🎯 摘要

一位學生用Claude + NotebookLM，在48小時內準備一門完全沒讀過的科目，最後考試拿到滿分。這不是作弊，而是「學習方法的革命」——從被動吸收轉為主動建構。本文深度解析這套AI輔助學習法的五大步驟：建立知識地圖、識別常見陷阱、自我出題測試、精準批改反思、動態調整路徑。更重要的是，探討它背後的認知心理學原理（認知負荷理論、主動學習、測試效應），以及它的適用範圍與限制。這不是「讓AI代替思考」的捷徑，而是「讓學習更聰明」的系統化方法。對環境教育工作者而言，這套方法不僅能提升個人學習效率，更能轉化為培訓種子教師、設計課程的有效工具。

---

《AI時代的學習革命：從「48小時滿分」看主動建構知識的五大策略》

前言：一個引發思考的學習案例

最近，網路上流傳一個令人驚訝的學習案例：

「有人用 Claude + NotebookLM，在 48 小時內準備一門完全沒讀過的科目，最後考試拿到滿分。」

看到這個案例，你的第一反應可能是：「這是作弊嗎？」或是「這怎麼可能？」

但當我們深入了解這個學習流程後，會發現：這不是作弊，而是『學習方法的革命』。

這位學生並沒有讓AI幫他寫答案，而是把AI當成：

• 老師（解釋核心概念）
• 考官（設計考試題目）
• 複習系統（建立知識地圖）
• 錯題分析器（精準指出理解盲點）

---

他的完整學習流程是這樣的：

一個完整的AI輔助學習流程

第一步：把所有資料丟進 NotebookLM

先不要急著問問題。先把所有跟這門課相關的資料全部丟進去，例如：

• 課程簡報
• 教科書
• 過去考題
• 研究文章
• YouTube 教學影片字幕
• 任何相關資料

原則很簡單：輸入品質 = 輸出品質

你給的資料越完整，後面的分析就越準。

---

第二步：先把整個科目「地圖化」

打開 NotebookLM，先問這個問題：

這門學科中，每一個專家在深入學習之前，必須先理解的 5 個核心概念是什麼？

請對每個概念提供：

1. 白話解釋
2. 為什麼它很重要
3. 它與另外四個概念的關聯

這一步其實很關鍵。

因為很多人讀書是：看一章 / 背一章 / 再看下一章

但這樣很容易迷路。

這個 Prompt 會在幾分鐘內幫你建立整門課的「骨架」。

---

第三步：找到考試最常考的陷阱

接著問 NotebookLM：

在這門學科中，學生最常犯錯或理解不夠深入的三個地方是什麼？

對每一個地方說明：

1. 學生常見錯誤
2. 表面理解是什麼
3. 真正深入理解應該是什麼

這一步很像老師在跟你說：「考試最容易出這裡。」

很多學生讀很多，但不知道重點，這一步就是直接抓重點。

---

第四步：用 Claude 生成考試題目

把 NotebookLM 整理出的內容貼到 Claude。

然後用這個 Prompt：

你是一位在這門學科任教 20 年的大學教授，負責設計與批改考試。

以下是這門課的核心概念與知識架構：

[貼上 NotebookLM 的整理內容]

請設計 20 題考試題目，題目要測試「理解能力」而不是死記硬背。

題目難度從基礎到困難。

對每一題請提供：

1. 完美答案應該包含什麼
2. 不及格答案通常會缺少什麼

這一步等於把 AI 變成出題老師。

---

第五步：自己做考試

把 Claude 給你的 20 題題目全部做一遍。

重點是：不要看筆記。

做完之後，把答案貼回 Claude：

以下是我對這 20 題問題的回答：

貼上你的答案

請誠實評分每一題。

對於錯誤或不完整的答案：

1. 說明我理解錯在哪裡
2. 告訴我正確的思考方式
3. 指出我應該回去看的原始資料位置

---

網友的補充建議

有經驗的使用者提出幾點重要提醒：

1. 出考題最好還是用NotebookLM

• 雖然Claude很厲害，但它厲害的地方應該是寫code
• 有的學科，常考不等於必考
• 挖網路資料可能是錯的/舊的
• 正確率比較重要

2. 請它考你流程不考答案

• 因為知識會隨著時間更新
• 流程比較不容易大改版

3. 這是Context Engineering的技巧

• 學習前請Claude收集需求或學習目標
• 然後生成一個學習路徑.md
• 在過程中動態更新和追蹤
• 確保LLM知道它要做什麼

4. 推薦用Opus 4.6而非NotebookLM

• 它在long-context比其他LLM更不容易lost in the middle
• Anthropic的context windows給的最大方（200k）
• GPT Plus/Pro只有32k/128k
• 在長上下文能力的benchmark中，Opus 4.6達到70幾%，遠甩Gemini Pro 3.1的30幾%

