生成式 AI 進入大學課堂之後，一個很常見的問題是：學生到底是在學習，還是在請 AI 幫忙完成作業？
如果只是把 ChatGPT 或其他生成式 AI 工具開放給學生使用，這個問題其實很難回答。因為從最後交出的成品來看，我們未必知道學生在過程中思考了多少，也很難判斷 AI 究竟是在支持學習，還是在代替學習。
不過，近期越來越多教育研究開始把問題往前推一步。與其一直問「學生能不能使用 AI」，更值得討論的，也許是「教師要如何設計一個讓 AI 真正支持學習的系統」。
整理近期研究之後，我越來越覺得，這個方向和我們這學期在亞洲大學職能治療學系「職能治療管理學」所做的事情，其實非常接近。我們沒有把 AI 當成單純的答案產生器，而是試著把它放進一個完整的學習歷程裡。更重要的是，AI 進入課程之後，我們沒有因此減少人與人的互動，反而刻意保留大量、高密度的同儕交流。
AI 的價值，不只是模型有多聰明
2026 年 9 月，一項發表於 JMIR Medical Education 的探索性隨機研究，建立了一套 AI 支援的問題導向學習環境。研究者並不是讓學生自由向 AI 詢問答案，而是把生成式 AI 放進結構化的 PBL 流程中，透過推理提示、階段性任務、模擬教師與同儕角色，以及回饋循環，引導學生進行臨床推理。
研究結果顯示，在該研究條件下，AI 支援組的短期學習表現較佳。不過，研究者也特別提醒，這項研究測試的是一整套整合式學習環境，因此還不能把效果單獨歸因於某一個 AI 功能。
這個限制反而很值得注意。因為它提醒我們，AI 的教育價值可能不只取決於模型本身有多強，而與教師如何設計任務、互動流程與回饋機制密切相關。
如果學生面對的任務只是「請使用 AI 完成這份作業」，那麼學生最容易學會的，可能只是如何快速取得一個看起來完整的答案。但如果教師事先安排好閱讀、測驗、任務、AI 協作、判斷、修正與回饋，AI 就比較有機會從「代替作答的工具」，轉變成「支持思考的學習支架」。
另一項近期隨機對照研究，則把焦點放在醫學生的 feedback literacy，也就是學生如何理解、處理與運用回饋。研究結合 AI 支援反思、VR 臨床情境，以及不同程度的同儕互動，結果顯示介入組在主管觀察的回饋素養行為上優於一般臨床實習組。
此外，2026 年一篇納入 36 項研究、7,229 名參與者的三層次統合分析發現，生成式 AI 對高等教育學習成果平均呈現正向效果，而教學方法是其中顯著的調節因素；協作學習與混成學習結合 GenAI 時的效果尤其值得注意。這些研究逐漸指向同一個方向：AI 不一定要取代人際互動，相反地，它可能更適合先幫助學生準備，再把珍貴的課堂時間留給討論、提問、辯證、合作、判斷與回饋。
回頭看，我們的管理學課程也正在做這件事
這學期的職能治療管理學，我們嘗試把原本集中在課堂裡的知識傳遞拆開。這不是為了少教一點，而是希望把有限的實體課堂時間，留下來做更值得面對面完成的事情。
首先，我們推出線上自學文章與小測驗，讓學生可以先在課前建立基本概念。當學生進入教室時，就不必完全從零開始，教師也能把更多時間放在案例、討論與應用，而不是大量重複知識講授。
接著，在課後作業的部分，我們不只是公布題目，而是另外提供閱讀導引，協助學生先理解這份作業為什麼要做，以及它和真正的職能治療管理工作有什麼關係。當學生知道任務背後的脈絡，作業就比較不只是「老師要求繳交的一份文件」，而能成為前一段學習的延伸。
在 AI 的使用上，我們也沒有採取全面禁止的做法，反而選擇另一條路：既然學生一定會遇到 AI，那就教他怎麼用。
因此，我們開始提供 AI 協作作業範本與指引，協助學生學習如何把任務背景說清楚、需要提供哪些資訊、如何要求 AI 協助分析而不是直接代寫，以及如何檢查 AI 回應中的假設與前後條件。最後，學生仍然需要根據自己的判斷重新修改內容，而不是把 AI 產出的文字直接交出去。
一個具體例子：方案規劃與管理智能助理
以這學期使用的「方案規劃與管理智能助理」為例，我們把原本較抽象的作業要求，整理成一個可以逐步操作的 AI 協作入口。學生不是直接請 AI「幫我寫一份方案」，而是依序整理服務對象、需求、目標、執行方式、資源、成效評估等資訊，再透過提示與檢核，逐步完成方案規劃。
這個工具的角色，不是替學生完成作業，而是把思考流程外顯化，協助學生知道目前缺少什麼資訊、哪些假設需要再確認，以及 AI 提出的建議是否和前面的設定一致。
方案規劃與管理智能助理：
https://allenmindlab.com/tools/management-coach/
