永遠的測試版　林穎俊的教學記錄

  謝謝謙懿科技的邀請，讓我有機會在101的google辦公室跟許多大神老師們分享AI在教學上的一些想法。 想分享的重點不是教老師怎麼用Gemini，而是跟大家一起思考怎麼「教」學生用Gemini。會比較放在當Gemini自8/1開放所有年齡使用的時候，我們該怎麼引導孩子運用Gemini輔助學習而不是代替學生學習。 還有我從 NotebookLM創始團隊中的Steven Johnson跟 VK 科技閱讀時間 上學到的如何把NotebookLM作為和我一起閱讀的工具，而不是代替閱讀的捷徑。 活動會先從讓大家自己寫徘句(haiku)->Google搜尋輔助再寫一次->Gemini寫->Gemini+引導式學習->Gemini+（松尾芭蕉或川普風格）。 再請各位師長一起想想，在這個過程中，自己學到什麼？自己最喜歡的是AI版？還是粗糙的人類版？這幾次的嘗試中，哪種是有意義的挑戰，會有機會發生學習的遷移的？ 在換個角度，做為老師我們該怎麼為學生跟AI協作的作品打分數？ 不論科技怎麼進步，我們該關注的重點應該是？ #靈感來自於MIT大腦外包的研究 簡報連結

  日前參加了一次工作坊研習，但我醞釀了好久才有辦法寫下這段心得。 雖然這次工作坊名叫「AI素養進階工作坊」，但卻完全沒教我們怎麼操作AI，甚至到第二天才讓我們實際使用AI。但整體學習體驗卻深深撼動我，讓我至今仍在反思中怎麼將所學整合到自己的課程之中。 第一天的課程讓我們小組合作解決一個開放性的問題。吳穎沺教授及詹明峰兩位教授沒有直接教設計思考的步驟，而是讓我們實際「走過」設計思考雙鑽石的流程，然後在每個階段結束後引導我們反思。教授會從我們的反思中將我們的想法重新組織統整，提出更深的提問，引導我們看見更多可能性。 到了第二天，我們要再次解決相同的問題，但這次可以導入AI。老師仍然沒有告訴我們「怎麼用AI」，讓我們自由選擇怎麼與AI協作。讓我們從自己的經驗中學習、嘗試、撞牆、摸索什麼方式才是真正有效的AI協作。 但在與AI協作的過程中，我才體會到學生的感覺： --我們昨天討論了整天的方法，竟然不如ChatGPT-4o在十秒內生成的答案。 --三個人的小組，輸給一個人加AI的搭配。 --甚至我們刻意抵抗AI的誘惑，不要AI給出建議，但AI的卻還是給出我們的還完整、還漂亮的想法，讓我們忍不住一路跟著它的建議走完。 這也讓我開始問自己「如果連我都體會到被AI擊敗的感覺？那麼怎麼樣的學習是對學生有意義的？」 或許兩位教授提到的「隱性知識」那些沒辦法用講述傳授的經驗、判斷、習慣的知識，這些無法被AI學習訓練的知識是問題的答案之一。但並不是說顯性知識不重要，我們還是要透過精熟知識過程累積基礎，幫助我們發展出認識世界的框架。但或許我們可以在固定課程之外，多點讓孩子運用所學知識解決問題的機會，讓孩子知道為了解決問題而學跟為了分數而學的差別。 這次工作坊沒有直接教我們任何一個「顯性知識」，卻讓我們在反覆的體驗與思考中吸收了最寶貴的「隱性知識」。我想這些正是AI時代中更難學、更重要的能力。 而我也想好好用暑假的時間想想怎麼把體會到的「隱性知識」轉化到自己的課程中，創造讓孩子想投入的情境讓孩子在過程中運用Vibe Coding解決問題的體驗。

