Gemini 教學研究有用嗎？英國 1,179 名學生試驗，為何小測進步卻未拉高總成績
Gemini 教學研究在英國1179名學生、四組支持安排中追蹤十週。解析真人逐則審核、94.7%草稿批准、即時改錯進步與Star Maths未見整體優勢，並分清義大利課堂觀察與隨機試驗。
Gemini 教學研究帶來一個值得學校仔細看的結果：AI 輔導能幫學生處理眼前的數學錯誤，卻還沒有在十週內帶出整體標準化測驗優勢。兩者同時成立，提醒我們不能只看聊天是否順暢就判斷學習。
Google 與 Eedi 在 2026 年 10 月 29 日公布擴大的英國課堂隨機試驗，涵蓋十所學校、一千一百七十九名學生。學生被分配到不同支持方式，研究一路追蹤即時改錯、小測與廣域測驗。
這裡的 AI 也不是讓學生單獨對著一個未受監督的聊天機器人。每一則 Gemini 草稿，都要先由真人教育者批准或改寫，才會送到學生眼前。
因此，研究回答的是有人把關的 AI 輔導在這套課堂安排下能做什麼，並沒有回答把老師拿掉會怎樣。批准率高，也不等於學生最後學會的比例。
義大利的另一項研究則觀察教師如何改變課堂活動，提供的是使用方式與自報感受的線索。它與英國隨機分組試驗的證據層次不同，不能把兩邊數字合成同一份成績單。
要讀懂這則教育新聞，得從英國試驗如何安排支持開始，再看學得更深與練得更廣為何會拉出不同結果。
Gemini 教學研究怎麼分組，誰在回覆學生
這項 AI 教學試驗比較四種支持安排，兩種 AI 組都保留真人教育者逐則審核。完整技術報告記載，研究在十所公立中學的五十八個班級進行，學生年齡十二至十五歲。
學生在同一班內被隨機分配，並在試驗期間維持自己的組別。隨機分組的用意，是減少研究者刻意把不同程度學生分進某一組，讓後續比較更有根據。
對照組使用 Eedi 既有的補救方式，包含教師設計的提示、影片與練習。另外一組由專家教師直接線上輔導，兩個 AI 組則分別拿到題目脈絡，以及額外的個人學習脈絡。
因此，這不是「有教學」對「完全沒有人幫忙」的比較。對照組本來就有針對錯誤設計的支持，真人組也是真人從頭寫回覆，不能把它誤稱為所有組都在改寫同一份 AI 答案。
十週的課堂活動，仍是原本數學課的一部分
學生每週約有三十至五十分鐘使用平台，研究追蹤十週課堂活動。連同假期與期末施測，整體跨越十二個日曆週，並非每天接受十週的一對一家教。
平台先用診斷題找出可能的錯誤概念。答錯後，學生才進入指定的補救或輔導，再獨立作答另一道同主題、不同數字或細節的題目，避免只重答剛才已經看過的題。
五十八位數學教育者輪流直接輔導與監督 AI 草稿。監督時可原樣批准、要求重新產生，或親自改寫，所以學生最後看到的內容，包含明確的人類把關。
這些條件讓 AI 教學成效具有可解釋範圍。評估對象是這套人機合作的課堂流程，而非沒有教師的通用聊天機器人。
94.7% 草稿原樣批准，反映的是教學材料品質
在這項 AI 教學安排中，真人批准比例用來觀察草稿能否符合教師要求，不能直接等同學生成績。報告中有九萬四千三百八十五份經教師作決定的草稿，其中百分之九十四點七未經修改就獲批准。
這個分母也有意義。模型總共產生約十一萬五千份草稿，但學生新訊息可能讓尚未檢查的舊草稿被替代，所以總產生量與真人作過決定的草稿數並不相同。
如果把批准率當作所有生成內容的正確率，就跳過了這些流程差異。它首先說明教師在即時監督時，多常願意原樣使用一份草稿，而不是給學生考試的分數。
研究者也回頭檢查內容與對話，部分先由模型協助標記，再由研究團隊覆核。這提供另一層檢查，但依然是原作者的研究流程，並非本站對全部對話重新評分。
