教育培訓業的生成式 AI：
教材產製、測驗生成與學習數據的三個場景

週日晚上十點，補習班老師還在改講義。下週要開新課，教材要更新、講義要重排、還得出兩份難度不同的測驗卷附解析——這些事一件都不難，但加起來就是一個週末。教育培訓這一行的日常，是大量的內容產製與重複出題，而這正是生成式 AI 最能減輕負擔的地方，只要守住一條線：內容可以讓 AI 產，但正確與否，老師得看過。

先劃界線：教育內容，事實不能錯

現代生成式 AI 建立在 Transformer 架構上，本質是機率性的內容生成器^[1]。這類基礎模型的能力與風險，學界早有大型盤點，其中「下游應用會繼承模型缺陷」是核心關切之一^[6]。對教育，這條界線特別重要：AI 會產生看似合理實則錯誤的內容（幻覺）^[2]，而錯誤的教材會被學生當成正確知識學下去。所以原則是——AI 產製初稿，老師審定正確性與教學適切性。總體框架見〈生成式 AI 解決方案完整指南〉。

場景一：教材與講義的初稿產製

把課綱知識點展開成講義、生成範例、改寫成不同程度的版本、產出多媒體腳本——這些是 AI 的典型強項。發表於《Science》的隨機對照實驗發現，在專業寫作任務上，AI 讓完成時間縮短約 40%，且品質也提升^[3]。把它用在備課，老師能把省下的時間投到只有人能做的事——設計教學節奏、回應個別學生。但每一份教材的事實與範例，都要老師審過再用。

場景二：依知識點自動生成測驗與解析

出題是最重複、也最吃時間的工作之一。生成式 AI 能依指定知識點與難度批量生成題目與詳解、產出不同版本避免抄襲、把錯誤選項設計得更有鑑別度。這大幅壓縮出題時間——但測驗的正確性攸關教學品質，AI 生成的題目與解答必須經老師校對，尤其涉及公式、史實、法條這類精確知識時。這與其他產業「AI 草擬、人放行」的紀律完全一致。

場景三：讓學習數據，從躺著睡到能分析

每一次作答、每一份考卷、每一堂課的互動，都是學習數據，卻往往散落各處、測完就丟。把這些數據結構化累積，就能被 AI 解讀：哪個知識點全班都錯、哪類學生卡在哪、哪份教材成效最好。這和我們在食品業強調「讓感官數據可累積」是同一個道理——數據的價值在於縱向累積，可參見〈食品業的生成式 AI〉。要讓 AI 依內部教材與學習紀錄回答，技術底座是檢索增強生成（RAG），它常因文件切塊與檢索策略而答不準，原因見〈RAG 知識庫為什麼答不準〉。

怎麼開始

選教材產製或測驗生成其中一個最痛的環節做試點，建一組真實案例衡量成效，站得住腳再擴大——這套「試點→評測→把關」的方法詳見〈企業導入生成式 AI〉。研究也顯示 AI 對經驗較少者幫助最大^[4]，且能力邊界並不平整、用在邊界外反而易錯^[5]——這對教育工作者是雙重提醒：善用它加速，也要教會學習者辨識它的極限。這正是我們開設實戰班的初衷：教的不只是工具操作，而是「怎麼把 AI 用得可靠」的方法與判斷。