AI世代的教師培育：從課程轉型到專業養成的再思考
- 蘇淑菁、陳佩英
- 14小时前
- 讀畢需時 15 分鐘
已更新：17分钟前
陳佩英（國立臺灣師範大學）
蘇淑菁 （師大附中）
一個問題，三個場景
想像大學教授可能遇到的場景：
場景一：學生繳交了一篇結構完整、論述流暢的期末報告。教授幾乎挑不出毛病。但當教授在走廊上偶遇他，隨口問起論文核心概念，學生卻支支吾吾，說不出個所以然。
這不是個案，而是生成式AI在大學課堂製造的新常態。學生行為呈現感知的精熟度與實際的內在能力之間存在斷層，我們稱之為假性精熟（False Mastery）（OECD，2026）。學生看似表現優異，但學習其實空洞；成績雖達標，但理解或認知基模尚未建立。而這樣的現象可能讓學教師和學生自己，甚至是評量系統都同時受到蒙蔽。
美國大學教授協會（AAUP）的調查指出，有74% 的大學教師確認學生已在使用 AI 撰寫報告；近半數教師擔憂這正在削弱學生的批判性思考能力。澳洲高等教育品質標準署（TEQSA）已要求全國所有高等教育機構提交 AI 風險行動計畫，並獲得百分之百的回應率。台灣的教育部則主導成立跨校聯盟 TAICA，匯聚 25 所大專院校共同因應。
但政策層面的回應，只是這場挑戰的表層。要真正理解生成式 AI 對大學教育的衝擊，我們必須同時從政策、素養框架與認知科學三個面向來進行探討。
圖1 AI世代的教師培育：從課程轉型到專業養成的再思考
註：AI生成圖片
第一重挑戰：政策的分歧與共識
全球高等教育界對生成式 AI 的治理，呈現出不同的路徑選擇，和反映出各國在學術自由、經濟戰略與教育公平之間的不同取捨。
美國走的是去中心化路線
在缺乏聯邦層級統一規範的情況下，哈佛、杜克等名校選擇將 AI 使用政策的決定權下放給個別教師。學校提供課程綱要範本選單（Syllabus Language Menu），教授可決定「全面禁止」或「導入與整合」的自由選擇。此做法原則上是尊重學科多樣性和教授的專業自主。資訊工程教授可以鼓勵學生用 AI 生成程式碼練習除錯，或者文學教授則可嚴格禁止以保護原創寫作的訓練歷程，但也將頗具挑戰的行政與判斷負擔轉嫁給第一線教師，學生在標準不一的環境中疲於應對，有時甚至在不知情之下可能觸犯學術倫理規範。
澳洲則採取系統性的國家監管
澳洲高等教育品質標準署（TEQSA）提出了審慎且務實的判斷：「依賴 AI 偵測工具是一場注定會失敗的軍備競賽。這些工具容易產生偽陽性與偽陰性，學生也很容易用改寫工具輕易繞過。」因此，澳洲策略的重心不在偵測，而是企圖從根本重塑評量體系。採取的措施包括全學程改革、單元級的安全評量（例如無法使用 AI 的實體口試）、以及兼顧效率與真實能力的混合模式。澳洲的AI框架還特別強調資料主權保護，確保 AI 的引入不加劇原本已存在的社會不平等。這的確是許多政策討論中容易忽略的公平性面向。
新加坡的邏輯最為直接
AI 素養是維持國家競爭力的經濟引擎。新加坡國立大學、南洋理工大學、新加坡管理大學均採積極整合的態度，以三個關鍵策略來落實：ADAPT（重新設計超越 AI 能力的考題）、INCORPORATE（在合適情境明確允許 AI 使用）、和DETECT（雙重檢測系統查核違規）。新加坡大學還主張推行「強制申報」作為，也就是學生提交作業時必須清楚交代使用了哪些 AI 工具、應用在哪個環節，以自我揭露的方式把 AI 視為需要被引用的協作夥伴，而非隱形的代筆者。
臺灣的策略是跨校聯盟與資源共享
臺灣教育部主導成立的 TAICA 試圖以「國家隊」模式解決各校 AI 師資與軟硬體資源不均的問題，設計了探索應用、工業應用、自然語言、視覺影像四個 AI 核心學分學程，推動跨校選修，並直接與企業對接以縮短學用落差。台師大與台大的 AI 使用指南同時特別提醒生成式 AI 基於機率模型，極易產生「幻覺（Hallucinations）」與事實錯誤，學生必須主動承擔查核的責任。
儘管四國路徑各異，其共識卻日益明確。四國政策明白指出，全面禁堵已被證實既不可行，也不符合時代需求。政策指引的關鍵在於如何幫助師生負責任地整合Ai的應用。 從禁堵到規範治理，再到素養整合，此為全球高等教育正在經歷的共同轉向。
第二重挑戰：素養的深度與廣度
當前AI政策想要解決的是「允不允許」的邊界問題，而素養框架想要回答的是「什麼叫做真正懂得使用 AI」的課題。
目前最具代表性的五個國際框架包括了OECD/EU、UNESCO、DQ Institute、美國 ISTE 2024、歐盟 DigComp 3.0。這些框架不約而同地打破了「AI 素養等於會寫提示詞」的狹隘認知，將Ai應用提升至涵蓋倫理、社會技術與後設認知的複雜能力體系。
