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。
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
1.
下列哪一種做法屬於「與 AI 一起思考」？
2.
為什麼提問的方式會影響你學到多少？
3.
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？
第 1 次作答
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。
想一想：分工的判斷
1.
單擺實驗報告中，哪一步交給 AI 會構成造假？
2.
判斷一個步驟能不能交給 AI，最關鍵的問題是？
3.
AI 協助完成的步驟出了錯，誰要為結果負責？
第 1 次作答
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。
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。