從被動解題到主動出題
AIEA「判斷力課堂」教學實踐研究學員閱讀版
這份閱讀材料整理自吳相勲老師的 115 年度教學實踐研究計畫申請稿〈從「被動解題」到「主動出題」：以生成式 AI 輔助學生自產內容（SGC）建構商業敏銳度與批判性思維〉。它不是完整申請書，也不表示計畫已獲核定或研究結果已經成立。這裡保留的是與課程設計直接相關的方法，讓你思考：當學生已經能使用生成式 AI，教師還可以如何安排一門真正鍛鍊思考、判斷與內容產製能力的課。
一、真正的問題不是學生會不會問 AI
學生會使用 AI，並不表示他已經能處理專業問題。AI 很容易產生一份結構完整、語句流暢的答案；困難之處在於，學生是否知道問題為何值得處理、缺少哪些資料、應採用什麼理論，以及不同方案會犧牲什麼。
因此，課程不能只要求學生「解一題」。更進一步的做法，是讓學生自己尋找值得研究的情境、界定問題、蒐集證據、選擇理論，再設計出能讓別人思考的教材。這個轉變可概括為：從被動解題走向主動出題。
在這個過程中，AI 是研究助理，不是作品的匿名作者。學生要留在決策流程中，負責提出方向、判斷證據、修正錯誤，也要能說明為何採用或拒絕 AI 的建議。作品寫得漂亮並不是終點；能交代問題如何形成、理論如何使用、資料如何查核，才是判斷力的證據。
二、AI-SGC：讓學生自行產製可以教別人的內容
SGC 是 Student-Generated Content，也就是學生自產內容。這份計畫進一步加入生成式 AI 協作，形成 AI-assisted SGC。學生不是交一篇一般報告，而是製作一組可以拿來教學、討論與檢驗判斷的材料。
一組完整作品包含兩份互相配合的文本：
A 文本：保留決策困難的個案敘事
A 文本負責交代人物、組織、事件、限制與衝突，但不能把答案先寫完。好的 A 文本會讓讀者看見資訊不完整、目標彼此衝突，而且每個選項都有代價。學生需要根據資料作出第一個判斷，而不是從文中找標準答案。
B 文本：精簡而可操作的教學札記
B 文本說明這個個案要練什麼、可以運用哪些理論，以及作者準備如何帶領討論。內容至少包括學習目標、三個關鍵問題與建議分析。它不是把 A 文本重述一次，而是讓作者證明自己知道：這個故事為何值得進教室，以及如何用專業知識把討論帶到更深的位置。
A 文本檢驗學生能否建構問題；B 文本檢驗學生能否設計學習。兩者放在一起，才看得出學生是否真的掌握個案背後的管理概念。
三、交互診斷：作品不是交出去就結束
學生完成 A／B 文本後，可以進行三階段的交互診斷。
- 先交換 A 文本。 另一組在有限時間內閱讀，提出第一個決策與理由。作者此時不能直接公布答案。
- 作者主持追問。 作者依 B 文本中的三個關鍵問題帶領討論，檢查讀者注意到哪些線索、忽略哪些限制，以及使用了什麼判斷標準。
- 再公開 B 文本。 兩組比較原先判斷與作者設計，指出問題設定、理論使用、證據與教學引導還有哪些不足。
這項活動同時檢查兩件事：讀者能否在不完整資訊中形成判斷，作者能否讓自己設計的教材真正引發思考。若讀者完全看不出作者預定的問題，可能是 A 文本線索不足；若三個問題只能問出記憶答案，可能是 B 文本仍停留在知識複誦。失敗不是丟分的理由，而是重新修改作品的資料。
四、人類與 AI 應該分別負責什麼
| 工作 | 人類主導 | AI 可協助 | 不應直接交給 AI |
|---|---|---|---|
| 問題形成 | 選擇主角、衝突與值得處理的決策 | 提出可能忽略的利害關係人 | 代替作者決定核心問題 |
| 理論選擇 | 判斷哪些管理概念真正適用 | 比較不同框架的差異 | 用名詞堆出看似專業的答案 |
| 資料處理 | 決定可信來源與證據標準 | 整理資料、製作初步摘要 | 生成不存在的事實或引用 |
| 文本製作 | 決定敘事取捨與教學目的 | 修整語句、模擬初學者閱讀 | 隱藏 AI 參與並冒充個人作品 |
| 品質檢查 | 查核事實、處理價值衝突、做最後決定 | 扮演反方、找出缺口 | 直接替作品評分或決定責任 |