圖2 國際組織的AI素養框架
註：AI生成圖片
一、OECD/EU 框架以四個動詞描繪 AI 時代的學習者圖像。
與 AI 互動（Engage AI）：要求有心理防線，不被擬人化陷阱欺騙
與 AI 共創（Create AI）：要求具備運算思維，能將複雜問題轉化為機器指令
管理 AI（Manage with AI）：要求識別幻覺與演算法偏見，甚至要能權衡 AI 龐大算力所帶來的能源、水資源與碳排放成本
設計 AI（Design with AI）：要求理解底層邏輯，探討系統公平性與社會衝擊。
又OECD框架將作為 2029 年 PISA 媒體與 AI 素養評估的基礎，其影響力可想而知。
二、UNESCO 框架的核心哲學是「保護人類主體性」，並罕見地針對學生與教師分別設計專屬框架，兩者的期許截然不同，但共享同一個目標。
對學生，UNESCO 設計了涵蓋理解、應用、創造三個精熟層次、四個面向（以人為本心態、AI 倫理、AI 技術應用、AI 系統設計）的 12 項核心能力。期望培育學生成為負責任的使用者，和「共同創造者（Co-creators）」；學生不應只會搬動AI 的輸出，而是能夠在最高的創造層次修改或建立資料集、測試 AI 應用的效能，並對技術發展承擔主動的社會角色。
對教師，UNESCO 設計了五個維度（以人為本心態、AI 倫理、AI 基礎應用、AI 教學法、AI 專業發展）的 15 項核心能力，其核心主張是教師不應依賴 AI 來解決「關係性問題」。所謂關係性問題，指的是那些需要人與人之間真實連結才能處理的事，包括學生的情緒困境、課堂中的信任建立、因材施教的判斷、師生之間的道德示範。這些是 AI 可以模擬語氣但無法真正承載的教育本質。再者，UNESCO 希望教師成為「協作知識的生產者」，運用 AI 創新教學法，引導學生在 AI 時代履行公民責任，而不是讓 AI 替代教師成為學習關係的主角。換言之，UNESCO 對教師的期待，是「主動駕馭 AI」，而非被動適應 AI，或把自己的教育判斷外包給 AI。
三、歐盟 DigComp 3.0 在 2025 年 11 月完成了自 2013 年首版以來規模最大的更新，最關鍵的設計是AI 相關知識、技能與態度被系統性橫貫整合至全部 21 項能力之中，而不是去設立「AI 能力區」。此設計明確設定AI 素養並不是獨立科目，而是貫穿所有數位能力的底層思維。歐盟最新的調查指出，歐盟 92% 工作者需要使用數位科技，30% 已在使用 AI，卻僅有 15% 曾接受任何 AI 技能培訓；這些數據的差距是需要我們予以關注和面對。
四、DQ Institute 框架由 IEEE 標準協會支持（IEEE 3527.1™），整合全球上百個數位素養標準，劃分出 8 個領域、3 個漸進層次、共 24 項能力，將 AI 素養置於更廣泛的數位生活光譜中。值得關注的首推「數位同理心」的標準，該標準指涉在與 AI 互動時能夠調節情緒，避免病態情感依賴，「個人網路風險管理」則意謂識別深度偽造 Deepfakes 與演算法假訊息，以及「數位轉型領導力」即具備技術戰略眼光，融入 ESG 框架。DQ 的系統性框架認定AI 素養並非是單一技能，而是涵蓋跨越個人、社會、組織三個層次的整全生態。
五、美國 ISTE 2024 標準被全美 50 個州及全球多國廣泛採用，其核心哲學是「標準是關於學習的，不是關於工具的（Standards are about learning, not tools）」。ISTE為學生定義了三個角色：數位公民（在 AI 普及環境中做出安全、合法、合乎倫理的判斷）、知識建構者（批判性評估 AI 生成內容的準確性與潛在偏見）、以及運算思維者（具備演算法思維，將真實問題轉化為科技可輔助的解決方案）。ISTE 2024 最引人注目的更新，是將數位公民素養擴充至同理心、身心福祉與為公共善建立社群等人文維度，明確宣示技術教育從未真正拋離人的教育。
綜合五個框架，可以歸納出三條共同脈絡：
從工具使用到批判性能力。 五大框架均未將 AI 素養窄化為操作技術，而是強調培養人的批判性思考、資訊判讀與倫理反思。DigComp 3.0 的「技術中性」、ISTE 的「以學習為本」、UNESCO 的「人類主體性」，都反映了以人為中心的立場，雖然表達方式有所差別。
從個人技能到社會倫理。 各框架均已超越個人技能培養的範疇，轉向技術的社會責任與倫理治理，涵蓋數位福祉、數位權利、同理心、公共善，乃至環境永續。
