我的跨領域學習故事 第3篇

從興趣開始，走進人工智慧

我會選擇人工智慧技術與應用學士學位學程，其實最一開始沒有什麼遠大的目標，就只是因為我對電腦和程式很有興趣。高中的時候接觸過一點Python，覺得讓機器「學」的概念很神奇，再加上那時 AI 很熱門，我就想：「好吧，來試試看！」。
剛進大學的時候，其實很多課都滿抽象的，像基礎程式、基礎數學、人工智慧導論，都是需要慢慢咀嚼的內容。一開始我只覺得 AI 很酷，但後來慢慢發現，要讓機器學會「理解」人，其實是一件很難也很有意思的事。這種感覺也讓我開始想：除了做模型、跑資料之外，AI 有沒有機會被用在更貼近人的地方？這個想法，也成了我後來跨領域學習的開端。

課堂上的轉折：第一次接觸教育大數據

在學程修習期間，我積極選修跨領域課程，除AI與資料科學相關課程外，我也選修了幾門截然不同的課程，涵蓋工業工具機與教育大數據等領域，其中「當教育大數據遇見 AI」一課令我印象深刻，課程結合教育思維與人工智慧技術，讓我更深入了解跨域應用的可能性。
那門課用的是一種叫 RapidMiner 的 No Code 工具，一種不用寫程式的資料分析工具。介面像在拼積木，把「讀資料、清理、訓練模型、評估」這些積木拖一拖、接起來，就能跑出結果。剛開始我以為這堂課只是簡單的實作，但後來發現它背後的概念其實蠻深的，我們分析的資料，不是工業感測器或影像資料，而是學生在學習平台上的操作記錄，包含作答時間、觀看影片的長度、登入頻率等等。這些看似平凡的數據，其實都在反映學生學習的狀況。
那時我第一次有種「AI 真的能幫助教育」的感覺。因為如果模型能幫老師更快發現學生在哪裡卡關、或提供更個人化的建議，那 AI 就不只是技術，而是能真正讓學習更有效率的工具。

AI 的邏輯思維 vs. 教育的溫度

人工智慧的訓練過程其實很講求邏輯與精準，但教育並不是這樣。在做課堂專題時，我們常會被提醒：「模型的準確率不代表它對學生真的有幫助。」那句話對我影響很大。
有時候模型預測學生「可能會學不好」，但老師卻說：「這個學生只是還沒進入狀況。」這讓我開始理解到：教育裡的數據，其實是一個個正在努力學習的人。如果只看統計結果，而忘了人本身，那 AI 再準也會失去意義。
所以我開始去看一些教育心理學與學習理論的資料，試著理解學生的學習行為。
也因為這樣，我更能把模型結果轉成老師聽得懂的語言，不只是「機器怎麼看」，而是「我們怎麼用它幫學生」。

跨領域的挑戰：學會用不同的語言溝通

跨領域學習的過程中，最難的其實是「溝通」。AI 的世界充滿公式、準確率和指標，但教育領域在意的是學生的情況、教學的節奏、甚至課堂的氣氛。
我後來有幸在另一門課擔任助教，也更直接感受到這個差異：我沒有做什麼高深的分析，更多時候只是把「技術語言」換成「課堂能用的話」。例如老師問「這單元大家好像卡住？」我就回去整理同學最常提出的幾個疑問、上課容易混淆的名詞，下一次點名時先用白話再提醒一次；或是把零散的回饋彙成兩三個重點，讓老師一眼就知道要調整哪個範例、哪段講太快。這些看起來很日常的事，卻讓我學到：在教育現場，資訊不是越多越好，而是剛好能被理解、剛好能採取行動。

跨出舒適圈後的收穫

這段經歷讓我重新認識了人工智慧。以前我覺得 AI 是一種工具，但現在我覺得它更像一面鏡子：讓我們反思人類學習的方式，也重新理解「學習」這件事。
雖然我還只是個大二學生，技術也還在磨練中，但我覺得跨領域帶給我的最大收穫，是學會在理性與感性之間找到平衡。AI 給我數據思維，教育提醒我看見人，這兩者加起來，才是我想追求的「智慧」。

正如大部分同學一樣，我同樣也是透過申請入學管道，填寫志願序入學。在我生涯發展中，興趣橫跨 AI、程式設計、理論研究到繪圖與作曲。就學中我也逐漸學到，AI的價值不在模型本身，而在能否被「用在人身上」：真正理解人、幫助人，才是我想前進的方向。哪怕教育之外，也是如此。