《International Journal of Management Education》：Management course design quality, feedback literacy, and judgment-oriented learning in AI-rich business school classrooms: Evidence from Taiwan
编辑推荐：
•
课程设计的质量可以预测学生在人工智能（AI）密集型课堂中的反馈能力。
•
反馈能力有助于更深入的管理学习。
•
深度学习最能预测管理判断力的迁移。
•
负责任的管理判断力有所提高，但提升程度较弱。
•
台湾案例表明，设计的重要性远超过单
- •
课程设计的质量可以预测学生在人工智能（AI）密集型课堂中的反馈能力。
- •
反馈能力有助于更深入的管理学习。
- •
深度学习最能预测管理判断力的迁移。
- •
负责任的管理判断力有所提高，但提升程度较弱。
- •
台湾案例表明，设计的重要性远超过单纯接触AI。
引言
商学院的作业通常看重的是精心撰写的备忘录、案例分析或战略简报。如今，生成式AI可以在几分钟内生成这些内容的初稿。在这种情况下，仅凭输出质量很难证明学习效果。课程设计必须要求学生解释证据、权衡利弊、修改自己的推理过程、公开并评估AI辅助使用的效果，以及说明为什么某种管理决策比另一种更可辩护。最近发表在《国际管理教育杂志》（The International Journal of Management Education，IJME）上的研究表明，AI不仅是一项技术问题，更是课程、教学法和评估方面的问题（Clegg & Sarkar, 2024; Gupta et al., 2024; Ruark & Biazzin, 2025）。
实际存在的问题是，许多管理课程仍然只根据最终产品的专业外观来评分，即便学生的推理过程不够充分。在AI密集型课堂中，真实性不仅意味着作业要符合工作场所的风格要求，还要求学生能够阐明评价标准、根据反馈进行调整，并考虑相关利益方的后果。这一理论需求并不是对“预设-过程-产品”（Presage-Process-Product）模型本身的质疑，而是针对具体情境下该模型分类的补充说明——因为在某些情况下，完善的成果可能无法充分反映学生的真实思考过程。与“理论主张应与理论逻辑和范围的实际变化保持一致”的建议相符（Lim, 2026），本研究将课程设计视为关键的前提条件，并将学习过程与面向决策的结果区分开来，同时不改变该模型的核心解释逻辑。
这些情境压力在台湾尤为明显。当地商学院所处的政策环境强调国际化、英语教学、数字能力以及劳动市场适应性。自2021年起，教育部门推出了“BEST”计划，推动双语高等教育的发展；然而关于双语教育的学术研究显示，这一政策在社交层面的效果并不均匀（Huang, 2024; 台湾教育部门, 2021）。Chang（2025）也指出，台湾公众对双语改革的看法具有多样性和争议性。同时，《国际管理教育杂志》中的台湾案例表明，数字能力和数字学习与大学生就业能力和可持续行为密切相关（Liu et al., 2023）。因此，本研究以台湾作为实证研究的集中案例，而非将其视为一个独立的衡量标准。
这些问题并非台湾特有。在管理教育领域，雇主普遍期望毕业生能够在不确定环境下做出判断、与利益相关者有效沟通，并能熟练使用数字工具。IJME近期关于职业素养和数字创业能力的研究也反映了这一趋势（Imjai et al., 2025; Mirhabibi et al., 2025）。然而，若仅将成果视为最终目标，可能会忽视教育的本质。商学院还需要设计能够引导学生从完成任务走向管理性思考的学习环境。
本文将管理课程设计的质量（MCDQ）作为研究的起点。这一概念涵盖了AI密集型课堂的四个关键方面：真实的管理评估设计、反馈与前馈机制、透明的AI任务设计以及与专业和利益相关者的相关性。研究认为，更优质的课程设计能促进学生有效利用反馈，反馈能力有助于深化管理学习，而深度学习则与面向决策的结果相关联，而不仅仅是宽泛的就业能力。
本文有三个主要贡献：首先，它将课程设计质量而非单纯的人工智能应用作为分析的核心；其次，将MCDQ、反馈能力、深度管理学习和决策结果置于“预设-过程-产品”框架内进行探讨；最后，它区分了管理判断力的迁移、负责任的管理判断力以及职业素养，而非将它们简单地视为同一种就业能力指标。这样既能聚焦管理学习的核心，又能兼顾雇主的需求。
章节摘录
为什么课程设计是AI密集型管理教育中的主要教学问题
长期以来，管理教育依赖的任务都与专业成果相似：报告、建议书、演示文稿、案例分析和反思性评论。生成式AI改变了这些任务对学生学习情况的揭示能力。如果学生可以将初稿编写或表面层面的整合工作外包给AI，那么评估标准就必须超越单纯的写作风格，涵盖更多实质内容。因此，IJME的最新研究将AI视为教学法和评估设计的问题，而不仅仅是技术应用的问题。
方法
本研究采用了两阶段的课程为基础的研究设计，研究对象为台湾的商学院和管理学课程。由于核心自变量MCDQ被定义为课程层面的教学条件而非个人认知，因此研究采用了这种设计。MCDQ的数据来自编码后的课程文档，而学生调查则用于评估反馈能力、深度管理学习及三个研究结果。这种设计有助于区分课程层面的预测因素与其他变量。
样本特征与描述性统计
在1265名受邀参与者中，983人完成了第一阶段，942人完成了第二阶段；873人开始了第二阶段，846人完成了第二阶段。经过数据匹配和排除不符合标准的数据后，最终分析样本包括来自9所院校的792名学生，其中本科生占多数（81.6%），女性占比略高（55.3%），私立高校学生占较大比例（53.9%）。每周或更频繁使用AI的学生比例较高（68.3%）。
讨论
研究结果表明，课程设计在学生的学习过程中起着关键作用。MCDQ与学生的反馈能力正相关；反馈能力与深度管理学习正相关；深度学习则与所有三个研究结果均呈正相关。这一现象与“预设-过程-产品”模型的逻辑相符，说明课程设计影响着学生如何运用评估信息进行管理思考。
结论
本研究考察了课程设计与AI密集型商学院学习成果之间的联系。更优质的课程设计有助于提升学生的反馈能力；反馈能力又能促进深入的管理学习；而深度学习则与学生迁移管理判断力的能力密切相关。负责任的管理判断力和职业素养是不同的结果，后者需要谨慎解读。
参与同意
所有参与者在参与研究前均签署了知情同意书。在完成在线调查前，他们被告知研究目的、参与的自愿性质以及匿名性和数据保护的措施。完成并提交调查即表示同意参与。
伦理审批
本研究已通过台湾国立大学的研究伦理委员会审查，被认为无需正式的伦理审批。所有研究程序均符合该机构的伦理标准以及1964年《赫尔辛基宣言》及其后续修订版的伦理规范。
发表同意
所有研究程序均遵循了人类参与者研究的伦理标准。在整个研究过程中，参与者的隐私和匿名性得到了严格保护。数据集、分析和报告中均未收集或公开任何可识别个人信息。数据仅用于研究目的，所有结果均以汇总形式呈现，以避免识别个体参与者。
资金来源
本研究未获得任何公共、商业或非营利机构的资助。
Stanley Y.B. Huang
