SAIL 方法論四構面之理論推導關係

從生成式 AI 使用問題到 SAIL 建構

SAIL 方法論的四個構面，並非單純由英文字母組合而成，也不是將既有理論直接套用於 AI 使用情境之中。其形成邏輯，應理解為從教育現場與行政現場使用生成式 AI 時所面臨的實際問題出發，經由教育心理學、教師專業實踐、人機協作與學習理論的觀點加以整理，最後推導出一組可供教師、行政人員與學習者有意識使用 AI 的方法論架構。

生成式 AI 進入教育現場後，使用者面臨的核心問題已不只是「是否會使用工具」，而是如何在 AI 介入任務的過程中，仍然保有人的判斷、理解、反思與學習主體性。若 AI 僅被視為快速產出答案或替代人工的工具，使用者可能在短期內獲得效率，卻也可能產生理解空洞、判斷外包、脈絡流失與專業弱化等問題。

因此，SAIL 方法論嘗試回應四個問題：面對大量重複性、瑣碎性與低價值工作時，如何讓 AI 協助使用者釋放注意力？面對複雜且具脈絡性的教育與行政問題時，如何讓 AI 協助使用者擴展觀察角度？面對 AI 快速產出的片段材料時，如何由使用者重新整合、判斷與脈絡化？面對 AI 可能造成的快速完成與假性理解時，如何讓 AI 使用回到深度學習與能力成長？

基於上述問題，SAIL 形成四個構面：S｜Simplify the clutter｜簡化瑣碎工作、A｜Amplify perspectives｜擴展視角、I｜Integrate ideas｜整合想法、L｜Learn deeply｜深化學習。這四個構面並非線性步驟，而是一組可以往返運作的思考框架。使用者可先透過 AI 簡化雜務，再透過 AI 擴展視角，接著將 AI 產出的材料整合為具脈絡的方案，最後透過反思與追問深化理解。四者共同構成「有意識使用 AI」的方法論基礎。

SAIL 方法論之本體定義

SAIL 方法論由彭智標（Chih-Piao Peng）於 2026 年提出，可界定為一套「有意識使用 AI 的方法論」。其核心定義如下：

此一定義包含三層意涵。第一，SAIL 承認 AI 在處理瑣碎、重複、低價值任務上的效率價值。第二，SAIL 強調 AI 不應只被用來加速產出，也應作為擴展視角與補足盲點的認知工具。第三，SAIL 將人的整合、判斷與學習置於核心位置，避免 AI 使用淪為無意識的代做或外包。

因此，SAIL 的本體並不是「四個步驟」的線性流程，而是四個相互關聯的使用構面。使用者可以依任務需求從任一構面切入，但完整的 AI 使用實踐，通常需要在四個構面之間往返修正。此方法論所關注的不是 AI 能替人做多少，而是 AI 介入後，人是否更能釐清任務、看見脈絡、整合材料並深化理解。

SAIL 四構面之理論推導

S｜Simplify the clutter｜簡化瑣碎工作

在教育與行政現場中，教師與行政人員經常面對大量非核心但又不可避免的任務，例如資料彙整、通知改寫、表格整理、會議紀錄摘要、活動流程初稿、家長訊息草擬、成果報告格式化與公文重點摘錄等。這些工作本身未必具有高度專業價值，但若無法妥善處理，仍會佔據大量時間與注意力。

理論闡述：認知負荷理論

認知負荷理論的核心假設是：人在處理新資訊、理解問題與進行決策時，主要依賴容量有限的工作記憶。若任務同時要求使用者記住太多資訊、切換太多格式、處理太多程序細節，工作記憶便會被非核心資訊佔據，導致真正用於理解、判斷與問題解決的資源下降。此理論通常區分內在負荷、外在負荷與促進學習的有效負荷。內在負荷來自任務本身的複雜度，例如理解自然科概念或判斷評量目標；外在負荷則來自呈現方式、格式轉換、資料雜亂、步驟繁瑣或重複操作；有效負荷則是學習者投入於建構理解、形成策略與精進判斷的認知努力。