---

看完這個流程，你可能會問：

這真的有效嗎？背後的原理是什麼？它適用於所有學習情境嗎？

接下來，讓我從認知心理學、教育理論和實務應用的角度，深度解析這個學習方法。

---

一、核心邏輯：從「被動吸收」到「主動建構」

傳統讀書方式的根本問題

大多數人的學習模式是線性且被動的：

步驟	行為	問題	結果
第一步	打開課本第一頁	不知道整體架構	見樹不見林
第二步	逐章閱讀	不知道重點在哪	平均用力，效率低
第三步	背誦內容	不知道為什麼要背	容易忘記
第四步	考試前才做題目	沒時間修正錯誤	錯誤重複出現

這種方法的核心問題是：你是在「接收資訊」，而非「建構知識」。

---

AI輔助學習的根本改進

這個AI輔助方法將學習流程重新設計：

步驟	行為	改進邏輯	效果
第一步	建立知識地圖	先看到整體架構	知道自己在哪裡
第二步	找出常見陷阱	預先避開錯誤	學習更精準
第三步	自己出題 → 作答	主動建構知識	記憶更深刻
第四步	AI批改 → 反思	立即反饋修正	理解更正確
第五步	動態調整路徑	根據錯題補強	針對性提升

核心轉變：從「我要背完這本書」轉為「我要掌握這門學科的思維方式」

---

二、為什麼這個方法有效？四大認知心理學原理

原理1：認知負荷理論（Cognitive Load Theory）

理論核心

認知心理學家John Sweller發現：

• 人的工作記憶（Working Memory）容量有限
• 一次只能處理 7±2個訊息單元
• 如果一開始就塞入大量細節，會造成認知超載（Cognitive Overload）
• 應該先建立「基模」（Schema），再逐步填充細節

這個方法的應用

• 第二步「地圖化」= 建立基模
• 先理解「5個核心概念」
• 這5個概念就是你的「基模」
• 後續所有細節都掛在這5個概念上
• 第三步「找陷阱」= 識別關鍵節點
• 預先知道「學生最常犯錯的3個地方」
• 在學習時特別注意這些節點
• 避免認知資源浪費在次要細節上
• 第四步「做題目」= 填充細節並測試理解
• 在已有基模的基礎上
• 透過題目來「填充細節」
• 這時的認知負荷是「良性的」

這就是為什麼它比「直接從第一頁讀到最後一頁」更有效——因為它符合大腦的運作方式。

---

原理2：主動學習原則（Active Learning）

理論核心

美國國家訓練實驗室（National Training Laboratories）的研究顯示：

學習方式	記憶留存率
聽講	5%
閱讀	10%
視聽結合	20%
示範	30%
小組討論	50%
實際操作	75%
教導他人	90%

結論：越主動的學習方式，記憶留存率越高。

這個方法的應用

• 自己出題 = 強迫自己思考「什麼是重點」
• 這相當於「你要教別人這門課，你會出什麼題目？」
• 這是最主動的學習方式
• 自己作答 = 主動提取記憶
• 不是「看筆記」（被動），而是「回想答案」（主動）
• 這就是「提取練習」（Retrieval Practice）
• AI批改 = 立即反饋，修正錯誤
• 不是「考試後才知道錯」
• 而是「學習中就知道錯」
• 這是「形成性評量」（Formative Assessment）

