永遠的測試版　林穎俊的教學記錄

  這篇由MIT、哈佛大學及Ethan Mollick教授跟波士頓商業顧問公司合作的研究<Don’t Expect Juniors to Teach Senior Professionals to Use Generative AI:Emerging Technology Risks and Novice AI Risk Mitigation Tactics>指出，我們過去在先讓新手(junior)學習新科技，再讓新手教大家的作法可能不適用於GenAI。 在2023/7-2023/8訪談了78位junior consultants，讓他們使用GPT-4來解決商業問題，而根據實驗後的反思，他們覺得Junior可能無法成為Senior在使用如GenAI的專業知識來源。圖片是Junior跟專家在不同策略的差異。 由這個表可以看出新手對於GenAI的瞭解不足、多是使用者個人常規作法的改變而非系統及多是專案的改變而非系統生態系的建立。 #看起來我可能都還在GenAI的新手村啊

  #HelloBeautiful 是本會讓你熱淚盈眶的幸福故事，書中的描寫平淡但總是可以讓你閃回類似的人生經驗，緊緊的逼你透過書中故事看見自己。書中沒有好人壞人，只有如你我一樣的普通人。雖然人生有很多的無奈與痛苦，我們依然可以從中得到愛與希望

  Ethan Mollick教授的新書　共同智慧：與AI一起工作與生活(Co-intelligence: living and working with AI) 本書從對生成式AI的基礎認識開始，我們處於AI發展的初期階段，需要共同探討其使用方法和對策。提出了共同智慧的4項原則： - 跟AI討論每件事情：以認識他能力、優點與缺點 - 成為迴路中的人Be human in the loop: AI需要人類的判斷及專業知識，否則很容易出錯 - 像對待人一樣對待AI：給AI清楚且明確的人設，可以幫助它做的更好。 - 假設這是你用過最爛的AI：AI進步的非常快，所以對AI保持開放的態度，將有助於你適應變化 在第二部分並依序將AI視為人類、創意、共同工作者、tutor、教練及未來提供整體的思考框架幫助我們如何將學習、生活及工作與AI交織。 -　AI as a person:說明如何透過引導AI發揮潛力 -　AI as a Creative: 如果我們按下「按鈕」就可以從無到有，學生會用它來寫小論文，經理會用它來開始寫郵件、報告或文件。老師會用它來提供回饋，科學家用它來寫計畫，藝術家用它來生成草稿，每個人都將按下這個按鈕。但我們可能會因此失去創造力與原創性。當AI生成草稿，我們會因為錨定效應，固定在AI生成的第一個想法上。再者，我們可能會降低思考的品質和深度，當我們不需對所寫的東西進行痛苦的來回思考，我們依靠機器完成分析和整合的困難工作後，我們也失去了從錯誤中成長的機會。 根據研究顯示，ChatGPT很大部分是人類努力的替代品而不是對我們專業技能的補完 -　AI as a Coworker: 　將任務分為４種類型 -- Just Me只有我:訓練思考、表達我獨特的判斷 -- Delegated 委託任務:無聊重複的任務。目的是節省我們時間專注在發揮價值的任務上 -- Centaurs半人馬：在人類跟AI之間切換，例如在AI協助下分析圖表時，人類決定採用什麼統計方法讓AI製作圖表，讓人類歸人類AI歸AI -- Cyborgs 半機器人：更進一步　深度整合，不僅是委派任務而是與AI交織在一起。例如以前寫東西的時候卡住可能要想好幾個小時，但是現在可以跟AI一起合作 - Ai as a Tutor 從過去直接教學（講述性教學）到未來　翻轉+AI tutors+合作學習。 - ...

