AI輔助教學：9月起的課程大幅採用

下個月（2025年9月）我將教授二課程：大二「論文導讀」以及碩一「文獻彙整與評析」

將大幅採用生成式AI協助「導讀」「解惑」「評析」「彙整」論文，以及「命題」還有「評分」

生成式AI的應用，以 My GPTs 與 NotebookLM 為主！

AI的用途：學生可應用生成式AI協助補強基本知識（含論文結構、研究議題相關、研究方法相關[含研究設計與資料分析等]以及閱讀與寫作相關之知識）。老師將提供基本知識/主題範疇（考試重點之一），於課堂大致講解或解惑，學生宜針對自己的學習目標自行練習/測驗。 

學生可自行選擇學習目標（老師提供與學生自行設定：Bloom taxonomy + 論文各章節之學習目標），但老師會要求基本目標（詳下------ 後之說明）這與學生成績連結。

我的教學目標有二：一、強化基本知識；二、提升學習目標層級（以 Bloom taxonomy 言，至少達到 Remember（如回答選擇題，成績可 PASS），一些 Understand（回答簡答題，成績可到A-；外加一些 Apply, Analyze [成績可到A], Evaluate [回答選擇題]；一點點 Create [回答選擇題]）。

所有考試皆同時提供中英文版本（因為翻譯的效能高，母語學習之效能較佳，但仍保留英文）

--------------------------------------------------------

以下是 ChatGPT 協助生成的學習目標

表：論文各章節之Bloom 層級學習目標

論文章節	Bloom 層級	學習目標範例
Title / Abstract	Remember	能指出研究的主題、研究對象與主要變數
	Understand	能用自己的話簡述研究目的與主要結論
	Analyze	能辨識摘要中研究方法與結果的關鍵資訊
Introduction	Remember	能指出研究問題與主要背景理論
	Understand	解釋研究動機與理論框架
	Analyze	分析研究缺口（gap）與研究假設之關聯
	Evaluate	評估研究問題是否具備學術或實務價值
Methods	Remember	能指出研究設計類型（RCT、橫斷面研究等）與樣本特徵
	Understand	說明研究流程、變數操作方式與分析方法
	Apply	能用該方法設計一個類似的研究框架*
	Analyze	判斷研究方法與研究問題的契合度*
	Evaluate	評估方法的有效性、偏差風險與可重複性*
Results	Remember	能指出主要的數據與統計檢定結果
	Understand	解釋數據所代表的意義
	Analyze	比較不同組別結果，找出趨勢或差異
	Evaluate	評估數據與研究假設的支持程度
Discussion / Conclusion	Understand	能指出作者如何連結結果與文獻、理論
	Analyze	分析作者的解釋是否合理，是否有遺漏解釋的可能性*
	Evaluate	評估研究的限制與未來研究建議*
	Create	基於該研究提出新的研究問題或改良設計*
References	Remember	能指出引用的關鍵文獻與核心作者
	Understand	說明引用文獻在本研究中的角色

---------------------------------------------------------------------------------------------------------

其它詳：如何應用生成式AI學習醫學知識？提升學習層級（Bloom taxonomy）

整體課程設計原則

1. AI之雙重角色定位

   • 作為導師（Teacher AI）：說明、引導思考、反問。

   • 作為考官（Examiner AI）：出題、模擬病人/臨床情境、評分。

2. 學習循環

   • 學習（Learning） → 練習（Practice） → 測驗（Assessment） → 回饋（Feedback） → 鞏固（Consolidation）。

3. 結合 OT 專業情境

   • 病例討論（case-based learning）

   • 文獻閱讀與批判（journal club）

   • 治療方案設計（intervention planning）

生成式AI協助研究之層面

Khalifa, Mohamed, and Mona Albadawy. "Using artificial intelligence in academic writing and research: An essential productivity tool." Computer Methods and Programs in Biomedicine Update 5 (2024): 100145. 東穎（我兒子）提供的文獻 

AI helps academic writing and research: 

1) facilitating idea generation and research design, 我常用於研究計畫

2) improving content and structuring, 研究計畫 ＋ 論文

3) supporting literature review and synthesis, 研究計畫

4) enhancing data management and analysis, 還沒用過

5) supporting editing, review, and publishing, 論文（這幫我節省很多英文編修費） and 

6) assisting in communication, outreach, and ethical compliance. 對外溝通

圖：6 層面與簡易說明（由上述論文擷取）

功能上：AI可協助「補充基本知識」，協助我們快速吸收/補強新知（如詢問特定詞彙/概念；文獻或主題彙整；甚至評論文獻）；可協助除搜尋文獻，也可輸出 Endnote 可輸入的格式，以利後續引用。

