學校真正能從自己的資料學到什麼？多數學區的資料品質撐不起 AI 決策

用人工智慧分析校務資料、找出教學問題並提出改善建議——這個願景對許多學區都極具吸引力。但在導入工具之前，有一個更基本的問題需要先回答：學校手上的資料，究竟撐不撐得起這樣的分析。

多數學區的答案並不樂觀。學校累積的資料量確實不少，出缺席紀錄、成績、行為事件、家長聯繫紀錄、平台使用日誌，分散在不同系統裡。問題在於這些資料多半是為了行政流程而蒐集，不是為了分析而設計。欄位定義因年度而異、同一件事在不同系統有不同記法、缺漏值沒有標準處理方式、跨系統之間缺少可靠的串接鍵。把這樣的資料餵給分析工具，得到的結論看起來精確，實際上可能只是反映了資料本身的紀錄習慣。

這不是靠更強的模型能解決的問題。分析工具能找出資料中的相關性，但無法分辨這個相關性來自真實的教育現象，還是來自登錄方式的差異。舉例來說，若某些教師習慣把輕微違規記錄下來、另一些習慣當場口頭處理，行為事件資料就會顯示出教師之間的巨大差異——但那反映的是紀錄習慣，不是學生行為。工具無法看出這一點，只有熟悉現場的人才能。

那麼學校實際上能從資料裡得到什麼？較可靠的是趨勢與異常的提示。出缺席的長期變化、特定時段的模式、與往年同期的差距，這些即使資料不完美，方向性的訊號仍然有參考價值。資料適合用來提出問題——「這個班的缺席率為什麼在三月開始上升」——而不適合直接給出答案。把它定位成引導調查的線索，而非決策的依據，是比較務實的用法。

反過來說，有幾件事不該期待。個別學生的預測性判斷風險最高，資料的雜訊在個體層級的影響遠大於群體層級，而錯誤標記對學生的影響可能持續數年。用資料評價教師表現同樣危險，因為教學成效受到班級組成、科目性質等大量未被記錄的因素影響。

業界分析人士指出，學區若真要往資料決策的方向走，投資順序應該是先整理資料治理——統一定義、建立登錄規範、確認串接方式——再談分析工具。跳過前者直接買後者，最可能的結果是得到一批看似專業、實際上無法據以行動的報表。