讓AI成為學習夥伴--以 OECD AI素養架構、RAT與 VALUE模型設計人機協作教學
已更新：16小时前
陳佩英 國立臺灣師範大學教育研究與創新中心主任
蘇淑菁 國立臺灣師範大學教育研究與創新中心計畫專員
前言：問題不在用不用 AI
生成式 AI 走進校園不過短短幾年，已經改變了學生寫作業、查資料與準備報告的方式。許多老師面對的問題，早已不是要不要讓學生用 AI，而是怎麼用才不會讓學生學得更少。這樣的擔憂並非空穴來風。Bastani 等人（2025）在土耳其高中數學課進行大規模實驗，讓學生在練習時使用未經設計的 GPT-4。學生的練習表現提升了 48%，但在不能使用 AI 的考試中，成績反而比對照組低了 17%。另一組學生使用加入引導設計的 AI 家教，練習表現提升 127%，考試成績則與對照組相當。這項研究清楚說明，AI 讓作業變好，不等於讓學習變好，關鍵在於教學設計。
OECD 在《2026 數位教育展望》中也提出相同的提醒。報告指出，生成式 AI 能提升學生當下的任務表現，但這樣的效益不會自動轉化為學習成果。學生若過度依賴 AI，後設認知的投入會逐漸下降（OECD, 2026）。Fan 等人（2025）更以「後設認知怠惰」（metacognitive laziness）形容這種現象，也就是學生把原本應該自己進行的監控與反思，交給了 AI。
我們在師資生課程與數位種子教師培訓中觀察到的現象，與上述研究相互呼應。老師們最擔心的情況大致可以歸納為三種。第一是大腦外包，學生把思考工作交給 AI，作業完成得很快，卻說不出自己的推理過程。認知心理學稱之為認知卸載（cognitive offloading），適度的卸載能減輕負擔，過度卸載則會削弱記憶與理解（Risko & Gilbert, 2016）。第二是假精通，成果看起來很完整，換個情境就無法應用，這正是 Bastani 等人（2025）研究中練習與考試落差所呈現的樣貌。第三是社會互動下降，原本熱烈的小組討論，變成每個人各自低頭與 AI 對話。
這三種風險提醒我們，AI 教學設計的核心不是工具本身，而是如何促成人機協作的學習歷程，同時保留學生作為學習的主體。本文分享我們在工作坊中實際使用的三個框架，分別是 OECD AI 素養架構、RAT 模型與 VALUE 模型，並說明老師們如何把這些框架轉化為課堂中的具體設計。
AI 素養是每位老師都需要的素養
談到科技融入教學，許多老師熟悉 TPACK，也就是整合科技、教學法與學科內容的知識（Mishra & Koehler, 2006）。若直接把這個思路套用到 AI，很容易變成「AI-PACK」，也就是從本科教學需求出發，挑選合適的 AI 工具。這樣的思考當然有價值，但我們認為還不夠。
AI 素養不只是某一科的教學技巧，而是 AI 時代的生活素養與學習能力。Long 與 Magerko（2020）很早就將 AI 素養界定為一組能力，讓人能批判地評估 AI、與 AI 溝通協作，並在生活與工作中有效使用 AI。換句話說，只要使用 AI，無論是國文、數學還是體育老師，都需要理解 AI 如何運作、如何與 AI 合作，以及如何為 AI 的使用負起責任。AI 素養既獨立於各學科之外，又應融入每一個學科之中。
國際組織的政策文件也採取同樣的立場。歐盟執委會與 OECD 於 2025 年 5 月發布草案，並在 2026 年 6 月正式發布《中小學 AI 素養架構》。這份架構匯集超過 100 個國家、2,000 多位回饋者的意見，其中四成以上是教師（EdTech Innovation Hub, 2026）。架構將 AI 素養定義為讓學生與教師能夠「理解 AI 系統如何運作，批判評估其機會與風險」，並且負責任地使用 AI 的能力（European Commission & OECD, 2026）。架構包含四個領域與 19 項能力，每項能力都結合知識、技能與態度。
表1
此外，這份架構在 2025 年的草案中，第四個領域原本稱為「設計 AI」（Designing AI），定稿時改為「形塑 AI」（Shaping AI）。這個改動很有意義。「設計」容易讓人以為只有工程師才需要關心，「形塑」則提醒我們，每一位使用 AI 的人都在參與 AI 的樣貌，老師當然也不例外。
聯合國教科文組織（UNESCO, 2024）發布的《教師 AI 能力架構》也呼應這個方向。該架構包含以人為本的思維、AI 倫理、AI 基礎與應用、AI 教學法，以及運用 AI 促進專業學習五個面向，並強調架構的核心原則之一是「增進人的能動性」。兩份架構放在一起看，傳遞的訊息相當一致。AI 素養不只是會用工具，而是在使用中保有人的判斷與責任。
看見 AI 背後人的選擇
在工作坊中，我們發現老師們最不熟悉的，其實是 AI 素養中的知識面。多數老師都知道AI 會有偏見，但問到偏見從哪裡來，常常只能回答「演算法」三個字。這樣的理解太過表淺，也讓後續的批判思考難以展開。
老師們需要掌握兩個關鍵知識。第一是 AI 的本質，機器學習以機率運作，AI 產出的是機率最高的文字，並不是人類的思考。第二是 AI 反映人類的選擇，資料怎麼收集、權重怎麼設定、系統目標怎麼訂，都是人的決定。Suresh 與 Guttag（2021）分析機器學習的完整生命週期後指出，偏見可能出現在資料蒐集、測量、模型建構、評估與部署等多個階段，每一個階段都牽涉人的決定。Buolamwini 與 Gebru（2018）的研究也發現，商業臉部辨識系統辨識深膚色女性的錯誤率，明顯高於淺膚色男性，根源正是訓練資料的組成。