AI幫忙的時機，可在研究的不同階段，含「從無到有」、「有想法後再跟AI討論」、或「最後確認/修改」。

但關鍵在於：使用者的基本知識/能力（含判斷力），意即「基本知識/能力」將決定您於吸收新知與研究的效能！！若基本知識/能力不足，那就好好補強，這生成式AI絕對可以協助！！甚至可以提升「知識之層級」，請參考我跟 ChtaGPT 的相關對話。

或許我們，至少是我，皆在協助生成式AI升級！？

講直接一點是進行測試與除錯

還要花一點錢（加入會員）

當然回饋也不少，至少知識獲取與工作效率提高許多

那我們的價值何在？提升競爭力/成就感？

年輕人就很辛苦，10年後的年輕人，如何面對生成式AI？還有除錯的能力嗎？他們的存在價值/成就何在？

-------------------------------------------------------------------------------------------------

以下是我跟 GPT 5 交流後的觀點：

我們是在幫 AI 升級，還是在幫自己升級？

或許你沒想過，每次與生成式 AI 對話，你不只是使用者，更像它的測試員與除錯員。

我們花錢訂閱、花時間輸入指令，AI 的確因此更懂人類。但回頭想——我們的價值何在？

對我而言，答案是：幫自己升級。

AI 讓我們知識獲取更快、工作效率更高，但真正決定未來競爭力的，不是 AI，而是我們能不能駕馭它。

十年後的年輕人，AI 一定更強，但也更容易讓人們失去「除錯」與「判斷」的能力。

要不被取代，就要在這三個基礎能力上提前布局：

1. 批判性思考：敢於懷疑 AI 的答案，能驗證真偽與適用性。
2. 情境整合力：把 AI 的資訊轉化成符合實際需求的可行方案。
3. 創造與跨域能力：將 AI 當作合作者，激發出它單獨無法產生的價值。

AI 會升級，但人類也必須升級。

因為真正的差距，不是人類 vs AI，而是會駕馭 AI 的人 vs 不會駕馭 AI 的人。

AI 時代的研究紅利與挑戰：擁抱 GPT-5

自投入 AI 應用研究以來，我的研究進展顯著加快，生成式 AI 的研究同樣如此。

我能充分享受這波紅利，關鍵在於我已累積大量研究成果/相關知識——包括關鍵知識（domain knowledge）與寶貴資料，如臨床收案數據、臨床技能錄音檔與逐字稿（圖）。

另一個推動 AI 應用研究的關鍵，是 AI 技術本身的快速提升與普及。這方面我毫不擔憂，因為全球眾多 AI 公司與專家正持續開發更易用且效能不斷突破的 AI 工具與平台，例如 GPT-5。

透過自然語言介面，我能將自身的專業知識應用於各類數據與逐字稿，進而激發出豐富的研究構想與成果。

圖：AI應用研究的關鍵特質/能力

面對的挑戰：

然而，AI 帶來的並非只有紅利，也潛藏多重挑戰：

• 資料品質與隱私

再先進的 AI 也需要可靠、完整且高品質的資料作為基礎。

對於臨床數據與逐字稿，必須確保去識別化與符合倫理規範，否則可能引發法律與信任危機。

• 模型理解與偏差

GPT-5 再強大，也可能誤解語境或在細節上產生錯誤。

如果研究者對模型運作缺乏判斷能力，可能在不知不覺中放大偏差，影響研究結論的可靠性。

• 依賴與創造力的平衡

過度依賴 AI 生成內容，可能削弱研究者的原創思考與方法論嚴謹度。

真正的價值在於將 AI 作為輔助，而非替代。

• 技術更新速度

AI 技術演進迅速，今天的最佳工具，可能數月後就被取代。

持續學習與調整研究方法成為必要能力，而這對時間與精力都是挑戰。

簡言之，AI 正以驚人的速度重塑研究方式，GPT-5 更是開啟前所未有的可能性。對於擁有專業知識與數據基礎的研究者而言，這是少有的黃金時刻——只要懂得善用工具、結合自身優勢，就能在浪潮中站得更高、走得更遠。

