Show a desktop notification when the AI TA finishes replying
Notify me when classmates post messages in the forum
Play an alert sound whenever there is a new notification
分為兩大類：以同儕審查研究為基礎的實證研究系列，以及在哥倫比亞大學 Teachers College 兩週受訓、依日程整理的研習現場。每篇都把學術發現轉化成你今天就能帶進課堂的具體做法。
每篇對應一份近年同儕審查研究，依教學主題分組。點下方主題可快速跳轉。
全英語授課不等於「禁止母語」。研究顯示，有策略地讓學生運用母語資源，能降低認知負荷、釐清專業術語、提供情感支持——關鍵是「刻意設計」而非放任。
EMI 的意義建構不只靠語言。手勢、圖像、語調、實作示範都是教學資源，把它們和語言一起編排，才能真正幫學生跨越語言障礙理解學科內容。
通用英語課程不足以支撐 EMI。學術素養必須嵌入學科、由專業教師與語言專家協力傳授——讓學生先分析一個文類的社會脈絡與溝通目的，再分析語言形式。
EMI 學生普遍用機器翻譯提升閱讀理解、詞彙與閱讀速度。與其視為作弊，不如把它定位為閱讀艱澀學科文本的合法鷹架，並提供明確的使用指引。
Coxhead 的學術詞彙表僅 570 個詞族，卻佔學術文本約 10% 的篇幅；統合分析顯示重複接觸與附帶詞彙學習的相關達 r = .34。把學科關鍵詞變成明確、重複、有檢核的教學標的，是 EMI 投資報酬率最高的一步。
兩份統合分析一致支持廣泛閱讀：相對控制組效果量 d = 0.46–0.57，前後測對比達 d = 0.71–0.79。大量、自選、低難度的課外閱讀，是 EMI 學生累積學術英語語感最可行的長期路徑。
有效提問不是「多問高層次問題」就好。研究指出，真正促進互動的老師會刻意「編排」高低認知層次問題的組合，並在權威式與對話式取向之間切換。
同樣的內容，講得好不好懂差很多。研究歸納出 12 種講者「明確化」策略，最常用的三招——重述、修正、換句話說——幾乎零成本，卻能明顯提升學生的理解。
教師提問後平均等不到 1 秒就接話；研究顯示候答時間超過 3 秒這個門檻後，學生回應長度可增加三到七倍，高層次思考與成就同步提升。對需要先翻譯再思考的 EMI 學生，這 3 秒尤其關鍵。
多語學生用生成式 AI 寫作時，會調動完整的語言資源並批判性地調整 AI 產出。教師該做的不是禁用，而是引導學生發展「批判性學術寫作者」的身份。
一份 387 人的 EMI 研究發現：語言能力較弱的學生，傾向用生成式 AI「取代」而非「補充」自己的語言努力。教師應設計促進「互補式」整合的任務。
英語即時字幕在一項前導研究中提升了內容理解，但同一研究團隊後續的眼動實驗卻發現反效果。本文誠實呈現這個「有潛力但尚未定論」的科技工具。
統合分析顯示，同語字幕影片相對無字幕影片在詞彙學習上效果量達 g = 0.87，影片理解亦有大效果；同語字幕利於語言學習、母語字幕利於內容理解。EMI 預錄教材應預設配上英語字幕。
EMI 評量常只在期末打分數，而且暗中評量了語言卻沒說清楚，對學生並不公平。把評量變成教學中的「回饋循環」，並培養專屬 EMI 的評量素養，是被忽略卻關鍵的一環。
學生英語講錯時，糾正怕打斷、不糾正怕僵化。研究歸納出 recast（不打斷地示範正確說法）與 elicitation（引導學生自己改）等做法，搭配小組動態評量，還能降低口說焦慮。