從單一面向到生態系統。 AI 時代的教育轉型，需要整個教育生態系統的協同賦能。真正的 AI 素養，是「心理習慣（Mental Habits）」的養成，包括保持好奇心、維持懷疑的態度、願意反覆迭代，並深刻理解權力、公平與可及性在技術背後的運作邏輯。
第三重挑戰：認知的侵蝕與防護
有了政策邊界和素養框架，為何學生的假性精熟問題依然存在？答案藏在認知科學裡。
一、認知負荷理論（Cognitive Load Theory, CLT）告訴我們，人類工作記憶容量極為有限，學習成效取決於如何妥善分配這有限的資源，以利將資訊轉化為長期記憶的基模。認知負荷分為三類：本質負荷（教材難度）、外在負荷（不良教學設計造成的無謂干擾）、增生負荷（建構基模所需的有效努力）（John Sweller，1994）。
AI 應用具備雙面刃效應。對的使用方式下，AI 能卓越地排除外在負荷，讓學生把珍貴的工作記憶空出來，投入高階思考，此為有益的認知卸載。但對缺乏先備知識的新手而言，邊摸索複雜提示詞、邊驗證充滿幻覺的 AI 輸出，會導致工作記憶超載而崩潰，學習不僅無效，甚至產生挫折感。
更深層的危機則來自大腦外包（Brain Outsourcing）。生成式 AI 的風險在於，它卸載的不再只是運算或記憶，而是包含推理、邏輯組織與綜合分析等核心思考過程。神經科學的研究指出，大腦的神經可塑性依賴於有益的困難度（Desirable Difficulties）來建立與強化神經迴路。一旦學生習慣迴避這個掙扎期，解決問題的能力將迅速退化，形成認知空洞化（Cognitive Hollowing）。
「主權陷阱」的機制更為隱蔽。生成式 AI 產出的文字具高水準的流暢度與權威感，此「無摩擦的便利性」誘使使用者輕易放棄自己的智力判斷。學生在不知不覺中交出認知主權，誤將獲取資訊的能力等同於自己真實的認知能力，因而從主動思考者淪為被動演算法消費者。
這些風險因學生的專業程度而呈現出顯著差異。對具備豐厚領域知識的專家而言，AI 是加乘的「放大器」；但對正在建構基礎知識的新手（大學生）而言，AI 卻成了抹平學習軌跡的「推平器」，讓他們停駐在精熟的門檻前。這就是所謂的專業二元性（Expertise Duality），這意味著低年級學生與研究生需要截然不同的 AI 使用設計。
教學設計的雙核心指標
面對這三重挑戰，大學教師需要具體的操作框架。R.A.T. 模型與 VALUE 檢核框架，提供了評估與設計 AI 融入教學的雙核心指標。
一、R.A.T. 模型（Joan Hughes，2006 ）以三個層次診斷科技融入的深度：
「替代（Replacement）」有兩個考量。AI 作為輔助工具，可局部替代傳統操作；但 AI很有可能 替代學生本應進行的認知過程。學生直接要求 AI 寫出報告大綱並照單全收，就是最典型的「認知外包」，也就是在沒有真正理解的情況下獲得表面完整的結果。
「擴增（Amplification）」是安全基線。科技提升效率，但任務本質結構不變。讓 AI 生成空白的邏輯分類架構（文氏圖或 Frayer Model），學生再親自填入學科知識並完成推論；或讓 AI 自動分析數百份課後回饋、精準萃取迷思概念，教師下堂課針對性引導深度討論，這些都是擴增層次的案例。
「轉化（Transformation）」是認知高峰。轉化層次實現了在沒有 AI 支持下根本無法達成的學習活動。例如「蘇格拉底 AI 對話」，學生完成歷史申論草稿後，與設定為「蘇格拉底反駁者」的 AI 進行多輪邏輯攻防，提交的不是草稿本身，而是與 AI 辯論、揪出 AI 邏輯盲點的完整過程紀錄。這類設計將學習重心轉向高階邏輯辯證，確立了學生無可取代的學習主體性。
二、VALUE 檢核框架
此框架參考自新加坡的KAT教學法（Key Application of Technology)。該從八個維度守護教學主體性，核心哲學是「防範大腦外包」。主要的教學策略包括促進社會互動（AI 作為激發人際辯證的起點，而非終點）、深化後設認知（強制學生反思「AI 為何這樣產出」與「自己為何這樣提問」）、評估探究歷程（不評最終成品，評面對錯誤時如何調整策略的思考脈絡）、動態鷹架褪除（隨學習進展逐步減少 AI 輔助）、釐清深層迷思（引導 AI 生成含迷思誘答的測驗）、連結真實情境（用 AI 的情境模擬能力提升學習動機）、自適應個人化路徑（根據學生起點調整材料難度）、以及包容設計（運用 AI 工具為不同需求的學習者提供無障礙支持）。
兩個框架頗能互補，R.A.T. 可以揭示 AI 在「哪個層次」發揮作用，VALUE 則告訴我們用「什麼維度」維護學習主體性。
臺灣大學的 AI 使用規範：從防堵到素養
