從「被動套用」到「主動探究」：數字教育的未來方向

深耕資訊科技教育二十餘載，我親眼見證這門學科的演變：教學重心從最初的基礎打字、程式語法，逐步發展為如今結合人工智慧的協作與創新。隨著氛圍編程（Vibe Coding） 走入校園，學生無需再死記繁雜的程式語法，僅透過自然語言下達指令，就能快速編寫程式，輕鬆完成生態裝置、氣象模擬等跨學科創客作品。
科技為教學帶來諸多便利，令人欣喜，但隱憂也隨之而來：當 AI 能夠一鍵生成成品，學生往往跳過獨立思考、邏輯推演與反覆試錯的過程，直接獲得完善作品。長此以往，寶貴的學習體驗與成長歷程恐將逐漸流失。

在我看來，這也正是當下資訊教育加速轉型的契機。我們應摒棄機械化的傳統訓練模式，引導學生從被動接收知識，轉為主動探索發現，在自主探究中建構屬於自己的知識體系，這才是數字教育未來發展的核心方向。

當「高效率」遇上「零思考」

傳統資訊科技教學，以程式撰寫、除錯優化為核心，重在培養學生的運算思維。但這類學習門檻高、耗時久，小學生很容易產生挫敗感。而Vibe Coding顛覆了「先學理論、再動手實作」的傳統模式，學生不必熟稔程式語法，就能將腦海中的創意落地為實體作品，契合小學生具象化的思維特點，真正落實「做中學」的理念。

近期，本校高年級開展多項氛圍編程教學實作，推出「生態平衡器」、「風災模擬系統」等專案。AI 的高效性在過程中展露無遺，學生僅用十幾分鐘就能搭建出作品基礎框架。

然而觀察發現，多數「生態平衡器」只能機械化展示數據，無法模擬物種數量此消彼長的動態平衡；「風災模擬系統」也僅能簡單顯示風速，還原不出不同風級伴隨降雨的真實災場場景。

更值得反思的是，面對存在明顯缺漏的 AI 生成作品，絕大多數學生選擇全盤接受，鮮少主動發現問題、深究緣由，直接跳過了最關鍵的理解與思辨環節。

教學轉向：化「缺漏」為探究「起點」

AI非學習替代品，而是驅動變革的工具。新時代AI教育的關鍵是轉變學習思維：把重心從「完成作品」轉向「探究問題」，將AI的「快速生成」轉化為學生的「探究動力」。

在生態平衡器後續教學中，我們刻意保留AI成品的缺失，不直給予修正方案，而是拋出問題：「對比大自然，哪些因素影響物種數量？若發生旱災，還有哪些變數要納入設計？」。學生開始大膽質疑、梳理問題，帶著疑問重新與AI對話、調整參數。原本被動套用的學生，在修訂中真正內化了生態原理與程式邏輯。

風災模擬專案的轉變同樣明顯。教師引導學生回顧真實情境：「不同風球信號對建築物、樹木、設施的破壞有何差異？如何加入降雨等複合災害？」。學生發現問題後，主動修改提示詞，補充條件並反覆測試。最終不僅優化出可調控的系統，更理解了風力等級的標準，真正實現「做中學、問中悟、改中進」。

結語：回歸教育的本質

二十餘年的資訊科技教學經歷，讓我愈加明白：教育的終極目標，從不是培養單純會寫程式、會製作作品的學生，而是造就樂於思考、勇於提問、善於解難的孩子。

傳統教學階段，技術門檻限制了學生的創意發揮；步入 AI 時代，易得的成品又容易讓學生放棄深度探究。面對 AI 帶來的全新機遇與挑戰，我們更應跳出單一技能訓練的框架，回歸教育本心，讓科技成為學生成長的工具。

作者:保良局蕭漢森小學 李志成校長

教育4.0

** 博客文章文責自負,不代表本公司立場 **

為什麼大模型和AI智慧體（Agents）遲遲未能顛覆企業核心業務？阻礙它們規模化落地的核心痛點，正是那些難以消滅的報錯、失真與幻覺 。在處理郵件、理賠或審計等日常任務時，AI即便達到了90%至97%的準確率，剩下的少數錯誤也絕非一封致歉郵件就能打發 。這些錯誤不僅會造成嚴重的財務與聲譽損失，還可能暴露系統漏洞供人惡意利用 。

基於筆者有限的經驗, 本文嘗試為你梳理大模型的常見錯誤類型，並分享一些從網上搜羅的各式各樣真實專案驗證有效的抗噪策略:

一、 大模型錯誤分類學（LLM Error Taxonomy）

在對症下藥前，必須認清大模型經常扮演的幾類“反派角色” ：

• 幻覺（Hallucination）：無中生有地編造聽起來合理的實體或文獻引用 。屬於偶爾發生但後果嚴重的致命傷，在運營中會帶來災難性損失 。
• 事實錯誤（Factual Errors）：給出錯誤或過時的資料 。這是發生頻率最高的錯誤，如同自動化的“白蟻”，悄悄啃食系統根基 。
• 推理與對齊錯誤（Reasoning & Grounding Errors）：即便事實正確，模型也可能推導錯結論 ；或者給出的答案正確，卻並非源自用戶指定的上下文 。
• 指令與一致性錯誤（Instruction & Consistency Errors）：模型無視格式約束（如輸出無效JSON），或在同一個長回答中前後矛盾 。
• 安全違規與工具失效（Safety Violations & Tool Fails）：輸出有害或違法的非合規言論，導致巨額罰款 ；或調用了錯誤的外部工具與參數 。

二、防錯與降噪實戰策略

如何有效控制並修復這些錯誤 ？以下方法在實際項目中各有千秋：

A. 基礎級調整

• 標準推理（Reasoning - Standard）：直接開啟大模型的原生思考功能，雖能略微提升品質 ，但在實踐中往往只是讓模型“錯得更有深度” 。投入極低，效果極低 。
• 精准提示詞工程（Accuracy Prompting）：通過明確指令、賦予特定角色和羅列品質標準來優化提示詞 。但單純命令模型“不要犯錯”只是美好的宏願，而非控制機制 。投入極低，效果極低 。
• 任務微拆解（Break the Task into Smaller Steps）：將複雜的提示詞徹底解構為多個獨立的子任務，可有效降低指令干擾 ，且通常不會大幅增加Token成本 。投入極低，效果較低 。

B. 架構級優化：

• 特定領域推理（Reasoning - Be Specific!）：關掉通用思考，改在提示詞中顯式描述並用Few-shot示例演示特定任務的推導步驟 。這能顯著減少事實錯誤 。投入較低，效果中等 。
• 資料化輸出（Data as Output）：讓模型輸出結構化JSON資料而非純文字 。這雖然不直接減少錯誤，但能讓錯誤顯性化、易於被程式處理 。投入極低，效果中等 。
• 少樣本示例片段（Few-shot Examples）：在提示詞中加入精准的輸入-輸出片段示範 。需注意Few-shot樣本老化速度極快，更像是容易過期的“乳製品” 。投入較低，效果較低 。
• 上下文餵養（Context Instead of Pre-training）：哪怕是公開常識，也儘量在Context中提供來源資料，避免讓模型盲猜預訓練記憶 。投入較低，效果中等 。
• 確定性後處理（Deterministic Post-processing）：用傳統代碼校驗模型輸出的代碼或格式，不合規時將報錯回饋給模型進行局部重算 。投入較低，效果中等 。

C. 終極大招：

• 回應範本化（Templating Responses）：讓模型僅輸出分類標籤和關鍵中繼資料，最終文本由預設的確定性模版生成 。它像死板的會計審計，能徹底消滅幻覺與合規風險 ，但不適用於開放式聊天 。投入中等，效果滿格 。
• 置信度預測與人機協同（Confidence + Human Review）：讓模型在JSON中輸出自身的置信度評分 。模型對自己“懂不懂”的感知通常比生成內容更准 ，提取該得分後，將低於閾值的案件無縫流轉給人工團隊 。投入中等，效果滿格 。
• 多模型協同（Consistency & Majority Vote）：通過跨模型一致性校驗（不同模型回答不一致則上報人工）或（加權）多數投票機制來決定最終輸出 。若三個行業頂尖模型給出相同答案，正確率極高 。但這會使系統延遲、算力成本及對比演算法的複雜度成倍激增 。投入中等至高，效果優異 。

三、 總結：如何構建組合拳？

在真實的智慧體項目研發中，從來沒有單兵作戰的必殺技，筆者認為最好的策略是組合多個方法 ：對合規要求嚴苛、絕不容忍幻覺的場景，果斷選用回應範本化 ；而要消滅頻發的事實錯誤，則應按性價比逐步疊加結構化資料、特定推理與上下文餵養，直至達到業務標準為止。

作者:馮穎匡博士，香港教育評議會執委兼AI教育工作小組副組長