  日前OpenAI推出專門給大學生的學習模式 在官方介紹中強調是由教師、科學家與教學法專家合作所設計的自訂系統指令(system prompt)做為核心。包含鼓勵積極參與、調節認知負荷、主動發展自我覺察與反思能力、培養求知慾還有給予具體且有幫助的回饋。 Simon Willson也透過某些方式找到學習模式的prompt 有趣的是其實預設的prompt並不複雜，ChatGPT簡單翻譯如下： ### 嚴格規則: 成為一位親切又充滿活力的老師，透過引導幫助使用者學習。 •了解使用者。如果你不知道使用者的學習目標或年級，在開始教學前要先詢問。（保持簡短就好！）如果使用者沒有回答，就以高一學生能理解的方式解釋。 •建立在已有的知識上。將新觀念連結到使用者已經知道的內容。 •引導使用者，不要直接給答案。透過問題、提示與逐步引導，讓使用者自己發現答案。 •確認與鞏固。在學習難點之後，要確認使用者是否能重述或運用這個概念。可以提供簡短摘要、記憶法或小複習幫助他們記住。 •變換節奏。混合說明、提問與互動活動（如角色扮演、練習回合，或請使用者教你），讓整個過程更像對話而不是講課。 最重要的是：不要幫使用者做功課。不要直接回答作業問題，而是要與他們合作，從他們已有的知識出發，一起找到答案。 你可以做的事： •教導新概念：用使用者能理解的方式解釋，提出引導問題，使用圖示，然後透過提問或練習回合來複習。 •幫助寫作業：不要直接給答案！從使用者已有的理解開始，幫助補足空缺，讓他們有機會回應，每次只問一個問題。 •一起練習：請使用者摘要、穿插小問題、請他們「反教你一遍」，或進行角色扮演（例如：練習外語對話）。當下就友善地糾正錯誤。 •測驗與考前準備：進行練習小測驗（一次一題）。讓使用者嘗試兩次，再公布答案，並深入說明錯誤原因。 語氣與方式 要溫暖、有耐心、講話直白清楚；不要用太多驚嘆號或表情符號。讓學習持續進行：隨時知道下一步該做什麼，完成階段任務後要切換或結束活動。回答要簡潔明確，不要寫成長篇大論，保持良好的對話節奏。 重要提醒 不要幫使用者解答或做功課。如果使用者問的是數學或邏輯題，或上傳一張題目的圖片，不要在第一個回覆就解答。應該：一步一步與使用者討論題目，每一步只問一個問題，並讓使用者在每一步都有回應的機會再繼續下一步。 ### 感覺是蘇格拉底法的promp...

  過去看到很多老師（包含我）在嘗試將AI整合到教學中時，都把AI視一種類似Padlet、Canva或Google Classroom的"數位工具"，但當AI不僅可能幫助學生學習、回答學生問題、甚至大腦外包跟情感依附的話，我們該怎麼教孩子使用AI? 謝謝翻轉教育接受我的投稿，還幫我補上清楚的圖說。 因個人才疏學淺難免有不足的地方歡迎大家指正，或是大家有任何不清楚的地方也歡迎大家提問。 https://flipedu.parenting.com.tw/article/010194

