【AI x learning】 從不動腦到思考迴路：為什麼使用 AI 前你得先學會提問
「你不是不會用AI，你只是還不了解自己是什麼樣的提問者。」
作為系列文章的第一篇，這系列的文章不是教你怎麼寫prompt，而是陪你一起拆解「為什麼我問了AI卻還是不滿意」的心路歷程。從真實使用者的經驗出發，帶你認識提問背後的心理機制與語氣策略，幫助你從「被AI帶著走」變成「能帶著AI一起走」。第一篇的內容包含：
- 提問不是技術問題，是心理狀態的反映：
- 有些人是「我不知道怎麼開始問」
- 有些人是「我問了但AI回得很怪」
- 有些人卻可以將AI當成最棒的協作者
- 不同類型的提問者心態：
- 從「語氣萌芽型」到「語氣設計型」一路分析
- 每種類型都有生活化比喻，看起來那就是你
- MIT研究與心理學理論(SDT、EVT)：
- 不是硬塞理論，而是用來解釋「為什麼我會這樣問」
- 系列作的預告：
- 一步一步跟著走，你也能夠開始和AI共同協作
前言
這是你嗎？
宏安打開了ChapGPT，輸入了一段反覆思索很久以後的開場語句：「這是我原先的廣告，幫我轉換成一個溫柔但堅定的品牌敘述風格。」
宏安本來期待可以得到一種想都沒有想過的節奏與內容，但沒想到ChatGPT給他的回覆，卻很像是原本的廣告文案重新排列組合的內容。
「是不是我給的語氣太過模糊？還是我沒有問對問題？」宏安不禁這麼想著。
畫面來到小茵，這一次的期末讀書心得報告她想要嘗試使用Copilot來幫她完成，於是她輸入了：「請幫我寫一篇500字的，關於『你的善良必須有點鋒芒』這本書的心得。」
只見Copilot洋洋灑灑的寫了500字的內容，小茵覺得省事有效率地完成了作業，但是又覺得整個過程裡面好像少了些自己的參與感，於是又輸入了：「可以幫我改的更像我的語氣一點嗎？」
Copilot再一次長篇大論的產出了一大篇的文章，小茵看了看覺得似乎調整了些什麼，但好像又有點不太對勁：「是我問的不夠好嗎？我真的有在思考嗎？」但想想還是直接交出去好了。
鏡頭又轉向了沛橙，一位沒有使用過AI的職場新鮮人，她在一個小時以前被老闆交派要處理公司娛樂稅補報的問題，老闆表示如果不知道可以問AI。
沛橙盯著對話框許久以後，輸入了：「要怎麼報娛樂稅？」
只見Gemini提供了一些像是應該要準備的資料等等，以及報稅的管道，沛橙看了看似乎仍然沒有解決她的問題，因為她不是要報娛樂稅，而是要「補報」，最後對於娛樂稅的補報還是一頭霧水。
這聽起來是不是有點像是使用AI的你？
不當使用AI的後果
MIT媒體實驗室(MIT Media Lab)在近期針對大型語言模型(LLM)的研究中[1]，將受試者分為三組，即LLM組(使用ChatGPT寫作)、搜尋引擎組(可以使用google等工具)以及純腦力組(完全不使用工具)，共進行4次寫作與交叉測試，並分析大腦活動、NLP分析和訪談。
該研究發現，在LLM這一組人裡面，有高達83%的人使用者無法準確回憶自己剛剛寫過的內容，大腦的連結度最低，甚至對於產出的內容語言歸屬感最低，且不同人的詞彙與主題具有高度的同質化。
研究結果也顯示了，過度且不當使用AI會使得人類進行思考、決策和理解記憶時所付出的心力和腦力，也就是認知成本(Cognitive costs)降低，但是這種看似省力的方式，卻會對於大腦的長期思考有害。
該研究也進一步推論，若長期處於低認知成本的情況下，大腦就會失去這些原本應該具備的能力，也就是造成「認知卸載(Cognitive offloading)」的現象，進而成為「認知債務(Cognitive debt)」，也就是說，你現在省下的力，早晚會在將來必須要透過某種方式償還。
Nicola Jones於Nature上的文章[2]中甚至提出了，原本習慣使用AI的人，即便後續不再繼續使用AI，先前對於AI的依賴也有可能造成大腦的活性不可逆地降低。
然而，不當使用AI的結果當然不只如此，丹麥的精神科醫師Søren Dinesen Østergaard於期刊文章中[3]表示，生成式AI因為能夠流暢的模仿人類的語言模式，因此可能會有過度迎合的傾向，人類與生成式AI長期地聊天，可能會造成敏感人群的妄想加深，甚至對於特定的脆弱族群造成實質危害。