這是典型的「測試效應」（Testing Effect）：透過自我測試來強化記憶。

---

原理3：精緻化複習策略（Elaborative Rehearsal）

理論核心

德國心理學家Hermann Ebbinghaus提出「遺忘曲線」：

時間	遺忘比例
學習後20分鐘	42%
學習後1小時	56%
學習後1天	66%
學習後1週	75%
學習後1個月	79%

但如果在「即將遺忘前」進行複習，記憶曲線會大幅延長。

這就是「間隔複習」（Spaced Repetition）的原理。

這個方法的應用

• 第五步「AI批改 → 回去看原始資料」
• AI指出「你應該回去看的原始資料位置」
• 這就是精準的複習提示
• 你不是「重新讀一遍所有內容」（效率低）
• 而是「只複習你理解錯誤的部分」（效率高）
• 動態調整學習路徑
• 根據錯題分析，調整下一輪學習重點
• 這就是「適性學習」（Adaptive Learning）

這比傳統的「考試前一天複習所有內容」更有效——因為它是精準的、及時的、針對性的。

---

原理4：建構主義學習理論（Constructivism）

理論核心

瑞士心理學家Jean Piaget提出：

• 學習不是「接收資訊」，而是「建構知識」
• 新知識必須與舊知識產生連結
• 學習者必須「主動參與」知識的建構過程

這個方法的應用

• 建立知識地圖 = 建構整體架構
• 不是「記住100個零散的知識點」
• 而是「建構一個有5個支柱的知識大廈」
• 每個新知識都能「掛」在這5個支柱上
• 理解概念之間的關聯 = 建構知識網絡
• 第二步問的是「它與另外四個概念的關聯」
• 這強迫你建構「知識網絡」而非「知識清單」
• 從錯誤中學習 = 重構理解
• AI批改時會說「你的理解錯在哪裡」
• 這迫使你「拆解舊理解」「重建新理解」
• 這就是Piaget說的「順應」（Accommodation）過程

這比「死記硬背」更深刻——因為你是在「建構」知識，而非「儲存」資訊。

---

三、這個方法適合什麼學習情境？限制在哪裡？

✅ 最適合的學科類型

1. 概念性學科

• 例如：心理學、社會學、管理學、法律、政治學
• 為什麼適合：這些學科的核心是「理解概念」與「概念之間的關聯」
• AI的價值：幫你建立清晰的概念地圖，識別常見誤解

2. 需要「理解思維方式」的學科

• 例如：經濟學、哲學、教育學、環境科學
• 為什麼適合：這些學科重視「如何思考問題」而非「記住答案」
• AI的價值：模擬專家的思考方式，讓你學會「用這門學科的方式思考」

3. 有明確知識架構的學科

• 例如：生物學、歷史、地理、文學理論
• 為什麼適合：這些學科有清晰的「知識樹」結構
• AI的價值：快速建立知識樹的主幹與分支，讓你知道「現在在樹的哪個位置」

---

⚠️ 較不適合的學科類型

1. 需要大量計算練習的學科

• 例如：微積分、統計學、物理、化學計算
• 為什麼不適合：理解概念只是第一步，熟練計算需要「反覆練習」
• 限制：AI可以幫你理解「微積分的核心概念」，但無法代替「做100題練習」

補救方式：

• 用AI建立概念地圖（30%時間）
• 大量做題練習（70%時間）

2. 需要實作技能的學科

• 例如：程式設計、外科手術、樂器演奏、運動技能
• 為什麼不適合：知道理論不等於會實作
• 限制：AI可以告訴你「如何寫一個排序演算法」，但你還是要自己寫100次才會熟練

補救方式：

• 用AI理解原理（20%時間）
• 實際操作練習（80%時間）

3. 需要長期累積的學科

• 例如：語言學習、文學鑑賞、藝術創作
• 為什麼不適合：這些學科需要「長期浸潤」與「文化理解」
• 限制：你可以48小時理解「英文文法架構」，但無法48小時變成英文母語者