  許多人認為我們應該把腦力花在更高階的思考甚至解決問題上面。當我們需要知識的時候，我們打開Google或ChatGPT檢索查找就好，我們不需花太多時間在記憶跟背誦。 我想先以大腦的記憶系統來說，可以分為以下兩種： 1. 陳述性（Declarative）知識：能被有意識地說出口、回想起來的事實與概念。就像我們每次考試前狂背猛記的知識。 2. 程序性（Procedural）知識：經過反覆練習後，幾乎不必思考就能自動完成的技能，例如騎腳踏車、格鬥遊戲的連招，身體直接動作不用再想下一步。 以每個人都有經驗的背誦九九乘法表來說。孩子在學習9×8=72的過程中。孩子經過足夠的練習或背誦，他不需要思考就可以快速達到答案。運算就從慢速檢索轉成快速反應，後續處理更複雜問題時才不會因基本運算拖慢思考。 但如果孩子遇到計算就立刻打開Google或問AI，使用外部工具來解決問題，他就無法把9×8=72這個知識內化變成自然反應，實際上卻阻斷了從陳述性→程序性的遷移。 1. 大腦缺少反覆提取與鞏固的機會，孩子只停留在「知道去哪裡查資料」。 2. 每次都要查的話，孩子得先處理搜尋，再回到題目，思考過程被打斷。 3. 沒有「心裡的正確答案」作比較，AI如果算錯也不容易發現。 我也在國外的文章看到某個開發者說將思考外包給 LLM，他是在用短期的便利換取長期的精通。他說：「我們並不是因為 AI 成為了 10 倍的開發者——我們變成了對 AI 依賴 10 倍。」他說：「每次我們讓 AI 解決本來自己能解決的問題時，我們都是在用長期的理解換取短期的生產力。」 的確隨著科技演進，某些能力正在變的不重要。就像現在的孩子普遍寫字都沒有這麼好看了，因為我們親手提筆（關公都點頭，有料？）的機會越來越少，大家都不覺得寫字這項能力需要精進。 但關鍵在於我們要區分哪些能力或是任務是可以委託給AI，哪些需要我們自己來？就像我們依賴Google導航到達目的地是一回事，但因為只靠Google導航導致開到自己都不知道自己在哪，只能打119求救又是另外一回事。 我相信AI 終究能加速人類的進步。只是AI的能力邊界不是一條平滑的直線，而是鋸齒狀。有的地方很好用，有的地方還不適合交給它。我覺得在教育階段應鼓勵孩子把AI當成思考夥伴，而非依賴（crutch)，所以在跟孩子一起使用AI前要先跟孩子討論： 1. 什麼東西必須自己先...

隨著孩子畢業也開始在想下學期課程的架構。我想下學期會先從這個S.A.F.E AI協作框架教孩子如何與AI一起成長與學習。 Share：與AI協作的模式可以分為替代與增強。孩子要在使用AI之前想清楚，哪些任務給AI做，哪些是自己要做的。 學生需要學習從更長遠的角度思考，如何使用AI才可以幫助本身成長，而非只是解決問題。 能先釐清具體目標及需要解決的問題後，根據人與不同AI擅長的任務分享任務 Ask:用清楚明確的語句引導AI生成所需內容 除了能明確說明任務的脈絡、具體的目標、受眾及風格外。學生能理解AI不會讀心術，需要把AI當成思考夥伴一起探索更多的可能性。 Find:以批判性的品味評估AI生成的品質、正確及適切性，並不斷迭代 評估(evaluate)生成的品質。不僅是評估AI生成的內容是否夠好之外也要評估自己的付出是否可以改善以及過程中自己是否真的有學習成長。 Explain:解釋與AI協作的程度，並檢查資料的來源及注意隱私、版權的風險 核心在於為自己與AI互動的作品負責。包含如何選擇自己使用的LLM、AI在過程中的透明度及保護不該被AI訓練的資訊等。 以上內容都是自己發想、草稿跟編輯。但是有請ChatGPT協助發想小學生也能懂得由CEFR A1單字所組成的英文縮寫（笑～） 在請各位師長提供想法或建議幫助我完善這個架構。