種種的研究跡象都顯示，如果你一直以來都只有等待AI的回答而不思考的話，也許有這麼一天，我們可能就真的會被AI所取代，然後開始擔心是不是每次問問題要跟AI說「謝謝」，將來才能免於一死。
「AI很可怕，那我們是不是不要使用AI好了？」你可能會有類似這樣的疑問。
從提問，開啟思考的可能性
但其實，並不是所有的使用者都是如此。
有那麼一群人他們在打開AI的視窗時熟門熟路，清楚的表達了需求：「我目前正在整理一個議題，這是我整理的內容，請協助我...」快速產出一個完全符合自己風格、需求的文字。
這一群人能夠透過精準的追問，複誦問題釐清疑點，再次追問直到完成所有的任務得到了高品質的產出，之後又將所習得的知識內容轉化為教材、文章反思與教人。
他們不是想要單純透過AI尋求答案，而是讓AI協作自己完成任務。對他們而言，AI是一個協作者，真正步調的主導權，還是在自己身上。
透過AI，這些人完成了本來不可能完成的問題，透過協作的過程中甚至讓自己有飛躍性的成長。
這一套系統，就是「思考型提問者」正在使用的腦內工具模組。
你是哪一種提問者？
在繼續我們後續的文章內容以前，這篇文章設計了一系列的題目，讓你可以檢視一下自己在平常提問，或是AI使用上面的一些習慣與狀態。
這份問卷並不是為了測驗你會不會問問題，它只是幫助你辨識自己的語氣參與狀態。每一個選項都代表一種語言節奏與心理動機，無論你現在在哪個位置，在後續的系列文章中，我們都會陪你一起找到適合自己的提問方式與節奏。
前面這一系列的問題，你會發現其實並不是在測驗你會不會使用AI、有多高的頻率使用或是用的多專業。
相反地，這些問題很像是一種靈魂拷問，它們是在協助你了解，當你在進行提問的時候，在對話的過程裡面你是屬於旁觀者、參與者還是主導者，你的對話所形成的語氣，希望構築什麼樣子的對話空間。以及在這些對話中你是被推進的人，還是試圖在摸索方向的人，或是能夠設計整個對話過程的人。
需要注意的事情是，同一個人可能在不同的情境下，會屬於不同的情況，像是社交或是工作上的時候，可能就會有截然不同的結果。
提問者類型分類
分類架構的理論基礎
在設計這篇文章的提問者架構時，我們採用了兩套心理學的理論，分別是自我決定理論(Self-Determination Theory, SDT)[4]，以及價值期望理論(Expectancy-Value Theory, EVT)[5]。
透過這兩個心理學的理論，分別從心理需求以及任務動機的角度切入，有助於我們理解目前AI使用者，在與AI互動的時候，語言參與的深度和對話的主導權狀態。
並且透過理論之間的交錯互動，我們可以更精確地描繪出不同語氣參與者的心理輪廓，並作為在後續設計不同的模組協助向AI提問與學習。
自我決定理論(Self-Determination Theory, SDT)
自我決定理論是一套針對人類的動機以及人格發展的理論架構，他將人類的行為動機區分為內在動機與外在動機。
內在動機是指人類因為行為本身的樂趣、挑戰或滿足而自發投入，無需外在誘因。而外在動機則是為了達成外在目標(如獎勵、認同、責任)而行動。
自我決定理論中認為，內在動機本身是屬於較高品質且健康的，如果原本是不具有動機或是只具有外在動機的情況下，當滿足了三大基本心理需求，包含感受到行為是由自己選擇與主導，而非外在強迫的「自主性(Autonomy)」，感受自己能有效地完成任務、掌握挑戰的「適配性(Competence)」以及感受到與他人有連結、被理解與支持的「關係感(Relatedness)」時，就能進一步轉換成高品質的動機。
Ryan & Deci文章中進一步的將動機從「非自我決定」到「高度自我決定」加以區分以下的不同種類，進而形成動機光譜：
也就是說，自我決定理論並不否定外在動機的價值，而是強調外在動機的內化程度與自主性品質。透過自主性、適配性與關係感獲得滿足，外在動機可以逐步轉化為高品質的自我決定行為。