AI 使用歷程，可能和最後成品一樣重要
慢慢做下來之後，我開始覺得，AI 使用歷程可能和最後的作業成品一樣重要。學生問了什麼？AI 提供了什麼建議？哪些內容被接受？哪些被拒絕？為什麼拒絕？最後又修改了什麼？這些過程其實都能反映學生是否真的理解任務。
例如，當 AI 建議一個方案每場安排 20 人，但學生回頭發現自己前面的服務規模設定其實是每場 8 人試辦，因此決定不採用 AI 的建議。這時候，真正值得看的就不只是最後答案是不是 8 人，而是學生能不能說明，為什麼 AI 提出的 20 人不能直接採用。
這一刻，其實已經不是 AI 代寫，而是在做管理判斷。
學生完成任務之後，仍然需要教師依照課程目標、專業判斷與評量標準進行評分與回饋。教師看的，也不只是文字漂不漂亮，而是前後假設是否一致、分析是否合理、學生有沒有理解自己提出的方案，以及 AI 提供的內容有沒有被不加判斷地接受。
所以 AI 出現之後，教師的角色並沒有消失，反而更往「判斷學生有沒有真的學會」這件事情移動。而回饋也不是終點，學生收到 AI 回饋、同儕意見或教師回饋之後，還要重新修改。整個學習歷程因此逐漸形成一個循環：先自學、再完成任務、與 AI 協作、留下使用歷程、接受回饋，最後再修正與重新學習。
課程現場開始出現一些有意思的變化
在推出線上自學平台、課後作業閱讀導引，以及 AI 協作作業範本之後，我們也開始在課程現場看到一些變化。
部分學生很快就主動展開自學，甚至在正式課程進度之前，就已經完成線上閱讀、測驗與課後作業。更值得注意的是，這些提早繳交的作業並不只是「先交而已」。從目前收到的內容來看，部分學生已經能呈現出一定程度的整體完整性與品質，包括題意理解、架構安排、分析邏輯，以及 AI 協作後的內容整理。
這些目前仍然只是課程中的初步觀察，還不能直接推論成教學成效。不過，它至少讓我們看到一個可能性：當學生能更早取得學習材料、任務脈絡與 AI 協作支架之後，學習不必等到老師站上講台才開始。
有些學生會自己往前走。這也讓教師開始面對另一個很有意思的問題：當學生的學習速度不再完全同步，我們要怎麼提供足夠的結構，同時讓願意往前走的學生能繼續前進？
AI 進來了，人與人的互動反而更值得留下
這也是為什麼我們並沒有因為導入 AI，而減少課堂中的同儕互動，反而刻意保留大量、高密度的交流。其中最明顯的，就是公民咖啡館。
一百多位學生分成十組，在不同桌次之間持續交換觀點、提出問題、挑戰假設，再把新的意見帶回原本的小組。學生不是坐著聽完一堂課，而是必須說明自己的想法、聽見別人的不同觀點，再重新整理自己的判斷。
AI 可以很快給學生十個答案，但它無法完全取代一百位同學在同一個教室裡，彼此問一句：「可是你們為什麼這樣想？」
這也讓我開始重新理解公民咖啡館的位置。它並不是 AI 課程之外另外附加的一場活動，相反地，它可能正是整套設計裡非常重要的一半。
如果把整套課程再濃縮一次，我現在會把它理解成三個彼此連動的學習空間：第一個是「個人 × AI 準備」，學生透過線上自學文章、小測驗、作業閱讀導引與 AI 協作範本，先建立基本知識、整理問題，形成自己的初步想法；第二個是「人 × 人高密度互動」，學生把這些想法帶進實體課堂，透過案例討論、公民咖啡館、跑桌交流與同儕提問，被詢問、被挑戰，也重新看見自己的盲點；最後再回到「AI × 教師回饋與修正」，把同儕交流、AI 建議與教師回饋重新整合，修正原本的方案與判斷。
這也讓我開始覺得，我們真正做的並不是一門「AI 管理學」，而是在重新分配：哪些事情適合交給 AI 支持，哪些事情一定要留給人。
職能治療教育也開始走向 Learning Partner
這個方向，在近期職能治療教育研究裡也逐漸出現。Jozkowski 與 Tabak 在 2026 年提出 GenAI Learning Partner 的概念，透過提示範本與結構化教學，引導職能治療學生建立自己的生成式 AI 學習夥伴。
很重要的是，AI 在這裡不是用來取代學生完成學術工作，而是支持個人化學習、反思與專業成長。這個概念和職能治療教育其實很契合，因為 OT 從來就不只是要求學生「知道正確答案」，我們真正希望學生慢慢學會的，是理解情境、整合資訊、形成假設、做出判斷、和別人溝通，然後根據結果重新調整。
如果 AI 能讓學生多一次練習這些能力的機會，那麼它真正有價值的位置，或許不是替學生回答，而是陪學生多走一次思考的過程。
真正值得保存的，可能不是答案，而是協作歷程
以前，我們主要看到的是學生最後繳交的成品。但在 AI 時代，也許還值得再多看一層，也就是學生和 AI 是怎麼一起走到這個成品的。
