AI 在教育與公部門的應用：自適應教學到智慧城市

一、學習目標

理解**自適應學習（Adaptive Learning）**的 RL 技術基礎與個人化路徑設計原理
掌握 NLP 在**自動評分（Auto-grading）與智慧導師系統（Intelligent Tutoring System）**中的應用
說明 AI 在公部門服務的四大場景：智慧客服、語音轉錄、文件自動化、交通管理
了解台灣數位部公部門 AI 應用參考手冊六大治理維度
識別教育與公部門 AI 導入的四大挑戰：數位落差、隱私、公眾信任、透明性

二、核心內容

2.1 教育 × AI 的變革全景

傳統教育面臨的核心困境是「一對多」——同一位老師、同一份教材、同一套評量，卻要服務學習速度、背景知識、興趣方向截然不同的學生。AI 的出現讓「個人化教育（Personalized Education）」從理想變為可行。

生活類比：

傳統課堂像集體搭公車：固定路線、固定時刻，不管你住哪裡都要走到站牌等車。AI 教育更像叫 Uber：系統知道你在哪、要去哪，幫你規劃最適合你的路線，甚至在你繞錯路時即時重新導航。

教育 AI 五大應用：

應用	AI 技術	核心價值
自適應學習（Adaptive Learning）	強化學習（RL）、知識圖譜	為每位學生生成個人化學習路徑
自動評分（Auto-grading）	NLP、BERT、GPT	作文、申論自動評分，減輕教師負擔
智慧導師系統（Intelligent Tutoring System）	對話式 AI、RAG	7×24 小時個人化輔導，如 Khanmigo
自動出題（Question Generation）	NLP、文字摘要	從教材自動生成練習題與測驗
AI 內容偵測（AI Content Detection）	分類模型、困惑度分析	偵測學生作業是否由 AI 代寫

2.2 教育 AI 應用一：自適應學習（Adaptive Learning）

自適應學習是指系統根據學生的即時表現與學習歷程，動態調整學習內容的難度、順序與形式，為每位學生生成最優的個人化學習路徑。

生活類比：

自適應學習就像一位有耐心、記憶力無限好的私人家教：你做對了，題目馬上變難；你卡關了，系統知道是哪個前置概念沒學好，帶你回頭補強，而不是把同一道題再念一遍給你聽。

技術架構：

技術元件	功能
知識圖譜（Knowledge Graph）	描述各概念之間的前提與依賴關係（先學加法，才能學乘法）
學生模型（Student Model）	追蹤每位學生對每個知識點的掌握程度（掌握度 0～100%）
RL 路徑規劃（RL Path Planning）	以最大化學習效率為目標，選擇下一個最適合的學習內容
內容推薦引擎	根據路徑規劃，從題庫中選出最合適的題型與難度

RL 在自適應學習中的運作：

RL 元件	在學習系統中的對應
狀態（State）	學生當前的知識掌握圖譜、最近答題紀錄、疲勞程度
動作（Action）	下一題的知識點、難度等級、題型（選擇 / 填充 / 申論）
獎勵（Reward）	學生進步速度、長期留存率、最終測驗分數

考試重點：自適應學習的核心技術是知識圖譜 + 學生模型 + RL 路徑規劃三者的整合。RL 的獎勵函數設計直接影響系統行為——若只獎勵短期答對率，系統會讓學生一直做簡單題；加入長期學習效果指標才能真正提升學習成效。

2.3 教育 AI 應用二：自動評分（Auto-grading）

自動評分從最初的選擇題批改，已進化到 NLP 驅動的作文自動評分（Automated Essay Scoring, AES）。

評分類型	技術	成熟度
選擇 / 填充題	規則比對	非常成熟，已廣泛使用
程式碼作業	執行測試 + 程式碼分析	成熟，LeetCode 等平台廣泛使用
短答題 / 申論	BERT 語意相似度、GPT 評分	進步中，仍需人工校驗
作文（整體品質）	多維度 NLP（語法、連貫性、論證結構）	大學入學考試已試用，存在爭議

作文自動評分的評估維度：

維度	說明
語法正確性（Grammar）	語法錯誤數量與類型
詞彙豐富度（Vocabulary）	詞彙多樣性、進階詞彙使用頻率
論證連貫性（Coherence）	段落邏輯、主題一致性
論點深度（Argumentation）	論述是否有具體佐證、反駁與結論