統合分析顯示同儕回饋對 L2 寫作的整體效果量達 d = 0.73，效果不遜於教師回饋；研究並指出給回饋者的獲益往往不亞於收回饋者。前提是必須先做回饋訓練，否則品質與信任都會落空。
對 83 份研究的系統性回顧指出：EMI 帶來英語增益的證據有限，內容學習是否受損也尚無定論；CLIL 的表面優勢更可能混入選擇效應。成效不會因換了授課語言自動發生——它是教學設計的產物。
對 133 份問卷與 12 場訪談的研究顯示：EMI 有效教學需要的是「語言 × 教學法 × 學科」的交集能力，而非英語檢定分數的延伸；教師普遍歡迎認證與培訓，但幾乎沒有大學將其列為優先事項。
追蹤 28 名學生三年、輔以約 3,000 份問卷的香港縱貫研究指出，EMI 新生面臨四大困難：學科技術詞彙、聽懂講課、學術文體與制度要求；困難高峰在大一，支持措施投放在第一年效益最高。
把「重讀」換成「自我測驗」，是學習科學中實證最厚的高效策略（g≈0.50）。而且只要在測驗後立即給正解回饋，效益還會再翻倍。
同樣的複習量，分散在多次比集中在一次有效得多。而且「要記多久，就把間隔拉多長」——間隔排程要依保留需求調整。Dunlosky 等將它與測試效應並列為最高效用的兩招。
把不同概念／題型混合練習（而非一種練完再換），整體有中等效益（g=0.42）；但效果高度依材料而定——視覺材料最好、單字反而適合集中練。交錯有效，但不是萬靈丹。
回饋有效（立即回饋 d≈0.80），但「立即 vs 延遲」沒有單純的勝負——難任務／低成就者宜立即回饋，易任務／重遷移／高成就者反而延遲較好。
對初學者，先研讀「逐步解法範例」再練題，比一開始就埋頭解題更有效（數學 g=0.48）。範例降低認知負荷，讓學生把心力放在理解解題結構上。
在學習時請學生對自己解釋「為什麼、怎麼來的」，能顯著提升理解與遷移（g=0.55）。研究更直接建議用「電腦自動產生的自我解釋提示」——正好適合 AI 助教遞送。
教材的圖、文、聲怎麼搭，影響學習成效（整體 g=0.37）。移除無關細節、圖配旁白（而非螢幕長文）、用對話口吻等原則，效果量可達 0.7–1.0。設計教材時遵循這些原則，幾乎零成本提升理解。
學生最愛用的劃線、重讀、抄摘要、關鍵字記憶，被大型回顧評為「低效用」。與其讓學生被動重讀，不如引導他們改用提取練習與間隔練習。
在教學前先讓學生猜答案，即使注定答錯，也能促進後續學習。Pan 與 Sana（2021）跨五個實驗發現，預測（先考再教）的效益可與後測相當、甚至更佳，且跨題型與延遲皆成立。
讀到事實性敘述時自問「為什麼會這樣」，迫使新知識連結既有知識網。Pressley 等（1987）發現自己生成解釋勝過讀現成解釋；Dunlosky 等（2013）評為中等效用、實施成本極低的策略。
流暢感是學習的假象：當下表現好不代表長期記得住。Bjork 夫婦提出間隔、交錯、測驗與變化情境四類合意困難——刻意讓練習變得有挑戰，換取長期保留與遷移，但難度須落在學生能力範圍內。
工作記憶容量極小，教學設計首務是清除無效負荷。Sweller 等（2019）二十年回顧整理內在與外在負荷之分，以及分散注意力、冗餘、專業知識反轉等可直接操作的教學效應。
Wisniewski 等（2020）統合 435 個研究發現回饋整體效果 d = 0.48，但高資訊量回饋遠強於單純對錯增強。Hattie 與 Timperley 的四層次模型指出：指向歷程與自我調節的回饋最有力，個人讚美最弱。
讓學生用自己的話重新產出所學（摘要 d≈0.50、繪圖 d≈0.40）能促進理解，但前提是「有指導、有訓練」——這正是有效生成與無效抄寫的分水嶺。
