賀！Uedu「對話即學習（Chat as Learning）」研究獲國際期刊《Computers and Education: Artificial Intelligence》接受

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）與李奎皓老師 共同發表的論文 〈Chat as Learning: Student–AI Conversations as Discipline-Associated Cognitive Engagement Patterns〉， 獲《Computers and Education: Artificial Intelligence》（Elsevier）接受， 並已於 2026 年正式刊出（DOI: 10.1016/j.caeai.2026.100644）。該刊為教育類別全球排名第二的國際同儕審查期刊—— 影響係數（Impact Factor）23.4、CiteScore 43.3，開放取用（Open Access）， 專門收錄人工智慧在教育應用上的研究。

這篇論文在探討什麼

生成式 AI 教學助理已快速進入高等教育，但學生與 AI 的對話究竟是真實的認知投入，還是只是資訊檢索？ 本研究以張家凱助理教授自主研發、跨校採用的 Uedu 優學院之 ClassroomGPT 為場域， 提出「對話即學習（Chat as Learning）」測量典範：把學生對 AI 的每一次提問， 視為進行中學習認知的可觀察外顯軌跡，以 Bloom 認知層次自動分類， 讓思考歷程成為看得見的過程訊號。研究測量的是提問反映的認知需求（cognitive demand）， 而非學習成效本身——這條解讀界線在論文中明確聲明。

主要發現

• 跨四所大學、兩學期、116 門課程、逾 60,000 則學生訊息的分析顯示，約 62% 的提問反映高階認知需求（聚合層次）。
• 學科各有認知投入側寫：STEM 課程以 Apply（應用）最突出、語言課程以 Understand（理解）為主、社會科學課程以 Create（創造）最突出。
• 同一位學生，換了學科就換了型態：受試者內比較顯示，同一批學生在社會科學課程的高階提問比例顯著高於其在 STEM 課程的表現，且在兩個獨立學期樣本中方向一致。
• 混合效應模型顯示課程層變異遠大於學生層變異——認知投入型態是學科情境相關的，不是固定的個人互動風格。

「對話即學習」與 Uedu

「對話即學習」是 Uedu 平台的核心觀點之一：AI 助教的價值不只在回答問題， 更在於讓每一次提問都留下可分析的認知軌跡。本篇期刊論文為此理念提供了經同儕審查的實證基礎， 也與本團隊發表於 ACM Learning @ Scale 2026 的 〈AI Teaching Assistants at Scale〉（最佳論文入圍） 構成同一研究路線的姊妹篇。

延伸閱讀：論文介紹與對應的 Uedu 功能 ｜研究路線總覽 — Educational Omics