從教育與行政現場來看，教師與行政人員真正需要保留認知資源的部分，往往是課程目標判斷、學生學習困難分析、評量品質檢核、行政決策與溝通策略。然而，日常工作中大量格式整理、資料彙整、文字改寫與表格轉換，主要增加的是外在負荷。這些工作雖然必要，卻不直接構成專業判斷本身；若它們佔據過多注意力，便會使專業者在進入核心任務前已經消耗大量心智資源。

由理論推導到 S 構面

由認知負荷理論推導 S 構面時，關鍵在於區分「必要的專業思考」與「可被外部化處理的程序性負荷」。重複性、格式化與低判斷密度工作，雖然構成教育與行政任務的必要環節，卻通常不屬於專業判斷的核心。若這類工作佔據過多工作記憶，將削弱使用者處理概念理解、學生需求、評量品質與行政決策的能力。因而，S 構面不是以效率提升作為唯一理由，而是以「降低外在負荷、保留核心認知資源」作為理論依據。簡化瑣碎工作，正是使專業者能將有限注意力重新配置到高判斷密度任務的必要條件。

S 構面的推導邏輯在於：當外在負荷過度佔據工作記憶時，專業判斷的可用認知資源會被壓縮；因此，AI 應被配置於降低程序性與格式性負荷的位置，而非被配置於取代專業判斷的位置。

在 S 構面中，AI 的任務定位不是「完成更多工作」，而是協助使用者辨識並處理那些不應佔據主要認知資源的外在負荷。人的責任則在於判斷任務性質：哪些屬於可外部化的資料整理、格式轉換與初步歸納，哪些仍涉及目的、價值、品質與脈絡判斷。S 構面的成立，取決於這種任務分辨能力，而非工具使用量。

若 S 構面被簡化為產量導向，便可能偏離認知負荷理論的原意。大量產出文件、教材或行政文字，若未經目的檢核與品質判斷，反而會形成新的整理負擔。因此，S 構面的真正意義不在於增加產出，而在於透過降低外在負荷，使專業者能重新回到需要理解、判斷與設計的工作核心。

A｜Amplify perspectives｜擴展視角

教育與行政工作多半不是標準化問題，而是具有情境性、複雜性與不確定性的實務問題。例如，一份試卷設計不只涉及題目正確與否，也涉及學生理解程度、閱讀負荷、迷思概念、評量目標、公平性與課程脈絡；一項學校活動規劃，也不只涉及流程安排，還涉及教師負擔、學生安全、家長溝通、行政分工與風險管理。

理論闡述：反思實踐理論

反思實踐理論指出，專業工作者面對的真實問題，常常不是可以套用固定規則的技術性問題，而是包含不確定性、價值衝突、情境限制與多方利害關係的實務問題。專業能力不只表現在執行既定程序，更表現在能否辨識問題如何被界定、哪些觀點被納入、哪些條件被忽略，以及行動後如何根據回饋重新修正判斷。此理論中特別重要的是「重新框定問題」與「行動中的反思」：專業者需要在問題尚未完全清楚時，透過提問、試探、比較與回看，逐步形成更合適的理解。

教育現場的課程設計、試卷命題與行政規劃，都具有這種反思實踐的特徵。教師若只從自己的教學經驗判斷題目，可能忽略學生閱讀負荷、迷思概念或文化背景；行政人員若只從承辦效率安排活動，可能忽略第一線教師負擔、家長理解方式或學生安全風險。換言之，專業實踐的弱點常不在於缺少答案，而在於問題被單一視角過早固定。

由理論推導到 A 構面

由反思實踐理論推導 A 構面時，關鍵在於問題並非總是以明確、穩定且中立的形式出現。教育與行政判斷往往先受到角色位置、經驗範圍與制度條件的限制，因而需要透過重新框定來發現原先未被納入的面向。生成式 AI 在此處的理論位置，不是提供結論，而是作為反思材料的生成來源，使使用者能檢視同一問題在不同角色、價值與風險脈絡下的可能意義。A 構面因此被推導為「擴展視角」：它使問題判斷從單一經驗框架，轉向可被比較、質疑與重新界定的多重框架。

