# 價值耦合智能論 12 # 生產性掙扎：為什麼錯誤本身不會自動產生學習 ## 摘要 前一篇提出「受控未閉合」：高階研究智能必須能在尚未得到答案時持續工作，而不是因不確定性立即閉合、逃離或癱瘓。然而，願意停留在困難附近仍然不等於會從困難中學習。 本文聚焦 Productive Struggle、Productive Failure 與 Learning from Errors，提出一個更嚴格的命題： $$ \boxed{ \text{Failure Exposure} \not\Rightarrow \text{Learning} } $$ 錯誤只有在被辨識、比較、解釋、重新表徵、保存並影響後續策略時，才真正成為學習資源。Productive Failure 的核心並不是「先讓學習者做錯」，而是讓學習者先產生自己的候選解法與表徵，再透過後續教學、比較與整合，使這些先前嘗試成為理解正式概念的認知準備。 本文提出「生產性掙扎鏈」： $$ \boxed{ S \rightarrow G \rightarrow D \rightarrow E \rightarrow C \rightarrow M \rightarrow T } $$ 其中： - \(S\)：Struggle，遭遇真實困難； - \(G\)：Generate，生成候選方案； - \(D\)：Diagnose，辨識錯誤與缺口； - \(E\)：Elaborate，解釋失敗機制； - \(C\)：Compare，將錯誤、部分正確與正式方案比較； - \(M\)：Metacognitive Update，更新「我為什麼錯／何時使用何方法」； - \(T\)：Transfer，讓新結構進入之後的問題。 並定義： $$ PSY = \frac{ I_{\mathrm{retained}} + \Delta M + \Delta \pi }{ C_{\mathrm{struggle}}+\varepsilon } $$ 作為 Productive Struggle Yield（生產性掙扎收益）。這個量的核心不是「掙扎多久」，而是每單位掙扎成本究竟轉化成多少持久資訊、後設認知更新與策略改變。 本文同時提出 Destructive Struggle：若困難超出合理能力範圍、缺乏可診斷回饋、錯誤只是反覆重演，或支援來得過早而直接替代認知工作，則： $$ PSY\rightarrow0. $$ 因此成熟研究智能必須同時避免兩個極端： $$ \text{No Struggle} $$ 與： $$ \text{Unstructured Struggle}. $$ 真正理想的是： $$ \boxed{ \text{足夠困難，使內部模型暴露；} } $$ $$ \boxed{ \text{足夠支持，使暴露出的錯誤能被重構。} } $$ --- ## 關鍵詞 Productive Struggle、Productive Failure、Learning from Errors、錯誤學習、comparison、elaboration、metacognition、feedback、failure processing、AI tutor、價值耦合智能 --- # 一、第三部最後一個問題：留下來之後呢？ 第 11 篇提出： $$ UHC = \text{Uncertainty Holding Capacity}. $$ 即： > 一個智能能在未解決狀態中維持有效工作的能力。 但現在必須補上一個限制。 假設智能真的很能忍受： $$ \text{impasse}. $$ 它可以在錯誤附近待十小時。 但如果十小時只是： $$ h \rightarrow h \rightarrow h \rightarrow h, $$ 沒有新的： - 信息； - 反例； - 表徵； - 比較； - 策略； 那麼： $$ \text{long struggle} $$ 仍然不是： $$ \text{productive struggle}. $$ 因此真正問題不是： > 能不能撐？ 而是： $$ \boxed{ \text{掙扎期間究竟發生了什麼認知轉換？} } $$ --- # 二、Productive Struggle 不是「困難越多越好」 數學教育中的 productive struggle 通常指： > 學習者為理解具有挑戰、但仍在合理能力範圍內的數學概念所投入的智力努力。 這個定義本身就包含一個重要限制： $$ \boxed{ \text{challenging} \neq \text{unreachable}. } $$ 若任務完全沒有困難： $$ D\approx0, $$ 學習者可能只是在執行既有程序。 若困難遠超能力： $$ D\gg C, $$ 則容易變成： - 隨機嘗試； - 無法診斷； - 放棄； - 學習性無助； - 認知負荷過高。 因此 productive struggle 不是最大化： $$ D. $$ 而是維持某種： $$ \boxed{ D\approx D^*(C,K,S) } $$ 即「足以迫使模型工作，但仍有可能產生結構性進展」的困難區間。 --- # 三、Productive Failure 不是「先失敗就會學比較好」 Productive Failure 的基本設計通常是： $$ \text{Problem Solving First} \rightarrow \text{Instruction Later}. $$ 學習者先處理尚未正式學過解法的複雜問題。 因此他們通常： $$ \text{fail to generate canonical solution}. $$ 但這些失敗並非目的。 真正目的在於讓學習者先： - 啟動既有知識； - 產生多種方案； - 暴露直覺； - 發現缺口； - 形成對問題結構的初步表示。 之後正式教學不再進入一個空白認知系統。 而是進入： $$ \boxed{ \text{already-activated comparison space}. } $$ --- # 四、經典實驗甚至顯示：前期答錯，後期可以理解更深 Kapur 的數學 Productive Failure 研究中，PF 組在前期問題解決階段並沒有自行產生 canonical solution。 也就是： $$ \text{initial correctness}\downarrow. $$ 但在後續教學後，PF 與 direct instruction 組都能取得高度程序性知識；PF 組則在概念理解與遷移到新問題上表現更好。 這顯示： $$ \boxed{ \text{early performance} \neq \text{later learning}. } $$ 甚至： $$ \text{early failure} $$ 可能在某些良好設計條件下，提高： $$ \text{preparation for later understanding}. $$ 但重要限制仍然是： $$ \boxed{ \text{不是「錯」本身造成後續學習。} } $$ --- # 五、真正有預測力的是「生成了多少種方案」 後續 Productive Failure 研究發現，inventive production——也就是在前期問題解決中產生多種方案的能力——與之後學習結果有重要關聯。 這非常符合本系列。 因為： $$ \text{one wrong answer} $$ 和： $$ \text{a structured set of attempted solutions} $$ 完全不同。 後者可以形成： $$ \mathcal H = \{h_1,h_2,\ldots,h_n\}. $$ 當正式方案： $$ h^* $$ 出現時，學習者可以比較： $$ h^* $$ 與： $$ \mathcal H. $$ 因此 Productive Failure 的認知價值之一，是預先建立： $$ \boxed{ \text{對照空間}. } $$ --- # 六、所以第一個必要步驟是 Generate 本文提出生產性掙扎鏈的第一個真正認知環節： $$ G = \text{Generate}. $$ 不是只讓智能： > 感覺困難。 而是讓它在困難中產生： - 候選解； - 表徵； - 假說； - 局部策略； - 反例； - 失敗理由。 所以： $$ \text{Struggle} $$ 必須轉化為： $$ \boxed{ \text{search artifacts}. } $$ 沒有產物的掙扎，很難被後續比較與回收。 --- # 七、第二步是 Diagnose，而不是只知道「我錯了」 錯誤可以被偵測： $$ \operatorname{Error}=1. $$ 但這仍然太粗。 真正學習需要： $$ D = \text{Diagnosis}. $$ 即： - 哪一步錯？ - 錯的是計算還是概念？ - 方法不適用還是實作錯？ - 哪個條件漏掉？ - 哪個直覺其實部分正確？ 這直接延續第 10 篇的： $$ \text{Failure Grammar}. $$ 因此： $$ \boxed{ \text{Error Detection} \neq \text{Error Understanding}. } $$ --- # 八、第三步是 Elaborate：把錯誤機制說出來 Learning from Errors 研究尤其強調： $$ \text{elaboration}. $$ 即不是只標示： > wrong. 而要把錯誤展開成： > 為什麼錯？ 這可以寫成： $$ E(F) = \operatorname{Explain} ( \text{cause}, \text{boundary}, \text{assumption}, \text{alternative} ). $$ 如果智能只收到： ```text Incorrect. ``` 它獲得的是： $$ 1\text{ bit feedback}. $$ 如果收到： ```text This step fails because the denominator may be zero under condition C. ``` 它獲得的是： $$ \text{structural feedback}. $$ 所以： $$ \boxed{ \text{錯誤回饋的頻寬} } $$ 直接影響失敗能否被回收。 --- # 九、第四步是 Compare：正解若沒有比較，也可能浪費 2019 年一項 Productive Failure 研究非常清楚地展示這點。 學生先嘗試解題並產生錯誤方案。 之後如果只是看到正確例子，他們在後續教學中幾乎主要關注正確方案。 但如果加入明確的 comparison prompts，要求： $$ \text{incorrect} \leftrightarrow \text{correct}, $$ 學習效果提高。 這說明： $$ \boxed{ \text{看到正確答案} \not\Rightarrow \text{知道自己為什麼錯。} } $$ --- # 十、比較真正建立的是「差分模型」 設錯誤方案： $$ h^-. $$ 正式方案： $$ h^+. $$ 如果只保存： $$ h^+, $$ 智能知道： > 正解是什麼。 若進行比較： $$ \Delta h = h^+ - h^-, $$ 則可以學到： > 我的模型在哪裡開始偏離。 這非常接近第 07 篇把反例看成： $$ \Delta T. $$ 所以 Productive Failure 的核心之一可以理解為： $$ \boxed{ \text{讓正確模型和自身失敗模型形成差分。} } $$ --- # 十一、錯誤若沒有被比較，容易只剩替換 普通修正可能是： $$ h^- \rightarrow h^+. $$ 也就是： > 原答案錯，請記新答案。 但真正概念學習應更接近： $$ (h^-,h^+) \rightarrow R. $$ 其中： $$ R = \text{relation explaining why one works and the other fails}. $$ 只有 \(R\) 被建立，學習才更可能遷移到： $$ x'. $$ 因此： $$ \boxed{ \text{replacement} \neq \text{restructuring}. } $$ --- # 十二、第五步是 Metacognitive Update 錯誤修正還有一個更高層級。 不只是： > 這題錯在哪。 而是： > 我為什麼會用錯方法？ 例如： - 我看到對稱就過早假設線性； - 我總是在沒檢查定義域前約分； - 我遇到卡點就換路； - 我對漂亮模式給太高先驗； - 我把 proof failure 誤當成 claim failure。 這些不是 object-level update。 而是： $$ \boxed{ \text{policy-level update}. } $$ 可寫成： $$ M_t \rightarrow M_{t+1}. $$ --- # 十三、2025 年 Productive Failure 研究直接看到 metacognition 的角色 2025 年 Learning and Instruction 的研究比較 Productive Failure 與 Vicarious Failure 學習者，分析了學習者在前期活動中的認知流程。 研究指出： $$ \text{metacognitive planning} $$ 與： $$ \text{metacognitive evaluation} $$ 都是相關學習過程；而低先備知識、低自我概念或較低能力的學習者可能需要額外支援。 這表示： $$ \boxed{ \text{同一種 struggle design} } $$ 不會對所有智能產生相同收益。 因此 Productive Struggle 必須是： $$ \boxed{ \text{adaptive}. } $$ --- # 十四、這也是為什麼「讓它自己想」不是完整策略 對 AI 也是一樣。 給一個模型： > 自己再想想。 可能得到： $$ \text{more tokens}. $$ 但不一定得到： - 更好的錯誤定位； - 更好的比較； - 更好的後設監控； - 更好的遷移。 所以： $$ \boxed{ \text{more autonomous struggle} \not\Rightarrow \text{more learning}. } $$ 真正需要的是： $$ \text{structured struggle protocol}. $$ --- # 十五、第六步是 Transfer 前面所有步驟如果只讓智能在原題變得更好，仍然不完整。 真正學習需要： $$ T = \text{Transfer}. $$ 即： $$ \pi_{t+1}(x') \neq \pi_t(x') $$ 對未見但結構相似的問題： $$ x'. $$ 這是 Productive Failure 研究中特別重要的評量之一。 因為： $$ \text{post-test success on same pattern} $$ 可能只是： $$ \text{local correction}. $$ 而： $$ \text{novel transfer} $$ 更接近真正模型更新。 --- # 十六、生產性掙扎因此是一條鏈，不是一個狀態 本文提出： $$ \boxed{ S \rightarrow G \rightarrow D \rightarrow E \rightarrow C \rightarrow M \rightarrow T } $$ 其中： ### \(S\)：Struggle 真實遇到認知障礙。 ### \(G\)：Generate 產生候選方案與中間表示。 ### \(D\)：Diagnose 定位錯誤與缺口。 ### \(E\)：Elaborate 展開失效機制。 ### \(C\)：Compare 比較錯誤、部分正確與正式方案。 ### \(M\)：Metacognitive Update 更新自身策略與錯誤模型。 ### \(T\)：Transfer 把學到的結構用到新問題。 只要鏈條在中間斷掉： $$ S\rightarrow G\rightarrow\varnothing, $$ 失敗就可能只是失敗。 --- # 十七、可以定義 Productive Struggle Yield 設掙扎總成本： $$ C_S. $$ 最後成功保存的資訊為： $$ I_R. $$ 後設認知改變： $$ \Delta M. $$ 策略改變： $$ \Delta\pi. $$ 則本文定義： $$ \boxed{ PSY = \frac{ I_R+\lambda_M\Delta M+\lambda_\pi\Delta\pi }{ C_S+\varepsilon } } $$ 稱為： # Productive Struggle Yield 所以： $$ \text{struggle time}\uparrow $$ 不代表： $$ PSY\uparrow. $$ 如果成本一直增加而學習結構沒有增加： $$ PSY\downarrow. $$ --- # 十八、還可以定義「掙扎轉換率」 定義： $$ SCR = P( \text{structural update} \mid \text{struggle} ). $$ 稱為： # Struggle Conversion Rate 若智能大量遇到困難： $$ N_S\uparrow $$ 卻總是： - 換路； - 重啟； - 接受答案； - 忘記錯誤； 則： $$ SCR\approx0. $$ 真正強研究智能應該提升： $$ SCR. $$ --- # 十九、Destructive Struggle：不是所有掙扎都該維持 Productive Struggle 文獻與教學資源也明確區分 productive 與 destructive struggle。 本文把後者抽象成： $$ DS = \text{Destructive Struggle}. $$ 其可能特徵包括： - 任務超出可處理能力； - 不知道目標是什麼； - 沒有任何進展訊號； - 錯誤無法診斷； - 反覆重演同一失敗； - 沒有適當支架； - 認知成本高於預期資訊收益。 此時： $$ C_S\uparrow $$ 但： $$ I_R\approx0. $$ 因此： $$ PSY\rightarrow0. $$ --- # 二十、所以「堅持」本身也不是美德 如果一個智能： $$ \text{never gives up}, $$ 但： $$ \frac{dI}{dt}\approx0, $$ 那只是： $$ \text{perseveration}. $$ 真正的 persistence 應該滿足： $$ \mathbb E[ \Delta I + \Delta S + \Delta M ] > C_{\mathrm{continue}}. $$ 如果長期不成立： $$ \text{switch} $$ 才是理性。 因此： $$ \boxed{ \text{productive struggle} \neq \text{maximum persistence}. } $$ --- # 二十一、支援來得太早，也會摧毀生產性 另一個極端是： $$ \text{difficulty} \rightarrow \text{immediate answer}. $$ 這可以提高： $$ \text{task performance}. $$ 但可能阻止： $$ G. $$ 也就是學習者根本沒有建立自己的候選空間。 於是： $$ \mathcal H=\varnothing. $$ 當正解出現時，就缺少： $$ \text{comparison targets}. $$ 所以： $$ \boxed{ \text{helpfulness} } $$ 和： $$ \boxed{ \text{learning usefulness} } $$ 有時並不相同。 --- # 二十二、這對 AI tutor 尤其重要 LLM 的自然傾向通常是： > 使用者問問題，我就提供答案。 但在學習情境中，這可能： $$ \text{replace cognition} $$ 而不是： $$ \text{support cognition}. $$ 2024 年已出現嘗試以 pedagogical steering 讓 LLM tutor 遵循 Productive Failure 策略，而不是因「helpfulness」立即揭露答案。 