「你不是不會用AI，你只是還不了解自己是什麼樣的提問者。」
前言
在資訊充斥的時代，一個對準目標的問題，就是你尚未放棄思考的證據。
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GPT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，對於娛樂稅要補報還是一頭霧水。
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。
這也顯示了，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)」，這個狀況也就是說，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，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，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。
並且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。
這一群人不是想要單純透過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。
這份問卷不是為了測驗你會不會問問題，而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。
由於vocus本身的版型架構無法展現在這邊，有興趣的朋友歡迎移駕我的部落格檢測自己的提問者種類↓
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。
這些問題其實是在協助你了解，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：
- 無動機(Amotivation)：完全缺乏動機，無意圖行動。
- 外在調節(External Regulation)：為了獎勵、懲罰、他人要求而行動。
- 內攝調節(Introjected Regulation)：為了避免罪惡感、獲得自尊、維持自我形象而行動。
- 認同調節(Identified Regulation)：認同行為的價值，願意執行。
- 整合調節(Integrated Regulation)：行為與自我價值整合，成為自我一部分。
- 內在動機(Intrinsic Motivation)：因行為本身的樂趣、挑戰或滿足而自發投入
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：
- 獲得價值(Attainment Value)：這件事對自我認同有多重要。
- 內在價值(Intrinsic Value)：做這件事的樂趣與興趣。
- 效用價值(Utility Value)：對未來目標的幫助程度。
- 付出的代價(Cost)：做這件事的努力、焦慮、機會成本。
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，而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，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。
這並不代表能力不足，而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前的語氣暖身、起手與範例以及語言的節奏引導，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語氣結構的範例、提問節奏的拆解，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語氣設計工具、語氣節奏策略來優化，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，語言不只是工具，而是創作媒介，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。
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：
- 提問：從嘗試問出第一個問題先開始釐清自己想法。
- 調查、解釋：從AI的回覆中確認自己理解的與AI是否相同，AI給的回覆是否都是可靠的來源與根據，是否有邏輯上的錯誤。
- 溝通：透過確認自己的理解以後，追問細節、延伸原本的問題以及從一來一往的過程中反覆確認更多想知道的事情，直到滿足或達到目標。
- 反思：透過AI來分析自己在整個學習的過程是否有盲點，還有什麼沒有注意到的地方，有沒有什麼更好的提問與互動方法。
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：
- 提問前怎麼整理你的思維？
- 如何讓 AI 聽懂你是誰、你的語感與目標？
- 找出適合你的語氣節奏與提問風格
- 追問，讓AI的回覆進化
- 如何設計收尾與動手時機
- 照顧你在提問中浮現的心理狀態
- 把這套模組轉譯成非 AI 情境下的學習工具
- 實戰：硬碟拯救計畫
這一系列的文章的重點不是在教你操作流程或是下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：
- 動機辨識模組：幫助你知道自己為什麼要問
- 起手語設計器：幫助你說清楚你是誰、你在想什麼
- 節奏風格調整模組：讓你找到最舒服的思維對話方式
- 追問路徑導引：讓對話變成持續深入的迴路
- 結束判斷清單：幫你感知何時該停問、該開始做
- 情緒照護模組：當你懷疑自己時，幫你語言轉譯並安撫
- 非AI應用轉譯模組：把整套用在閱讀、簡報、學習、創作
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。
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。
今天的對話，你想怎麼開始？試著開一小句，只為了讓你參與思考。
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。
等不及Vocus文章更新的朋友，歡迎前往我的部落格看後面幾篇：
https://wakame.tw/work/others/others.html
另外，如果覺得我的文章對你有幫助，等不及文章更新的朋友，歡迎追蹤我的FB跟IG，可以得到部落格文章發布的第一手消息喔！
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