A 構面的推導邏輯在於：專業實踐中的盲點往往來自問題框定過早或視角過窄；因此，AI 應被配置於產生反思材料與多重觀點的位置，而最終價值排序與行動選擇仍由人承擔。

在 A 構面中，AI 的方法論功能在於提供可供比較的觀點材料，而非宣稱其觀點即代表現實全貌。人的角色則是反思實踐者：需要判斷哪些觀點具有現場相關性、哪些觀點過度概括、哪些觀點涉及價值衝突或行動限制。A 構面的成立，取決於使用者能否將多重觀點轉化為更精確的問題理解，而非單純累積更多立場。

若 A 構面被誤解為要求 AI 列出所有可能角度，便容易落入模板化分析。多觀點本身不必然等於深刻理解；只有當觀點能促成問題重新界定、風險辨識與判斷修正時，才具有反思實踐上的意義。因此，A 構面的核心不在於增加觀點數量，而在於提高問題框定的品質。

I｜Integrate ideas｜整合想法

生成式 AI 介入教育與行政任務後，使用者取得教案、試題、活動流程、學習單、評量規準、計畫書或成果報告初稿的門檻明顯降低。然而，材料取得的便利性並不等同於方案品質的提升。專業方案的成立，仍需通過目的、脈絡、對象、限制條件與責任歸屬的檢核；若缺乏此一檢核，形式完整的材料仍可能只是未經判斷的片段集合。

理論闡述一：鷹架理論與近側發展區

鷹架理論與近側發展區強調，學習支持的目的不是取代學習者完成任務，而是協助學習者在支持下完成原本尚無法獨立完成、但有能力逐步掌握的工作。有效的鷹架通常具有暫時性、結構性與漸退性：它先協助學習者看見任務結構、降低初期困難、提供可操作的步驟與範例，之後再隨著學習者能力提升而逐漸撤除。若支持工具始終取代學習者判斷，便不是鷹架，而是能力外包。

將此觀點放入 AI 使用情境，AI 產出的教案、試題、流程或報告，不能被視為直接可採用的終稿，而應被視為待組織、待檢核、待修正的外部支援材料。其鷹架價值在於提供任務結構的暫時性參照，而非取代使用者對任務邏輯的理解。使用者必須在重新組織材料的過程中辨識任務目的、判斷內容適切性，並逐步形成自己的專業判斷能力。

理論闡述二：TPACK 架構

TPACK 架構指出，教師使用科技進行教學時，不能只掌握科技工具，也必須同時整合學科知識、教學知識與科技知識。科技是否有效，不取決於工具本身多強，而取決於它是否被放在合適的學科內容、學生理解狀態與教學策略之中。對自然科試卷設計而言，題目形式的生成只是初步材料；題目是否對應核心概念、是否符合學生認知發展、是否能檢測迷思概念、是否符合課程目標與評量目的，仍需要教師以學科與教學專業重新判斷。

由理論推導到 I 構面

由鷹架理論、近側發展區與 TPACK 推導 I 構面時，關鍵在於區分「外部支援材料」與「專業方案成立」兩個層次。生成式 AI 所提供的內容，可被理解為任務初期的暫時性支援：它降低構思門檻，提供可供比較的形式與結構，但尚未具有教育或行政專業上的充分正當性。方案是否成立，仍取決於使用者能否以學科知識、教學知識、學生理解、行政條件與現場限制加以檢核。因而，I 構面並非單純要求使用者彙整 AI 產出，而是要求使用者將外部支援材料轉化為具目的性、脈絡一致性與實踐可行性的專業判斷結果。此一轉化過程，正是「整合想法」之所以成為獨立構面的理論依據。

I 構面的推導邏輯在於：外部支援材料不等於專業方案；因此，AI 應被配置於提供暫時性結構與可檢核材料的位置，而方案的目的性、脈絡一致性與實踐可行性仍須由人加以整合與判斷。

在 I 構面中，AI 的方法論功能在於提供暫時性結構、替代材料與檢核線索。人的角色則是整合者與脈絡建構者：必須判斷材料是否符合任務目的、如何取捨與排序、哪些內容需被修正或排除，以及如何轉化為符合真實情境的方案。I 構面的成立，取決於使用者能否完成這個由材料到方案的專業轉化。

I 構面提醒我們，AI 使用的風險不只在於錯誤，也在於「看似完整」。語句通順、結構完整的文本，可能掩蓋其與具體對象、限制條件、執行脈絡與後續評估之間的落差。因此，I 構面的核心並非整合更多材料，而是確立材料能否在特定教育或行政情境中成立。