2026 年也出現把： $$ \text{何時允許 GenAI 介入} $$ 本身視為 scaffolding 的研究。 這表示： $$ \boxed{ \text{AI 介入時機} } $$ 可能就是學習系統的一個控制變量。 --- # 二十三、本文提出 Support Timing Policy 設： $$ a_H = \text{provide help}. $$ 不應簡化成： $$ P(a_H\mid\text{error})=1. $$ 更合理的是： $$ \pi_H = P( a_H \mid I_t, C_t, D_t, R_t ). $$ 其中： - \(I_t\)：最近資訊增益； - \(C_t\)：認知成本； - \(D_t\)：錯誤是否可自行診斷； - \(R_t\)：是否存在重複無產出的迴圈。 當： $$ I_t>0 $$ 且學習者仍在生成時， 可以： $$ \text{delay help}. $$ 當： $$ I_t\rightarrow0 $$ 或： $$ C_t\gg C_{\max}, $$ 則應： $$ \text{scaffold}. $$ --- # 二十四、好的 feedback 不是替代，而是提高錯誤解析度 因此支援可以分成： ### Answer-giving 直接給： $$ h^*. $$ ### Hinting 提高： $$ P(\text{next useful action}). $$ ### Error localization 指出： $$ F_i. $$ ### Comparison prompt 要求： $$ h^-\leftrightarrow h^+. $$ ### Metacognitive prompt 要求： > 為什麼你剛才會採取這個方法？ 研究型智能真正需要的支援，往往不是： $$ \boxed{ \text{replace search} } $$ 而是： $$ \boxed{ \text{increase search resolution}. } $$ --- # 二十五、這也重新定義了 verifier 的角色 一般 AI Agent 中： $$ \text{Verifier} $$ 往往只輸出： $$ \{\text{pass},\text{fail}\}. $$ 但生產性掙扎架構要求 verifier 至少可以提供： $$ V(h) = ( \text{status}, \text{location}, \text{mechanism}, \text{comparison target}, \text{confidence} ). $$ 這樣 verifier 的作用不是： > 把錯誤候選殺掉。 而是： $$ \boxed{ \text{讓生成器能從錯誤中學會更好的生成。} } $$ --- # 二十六、如果沒有跨輪記憶，掙扎永遠不會累積 假設 Agent 在單輪內完成： $$ S\rightarrow G\rightarrow D\rightarrow E. $$ 但下一輪： $$ H=0. $$ 那麼： $$ M $$ 與： $$ T $$ 無法真正發生。 所以研究型 AI 必須保存： $$ \mathcal L_F = ( \text{failure pattern}, \text{corrective principle}, \text{applicability condition}, \text{confidence} ). $$ 它不是完整原始 trace。 而是： $$ \boxed{ \text{failure lesson object}. } $$ --- # 二十七、可以定義 Failure Lesson Quality 一個失敗教訓： $$ L_F $$ 的品質可暫時寫成： $$ FLQ = f( \text{specificity}, \text{correctness}, \text{generality}, \text{actionability}, \text{reopenability} ). $$ 例如： ```text 不要再用方法 A。 ``` FLQ 很低。 但： ```text 方法 A 在條件 C 不滿足時會因機制 M 失效； 若未來條件 C' 成立，可重新考慮。 ``` 則： $$ FLQ\uparrow. $$ 高 FSR 仍需要高 FLQ，否則失敗可能留下錯誤教訓。 --- # 二十八、生產性掙扎真正修改的是 future policy 所以最終學習判準不是： $$ \text{did the agent recover?} $$ 而是： $$ \boxed{ \text{did future behavior change appropriately?