一份「大學生專屬」的統合分析：有系統的 SRL 訓練能同時提升成績（g=0.37）、後設認知策略（0.40）與動機（0.35），整體 g=0.38。以後設認知為基礎的訓練效果最大（0.63）。
先讓學生在「還沒教過」的難題上掙扎、再正式教學（PS-I），比傳統先教後練多出 g=0.36 的優勢，高保真設計可達 0.58。但注意——這份禮物適合高中以上，對小學生反而會反轉。
學生常高估自己的掌握度，而校準是可訓練的（效果小到中等，g=0.25 至 g≈0.57）。關鍵在讓學生對照「預測」與「結果」、提供外部標準——但不是每種後設認知介入都有益。
把文字概念親手畫成圖迫使學生選擇、組織、整合，是強力的生成式學習策略。但 Fiorella 與 Zhang（2018）指出明確邊界條件：繪圖認知需求高，需半成品圖、明確指引與對照回饋等鷹架才穩定有效。
Kobayashi（2019）統合 28 個研究：準備要教 g = 0.35，實際教出來 g = 0.56，互動式教學效果更大。Fiorella 與 Mayer（2013）顯示真正開口教過的學習增益更持久——錄講解影片或向 AI 解釋即可啟動。
在文字旁加上「組織型圖示」（流程圖、結構圖）對科學文本學習有穩定正效果（g≈0.23）、對閱讀理解達中等（g≈0.39）。關鍵是用承載概念關係的圖，而非裝飾性插圖。
用書寫來學習有效但效果偏小（d=0.17）——而且有效的不是多寫，是加入「後設認知提示」（讓學生寫我哪裡還不懂、這概念和前面怎麼連）。要求學生反思回饋時效果更高（ES=.44）。
讓學生互相當小老師，對大學生有中等正效果（g≈0.48），且雙向得利——當小老師的學生自己也提升約 0.43。「教別人」是最有效的學習方式之一。
明確教推論、摘要、自我提問，學生學得會策略（d≈0.79），但轉化成標準化理解測驗分數就難得多（d≈0.19）。含「設定閱讀目標」的策略包效果更大；大學常假設學生自然會讀卻從不教。
「筆比鍵盤強」的經典結論在 Urry 等（2021）直接重複驗證與八研究小型統合中未能重現。證據真正支持的是處理深度：用自己的話重組勝過逐字抄錄——關鍵在怎麼記，不在用什麼記。
整合 57 個實驗的統合分析顯示：並排比較兩個案例、引導學生找出共同深層結構，對比逐一學習的效果量為 d = 0.50。幾乎不需新增教材，只需改變呈現順序——先比較、後揭示原理。
50 個對照研究的統合分析：提供逐步引導與即時回饋的智慧導師系統，使測驗分數中位提升 0.66 SD（第 50 → 75 百分位）。現代 LLM 導師正是這條數十年研究脈絡的延伸。
設過關門檻、未達標補救重測的精熟學習，103 個考試成績研究平均效果 0.52 SD（第 50 → 70 百分位）；高精熟標準子群連標準化測驗也有 0.60 SD——堅持門檻、提供再學的機會，才是效果來源。
45 個研究的統合分析：AI 適性學習相對非適性教學 g=0.70。但另一份 16 個 RCT 的分析提醒：「適應學習者程度」的高個人化（0.35）遠勝僅客製興趣或回饋的表面個人化（整體僅 0.18）。
PBL 對技能應用與批判思考效果中等偏大（d≈0.46–0.64），對短期基礎知識卻可能略負——但知識劣勢會隨時間消失。你測什麼、何時測，決定它看起來有沒有用。
同一篇統合分析裡，未輔助的發現比直接教學還差（d=−0.38），加上鷹架與回饋的引導式發現則勝出（d=+0.30）。主動學習的價值不在放手，而在給對的引導。
