AI 素養
AI 正在改寫每個學科：老師該怎麼因應？把專業內建進 4D 的做法
AI 正在改寫每個學科：老師該怎麼因應？把專業內建進 4D 的做法
「AI 正在改變我教的東西，我該怎麼辦？」這大概是現在每位老師心裡都有的問題。學生會問：AI 都能搜尋了，為什麼還要學研究方法？AI 都能生成文字了，為什麼還要學寫作？如果我們答不出有說服力的答案，課堂的正當性就開始鬆動。
這篇要正面回應這件事，核心立場我很喜歡：AI Fluency 不是把你的專業自動化掉，而是放大你最擅長的事。你的學科知識不會過時，它會成為前所未有的成就的地基。這篇整理實用的診斷框架與具體做法。
你將學到什麼
三個畢業生問題
什麼會被自動化、協作潛力在哪、AI 自主工作時誰負責。
三重衝擊
課綱、教學法、評量各自被 AI 撼動的方式，以及為何程度不一。
你手上的三種專業
學科、教學、評量專業為什麼是因應 AI 的起點而不是被淘汰的對象。
把專業嵌進 4D
不碰 AI 也能做的功課：品質標準、專家思路、自動化地圖、倫理規範。
先問三個關於畢業生未來的問題
每個學科的老師都值得先想清楚三件事。第一，什麼會被自動化？學生未來職涯中哪些例行工作可能交給 AI，這對今天教什麼、怎麼教代表什麼？
第二，協作潛力在哪？人機協作在你的領域哪裡最有影響力？那些地方就是同時培養領域專業與 AI Fluency 的優先區。
第三，誰在負責？當 AI 在你的領域獨立作業時，學生要怎麼管理它、為它的產出負責，而我們現在能怎麼準備？
三重衝擊：課綱、教學法、評量
AI 在每個學科都同時撼動三個層面，但力道不均。課綱層面：AI 不會取代學科知識，卻逼我們重新想教什麼、何時教、為何教。要和同事一起盤點：AI 能自動化你領域裡的哪些事？當例行工作交給 AI，哪些基礎概念變得更重要、哪些變得次要？AI 增強之後，領域裡的最佳實務會怎麼改變？
教學法層面：規模化的個人化家教、互動式模擬、即時回饋，幾年前的夢想突然都可行了。但不是所有掛著 AI 的「增強」都真的增強學習，有些系統幫學生學會，有些只是讓學生跳過學習。
你要和同儕一起界定：在你的學科裡，AI 何時促進學習、何時抑制學習，以及硬性禁止是否可行，還是不如順著學生反正會用的現實，教他們用得更好。
評量層面是三個層面裡最大、最棘手的擾動：當學生幾秒鐘就能生成一篇文章，我們到底在測什麼？
這裡的功課有四件：定義 AI 協助下「真實的學習展現」長什麼樣；設計學生無法用 AI 抄捷徑的作業，甚至反過來設計「要與 AI 協作才能展現更深理解」的評量；讓評量重視過程與成長，不只看成品；判斷 AI 協作在哪裡增強、在哪裡破壞學習目標。
把學科專業嵌進 4D：不碰 AI 也能做的功課
有一個很反直覺的重點：這一整套功課完全可以不開任何 AI 工具。我們是在建造人的能力：把「我們知道什麼、怎麼知道的、為什麼重要」說清楚。在能向 AI 描述你領域的品質標準之前，你得先能向自己和學生描述它。
這裡刻意從 Discernment 講起，因為評斷品質是 AI 時代最重要的人類能力之一。
四個 D 各自的做法
Discernment：定義什麼是好。和同事、學生一起把「你領域的卓越」講到具體，超越「論證有力」「有創意」這種模糊詞：一篇哲學論文哪些具體的招式讓它有說服力？一個工程解法憑什麼算優雅？
接著收集領域裡的傑作（已發表論文、專業作品集、突破性解法），不只展示，要帶著學生系統性解剖：標註文本、畫出結構、解讀決策，讓學生看見你看見的東西。
同樣重要的是一起診斷失敗：收集失敗的論證、有 bug 的程式、無效的設計，鑑識式地檢查它到底在哪裡崩掉，這種對失敗模式的理解，不管跟不跟 AI 工作都用得上。
Description：把行話拆開。每個領域的溝通方式都內嵌著它的價值與方法。精確盤點領域的關鍵產出：不要只說「實驗報告」，要說清楚有哪些章節、什麼慣例、為什麼重要，為什麼方法段落在結果之前？
讓學生逆向工程專業成品的深層結構。再來是讓專家思路現形：歷史學家怎麼評估史料？設計師怎麼從概念走到原型？
追蹤每個微決策、記錄每次迭代，甚至讓學生訪談實務工作者、畫出專家思考的流程圖。最後替行為規範命名：科學家不是「做研究」而已，他們遵循懷疑、重複驗證、同儕審查的具體程序；「像數學家一樣思考」要翻譯成可觀察的行為。
Delegation：畫出分工地圖。拿一個典型任務，例如寫文獻回顧，拆解它需要什麼知識、什麼技能、哪些判斷。找文獻能自動化嗎？
評估相關性呢？綜合論點是不是需要人類判斷？接著明確繪製三張地圖：哪些例行工作 AI 可以自動化（資料清理、初稿、模式辨識）、哪裡人機協作最有價值（設計迭代、假說生成、文獻綜整）、哪裡可以讓 AI 代理獨立行動（監控實驗、過濾資訊、交作業前的初步回饋）。
讓學生用真實例子辯論這些界線，再透過案例把「何時找 AI 幫忙」做成明確、可辯護的決策樹。
Diligence：把價值觀寫下來。超越籠統的學術誠信，問你的領域裡「不傷害」具體是什麼意思：AI 協助分析病患資料時怎麼保隱私？協助法律研究時怎麼守住當事人保密義務？
把這些邊界案例做成學生可以套用到新情境的倫理決策矩陣。再來是釐清揭露規範：研究論文、創作作品集、商業報告引用 AI 協助的方式各不相同，帶學生調查領域現行慣例並做成揭露範本。
最後，問責政策不要用頒布的，用共創的：和學生一起起草課堂政策、寫進 AI 協作的榮譽守則、設計檢查人為把關的同儕審查程序，共創的過程本身就建立認同。
這個功課的回報：學生變得不可取代
這套學科化的深功夫會形成正向循環：能說清楚品質標準的學生，評估任何產出都更準，不管出自人還是 AI；理解領域方法的學生，引導任何流程都更有效；內化了專業倫理的學生，在任何協作裡都走得穩。
而老師自己也受益：用 4D 的透鏡思考，逼我們把內隱知識變明確；思考 AI 的能力範圍，反而讓我們更看重人類獨有的貢獻。
你能判別品質、精確溝通、拆解問題、堅守價值，這些能力正是你不可或缺的原因。把這些專業變得明確、可教，就是給學生活下去的地基。你不是在準備讓學生被 AI 取代，你是在準備讓他們不可取代。
