數位教育工具已徹底改變全球學生獲取資訊的方式，從線上教科書到影音資料庫皆是如此。然而，儘管科技和可近性取得了顯著進步，數位學習卻常讓人感覺是被動的體驗。

互動、引人入勝且多模態的練習形式，能鼓勵學生獨立思考並找出解決方案，對學習潛力巨大，但卻難以普及。這些內容製作成本高昂、數量有限，且通常需要教師投入更多心力。我們希望探究 AI 是否能彌補這一差距。

今天，我們將分享最新的研究成果，這項研究正推動互動式學習的疆界。我們的新研究實驗讓教育工作者能夠建立客製化、互動且具引導性的教育模擬內容。

這些互動式學習內容可根據教師的目標和課程量身打造，並透過我們為學習優化的生成式使用者介面（GenUI）新穎應用，動態生成。

在從信任的測試者群體獲得初步的正面教師回饋後，我們也將發布一個包含超過 30 個 STEM 科目（包括物理、化學、生物和數學）的英文互動式學習範例庫，重點關注國中和高中。這些內容均由 AI 生成並經教師審閱。

使用 Google Workspace for Education 的學校可以透過 Google for Education 試點計畫註冊，提供回饋以改進互動式學習內容。這項試點計畫是朝向開發更多供大眾使用的互動式學習內容邁出的早期一步。

學習不是一項旁觀者的運動。從基礎教育理論家約翰·杜威（John Dewey）在 1916 年主張「讓學生做點什麼」，到影響深遠的心理學家讓·皮亞傑（Jean Piaget）開創性地展示學習者如何建構知識，都已確立學生透過主動參與能學得更好。

現代認知研究，例如 ICAP 框架，證實互動行為比被動聽講或閱讀更能產生更深層的基模建構和長期記憶。簡而言之，學生透過實踐來學習。當學生積極實驗、驗證假設並解決問題時，他們會建立更完整的心理模型。

主動學習是我們研究中優化的一項關鍵學習科學原則。它是 LearnLM 的基礎，LearnLM 是 Google 於 2024 年發布、專為教育微調的生成式 AI 模型家族。

這項原則也曾在 2025 年的「Learn Your Way」研究實驗中被探索，該實驗利用生成式 AI 重新構想了傳統教科書。基於這些早期研究，我們著手探索如何利用生成式模型在內容上的最新進展，進一步轉變內容，幫助教師創造更主動、更引人入勝的數位學習體驗。

為了實現這一目標，我們轉向了生成式使用者介面（generative UI），這是一個活躍的研究領域，其中 AI 模型能動態建構使用者介面，而無需預先編寫程式碼。

我們探索了如何優化生成式介面，使其適用於更深層次的教育旅程，而非僅僅是快速互動。透過精心引導的教學設計和教學防護措施，我們希望賦予教師能力，讓他們能夠創建自己的互動式環境——這些環境將根據他們的課程量身定制，並適應他們的上下文輸入。

我們首先試圖確定良好、互動的學習體驗應該是什麼樣子。我們借鑒了既有的學習科學，定義了多項關鍵教學原則，這些原則與 LearnLM 的開發理念相符：

與課程和教師批准的學習目標保持一致（例如，對於地球科學，比較不同程度的雲量如何影響當地溫度，並預測風速和風向如何影響天氣模式）。促進主動、探究式的學習，這需要動機和指導才能有效。確保每個模擬內容的事實準確性。

這些原則在我們的遊戲化學習設計中得以實現。為了激發學習動機，每個互動式學習內容都包含一系列基於學習目標、循序漸進的挑戰（例如，在上述地球科學範例中，第一級專注於溫度，然後進階到關於快速變暖和風暴的更難挑戰）。

這與一套支架式提示、說明和回饋（例如，引導學習者找到相關公式或解釋特定術語）相結合，為每個學習者提供完成每個級別所需的支援。

我們定義的生成要求包括：學習目標的精確闡述：根據設計，教育工作者處於主導地位，並提出他們希望專注的主題。然後，我們生成一套精確且連貫的學習目標。這些目標是可修改的，並可根據課程目標進行調整。它們必須經過教師批准，並作為生成互動式學習內容的基礎。

結構化的遊戲關卡：我們以遊戲化學習的元素為基礎，將每個複雜主題分解為與學習目標一致、目標明確的關卡。學生透過一系列循序漸進的挑戰來探索主題。這透過將刻意練習與校準的挑戰相結合，促進了主動實驗並維持了學習者的動機，隨著學生在日益複雜的概念中獲得熟練度，培養了日益增長的勝任感。