為了讓這兩個概念具體可感，我們設計了一個社團選擇的案例。學校使用一套 AI 系統協助學生選社團，男女學生的能力與過往表現都相同，系統卻傾向把女學生分到服務性社團，把男學生分到程式社團。老師們分組討論可能造成這個結果的偏見來源，並評比哪一個影響最大。
討論之後，老師們很快就理解了。訓練資料的權重本身就可能是偏見來源，若系統一開始設定的目標就是「複製過去的選社結果」，那麼結果必然會重現過去的性別比例。偏見不是機器自己長出來的，而是來自人的選擇。
接著，各組選擇一個偏見來源，設計人類在迴圈中（human in the loop）的機制。設計時要回答三個問題，要解決哪一個偏見、哪些人應該進入決策、這些人擁有什麼權限。這樣的設計理念也反映在法規層次，歐盟《人工智慧法》第 14 條即要求高風險 AI 系統必須設計成能讓人類有效監督（European Union, 2024）。教育領域中的選課、分組與評量系統，同樣需要這樣的保障。有些小組討論完，當場就提出回學校可以實施的做法。
這個活動也讓我們重新思考批判思考的意義。批判思考不只是判斷 AI 寫得對不對，也不只是指出 AI 有偏見。完整的批判思考，是能看見整個系統哪裡有偏見，以及人應該在哪個環節負起責任。參與工作坊的師資生在回饋中也提到，自己在批判思考上有明顯的成長。
用 RAT 檢視 AI 帶來多少改變
了解 AI 之後，接下來的問題是，AI 在我的課堂中究竟發揮了什麼作用？RAT 模型是一個簡單好用的檢視工具。Hughes、Thomas 與 Scharber（2006）將科技在教學中的角色分為三個層次。
表2
RAT 提醒老師兩件事。第一，不要把 AI 用在實體教學做得更好的地方，避免為了
數位而數位。第二，持續朝轉化層次邁進，讓 AI 帶來實體教學做不到的學習效果。取代與擴增並不是錯誤，但如果所有設計都停在取代，就值得問問自己，這堂課為什麼需要 AI。
OECD（2026）的分析也支持這個觀點。報告比較了人機協作的不同模式，發現效益最大的是擴增人類判斷的模式，也就是教師批判檢視 AI 的產出，再依自己的教學目標重新脈絡化，而不是直接照單全收。換句話說，AI 能否帶來轉化，取決於人在其中扮演什麼角色。
用 VALUE 說清楚使用 AI 的目的
RAT 回答的是AI 讓學習改變了多少，我們架構的VALUE 模型，回答的則是改變的是哪一種學習價值。VALUE 模型提醒老師有意識地檢視自己使用 AI 或數位工具的目的，這是教師專業責任的一部分。
在工作坊中，我們引導老師們從八個面向思考。
表3
八個面向不需要一次全部做到。我們的經驗是，初次接觸的老師可以先從引發動機、後設認知、評估探究力與搭鷹架入手。其中後設認知與促進社會互動，正好對應前面提到的大腦外包與社會互動下降兩種風險。前述研究也指出，當 AI 以提問引導學生說明推理，而不是直接給答案時，學習才能真正發生（Bastani et al., 2025; OECD, 2026）。讓學生看見迷思與包容設計的難度較高，適合已有經驗的老師進一步挑戰。
人機協作的分工設計
有了三個框架，老師們就可以動手設計。我們請老師選定一個學科情境，思考在學習的三個階段中，人與 AI 各自應該做什麼。
表4
表中是一種常見的分工方式，實際設計時可依學科與學生程度調整。重點在於每個階段都要清楚標出人的角色，避免學生把整段歷程交給 AI。
設計的最後，我們請老師用一句話寫下自己的「教學宣言」，句型是「我讓學生用 AI 產出什麼，透過什麼樣的人機互動歷程，達到 VALUE 的哪一個面向」。例如，我讓學生用 AI 產出不同立場的論點，透過先獨立寫出主張、再與 AI 論點比對、最後小組辯論的歷程，達到後設認知的目標。
這一句話看似簡單，卻把使用目的、互動設計與教學價值收束在一起。寫得出這句話，代表老師已經想清楚 AI 在這堂課的位置。
種子教師的改變
框架的價值，最終要在教學現場看見。一位數位種子教師在校訂課程中，設計了一套分組系統。學生先完成十題測驗，系統再依結果判斷每位學生適合擔任小組中的哪一種角色，包括領航者、創造者、溝通者與黏著劑。
最初的版本裡，測驗結束後由系統直接分組，學生的角色就此定案。參加工作坊之後，這位老師修改了設計。現在 AI 只負責提出角色建議，接著由各組的小組長與組員討論，確認誰想做什麼、適合做什麼，最後再上傳定案。
這個改變看似很小，意義卻很大。AI 的結果只是參考，最後的決定保留給人。學生之間的討論也因此回到了學習歷程之中。這正是形塑 AI 的精神，也是 UNESCO（2024）所強調增進人的能動性，更是 VALUE 中促進社會互動的具體實踐。
給老師的三個起步建議
AI 素養的培養不必一步到位。以下三個建議，希望能幫助老師們從明天的課堂開始。
先問為什麼，再決定用不用。每次使用 AI 前，先想一想這個設計能達到 VALUE 的哪一個面向。說不出目的時，也許實體教學是更好的選擇。
在每個階段標出人的位置。無論學生用 AI 做什麼，都讓學生在發想、執行與評估三個階段留下自己的判斷，並且說得出理由。研究顯示，有引導設計的 AI 才能保護學習（Bastani et al., 2025）。
帶學生看見 AI 背後的選擇。遇到 AI 產出令人意外的結果時，不妨與學生一起追問，這個結果可能來自哪一個人為的決定。