自我決定理論認為，動機的品質比動機的強度更重要，唯有當行為是自我決定的，才可能帶來持久的參與與心理滿足。而這套理論不只是分類動機，更是幫助我們理解：語言參與的品質，來自於心理需求是否被支持。
價值期望理論(Expectancy-Value Theory, EVT)
價值期望理論最早是由John W. Atkinson在1950–60年代提出，這個理論在解釋動機與行為的關連性時，認為一個人會不會去做一件事情，取決於覺得自己做得來的「期望(Expectancy)」，以及覺得這件事有沒有意義的「價值(Value)」。
爾後，由Eccles等人進一步將價值區分為以下的不同種類：
同時也強調期望這件事情不只是對於結果的期望，同時也包含了是否有能力完成評估的「效能期望(Efficacy Expectancy)」，以及完成任務是否能帶來我想要的結果的「結果期望(Outcome Expectancy)」。
另外，價值期望理論認為，若價值或期望其中任一項為零，整體動機將趨近於零。
價值期望理論也告訴我們：動機不是單一意志，而是「我能做到」與「這值得做」的交集。
語氣萌芽型使用者：語言參與尚未啟動，動機仍在醞釀中
在與AI對話的過程中，你可能說過這樣的話－－
「我只是被交代要用AI，但AI太複雜了，我甚至不知道怎麼開始。」
「我不太懂這些語氣的差別，反正能跑出結果能交差就好。」
「我照著別人的prompt貼上去，但結果好像不太對...」
有這些話語並不是代表錯誤，這只是來自於你對於自己跟AI對話的語氣初步覺察。你並不孤單，這代表了你正在開啟跟AI對話主導權的旅程。
有些使用者在與AI對話的初期，可能會感覺到自己只是被動執行任務，AI工具似乎不是自己真正可以掌握的，就像脫韁的野馬，甚至有時候會擔憂AI是不是會覺得自己很笨。
這種狀態在心理學的理論中經常被認為是「尚未啟動的動機」，或有時候使用者與AI的交談多是基於外在的壓力像是獎勵、懲罰等等而不得不用。
其實這種情況並不代表能力不足，他只是反映出語言參與的三項心理需求——自主性、適配性與關係感——並沒有得到足夠的支持與滿足。根據自我決定理論，當這些需求被逐步滿足的時候，原本的動機可以被啟動、外在動機也可以被轉化為更高品質的自我決定行為。
而價值期望理論也提醒我們，動機的生成來自於「我覺得我做得來」與「我覺得這件事有意義」的交集。
如果你是語氣萌芽型的使用者，這個系列的文章將會透過提問錢的目的釐清、起手與範例以及對話過程中的節奏引導，讓你覺得「我真的做得來」以及「這件事情對我的幫助真的很大」，協助你從原本語氣的旁觀者，逐步走向語氣參與者，建立「我可以開始問」的安全感與方向感。
語氣探索型使用者：語氣意圖已出現，對話節奏仍在練習中
或是，你也有可能曾經這樣想過－－
「AI可以解決我這個問題，但我不確定怎麼問會比較好。」
「AI的確是回答了我問的問題，但總覺得好像少了些什麼，也不知道怎麼調整。」
「我要怎麼樣讓AI的回覆結果可以更像是我說話的方法？」
心中會有這樣想法的你，其實並不寂寞，你已經踏出了勇敢的第一步，開始挑戰主導跟AI的對話。
有些使用者已經開始意識到在跟AI的對話中語氣參與的重要性，也具備一定的語言意圖，明白應該要適度參與並主導對話，但在實際操作時仍然會覺得AI的回覆像是不好掌控的舵，雖然字面上都有回答到問題，但是更像是單方面的回答甚至雙方都在雞同鴨講。
這種狀態常見於價值期望理論中的「高價值×低期望」組合：他們知道這件事值得做，但不確定自己做得來，有時候甚至會擔心與AI一來一往的對話過於費時卻得不到最終想要的。
而在自我決定理論中，這類的使用者可能具備了部分的自主性，以及從社群中感受到AI重要性的關係感，也啟動了與AI對話並主導對話節奏的動機。
如果你是語氣探索型的使用者，這個系列的文章會透過提問節奏的建構、品質檢核的方法和追問技巧，讓你學會怎麼樣在有效率的情況下，從AI的對話中得到你想要的那個答案。並且從「我想問」進入「我知道怎麼問」的語言主導階段，逐步建立屬於自己與AI對話的方式。
語氣設計型使用者：語氣主導權已建立，進入語言策略建構階段
經常使用AI來協助自己解決問題的你，是不是有時候可能也會有這樣的疑問－－