生活類比：

AI 評分老師不怕疲勞、不因為字醜扣分、不因為認識這位學生而有偏心——但它也看不懂「這個學生的比喻很有創意」「這段文字雖然不合語法但充滿詩意」。AI 評分最適合客觀維度，主觀創意仍需人類判斷。

2.4 教育 AI 應用三：智慧導師系統（Intelligent Tutoring System）

**智慧導師系統（ITS）**是能夠與學生進行對話互動、提供個人化解題指導的 AI 系統。

**Khanmigo（Khan Academy 的 AI 導師）**是目前最具代表性的產品：

功能	說明
蘇格拉底式引導	不直接給答案，透過引導式問題幫學生自己找到解法
即時錯誤分析	識別學生的具體錯誤類型（如混淆加減符號），針對性糾正
情境解釋	將抽象概念與生活情境連結，提升理解
7×24 可用	不受時間限制，學生隨時可獲得輔導

技術基礎：大型語言模型（LLM）+ RAG（從課程知識庫檢索）+ 對話狀態管理

2.5 教育 AI 應用四：自動出題（Question Generation）

**自動出題（Automatic Question Generation, AQG）**技術從文章或教材中自動生成各類題目：

[輸入教材文本] → [NLP 重點萃取] → [題型模板填充] → [干擾選項生成] → [輸出試題]
                                                        ↑
                                           （錯誤選項需夠「迷惑性」，
                                            常用反義詞、相似概念填充）

應用場景	說明
教師備課	從教科書章節自動生成練習題，教師審核後使用
線上學習平台	無限生成練習題，避免學生背答案
複習系統	根據學生弱點知識點，針對性生成加強練習

2.6 教育 AI 應用五：AI 內容偵測（AI Content Detection）

隨著生成式 AI 普及，偵測學生作業是否由 AI 代寫成為教育機構的新挑戰。

偵測方法	原理	限制
困惑度分析（Perplexity Analysis）	AI 生成的文字往往「太流暢」，困惑度（Perplexity）偏低	高水準人類寫作也可能低困惑度
寫作風格比對（Stylometry）	與學生過去的寫作風格比較，偵測風格突變	需要足夠的歷史寫作樣本
分類模型（Classification）	訓練二元分類器區分人類 vs. AI 生成文字	新版 AI 模型出現後需頻繁更新

考試重點：AI 內容偵測工具（如 GPTZero、Turnitin AI Detector）的核心原理是困惑度（Perplexity）——AI 生成文字的 Perplexity 通常低於人類寫作，因為 AI 傾向選擇「最可能的下一個詞」，生成極為流暢但缺乏個人風格的文字。

2.7 公部門 AI 應用一：智慧客服（Smart Customer Service）

台灣財政部智慧客服是公部門 AI 導入的代表性案例：系統整合稅務常見問答、報稅流程指引、申報書類下載等資訊，民眾透過網頁聊天介面即可獲得 24 小時服務，大幅降低電話服務中心的人工負荷。

NLP 智慧客服技術架構：

[民眾輸入問題] → [意圖識別（Intent Classification）]
                          ↓
              [知識庫查詢（FAQ Retrieval / RAG）]
                          ↓
          [回應生成（Template / LLM Generation）]
                          ↓
    [信心評分] → [高信心：直接回覆] / [低信心：轉人工客服]

技術元件	說明
意圖識別（Intent Classification）	判斷民眾問的是「報稅截止日」還是「退稅進度」
實體擷取（Named Entity Recognition）	從問題中擷取關鍵資訊（如「統一編號」「稅籍地址」）
知識庫 RAG	從官方文件中檢索正確答案，減少幻覺風險
人工升級機制（Human Escalation）	複雜或敏感問題自動轉接真人客服

2.8 公部門 AI 應用二：法院語音轉錄（Court Speech-to-Text）

台灣司法院語音辨識系統將法庭錄音即時轉為文字，取代人工速記，顯著提升書記效率與紀錄準確性。

生活類比：

過去的法庭速記員就像在音樂會上靠手寫記下整首曲子的音符——速度與準確性受限於人的生理極限。AI 語音辨識系統像一台精準的音樂錄製機，不疲勞、不遺漏，還能即時輸出文字稿供法官確認。

