教育界：AI 時代真正的關鍵能力是資料素養，而非工具操作

當 AI 素養成為各國教育政策的關鍵字，教育界內部正在提出一個更精確的定位：真正需要被教會的是資料素養。

這個主張的邏輯是往前追一步。AI 系統的輸出品質由訓練資料決定，而使用者要判斷一個輸出可不可信，本質上是在判斷背後的資料——它取樣自哪個母體、有沒有系統性缺漏、時間點是什麼、有沒有把相關性當成因果。缺少這層理解，所謂的「批判性使用 AI」就只能停在「記得要查證」這種空泛的提醒。

資料素養的內涵在教育現場相當具體。它包括讀懂圖表——知道截斷的縱軸如何誇大差異、知道百分比變化與絕對數量的差別；理解抽樣——知道一份「調查顯示」的樣本是誰、怎麼選的；辨識常見謬誤——相關不等於因果、倖存者偏差、平均數如何掩蓋分布；以及理解不確定性——一個數字後面的誤差範圍代表什麼。

這些能力的教學價值在於它們不會過期。任何特定 AI 工具的操作方法都會隨版本改變，但「這個數字從哪來」這個問題永遠適用。而且資料素養的應用範圍遠超過 AI：它同時是媒體識讀、科學方法與公民參與的基礎。

實務上的挑戰在於它落在誰的課堂。資料素養橫跨數學、自然科學、社會科與資訊課，結果常常是每一科都覺得別人會教。要真正落實，需要在課程地圖層級明確分工，並在各科的既有內容中嵌入——例如社會科分析人口統計時順帶處理抽樣問題，自然科做實驗時討論誤差與重複性。

另一個挑戰在師資。教師本身的資料素養水準差異極大，而這不是一場研習就能補足的。多數成功的做法是提供現成的教學案例與資料集，讓教師不必自行從零設計。

對台灣的課綱討論而言，這個角度值得納入。當各界討論要不要把 AI 寫進課綱、要教幾節課，資料素養提供了一個更務實的切入點：它可以嵌進既有科目、有成熟的教學研究支撐，而且教會之後，學生面對的不只是今天的 AI，還有下一個十年任何形式的自動化系統。