使用 AI 時，至少留下四類紀錄：原始問題、重要對話、事實查核、採用與拒絕的理由。這些紀錄不是為了計算問了幾次，而是要讓別人看見你的思考在哪裡改變。
資料工作還要守住四項原則：先界定研究目標；使用不同類型的來源；對 AI 輸出進行批判與查核；清楚引用原始資料。沒有來源的流暢文字，不足以成為個案證據。
五、十八週不是把十八個主題排成清單
十八週課程可以分成兩個階段。前八週建立共同語言，學生閱讀具有代表性的作品、拆解 A／B 文本、練習找問題、查資料與使用理論。後十週進入專案製作：選題、蒐證、撰寫、交互診斷、修訂、公開說明與反思。
教師在前段較像示範者，讓學生知道什麼叫好問題、好證據與好追問；中段轉為教練，針對每組的問題設定與資料提出質疑；後段則擔任品管者，檢查作品是否能被別人使用，以及學生能否為自己的取捨負責。
每一週都應留下可觀察的成果，例如選題說明、來源表、第一版 A 文本、三個關鍵問題、AI 協作紀錄、交互診斷回饋與修正版。這些小成果會逐步累積成期末作品，也讓教師不必等到最後一週才發現學生其實沒有掌握核心問題。
六、如何證明學生真的有學會
只問滿意度，無法回答學生是否更會思考。這份計畫採用多種證據，觀察學習如何發生：
- 歷程證據：AI 協作、追問、查核與修訂紀錄。
- 作品證據：A／B 文本及不同版本的差異。
- 互動證據：交互診斷中的第一判斷、追問與回應。
- 量化資料：自我導向學習與批判思考的前後測。
- 反思資料：學生如何描述自己的問題設定、理論判斷與 AI 使用。
這些資料不能互相取代。作品進步可能來自反覆修改，也可能只是 AI 改寫得更流暢；問卷分數提高可能反映信心，卻不一定等於能力提升。教師需要將歷程、作品、互動與反思放在一起，才有機會理解真正的變化。
七、生成式 AI 的變動，本身就是教學研究機會
現在沒有誰已經掌握所有正確答案。模型、介面、授權與學生使用習慣都持續改變，舊作業可能突然失去鑑別力，新活動也可能帶來新的學習方式。這不是只能被動因應的麻煩，也是值得研究的問題。
你可以從一個小而清楚的改變開始：先安排學生不用 AI 作出第一判斷，再加入 AI 反方；要求學生自己設計問題，而不是只回答教師題目；比較只有期末成品與保留版本紀錄時，教師看見的學習有何不同。研究問題不必一開始就很宏大，但要說清楚你改了什麼、期待學生發生什麼變化，以及準備用哪些證據判斷。
設計本位研究（Design-Based Research, DBR）適合處理這類問題。教師在真實課堂中設計、實施、蒐集資料、修正，再進入下一輪。重點不是證明第一次設計完全正確，而是留下足夠證據，說明哪一項安排在哪些條件下有效，哪一項需要修改。
八、帶回自己課程的起步練習
請選擇一項目前已有的作業，完成下列檢查：
- 學生現在是在回答教師的問題，還是也要自己界定問題？
- 這份作業是否能拆成 A 文本與 B 文本？
- 哪一項判斷必須由學生先完成，才能讓 AI 進場？
- 學生要留下哪些 AI 協作與查核證據？
- 哪一段適合安排同儕交互診斷？
- 除了最後成品，你還會保留哪兩種學習證據？
- 這項改變可以形成什麼教學研究問題？
先選一份作業試做，不必立刻重寫整門課。若這段流程能讓學生更清楚地提出問題、使用理論、查核資料與說明取捨，再將方法延伸到其他週次。旗艦課程不是一次完成的大工程，而是一組能被觀察、測試與持續修訂的教學設計。
來源說明
本文件整理自吳相勲老師 2025 年 12 月 12 日完成的 115 年度教學實踐研究計畫申請稿。文中提及的研究架構、研究問題與預期貢獻，屬於申請階段的設計，不應解讀為已完成的研究成果。
申請稿列出的相關文獻包括 Ellet（2007）、Naumes 與 Naumes（2012）、Vega（2022），以及 Student-Generated Content、學生自編個案、自我導向學習與生成式 AI 教學相關研究。需要進一步引用時，請回到正式出版品核對作者、篇名、出版資料與 DOI，不要只引用這份摘要。