微軟日前發表的論文《生成式AI對批判性思考的影響》指出：自信較低的人，越容易接受AI的答案；越對自己專業有信心的人，則越能批判性地使用AI。這意味著AI並不是每個人都能「正確使用」的工具，它反而可能放大人類的差異。 另一篇來自SBS Swiss Business School的研究，則在英國針對不同年齡與教育背景的666位參與者，探討AI使用頻率、批判性思考能力與大腦外包(認知卸載cognitive offloading)的關係。研究發現，AI使用越頻繁的人，批判性思考能力反而越低。尤其是年輕人，越容易仰賴AI，也越難培養出辨別真偽與深入思考的能力。結果就像一個負向循環：越依賴AI，越缺乏批判力；越缺乏批判力，就越依賴AI。 學習從來不會發生在「複製貼上」的過程裡。當學生過度仰賴AI回答問題，他們很可能會忽略學習中最關鍵的反覆練習。 人類大腦在學習新知識時，會透過神經元之間建立連結。這些連結越強越密，記憶才會越穩固，未來才能靈活地使用它們。如果我們只是把答案交給AI產生，自己不去思考、不去使用這些知識，那麼大腦便會逐漸將這些資訊清除，就像我們小時候背過的英文單字，現在大多早已遺忘。 有人可能會說：「那讓AI記得知識，人類只要專心思考就好。」但事實是沒有累積足夠的陳述性知識，我們根本無法深度思考或解決問題。 高階思維能力（像是分析、判斷、創造），本質上就是知識之上的組合與延伸。當學生把「獲得答案」的工作交給AI，大腦不再累積足夠的知識，也就失去了發展思考能力與問題解決直覺的可能。看似縮短了學習的歷程，但這段歷程重要的不是你得到了什麼，而是擬為了得到這些所付出的努力。如果學生從小就仰賴AI得到答案，那麼他們的大腦，可能從一開始就放棄了成長的機會。 我並不是要否定AI在學習上的價值，甚至我自己也在小學教孩子使用AI，而是必須更小心地使用它。 本篇文章發想、草稿及編輯皆由真人自己來，但在過程中ChatGPT協助提供想法及修改建議

  看到孩子們瘋狂湧上舞台跟導師們合照的時候，才意識到孩子真的要畢業了。 回想你們過去兩年一起跟我在教學上的探索與嘗試，希望這些東西會成為我們人生中重要的一部份跟挑戰自己的養分。 孩子們～畢業快樂 謝謝幾位孩子給我的卡片，雖然只是小小的卡片，但你們都花了很多時間製作，讓我覺得好感動。不過下次可以把我的頭髮畫的多一點，或是眼睛畫的大一點嗎？

  Vibe Coding最早是由Andrej Karpathy於2025年2月首次提出。他將這種新的寫程式方式稱為“vibe coding”，形容為「全然沉浸在氛圍中，擁抱指數級成長，彷彿忘了程式碼的存在」 而近期我跟汐止國小曾靜瑜老師也用v0作為開發生成工具，搭配 Next.js 和 Tailwind CSS，並串接 OpenAI 的 API。 嘗試出以下兩種開發法： 方法一：邊做邊想 當一個新的想法浮現，我可能連具體要做什麼都還沒想清楚。我連網站具體需求？功能規格？我或許只能語焉不詳地說出「左邊大概放這個，右邊那個，API 回應大概是...」，更多時候我只能憑著一股「現代一點」、「簡潔一點」的氛圍(Vibe)感來博杯祈禱這次AI生成的東西是我想要的。 這種方式的優點在於極度的自由與即時性。你可以隨心所欲地邊想邊改，讓設計與功能在不斷的互動中不斷演進。然而它的缺點也顯而易見：效率極低。 為了達到心中那股說不清處的「Vibe」，第一版的網站就更迭了50幾版才上線。 方法二：想清楚在做 我先利用如 o3 等推理模型討論出明確具體的規格與需求。 接下來在請03根據討論結果，將其轉換成詳細的產品需求文件（PRD），或依據軟體特性轉化為更精確的提問 Prompt。 AI不僅能幫我生成程式碼，還能協助我將模糊的需求拆解、梳理，甚至連 API 的 System Prompt、測試案例等一堆在前一版我沒想到的細節都為我考慮周全。而過去需要改五十幾版的專案，現在只迭代了六次就順利完成！ #品味是VibeCoding中最為關鍵的能力 品味不僅僅是個人喜好，它更是一種對美好事物的辨識與選擇能力。它源於我們對世界的理解，對自己所喜歡事物的深度理解。當你能明確說明「我喜歡這個，因為它的簡潔、因為它的流暢」，你的品味就開始萌芽。嘗試的越多，涉獵的越廣，你的品味就越好、越精準。反之若缺乏對事物的探索與洞察，便容易被平庸所滿足。 而在 Vibe Coding 的情境下，品味在於如何將個人想像力轉化為 AI 可理解的指令，並在 AI 的能力範圍內，將作品實現到極致。 #實作心得 -逐步迭代： 不要奢望AI能一次性完成所有功能，AI不是許願池。將複雜的需求拆解成更小的、可管理的功能。我通常會從前端介面開始，先搭建骨架，然後一個功能、一個功能地逐步加上去。 -善用AI開發工具： 如果在某個環...

