在台灣大學創新領域學士學位學程的專題實作課程中，學生最常說的兩句話是：「我不知道怎麼做研究」跟「我不知道為什麼要做研究」。前者是一種方法論的不確定感——面對不同領域的知識、資料跟方法，學生不知道怎麼收斂；後者則是一種目的性的動機困境——覺得研究太慢、太抽象，想跳過理論直接動手做。
作為一個跨領域學士學位學程， TBD 的學生來自不同學科背景，這讓研究焦慮變得更複雜也更具代表性。這兩種焦慮的核心，都是學生還沒找到研究對自己的意義：當研究既不是他們熟悉的學科訓練，也不是馬上看得見成果的行動工具時，焦慮就成了自然反應。
本文會先分析這兩種焦慮的理論基礎跟實證研究，接著討論如何透過「互動社群選擇」來建立研究的定位框架，再探討生成式 AI 作為師生互動的可能性，最後提出「節奏化學習」的教學設計。本文主張，研究焦慮如果能被好好轉化，可以成為推動學習的動能，而不是學習的障礙。
兩種研究焦慮：不確定感與動機困境
學生在研究初期面對的焦慮，可以分成兩種相關但性質不同的類型：方法論的不確定感跟目的性的動機困境。前者是關於「能力」——我做得到嗎？後者是關於「意義」——我為什麼要做？這兩種焦慮就像一枚硬幣的兩面，共同構成學生逃避研究的心理機制。
方法論的不確定感：「不知道怎麼做研究」
國際教育研究普遍發現，大學生在研究初期會有明顯的不確定感。Cooper 跟 Haney（2023）針對美國大學生的研究發現，研究焦慮（research anxiety）主要來自三個原因：準備不足、方法陌生、缺乏明確方向。這種焦慮跟學生未來願不願意從事研究性工作有顯著的負相關，顯示焦慮不只影響當下的學習，還可能限制長期的職涯發展。美國加州大學戴維斯分校教育效能中心的調查更具體地顯示，超過 75% 的學生在圖書館做研究時會焦慮，其中 62.5% 的學生不確定該怎麼搜尋或評估資料來源。這種「資訊檢索焦慮」讓學生傾向逃避研究工作，形成惡性循環。Hill 等人（2022）的長期研究則指出，研究經驗次數跟自我效能有正相關：參加過兩次以上研究的學生，研究信心跟興趣明顯比研究經驗少的學生高。這告訴我們，要緩解焦慮需要透過有結構的反覆練習，而不是靠單次的成功經驗。
在華語教育環境中，現象類似但更隱蔽。徐鏞元（2018）指出，很多學生「不知道怎麼開始研究」，缺乏問題意識跟資料處理能力，常常在專題初期就卡住。中國《高教論壇》（2021）的調查則發現,大學生普遍覺得自己研究能力不足，對參與研究意願不高，就算參加也多半停留在執行層面，缺乏主導性。
這些研究共同指出，方法論的不確定感不是態度問題，而是結構性的支援不足。畢竟，當學生不確定什麼才算「有效的研究」、什麼是「夠好的文獻」、什麼樣的方法「適合我的題目」時，他們就很難踏出第一步。
目的性的動機困境：「不知道為什麼要做研究」
如果說方法論的不確定感是「不知道怎麼做」，那目的性的動機困境就是「不知道為什麼做」。對實作導向的學生來說，研究常被視為「不必要的繞路」。Mauldin（2025）在社會工作領域的研究中發現，學生傾向認為研究對未來工作沒用，所以投入意願低。這種「研究沒用」的信念甚至變成自我實現的預言：覺得研究無聊 → 不投入 → 沒成就感 → 更覺得研究沒用。在台灣的實作型課程中，也能看到類似現象。我們時常在教育現場看到，學生習慣靠網路影片或教學平台完成作品，而不查學術資料，導致專題作品很淺，缺乏反思深度。甚至，只有少數的大學生想當學術研究者，多數人傾向「直接進業界」，覺得能「看到成果」比較有成就感。
在台灣的大學教育體系中，「研究方法」多被視為理論訓練，而「專題實作」則被歸為成果導向課程。過去十年教育部推動多項創新教學計畫（如USR、U-Start、跨院學程），強調跨域與實作，但卻鮮少將「研究設計」視為學習中介層。根據《教育實踐與研究》、《教育學報》近年專題的多篇研究論文所示，雖然學生在實作成果上展現創意與協作能力，卻仍缺乏研究設計與方法訓練的系統支持。