補救方式：

• 用AI建立學習路徑（指路）
• 長期持續學習（走路）

---

❌ 這個方法的四大限制

限制1：資料品質決定上限（Garbage In, Garbage Out）

問題：

這個方法的第一步是「把所有資料丟進NotebookLM」

但如果：

• 你的資料過時（如：10年前的教科書）
• 你的資料有錯誤（如：網路上的錯誤筆記）
• 你的資料不完整（如：只有部分章節的PPT）

那麼AI給你的「知識地圖」和「考試題目」也會有問題。

解決方案：

• 優先使用官方教材（教科書、課程大綱）
• 交叉驗證多個來源（不要只信一本書）
• 檢查資料的出版年份（確保不過時）

---

限制2：48小時的「滿分」可能只是特例

我們需要釐清幾個問題：

Q1：這門考試的難度如何？

• 如果是「記憶型考試」（如：背誦法條、歷史年代），AI輔助效果有限
• 如果是「理解型考試」（如：案例分析、申論題），AI輔助效果較好

Q2：這個人的學習基礎如何？

• 如果他本來就有相關背景（如：讀過類似科目），48小時可能夠
• 如果完全零基礎，48小時可能只能達到「及格」而非「滿分」

Q3：考試範圍有多大？

• 如果是「期中考」（2-3章），48小時可行
• 如果是「期末考」（整學期），48小時很勉強

結論：這個方法確實能大幅提升效率，但「48小時滿分」可能是最佳案例，不是常態。

---

限制3：過度依賴AI可能削弱「深度思考」能力

長期風險：

• 如果你習慣「有問題就問AI」
• 你可能失去「自己思考、自己解決問題」的能力
• 這就像「過度依賴GPS，最後不會看地圖」

案例：

• 學生問AI：「這個概念是什麼意思？」
• AI立刻給出答案
• 學生省略了「自己思考、查資料、比較不同觀點」的過程
• 長期下來，失去了「獨立思考」的能力

平衡之道：

• AI是「輔助工具」，不是「替代大腦」
• 在AI給出答案後，還是要「自己思考為什麼」
• 定期做「無AI環境下的自我測試」
• 遵循「70/30原則」：70%靠自己思考，30%用AI驗證

---

限制4：無法培養「隱性知識」（Tacit Knowledge）

什麼是隱性知識？

• 無法用語言明確表達的知識
• 例如：騎腳踏車的平衡感、外科手術的手感、音樂家的樂感

AI的限制：

• AI只能處理「顯性知識」（可以用文字表達的）
• 無法傳授「隱性知識」（需要親身體驗的）

案例：

• 你可以用AI學會「如何設計環境教育課程」（顯性知識）
• 但無法用AI學會「如何在課堂上感知學生的理解狀態」（隱性知識）
• 後者需要「長期教學經驗」的累積

結論：AI輔助學習適合「顯性知識」，但「隱性知識」還是要靠實踐。

---

四、對環境教育工作者的啟示：三大應用場景

應用1：快速掌握新領域知識

場景描述

你即將去美國進行環境教育參訪，需要在出發前快速了解「美國環境教育政策與實踐」。

傳統做法 vs. AI輔助做法

階段	傳統做法	AI輔助做法	時間節省
資料收集	上網搜尋、圖書館找書（2天）	收集PDF、網頁、影片字幕（半天）	節省1.5天
理解架構	逐一閱讀，自己整理筆記（3天）	NotebookLM建立知識地圖（1小時）	節省2.9天
抓住重點	憑經驗猜測重點（不確定）	AI分析常見誤解與關鍵差異（半小時）	更精準
準備提問	自己想問題（1天）	AI生成「深度訪談問題清單」（1小時）	節省半天
總時間	6-7天	1-2天	節省4-5天

具體執行步驟

Step 1：收集資料（半天）

• 美國EPA（環境保護署）環教政策文件
• NAAEE（北美環境教育協會）研究報告
• 相關學術論文
• 成功案例的新聞報導
• YouTube上的政策說明影片字幕

Step 2：建立知識地圖（1小時）

問NotebookLM：

「美國環境教育政策的5個核心支柱是什麼？每個支柱的具體內容、實施策略、與台灣環教政策的異同點為何？請整理成表格。」

Step 3：識別訪談重點（半小時）

問NotebookLM：

「台灣環境教育工作者在了解美國環教政策時，最容易產生的3個誤解是什麼？我應該在訪談時特別澄清哪些問題？」

Step 4：生成訪談問題（1小時）

請Claude：

「我即將訪問美國環教機構的負責人。請根據上述知識架構，設計15個深度訪談問題，分為『政策層面』『實務操作』『挑戰與解方』三大類。每個問題要能引發對方分享實務經驗，而非給出官方答案。」