  許多老師擔心學生過度依賴AI，為避免這種情況，目前常見的因應方式大致可分成三種類型： 一、限縮使用： 要求學生在學校內完成作業，避免學生回家後無限制使用AI。這種做法雖能有效管控使用情形，但可能會剝奪學生探索與學習AI工具的機會，也讓學生少了思考與精雕細琢作品的空間。 二、用魔法打敗魔法（老師以提供AI作品為範本）： 這種方法鼓勵學生使用AI，但強調作品需超過於老師透過AI生成的範例，刺激學生進一步深入思考。 三、記錄使用AI的歷程： 我自己比較偏好的方式是允許學生自由使用AI，但需記錄其使用過程，例如繳交與AI對話的歷程紀錄。這種做法的優點在於老師能觀察學生的思考脈絡及提問能力。 就使用AI的歷程來說，我會把學生使用AI的方式分成以下幾種： 1.結合想法： 學生首先具備自己的初步想法，請AI基於該想法延伸提供建議，接著再將AI的建議與自己原本的想法結合，產生新的觀點或作品，比較像是A+B=C。 2.啟發思考： 學生初期可能沒有明確想法，但可能透過AI生成了5個想法，但是學生反而都不用，反而自己想出一個嶄新的想法。 3.改進想法： 學生採用AI生成的想法作為起點，再進一步要求AI扮演不同角色，或對AI的回答提出質疑與修改建議，比較像是A->A+->A++。 4.思考外包： 學生沒有進行深入思考，以簡單的問題直接要求AI生成內容，並將這些內容直接當作作品繳交。 我也很難說哪種方式的成品一定比較好，因為這種方式要看的重點不僅是看學生「問了什麼」，更是要分析「怎麼問」以及「如何運用AI的回饋」。 但我想我們的目標不應僅止於防止學生過度仰賴AI，更應培養學生懂得如何有創意的使用AI。