語音辨識在公部門的技術挑戰：

挑戰	說明	對策
專業術語（Legal Jargon）	法律用語、訴訟程序術語與通用語音模型訓練資料差異大	以司法文書微調（Fine-tuning）專用模型
多人同時說話	法庭審判中律師、法官、證人交叉發言	說話者分離（Speaker Diarization）技術
台灣口音與台語夾雜	民眾陳述可能夾雜台語或地方口音	本地化訓練資料增強
資料安全（Data Security）	法庭錄音含高度敏感資訊	嚴格的存取控制與本地部署

2.9 公部門 AI 應用三：文件處理自動化（Document Processing Automation）

政府機關每日處理大量的書面申請、公文與報表。AI 文件處理自動化能大幅降低人工作業負擔：

技術	應用場景
OCR + NLP	掃描紙本申請書，自動擷取關鍵欄位資訊
文件分類（Document Classification）	自動將公文分類至對應承辦單位
資訊擷取（Information Extraction）	從合約或申報書中自動萃取關鍵條款與數據
審核輔助（Review Assistance）	AI 預審申請書完整性，標記缺件或格式錯誤

2.10 公部門 AI 應用四：交通管理與災害預測

智慧交通（Smart Traffic Management）：

應用	AI 技術	效益
號誌時相動態調整	強化學習、電腦視覺車流偵測	減少路口等候時間 15～30%
違規行為偵測	電腦視覺（闖紅燈、超速）	自動開單，減少執法人力
停車場導引	影像辨識車牌 + 即時空位預測	減少繞駛尋位的碳排放

災害預測（Disaster Prediction）：

災害類型	AI 技術	資料來源
洪水預測	LSTM 時間序列模型	雨量站、河川水位感測器
地震早期預警	深度學習地震波形分析	地震儀網絡即時資料
山坡地崩塌	衛星影像變化偵測 + 降雨資料	遙測衛星、氣象資料

2.11 台灣脈絡：數位部公部門 AI 應用參考手冊六大治理維度

台灣數位部發布的《公部門 AI 應用參考手冊》，從六個維度提供 AI 治理框架：

治理維度	核心內容
1. 合法性（Legality）	AI 系統的資料蒐集、處理須符合個資法與相關法規授權
2. 公平性（Fairness）	避免 AI 決策系統對特定族群產生系統性歧視
3. 透明性（Transparency）	重要決策的 AI 運作邏輯需能向民眾說明（可解釋性）
4. 安全性（Security）	資料安全、系統韌性、防範惡意攻擊
5. 問責性（Accountability）	明確 AI 決策的責任歸屬，建立申訴與覆核機制
6. 人本性（Human-centricity）	維持人工審查的最終決定權，AI 為輔而非取代

考試重點：數位部六大治理維度的英文名稱與核心意涵是 iPAS 考試高頻考點。其中**問責性（Accountability）**強調「AI 錯了，誰負責」；**透明性（Transparency）**強調「民眾有權知道 AI 如何做決定」。

2.12 四大導入挑戰

挑戰一：數位落差（Digital Divide）

生活類比：

AI 教學平台讓台北資源豐富學校的學生如虎添翼，但偏遠地區學生連穩定網路都缺乏——AI 有可能拉大而非縮小教育不平等。

層面	問題	對策
設備落差	低收入學生缺乏裝置存取 AI 工具	政府補助設備與寬頻網路
能力落差	教師缺乏 AI 工具使用技能	師培課程加入 AI 素養模組
語言落差	AI 工具多以英語訓練，中文效果次等	優先採用本地化中文 AI 系統

挑戰二：隱私（Privacy）

教育與公部門的 AI 系統處理大量高度敏感資料：

資料類型	敏感性	法規保護
學生學習行為紀錄	高（涉及未成年人）	兒童線上隱私保護法規
政府服務申請資料	極高（含個人識別與財務資訊）	個人資料保護法
法庭錄音	極高（含被告、證人機密陳述）	司法程序保密規定

挑戰三：公眾信任（Public Trust）

民眾對政府 AI 系統天生存有更高的疑慮：「為什麼 AI 決定我的補助申請被拒絕？」「AI 有沒有種族偏見？」。重建信任的關鍵：

可解釋性（Explainability）：提供決策理由，而非黑箱輸出
申訴機制（Appeal Mechanism）：讓民眾能對 AI 決策提出異議並由人工複審
定期稽核（Regular Auditing）：公開發布 AI 系統的公平性評估報告