但是，「研究」跟「實作」真的對立嗎？其實，學術研究的訓練其實就是創業跟實務管理的核心能力——包括分析問題、蒐集資料、推進計畫跟邏輯推理。研究能力不是「學術專屬」，而是所有知識工作者的基本功。
因此，問題的關鍵在於研究語言跟實作語言的轉譯失敗。當研究被說成「文獻回顧」、「研究設計」、「資料分析」時，實作導向的學生很難連結到自己的專題。但如果把同樣的過程轉譯成「理解問題脈絡」、「規劃行動方案」、「驗證設計假設」，學生就能理解研究的實務價值。
兩種焦慮的交互作用
需要注意的是，這兩種焦慮不是各自獨立，而是會互相加強：
- 當學生不知道怎麼做研究時，容易產生挫折感，進而質疑「研究有什麼用」;
- 當學生不知道為什麼要做研究時，就缺乏動力去克服方法上的困難，更容易放棄。
這種惡性循環需要同時打破。只教研究方法，無法解決動機問題；只強調研究重要性，也無法解決能力問題。真正有效的教學設計，必須在提供結構化支援的同時，幫助學生理解研究對自己的意義。
定位你的互動社群：研究設計 vs. 設計研究
因此，我會認為，要在 TBD 專題課程中處理這兩種焦慮，關鍵不是教學生「更多研究方法」，而是幫他們選對起點。也就是說，學生首先要釐清自己的主要互動對象是誰？
- 研究社群（Research Community）：需要用證據、方法、分析邏輯說服別人；
- 實踐社群（Practice Community）：需要用設計、原型、使用情境展示可行性。
畢竟，一樣是「研究」，前者需要的是「研究設計（Research Design）」，後者需要的則是「設計研究（Design Research）」。
一般來說，「研究設計」強調以證據支撐推論的結構性思考。Creswell（2014）指出，研究設計的核心在於「如何將研究問題、理論架構、資料蒐集與分析方法整合成一個連貫的邏輯過程」，其目的在於回答「Why is this so?」。Robert Yin（2018）則從案例研究的角度提出，「研究設計是一個連結研究問題與證據的邏輯藍圖」，而不是單純的技術步驟。Patton（2015）進一步強調，研究設計是一種「有目的的取樣與詮釋策略」，研究者的任務是建立信度與效度，使論證具備可重現與可評估的基礎。在跨領域研究的脈絡中，這種「研究設計」導向的焦慮常表現在學生面對資料時的不安：他們知道問題在哪裡，但不知道如何以系統化的方式建構論述與驗證假設。因此，他們傾向收集大量資料、閱讀過多文獻，卻缺乏整合與篩選的結構。這正是「不知道怎麼做研究」的根源。
相對地，「設計研究」則從行動與創造的角度生成知識。Donald Schön（1983）在《The Reflective Practitioner》這本經典著作中，區分了兩種專業知識的產生方式：一種是「技術理性」，靠理論跟證據說服；另一種是「反思行動」，靠行動經驗跟判斷。他指出在設計領域中，「邊做邊想」本身就是一種產生知識的方式。你做出一個原型、測試它、觀察反應、修改設計，這整個過程就是在產生知識。Nigel Cross（2001）提出「設計型知識（Designerly Ways of Knowing）」，主張設計是一種獨立於科學與藝術的知識生產模式，在設計中所做出來的「原型」跟設計者設想的「使用情境」本身就是知識載體——它們不只展示結果，也展示設計者的推理過程。這就是他說的「設計型證據」。Zimmerman、Forlizzi 與 Evenson（2007）則在「Research through Design (RtD)」框架中指出，設計研究的貢獻在於創造可被他人理解與再利用的設計經驗與框架，而非驗證假說。Gaver（2012）直白地說：設計研究不需要像科學研究那樣驗證假設，而是要提供有啟發性的材料跟思考空間。所以設計研究的「證據」常常是故事、影片、情境重演，甚至是「挑釁」，目的是讓人思考「還可以怎麼做」，而不是證明「這樣做是對的」。