但唯有同時正視資料、偏差、依賴與技術迭代等挑戰，才能確保這份紅利不會被風險吞噬。未來的競爭，將不僅是知識與經驗的比拼，更是創意與 AI 協作能力的較量。

以下分享與 GPT 5 的3個對話：

A. Deep Research: 「請彙整以大型語言模型設計的虛擬病人文獻，包含如何設計與驗證。所引用文獻必須是 PubMed 或 Scopus 可查詢得到，且是2023年迄今的文獻」 

B. 提問：「以下是評估相關的理論或看法？還是什麼概念？ 

1. If you cannot measure it, you cannot improve it? 

2. 臨床人員所需評估工具的（精準度）標準，比研究人員高? 

3. 台灣臨床OT所使用的評估工具精準度，比研究人員差（且差很大）? 

4. 臨床技能（含知識）教育之關鍵在於評估/測驗 

5. 沒有好的評估工具，臨床、教學與研究都難以突破」

** 上述對話內容所引用的文獻－我覺得相關性很高，且未發現錯誤。ChatGPT還可以將文獻輸出成 Endnote可讀取的格式/檔案，對於後續引用，非常便利!!

C. 此貼文的改寫。

ChatGPT上癮，造成認知怠惰... 如何克服？？

 「你的性格會決定你比較常用快腦（直覺）還是慢腦（理性）；情緒與直覺會推你上癮，而理性雖然理論上能剎車，但在現實中多數人踩不住。上癮久了，你的思考就會更依賴捷徑，真正動腦的機會變少。」

上述白話是 ChatGPT 解讀論文： Deng Z, Deng Z. Becoming a cognitive miser? Antecedents and consequences of addictive ChatGPT use. Soc Sci Med. 2025 Jul 30;383:118467. doi: 10.1016/j.socscimed.2025.118467. 所生成。

那如何克服上述的認知怠惰，且能提升工作/學習效率呢？

我覺得，一定要使用 ChatGPT，已難以避免。但使用方式與事後皆須調整！

1. 先有想法（先動腦）再提問；

2. 多反思/撰寫心得/看法（計畫/論文）；

3. 高手切磋（投稿）！！

但如同前述白話，多數人難以做到！！

疾病經驗(FIFE)訪談架構、訪談能力評估與回饋系統之建立與驗證

這是我倫理學教學10幾年的主題之一，內容更改至少5次了....

臨床一直沒有採用，我依然沒放棄.... 這頗像我30年的主要研究成果（評估工具），乏人問津一般.... 哀怨的緣由，有些已於之前的貼文論述了...

回到FIFE，因生成式AI的誕生，讓我們多一項強大的研究技術/方法！！我已設計多位可供訪談的虛擬病人（生理、心理與小兒個案或家屬）！因此「FIFE訪談架構、訪談能力評估與回饋系統之建立與驗證」已正式進入「研發/改良」階段。

我們團隊的學術基礎包含：

1. 心理計量應用學，提供發展與驗證評估與回饋系統之基礎。
2. 溝通技巧與臨床同理學理與評估工具，提供關鍵核心能力/臨床技能的評估與回饋之基礎。
3. 生成式AI應用，提供研發/改良的加速器！！經由虛擬病人與考官的建置，可大幅提升驗證與改良之效能。

上述1&2是核心知識；3是核心技術！

我們團隊的臨床與人才資源包含：，

1. 臨床專家/單位合作，提供人才與臨床測試場域
2. 已累積諸多錄影檔與逐字稿，提供大量試驗資料

有了上述條件，下列教學/研究，甚至臨床應用議題皆「更接近」可以實現：

1. 建構可行的訪談架構，可完整或分拆的訪談架構/紀錄要點，以利執行。
2. 建構與驗證虛擬病人與考官（偏重虛擬臨床技能測驗「方法學」之發展）
3. 建構訪談/會談核心能力/臨床技能之評估與回饋（偏重「臨床技能教育成效」之驗證）

Note: 更早投入研究的共享決策（也是倫理學教學10幾年的主題之一），已放到冰庫！～ 主要原因是準備不足（或基礎不足），因為條件更多。其一條件/原因是FIFE沒做好！！

待續....

 

博後的實驗室日誌

新創的 My GPTs:   Laboratory Journal Assistant for post-docs

協助博後高效撰寫... 預計每天10分鐘以內

自動列出重點，含有溫馨提示

還可自動彙整（3～5次之後）