挑戰四：透明性要求（Transparency Requirements）

政府機關的 AI 系統比企業 AI 面臨更嚴格的透明度要求——因為其決策影響公民權益（補助、執照、刑事判決），必須能接受公眾與司法審查：

透明性要求	說明
演算法揭露	高風險決策的 AI 模型邏輯需對外說明
資料來源揭露	訓練資料的範圍、品質與代表性需公開
決策日誌（Audit Log）	每次 AI 決策的輸入、輸出與版本需可追溯

三、關鍵名詞中英對照

中文	英文	說明
自適應學習	Adaptive Learning	根據學生表現動態調整學習內容的個人化教育系統
個人化教育	Personalized Education	依據個別學生需求量身設計的學習體驗
知識圖譜	Knowledge Graph	描述概念間前提與依賴關係的結構化知識表示
學生模型	Student Model	追蹤學生對各知識點掌握程度的動態模型
智慧導師系統	Intelligent Tutoring System (ITS)	能進行個人化對話指導的 AI 教育系統
自動評分	Auto-grading / Automated Essay Scoring (AES)	AI 自動批改作業與作文的技術
自動出題	Automatic Question Generation (AQG)	從教材自動生成練習題的 NLP 技術
困惑度	Perplexity	語言模型對文字的預測不確定性，AI 生成文字通常困惑度較低
意圖識別	Intent Classification	判斷用戶訊息背後目的的 NLP 分類任務
實體擷取	Named Entity Recognition (NER)	從文字中識別並擷取特定類型資訊（人名、地名、金額等）
說話者分離	Speaker Diarization	從多人錄音中識別並區分不同說話者的技術
數位落差	Digital Divide	不同族群在數位技術存取能力上的差距
可解釋性	Explainability	AI 系統能向人類說明其決策理由的能力
問責性	Accountability	明確 AI 決策錯誤時的責任歸屬機制
透明性	Transparency	AI 系統運作邏輯與資料使用方式的公開程度
人本性	Human-centricity	以人類福祉為核心、維持人工最終決定權的設計原則
人工升級機制	Human Escalation	當 AI 信心不足時，自動將對話轉接給真人處理的機制
決策日誌	Audit Log	記錄 AI 每次決策的輸入輸出與版本，供事後稽核
智慧城市	Smart City	運用 AI 與 IoT 提升城市基礎建設與公共服務效率的概念
公平性	Fairness	AI 決策在不同族群間無系統性歧視的特性

四、考試重點提示

考試重點：**自適應學習（Adaptive Learning）**的三核心元件——知識圖譜（概念前提關係）、學生模型（掌握度追蹤）、RL 路徑規劃（最優學習序列）。考試常問「RL 在自適應學習中的狀態/動作/獎勵分別是什麼」。

考試重點：**困惑度（Perplexity）**是 AI 生成文字偵測的核心指標——AI 生成文字困惑度偏低，因為模型傾向選擇「最可能的詞」。困惑度越低，越可能是 AI 生成；越高，越可能是有個人風格的人類寫作。

考試重點：數位部六大治理維度：合法性、公平性、透明性、安全性、問責性、人本性。其中問責性（誰負責）與透明性（為何如此決定）是公部門 AI 特有的高標準要求，在企業 AI 中相對寬鬆。

考試重點：財政部智慧客服的 NLP 架構核心流程——意圖識別 → 知識庫查詢 → 信心評分 → 高信心直接回覆 / 低信心轉人工。「人工升級機制（Human Escalation）」是政府 AI 客服的必要設計，確保複雜案件有人負責。

考試重點：司法院語音辨識的三大挑戰——專業術語、多人同時說話（說話者分離）、資料安全（本地部署）。「說話者分離（Speaker Diarization）」是語音辨識在多人場景的關鍵技術，務必記住術語。

隨堂小測驗

Q1. 自適應學習系統使用強化學習（RL）為學生規劃學習路徑時，下列何者最適合作為 RL 的「獎勵（Reward）」？

A. 學生每次完成一道題目就給予固定獎勵 +1
B. 以學生的長期學習成效（如期末測驗進步幅度）與學習持續意願作為綜合獎勵訊號
C. 系統給出題目後，若學生 30 秒內回答則給予最高獎勵
D. 以學生答對的題目數量除以總題數，作為唯一獎勵

Q2. 某 AI 寫作偵測工具使用「困惑度（Perplexity）」分析學生作業。請問困惑度與 AI 生成可能性的關係為何？

A. 困惑度越高，越可能是 AI 生成——因為 AI 喜歡用罕見詞彙
B. 困惑度越低，越可能是 AI 生成——因為 AI 傾向選擇「最可能的下一個詞」，文字極為流暢
C. 困惑度與 AI 生成無關，偵測 AI 作業只能靠比對資料庫
D. AI 生成的文字困惑度與人類寫作完全相同，無法用此方法區分