因此，「研究設計」與「設計研究」的差異不在「方法」或「領域」，而在「證據的形式（form of evidence）」——也就是什麼樣的東西能構成「說服」的基礎。簡單來說:
- 研究設計追求的是「可驗證跟可重現」：別人用同樣的方法應該得到類似的結果，像是科學實驗那樣。
- 設計研究強調的是「可用跟可採納」：解決方案在真實情境中是否有效、是否被接受，像是產品測試那樣。
舉個例子：如果你想研究「為什麼年輕人不投票」，你可能需要問卷、訪談、統計分析——這是研究設計。但如果你想設計「讓年輕人更願意投票的方式」，你需要的是原型、使用測試、迭代改進——這是設計研究。
這個差異看似簡單，但對正在做專題的學生來說卻至關重要。因為你的對話對象決定了你的證據形式。當學生搞不清楚自己到底要說服誰，他們就會陷入困境：想做實作的覺得「研究根本沒用」，想做研究的又「不知道要做到什麼程度」。但其實兩者都需要研究，只是研究的方式不同——前者要的是「做功課」(了解別人怎麼做、為什麼有效)，後者要的是「建立論證」(為什麼這個解釋比較可信)。
要緩解這種焦慮，關鍵是讓學生在專題實作的初期就做出定位——不是在「做研究」跟「不做研究」之間二選一，而是知道自己要做哪一種研究、該用什麼語言跟誰對話。如此一來，焦慮就能被放進合理的結構裡。簡單地說：
要緩解這種焦慮，關鍵是讓學生理解：不是選擇「要不要做研究」，而是選擇「做哪一種研究」，並且在專題實作的初期就做出定位——知道自己站在哪個位置、該用什麼語言跟誰對話——焦慮就能被放進合理的結構裡。簡單地說：
- 如果主要跟研究社群對話（例如要投稿研討會、申請國科會大專學生研究計畫)，那「研究設計」會是關鍵。
- 如果主要跟實作社群對話（例如想改善社區問題、測試產品概念、驗證溝通策略），則「設計研究」會是重點。
當然，設計研究與研究設計不是二分的，兩者的過程其實可以互補。設計研究可以生成經驗性資料，回饋給研究設計。研究設計更可以提供理論支撐，讓設計研究更有說服力。而我們可以更進一步針對學生的不同需求提供不同的引導工具。
例如，對於研究社群導向的學生，我們可以請他們畫一張「研究定位圖」：
- 核心問題（Core Question）：你真正想回答的問題
- 支援性議題（Supporting Issues）：不同領域教授提供的視角或技術
- 外圈關注（Peripheral Noise）：有趣但暫時不處理的議題
這樣能幫助他們看見「文獻不是要全部讀完，而是要找到自己的位置」。
對於實踐社群導向的學生，我們或許可以採用「三格法」:
- 看別人怎麼做：相關案例的做法？
- 為什麼成功或失敗：關鍵因素是什麼？
- 我怎麼開始：我可以採用或改進什麼？
這把研究轉化為行動前的判斷練習，讓「查資料」變成「做功課」。
這些方法的目的不是降低難度，而是讓焦慮轉化為有節奏的學習循環。當學生知道自己在對誰說話、用什麼形式呈現證據時，「不知道怎麼做」的不確定感就有了方向；當他們理解研究就是「做功課」而不是「寫論文」時，「不知道為什麼做」的動機困境就有了答案。
然而，即使有了這個定位框架，學生在執行過程中仍會遇到具體的困難：資料太多、不知道重點、不確定自己寫得好不好。這正是生成式 AI 可以介入的空間。
AI × Notion：作為「轉譯助教」的共學設計
隨著生成式 AI 的普及，教育界開始探索 AI 怎麼成為學習的鷹架。在 TBD 專題課程中，我嘗試以 Notion 為教學共構平台，重新設計研究與實作之間的對話節奏。AI 的角色在這門課中被定義為「轉譯助教（translation copilot）」，幫助師生在不同知識語言之間進行結構化、翻譯與反思。
