過去幾年,高等教育對生成式人工智能的討論,往往集中在一個問題:學生可以讓人工智能代做功課。
這確實重要。如果人工智能能令人信服地完成評估,而學生毋須理解內容,評估可能需要改變。增加口頭提問、示範、應用、答辯、實務操作或追問,都可能讓學生自己的理解更清晰。
但評估只是教育的一部分。我愈來愈認為,我們還需要另一場討論:
甚麼時候,我們其實應該鼓勵學生使用人工智能?
保障評估與支援學習,並不是同一個問題。教育研究亦日益反映這種張力:大型語言模型可以提供解釋、回饋及個人化支援,但價值取決於使用方式與學習活動設計(Kasneci et al., 2023)。
問題不只是「你有沒有用人工智能?」
更有用的問題是:你用人工智能做甚麼?
「替我寫這份作業」,與「我不理解前負荷,請以物理治療一年級程度解釋,再問三條問題確認我是否理解」,有很大差別。兩者都使用人工智能,教育作用卻不同:前者可能移走思考,後者可能增加思考機會。這個區分應成為教導學生使用人工智能的核心。
簡單原則:把重要思考留給學習者
人工智能應讓學習更容易,卻不應讓思考變成可有可無。
這意味減少不必要障礙、及時解釋並提供回饋,同時保留我們希望學生練習的心智工作。
Bastani及同事比較了近一千名中學生使用較少限制的GPT介面,以及經審慎設計的GPT導師的情況。兩者都改善了有人工智能協助時的表現,但使用較少限制版本的學生,在移除人工智能後表現反而低於對照組;較有結構的導師大致避免了這種負面影響(Bastani et al., 2025)。
這提醒教育工作者:有人工智能支援時的表現,不會自動成為沒有人工智能時已學會的證據。
那麼,應如何使用?
- 學生先嘗試:在查問人工智能前,先解題、回想已有知識、作決定或解釋目前理解。
- 人工智能再支援:用於解釋、提示、回饋、其他例子或提問,而非直接給出完整答案。
- 學生解釋:請學習者用自己的說話重述概念、說明答案理據,或解釋為何改變推理。
- 核實:要求學習者參照課堂材料、教科書、臨床指引或其他適當來源,檢查人工智能產出。
- 移除支援:最後以新個案、短口試、實務示範,或不用人工智能的解釋,要求獨立完成。
這個流程呈現了把人工智能當作依賴工具,與當作學習支架的分別。
第一步:讓學生先經歷一點困難
我不是說要讓學生一直困惑,但人工智能也不應總在學習者尚未嘗試前便出現。嘗試本身具有教育價值。
提取練習不只是測量記憶,更可改善其後的保留效果(Roediger & Karpicke, 2006)。「有成效的失敗」亦指出,在獲得完整指導前先嘗試困難問題,有時能讓學習者更深入理解隨後的解釋(Kapur & Bielaczyc, 2012)。
因此,我可能不會直接說:「問ChatGPT運動時心輸出量如何改變。」而是問:「使用人工智能前,先寫下你認為運動時心率、每搏輸出量及心輸出量有甚麼變化,並解釋原因。」
之後才讓人工智能加入。學習者便有自己的想法可作比較、捍衛或修訂。
第二步:要求人工智能不要直接給答案
這可能是最實用的學習方法之一。與其問「答案是甚麼?」,不妨試試:
「不要告訴我答案,一次問一條問題,直到我自己想通。」
「這是我的推理。請挑戰它,但不要替我重寫。」
「只給我一個提示。」
「解釋我的推理在哪裏出錯,再給我一道相似題目獨立完成。」
同一項科技既能移走思考,也能被要求促使人思考。這個差異並不小。
一項大學物理課程的隨機對照研究發現,在該特定情境下,根據教學原則及結構化提示設計的人工智能導師,比比較組的主動學習課堂帶來更大的學習增益(Kestin et al., 2025)。研究者強調,它圍繞主動參與、支架、針對性回饋及自主進度設計,而不只是毫無限制的聊天機械人。
重點未必是「用或不用人工智能」,而可能是:欠缺設計的使用,與有教學設計的使用。
第三步:讓學習者解釋
假設學生查問肘關節角度測量。與其只問「軸心應放在哪裏?」,我們可以要求:「我認為軸心應放在這裏,因為……請檢視我的推理是否合理。」獲得支援後,也可以要求學生解釋為何使用肱骨外上髁。
自我解釋的研究提供了支持這種活動的理由。Chi及同事發現,相比單純重讀,提示學習者向自己解釋材料,有助更深入理解(Chi et al., 1994)。
因此,一條簡單的設計原則可能是:
不要讓對話以人工智能的解釋作結。
讓學生回應。
第四步:在個人化真正有幫助的地方使用人工智能
在學生眾多的課堂,我未必能在每人需要的一刻提供不同解釋。有學生需要簡單詞語,有人需要臨床例子,有人需要把圖像化成文字,也有人需要更難的個案,或者只是想再聽一次解釋,而不因第三次提問感到尷尬。
人工智能可能提供這種按需支援。Kasneci及同事指出,大型語言模型具備個人化學習潛力,同時也強調不準確、偏見及過度依賴等限制(Kasneci et al., 2023)。機會不只是快速回答,而是調整通往理解的路徑。
第五步:最後一定要獨立完成
這可能是最重要的保障。學生用人工智能學習後,我仍想知道:沒有它,你做得到嗎?