Q3. 台灣財政部智慧客服在民眾詢問「我的退稅什麼時候入帳？」時，系統辨識意圖後查詢知識庫，得到的答案信心分數只有 45%（門檻設為 70%）。下列何者是最恰當的系統行為？

A. 直接輸出信心最高的答案，不告知民眾信心不足
B. 系統關閉對話，請民眾改打電話
C. 自動轉接至真人客服（人工升級機制 Human Escalation），同時保留對話記錄
D. 要求民眾重新輸入問題三次，等待信心分數上升

Q4. 台灣數位部公部門 AI 應用參考手冊的六大治理維度中，「AI 系統在做出影響民眾權益的決策時，必須能提供可理解的決策理由，並建立申訴覆核機制」，這描述的是哪兩個維度的結合？

A. 合法性 + 安全性
B. 透明性（Transparency）+ 問責性（Accountability）
C. 公平性 + 人本性
D. 安全性 + 公平性

Q5. 在偏遠地區推廣 AI 輔助教學時，最可能面臨哪一項挑戰？下列哪一個對策最能直接解決此挑戰？

A. 挑戰：教材太難 → 對策：降低課程難度
B. 挑戰：數位落差（Digital Divide）——學生缺乏裝置與穩定網路存取 AI 工具 → 對策：政府補助設備與寬頻網路，同時提供離線可用的 AI 教學功能
C. 挑戰：AI 演算法不夠準確 → 對策：採購更昂貴的 GPU 伺服器
D. 挑戰：教師人數不足 → 對策：以 AI 完全取代所有教師

解答與解析

題號	答案	解析
Q1	B	RL 的獎勵設計決定了系統優化的方向。選 A（每題固定 +1）只會讓系統讓學生一直做題，不管有沒有學到東西。選 C（30 秒內回答）獎勵速度而非理解。選 D（答對率）仍是短期指標，可能讓系統一直出簡單題。只有選 B 以長期學習成效與學習持續意願為獎勵，才能真正驅動系統設計出讓學生長期進步的路徑。
Q2	B	語言模型在生成文字時，傾向選擇「給定前文後最可能出現的下一個詞」，因此 AI 生成的文字在語言模型的預測機率分布下，不確定性（困惑度）偏低——文字極為流暢、可預測。困惑度越低，意味著文字越「符合語言模型預期」，越可能是 AI 生成。有個人風格、創意表達的人類寫作反而困惑度較高，因為人類更常使用意想不到的表達方式。
Q3	C	信心分數 45% 低於門檻 70%，代表系統對此問題的知識庫答案把握不足，直接回覆風險高（可能給出錯誤的稅務資訊，後果嚴重）。正確做法是啟動人工升級機制（Human Escalation），將對話轉接至真人客服，同時保留完整的對話記錄，讓真人客服能了解民眾問題的來龍去脈，不需要民眾重新解釋。選 A 可能誤導民眾；B 關閉對話服務體驗極差；D 重複輸入不會改變信心分數。
Q4	B	「能提供可理解的決策理由」對應透明性（Transparency）——讓民眾知道 AI 為何如此決定；「建立申訴覆核機制」對應問責性（Accountability）——確保 AI 決策錯誤時有明確的救濟管道與責任歸屬。這兩個維度在政府 AI 中特別重要，因為政府決策直接影響公民的法律權益，無法像企業一樣以「商業秘密」為由拒絕說明。
Q5	B	偏遠地區推廣 AI 教學最根本的障礙是數位落差——學生缺乏裝置（手機/電腦）與穩定寬頻網路，連基本的 AI 工具存取都無法做到，再好的 AI 演算法也無從發揮。最直接的對策是政府補助硬體設備與網路基礎建設，同時開發「離線模式（Offline Mode）」的 AI 教學功能，降低對網路的依賴。選 D 「完全取代教師」違背人本性原則，且會消滅教育中不可替代的人際關係與情感支持。