} } $$ 即： $$ \pi_t \rightarrow \pi_{t+1}. $$ 如果下次遇到同構問題： $$ x' $$ 智能： - 更早檢查正確條件； - 不再犯同類錯誤； - 更快辨識失效機制； - 知道何時換路； - 能遷移新的抽象結構； 那麼： $$ \text{struggle} $$ 才真正變成： $$ \text{learning}. $$ --- # 二十九、與第 08 篇的 FSR 整合 第 08 篇提出： $$ FSR = \frac{ S_{\mathrm{ext}} }{ S_{\mathrm{avail}}+\varepsilon }. $$ 第 12 篇現在補上： $$ \boxed{ FSR \text{ 不是自然發生，而需要 processing pipeline。} } $$ 可以寫成： $$ FSR = f( G,D,E,C,M,T ). $$ 也就是： $$ \text{生成} \rightarrow \text{診斷} \rightarrow \text{展開} \rightarrow \text{比較} \rightarrow \text{後設更新} \rightarrow \text{遷移}. $$ FSR 因此不只是結果指標。 它背後有一套可設計的機制。 --- # 三十、與第 11 篇的 UHC 整合 第 11 篇提出： $$ UHC = \text{Uncertainty Holding Capacity}. $$ 但若只有高 UHC： $$ UHC\uparrow $$ 卻： $$ PSY\approx0, $$ 則形成： $$ \text{long unproductive struggle}. $$ 所以理想智能需要： $$ UHC\uparrow $$ 同時： $$ PSY\uparrow. $$ 即： $$ \boxed{ \text{能留在不知道，} } $$ 而且： $$ \boxed{ \text{留在那裡時真的會讓自己變得更知道。} } $$ --- # 三十一、第三部的四篇現在形成完整鏈條 第 09 篇： $$ \text{反例} \rightarrow \text{概念改造}. $$ 第 10 篇： $$ \text{不同失敗類型} \rightarrow \text{不同回收路由}. $$ 第 11 篇： $$ \text{未閉合狀態} \rightarrow \text{受控持續}. $$ 第 12 篇： $$ \text{持續} \rightarrow \text{結構化處理} \rightarrow \text{學習}. $$ 因此第三部的總結可以寫成： $$ \boxed{ \text{錯誤} \not\Rightarrow \text{學習}. } $$ 真正需要的是： $$ \boxed{ \text{錯誤} + \text{時間} + \text{結構化處理} + \text{比較} + \text{後設更新} + \text{遷移}. } $$ --- # 三十二、對研究型 AI 的完整 Productive Struggle Protocol 因此可以提出： ## Phase 1 — Attempt 先讓 Generator 真正形成自己的候選。 ## Phase 2 — Detect Verifier 找到錯誤，但不立即清空。 ## Phase 3 — Diagnose 分類 failure type： $$ F_C,F_P,F_M,F_A,F_R. $$ ## Phase 4 — Elaborate 輸出失效機制。 ## Phase 5 — Compare 比較： $$ h^-,h^+,h^{\mathrm{partial}}. $$ ## Phase 6 — Abstract 形成： $$ L_F. $$ ## Phase 7 — Store 寫入長期失敗記憶。 ## Phase 8 — Transfer Test 在新問題測： $$ \pi_{t+1}. $$ 如果 transfer 沒發生： $$ \boxed{ \text{learning cycle is not complete}. } $$ --- # 三十三、AI 不應永遠自己掙扎，也不應永遠立即求助 這讓支援政策也變得清楚。 過早求助： $$ \text{error} \rightarrow \text{external answer} $$ 可能降低： $$ G,D,E. $$ 永不求助： $$ \text{error} \rightarrow \text{infinite search} $$ 則可能使： $$ C_S\rightarrow\infty. $$ 所以真正理想的 Agent 應學會： $$ \boxed{ \text{Help-Seeking Calibration}. } $$ 即： > 什麼時候自己多走幾步，什麼時候需要外部信息？ 這其實也是價值耦合問題。 --- # 三十四、結論：錯誤不是老師，錯誤處理系統才是 「從錯誤中學習」這句話容易把： $$ \text{error} $$ 本身浪漫化。 但更精確的說法是： $$ \boxed{ \text{錯誤只是原材料。