效果：

• 1-2天就能建立完整的知識架構
• 參訪時能問出更深入的問題
• 不會問出「網路上就查得到」的淺層問題
• 更容易與對方建立專業對話

---

應用2：設計高品質環境教育課程

場景描述

你要為小學生設計「淨零綠生活」主題課程，希望課程既符合108課綱，又能真正改變學生行為。

傳統做法 vs. AI輔助做法

階段	傳統做法	AI輔助做法	效果提升
了解學生認知	憑經驗猜測（不確定）	AI分析「小學生對環保的常見誤解」	更精準
設計活動	參考其他教案（1週）	AI生成10種活動方案供選擇（1天）	節省時間
評估學習成效	考試或問卷（單一維度）	AI設計多元評量工具（更全面）	更有效
總時間	1-2週	3-5天	節省一半時間

具體執行步驟

Step 1：理解學習障礙（1小時）

把你整理的「淨零綠生活」文章丟進NotebookLM，問：

「小學3-6年級學生在學習『綠色飲食』概念時，最常見的3個理解障礙是什麼？他們的生活經驗中有哪些與綠色飲食相關但他們沒意識到的？」

Step 2：生成活動方案（2小時）

請Claude：

「根據上述學生理解障礙，設計10個『綠色飲食』體驗活動，要求：

1. 符合108課綱「環境教育」議題
2. 每個活動30-40分鐘
3. 不只是『聽講』，而是『體驗』
4. 學生能從活動中自己發現『為什麼要這樣做』
5. 活動後能遷移到日常生活中」

Step 3：設計評量工具（1小時）

請Claude：

「設計一套多元評量工具，包括：

1. 課前問卷（了解學生既有認知）
2. 課中觀察表（教師記錄學生表現）
3. 課後反思單（學生自評學習）
4. 行為追蹤表（家長協助記錄學生在家的綠色飲食行為）
5. 1個月後的延續性評估（檢驗行為是否持續）」

Step 4：優化與調整（1天）

• 自己從10個活動中挑選最適合的3-4個
• 根據學校資源調整活動設計
• 與其他老師討論可行性

效果：

• 3-5天就能設計出高品質課程
• 課程更貼近學生認知水平
• 評量更全面，不只看「知識」也看「行為改變」

---

應用3：培訓環教種子教師

場景描述

你要培訓縣內的環教種子教師，希望他們不只「知道」怎麼做，更「理解」為什麼這樣做，回去後能真正實踐。

傳統做法 vs. AI輔助做法

方法	傳統講授式	AI輔助案例討論式	差異
培訓方式	PPT講授3小時	案例討論 + AI批改	從被動到主動
學習深度	聽完可能還不知道怎麼做	透過錯誤學習，理解更深刻	理解vs記憶
實踐率	回去後可能忘記	經過思考，更可能實踐	知行合一

具體執行步驟

Step 1：準備案例題（培訓前1天）

把培訓資料丟進NotebookLM，請Claude生成：

「10個環境教育教學困境案例，每個案例包括：

1. 情境描述（如：學生對減塑無感、家長不支持、學校資源不足）
2. 錯誤做法示例（常見但無效的處理方式）
3. 正確做法的核心原則（但不直接給答案）」

Step 2：培訓中的互動（3小時）

• 前30分鐘：簡報核心概念
• 中間2小時：
• 分組討論案例（每組1個案例，20分鐘討論）
• 各組提出解決方案（每組5分鐘報告）
• 將方案輸入Claude，即時批改（每組5分鐘）
• Claude指出「這個方案的盲點」「更好的做法」
• 各組根據反饋，修正方案（10分鐘）
• 最後30分鐘：統整反思

