Learning Objectives
- 分辨與 AI 一起思考，以及把思考交給 AI。
- 為自身科系的一項作業安排人與 AI 的分工，指出交給 AI 會妨礙學習的步驟。
- 說明為什麼「AI 做得比較快」不是決定分工的理由。
- 說明 AI 判斷人時錯誤可能不平均，以及為什麼幾種公平標準無法同時成立。
工具會不會讓你學不到
計算機沒有讓數學系消失，但小學生學乘法時，老師不會讓他們按計算機。差別在於：這一步是不是你此刻要學會的能力。已經會的事交給工具，可以把力氣留給更難的部分；還在學的事交給工具，能力就長在工具身上，而不是你身上。
學習科學把「需要費力、但能讓人學得更牢」的過程稱為適度困難。自己想論點、自己找錯誤、自己推導，過程不輕鬆，卻正是學習發生的地方。AI 最容易拿走的，往往就是這一段。
同樣是使用 AI，結果可以差很多。Chang 等（2027）分析 122 名國中生與經過提示設計的 AI 一起撰寫科學解釋，歸納出學生與 AI 共同建構知識的七種方式，也發現學生主動參與思考的程度因人而異。關鍵常在於提問的方式：是請 AI 幫你想，還是請 AI 替你想。
想一想：誰在思考
下列哪一種做法屬於「與 AI 一起思考」？
為什麼提問的方式會影響你學到多少？
一位已經熟練統計的研究生，請 AI 幫忙寫繪圖程式。這和大一學生在統計課上這樣做，差別在哪裡？
拆解一份作業
安排分工時，把作業拆成步驟，每一步問一個問題：這一步是不是這份作業要我學會的能力？
| 分工方式 | 適合的步驟 |
|---|---|
| 自己做 | 作業要你學會的能力，例如提出論點、設計實驗、找出程式錯誤的原因 |
| 和 AI 一起做（你主導） | 需要你判斷、但可以請 AI 提問或給回饋的步驟 |
| 交給 AI（你檢查） | 已經會、或不是這份作業評量重點的步驟，例如排版、潤飾文字 |
另外有一種步驟永遠要自己做：核對 AI 的產出。這是 M2 的查證動作，在每一種學科都一樣。
同一個錯誤，在不同學科的後果
AI 的錯誤在不同學科有不同的後果，所以「要查證到什麼程度」也不一樣：
| 學科 | AI 常見的錯誤 | 沒查證的後果 |
|---|---|---|
| 文學、歷史 | 張冠李戴的引文、錯誤的年代 | 論證建立在不存在的文本上 |
| 理工 | 公式、單位、數量級錯誤 | 結論錯誤；在工程與醫療情境可能造成危險 |
| 資訊 | 看似正確、但特殊情況會出錯的程式 | 程式在真實使用時失效 |
| 商管 | 無出處或過時的市場數字 | 決策建立在錯誤的數據上 |
在自己的科系裡，找一則 AI 對專業問題的回答，用本學科的可靠來源（教科書、期刊、官方資料）查證它。這是把 M2 的查證動作，帶回你自己的學科。
AI 替人做判斷時，錯誤由誰承擔
前面談的是 AI 幫你做事時出錯，後果由你自己承擔。另一種情況是 AI 或統計模型被用來判斷人：這份作業是不是 AI 寫的、誰需要學業預警、誰可以錄取。這時錯誤落在被判斷的人身上，而且不一定平均分布：
| 案例 | 發生了什麼 |
|---|---|
| 人臉性別分類（Buolamwini 與 Gebru，2018） | 三套商用系統對深膚色女性的錯誤率最高到 34.7%，對淺膚色男性最高只有 0.8%。只看整體準確率看不出這個差距，要分組才看得到 |
| AI 偵測軟體（Liang 等，2023） | M3 提過：非英語母語者寫的英文，容易被誤判為 AI 生成 |
| 英國 2020 年 A-level 成績 | 疫情取消考試，英格蘭用統計模型（不是生成式 AI）調整老師給的成績，約 39% 的成績被調低。人數少的科目不調整或少調整，《衛報》引官方數字指出，獨立學校高分比例的增幅約為公立綜合中學的兩倍；主管機關則表示沒有發現流程造成偏誤。爭議之下，成績公布四天後改採老師評定的成績 |