回到台灣大學的現場。自 2022 年底生成式 AI 技術爆發以來，臺灣教育部以「以人為本、誠實揭露、責任自負」為核心基調，積極倡導 UNESCO 教育領域 AI 指引，要求各大專校院在維護學術誠信、資訊安全與倫理法律的前提下，建構負責任的 AI 使用文化。台大、清大、成大、師大、政大、陽明交大等主要大學已陸續制定正式規範，整體政策呈現兩個關鍵趨勢。
趨勢一：課程大綱四級分類制。 為解決師生對「作業能否使用 AI」的認知落差，各校要求教師在課綱中明訂以下四類聲明之一：完全開放使用、有條件開放使用（須標註工具名稱與使用範圍）
禁止使用、本課程無涉及。這套分級制度直接推動了評量改革，傳統書面報告極易被 AI 代勞，各校規範普遍建議教師改採即時口頭報告、同儕互評或行動導向專案等「人類主導」的評量方式。
趨勢二：研究誠信的底線與 AI 偵測的瓶頸。 在研究層面，各大學的底線高度一致，認為AI 絕不允許列為論文作者；研究者必須為 AI 生成內容的正確性與版權問題完全負責；嚴禁將未公開研究數據或機密資料輸入至生成式 AI 平台。這些規範與 Elsevier、Springer Nature、Wiley 等國際期刊的出版倫理高度接軌。
同時，台大、政大、成大的官方指引明確指出，AI 偵測工具（如 Turnitin、GPTZero）的平均準確率僅約 85%，易生偽陽性，且教師若未取得學生同意便上傳其作業至外部平台，恐涉及智財侵權。這一技術瓶頸促使學術圖書館從文獻檢索場所轉型為「AI 素養推動中心」；以政大圖書館與成大圖書館為例，其 AI 素養課程以四層次為架構：認識 AI（理解 LLM 的幻覺本質）、使用 AI（精確提示詞工程）、評估 AI（以學術資料庫多面向核查事實）、創造 AI（在誠信框架下產出具原創價值的知識）。
台灣的政策演進，印證了本文的核心主張：單靠行政防堵不足以回應演算法工具的演進，唯有將 AI 治理從禁止使用走向培養批判素養，才能真正守護學術誠信的邊界。
給大學教師的三個行動建議
有了理論架構，回到實踐層面，我們提出三個具體建議：
一、評量典範的轉移
防範大腦外包最有效的手段，是大幅降低最終產出在成績中的比重，轉而獎勵探究旅程。課程可要求學生提交與 AI 的互動日誌，評量他如何發現 AI 的假文獻或邏輯錯誤、如何透過專業知識引導 AI 迭代出更好的結果；並定期加入「無 AI 環境」的口試或即席測驗，讓真實能力有機會表現出來。值得強調的是，評量的對象應是學生的「提問品質」，而非 AI 輸出的結果品質。一個能精準辨識 AI 幻覺、提出有深度後續問題的學生，遠比只會複製貼上完美答案的學生更具真實學科素養。此類過程導向的評量，才能揭示學生的思考深度與真實能力。
二、貫徹動態褪除的鷹架策略
如同 VALUE 模型所強調，任何 AI 提供的學習輔助都必須是暫時性的。在引入新穎或複雜概念的初期，可允許學生大量依賴 AI 降低外在負荷；隨課程推進，逐步減少 AI 提示與結構輔助；期末則要求學生在無 AI 環境下完成實作，驗證真實基模的建立。就像拐杖，它是幫助骨折復原的工具，不會成為永遠的行走方式。此動態褪除（Dynamic Fading）機制，是防止學生產生永久性心理依賴的關鍵設計。再者，動態褪除的做法不是懲罰性的剝奪，而是教師對學生能力的信任；相信他在鷹架撤除後，有能力獨立承擔更高層次的認知挑戰。
三、利用 AI 進行「壓力測試」
把 AI 從答案機變成靶子。刻意引導 AI 生成包含該領域常見深層迷思、或帶有微妙邏輯漏洞的文章，要求學生進行除錯與辯駁。透過這種逆向操作，AI 成為高強度的認知訓練環境，迫使學生從被動接收轉為主動防禦，進而能夠鞏固知識基模。當 AI 成為靶子而非答案機，學生的批判性思維才得到真正的鍛鍊。
結語：守住學習的有益難度
生成式 AI 進入大學殿堂，絕非單純的設備升級，而是牽動學術誠信邊界、素養定義與人類認知機制的深刻革命。
從美、澳、新、台四國的AI政策可以看見，高等教育正從初期的防堵焦慮，轉向積極的法規建構與評量重塑。五大國際素養框架揭示了未來的核心競爭力不在操作機器的熟練度，而在人類獨有的道德判斷、運算思維與自我覺察。認知科學則再三提醒我們，有益的困難和難度挑戰，不是學習的障礙，而是建立神經基模的必要條件。
利用 AI 強大的擴增能力降低外在認知負荷，同時透過動態鷹架與過程導向的評量，守住防範大腦外包的底線，這也是大學教師在 AI 時代最重要的使命。
在這場典範轉移中，大學教師扮演著三種無可取代的角色：
認知導航者，引導學生在 AI 的海洋中找到方向，避免陷入認知外包與假性精熟的陷阱
學習架構師，設計具備動態褪除機制的課程，確保 AI 輔助是暫時性鷹架而非永久的拐杖