AI 會持續進步，工具也會不斷更新。不變的是，教育的目的在於培養能思考、能合作、能負責的學生。當老師們帶著清楚的框架使用 AI，AI 就能成為學習的夥伴，而不是思考的替身。
參考資料
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122. https://doi.org/10.1073/pnas.2422633122
Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 77–91.
EdTech Innovation Hub. (2026). European Commission and OECD set 19 AI literacy competences for schools. https://www.edtechinnovationhub.com/news/european-commission-and-oecd-set-19-ai-literacy-competences-for-schools
European Commission & OECD. (2026). AI literacy framework for primary and secondary education. https://ailiteracyframework.org/
European Union. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union.
Fan, Y., Tang, L., Le, H., Shen, K., Tan, S., Zhao, Y., Shen, Y., Li, X., & Gašević, D. (2025). Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance. British Journal of Educational Technology, 56(2), 489–530. https://doi.org/10.1111/bjet.13544
Hughes, J., Thomas, R., & Scharber, C. (2006). Assessing technology integration: The RAT (replacement, amplification, and transformation) framework. In C. Crawford et al. (Eds.), Proceedings of Society for Information Technology & Teacher Education International Conference 2006 (pp. 1616–1620). AACE.
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1–16). ACM. https://doi.org/10.1145/3313831.3376727
Mishra, P., & Koehler, M. J. (2006). Technological pedagogical content knowledge: A framework for teacher knowledge. Teachers College Record, 108(6), 1017–1054.
OECD. (2026). OECD digital education outlook 2026: Exploring effective uses of generative AI in education. OECD Publishing. https://doi.org/10.1787/062a7394-en
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
Suresh, H., & Guttag, J. (2021). A framework for understanding sources of harm throughout the machine learning life cycle. In Proceedings of the 1st ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization (pp. 1–9). ACM. https://doi.org/10.1145/3465416.3483305
UNESCO. (2024). AI competency framework for teachers. UNESCO. https://www.unesco.org/en/articles/ai-competency-framework-teachers
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10月2日）。讓AI成為學習夥伴--以 OECD AI素養架構、RAT與VALUE模型設計人機協作教學。教育新知國際串聯。https://www.gel-net.com/post/讓ai成為學習夥伴-以-oecd-ai素養架構、rat與-value模型設計人機協作教學
