2027 Tools Competition 開跑：450 萬美元獎金給「有證據」的教育科技與 AI 工具

在教育科技因「AI 功能滿天飛卻缺乏成效證據」而備受質疑的此刻，一項以「學習工程」與實證為核心的國際競賽再度開跑。2027 年 Learning Engineering Tools Competition 正式開放申請，總獎金超過 450 萬美元，這是該競賽的第七屆。

競賽的對象橫跨 K-12、中學後教育與職場學習，申請者可以是教育科技公司、研究者、大學、教師、學生、非營利組織或個人開發者。今年設定四個賽道：「強化教學」（Strengthening Teaching），支援教師的工具；「重新想像評量」（Reimagining Assessment），在 AI 時代重新設計評量方式；「引導中學後學習與就業」（Navigating Postsecondary Learning and Work），協助學生從學校過渡到職場；以及「建立更好的資料集」（Building Better Datasets），為教育研究與 AI 訓練提供高品質資料。

獎金依產品成熟度分為三級。Catalyst 獎提供 5 萬美元給早期階段的工具或想法；Growth 獎提供 15 萬美元給已有用戶與一定規模的產品；Transform 獎提供 30 萬美元給擁有 1 萬名以上用戶的成熟平台。這種分級設計讓從個人開發者到成熟公司都有參賽空間。

時程方面，第一階段的摘要（abstract）截止日為 2026 年 10 月 13 日，距今不到一週。個人申請者依規則須年滿 18 歲，並能以美元合法收款。

這項競賽之所以值得關注，在於它的評選標準。「學習工程」（learning engineering）強調把學習科學的研究成果與工程方法結合，並以數據驗證工具是否真的改善學習。這與目前教育科技市場的主流做法形成對比：許多產品急於加入 AI 功能，卻拿不出獨立的成效證據。近期多項研究，從馬里蘭大學的 AI 家教試驗到田納西州的 Khanmigo 實驗，都說明「有 AI」不等於「有效果」。Tools Competition 要求申請者說明如何衡量成效、如何蒐集資料，正是在回應這個問題。

今年「建立更好的資料集」這個賽道特別值得注意。教育 AI 的瓶頸之一是缺乏高品質、可共享、符合隱私規範的學習資料；沒有這些資料，就無法訓練出真正理解學習過程的模型，也無法進行可信的成效研究。把資料集建設列為獨立賽道，顯示主辦方認為基礎建設與工具本身同等重要。

業界分析人士指出，Tools Competition 過去幾屆的得獎者中，不少後來成為學區採購的對象或獲得後續募資，競賽的「實證」標籤本身就是一種市場信號。對投資者與學校而言，通過這類評選的工具，比單純的產品宣傳更可信。

對台灣的教育科技新創與研究團隊而言，這是一個門檻不高的國際舞台：Catalyst 級只需要一個有潛力的早期想法，且不限國籍。更重要的是，參賽過程本身會迫使團隊回答一個台灣教育科技產業普遍迴避的問題：你的工具有效嗎？證據在哪裡？即使最後沒有得獎，這個練習也值得。