L｜Learn deeply｜深化學習

生成式 AI 能迅速產生完整文字、解釋、教案、試題與報告，這使使用者可以在很短時間內取得看似成熟的成果。然而，快速完成不一定代表真正理解。使用者可能能夠交出一份文件，卻未必理解其中的概念關係、設計理由、限制條件與修正方向。

理論闡述一：深度學習

深度學習強調，學習不應停留在表層記憶、答案複製或任務完成，而應包含概念理解、關係建立、解釋能力、遷移應用與批判反思。從此觀點看，學習成果的價值不只在於是否產出一份看似完整的文件，而在於學習者是否能說明其理由、辨識限制、連結相關概念，並在新情境中調整使用。生成式 AI 的高效率可能讓使用者快速取得成品，但也可能使理解歷程被跳過。

理論闡述二：自我調節學習

自我調節學習強調，學習者需要設定目標、監控理解、選擇策略、評估成果並根據回饋修正行動。重要的不是一次取得正確答案，而是能持續辨識「我現在懂到哪裡」「哪些地方仍不清楚」「我應該用什麼策略檢查與改進」。AI 若被用來生成最終答案，可能削弱自我監控；但若被用來提出追問、比較版本、檢查論述漏洞、設計自我檢核表，便能成為促進自我調節的工具。

理論闡述三：人本 AI

人本 AI 強調，AI 的設計與使用應服務於人的能力發展、主體性、福祉與價值判斷，而不是讓人更依賴系統、更少理解任務或更難承擔責任。對教育而言，AI 的成效不能只以速度或產量衡量，也應檢視它是否使教師、學生與行政人員更能理解問題、做出判斷、反思限制並持續學習。

由理論推導到 L 構面

由深度學習、自我調節學習與人本 AI 推導 L 構面時，關鍵在於區分「任務完成」與「理解形成」。生成式 AI 所產生的完整文本或答案，可能在形式上滿足任務要求，卻未必代表使用者已建立概念關係、理解判斷理由或具備遷移能力。若 AI 使用停留在成果取得，學習歷程可能被壓縮為輸入與輸出之間的操作；若 AI 使用被納入目標設定、理解監控、錯誤檢查與反思修正，則可成為深化學習的支持條件。L 構面因此被推導為「深化學習」：它要求 AI 使用回到人的理解形成、自我監控與能力發展。

L 構面的推導邏輯在於：任務完成不必然等於理解形成；因此，AI 應被配置於促進概念連結、理解監控與反思修正的位置，而非被配置為學習歷程的替代終點。

在 L 構面中，AI 的方法論功能在於提供反思與理解檢核的條件，例如協助呈現理由結構、暴露論述缺口、比較不同解釋或形成後設認知問題。人的角色則是學習主體：必須判斷自己是否真正理解、哪些部分仍需修正，以及如何將任務成果內化為可再次運用的知識。L 構面的成立，取決於使用者是否能將 AI 互動轉化為理解監控與能力成長。

若 L 構面被誤解為追求更完整的答案成品，便會削弱深度學習與自我調節學習所強調的主體性。真正具有教育意義的 AI 使用，不是縮短思考歷程本身，而是使思考歷程更可見、更可檢查，也更能導向概念理解與反思修正。

四構面之間的整體推導關係

SAIL 四構面雖然可以分別討論，但在實際使用中並非彼此獨立。它們共同構成一個由任務處理到深度學習的 AI 使用循環。

S 構面處理的是「雜訊過多」的問題，重點在於降低外在負荷，使注意力得以回到核心判斷。A 構面處理的是「視角不足」的問題，重點在於透過多重觀點重新檢視問題框定。I 構面處理的是「材料存在但方案未必成立」的問題，重點在於將外部支援材料轉化為具脈絡與目的的專業方案。L 構面處理的是「任務完成但理解不足」的問題，重點在於使 AI 使用回到理解監控、反思修正與能力成長。

因此，SAIL 的整體推導並非把 AI 視為單一功能工具，而是把 AI 置於人的專業工作與學習歷程之中：先降低雜訊，再擴展視角，接著整合材料，最後回到反思與能力成長。這也說明 SAIL 的方法論核心不在於固定流程，而在於讓使用者能有意識地判斷 AI 在不同任務階段中的合適位置。

