AI 成為課堂的「第二雙眼睛」，觀察分析支援學習成效也帶來監控界線問題

AI 在校園的第一波應用集中在減輕教師負擔——生成教材、批改作業、草擬家長信件。而第二波正在往一個更敏感的方向移動：觀察學生。

這類系統的運作邏輯是把課堂中原本轉瞬即逝的訊號變成可分析的資料。學習平台上的停留時間、作答修改次數、練習題的錯誤型態、線上討論的參與頻率——這些資料匯總後，能標示出哪些學生正在悄悄落後。這對大班教學特別有意義：一位教師面對三十名學生，最容易被漏掉的不是明顯出狀況的孩子，而是安靜、不惹麻煩、成績中間、逐漸掉隊的那一群。

實務上的價值也確實存在。早期預警系統能在期中考之前就標示風險學生，讓補救介入提前數週啟動；錯誤型態分析能區分「概念沒懂」與「粗心計算」，讓補救的方向更精準；跨科目的資料串接則能辨識出是單科困難還是整體性的學習問題。

但這條路徑有幾道界線必須先畫清楚。

第一是資料範圍。學習歷程資料與行為監控資料之間的距離比想像中短。從「這位學生在數學練習停留多久」延伸到「這位學生上課有沒有專心」，中間只隔一個攝影機或一套螢幕監看軟體。前者是教學分析，後者已經是監控——而許多產品把兩者包在同一套系統裡銷售。

第二是判讀責任。演算法標示出的「風險學生」只是一組機率，不是診斷。若教師與行政人員把它當成結論而非線索，可能導致標籤化：被系統標記的學生受到不同對待，而這種對待本身會影響學生的表現，形成自我實現的預言。

第三是知情與同意。學生與家長是否清楚知道哪些資料被蒐集、保存多久、誰有權查看、會不會進入升學紀錄，多數學校的說明都不夠具體。這在未成年人的情境下尤其重要。

業界分析人士指出，判斷這類系統該不該導入的實用標準有兩個：它蒐集的資料是不是教學上真正需要的最小集合，以及它產出的結論會不會被當成免除教師判斷的理由。若答案是否定的，工具再準確也不該進課堂。