淺談「預測世界盃」 ：從動物神諭到AI機器學習

四年一度的世界杯開鑼了! 筆者今期談談”預測世界盃”的演進史, 最後看看AI機器學習能否預測準確? 提醒大家, 本文只供學術參考, 不是提供任何賭博建議。

人類預測賽事勝負的歷史最初充滿了玄學色彩，其中最具代表性的便是 2010 年南非世界盃期間的「章魚保羅」（Paul the Octopus）。保羅透過選擇印有參賽國國旗的食物箱來進行預測，不僅準確命中德國隊的七場比賽，更成功預測西班牙奪得決賽冠軍，其生涯預測準確率高達 85.7%。筆者當時有留意此新聞，也覺得十分匪夷所思!

保羅的成功引發了全球的動物預測熱潮，各國紛紛推出具備在地特色的「動物神諭」，涵蓋貓、水獺甚至是駱駝。然而，從認知科學與統計學的角度來看，這種「超自然預測能力」純粹是「檢察官謬誤」（Prosecutor's fallacy）的體現。當全世界有數以百計的動物同時進行隨機選擇時，根據機率法則，必然會有極少數的動物能連續猜中多場比賽。一旦牠們連續命中，便會受到媒體的強烈放大報導，而無數預測失敗的動物則被大眾遺忘。這種現象凸顯了人類在面對高度不可預測的足球運動時，極度渴望尋求確定性的心理投射 (本文不談打假波, 並排除賭波因素)。

隨著大數據與人工智慧技術的成熟，世界盃預測已從水族館轉移至雲端運算中心。在現今 2026 年的賽季中，數據科學家紛紛投入預測模型的建構，試圖尋找比章魚更精準的科學依據。現代的預測系統不再依賴少量變數，而是整合了海量的歷史賽事特徵，如 Elo 等級分（Elo Ratings）、泊松分佈（Poisson Distribution）以及混合隨機森林等高階演算法。

近期的多項獨立開發專案展示了這些科學模型的運作邏輯與結果分歧。德國學者斯蒂芬妮·霍恩伯格（Stephanie Hohenberg）透過競爭性測試兩種機器學習模型，最終預測阿根廷將再次奪得桂冠。另一位分析師維克多·亞當斯（Victor Adams）則運用蒙地卡羅模擬（Monte Carlo simulation）為模型加入機率分佈，推導出法國、西班牙、阿根廷與英格蘭皆具備極高的奪冠潛力。此外，開發者桑德·林（Sander Lam）在 Databricks 平台上建構模型，經過高達 20,000 次的賽事模擬，得出了極其具體的決賽預測：西班牙將與阿根廷以 1–1 戰平，而阿根廷最終將在點球大戰中勝出。

“波係圓的!” 預測的極限最終迴避不了足球運動本身的不可預測性。黑馬球隊的崛起與奪冠大熱門的意外崩盤，構成了這項運動最迷人的魔力。數據科學可以提供勝率的明確指標，蒙地卡羅模擬可以勾勒出萬千種可能的情境，但在哨音響起的那一刻，決定勝負的依然是人類的意志與賽場上的奮鬥過程。正是這種無法被完全預測的延遲與不確定性，讓數百萬人願意在整整一個月的時間裡，堅定地相信那些不可能的奇蹟! 你相信阿根廷會再次冧莊嗎?

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

教育4.0

** 博客文章文責自負,不代表本公司立場 **

近年談 AI 教育，很多人首先想到的是新工具、新平台，或某些老師很快便能設計出漂亮的教材。這些嘗試當然重要，因為學校的創新往往由一兩位願意先行一步的教師開始。不過，在特殊學校裏，我們很快會發現：如果 AI 只停留在個別老師的個人興趣，便很難真正成為學生支援和學與教改進的一部分。

特殊學校的工作，從來不是單一課堂可以完全涵蓋。教師除了備課、教學和評估，還要處理學生的情緒及行為支援、個別學習需要、家校溝通、活動紀錄、個案會議、生活技能訓練和生涯規劃。每一項工作背後，都有學生真實而複雜的需要。AI 的確可以協助我們整理資料、草擬教材、分析學習表現和節省部分文書時間；但若缺乏共同規野和專業把關，它也可能帶來準確性、私隱、誤差和過度依賴等問題。

因此，道慈佛社楊日霖紀念學校推動 AI 時，我們並不希望把它視為「哪位老師懂得用工具」的個人能力，而是把它放入校本發展和教師專業成長的框架之中。學校是一所政府資助輕度智障兒童學校，服務小一至中六學生。我們一直強調以學生為中心、照顧學習多樣性，也重視學生的自主學習、生活技能和未來轉銜。當 AI 進入特殊教育場景，它必須服務這些教育目標，而不是反過來讓學校追逐工具本身。

