

資料蒐集

經機構倫理審查核可、取得書面知情同意後，進行半結構式訪談（開放鬆散結構、錄音逐字轉錄）。三個主要提問：

• 「您如何知覺 GenAI 在高教學習中的價值主張？」
• 「您對 GenAI 在高教學習中的理解為何？」
• 「您在多大程度上要求學生查證 AI 輸出的正確性？如何做、為什麼？」

資料分析

• 質性階段：依現象圖析學分析程序（Åkerlind, 2018; Marton & Pong, 2005），多輪反覆閱讀 → 標記關鍵特徵 → 歸納初始主題 → 迭代修訂類別定義與命名 → 三位研究者個別編碼。
• 量化階段：交叉表檢驗知覺、構思、取向之關聯，以 p 值檢驗顯著性、Phi 係數評估關聯強度。

信效度處理

計算編碼者間一致性百分比（Säljö, 1988），諮商前後兩位研究者與第三位研究者的一致性達 70%–100%，符合 80% 門檻要求（諮商後最低為 80%）。

研究流程（表格）

條列式研究流程

1. Step 1：以現象圖析學與 3P 模型建立分析架構，提出總體與四個子研究問題。
2. Step 2：通過倫理審查，依學科類型學立意招募 30 位大學教師並取得知情同意。
3. Step 3：進行半結構式訪談（三大提問＋追問），錄音轉錄為逐字稿。
4. Step 4：依現象圖析學程序反覆閱讀與編碼，歸納三構念的質性差異類別。
5. Step 5：三位研究者個別編碼並檢核一致性，達 80% 信度門檻。
6. Step 6：以結構面與指涉面確立三個成果空間（知覺 4 類、構思 5 類、取向 5 類）。
7. Step 7：以交叉表、p 值與 Phi 係數檢驗三構念間關聯。
8. Step 8：整合質性與量化結果，提出教育領導與教師發展意涵。

研究議題與討論重點收斂

議題一：教師知覺呈正負兩極，且半數持保留態度

發現摘要：知覺 4 類——A「深化學習」（17%）、B「條件式效益」（23%）為正向；C「效益取決於教師素質」（50%）、D「阻礙學習」（10%）為負向。負向合計達 60%。

作者詮釋：A/B 類展現「學生視角」——理解透過審慎評估 GenAI 輸出可促成學生理解；C/D 類未採學生視角，因而將 GenAI 使用與學習潛能切割開來。

議題二：構思的連貫／破碎之分

發現摘要：構思 5 類——A「促進脈絡化分析思考」（17%）、B「培養未來導向知能」（20%）為連貫（cohesive）；C「僅限風險控管」（17%）、D「不可信任」（17%）、E「只是拼裝工具」（29%）為破碎（fragmented）。

作者詮釋：連貫構思將 GenAI 與學習、思考連結；破碎構思則被實務顧慮淹沒，缺乏對學習與理解的想像。

議題三：教學取向的學習焦點 vs. 教學焦點

發現摘要：取向 5 類——A「以研究挑戰 GenAI 輸出推理」（20%）、B「培養批判思考」（23%）為學習焦點；C「價值觀導向使用」（10%）、D「只教 GenAI 會錯」（20%）、E「不教如何使用」（23%）為教學焦點。

作者詮釋：學習焦點取向從學生學習出發；教學焦點取向從教師視角出發，對學生中心思維的覺察有限。

議題四：三構念間呈顯著中度關聯

發現摘要：構思×知覺 φ = 0.590（p = 0.002）；取向×知覺 φ = 0.450（p = 0.024）；取向×構思 φ = 0.360（p = 0.029）。連貫構思者 69.23% 持正向知覺；教學焦點取向者持正向知覺的比例為 0（0/7）。

作者詮釋：關聯是「傾向」而非絕對分類——持破碎構思者未必都採教學焦點取向，但整體趨勢對教師發展支持具參考價值。

議題五：對教育領導的意涵

發現摘要：教學團隊領導者需協助教師理解 GenAI 的學習效益與更具生產性的思考方式；大學領導者需進行治理與風險管理、資料圈護（ring-fencing）、身分管理等規劃投資，並以專業發展計畫、獎補助與升等誘因鼓勵 GenAI 教學創新。

