與 AI 正面對決的方法：教學生那些 AI 做不到的事

面對生成式 AI，教育界的討論長期困在兩個選項之間：禁止，或是全面擁抱。而有學者提出第三條路——正面迎戰，方法是把課程重心移到 AI 做不到的事情上。

**要走這條路，第一步是把「AI 擅長什麼」講清楚。**

生成式 AI 的核心能力是模式辨識與模式重組：它從大量文本中學到語言與知識的統計規律，然後產生符合這些規律的內容。這讓它在摘要、翻譯、改寫、整理既有知識、產生標準格式的文件上表現優異——而這些恰好是過去學校大量練習與評量的項目。

**那它做不到什麼？** 它無法對特定情境下的價值取捨做出負責的判斷；它不知道自己哪裡不知道，因此會流暢地給出錯誤答案；它沒有親身經驗，無法從自己與人相處、動手操作、在地觀察中產生洞見；它也無法為結果承擔責任。

**把這些區分帶進課程設計，教學重點就變得具體。**

如果 AI 能寫出通順的文獻整理，那麼課程的重點就該移到「你憑什麼相信這份整理」——查證來源、判斷證據強度、辨識被遺漏的觀點。如果 AI 能產生標準答案，那麼評量就該問「在這個具體情境下，你會怎麼選，為什麼」。如果 AI 沒有親身經驗，那麼結合在地田野、實作、訪談的作業就同時具備教育價值與不可替代性。

**這個取向最實際的好處是，它不需要依賴偵測工具。** 靠偵測 AI 來維持學術誠信，是一場注定落後的軍備競賽：偵測工具不可靠、會誤判，而且每次模型更新就要重來一次。而一份必須根據自己訪談紀錄來分析的作業，AI 幫得上忙，但無法代勞。

**不過，這條路對教師的要求不低。** 重新設計評量、增加口頭答辯與過程檢核，都比批改一份標準報告更耗時。在班級規模大、教師工時已滿的現實下，這類設計需要制度支持才可能普及，否則只會停留在少數熱心教師的個人努力。

另一個需要留意的是：**「AI 做不到的事」這條界線會移動。** 幾年前普遍認為 AI 寫不出流暢長文，如今已不成立。因此課程設計不能綁定在某一代模型的具體弱點上，而應該回到更穩定的核心——判斷、責任、親身經驗，這些屬於人的部分。

業界分析人士指出，以真實情境任務與過程性評量取代單一成品評量，在維持學術誠信上的效果通常優於依賴偵測工具。

**對台灣的教師而言，這個框架提供了一個可以馬上用的問題：** 這份作業，AI 在三分鐘內能不能做完？如果能，那它考的是什麼？

教育的價值從來不是產出正確答案，而是培養能為答案負責的人。