英國的例子還說明了另一件事：同一份結果，不同的人會用不同的標準判斷它公不公平。這不只是立場不同。統計上可以證明（Chouldechova，2017；Kleinberg 等，2017），當兩群人的實際比例不同時，幾種聽起來都合理的公平標準，通常無法同時成立。下面的練習讓你親手看到這件事。
看到 AI 在判斷人時，可以問的問題
數學可以告訴你取捨長什麼樣，但不能告訴你該選哪一邊，那是價值判斷，也是人的責任。人的判斷同樣會有偏誤，所以問題通常不是「用不用模型」，而是：
- 錯誤的代價由誰承擔？ 誤報和漏掉，各會造成什麼後果？
- 有沒有分組報告錯誤率？ 只有一個整體準確率，看不出誰承擔了大部分的錯誤。
- 被判斷的人知道嗎？ 可以看到原因、要求人工複查、提出申訴嗎？
- 這些取捨是誰決定的？ 受影響的人有沒有機會表達意見？
法規也開始處理這件事：歐盟《人工智慧法》把教育場域中決定入學、評量學習成果、決定受教育程度、監看考試行為的 AI 系統列為高風險，要求比一般系統嚴格的義務。
想用程式量出兩群人的錯誤差距，可以看機器學習軌的第 15 課，那一課要寫 Python，不是這個軌道的必修。
AI 會怎麼改變工作
分工的判斷，不只發生在作業裡，也發生在未來的工作裡。兩份常被引用的國際報告：
| 報告 | 怎麼做的 | 主要發現 |
|---|---|---|
| 國際勞工組織（ILO）與波蘭 NASK，2025 年 5 月 | 把各職業拆成一項一項工作任務，評估生成式 AI 能做到哪些 | 全球約四分之一的工作有某種程度的「暴露」；暴露程度最高的一級占 3.3%，以文書類工作最多；最高一級在女性的工作中占 4.7%、男性 2.4%，高所得國家是 9.6% 與 3.5% |
| 世界經濟論壇《未來就業報告》，2025 年 1 月 | 訪查 1,000 多家大型雇主對 2030 年的預期 | 預期新增約 1.7 億個工作、減少約 9,200 萬個，淨增約 7,800 萬；工作所需的技能約有四成會改變 |
讀這些數字要注意三件事：
- 「暴露」不等於「消失」。ILO 的結論是，最可能的影響是工作內容改變：一個職業裡的部分任務由 AI 協助，人要做的事跟著變，而不是整個職業不見。
- 影響不平均。同一份報告指出，女性比較集中在暴露程度高的文書與客服工作；轉職訓練與社會支持，決定了這些改變落在誰身上。
- 雇主的預期不是確定的預測。世界經濟論壇的數字來自問卷，反映的是雇主的看法。
對你來說，這正是本課的主題：AI 做得到的任務會越來越多，留下來、而且更重要的，是判斷、查證、和人合作，以及你在困難的步驟裡練出來的專業能力。把該學的步驟交給 AI，省下的是現在的時間，失去的是將來工作時真正需要的能力。
想一想：分工的判斷
單擺實驗報告中，哪一步交給 AI 會構成造假？
判斷一個步驟能不能交給 AI，最關鍵的問題是？
AI 協助完成的步驟出了錯，誰要為結果負責？
一份報告說某個職業「生成式 AI 暴露程度高」。最恰當的解讀是？
學校打算用 AI 系統標記「可能代寫」的作業，廠商說整體準確率 95%。最應該追問的是？
兩群人實際需要協助的比例不同時，關於「公平」哪一個說法最正確？
帶走的習慣
- 問 AI 之前，先寫下自己的想法；請 AI 挑戰你，而不是替你想。
- 拆解作業時，每一步問：這是不是我此刻要學會的能力？
- 核對 AI 的產出，永遠自己做。
- 看到 AI 在判斷人時，問錯誤的代價由誰承擔、被判斷的人能不能申訴。
課堂延伸：拿一份你這學期真正要交的作業，照練習二的方式列出步驟與分工，和同學交換看看彼此的判斷。