這學期在準備職能治療管理學時，我遇到了一個很現實的問題：100位學生，100分鐘，我到底要怎麼教？
如果採用傳統講授，事情其實相對單純。老師站在前面講，學生坐在下面聽。30個人可以這樣上，100個人似乎也可以，差別可能只是教室變大了一點。
但如果我們正在教的是「管理學」，這樣真的夠嗎？
管理不只是知道什麼是 SWOT、PDCA、領導、溝通、品質管理或績效評估。真正進入職場之後，我們更常面對的，是如何向別人說明自己的想法、理解不同專業的觀點，在有限的時間與資源中做選擇；有時還得面對別人的質疑，重新檢查原本深信不疑的假設。
如果這些才是管理真正困難的地方，那麼一門管理學課程，或許也應該讓學生有機會經歷管理，而不只是聽老師談管理。
於是，我開始重新思考這100分鐘。最後，我決定把它變成一場實驗：100位學生、100分鐘、十桌十主題。而這100位學生，每一個人既是提案者，也同時是別人的同儕專家。
大型課堂的第一道管理題
大型課堂最直接的挑戰，就是參與。
如果採取逐組報告，即使分成10組，每組只有短短幾分鐘，再加上轉換與講評時間，100分鐘很快就用完了。更重要的是，當第一組報告時，真正高度投入思考的往往還是第一組；其他同學很容易逐漸成為「聽別人報告的人」。
所以我開始反過來問：如果老師沒有辦法在100分鐘內逐一指導100位學生，有沒有可能重新設計環境，讓100位學生彼此成為學習資源？
這也是我想到「公民咖啡館」的原因。World Café 原本就是一種透過有意義的問題、跨桌交流不同觀點，再共同整理發現的對話方法[1]。
但人數越多、時間越有限，就越不能只是把桌子排開，然後告訴大家：「現在開始討論。」我們需要更清楚的結構。
於是，這次的公民咖啡館被重新設計成：十桌、十主題、十個不同的管理視角。
十桌不是十組，而是十間「管理專科門診」
每一桌都有自己的任務。
從市場與需求分析、服務定位與價值主張，到人力、營運、品質、財務、行銷、跨系統合作與成果指標，不同桌次各自聚焦在方案規劃中的一個管理面向。
十桌不是十個聊天區，而是十間不同專長的「管理專科門診」。
學生在課前必須先準備自己負責的內容。當其他組帶著方案來到這一桌，桌上的同學不能只說：「我覺得不錯。」他們必須從自己負責的管理視角開始追問：需求真的存在嗎？目標和活動之間有沒有連結？這樣的人力配置做得到嗎？預算和服務規模合理嗎？設定的成果指標，真的能回答這個方案有沒有效嗎？如果原先設定的條件沒有發生，還有沒有其他選擇？
但「同儕專家」並不是坐到那一桌，就自動成為專家。
如果希望同儕回饋真正有品質，學生必須先知道自己要看什麼、問什麼，以及怎麼提出一個對別人有用的建議。2025年的統合分析也指出，同儕回饋若搭配適當的 instructional support，尤其在提供回饋的階段，有助於提升回饋歷程的品質[2]。
這也是為什麼在進入公民咖啡館之前，每位組員都先負責期末方案中的特定章節，透過課前準備與方案規劃管理智能助理 2.0，熟悉這個章節真正需要處理的管理問題。
換句話說，我們不是先把100位學生放進教室，再期待精彩的討論自然發生，而是先讓每個人帶著一個自己已經思考過的問題進場。
每個人都有自己的位置
大型課堂還有另一個問題。
即使分成10組，如果所有事情最後都落在組長身上，那麼所謂的「100人參與」，最後可能只是——10個組長很忙。
所以這次的設計裡，每位學生都有自己的責任。
組長負責的是整體。他必須掌握整組方案的十個章節，確認不同組員完成的內容能不能形成一個前後一致、真正可以執行的服務方案。組員負責的則是深度。每位組員都有自己主要負責的章節，除了完成內容，也必須理解這個管理面向真正需要處理的問題。
因此，100位學生不再只是被分成10組。每個人都帶著一個自己必須負責的管理問題進入課堂。
而在公民咖啡館裡，他們還會不斷切換角色。留在自己的主題桌時，是替別人方案提供意見的「同儕專家」；帶著自己的方案前往其他桌次時，又成為接受會診的「提案者」。
如何給別人一個真正有用的建議？當別人對我的方案提出建議時，我又要怎麼判斷？
這兩件事情，本身就是管理。
在100分鐘開始以前，先讓AI進場
如果實體課堂只有100分鐘，有些事情其實不應該等到進教室之後才開始。
這也是「方案規劃管理智能助理 2.0」被放進整個學習流程的原因。
學生在進入公民咖啡館以前，已經先完成期末方案的 Initial Report。接著，再利用智能助理進行第一輪結構化檢視：這一章真正要回答的管理問題是什麼？目前的內容回答了嗎？有哪些地方仍然缺漏？不同章節之間是否前後一致？哪些假設還需要進一步確認？
AI可以協助學生先看見這些問題。高等教育中以生成式AI提供自動化回饋已有實證研究，但系統性回顧同時提醒，這類工具具有應用機會，也伴隨品質與實施上的挑戰[3]。
因此，有一個原則很重要：智能助理不是來替學生寫完報告的。
它比較像一個形成式回饋的協作者：指出問題、提醒可能的缺口、協助整理資訊。至於要不要修改、為什麼修改、最後怎麼修改，仍然必須由學生自己決定。
如此一來，學生進入公民咖啡館時，帶來的就不是一份剛完成、還沒仔細看過的初稿，而是一份已經被自己重新思考過一次的方案。
把珍貴的100分鐘留給真人
如果生成式AI已經可以閱讀方案、整理資訊、找出問題，甚至提出修改建議，那麼我們為什麼還需要花100分鐘，把100個人帶進同一間教室？
