賀！Uedu「對話即學習（Chat as Learning）」研究獲國際期刊《Computers and Education: Artificial Intelligence》接受

我們很高興分享一則捷報：由張家凱助理教授（國立中央大學通識教育中心）與李奎皓老師 共同發表的論文 〈Chat as Learning: Student–AI Conversations as Discipline-Associated Cognitive Engagement Patterns〉， 獲《Computers and Education: Artificial Intelligence》（Elsevier）接受， 目前付印中（in press）。該刊為教育類別全球排名第二的國際同儕審查期刊—— 影響係數（Impact Factor）23.4、CiteScore 43.3，開放取用（Open Access）， 專門收錄人工智慧在教育應用上的研究。

這篇論文在探討什麼

生成式 AI 教學助理已快速進入高等教育，但學生與 AI 的對話究竟是真實的認知投入，還是只是資訊檢索？ 本研究以張家凱助理教授自主研發、跨校採用的 Uedu 優學院之 ClassroomGPT 為場域， 提出「對話即學習（Chat as Learning）」測量典範：把學生對 AI 的每一次提問， 視為進行中學習認知的可觀察外顯軌跡，以 Bloom 認知層次自動分類， 讓思考歷程成為看得見的過程訊號。研究測量的是提問反映的認知需求（cognitive demand）， 而非學習成效本身——這條解讀界線在論文中明確聲明。

主要發現

• 跨四所大學、兩學期、116 門課程、逾 60,000 則學生訊息的分析顯示，約 62% 的提問反映高階認知需求（聚合層次）。
• 學科各有認知投入側寫：STEM 課程以 Apply（應用）最突出、語言課程以 Understand（理解）為主、社會科學課程以 Create（創造）最突出。
• 同一位學生，換了學科就換了型態：受試者內比較顯示，同一批學生在社會科學課程的高階提問比例顯著高於其在 STEM 課程的表現，且在兩個獨立學期樣本中方向一致。
• 混合效應模型顯示課程層變異遠大於學生層變異——認知投入型態是學科情境相關的，不是固定的個人互動風格。

「對話即學習」與 Uedu

「對話即學習」是 Uedu 平台的核心觀點之一：AI 助教的價值不只在回答問題， 更在於讓每一次提問都留下可分析的認知軌跡。本篇期刊論文為此理念提供了經同儕審查的實證基礎， 也與本團隊發表於 ACM Learning @ Scale 2026 的 〈AI Teaching Assistants at Scale〉（最佳論文入圍） 構成同一研究路線的姊妹篇。

延伸閱讀：論文介紹與對應的 Uedu 功能 ｜研究路線總覽 — Educational Omics