人工智慧&電腦、資料科學 人機互動 

LLM與學生的人機互動：對於「能供性」的看法

CASE PRESS , ,
分享至

ChatGPT在2022年底發布之後，讓學界及教育界的研究者們及教師都展開了關於大語言模型(LLMs)的相關研究。不少研究也開始將大語言模型應用到教育現場的應用當中，而LLMs所帶來的即時回饋、個人化學習等等，也為教育科技帶來了新的技術進展。

來源：MotionElements

 

教師開始使用LLM介入教學，學生的感受如何？

由於不少研究專注於教學者面的內容創造以及評估或是當前對於學習者使用LLM進行語言學習時，語言能力的提升、學習行為或是學習動機等等層面，Li等人 (2025) 便針對學習者如何感知及如何與科技進行互動的角度為出發點，來歸納學習者對於LLM應用程式的「能供性 (affordance)」的看法，如此一來，才可能可以設計出能讓使用者滿意度提升的學習工具。

「能供性」指的是物體呈現出它能如何被使用的屬性，或者也可說是環境中呈現給人的行動的可能，例如雨傘傘柄是彎的，我們很容易就可以聯想到它可以成為一個鈎子，鈎在我們想鈎的地方。以LLM為例，由於LLM可以用很高的正確率處理人類語言，所以LLM給人們最直觀的能供性就是可以從語言學習的角度切入或者可以進行翻譯、文章摘要等等類型的任務。

 

利用「Q研究法」探討主觀的「能供性」

「Q研究法 (Q methodology)」是一種可系統性的解釋人們主觀性感覺的研究方法，混合了質性與量化的研究方式，它利用了幾句陳述句來衡量受訪者對於研究主題的態度。在Li等人 (2025) 的研究中，則是先發展一組關於LLM應用程式在語言學習方面的能供性相關的陳述，而他們首先寫了200句陳述句後，經由專家檢核，刪除重複的、高度相關的句子，最後留下了41句陳述，符合一般設定Q研究法的陳述句需要40至80句的需求。

接著，Q研究法所要進行的步驟是「Q分類 (Q sorting)」，Li等人 (2025) 的研究共邀集了26位大學生，各有不同的主修，涵蓋文科到理工科，並且也擁有不同的外語程度。受訪者使用「EQ Web Sort」(Banasick, 2024) 來進行Q分類，這是一個可以在網路上操作Q分類的軟體，針對這41個敘述，從「最同意 (+5)」到「最不同意 (-5)」，需要分別填入一個強迫選擇的空格中，這樣可以確保受訪者有揭露出他們的主觀看法。

填完Q分類之後，受訪者還需要回答一個開放性問題，描述他們如何決定那些敘述的排序，最後，再以線上會議進行一對一的半結構化訪談，訪談時間大約8到20分鐘，以確認他們針對各項敘述的看法。在進行資料分析時，由於每項敘述都有得分，所以就像是進行量化研究一樣，得以進行主成分分析 (principal component analysis, PCA)。而Li等人 (2025) 的研究則是將41個敘述分出了三個因素，找到了三類型學習者對於LLM應用程式在語言學習方面的觀點。

 

「謹慎懷疑者」、「熱情擁抱者」以及「保守採納者」

Li等人 (2025) 的研究分出了三種觀點，「謹慎懷疑者 (Prudent skeptics)」認為LLM缺發了人性的元素，他們相信LLM終究缺乏同理心或是真人教師所能給予的理解，他們也不認為LLM能夠理解跨文化差異。LLM應只能作為輔助工具，不能過度依賴讓自己的思考退化。

「熱情擁抱者 (Enthusiastic embracers)」則是充滿樂觀，他們強烈地相信LLM可以用來推薦學習教材、刺激語言學習的興趣、進行寫作的腦力激盪、促進翻譯練習或者生成更多客製化的學習素材等等。在訪談的時候，這類型的學習者也會分享他們使用並感知能供性方面的有趣經驗，例如，有使用者分享，他會把所有模擬考的試題給AI之後，再請AI生成新的考題讓他練習。

「保守採納者 (conservative adopters)」雖然像熱情擁抱者一樣會使用LLM來進行相關的學習，但是他們仍然也認為，LLM所生成的內容，可能會有錯誤，甚至也擔心他們會產生刻板印象或是文化上的誤解。此外，這類型的人對於LLM本身的訓練資料，或者是使用者下提示詞 (prompt) 的方法，也較有自己的一套見解，因此對LLM應用程式的效果保持懷疑態度。

 

從學習者感知的能供性提供LLM的開發建議

以上三種類型的學習者都認為LLM對於教師備課而言是很有幫助的，而若是要考量學習者以及在設計方面的調整，例如，為了減輕謹慎懷疑者的疑慮，可以多開發LLM在問題解決、創造力以及批判式思考的功能。

而從熱情擁抱者的觀點來看，也發現到LLM可以更加強開發能適應個體差異的輔助功能，可以讓使用者更動態且彈性的進行互動。而針對保守採納者，可以加強提示詞的優化，例如在使用者輸入提示詞之後，程式在內部進行若干修飾與改動等等。

最後Li等人 (2025) 提醒，雖然Q研究法已被認為是一個很穩定的分析方法，但是受限於受訪者，對於研究的普遍性而言，還是需要小心解讀。不過，該研究還是分出了三種不同類型的使用者，並且系統性地歸納了他們對於使用LLM進行語言學習的觀點，如此一來，針對該類型的LLM應用程式的開發，仍然相當具有助益。

 

參考文獻

  1. Li, K., Lun, L. & Hu, P. Exploring student perceptions of language learning affordances of Large Language Models: A Q methodology study. Educ Inf Technol (2025). 
  2. 楊嘉玲、陳美伶（2001），Q研究法之簡介，長庚護理，12(2)，144-153。
  3. Banasick, S. (2024). EQ Web Sort (Version 6.0.0) [Computer software]. 
(Visited 22 times, 1 visits today)

分享至
views