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 共同發表的論文 〈AI Teaching Assistants at Scale: Cross-Disciplinary Patterns of Adoption and Cognitive Engagement Across Hundreds of University Courses〉， 入圍 ACM Learning @ Scale 2026（L@S 2026）最佳論文，為本屆四篇入圍作品之一。
ACM Learning @ Scale 2026 · Full Paper · 最佳論文入圍
大規模 AI 助教：跨學科採用模式與數百門大學課程的認知投入分析
AI Teaching Assistants at Scale: Cross-Disciplinary Patterns of Adoption and Cognitive Engagement Across Hundreds of University Courses
Chia-Kai Chang and Kuei-Hao Li · DOI: 10.1145/3774398.3811596
本研究以張家凱助理教授自主研發、目前已由跨校教師與學生採用的 Uedu 優學院為基礎， 聚焦其 ClassroomGPT AI 助教在真實大學課堂的大規模部署，橫跨數百門不同學科的課程， 系統性分析學生對 AI 助教的採用模式（adoption）與認知投入（cognitive engagement）， 並比較不同學科之間的差異。這也是 Uedu 在「AI 助教規模化實證」路線上的代表性論文。
ACM Learning @ Scale 是大規模學習（Learning at Scale）領域的頂尖國際會議之一。本屆最佳論文入圍名單於 Festival of Learning 2026（由 ACM L@S、AIED、EDM 三大會聯合舉辦）的頒獎酒會公布， 本論文與來自 Cornell、Georgia Tech 等國際頂尖團隊的研究並列於四篇入圍名單之中。 最終得獎名單將於 2026 年 7 月 3 日（週五）閉幕典禮公布。
ACM L@S 2026 最佳論文入圍名單由下列四篇作品並列，涵蓋寫作回饋、AI 依賴行為、AI 助教規模化部署與招生歷程預測等主題。 以下依大會公布順序整理各篇的作者、所屬機構與研究摘要（摘要為編輯整理自各篇原文，完整內容以論文為準），供延伸閱讀：
維也納大學（University of Vienna）、德國 IPN 萊布尼茲科學暨數學教育研究所（Leibniz Institute for Science and Mathematics Education, Kiel）與康乃爾大學（Cornell University）等跨國團隊
Comparing Teacher and AI-Generated Feedback in the Writing Classroom: Experimental Results from Secondary School Classrooms
Jennifer Meyer, Marlene Steinbach, Ronja Schiller, Ute Mertens, Nils-Jonathan Schaller, Andrea Horbach, Johanna Fleckenstein, Olaf Köller, Rene F. Kizilcec, Thorben Jansen
摘要：在真實的中學英語作為外語（EFL）寫作課堂中（N＝391），比較教師手寫回饋與 AI（大型語言模型）生成回饋——並區分「延遲」與「即時」兩種 AI 回饋——對學生修改作文、後續寫作表現與回饋感受的影響，並輔以貝氏分析。結果顯示：教師回饋在少數指標上略占優勢但未達統計或實務顯著；即時 AI 回饋則帶來更正向的「有用性」與「學習動機」感受。作者主張 AI 回饋的主要教育價值不在於「勝過教師」，而在於重新分配教學心力，凸顯「人機混合回饋」的潛力。（ACM 論文）
美國密西根大學（University of Michigan）、韓國 KAIST 與香港科技大學（HKUST）團隊
RelianceScope: An Analytical Framework for Examining Students' Reliance on Generative AI Chatbots in Problem Solving
Hyoungwook Jin, Minju Yoo, Jieun Han, Zixin Chen, So-Yeon Ahn, Xu Wang
摘要：提出 RelianceScope 分析框架，將學生對生成式 AI 聊天機器人的「依賴」拆解為「求助（help-seeking）」與「回應運用（response-use）」兩個行為面向的主動／被動組合，共九種樣態，並結合學生先備知識的脈絡分析。以某程式設計課 79 名大學生的對話與程式編修紀錄實證，發現主動求助多與主動運用回應相伴出現，並示範大型語言模型可可靠偵測此類依賴行為，為 AI 輔助學習系統的設計提供依據。（ACM 論文） （arXiv 預印本）
★ 本團隊入圍作品 · 國立中央大學 × 國立清華大學
AI Teaching Assistants at Scale: Cross-Disciplinary Patterns of Adoption and Cognitive Engagement Across Hundreds of University Courses
Chia-Kai Chang（張家凱）, Kuei-Hao Li（李奎皓）
摘要：以 Uedu 優學院的 ClassroomGPT AI 助教在真實大學課堂的大規模部署為基礎（四所大學、四學期、逾 2,400 名使用者、逾 25 萬則對話），橫跨數百門不同學科課程，以 Bloom 認知層次的自動化分類分析學生的採用模式（adoption）與認知投入（cognitive engagement）。研究發現：在一門程式設計課中，高階認知互動比例從第 1 週的 32% 逐步升至第 16 週的 80%（強單調趨勢 ρ＝.884）；且互動頻率（而非認知深度）較能預測筆試表現，凸顯評量設計與認知投入對齊的重要性。（ACM 論文）
美國喬治亞理工學院（Georgia Institute of Technology）
Multistage Modeling from Application Signals to Downstream Success: Predicting Admission, Matriculation, and Retention
David A. Joyner, Alex Simon Duncan
摘要：以某線上研究所計算課程逾 5 萬名申請者的行政資料，將學生歷程拆解為「錄取 → 註冊 → 留存」三個階段分別建模，結合結構化申請屬性與自述文字特徵（TF-IDF）。研究發現申請特徵可有效區辨錄取與註冊決策，但長期學業成功幾乎無法由申請資料預測，加入第一學期學業表現後才大幅提升，凸顯第一學期學業動能對留存的關鍵作用。（ACM 論文）
完整名單與論文全文請見 ACM Learning @ Scale 2026 會議論文集。