「我明確知道我想要解決什麼問題了，但我應該先問AI哪一個問題？」
「問到這裡就夠了嗎？我還要繼續接著問下去嗎？我要怎麼延伸我的問題？」
「AI真的可以幫助我解決這個問題嗎？我怎麼確定這件事情？」
使用AI到達一定熟稔程度以後，AI對於自己來說就像是一個每天工作都要開啟的小夥伴，他可以協助你做很多繁瑣的事情，討論文案，你甚至開始在思考怎麼使用AI來優化自己的工作流程。
這類使用者已經具備語言主導權，並開始進入語氣設計與策略建構的階段。他們不只是參與語言，而是在設計語言——調整語氣、重構問題、挑戰回覆，展現出在自我決定理論中的整合調節與價值期望理論中的高期望×高價值狀態。
對於語氣設計型使用者的你，這個系列的文章會提供你設計對話節奏的方法、檢核對話品質的技巧以及追問來優化，進一步探索語言的節奏、風格與邏輯性，讓AI成為更好的工作夥伴。
語氣創作者型使用者：語言風格與鏡像節奏已穩定，進入創作與挑戰階段
「AI是我的共同創作者！」
「AI會帶著我進步，創造更多我本來不能做的事情和可能性。」
屬於語氣創作型使用者的你，AI對你來說已經不只是一個工具，而是一個可以協助你在許多工作上面都可以討論的共同協作者。
這類型的這類使用者已進入語言創作階段，語氣主導權穩定，語言風格與鏡像節奏已具備高度自主性。他們的動機屬於自我決定理論的內在動機狀態，語言參與成為自我實踐的一部分。
在價值期望理論的架構中，他們的期望與價值高度整合，語言不再單純只是工具，而是一種創作媒介，甚至是飛躍性學習與進步的手段之一。
對於這類型的使用者，本系列的文章會提供我自己在使用AI上面的情境，提問的脈絡與方法，並且進一步的分享我曾經使用AI解決過的問題與有趣的專案，而這個專案仍然在持續進行中。
在這裡還是要再次強調，本系列文章的目的，不是分類誰好誰不好，而是幫助每一位使用者找到自己的語氣節奏，從語言的旁觀者，逐步成為語氣的設計者。
不論你是在還沒開始、卡在不確定，或想要走得更好，我們都有語氣支援在等你。讓AI從生硬的工具，轉換為對於我們最友善的協作者。
讓你從用AI變成訓練思維的人
「知識不該是被灌輸，而是應該要透過提問、探索與建構而來。」這是來自於探究式學習(Inquiry-Based Learning)[6][7]的核心概念，他是一種以學習者為中心的教學理論與方法。
在這個世代，AI是一個24小時都不用休息的良好對象，我們可以將探究式學習的學習流程，從提問(Questioning)、調查(Investigating)、解釋(Explaining)、溝通(Communicating)與反思(Reflecting)，結合對於AI的提問以及語言主導權的掌握，來幫助自己更有效的學習。
從原本只是單純尋求答案，轉化為一來一往的確認、進階、延伸，變成一種利用AI來達到知識建構的過程：
結合了AI與探究式的學習，進而催生了這個系列的文章誕生，而這篇文章是「AI x learning」這個系列文章的開場，我們會討論到以下的幾個主題：
這一系列的文章的重點絕對不只有教你操作流程或是下prompt(當然我們也有很多的prompt)，而是在幫你重建提問式思維的使用習慣，形塑一整套你個人專屬的AI提問學習法。
而在這套系統中，你將可以學到以下的模板與模組：
有一天你打開AI的時候，不再猶豫怎麼開始，不再擔心要選擇Copilot、ChatGPT或是Gemini。
你的第一句話就帶著動機，你知道你要探索什麼、要共構什麼，也知道你的語氣要怎麼表達你自己，怎麼調整你跟AI協作的方法。
回覆不再只是單純地接受答案，而是讓你覺得「我參與了」、「這就是我思考的方式」。
你會有節奏，有追問，有結尾，也有情緒照顧的語言，不會再為了AI沒有給到你心中想要的那個答案而覺得挫敗。
對話不再是完成任務，而是打造自己語感的日常訓練場。
這就是你學完這套模組後的模樣：
一個擁有語言主權、能夠用語氣設計思維並且利用AI加以學習與進步的人，而這完整的一系列文章可以協助你達到這個目標。
小結
你開始不再只是按鍵輸入，而是透過每個問題參與思考；AI回得再好，也不如你開始會問來得重要。