這樣的設計讓 AI 不再只是工具，而是一種教學節奏的媒介，使學生與教師都能在共享資料與可追蹤的歷程中持續學習。根據 Vygotsky 的最近發展區（ZPD）理論，AI 可以提供差異化的鷹架，幫學生從「能力範圍外」慢慢移動到「能力範圍內」。
整體設計：以 Notion 為共構基礎
首先，我們會開設一個 Notion teamspace，將所有修習專題課的學生納入其中，並根據他們的專題類型與所需協助類別進行分組。每位學生都需建立一個「個人專題頁面」，持續記錄自己的專題發展歷程，包括研究問題、資料整理、進度摘要與反思紀錄。
在六次小組課的進程中，我會循序設計作業任務——例如從「問題定義」到「資料蒐集」、「構想測試」、「反思與修正」——學生需在每次課前完成該階段任務，並上傳至個人頁面。這使每位學生的研究歷程都能被可視化與追蹤，同時也讓教師能在課堂上依據這些紀錄進行對話與指導。
這個設計回應了 Hill 等人（2022）的發現：研究焦慮的緩解需要透過結構化的反覆練習。Notion 提供的不只是記錄平台,而是一個讓「學習歷程可見」的空間。
學生端：AI 協助資料轉譯與結構化→ 回應「不知道怎麼做」的不確定感
學生在撰寫作業或整理資料時，可以選擇使用生成式 AI。AI 並非幫他們「生成內容」，而是作為資料整合與概念化的助手：
- 協助將田野筆記或訪談摘要分類為「核心觀察」、「延伸問題」、「資料需求」
- 將收集到的文獻或案例轉化為表格，對照「他人怎麼做/為何成功或失敗/我可以測試什麼」
- 協助整理混亂的文本，讓學生能在課堂上更快地聚焦討論
這樣的 AI 使用被視為「轉譯行動（acts of translation）」：它幫助學生把模糊或碎片化的思考轉成可操作的材料。學生仍需親自選擇、修訂與標註來源，確保 AI 的協助是形成性（formative）而非替代性（substitutive）。
這樣的設計呼應了 Martin（2025）提出的「減負教學」模式，也就是AI 減少學生在重複性任務上的認知負擔，讓他們把心力放在更高層次的思考與判斷。當學生面對一篇艱澀的文獻時，AI 可以幫忙拆解結構、提取重點，讓學生能「站在巨人的肩膀上」閱讀，而不是被巨人壓倒。
教師端：AI 介入教師的教學回饋流程→ 回應教師的「如何給出有效回饋」挑戰
在教師端，我運用 ChatGPT 與 Notion 的串連功能，建立一個輔助討論工作流。AI 可以存取學生的專題頁面與我的教學資料庫，並與我一起檢視學生的研究進展，協助進行討論與反思。具體操作如下：
- 教師預覽與歸納：AI 先根據學生頁面內容，歸納其研究方向、卡點與資料使用情況，生成摘要報告。
- 問題共構：我再與 AI 對話，討論學生遇到的挑戰，並詢問 AI 有無相關理論、案例或資料來源可參考。
- 回饋生成：AI 根據對話內容提供初步建議，我再進一步審查與補充，以形成具針對性的回饋。
這樣的工作流使 AI 成為教師的助理型共備者（co-facilitator），而非批改工具。透過 Notion 的資料庫與對話紀錄，ChatGPT 能理解整體課程設計、學生特性與進度，並結合即時網路資料，生成具脈絡性的建議。這個設計也回應了 Steiss 等人（2024）的研究發現，AI 在形成性回饋上的表現，在具體性與一致性上不輸給人類助教。但關鍵在於，AI 的回饋必須經過教師的審查與補充，才能真正符合學生的需求。
師生端：Notion 作為共學平台的討論節奏→ 回應「不知道做得好不好」與「研究有什麼用」的雙重焦慮
總而言之，在專題實作這門課上，Notion 扮演的是共學平台（collaborative learning hub）的角色。我們將討論流程分為三個階段：