我們近年的其中一個方向，是建立教職員 AI 專業發展的校本框架。第一層，是讓全體教職員具備基本 AI 素養，明白 AI 可以做甚麼、不能做甚麼，以及使用時要注意哪些底線。第二層，是讓不同學科、支援組和行政組別，在自己的工作範疇中試行合適應用，例如在備課會議中分享生成分層學習材料、分析學生觀察紀錄、設計學習流程圖卡、草擬社交故事或分析家長問卷。第三層，則是培養校內較有經驗的行政團隊成為推動實踐、分享案例、協助同事和質素把關的核心團隊。

這樣做的目的，不是要求每位老師都成為科技專家，而是讓全校有共同語言。當老師使用 AI 生成教材時，我們可以一起討論：內容是否適合輕度智障學生理解？步驟是否拆得足夠清楚？圖像提示是否符合學生生活經驗？建議策略是否忽略了情緒、感知或溝通？AI 可以很快給出一個初稿，但初稿不等於定稿，更不等於專業判斷。特殊教育教師的價值，正在於能夠把工具提供的內容，轉化成真正適合學生的支援。

所以，我們亦重視收集校內的 AI 成功案例。這些案例未必是很宏大的科技項目，有時只是一套較清晰的分層學習卡、一個幫助學生預備轉換活動的社交故事、一份把洗手或購物拆成步驟的生活技能圖卡，或一個把學生多年表現整理成易讀摘要的成長紀錄。當這些小案例被整理出來，再放回教師會議、共同備課和專業對話之中，AI 才不只是某位老師電腦裏的作品，而是成為學校共同學習的資源。

不過，推動 AI 不能只談效率，也必須談責任。特殊學校學生的資料往往涉及學習能力、情緒行為、家庭背景、治療需要和未來出路，這些都不是可以隨便輸入任何平台的普通資料。學校必須建立清晰底線，例如盡量使用最少資料、避免輸入可識別學生身分的內容、在合適情況下進行去識別化處理，並確保教師明白哪些資料可以用、哪些資料不應放入未經審視的工具。AI 可以幫忙，但教師和學生的尊嚴和私隱必須先被守護。

同樣重要的是質素保證。市面上很多 AI 工具是按一般教育或商業情境設計，未必完全理解特殊教育的細緻需要。它可能把學習目標寫得太抽象，把活動設計得太急促，或者低估學生需要反覆練習和視覺提示的程度。若學校沒有校本審視機制，便很容易把表面漂亮的內容直接帶進課堂。對我們而言，任何 AI 生成的教材、評語、分析和建議，都需要由教師、治療師、社工或相關專業同工按學生實際情況修訂，才可以成為教育行動的一部分。

回看前兩篇文章，我們先談 AI 如何幫助教師看見學生真正的學習難點，再談學生人才庫如何保存學生的優勢和成長線索。來到這一篇，我更想說的是：若沒有教師團隊和校本制度，前面兩件事都難以長久。精準教學需要教師懂得共同分析資料；學生人才庫需要不同同工持續輸入、整理和運用；家校合作需要清晰溝通和信任；生涯規劃更需要跨專業團隊共同判斷。AI 可以把資料整理得更快，但學校文化才決定這些資料會否真正用來支持學生。

教育4.0不是把學校變成一間科技公司，也不是讓老師追趕一個又一個新平台。對特殊學校而言，教育4.0應該是一條更人本、更穩妥的路：以學生需要為起點，以教師專業為核心，以數據倫理為底線，以團隊協作為方法。當 AI 由個別試用逐步走向校本培訓、成功案例庫、質素保證和專業社群，它才有機會真正支援學校長遠發展。

我相信，特殊教育最珍貴的地方，是我們從不輕易用單一標準定義學生，也不把學生的困難看成不可改變的限制。AI 若用得合宜，可以讓我們更快整理觀察、更準確看見需要、更有系統保存進步；但最後能否把這些資料變成鼓勵、教學、支援和機會，仍然取決於人。特殊學校推動 AI，不能只靠一兩位老師，因為每一位學生的成長，都需要一整個專業團隊共同承托。

下一階段，我們可以再把焦點放回學生的日常生活，看看 AI 如何協助教師設計社交故事、生活技能流程圖卡和情境化學習材料，讓學生在轉換活動、與人互動、洗手、乘車、購物等生活場景中，更有信心地一步一步學會自立。

作者:鄭裔威，道慈佛社楊日霖紀念學校（輕度智障特殊學校）校長