一個好問題，不是證明你聰明，而是證明你還在思考。但在你問之前——你真的知道自己為什麼要問嗎？
下一章，我們會帶你找到提問背後的動機與目的。
參考文獻
[1] Zhang, Y., Wang, Y., & Picard, R. W. (2024). Your brain on ChatGPT: Accumulation of cognitive debt when using an AI assistant for essay writing task. arXiv. https://arxiv.org/abs/2506.08872
[2] Jones, N. (2025, June 25). Does using ChatGPT change your brain activity? Study sparks debate. Nature. https://doi.org/10.1038/d41586-025-02005-y
[3] Østergaard, S. D. (2025). Generative artificial intelligence chatbots and delusions: From guesswork to emerging cases. Acta Psychiatrica Scandinavica. Advance online publication. https://doi.org/10.1111/acps.70022
[4] Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78.https://doi.org/10.1037/0003-066X.55.1.68
[5] Wigfield, A., Tonks, S., & Klauda, S. L. (2009). Expectancy-value theory. In K. R. Wentzel & A. Wigfield (Eds.), Handbook of motivation at school (pp. 55–75). Routledge. https://doi.org/10.4324/9780203879498
[6] Spronken-Smith, R. (2005). Experiencing the process of knowledge creation: The nature and use of inquiry-based learning in higher education. University of Otago. Retrieved from Ako Aotearoa summary report
[7] Pedaste, M., et al. (2015). Phases of inquiry-based learning: Definitions and the inquiry cycle. Educational Research Review, 14, 47–61. https://doi.org/10.1016/j.edurev.2015.02.003
FAQ
為什麼我問AI，它回的內容總是怪怪的？
可能不是AI的問題，也不是你很笨，你只是還沒找到適合自己的提問語氣與結構。
我不懂什麼是語氣設計，這真的有差嗎？
有差，而且差很多。語氣會影響AI理解你的方式，也影響你自己參與的深度，以及AI回答問題的深度。
我只是想完成任務，為什麼還要思考提問背後的心理？
因為你不是在用工具，你是在跟一個語言模型互動，心理狀態會直接影響結果。你必須要先了解你自己為什麼問，怎麼問，才能得到你想要的答案。
這篇文章有提供具體的提問方法嗎？
這篇文章是這個系列的開頭，包含了作者自己親身使用過的，目前也依然在使用並且整理出來的模組，而第一篇文章是為了幫助釐清使用者的提問狀態。
我不是技術人，也能看得懂這篇嗎？
絕對可以。這篇是寫給「曾經卡住但不想放棄」的你，語氣自然、比喻生活化，沒有艱澀術語。