我的答案反而是：因為這100分鐘很珍貴。
真人會追問：「可是你們真的做得到嗎？」「如果我是服務對象，我可能不會想參加。」「你們的人力真的足以支撐這樣的服務規模嗎？」「如果這個資源拿不到呢？」「為什麼一定要這樣設計？」
這些問題不一定比AI更「正確」，但它們來自另一個真實的人、另一個觀點，以及另一種生活與專業經驗。而學生必須當場說明自己的想法。
有時候需要解釋，有時候需要辯護；有時候講著講著，自己反而突然發現：對耶，我們真的沒有想過這件事。
這種觀點碰撞，是我認為實體課堂仍然很珍貴的地方。
所以在公民咖啡館現場，我反而不希望學生忙著把每一句話輸入AI。先聽、先問、先討論，先把不同的意見帶回來。
這100分鐘，先留給人。
會診結束後，不是照單全收
公民咖啡館結束之後，真正重要的工作才剛開始。
學生帶回來的，不會是一套整齊一致的答案。有些建議彼此呼應，有些彼此衝突；有些一看就知道值得採用，也有些雖然很好，卻不一定符合原本方案的目的與限制。
這時候，AI才再次進場。
學生可以把同儕會診取得的回饋帶回智能助理，協助整理：哪些建議形成共識？哪些意見彼此衝突？哪些地方需要再查證？哪些值得採用？哪些需要調整後再採用？哪些最後決定不採用？
AI負責的是整理與比較。真正的判斷，仍然留給學生。
每一位章節負責人都要重新回到自己負責的內容，留下從原始版本、同儕回饋到最後修訂決策的學習軌跡。最後，再由組長把十個章節重新拉回整體，確認整份方案是否一致。
所以最後完成的 Final Report，不應該只是一份「被AI改漂亮的報告」。它應該是一份經歷過AI檢核、自己思考、真人會診、再次判斷，以及團隊整合之後的方案。
AI與公民咖啡館，各自做自己擅長的事
走到這裡，我反而更清楚看見AI與公民咖啡館之間的分工。
AI適合協助處理大量資訊、結構檢核、前後一致性與回饋整理，也可以提醒學生可能忽略的地方。
公民咖啡館提供的，則是另一種學習經驗。真人會不理解、會追問，也可能提出完全出乎預期的觀點。不同的人，甚至可能對同一個方案提出彼此衝突的建議。
但這些「不整齊」，其實很接近真實的管理世界。
所以這套設計並不是「AI教完，再換真人教」，而比較像一個循環：
AI協助看見問題 → 人與人交換觀點 → AI協助整理複雜資訊 → 人重新做出判斷。
科技沒有取代人，人也不需要拒絕科技。重要的是，把不同的工作交給適合的工具，也把最後的判斷留在人手上。
從「老師改100份作業」，變成設計一個學習系統
如果用傳統方式思考大型課堂，100位學生，意味著老師面對100份學習需求。
但這次我想試著換一個角度。與其讓所有學習與回饋都集中到老師身上，不如重新設計一個學習系統：
課前準備 → Initial Report → AI初稿檢核 → 第一輪修正 → 100分鐘公民咖啡館 → 十桌十主題同儕專家會診 → 第二輪修正 → Final Report
在這個系統裡，AI有AI的工作，同儕有同儕的工作，組員有自己必須負責的章節，組長則必須重新整合全案。
而老師的角色，也逐漸從「唯一提供答案的人」，轉變成：設計一個能讓學習發生的環境。
這可能也是我在準備這堂100人大型課程時，自己最大的學習。
把珍貴的100分鐘，留給人
當AI越來越能閱讀、整理、分析，甚至生成完整內容，我反而開始重新思考：那麼，我們為什麼還要把100位學生帶進同一間教室？
也許答案不是為了再聽一次網路上就能找到的知識，而是因為有些學習，仍然必須發生在人與人之間。
聽見不同的聲音，發現自己原本沒看到的問題；向別人解釋自己的想法，接受質疑，再重新做出選擇。
如果AI能把一些原本必須在課堂裡完成的工作移到課前與課後，那麼實體課堂反而有機會重新變得珍貴。
AI先幫學生看見方案裡的問題；
同儕幫學生看見自己原本沒想到的問題；
而最後決定怎麼改的人，仍然是學生自己。
100位學生。100分鐘。十桌十主題。一套AI協作工具。
這一次，我想試著把一堂大型管理學課程，變成一個由100位學習者共同運作的學習系統。
至於100分鐘到底夠不夠？
嗯……
這大概就是這堂管理學真正的第一道管理題了。😅
參考資料
- The World Café Community Foundation. DNA Overview: Key Concepts & Resources. The World Café.（World Café 的七項設計原則與方法概述）
- Hornstein, J., Keller, M. V., Greisel, M., Dresel, M., & Kollar, I. (2025). Enhancing the Peer-Feedback Process Through Instructional Support: A Meta-Analysis. Educational Psychology Review, 37, 42. https://doi.org/10.1007/s10648-025-10017-3
- Lee, S. S., & Moore, R. L. (2024). Harnessing Generative AI (GenAI) for Automated Feedback in Higher Education: A Systematic Review. Online Learning, 28(3), 82–106. ERIC EJ1446868