理論對話與文獻基礎

SAIL 方法論雖源自教育與行政現場的實作需求，但其四構面可與多項教育理論、人機互動理論與 AI 素養框架形成對話。這些理論不是外加的註腳，而是說明四構面何以成立的推導基礎。

認知負荷理論

認知負荷理論提供 S 構面的主要推導基礎。此理論不只是說明工作記憶有限，更重要的是區分哪些負荷來自任務本質，哪些負荷來自不必要的呈現、程序與操作雜訊。對教師與行政人員而言，課程判斷、學生理解分析與行政決策屬於需要保留的核心認知工作；格式轉換、資料重排、文字初稿與重複彙整則多半屬於可降低的外在負荷。因此，S 構面主張 AI 應優先用於降低外在負荷，使人的注意力能回到內在負荷與有效負荷所對應的專業判斷與學習建構。

反思實踐理論

反思實踐理論提供 A 構面的推導基礎。教育與行政問題常具有不確定性與價值張力，專業者需要在行動中持續觀察、重新框定問題並修正判斷。此理論的關鍵不在於要求更多答案，而在於促成更好的問題意識。AI 因此可被安排為反思對話者、角色模擬者與觀點對照者，協助使用者從學生、教師、家長、行政、評量公平性與倫理風險等角度重新檢視方案。A 構面正是由「重新框定問題」與「多角度反思」這兩個理論重點推導而來。

鷹架理論與近側發展區

鷹架理論與近側發展區提供 I 構面的第一層推導基礎。有效的支持應協助學習者進入原本尚不能獨立完成、但透過引導可以逐步掌握的任務區域。生成式 AI 所提供的語言、結構、範例與檢核線索，具有暫時性鷹架的性質；但若使用者只是直接接受外部產出，支持便會變成替代。I 構面因此強調，外部支援材料必須經由人的組織、判斷與內化，才能轉化為使用者自己的設計能力。

TPACK 與教師專業知能

TPACK 架構提供 I 構面的第二層推導基礎。它提醒教師，科技使用不能獨立於學科內容與教學策略之外。自然科試題即使形式完整，若未經教師檢核，仍可能偏離核心概念、學生程度或評量目的。因而，I 構面不把生成材料視為成品，而是要求教師以學科知識、教學知識與科技知識重新整合。此處的整合，不只是編輯文字，而是判斷材料是否能在特定課程脈絡中成立。

深度學習與自我調節學習

深度學習與自我調節學習提供 L 構面的推導基礎。深度學習強調概念連結、理解遷移與批判反思；自我調節學習則強調目標設定、理解監控、策略調整與反思修正。若 AI 使用只指向答案取得，使用者可能停留在表層完成；若 AI 使用被納入理由追問、版本比較、概念檢查、盲點辨識與自我檢核，則有助於使用者監控自己的理解。L 構面因此將 AI 定位為深化理解的支持條件，而非任務完成的終點。

人本 AI 與人機協作

人本 AI 與人機協作觀點貫穿 SAIL 四構面。其核心在於，AI 應服務於人的能力發展、價值判斷與責任承擔，而不是使人喪失主體性。從此觀點回看 SAIL：S 將 AI 配置於降低外在負荷的位置，使人保留注意力；A 將 AI 配置於提供反思材料的位置，使人重新檢視判斷；I 將 AI 配置於提供外部支援材料的位置，使人負責脈絡整合；L 將 AI 配置於理解檢核與反思修正的位置，使人深化學習。SAIL 因此可被視為一套具人本取向的人機協作方法論。

教育現場應用

AI 協助試卷出題

AI 協助行政工作流

SAIL 亦可用於教育行政。例如收到公文後，AI 可先摘要與拆解任務；接著從承辦人、主管、教師、家長與學生角度檢查流程；再整合 Google Workspace、Apps Script、表單、資料夾、通知信與進度追蹤；最後將本次行政任務沉澱為可複用的 SOP 與知識庫。