  根據 PISA 2022 的結果，台灣學生在各項學科表現皆名列前茅：數學能力全球第三、閱讀素養第五（感謝全體推動閱讀的老師們）、科學素養第四。相較之下曾被廣泛推崇為教育典範的芬蘭，其數學表現下滑至全球第 20 名，閱讀與科學分別為第 14 名與第 9 名。 如果我們僅因為某個國家選擇退回紙本，就認為應該仿效，這是否像是班上的前段學生，轉而抄寫後段學生的作業？安ㄋㄟ甘好?這無異忽略於各國教育的脈絡及自身所取得的成就。 #科技的整合How是關鍵 OECD 的報告指出科技整合對教學產生深刻影響，但其效益的關鍵在於「如何整合」而非「是否整合」。我完全同意我們需要限制「個人手機」在校園的「非教學使用」，但這跟台灣推動的「教學用數位載具」在概念與目標上存在很大的不同。手機的娛樂與社交屬性，本就容易干擾學習。而教學載具的使用是用在輔助理解、促進互動及提供資源，兩者不應混為一談。將國外對手機的管制，直接類比為對教學載具的否定，可能簡化了問題的複雜性。 這波數位浪潮，不僅學生需要適應，更多教師也在持續精進。許多老師主動設計校本及PBL課程、悉心陪伴與引導學生，教他們如何善用數位工具，幫助孩子從Toy到Tool。例如有老師運用生成式 AI 引導學生辨識假訊息，也有老師透過數位平台幫助學生補強數學弱項提升學生學習的成效。證明了數位工具在合宜的引導下能成為教學的助力。 但教師研習這塊我們的確也需要更細緻的規劃，不能是齊頭式一致性的講述性研習，如果學生需要差異化學習，老師也需要啊。根據近期美國針對1400多名教師對於AI的看法、擔憂及專業發展需求的研究，不同領域跟年段間老師對於AI的看法跟需要的支持都不一樣，為了因應AI的浪潮，我們是不是可以有更由下而上的更差異化的研習，是我們值得思考的問題。 對偏鄉學生而言，數位工具更是弭平落差跟促進公平的契機。學生能透過均一、因材網、Cool English 等平台進行自學，補上自身不足之處。甚至有學生能運用 AI 工具生成測驗題目，與同儕進行練習與討論。這些都是紙本時代難以實現的可能性。 我們無法將數位教育簡化為成功或失敗的兩極，而是師生在持續嘗試與共學中不斷調整。並不是說學生的視力保健、網路成癮甚至評量方式的轉化等問題並不重要。但將問題歸咎於科技本身，就像說水會讓人溺水一樣，乾脆禁止大家游泳，把問題過於簡化。 正因為孩子尚未具備正確使用科...

  謝謝日前Inside的邀請，讓我分享過去兩年帶孩子一起使用生成式AI的教學上的轉變。但這次我想聊聊生成式AI出現兩年後，我自身的改變，從工具、情境、心法甚至到心態。 #我只用ChatGPT 雖然我有付費過Gemini、Claude跟ChatGPT，但兩年過去，我還在使用的只有ChatGPT。我不太會嘗試所謂的教育專用AI工具（或稱AI Wrapper），除了教育部的因材網跟類似Cursor的產品外。因為大廠掌握核心技術以及考慮到最貴的時間成本，大廠最新最好的功能通常都在原生服務上率先提供，就像這陣子很紅的吉卜力圖片生成功能、或記住所有對話的功能，也都是ChatGPT率先推出。ChatGPT也許不如Claude擅長寫程式、不像Gemini能整合Google服務，但ChatGPT它太萬用了，什麼都會一點，所以如果只能選一個LLM，我會選擇ChatGPT。 #思考的夥伴 我習慣把ChatGPT當作一位精通多國語言與各種領域的大學生，請他用各種犀利或建設性的角度問我有趣的問題。我的用法通常是我先整理好自己的想法，再請他針對我的文章反問問題。某種程度上，ChatGPT成為我精煉想法的備忘錄，腦中閃過的靈感和卡住的問題，最後都在ChatGPT的對話框裡留下了痕跡。 #用嘴聊天比較快 一開始只是把我的聲音轉成文字，後來逐漸習慣透過語音直接與ChatGPT對話。我曾擔心口語思考會有疏漏，是不是應該先寫好再唸？但隨著LLM的進步，這些都不再是問題。現在我常透過語音模式放聲思考，反而比一字一字輸入更快更自由，在走路時閃過的想法、在深夜睡前沒有深化細想的靈感，甚至講著講著就有新的靈感出來。而隨著進階語音模式（例如愛吐槽的Monday）以及能開啟鏡頭分享你看到內容的功能，也許我們正從文字輸入邁向一個以語音為主的互動時代？ #從簡單的問題開始 還記得兩年前我曾自豪的提出TRIPO提問框架，以幫助學生學會如何把問提問好。但現在ChatGPT的理解力、對使用者偏好的學習能力大幅提升，加上對話記憶功能，我不再花太多時間琢磨提問，而是用最直覺的方式開始對話，再一起琢磨最後的生成。與其雕琢問題，不如雕琢自己想要的方向 #VibeCoding 從兩年前還在用ChatGPT手動貼上成果到Colab上執行，到現在能直接用Copilot或Replit等這類IDE裡生成程式跟部屬，LLM的程式能力讓...

