一句話重點
讓學生在學習時對自己解釋「為什麼這樣成立、這一步怎麼推來的」，是一個低成本、跨學科穩定有效的學習策略——而且這個提示動作，非常適合交給 AI 自動拋出。
研究發現了什麼
自我解釋（self-explanation）的核心，是請學習者在閱讀、解題或推導時，主動產生對學習內容的解釋，把新資訊與既有知識連結起來，而不只是被動接收。
最具代表性的證據來自 Bisra, Liu, Nesbit, Salimi 與 Winne（2018, Educational Psychology Review）的後設分析。該研究整合了 69 個效果量、64 份報告、共 5,917 名學習者，以隨機效應模型估計，發現要求學生自我解釋的整體效果量為 g = 0.55（95% CI [0.45, 0.65]）。
- 這個約 g = 0.55 的效益，跨學科、跨年齡、跨成效類型都相當穩定，不是只在某一科或某個年齡層才有用。
- 更關鍵的是，作者明確建議研究者與教學者去「探索電腦生成的自我解釋提示」——等於直接為「用 AI／自動化系統遞送提示」這條路線背書。
納入分析的研究多為短時、人工設計的任務（實驗室或單元式情境）。因此把結論外推到完整課堂與長期學習時需要謹慎，效果不必然等比例延續。不過，這個 caveat 並不影響上述效果量本身的可信度——在它所測量的情境裡，g = 0.55 是扎實的。
教師可以怎麼做
在關鍵步驟插入「為什麼」
解題或推導到關鍵轉折時，不要直接往下講，先請學生對自己解釋：「這一步為什麼成立？我是根據哪個原理推來的？」
用提示而非答案
自我解釋的價值在於學生自己產生解釋。教師的角色是拋提示、留白等待，而不是替學生把理由講完。
從範例（worked example）切入
給一個完整解題範例，請學生逐步解釋「每一行為什麼這樣寫」，這是文獻中最常見、效果最穩定的設計。
要求連結既有知識
提示學生說出「這跟我之前學過的什麼有關」，促使新舊知識整合，而非孤立記憶。
設對照、量成效
把「有提示」與「無提示」分開設計，用理解題與遷移題的分數差異，檢驗自我解釋在你的課堂是否真的奏效。
搭配 Uedu 工具
把自我解釋提示交給 ClassroomGPT 自動遞送。學生在解題或讀教材時，助教會適時拋出「你能解釋這一步為什麼成立嗎？」之類的提示，正好實踐 Bisra 等人建議的「電腦生成的自我解釋提示」。成效指標＝比較「有提示組 vs 無提示組」在理解／遷移測驗上的分數差異。
AIDA 以蘇格拉底式提問見長，特別適合自我解釋：它不直接給答案，而是持續追問「為什麼」「怎麼推來的」，引導學生把推理講清楚，把模糊的理解逼到表面。
挑一道本週的關鍵例題，丟進 ClassroomGPT，設定它在學生答完每一步後追問「這一步為什麼成立？」。課後用線上測驗系統出 3 題遷移題，比對有用提示與沒用提示的兩組分數——一週就能看到你自己班上的效果。
結語
真正的理解，發生在學生能把「為什麼」說出口的那一刻。自我解釋不需要新教材、不需要額外課時，只要一句適時的提問——而這句提問，現在可以交給 AI 為每位學生不間斷地拋出。