作者詮釋：唯有教學人員持續聚焦 GenAI 對學習的貢獻，才能揭示其如何以適當的學科變異改善學生經驗。

未來研究缺口

作者明示的限制與未來研究

• 密集式（intensive）研究設計導致樣本數相對較小（n = 30），結論穩健性需透過複製研究檢驗。
• 需大型量化研究擴充證據基礎，例如檢驗學科變異（disciplinary variation）如何影響教師的 GenAI 教學取向。
• 樣本中各學科與平台使用經驗的次數過少，無法辨識預測模式；參與者經驗、平台與學科邊界的預測關係留待更大樣本的後續研究。
• 本研究僅處理「教學經驗」端；學生學習經驗端（3P 模型上半部）的 GenAI 質性變異為既定研究計畫之後續方向。

值得引用的段落句子

值得延伸閱讀的論文

1. Prosser, M., Trigwell, K., & Taylor, P. (1994). A phenomenographic study of academics' conceptions of science learning and teaching. Learning and Instruction, 4(3), 217–231. https://doi.org/10.1016/0959-4752(94)90024-8
   為何值得讀：本文「構思—取向」分類架構的原型研究。關係：本論文的五類教學取向與構思關聯分析直接承襲此研究設計。
2. Trigwell, K., & Prosser, M. (2020). Exploring university teaching and learning: Experience and context. Springer Nature.
   為何值得讀：本論文採用之學與教模型的最新完整專書論述。關係：提供 3P 模型與整體理論框架的權威來源。
3. Marton, F., & Booth, S. (1997). Learning and awareness. Routledge.
   為何值得讀：現象圖析學「結構面／指涉面」分析的經典專書。關係：本論文成果空間的分析語彙（structure / reference）直接源自此書。
4. Åkerlind, G. S. (2008). A phenomenographic approach to developing academics' understanding of the nature of teaching and learning. Teaching in Higher Education, 13(6), 633–644. https://doi.org/10.1080/13562510802452350
   為何值得讀：說明現象圖析學如何應用於教師專業發展。關係：支撐本論文「巢狀包含階層」假設與實務轉化建議。
5. Feldon, D. F., & Tofel-Grehl, C. (2018). Phenomenography as a foundation for mixed models research. American Behavioral Scientist, 62(7), 887–899.
   為何值得讀：論證現象圖析學結合量化分析的混合方法基礎。關係：本論文「質性成果空間＋交叉表」設計的方法論依據。
6. Chan, C. K. Y., & Hu, W. (2023). Students' voices on generative AI: Perceptions, benefits, and challenges in higher education. International Journal of Educational Technology in Higher Education, 20(1), 43. https://doi.org/10.1186/s41239-023-00411-8
   為何值得讀：同期刊、同主題的「學生端」知覺研究。關係：與本論文的「教師端」形成 3P 模型上下半部的互補視角。
7. Moorhouse, B. L., Wong, K. M., & Li, L. (2023). Teaching with technology in the post-pandemic digital age: Technological normalisation and AI-induced disruptions. RELC Journal, 54(2), 311–320.
   為何值得讀：檢視大學 GenAI 評量政策多聚焦防弊的實證回顧。關係：構成本論文「從風險防弊轉向生產性使用」論證的關鍵文獻。
8. Markauskaite, L., Marrone, R., Poquet, O., Knight, S., Martinez-Maldonado, R., Howard, S., Tondeur, J., De Laat, M., BuckinghamShum, S., Gašević, D., & Siemens, G. (2022). Rethinking the entwinement between artificial intelligence and human learning: What capabilities do learners need for a world with AI? Computers and Education: Artificial Intelligence. https://doi.org/10.1016/j.caeai.2022.100056
   為何值得讀：多位學者合著的 AI 與人類學習能力框架論文。關係：支撐本論文「將 GenAI 有意義地嵌入活動與評量設計」的論點。
9. Lodge, J., Howard, S., Bearman, M., Dawson, P., & Associates (2023). Assessment Reform for The Age of Artificial Intelligence. Australian Government, Tertiary Education Quality and Standards Agency.
   為何值得讀：澳洲官方的 AI 時代評量改革指引。關係：本論文政策脈絡（TEQSA 要求）與 GenAI 素養課程化主張的制度依據。
10. Chan, C. K. Y., & Tsi, L. H. Y. (2024). Will generative AI replace teachers in higher education: A study of teacher and student perceptions. Studies in Educational Evaluation. https://doi.org/10.1016/j.stueduc.2024.101395
    為何值得讀：探討 GenAI 能否取代教師的師生知覺研究。關係：呼應本論文結論——教師對學習成果的責任不可取代。