  哈佛商業週刊於今年1/30所出刊的Generative AI選集，彙整過去關於生成式AI的文章。本集中大部分談的都是如何將生成式AI整合到現在的工作中，其中我特別有感的是 第8篇 AI Prompt Isn’t Future。提出一個完美的問題並不那麼重要的事，重要的是理解你要解覺得問題。除了未來Gen AI會變的更人類自然語言外，Prompt的有效性取決於特定的演算法，也就是說現在對生成式AI情緒勒索或給小費是有用的作法，但下一版可能就沒效了。 那麼我們還要教孩子如何提問嗎？我們不應該只是教孩子如何對AI提問，我們要幫助孩子發展的應該是問題定義（Problem formulation）辨識、分析與界定問題的能力。 問題定義的四個關鍵因素：問題診斷(Problem Diagnosis)、分解(Decomposition)、重建(Reframing)與約束設計(Constraint Design)。 但我自己覺得對教育工作者會有影響的是 第一篇 Generative AI Will Change Your Business.Here’s How to Adopt 未來能整合更多數據的產業就更能打造更個人化的服務，那麼教育呢？我們如何彙整學生的學習資料以幫助學生學習？以及如何產生更多的用例? 第三篇 A Framework for Picking the Right Generative AI Project 再導入生成式AI的時候，我們應從2*2風險和需求的矩陣中，挑選高需求但是低風險的地方開始試驗。例如可以用生成式AI生成針對不同受眾的學習素材等。 那麼我們老師準備好導入生成式AI在工作中了嗎？如果只是讓學生用Khamigo或是因材網的e度，其實我們老師的角色就會變的薄弱，我們應該思考如何善用AI，哪些日常工作是可以讓AI融入我們的？ 第四篇 How Generative AI Could Disrupt Creative Work 個人或企業應做好顛覆的準備，投資於知識本體(ontology)將知識數位化與結構化，並且自在地與AI對話。 如何讓我們的孩子比AI更有創造力，會是我們所面臨的挑戰

  本書由郭伯臣校長及何世敏校長主編，前半部為自主學習的理論，後半部則是由長期在教學現場實踐四學的老師撰寫，幾位師長結合理論、實務與科技，寫下我們台灣在地化的實踐經驗。 而我負責的是其中<生成式人工智慧在教學上的應用>，分享我應用生成式AI在教學上實踐的心得與省思。 #科技輔助自主學習 本書由郭伯臣校長及何世敏校長主編，前半部為自主學習的理論，後半部則是由長期在教學現場實踐四學的老師撰寫，幾位師長結合理論、實務與科技，寫下我們台灣在地化的實踐經驗。 而我負責的是其中<生成式人工智慧在教學上的應用>，分享我應用生成式AI在教學上實踐的心得與省思。 #科技輔助自主學習

  Learn AI-Assisted Python Programming 這本書展示了一種全新教授撰寫程式的方式，本書幾乎都是用透過在VS Code中按下TAB鍵透過Copilot來生成程式碼，對於Pyhton的概念也只有稍微提到10個基本概念：函數、變數、條件句、字串、列表、迴圈、縮排、字典、檔案及模組而已。 直接用Python寫程式與使用Copilot寫程式是完全不同的體驗。我們不再是寫程式，而是將聚焦到寫Prompt(提示)，然後與生成的程式碼互動，以確定其是否正確。 在本書的最後，作者說雖然我們對未來的情況有些不確定，但語言模型（LLMs）將會徹底改變程式的未來。現在它們只是幫助軟體工程師寫出更好程式碼的輔助工具。但也許五年後，大部分軟體都將由LLMs撰寫，只有少數軟體工程師會從頭開始編寫程式碼。不管結果如何，改變正在迅速到來，它們可能會使更多人能夠編寫滿足自己需求的軟體。 很有趣的一本書，本書是先讓讀者透過Copilot實作功能出來後，才回來解釋基本概念。我很難說這樣的教法是不是真的能幫助孩子學會寫程式，因為幾乎都在寫prompt而已。但是如何將大問題切分成小問題或是如何把問題描述清楚一定是未來需要的能力。 https://www.manning.com/books/learn-ai-assisted-python-programming Learn AI-Assisted Python Programming 這本書展示了一種全新教授撰寫程式的方式，本書幾乎都是用透過在VS Code中按下TAB鍵透過Copilot來生成程式碼，對於Pyhton的概念也只有稍微提到10個基本概念：函數、變數、條件句、字串、列表、迴圈、縮排、字典、檔案及模組而已。 直接用Python寫程式與使用Copilot寫程式是完全不同的體驗。我們不再是寫程式，而是將聚焦到寫Prompt(提示)，然後與生成的程式碼互動，以確定其是否正確。 在本書的最後，作者說雖然我們對未來的情況有些不確定，但語言模型（LLMs）將會徹底改變程式的未來。現在它們只是幫助軟體工程師寫出更好程式碼的輔助工具。但也許五年後，大部分軟體都將由LLMs撰寫，只有少數軟體工程師會從頭開始編寫程式碼。不管結果如何，改變正在迅速到來，它們可能會使更多人能夠編寫滿足自己需求的軟體。 很有趣的一本書，本書是先讓...