- 課前（Pre-discussion）：學生依據統一的作業任務與問題，完成該階段的工作進度，並上傳至 Notion 個人頁面。在這個過程中，學生可以選擇使用 AI 協助整理資料、結構化思考，但作業格式與問題是一致的，確保分組課討論時有共同的對話基礎。
- 課中（In-class reflection）： 教師帶領小組進行討論，學生同步於 Notion 上紀錄對話內容，標註「研究假設」、「行動假設」、「資料需求」。這讓抽象的討論變成可追蹤的學習痕跡。在討論過程中，教師會引導學生思考：這個發現對「研究社群」來說是什麼？對「實踐社群」來說又是什麼？讓學生在實際對話中練習語言轉譯。
- 課後（Post-discussion reflection）： AI 協助整理討論摘要，學生再依 Kolb 循環（經驗→反思→概念→行動）撰寫反思。學生需要回答：這次討論讓我理解了什麼？下一步要做什麼？
整個討論歷程在 Notion 中留下可追蹤的學習痕跡，使焦慮與不確定感得以外化、被看見、再被轉化為具體行動。這個設計呼應了 Schön 的反思實踐理論:真正的專業成長發生在「行動中的反思」。而根據 Jisc（2024-2025）對英國大專院校的追蹤研究，學生最期待 AI 能協助他們把學術內容轉譯成實作語言。我們的課堂討論設計正是回應這個需求，試圖透過師生對話，讓學生理解「研究不是實作的對立面，而是實作的基礎」。Wang 等人（2025）的整合分析更指出，AI 介入對學習表現、學習情緒與高層次思考都有正面影響，尤其對初學者與沒信心的學生效果最明顯。但關鍵在於 AI 的角色定位：它不是替代教師或學生的思考，而是成為師生之間、學生與知識之間的翻譯介面。而在我們的設計中：
- 學生的焦慮被轉化為可觀察、可追蹤的研究歷程
- 教師的引導轉化為共構式回饋
- AI 的角色則是協助雙方在語言與資料之間建立橋樑
結語：讓焦慮成為節奏，而不是障礙
綜合國內外研究與 TBD 的教學實踐，學生的研究焦慮不是單純的心理問題，而是來自結構性支援不足跟語言轉譯失效的雙重困境。當課程缺乏清楚的研究鷹架，方法論的不確定感會變成逃避行為；當研究語言無法轉譯成行動語言，目的性的動機困境又會變成「研究沒用」的信念。
因此，本文提出的解決方案包含兩個層次：
第一層：定位互動社群。透過「研究社群 vs. 實踐社群」的框架，幫助學生在課程初期就釐清自己的對話對象，理解「證據形式」的差異。這個定位能讓焦慮被框進合理的結構，從「不知道怎麼做」變成「知道該用什麼方式做」。
第二層：AI × Notion 共學系統。生成式 AI 如果被好好設計成「轉譯助教」，配合 Notion 作為共構平台，可以同時緩解兩種焦慮：它幫學生結構化思考、提供形成性回饋、橋接不同語言系統，並培養反思性的使用倫理。讓研究重新具備可感知性、實用性跟持續性。
關鍵在於，面對教學現場的挑戰，我們不應該簡單地想用科技解決問題，而是應該回到教學設計的初衷，重新設計學習節奏。以TBD的專題實作為例，AI 不是為了加速研究，而是讓學習歷程可見、可追蹤、可反思。學生的焦慮被外化成 Notion 頁面上的文字、教師的引導轉化為共構式回饋、AI 的角色則是協助雙方在語言與資料之間建立橋樑。
在這樣的設計下，「研究」不再是學期初讓人害怕的任務，而是一種有節奏的學習循環。焦慮沒有消失，但它被納入節奏中，成為推動學習前進的引擎。正如 Dewey 的經驗學習理論所說，真正的學習發生在「困惑」跟「頓悟」的交替中。當學生學會跟焦慮共處，把不確定感轉化為探索動能，把動機困境轉化為意義追尋，研究就不再是外在的要求，而是內在的需要。而這或許才是跨領域專題課程最深層的教育價值：不是教學生怎麼避免焦慮，而是教他們怎麼在焦慮中學習，在學習中成長，在成長中理解研究的意義。
Comments