Python 課程中對話焦點與學習體驗之相關分析

教學問題

在 AI 輔助學習環境中，學生與語言模型的互動方式千差萬別。 有些學生會針對同一個主題持續深入提問，形成有深度的學習歷程； 有些學生則會跨越多個主題發散式地提問，展現廣度的知識探索。 然而，現有研究多聚焦於「AI 對學習成效的好處」或「AI 回應的品質」， 鮮少從學生提問模式的角度進行量化分析。

更關鍵的問題是：學生提問的深度與發散度， 與其學習成效之間究竟存在什麼樣的關聯？ 這些提問模式如何影響內在動機、專案應用、知識遷移與自主學習？

研究方法

本研究收集了 Python 程式設計課程中學生與 UeduGPTs 的完整對話紀錄， 並提出一套創新的計算框架來量化提問模式：

• 語意向量化：使用 OpenAI embedding 模型將每一則學生提問轉換為 1,536 維語意向量， 程式碼內容先經過文字描述轉換層處理
• 核心主題向量：透過加權平均演算法從對話集合中萃取核心語意向量， 並以餘弦相似度進行資料庫檢索以獲得可解釋的語意代理
• 語意發散度指標 D_PR：運用主成分分析（PCA）萃取語意變異的主軸， 計算達到 90% 解釋變異量所需的最小主成分數量。 D_PR 值越高代表提問越發散，越低則越集中

研究進一步將學生依提問數量分為低提問組（N < 25）與高提問組（N > 25）， 透過 Pearson 相關分析與迴歸分析，探討語意發散度與四個學習心理指標的關聯。

主要發現

語意發散度對不同學習面向展現出差異化的影響，而非單一方向的效應：

• 內在動機（正相關）： 低提問組 r = 0.61, p < 0.001；高提問組 r = 0.35, p = 0.029。 多元提問有助於維持學習興趣與投入度
• 專案應用成效（正相關）： 高提問組 r = 0.41, p = 0.014。 跨角度的探索促進了課程內容整合到專案實踐的能力
• 知識遷移（負相關）： 低提問組 r = -0.31, p = 0.066；高提問組 r = -0.35, p = 0.057。 過度的發散可能阻礙知識的跨情境整合與應用
• 自主學習（條件式雙向）： 低提問組負相關 r = -0.33, p = 0.048（少量提問時發散降低專注力）； 高提問組正相關 r = 0.34, p = 0.027（充足提問下發散促進自主探索）

對教學的啟示

本研究揭示了語意發散度在學習過程中的雙重角色： 它既能擴展學習的廣度與參與度，同時也為知識整合帶來挑戰。 這意味著 AI 助教的引導策略不應一刀切 — 對於提問量較少的學生，應鼓勵聚焦深入； 對於提問量較多的學生，適度的發散探索反而有益。

此研究的 D_PR 指標為教師提供了一個可量化的工具， 用以分析學生的提問策略，進而設計更具針對性的 AI 輔助教學策略。 未來，這個指標可以整合到 AI 助教系統中， 根據學生的提問模式自動調整引導方式，在廣度與深度之間取得平衡。