AI 協助教師專業成長

在教師專業成長方面，SAIL 可協助教師整理研習資料、生成反思問題、比較不同教學策略、分析班級經營困境，並將零散經驗轉化為可討論、可紀錄、可改進的專業文本。

未來延伸方向

發展為教師 AI 素養課程

SAIL 可被設計為教師研習課程，從工具焦慮與方法論需求切入，逐步討論簡化瑣務、擴展視角、整合方案與深化學習，最後以真實任務進行工作坊實作。

發展為 AI 使用檢核表

未來可建立 SAIL 檢核表，協助使用者自我檢查：是否明確界定任務？是否保留人的判斷？是否請 AI 擴展視角？是否重新整合 AI 產出？是否在使用 AI 後獲得更深理解？

發展為教學設計模板

SAIL 可被轉化為教案設計模板，包含教學目標、學生先備知識、AI 可簡化的準備工作、AI 可擴展的視角、教師整合後的活動設計，以及學生深化學習的提問與任務。

發展為教育行政 AI 工作流

SAIL 可支援教育行政減量，形成從公文摘要、任務拆解、資料夾建立、表單設計、通知派送、進度追蹤到成果報告的半自動或自動化流程。

發展為研究工具或評估量表

SAIL 亦可進一步發展成教師 AI 使用能力量表，用於評估任務簡化能力、多觀點檢核能力、結構整合能力、深度反思能力與 AI 倫理意識。

結論

SAIL 方法論的核心，不在於提供一組固定操作步驟，而在於建立一種有意識使用 AI 的思考框架。它回應的不是「AI 可以幫我們做什麼」這個單純工具問題，而是「人在使用 AI 的過程中，如何仍然保有判斷、理解與學習主體性」這個更深層的教育問題。

從理論推導來看，SAIL 四構面分別回應不同層次的 AI 使用風險與可能性：S 強調透過 AI 降低外在負荷，使人有餘裕思考；A 強調透過 AI 擴展視角，使人能看見更多脈絡與盲點；I 強調由人整合 AI 產出，使材料轉化為有目標、有脈絡、可執行的方案；L 強調把 AI 使用轉化為理解、反思與能力成長。

AI 的價值不在替人完成思考，而在改善人思考的條件；AI 的目的不只是提升效率，而是協助使用者在複雜任務中保有判斷、深化理解，並持續學習。

因此，SAIL 可以被理解為一套面向教育現場與專業實踐的 AI 使用方法論。其後續價值不只在於教師研習、行政減量、課程設計或 AI 素養研究，更在於提供一套可被反覆檢核的語言，使使用者能在不同任務中判斷 AI 的合適位置，並維持人的專業責任與學習主體性。

參考文獻

1. Bloom, B. S. (Ed.). (1956). Taxonomy of educational objectives: The classification of educational goals. Handbook I: Cognitive domain. David McKay.
2. European Commission & OECD. (2025). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education (Review draft). https://ailiteracyframework.org/wp-content/uploads/2025/05/AILitFramework_ReviewDraft.pdf
3. Marton, F., & Säljö, R. (1976). On qualitative differences in learning: I—Outcome and process. British Journal of Educational Psychology, 46(1), 4–11. https://doi.org/10.1111/j.2044-8279.1976.tb02980.x
4. Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054. https://doi.org/10.1111/j.1467-9620.2006.00684.x
5. OECD. (2023). OECD digital education outlook 2023: Towards an effective digital education ecosystem. OECD Publishing. https://doi.org/10.1787/c74f03de-en
6. Schön, D. A. (1983). The reflective practitioner: How professionals think in action. Basic Books.
7. Shneiderman, B. (2022). Human-centered AI. Oxford University Press.
8. Stanford Teaching Commons. (n.d.). Understanding AI literacy. Stanford University. Retrieved June 7, 2026, from https://teachingcommons.stanford.edu/teaching-guides/artificial-intelligence-teaching-guide/understanding-ai-literacy
9. Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
10. Sweller, J., van Merriënboer, J. J. G., & Paas, F. G. W. C. (1998). Cognitive architecture and instructional design. Educational Psychology Review, 10(3), 251–296. https://doi.org/10.1023/A:1022193728205
11. UNESCO. (2023). Guidance for generative AI in education and research. https://unesdoc.unesco.org/ark:/48223/pf0000386693
12. UNESCO. (2024). AI competency framework for teachers. https://unesdoc.unesco.org/ark:/48223/pf0000391104
13. Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
14. Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2