AI 生成的支架式引導：為了有效引導學習者完成各個關卡，我們生成了一套支架式引導。這包括引導學生先備知識的介紹、包含相關公式和理論的工具箱、多層次的提示、反映特定回應為何有效或無效的客製化回饋，以及在學生自行探索後加強理解的範例解法。

這些都經過教師和學生的測試和迭代。透過提供即時、情境感知的引導，而非僅僅揭示答案，我們鼓勵批判性思維，並幫助學生自行找出解決方案。

為了確保品質控制，我們在生成過程中內建了自我修正迴圈——這意味著這是一個由多個教學防護措施驅動的迭代過程。儘管這會增加生成最終互動式學習內容所需的時間，但強化的回饋迴圈確保了更嚴格地遵守品質標準。

這些標準包括教學法（例如，關卡是否正確涵蓋學習目標並逐漸變難？）、機制（例如，按鈕是否有效？此關卡是否可解？）和視覺方面（例如，介面是否有冗餘物件可能分散注意力？）。

在自我修正迴圈中，存在著具有代理性質的自動評估過程（例如，可解性評估會開啟一個 Chrome 實例，並像使用者一樣與模擬內容互動）。目標不僅是測試特定解決方案的有效性，還要嘗試對抗性操作，例如將旋鈕調到極端值。自我修正迴圈會重複，直到生成的結果符合所有必要標準。

在我們的整個研究中，一個核心指導原則是技術應服務於教育工作者及其目標。教師是任何課堂的核心，最能理解哪些 AI 驅動的模擬內容能吸引學生，以及它們何時何地適合課程。

目前在圖書館中發布並可用的所有互動式學習內容都經過教師的審查和批准。這些內容包括學校課程中的主題，例如克卜勒行星運動定律、資料視覺化和拋體運動。

此外，英國的 STEM 教師也評估了一系列互動式學習內容。結果顯示，整體評分良好或優秀，其中物理和化學最適合模擬內容的創建。完整細節和結果可在我們的技術報告中查閱。

我們還對美國的 12 位教師進行了初步研究。這些教師每人要求了三個不同的客製化互動內容，這些內容是為他們特定的課堂需求而生成的。

回饋非常正面，教師對互動內容品質的平均評分為 10 分中的 8 分。教師們強調，動態生成解決了一個長期存在的課堂挑戰：無法使用靜態、現成的模擬內容來進行差異化教學。

正如一位高中科學教師所解釋：「如果我在教學時能輸入這個 [任何課程主題]，然後就能生成一個模擬內容，那將會非常棒……我從未能夠對任何模擬內容進行差異化，因為它就是你得到什麼就是什麼。」

教育工作者也指出，生成的設計元素與他們的教學目標高度契合：「這就是為什麼能夠實際製作和建立與教學目標和學習目標完美契合的東西令人興奮」（一位國中科學教師）。他們還讚揚了內建的學生支架式引導，指出分層提示和範例解法模仿了他們在個別輔導學生時提供的逐步指導，並且關卡進度與真實評估和練習題非常吻合。

隨著我們擴展內容庫，仍有許多需要學習和改進的地方，我們將與課堂教師合作進行。

與 Google for Education 合作，我們將在全球的學校和課堂中試點互動式學習內容。學校可以透過 Google for Education 試點計畫註冊參加即將推出的試點，讓他們的教師有機會為任何客製化的 STEM 概念請求模擬內容，這些內容將根據他們的課程、學習目標和年級量身定制。

新生成的互動式學習內容將發送給提出請求的教師進行審閱。只有在教師驗證和批准後，新的互動式學習內容才能添加到我們的內容庫中並供大眾使用。

此外，我們將進行使用者體驗研究和實地考察，以評估在課堂中使用互動式學習內容時的學習成效和學生參與度。

透過優化生成式技術以促進學習，我們正邁向一個學習實踐更加主動、有效且為每個時刻量身定制的未來。我們感謝教師們在這項持續研究中的合作夥伴關係，並期待建立能造福全球學生的互動式學習內容。

感謝所有為這項工作做出貢獻的人：Alex Moy, Alisa Kovshov, Anisha Choudhury, Anna Iurchenko, Ayça Cakmakli, Ayelet Shasha Evron, Brit Mennuti, Diana Akrong, Femi Olanubi, Ian Li, Ido Lerer, Julia Wilkowski, Lidan Hackmon, Michal Gordon, Nir Kerem, Preeti Singh, Rena