有教師把關，不能推成不需要教師
草稿即使大致可靠，仍有一部分被重新生成或改寫。教師介入不只修數學錯誤，也可能調整語氣、引導方式，或讓已經理解的學生不必繼續留在對話裡。
這說明教學品質還包含節奏。多追問一次可能幫助學生確認理解，也可能讓已掌握內容的人覺得被拖住，因此不能只用對話越長來判斷支持越好。
報告也記錄，監督 AI 讓教師覺得撰寫訊息較省力，但同時追蹤多段對話仍有負擔。省下寫字的時間，不必然等於整體工作量下降，這也是 AI 教學安排需要實際觀察的地方。
所以，這項 AI 教學的批准比例可用來理解材料品質與監督工作，卻不能單獨回答是否應移除真人。草稿是否好用，還得再追到學生能否自己完成接續的題目。
眼前改錯與下一題有進步，為何總成績沒拉開
平台任務與中期小測顯示輔導的局部學習價值，廣域測驗卻未見 AI 整體優勢。它們量的是不同層次的學習，不需要把其中一種刪掉，才能讓研究結果看起來一致。
即時改錯指學生接受支持後，是否答對同主題的另一道診斷題。兩個 AI 組約為百分之五十六至五十七，真人組約百分之五十八，標準補救組約百分之四十三。
研究也看近遷移，也就是前一單元的支持能否幫助學生完成接著的新題。兩個 AI 組約百分之五十八，真人組約百分之五十九，標準補救組約百分之五十一。
這兩層結果支持有人輔導在眼前理解上的價值，也顯示受監督 AI 的表現接近真人組。但它們仍是平台內、與所學內容接近的指標，不能直接翻成所有數學能力提高相同比例。
小測與廣域測驗，各自回答不同問題
中期八題小測涵蓋各班前幾週學過的內容，個人脈絡 AI 組約百分之六十三點五，標準補救組約百分之五十九點六。不同組別優勢的證據強度有差，不能把每一項都描述成確定大勝。
Renaissance Star Maths 則涵蓋更廣的數學知識，由外部獨立施測與計分。兩個 AI 組相對標準補救組的整體效果，分別約負零點零一與正零點零二個標準差，區間都跨過零。
標準差在這裡是把成績差距放到共同尺度比較。區間跨零表示，這次資料尚未清楚支持整體優勢，也不能用一個微小的正數宣稱廣泛學習已改善。
深入一題，也會用掉原本可以練別題的時間
研究觀察到，AI 組十週完成的學習單元中位數是九十九，標準補救組是一百三十二。多輪對話深入處理一個錯誤，可能讓學生在固定上課時間內接觸較少主題。
但這是解釋結果的探索方向，並非已證明只要補足題數，標準化成績就一定提高。性別差異等後續分析也屬探索，不能直接拿來替每個學生分配不同工具。
這個差異提醒學校，AI 教學的深度與覆蓋範圍需要一起觀察。如果一個學生能說清楚原本的錯誤，卻長時間只停在同一小類題型，可能需要調整節奏，而非把其中一項指標當成唯一目標。
深度與覆蓋範圍可能有取捨，但研究尚未證明其中任何單一原因足以解釋全部差異。
個人化未增加優勢，先看這次系統做了什麼
兩種 AI 輔導的差異，是模型是否多拿到學生學習歷史，而非有沒有教師把關。題目脈絡組已經有當前題目、選項、正解，以及教育者對錯誤概念的說明。
個人脈絡組再加入過去表現、速度與常見錯誤。原本也打算帶入先前聊天摘要，但平台的技術問題使這部分無法跨工作階段保存，所以實際的個人化內容比設計時少了一部分。
這對 AI 教學很重要，因為「有個人化」不是只有一個開關。系統拿到哪些歷史、資料是否持續存在，以及模型有沒有把規劃用在後續教學，都會改變實際支持方式。
報告發現，個人脈絡讓模型的教學計畫更常提到學生過去表現，但沒有帶出清楚的額外學習優勢。寫出較個人化的計畫，與學生因此學得更好，還隔著實際互動。
