有時候，一堂課結束得很熱鬧。學生做出作品、報告很順利、AI 的回答又快又完整。老師看著成果，多少會有一種「這堂課好像很成功」的感覺。
但我越來越想多問一句：我們看到的是作品完成了，還是學生真的學會了？
這是《教育實踐週報》第三期。本週讀到的十則研究，橫跨 SEL、PBL、AI 教育；看似談不同工具與能力，卻共同提醒我：好教學除了需要設計學習歷程，更需要知道自己正在看見什麼證據。
上一期談「有結構的自主」，這期想更往前走一步：當學生開始自主，我們如何判斷學習真的發生，而不是只有任務被完成？
01｜SEL 不只有「學生會不會調節」，也關乎他在什麼樣的班級裡學習
10 月 6 日刊出的一項研究，使用近三萬名 15 歲學生與數百所學校的 OECD 資料，發現社會情緒技能不只可以分析個人，也可以辨識學校層級的組型。較好的歸屬感、合作氛圍、師生關係與較少霸凌經驗，和較適應性的技能組型同時出現。
這不是一項介入實驗，所以不能說「讓班級氣氛變好，就一定會讓 SEL 分數上升」。但它提醒我們，SEL 不應只停在「請學生學會情緒調節」。學生是否願意求助、能否與同儕合作、會不會因擔心被嘲笑而選擇沉默，本來就是學習環境的一部分。
同一週另一項大型研究，分析 PISA 2015 的 387,107 名學生與 51 個國家／經濟體資料，發現考試焦慮和成績的負向關聯，也不是對每個社經資源條件的學生都一樣。這是觀察性次級分析，不能當成介入效果，也不能把 2015 年資料當成當下學生的實況。這再次提醒我：輔導與班級支持不能只靠一套標準話術，更不能把家庭背景當成判斷一個學生的依據。
更值得教師群體一起讀的，是一項 65 篇研究的統合分析：教師與學生社會情緒能力有中度正相關，但研究異質、無法排除出版偏誤，整合的是關聯，不能直接宣稱教師 SEL 介入造成學生能力提升。也就是說，SEL 值得從「學生的作業」擴展到「老師遇到衝突時如何回應」。
下次共備時，也許可以不先討論新的 SEL 活動，而是先挑一段真實班級衝突，試著練習「辨識情緒—說出選擇—回應需求—修復關係」。
02｜PBL 的真正難題，不只是把作品做出來
這期南非社區專題研究分析 31 個國中小的公民行動作品：學生面對的不是一張可以照表完成的學習單，而是社區糧食、公共安全與環境永續等問題。作品呈現系統思考、解方設計、社區參與與反思。
但因為分析的是被遴選、受肯定的作品，我們不能直接宣稱「做 PBL 一定會產生這些能力」。即便如此，它仍提出一個對教學現場很有用的設計問題：學生是否真的需要面對別人的需求與證據，還是只要把自己的想法排進簡報？
另一篇工程教育研究，更直接把專題評量拆成多種證據。這是摩洛哥單一高等教育工程學程的案例，不是隨機對照試驗，也不能直接推論為國中 PBL 的成效。它結合知識測驗、專題成果、真實場域實習與不同關係人的回饋，提醒我們：每種證據看到的能力都不完全一樣。
這讓我想到校園節能 PBL。學生量了教室三個點的溫度、做出熱點圖，也使用 AI 幫忙整理資料。但如果最後只看一張漂亮的提案海報，我們會錯過很多資訊：測量位置合理嗎？數據是誰整理的？哪一個解法有證據？學生能不能回答反對意見？
本期另一項哈薩克特殊教育師培研究，整理 76 名師培生與 11 位教授的經驗，也讓專題的價值回到教師專業準備。不過它採便利取樣與量化支持的質性設計，不能當成 PBL 提升中學生表現的成效實驗。
所以我會更想用三種證據交叉看：學生自己的概念理解、團隊的探究過程，以及面對新情境時的口頭說明。
03｜AI 帳號的普及，不等於 AI 學習正在發生
10 月 8 日刊出的一項跨國調查，分析 166 個國家、超過一萬四千名電腦科學學習者。研究者區分了兩件不同的事：你平常會不會用生成式 AI？以及你是否真的把它轉成學習用途？
研究指出，使用者很多，但「從接觸工具轉成學習使用」本身就是一道門檻。這是電腦科學學習者自選參與的橫斷自陳調查，不能代表所有中小學生，也不能用來斷言 AI 的學習效果。原文部分表格與正文數字不一致，因此這裡不推算「多少人拿 AI 學習」，而保留使用與學習用途需要區分的提醒；卻很適合提醒我們，不要再把「學生使用 AI 的次數」當成 AI 素養的主要指標。
同一週巴基斯坦一所中學的 12 週口說實驗，提供另一種證據：50 名九年級女生以抽籤隨機分組，透過 ChatGPT 語音與文字對話反覆練習，AI 組在多項口說表現上較佳。正向結果觀察於整套練習、回饋及教師引導設計，無法拆分各成分效果。
這項研究的前後測也使用 ChatGPT Voice Mode，採 AI 與語言專家協作評量；專家對分組盲化，但不是完全獨立的真人測驗。單一學校、全女生的小樣本與缺乏長期追蹤，也限制了結果的推廣。對我而言，值得帶走的是反覆練習、回饋與表現測量的安排。
還有一篇越南英語聽力研究，讓 AI 不直接在學生答題時插手，而是在正式聽力前提供內容相關的閱讀、聲音或影音引導。這是 35 名越南學習者的受試者內準實驗，三種方式都優於單純先教字彙表，但彼此未見明顯差異；沒有延宕測驗，不能據此推論長期保留效果。
這讓 AI 的位置變得更清楚：它不一定需要站在學習的正中央。AI 可以在任務開始前提供情境，在任務中追問理由，在任務後協助比較差異。重點仍是學生究竟做了什麼認知工作。
04｜讓 AI 成為專題的反思教練，而不是替學生寫研究的人
一篇 10 月 7 日刊出的美國高中設計報告，介紹研究者如何依據學校的專題規準、社區實習要求、自我調節與反思理論，設計一個 AI 對話工具。
它的角色不是回答學生「最好的專題題目是什麼」，而是持續追問：你的目標是什麼？目前進度如何？遇到什麼困難？下一個可以驗證的步驟是什麼？
但要注意，這篇不是證明學生分數顯著進步的隨機實驗。它提供的是設計原理與可行經驗，還有未成年資料隱私、模型錯誤和教師最終決策的提醒。
我覺得這個限制反而有價值。當我們把 AI 放進研究法或專題課時，先不用期待它能直接創造成效。可以先設計清楚的工作角色，並檢查學生是否真的因此留下比較完整的問題定義、蒐證紀錄與修正理由。