半世紀、328 篇研究、近 4,000 個效果量：明確示範與充分練習的直接教學有中等效果（d≈0.60），且幾乎不隨時間衰退。對初學者建立基礎概念特別有效。
提問—澄清—摘要—預測四策略、學生輪流帶領，能提升閱讀理解。但效果依測量工具分歧——貼近教學的自編測驗 d=0.88，遷移到標準化測驗則 d=0.32，兩個都要看。
整合 225 個研究的統合分析顯示：主動學習讓考試成績提升約 6%，純講授的不及格風險高 1.5 倍。但隨機實驗也發現學生「實際學得多、感覺學得少」——事先公開證據是化解抗拒的關鍵。
統合分析顯示專題式學習對學業成就的效果量達 d = 0.71，但效果受學科、時數與科技支援調節。高教研究多測「學生喜不喜歡」，要學得深，需要驅動問題、階段鷹架與真實觀眾三者齊備。
72 個研究的統合分析顯示：有引導的探究使學習成果提升 d = 0.50、任務表現提升 d = 0.71；另一份統合分析發現教師主導的探究效果量比學生自行主導高出約 0.40。純發現式學習並不可行，「探究＋引導」才是答案。
人人都說好的差異化教學，嚴格實證其實有限：初等教育統合分析僅見小幅正效果，固定能力分組甚至對低成就者有害；中學十年間僅 12 個合格研究。務實路線是彈性分組與分層任務兩個低成本槓桿。
統合分析顯示遊戲化對認知（g=0.49）、動機（g=0.36）、行為（g=0.25）都有正效果，但原作者把認知效果定調為 small——不是掛上排行榜就有效，設計品質才是關鍵。
114 個研究的統合分析：翻轉教室對學習成效有小幅正效果（g≈0.36），對滿意度卻沒有影響。最關鍵的調節變項是「加入測驗」——課前影音一定要搭配檢核小考。
兩篇獨立統合分析：即時答題系統對投入／情意的效果近中等，對認知成效則取決於用法——搭配同儕討論（解釋並辯護答案）效果遠大於純講授中使用；它同時也讓教師更準確掌握學情。
讓學生互評，效果不輸老師親自批改（g=0.28），整體對學業表現有正效果（g=0.31 至 0.606）。最關鍵的是：搭配線上科技會放大互評效果——這正是把互評搬上平台的直接論據。
425 篇研究的統合分析：CSCL 的效益是「協作 × 電腦 × 支持策略」三層疊加——協作本身（知識 g=0.42、技能 0.64）、電腦使用（小組任務 0.89）、協作腳本（0.38）缺一不可。
142 個效果量的統合分析：用概念圖學習整體 g=0.58。關鍵在於——學生自己建構概念圖（g=0.72）明顯高於研讀現成的（g=0.43），生成式參與才是效果核心。
五個大型前註冊隨機實驗未能複製出拼圖法預期的學習效益（預設 d = 0.40 未獲支持）。經典方法不等於免檢——專家組品質檢核與個人責任測驗，是讓拼圖真正拼起來的兩道關鍵閘門。
統合分析顯示合作學習對學業成就的效果量約 0.54，但效益來自正向互依、個人責任等五個結構要素。把學生分成小組只是容器，互依結構才是引擎——缺了結構，小組只是坐在一起的個人。
對全體學生平均效果極小（d≈0.08），但對低社經、學業風險學生且校園文化支持時有小而真實的效果。它不是特效藥，而是「對的人 × 對的環境」才見效的精準工具。
涵蓋 16,523 人的統合分析：設定目標有小至中等的穩健效果（d=0.34），當目標具體、有點難度、公開承諾、以行為為標的時效果最佳。
教學生把學業挫折重新歸因為「可控、可改變」的原因，對失敗傾向的高風險大學生效果最明顯——甚至能提升 8 年畢業率。這是少數直接在大學情境、以真實畢業率為終點的動機介入。