倫理守門人，建立清晰的學術誠信規範，培養學生對 AI 使用的自我揭露與批判性反思習慣。
教育的本質其實從未改變。我們培育的，是能夠在不確定的世界中獨立思考、做出判斷、承擔責任的人。AI 可以成為這個目標最強大的助力，也可以成為最隱蔽的阻力；差別就在大學教授的教學設計的每一個細節裡。
真正的 AI 素養教育，不是追著每一波新工具的功能跑，而是在穩固的認知與倫理土壤上，培養出能夠批判性地應對任何技術浪潮的學習主體。這，才是大學存在的根本意義。
註解：本文改寫自作者於台北大學研習之演講內容「AI世代的教師培育：從課程轉型到專業養成的再思考」。
關鍵術語對照
中文術語 | 英文 | 核心意涵 |
假性精熟 | False Mastery | 感知精熟度與實際能力的斷層 |
大腦外包 | Brain Outsourcing | 將核心思考過程委託給AI |
認知空洞化 | Cognitive Hollowing | 迴避有益困難導致能力退化 |
主權陷阱 | Sovereignty Trap | 便利性誘使放棄智力判斷 |
有益的困難度 | Desirable Difficulties | 建立神經迴路的必要認知挑戰 |
動態褪除 | Dynamic Fading | 隨學習進展逐步減少AI輔助 |
專業二元性 | Expertise Duality | AI對專家是放大器、對新手是推平器 |
參考文獻
臺師大生成式 AI 之學習應用及參考指引(中文版)_20251211 。 https://ctld.ntnu.edu.tw/generative_ai
臺灣大學針對生成式 AI 工具之教學因應措施。 https://www.dlc.ntu.edu.tw/ai-tools/
清華大學生成式人工智慧倫理聲明。 https://curricul.site.nthu.edu.tw/p/404-1208-248357.php?Lang=zh-tw
成功i大學AI及相關學習工具參考指南。
國立政治大學生成式AI簡要原則。 https://learning.nccu.edu.tw/zh-hant/ai-principles
國立陽明交通大學教師應用生成式 AI 之教學建議。https://oaeri.nycu.edu.tw/userfiles/oaerich/files/20231006111227621.pdf
American Association of University Professors. (2024). AI in the academy: Faculty perspectives on generative artificial intelligence in higher education. AAUP Research Reports.
Bjork, Robert. (1994). Memory and Meta-memory Considerations in the Training of Human Beings. 10.7551/mitpress/4561.003.0011. https://doi.org/10.7551/mitpress/4561.003.0011
Cosgrove, J., & Cachia, R. (2025). DigComp 3.0: European Digital Competence Framework—Fifth edition (JRC144121). Publications Office of the European Union. https://data.europa.eu/doi/10.2760/0001149
European University Association. (2023). Artificial intelligence tools and their responsible use in higher education learning and teaching. EUA
Hughes, J. E., Thomas, R., & Scharber, C. (2006, March). Assessing technology integration: The RAT – replacement, amplification, and transformation – framework. In C. Crawford, R. Carlsen, K. McFerrin, J. Price,