本週最值得帶回教室的 3 個做法
第一個：證據三角。 一堂專題課至少保留三種證據：個人的概念理解、分組的探究歷程、跨情境的轉移答辯。漂亮作品是成果，不是唯一的學習證據。
第二個：AI 認知工作紀錄。 不要只繳交 Prompt 或截圖，改成五步：原本判斷 → AI 提供／追問 → 外部證據 → 我修改了什麼 → 最後決策與理由。我們要看的是學生怎麼修正思考。
第三個：SEL 個人 × 班級雙層觀察。 學生自己的情緒覺察與調節是一層；班級裡的歸屬感、互助、衝突修復則是另一層。兩者都值得被理解，但都不應成為貼標籤或公開排名的工具。班級環境觀察可匿名彙整，個人紀錄則用來支持學生。
與我的教學現場最直接的連結
以下是我想帶回課堂的設計方向，仍需要在實作中檢查與修正。
- 國二 Arduino × AI PBL： 我會用證據三角檢查概念理解、探究歷程與個人貢獻，再用新情境答辯看學生能否轉移所學；評量不只看產品能不能動。
- 高一／高二自主學習與研究法： 我會在 Research Log 加入「原本判斷 → AI 提供／追問 → 外部證據 → 我修改了什麼 → 最後決策與理由」，讓研究問題與方法的修正有跡可循。
- SEL／輔導課： 除了個人的情緒覺察與調節，我會匿名彙整班級歸屬、互助與衝突修復的觀察，作為調整環境與支持學生的線索。
- AI 社團： 我會把查證、拒絕不適合的建議、修正與說明理由列為任務評量點，讓生成的作品和學生自己的判斷都能被看見。
第三期疊上去之後，我看到的是一條越來越清楚的線
Issue 001 問：學生真正經歷了什麼？
Issue 002 問：怎樣的結構可以支持學生逐步自主？
Issue 003 再往前問：有什麼證據，讓我們知道那些經驗真的變成了能力？
這三個問題，我想不只適用在 AI 教育，也適用在 SEL、PBL、自主學習、研究法，甚至是一場與學生的輔導對話。
我們不一定需要更多工具；但每設計一次新的學習經驗，都應該多一點可以被看見、被檢查，也能讓自己下次重新修正的證據。
本期研究來源（10 則原始研究）
- Wang & King（2026）。*Students and schools have distinct configurations of socio-emotional skills*. https://doi.org/10.1007/s11218-026-10270-6
- Cai, Wang & King（2026）。*Is test anxiety bad for everyone’s academic performance?* https://doi.org/10.1007/s11218-026-10284-0
- Nguyen et al.（2026）。*Relations between Teachers’ and Students’ Social-emotional Competence*. https://doi.org/10.1007/s10648-026-10218-4
- Osman, Sigenu & du Plessis（2026）。*Exploring civic learning and sustainability competencies in school community projects*. https://doi.org/10.1007/s44217-026-02245-8
- Barkaoui et al.（2026）。*An integrated assessment framework for competency-based engineering education*. https://doi.org/10.1007/s44217-026-02069-6
- Mamadaliyev et al.（2026）。*Project-based learning technologies and the professional preparation of special education teachers in Kazakhstan*. https://doi.org/10.3389/feduc.2026.1935048
- Nageen et al.（2026）。*Integration of ChatGPT to enhance English speaking skills among secondary school students in Pakistan*. https://doi.org/10.1007/s44217-026-02278-z
- Achuthan（2026）。*The access–conversion gap across countries: how generative AI adoption exceeds learning use*. https://doi.org/10.3389/feduc.2026.1946943
- Vu & Vu（2026）。*Optimizing pre-listening activities with AI-assisted priming for L2 listening comprehension*. https://doi.org/10.1007/s44217-026-02256-5
- Tawfik et al.（2026）。*Reimagining Inquiry Through AI: Emerging Technologies for Scalable Complex Problem-Solving*. https://doi.org/10.1007/s10758-026-10034-3
本期選讀 10 則研究：8 篇於 10 月 3–8 日刊出，另 2 篇於 10 月 1–2 日刊出。教室做法是我依研究整理的教學轉譯，並非十篇研究共同驗證的單一介入。