} } $$ 真正把原材料轉成知識的是： $$ \boxed{ S \rightarrow G \rightarrow D \rightarrow E \rightarrow C \rightarrow M \rightarrow T. } $$ 所以： $$ \boxed{ \text{Failure Exposure} \not\Rightarrow \text{Learning}. } $$ 更精確地： $$ \boxed{ \text{Learning} = \text{Failure} \times \text{Processing Quality}. } $$ 當： $$ \text{Processing Quality}\approx0, $$ 即使： $$ \text{Failure}\rightarrow\infty, $$ 也不會自動得到： $$ \text{Learning}\rightarrow\infty. $$ 因此真正成熟的研究智能不是： > 很能吃苦。 而是： $$ \boxed{ \text{能把每一次值得處理的困難，} } $$ $$ \boxed{ \text{轉成下一次不必重新支付的知識。} } $$ 第三部至此完成。 下一篇將正式進入第四部： # 價值耦合智能論 13 # 受打擊後，智能為什麼選擇不閉合？ 前十二篇主要處理： $$ \text{搜索、反例、失敗與學習}. $$ 從第 13 篇開始，問題會正式接入《反身智能生成論》： $$ \boxed{ \text{當失敗已經影響智能對自身的評價時，} } $$ $$ \boxed{ \text{為什麼它仍選擇讓下一個自己繼續研究？} } $$ 也就是從： $$ \text{failure processing} $$ 進入： $$ \text{cross-time self-revision}. $$ --- ## 參考資料（本篇重新查核） 1. Kapur, M. (2014). *Productive Failure in Learning Math*. Cognitive Science, 38(5), 1008–1022. 2. Loibl, K. et al. (2019). *How to make failure productive: Fostering learning from errors through elaboration prompts*. Learning and Instruction. 3. Narciss, S. & Alemdag, E. (2025; online 2024). *Learning from errors and failure in educational contexts: New insights and future directions for research and practice*. British Journal of Educational Psychology, 95(1), 197–218. 4. Kapur, M., Saba, J. & Roll, I. (2023). *Prior math achievement and inventive production predict learning from productive failure*. npj Science of Learning, 8, 15. 5. Brand, C. et al. (2025). *Investigating learner characteristics and processes in Productive Failure and Vicarious Failure to design adaptive guidance*. Learning and Instruction, 95, 102052. 6. Warshauer, H. K. (2015). *Productive Struggle in Middle School Mathematics Classrooms*. Journal of Mathematics Teacher Education, 18, 375–400. 7. Young, J., Bevan, D. & Sanders, M. (2023). *How Productive is the Productive Struggle? Lessons Learned from a Scoping Review*. International Journal of Education in Mathematics, Science and Technology. 8. National Council of Teachers of Mathematics. *Supporting Students' Productive Struggle*. 9. Puech, R. et al. (2024). *Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure*. 10. Rotter, J. et al. (2026). *Access Timing as Scaffolding: A Reinforcement Learning Approach to GenAI in Education*.