R. Weber, & D. Willis (Eds.), Proceedings of SITE 2006 – Society for Information Technology & Teacher Education International Conference (pp. 1616–1620). Association for the Advancement of Computing in Education (AACE).
IEEE. (2020). IEEE 3527.1-2020: IEEE standard for digital intelligence (DQ)—Framework for digital literacy, skills, and readiness. IEEE Standards Association. https://standards.ieee.org/standard/3527_1-2020.html
ISTE. (2024). ISTE standards (Version 4.02). International Society for Technology in Education. https://iste.org/standards
OECD (2025). Empowering learners for the age of AI: An AI literacy framework for primary and secondary education (Review draft). OECD, Paris. https://ailiteracyframework.org
Singapore Chinese Cultural Learning Cooperative. (2024). Applying e-pedagogy: Leveraging SLS AI core features to empower learning (Sec/JC/MI) [Professional development course description]. Academy of Singapore Teachers / OPAL 2.0. https://www.sccl.sg/en/training-programmes/opal2-0-courses/item/440-applying-e-pedagogy-leveraging-sls-ai-core-features-to-empower-learning-sec-jc-mi
Sweller, J., van Merriënboer, J. J. G., & Paas, F. (1998). Cognitive architecture and instructional design. Educational Psychology Review, 10(3), 251–296.
TEQSA. (2024, November). Gen AI strategies for Australian higher education: Emerging practice [Toolkit]. Tertiary Education Quality and Standards Agency. https://www.teqsa.gov.au/guides-resources/resources/corporate-publications/gen-ai-strategies-australian-higher-education-emerging-practice
UNESCO, Miao, F. & Shiohira, K., 2024. UNESCO AI Competency Framework for Students, UNESCO: United Nations Educational, Scientific and Cultural Organisation
UNESCO. (2024). AI competency framework for teachers. UNESCO. https://unesdoc.unesco.org/ark:/48223/pf0000391104
若需引用此文章內容，請使用下列APA 7格式：
陳佩英、蘇淑菁（2026年05月18日）。AI世代的教師培育：從課程轉型到專業養成的再思考。教育新知國際串聯。網址：https://www.gel-net.com/post/AI世代的教師培育：從課程轉型到專業養成的再思考