  起因只是想要試驗在AI的輔助下，學生學習從未學習過特定領域知識(如Python)的學習成效。但在備課過程中找到這本The Programmer’s Brain 這本書的作者寫書的起因就是因為她在教兒童寫程式的時候發現她從未真的上過程式課程，她小時候她是找書來自學，透過把程式碼搞懂的方式來學習。但沒人教她如何閱讀程式碼及解決問題。 而在她教孩子程式的過程中，她發現這些孩子不是沒有學習的熱情，但是就是有些地方卡住，所以她開始研究孩子要如何學習寫程式。 以我而言我覺得收穫最多的是本書把兒童如何學習寫程式的理論、相關研究跟步驟整理得相當清楚。 例如: 1.善用提取練習(retrieval practice)、間隔重複計畫(spaced repetition)、交錯(interleaving)及精細化(elaboration)的學習策略，可以幫助學習。 2.閱讀程式近似閱讀文本，閱讀理解的策略一樣可以用在閱讀程式。 3.雖然程式語法可以網路搜尋，但是當我們不斷搜尋沒有真的記到長期記憶時。會因為沒有長期記憶而影響我們如何思考問題 4.教孩子寫程式可以幫助孩子發展程式技能，但無法遷移 5.問題解決不是認知過程(cognitive process) 也不是通用技能(genric skill)因為人類使用長期記憶來解決問題及大腦傾向解決類似的問題。 6.要提高解決問題的能力不等於多解決問題，要提高程式設計師的能力不代表要多寫程式，而是要刻意練習不會的地方

  在AI for Educators書中，作者Matt Miller改編Gartner Hype Cycle來說明AI整合進教育時可能的成熟曲線。 恐慌：我們會被取代嗎？這根本是作弊吧 嘗試：這些東西真的太神奇了，但或許這只是一時的流行，我根本還沒準備好要用 掙扎：這些工具看起來還有很多問題，我還有點擔心。如果我要在課堂上用他的話，可能還有很多要調整的。 擴散：我從很多老師聽到他們使用AI節省時間跟做了很多很有趣的酷東西。他們也做了很多實踐跟分享，我也有點興趣來嘗試看看。 大規模的應用：AI工具已經整合到我們的教學中，我也學過該怎麼使用，這些工具可以節省我們的時間跟幫助教學。 您覺得現在正在哪個階段呢？ 在AI for Educators書中，作者Matt Miller改編Gartner Hype Cycle來說明AI整合進教育時可能的成熟曲線。 恐慌：我們會被取代嗎？這根本是作弊吧 嘗試：這些東西真的太神奇了，但或許這只是一時的流行，我根本還沒準備好要用 掙扎：這些工具看起來還有很多問題，我還有點擔心。如果我要在課堂上用他的話，可能還有很多要調整的。 擴散：我從很多老師聽到他們使用AI節省時間跟做了很多很有趣的酷東西。他們也做了很多實踐跟分享，我也有點興趣來嘗試看看。 大規模的應用：AI工具已經整合到我們的教學中，我也學過該怎麼使用，這些工具可以節省我們的時間跟幫助教學。 您覺得現在正在哪個階段呢？

  最近在看 How Teaching Happens時，書中提到TPACK franework強調學科（content）、教學(pedagogy)及科技(technology)的知識應該被放在一起思考，我們應依照教學的內容選擇合適的科技而非反過來以科技為主。 有趣的是在雙語這邊，在台灣雙語教學資源書 全球在地化課程設計與教學實踐中一書中，也有提出類似的概念。也就是雙語教師應具備的雙語學科教學知識（BE PCK）應整合教學、學科及學科語言的知識。 但以我自己而言，在自己的教學設計上偶爾也都會為了太偏重科技或是雙語的整合而忽略了原本的學科知識或是教學知識。總而言之就是不能為了科技而科技也不能為了雙語而雙語，還是要以學生的學習成效為主不能偏廢。