雙角色 Agentic AI 作為 AI 講師與教學助理：對大學英語（EFL）學習者自主性、自我調節學習與內在動機的影響

研究問題

以大型語言模型（LLM）為核心的 Agentic AI 正快速進入大學英語教育，但它究竟「支持」還是「取代」了學習者的自主性，至今缺乏實證。 本研究聚焦三個缺口：多數 AI 輔助語言學習研究只探討單一功能工具，而非同時扮演教學者與鷹架夥伴的雙角色設計； 自我決定理論（SDT）與維高斯基鄰近發展區（ZPD）雖常被援引，卻少有研究真正驗證「鷹架漸退」能否在 LLM 環境中實現； 以及在績效導向與自主導向並存的華人儒家文化情境下，Agentic AI 能否促進自主學習行為，尚未被檢驗。

研究方法

一項為期 16 週的準實驗（前測—後測非等組對照設計），參與者為北台灣某綜合大學 120 名 B1 程度的大學生 （實驗組 60 人、對照組 60 人，採完整班級分派、同一位授課教師、相同課綱與評量標準）。 實驗組使用部署於 Uedu.tw 的雙角色 Agentic AI：AI 講師提供結構化英語輸入並發起蘇格拉底式提問， AI 教學助理以漸進式提示鷹架（反思提問 → 概念線索 → 最後才給範例）回應， 並以提示架構層級的「蘇格拉底護欄」阻止直接給答案；鷹架採演算法式漸退（隨每週表現提升而降低提示具體度）。 對照組使用相同平台但停用 Agentic AI 功能。以 ANCOVA（前測分數為共變量）分析學習者自主性（LAS）、 自我調節學習策略（MSLQ）與內在動機（L2MSS）；另於學習者層級分析 6,235 則 AI 教學助理對話的提問型態變化。 本研究經國立臺灣大學研究倫理委員會核准（NTU-REC，案號 202507EM058）。

主要發現

• 三項成果同向提升：實驗組在學習者自主性、SRL 策略與內在 L2 動機上的進步顯著大於對照組（partial η² 分別為 .247、.215、.183，屬大效果量）。
• 內外動機分離：外在目標導向則無組間差異——此「內在動機提升、外在不變」的分離型態與 SDT 對自主性／受控性動機調節的區分一致，難以用單純的新奇效應解釋（新奇效應應會一致地拉高所有動機指標）。
• 看得見的提問轉變：90.0%（54／60）實驗組學習者的提問，在四個時段中單調地從「求答案」轉向「求闡述／後設認知」型態；整體語料由第 1–4 週的 71.3% 求答案，移動到第 13–16 週的 28.9% 求答案。
• 三個質性主題：16 次訪談浮現「自定步調的能動感」、「適應性回饋作為 ZPD 鷹架」、以及未被原始 SDT–ZPD 框架預期的「情感安全與關係溫度」。

對教學的啟示與正確解讀

本研究的價值不只在效果量，更在於審慎的解讀界線——這也是 Uedu 一貫的研究紀律：

• 效果不能單獨歸因於 AI 系統：組間對比同時混淆了「AI 取用」與「任務形式」（蘇格拉底對話 vs. 開放式寫作），觀察到的效果反映的是「AI 支持的整體情境」，而非 AI 系統本身的孤立作用。
• 提問轉變是描述性軌跡，不等於內化：90% 的單調轉移是一種看得見的行為樣態，但可能來自介面熟悉度、對蘇格拉底回應風格的反覆接觸、或各時段任務難度不一；不應逕讀為已內化的自我調節。
• 「使用技術時」≠「移除技術後」：本研究記錄的是學習者在 AI 鷹架環境中的行為與自陳；這些成果能否在鷹架撤除後留存，是並行設計無法回答的。作者稱之為「自主性—易取得性悖論」：讓 AI 支持有效的設計特性（即時可得、適應校準、無摩擦），可能同時削弱了內化自我調節所需的「有益的認知掙扎」。
• 對設計與後續研究的啟示：AI 自主性模型應納入「鷹架撤除」的時間維度；未來研究應加入延遲、無鷹架的後測，並把「漸進式 AI 撤除協定」視為與課堂內鷹架漸退並重的一級教學問題。