AI 應該讓閱讀更深入,而不是讓學生跳過原文。開啟聊天機器人前,先寫一段簡短摘要,找出作者的核心論點,再列出兩個針對文章的問題。
接著可以詢問:
AI 可以協助提出搜尋關鍵字、相關概念和可能的資料線索,但不應被當成資料庫。所有重要主張都要回到原始出版物核實,尤其是引文、參考資料、統計數字和技術細節。
比較兩篇文章時,AI 也可以先製作比較表;不過每一格都應由學生依照原文填寫和核對。研究紀錄則應清楚分開:
討論結束後,關閉 AI,憑記憶寫出作者的論證,並補上一項限制或尚未解決的問題。如果做不到,代表你可能繞過了閱讀,而不是深化了閱讀。
可以使用以下提示:
圖表應由學生自己繪製,因果鏈應由學生自己說明,預測也應由學生先作出。AI 接著可以追問極端情況、揭露誤解並提出反例。最後的檢驗,是在沒有參考 AI 回應的情況下,向一位想像中的初學者解釋整個概念。
在程式設計中,AI 適合擔任程式碼審查者、除錯者和測試夥伴。先自行寫出第一版,再請 AI 協助定位問題,而不是直接替換整份程式。
可以嘗試:
收到提示後,應由學生自己實作修正、執行測試,並解釋為什麼這項改動有效。接著改變一項需求,再在不要求 AI 重新產生全部程式的情況下,獨立修改程式。
一項實用標準是:學生應能解釋提交的每一行程式碼、重現錯誤、說明修正理由,並寫出至少一項不是由 AI 提供的測試。
新加坡教育部表示,學生學習空間(Student Learning Space,SLS)中的 AI 工具,是透過提問、鷹架支援和回饋來支持學習,而不是直接給出答案。 Learning Assistant(LEA)可以扮演不同角色,包括寫作助理,並透過反覆提問協助學生加深理解。
這種設計示範了一項重要原則:學生的回應才是學習活動的核心。AI 不急著完成任務,而是提出下一條問題、指出理解上的缺口,或要求學生澄清,從而製造有助思考的阻力。
新加坡科技設計大學(SUTD)的 Feynman Bot,則把類似模式應用在概念學習上。學生上傳學習材料、選擇合適程度,接著解釋主題,由機器人根據弱點提出適應性問題。相關報道提到,使用者大約有三、四次機會回答「不知道」,之後機器人會提出一個可行方向,再根據弱點設計新問題。 相關研究則將這個機器人描述為把費曼學習法實作到自我調節學習情境中的 AI 工具。
重點不是每一個 AI 導師都必須無限期拒絕回答,而是工具應延遲「直接完成」的時間,讓學習者先嘗試、解釋,並正面面對理解上的缺口。
學生、教師和學校可以採用一些簡單界線:
學生應提供最初的思考、作出重要判斷,並產出最後的解釋;AI 則提供問題、反對意見、替代詮釋、測試和回饋。反覆進行「嘗試、比較、批判、修訂、解釋」的循環,才會把 AI 協助轉化為持久的學習,而不是把思考外包出去。