學生等待回覆的時間也留下差異：個人脈絡 AI 組的中位數為十九秒，題目脈絡組是十六秒。這是包含實際輔導流程的學生等待，不應改成模型本身的固定運算速度。
因為更豐富的脈絡沒有在本次試驗中帶出清楚的額外成效，學校評估 AI 教學時，也要看新增資料與流程帶來什麼回報。資料越多、回覆越客製，仍需要對應的學習結果支持。
模型會更新，研究的適用範圍也要留下
試驗期間，系統也隨可用版本調整，從 Gemini 3.1 Pro 到 3 Flash，再到 3.5 Flash。因此，這份結果不是固定使用某一個最新模型、完全不變的單次比較。
這不會讓研究失去意義，卻影響可以下什麼結論。它更接近對一套會演進的 AI 教學系統進行課堂評估，不能只抽出其中一個型號，就把全部結果當作該型號的獨立能力。
截至公布時，報告的詳細附錄仍待整理發布。讀者可以使用已提供的方法與結果理解研究，也應保留原作者後續補充分析細節的空間。
因此，這次個人化未拉出額外優勢，不能推成所有個人化教學都沒有價值。它指出的是某種實作在這段期間的結果，與哪些設計仍需要改進。
義大利課堂觀察，補上教師如何用的另一種證據
義大利部分著重教師活動與感受，與英國隨機試驗回答的問題不同。Google 的兩地研究介紹提到，相關研究歷時一年，涵蓋三十一所學校與約一千六百名教師。
這部分的價值，在於觀察教師如何把 Gemini 放入課堂設計，例如更多創作或學生主導的活動。它沒有因為參與者人數很多，就自動變成與英國相同的隨機對照試驗。
AI 教學中的教師自報投入感與活動安排，可以幫學校了解接受度與教法改變。但自報較投入，不等於學生標準化測驗提高，也無法只靠前後差異排除其他影響。
原公告連結的 CNOS-FAP 報告介紹，涵蓋的是範圍更大的整體計畫，與三十一校子研究的口徑不同。因此，不能把整體計畫觸及的人數，直接加進同一份研究樣本。
這也說明為什麼兩種資料適合並列，而非相加。英國部分更聚焦支持方式與學習結果，義大利部分補上教師怎麼改變活動，兩者各有自己的問題與限制。
對要導入 AI 教學的學校，這不是必須二選一的資訊。教師願不願使用、能否安排進課堂，以及學生是否在獨立評量中進步，都會影響採用，只是應分別留下證據。
學校可以把教師接受度與學習測驗並列追蹤，卻要保留兩種資料各自的限制。
延伸閱讀：Gemini Notebook 教科書新增數百本：免費教材、引用與讀書方法
Gemini 教學研究常見問題：學校該追什麼指標
研究已證明 AI 可以取代真人老師嗎？
沒有。兩個 AI 組的每則回覆都先經真人審核，課堂也保留原本教師。研究能支持的是這種有人把關安排的表現，不能用來回答移除真人後是否相同。
標準化測驗沒有優勢，代表學生完全沒學到嗎？
不代表。平台即時改錯、接續題與中期小測提供了不同層次的學習線索。廣域測驗未見整體優勢，是重要限制，卻不能抹去其他測量，也不能被其他測量掩蓋。
九成多批准率，可以當成學生答對率嗎？
不能。它的分母是教育者作過決定的 AI 草稿，量的是有多少原樣通過。學生作答、模型內容正確與教師是否批准，是不同指標，各有不同評估方式。
學校可以怎樣參考這份研究？
參考 AI 教學研究時，可以先選一個明確學習目標，保留真人支持，分開追蹤當下改錯、隔一段時間的獨立作答與更廣的評量。同時看學生接觸題材與教學負擔，才知道局部進步能否逐步累積。
從一道錯題的後續獨立作答追起，比單看 AI 使用次數更能接近學生是否學會。
如果你想追蹤 AI 教學的研究與應用證據，歡迎免費訂閱 AI 郵報。
延伸閱讀：Duolingo「AI優先」風波再解析：技術理想、溝通失誤與教育科技新賽局
原始資料來源