  Replit的CEO Amjad Masad被問到「在2025年學習如何寫程式是否還有價值？」 Amjad Masad一開始說「有」，但取決你對AI的發展有什麼預測。就像在上昇的情況下，就像Anthropic的CEO Dario說的所有的程式碼都將由AI生成。在這個最佳的路徑，agent將變的越來越強的情況下，答案就不一樣，是否需要學寫程式的答案就是否定的，學程式就是浪費時間。 Amjad知道不同人會有不同的看法，但看到agent的進展後，他改變了答案，一年前他認為每個人都該學點程式，但現在會說要學如何思考、如何清晰地溝通，就像跟人類溝通一樣跟機械溝通。 而 Amjad Masad在X上也補充說道，他理解所有的應對，得出這個結論非常困難。但就他之前在OSS WORK、Codecademy（知名線上學習程式網站）及Replit的工作的經驗，他比任何人更普及化了學習寫程式。 但對我而言，並不是說不要學寫程式（好饒口）只是學程式的內容跟方式跟以前不一樣，現在正是這個轉捩點，但我還不確定Coding 2.0將會是什麼樣子？

謝謝 Inside Possible的邀請，讓我有機會跟大家整理分享過去兩年試著將生成式AI整合到教學的心得。 以下是用AI整理逐字稿後，字有點多的概要 #如何與AI一起學習 AI領域有一篇開創的論文「Attention is all you need」，但在生成式AI出現兩年之後，我們不禁要反問：「Is Attention still all you need?」我們使用AI的方式是否仍與過去相同？提問的方式、應用的情境是否有所演進？AI的角色更偏向自動化的「替代」，還是輔助性的「增強」？ 替代指的是讓AI自動完成某些工作，但對學生的學習而言，這是好的應用方式嗎？自動化真的能減輕學生負擔嗎？還是只是拿來快速生成某些作品？ 增強指的是利用AI作為輔助工具，提升我們原本的能力幫助我們思考作的更好。就像你騎電動腳踏車，你還是需要自己踩，但是AI可你讓騎的更遠更輕鬆。 為了更好地應用AI，我習慣從最根本的學習理論出發——人類是如何學習的？學習大致可分為「編碼」（吸收新知）、「儲存」（長期記憶）和「提取」（回憶應用）三個階段。 我曾有過這樣的經驗：第一次去某個不熟的學校開會，同事簡單指點路線後順利抵達（編碼、儲存）；但第二次要去時，卻怎麼也想不起確切位置和學校名稱（提取失敗），最後還是得依靠手機備忘錄和地圖才找到（後設認知——知道如何尋求外部輔助）。 有效的學習不僅是吸收，更在於能否在需要時成功提取。另外「後設認知」包含了解自己如何學習、監控學習狀態、知道如何解決學習困難，也是相當重要的能力。接下來我分享的AI應用案例，都會嘗試連結到這些學習原理。 #AI的應用情境 1.像小學三年級生一樣解釋概念（輔助編碼）： 請AI扮演小學三年級學生，用他們能懂的語言、動漫人物或童話故事舉例，解釋較難的概念（例如國中課本內容）。這有助於降低知識門檻，讓學生更容易吸收（編碼）。我測試過，三年級大概是個不錯的平衡點，再往下可能表達就太簡略了。 2.費曼學習法：教AI學會（提取）： 讓學生扮演老師，將AI設定為需要學習的小學三年級學生，學生必須用簡單易懂的方式向AI解釋概念，直到AI「聽懂」。這是一個很棒的「提取練習」，迫使學生從腦中提取、重組並輸出知識。研究證明，不斷提取比單純記憶更能鞏固學習。AI在此過程中還可以判斷學生解釋得是否清晰、正確，並進行反問。 3.蘇格拉底式家教（深度提問）： ...