可以透過新問題、口頭解釋、實務任務、不同個案、決策答辯,或短小的禁用人工智能測驗來了解。
評估與學習在這裏重新連結。人工智能可以幫助學生走到目的地,但最終仍須由學習者掌握知識。
在物理治療中可以怎樣實踐
以肩痛臨床推理導修為例,我不會只說:「用ChatGPT解決這個個案。」我可能安排:
- 先自行提出三個初步假設;
- 請人工智能挑戰這些假設;
- 解釋哪些發現支持或削弱各假設;
- 請人工智能提出一個可能遺漏的替代假設;
- 最後關閉人工智能,自行作出最終臨床決定。
此時,人工智能不是代做臨床推理,而是在學生推理外圍增加一層提問。
同樣思路也可用於實務技能。學習者放置虛擬量角器,模擬系統判定軸心過於遠端。人工智能導師不直接揭示答案,而問:「這個測量應以哪個解剖標誌作支點?」若仍有困難,支援再逐步清晰。
電腦偵測錯誤,人工智能提供支架,学生仍須自己修正。
有用的區分:困難與不必要的障礙
有些困難具有教育價值:記憶、推理、解釋、決策,以及發現自己錯了。這些是有助學習的阻力。
另一些困難卻未必帶來多少價值:花二十分鐘理解一句寫得差的句子、因尷尬而不敢再問、為簡單誤解等一星期回饋,或因任務令人不知所措而無法開始。
人工智能或許很擅長減少後者。挑戰是移除不必要的障礙,卻不意外移走前者。
也許需要兩種人工智能政策
我愈來愈認為,應區分兩種情境。
進行評估時
問題是:「這名學生能獨立做到甚麼?」如果無限制使用人工智能會妨礙判斷,就應限制使用或重新設計評估,要求學生解釋、示範、應用、答辯與回應。
學生學習時
問題變成:「甚麼支援能幫助學生最終獨立完成?」人工智能在這裏可能有用,可以解釋、提問、產生練習、給提示、挑戰推理、提供回饋或其他例子。但設計必須確保學習者沒有從學習過程消失。
我會給學生的指引
先嘗試。用人工智能幫助思考。解釋學到了甚麼。核實。然後不用人工智能再試一次。
這比單說「不要用人工智能」或「可以用人工智能」更有用。兩種說法都過於簡單,真正重要的是工具如何影響學習者的思考。
目標也許不是少用人工智能
我愈來愈少問學生有沒有使用人工智能,而更想問:思考在哪裏發生?
如果人工智能生成答案,學生直接提交,重要思考可能已被外判。但如果學生先嘗試、解釋推理、取得一個提示、修訂答案、核實資訊,最後獨立解決新問題,人工智能反而可能增加有意義的學習活動。
所以,目標或許不是「少用人工智能」,而是:
以能把重要思考留給學習者的方式,使用人工智能。
對我來說,這是下一階段討論更好的起點。
參考文獻
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
Chi, M. T. H., De Leeuw, N., Chiu, M.-H., & Lavancher, C. (1994). Eliciting self-explanations improves understanding. Cognitive Science, 18(3), 439–477. https://doi.org/10.1207/s15516709cog1803_3
Kapur, M., & Bielaczyc, K. (2012). Designing for productive failure. Journal of the Learning Sciences, 21(1), 45–83. https://doi.org/10.1080/10508406.2011.591717
Kasneci, E., Seßler, K., Küchemann, S., et al. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15, 17458. https://doi.org/10.1038/s41598-025-97652-6
Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x