針對大學生的 RCT 統合分析：認知行為等取向能明顯降低考試焦慮（g≈−0.64），但轉化到成績的效果小很多（g≈0.28）。先把幫助學生本身當成目標。
系統性回顧 59 篇大學研究顯示，學業自我效能與成績呈穩定中度正相關，且兩者互為因果。它最強的來源是精熟經驗——把課程切出早期可達成的成功，比任何信心喊話都有效。
涵蓋 344 個樣本、223,209 名學生的統合分析顯示：出於興趣與認同的自主動機穩定預測成績與堅持，靠獎懲撐起的外在動機則幾乎無效。提供選擇、說明理由、承認負面感受是三個低成本起點。
讓學生自己寫「這跟我的生活有什麼關係」的短文，能顯著提升低成功期望學生的成績與興趣；在大學生物課中，這個介入把第一代兼弱勢族群學生的成績差距縮小了 61%。
Walton 與 Cohen 的一小時介入讓弱勢族群學生三年後的成績差距縮小一半；2023 年涵蓋 22 校、26,911 人的大規模驗證確認效果，並標出邊界——環境必須真的提供歸屬的機會。
哈佛 194 名物理生的交叉 RCT：精心設計的 AI 導師，學習成效顯著勝過課堂主動學習（effect size 0.73–1.3 SD），學得多、花得少。關鍵是 AI 導師建立在「主動學習」原則上。
統合 37 篇研究，ChatGPT／AI 聊天助教對學業成就有中等正向效益（g=0.577）。證據支持把 AI 助教納入教學，但這是快速演變領域，數據截至 2025。
統合 26 篇研究、2,468 名參與者的分析顯示，AWE 對寫作品質有大幅正向效果（g = 0.861），且對大專與 EFL 學習者效益最高；但高層次論證回饋仍是教師的主場，分工才是正解。
統合 69 篇與 35 篇實驗研究的分析顯示 ChatGPT 對學習有中度正向效果（g = 0.670），但異質性大、設計決定成效；曾報告大效果量的首篇 meta 已被撤稿，提醒對初期數字保持審慎。
兩份系統性回顧（945 篇篩出 93 篇；SRL 視角）的共同結論：多數儀表板缺乏學習理論基礎，對學習成效的嚴格證據有限。指標要連到「下一步行動」、參照點預設「跟自己比」，儀表板才能支持學習。
用完整教育遊戲學習對認知有小到中等正效果（d≈0.29–0.33），但「遊戲自動提升動機」是迷思。關鍵是「遊戲＋教學鷹架」——與「遊戲化」是不同概念，別混淆。
沉浸式 VR（頭戴顯示器）對學習有小效果（ES≈0.24），且在高教比 K-12 更小；短介入效果反而較大，暗示新奇效應。最適合需要空間想像、危險或昂貴實境的特定學科。
模擬至少與傳統實作同等有效，但加入鷹架、回饋、反思的「強化型模擬」才有額外的中等效果（g+≈0.43）。對昂貴、危險、不可重複的實驗是高 CP 值選項。
110 篇研究的統合分析：行動裝置融入教學有穩健的中等效果（ES≈0.52），而探究導向的行動學習效果最大（g=0.84）。問題是「用手機讓學生去探究什麼」。
統合分析顯示 AR 對學習收穫有中度效果（d = 0.68），在空間性與不可見概念上最能發揮；後續 41 篇研究的分析指出協作學習是最有利的教學搭配，但須謹防新奇效應。
統合 68 個效果量的分析顯示，教材中有趣但無關的圖片與趣聞整體拉低學習表現（g = −0.33），保留與遷移皆受損；緊鄰關鍵圖表或持續停留在畫面上時傷害最大。
Uedu 團隊已在平台上完成的實證研究——每篇都是「這個教學法真的能在 Uedu 上做出來、而且驗證有效」的證明，並附如何在你的課堂複製。點卡片看完整論文。
如何複製：在 ClassroomGPT／mygpts 頻道用 system prompt 設「講師＋助教」雙角色；前後測學習自主性、自我調節與內在動機量表。
