Uedu：橋接 AI、生理感測與課堂實踐的六維 Educational Omics 平台

教學問題

多模態學習分析（Multimodal Learning Analytics，MMLA）已證明整合多元資料能更完整地理解學習， 但既有研究多停留在樣本數小於 50 的實驗室情境，仰賴單價數千美元的研究級生理感測器， 且往往是無法延續到真實課堂的一次性原型。

與此同時，生成式 AI 在教育現場快速普及，AI 對話軌跡成為一種全新的學習資料來源—— 它記錄的不只是學生「點了什麼」，而是學生「如何思考」—— 然而既有的 MMLA 框架尚未將這類資料納入。如何在真實、可持續的課堂中， 把認知、語言、生理、社會互動、環境與倫理等異質資料整合起來，是本研究的核心問題。

研究方法

本研究提出 Educational Omics（教育組學） 框架，借鑑生命科學「組學」的整合典範， 將學習經驗組織為六個分析上彼此獨立的維度：

• Cognomics（認知組學）：透過 LLM 對話與自動化 Bloom 認知層次分類捕捉認知歷程
• Linguomics（語言組學）：透過語音轉文字與語意嵌入分析語言表達
• PhysioNeuromics（生理神經組學）：透過消費級 Garmin 穿戴裝置擷取生理訊號
• Sociomics（社會組學）：透過討論區與協作工具分析社會互動
• Environomics（環境組學）：透過 IoT 感測器擷取實體學習環境
• Ethicomics（倫理組學）：以同意管理與隱私設計（privacy-by-design）將倫理治理視為首要維度

此框架並非僅止於概念，而是透過 Uedu 生產級平台實際落地實作（operationalize）： 以 Python Flask 與 MySQL 建構、由 67 個模組化 blueprint 組成， 並以子網域多租戶（subdomain multi-tenancy）架構讓新機構僅需設定即可加入、無需修改程式碼。 平台橫跨 18 所大學、歷經四個學期的真實部署。

主要發現

• 高階認知佔比過半：自動化 Bloom 分類處理 136,000+ 則學生訊息， 高階認知活動（應用、分析、評鑑、創造）佔 50.2%。
• 學科差異顯著：高階認知比例從商學的 51.3% 到醫學／生命科學的 77.6%， 據我們所知為 AI 輔助學習中首批「學科分層 Bloom 基準」，讓教師得以對照學科常模反思教學設計。
• 自動分類可信賴：在「高階／低階」二元層級上，LLM 與人類標註者的一致性（κ ≈ .40） 與人類標註者彼此之間的一致性相當，顯示自動分類在關鍵粒度上與訓練過的人類評分者同等可靠。
• 生理感知對話：PALM（Physiologically-Aware Language Model，生理感知語言模型） 整合 41 位使用者、3,000+ 人日的穿戴裝置資料，依個人生理基線調整對話策略， 而非單純呈現另一個分析儀表板。

對教學的啟示

Educational Omics 的價值是「結構性」的：它讓一份研究明確標示自己涵蓋與未涵蓋的維度， 這是臨時拼湊式的模態選擇所無法提供的透明度，也讓「壓力是否會使學生退回較低的 Bloom 層次」 這類跨維度假設得以被清楚地提出與討論。

更重要的是，Ethicomics 作為與其他維度平起平坐的維度，確保多模態感測不等於監控： 每個維度都可獨立選擇加入或退出、同意是逐維度且可隨時撤回的，生理資料也不會直接揭露給教師。 框架讓各維度「可被使用」，而非「被強制」。