原始想法、第一次提問、AI 建議、學生判斷、採用或拒絕、修改版本、同儕與教師回饋，再到最後的定稿，這整段過程其實都是學習證據。
因此，未來在評量 AI 協作作業時，值得看的可能不只是成品品質，也包括學生如何提問、如何判斷 AI 建議、哪些內容被接受或拒絕，以及最後又如何依照自己的判斷完成修正。這似乎比一直追問「這篇是不是 AI 寫的」更有教育意義。
真正重要的問題，開始從「你有沒有用 AI」，慢慢變成「你怎麼使用 AI」，以及「AI 給你答案之後，你做了什麼」。
AI 越強，教師越需要重新回到「設計學習」
學生都有 AI 了，教師是不是會越來越不重要？目前我的感受反而相反。
AI 越容易提供答案，教師的角色就越不能只停留在「提供答案」。教師真正重要的事情，開始變成設計學習路徑、設計問題、安排鷹架、建立評量標準、創造同儕互動的空間、觀察學生如何思考，再在關鍵的位置給出專業回饋。
所以真正發生的變化，也許不是 AI 取代教師，而是 AI 讓教師重新回到教育最核心的工作：設計學習。
從一門管理學開始的小實驗
我們目前做的事情其實還很小，就是一門職能治療管理學，一百多位學生，幾篇線上自學文章、幾次小測驗、幾份作業，以及一些 AI 協作指引，再加上一場又一場的案例討論、公民咖啡館，以及教師最後的評分與回饋。
但當這些東西慢慢串起來之後，我開始覺得，我們真正測試的也許不只是某一個 AI 工具，而是一個更大的問題：當知識與答案越來越容易取得，大學課堂真正應該留下什麼？
目前我的答案很簡單。AI 可以幫助學生更早開始，也可以幫助學生整理、比較與修正，但真正重要的學習，仍然會發生在人需要做出判斷的地方。
知道該問什麼，知道哪些答案不能直接相信，願意聽見別人的不同觀點，最後也能說明自己為什麼做出這個選擇。也許，這才是 AI 時代的大學教育真正需要留下來的東西。
參考資料
- Fan, C., Ke, L., Chen, Z., & Lv, P. (2026). Exploring the effect of GenAI on learning outcomes in higher education: a three-level meta-analysis. Frontiers in Psychology, 17, 1758670. https://doi.org/10.3389/fpsyg.2026.1758670
- Jozkowski, A. C., & Tabak, A. R. (2026). The GenAI Learning Partner: An Evolving Framework for Personalized and Reflective Artificial Intelligence Use in Occupational Therapy Education. Journal of Allied Health, 55(2), 327–334. https://doi.org/10.21091/jah.2026.02037
- Sadegh, T., Mohammadi, M., Jahani, J., et al. (2026). Effects of AI- and VR-supported multicomponent learning intervention configurations on supervisor-rated feedback-literacy behaviors in medical students: a randomized controlled trial. BMC Medical Education. https://doi.org/10.1186/s12909-026-10500-7
- Zhao, Z., Wu, B., Tian, S., Hu, H., & Hao, P. (2026). Scaffolded AI-Supported Problem-Based Learning for Medical Interns: Exploratory Retrospectively Registered Randomized Controlled Evaluation With a Voluntary Feasibility Follow-Up. JMIR Medical Education, 12, e95039. https://doi.org/10.2196/95039