English  |  正體中文  |  简体中文  |  全文筆數/總筆數 : 82005/82005 (100%)
造訪人次 : 53220810      線上人數 : 997
RC Version 7.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧:
  • 您可在西文檢索詞彙前後加上"雙引號",以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋,建議至進階搜尋限定作者欄位,可獲得較完整資料
  • 進階搜尋


    請使用永久網址來引用或連結此文件: https://ir.lib.ncu.edu.tw/handle/987654321/96992


    題名: 闡述式學習法的人工智慧多學習代理人設計;Artificial Intelligence Multiple Education Agents Design for Learning by Elaborating (Lbe)
    作者: 張立杰
    貢獻者: 國立中央大學學習與教學研究所
    關鍵詞: 生成式人工智慧;多教育代理人;闡述式學習法;大量輸入--內化--外顯;Google 雲端;開放人工智慧;Generative Pre-Trained Transformer;Multiple Educational Agents;Learning by Elaborating;Massive Input-Internalization-Externalization;Google Cloud;OpenAI
    日期: 2025-07-31
    上傳時間: 2025-08-07 17:23:33 (UTC+8)
    出版者: 國家科學及技術委員會(本會)
    摘要: 當前,生成式人工智慧領域的科技發展極為迅速,但如何將生成式人工智慧的技術應用在教育上,仍有許多討論的地方。緣此,研究者提出一個「闡述式學習法」,英文名稱為 Learning by Elaborating (縮寫為 LbE)。在LbE 學習法設計中,會有三個區間 (Zone)。分別為區間一:大量輸入 (Zone 1: Massive Input)、區間二:內化 (Zone 2: Internalization)、以及區間三:外顯 (Zone 3: Externalization)。其中,Zone 1是透過生成式人工智慧建構知識圖譜,搭配學生模型產生大量學生適合閱讀的材料;Zone 2則是採用Bruner (1961) 所提倡的發現學習法,進行發現學習材料後面的規則;Zone 3 則是透過對話方式,將發現的內容闡述 (elaborate) 給教育代理人進行論述,並獲得回饋。 目前的人工智慧設計,多半是強調如何跟 AI 互動,或是詢問 AI 問題解答等問答模式。這類的設計,是將 AI 定位為一個問題的解答者,或是提供者。但是如果從學習的角度而言,問題的解答者未必是一個好的學習設計,甚至是一個不好的學習設計。因為當把 AI 設定為一個問題的解答者,就會產生許多類似用 AI 來協助寫作業,使用 AI 會讓學生降低思考,或是 AI 是一本正經,胡說八道的回饋訊息等的疑慮。 透過本計畫,讓學習者經由闡述式學習法 (LbE),學生可以實施大量輸入、內化、外顯的過程,並與人工智慧支持的多教育代理人完成學科學習,提供人工智慧應用在學習與教學的新方法。
    關聯: 財團法人國家實驗研究院科技政策研究與資訊中心
    顯示於類別:[學習與教學研究所 ] 研究計畫

    文件中的檔案:

    檔案 描述 大小格式瀏覽次數
    index.html0KbHTML9檢視/開啟


    在NCUIR中所有的資料項目都受到原著作權保護.

    社群 sharing

    ::: Copyright National Central University. | 國立中央大學圖書館版權所有 | 收藏本站 | 設為首頁 | 最佳瀏覽畫面: 1024*768 | 建站日期:8-24-2009 :::
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 隱私權政策聲明