如何複製：用測驗系統的 AI 自動出題＋即時回饋；比較導入前後的成績與作答資料。
如何複製：在討論區開啟 AI 貼文評分鷹架；觀察貼文品質與跨領域互動量的變化。
如何複製：用 ClassroomGPT 圖像生成輔助抽象概念（如智財權）；組間比較概念理解。
如何複製：建學科專屬 ClassroomGPT＋上傳教材到頻道知識庫；測程式作業表現與技能自動化。
如何複製：用 Bloom 認知層次分析評估學生對話的認知表現，作為形成性評量。
如何複製：用學習軌跡分析（知識圖譜＋LLM）追蹤學生的概念掌握與學習路徑。
如何複製：在多門課開 ClassroomGPT 助教；分析跨學科的採用型態與認知投入。
如何複製：用 Uedu Fit 串接 Garmin 蒐集 HRV；觀察生理狀態與學習表現的關係。
2025 年 2 月 3–14 日，Fulbright Taiwan × Teachers College 兩週 EMI 受訓。請從左側日期選單瀏覽各天場次。
2025 年 2 月，在 Fulbright Taiwan 補助下於哥倫比亞大學 Teachers College 進行兩週 EMI 受訓。最大的體悟是：EMI 不是「把原課程翻成英文」，而是要用英語重新設計整套教學活動。
哥大 Lenger Kang 博士的核心洞見：閱讀是一種情緒經驗。文本之所以「難」，來自學術詞彙、文本結構、先備知識、個人關聯四大障礙——而每一道障礙都有對應的橋樑。
哥大 Ober 教授談 EMI 評量：用逆向設計從「期望結果」反推，把評分標準的語言期待說清楚，降低學生的評量焦慮，並在測驗中接受跨語言實踐，把母語視為展現所學的資源。
哥大 Moffett 博士提醒：AI 會「很有自信地」說錯（hallucination），在語言與翻譯情境尤其要警覺。他也拋出一個 EMI 教師必須面對的問題：在 AI 時代，什麼算作弊？
哥大 Minh Le 以 TPACK 與多模態學習框架，示範如何在 AI 時代用視覺、聽覺、互動等多重管道教學，並提供一套務實的 AI 工具選擇與課堂導入原則。
哥大訪問學者林博士比較 K-12 的五種雙語教學模式與高教 EMI 的差異——釐清 EMI 把英語當「工具」、語言學習是附帶這件事，能幫我們避免對 EMI 的常見誤解。
哥大 Pizmony-Levy 教授帶我們追問國際評比（PISA、TIMSS）背後的問題：你怎麼知道？怎麼定義「品質」？對 EMI 教師，這是一堂關於「不被排名綁架」的評量素養課。
哥大 Ripkey 博士談 EMI 的制度推動：區分「改善」與「變革」，用 SWOT 與利害關係人分析，並提醒每位教師都可以是「改變的推手」。EMI 要成功，需要整個機構的文化改變。
哥大 Nguyen 博士從跨文化溝通切入 EMI：英語作為國際共通語，不該用單一的母語者標準來評斷。EMI 應採 Global Englishes 視角，把學生的母語與母文化視為資產。
哥大 Limerick 教授以厄瓜多 Kichwa 與西班牙 Basque 的案例提醒：「標準語言」其實是一種意識形態建構。這對台灣 EMI 如何看待學生的口音與語言變體，是重要的一課。
哥大 Creider 博士區分「參與」（與人連結）與「投入」（與想法連結），並提醒：一個人回答不等於全班參與。她的小組角色與句型鷹架，讓全班都能同時開口。
本系列文章以實證研究與國際研習為基礎，引用來源均經查核。
想看完整教學設計指引？前往 EMI 教師指南。