Step 3：培訓後追蹤（1個月後）

請老師們回報：

• 他們實際遇到的困境
• 他們如何應用培訓所學
• 遇到哪些新挑戰

收集後再次輸入NotebookLM，分析共同模式，設計下一次培訓。

效果：

• 老師們不只「知道」怎麼做
• 更「理解」為什麼這樣做
• 透過「錯誤 → 反饋 → 修正」的過程，記憶更深刻
• 回去後更可能真正實踐

---

五、如何將這個方法整合進你的PKM系統（i-29 Lab）

建立「AI輔助學習」的標準作業流程

步驟	工具	產出	存放位置	檔案命名
1. 收集資料	網路、書籍、影片	原始資料檔	i-29 Lab / Source / [主題]	[主題]_原始資料_[日期].md
2. 建立知識地圖	NotebookLM → Claude	知識架構圖	i-29 Lab / Map / [主題]	[主題]_知識地圖_[日期].md
3. 識別學習重點	NotebookLM	重點與陷阱清單	i-29 Lab / Map / [主題]	[主題]_學習重點_[日期].md
4. 生成測試題目	Claude	自我測試題庫	i-29 Lab / Test / [主題]	[主題]_測試題_[日期].md
5. 作答與批改	自己作答 + Claude批改	錯題分析	i-29 Lab / Review / [主題]	[主題]_錯題分析_[日期].md
6. 最終整理	自己撰寫	完整學習筆記	i-29 Lab / Note / [主題]	[主題]_學習筆記_[日期].md

範例：學習「美國環教政策」的檔案結構

i-29 Lab/
├── Source/
│   └── 美國環教政策/
│       ├── EPA_政策文件_2026-02-15.pdf
│       ├── NAAEE_研究報告_2026-02-15.pdf
│       └── 訪談影片字幕_2026-02-15.txt
│
├── Map/
│   └── 美國環教政策/
│       ├── 美國環教政策_知識地圖_2026-02-16.md
│       └── 美國環教政策_學習重點_2026-02-16.md
│
├── Test/
│   └── 美國環教政策/
│       └── 美國環教政策_測試題_2026-02-17.md
│
├── Review/
│   └── 美國環教政策/
│       └── 美國環教政策_錯題分析_2026-02-18.md
│
└── Note/
    └── 美國環教政策/
        └── 美國環教政策_學習筆記_2026-02-20.md

每個檔案的內容模板

知識地圖模板

# [主題] 知識地圖

## 生成資訊
- 生成日期：2026-02-16
- 資料來源：[列出主要資料來源]
- 生成工具：NotebookLM + Claude

## 核心概念架構

### 概念1：[名稱]
- **白話解釋**：...
- **為什麼重要**：...
- **與其他概念的關聯**：...

### 概念2：[名稱]
...

## 視覺化架構圖
[可插入Mermaid圖表或手繪圖]

## 與既有知識的連結
- 與台灣環教政策的異同：...
- 與我的實務經驗的連結：...

錯題分析模板

# [主題] 錯題分析

## 題目1
**問題**：...
**我的回答**：...
**AI批改**：
- 錯誤原因：...
- 正確理解應該是：...
- 需要回去複習的資料：...

**反思**：
- 我為什麼會這樣理解？
- 我的思維盲點在哪裡？
- 下次如何避免？

## 共同模式分析
經過5題錯題分析，我發現我的共同問題是：...
這反映出我在[某個概念]的理解還不夠深入...

定期檢視與更新

• 每月一次：檢視「錯題分析」檔案，看看自己的進步
• 每季一次：更新「知識地圖」，加入新學到的內容
• 每年一次：回顧整個學習歷程，寫「年度學習反思」

這樣一來：

• 你的學習過程有跡可循
• 你可以隨時回顧「我當初為什麼這樣理解」
• 你可以分享給其他老師參考
• 你的PKM系統成為「活的知識庫」

---

六、給環境教育工作者的三個核心建議

建議1：用在「快速掌握新知」，而非「取代深度學習」

適合的情境

✅ 你要去美國參訪

• 需要快速了解美國環教政策
• 這個方法能幫你在1-2天內建立完整架構

✅ 你要推動新計畫

• 需要快速了解相關法規（如：農場經營的法規）
• 這個方法能幫你抓住重點，避開常見錯誤

✅ 你要準備演講

• 需要快速整理某個主題（如：淨零綠生活）
• 這個方法能幫你建立清晰的論述架構

不適合的情境

❌ 你要進行深度研究

• 如：寫論文、發表學術文章
• AI可以幫你建立初步架構，但深度分析還是要靠你自己

❌ 你要學習新技能

• 如：學習農場育苗技術
• AI可以告訴你原理，但實際操作還是要靠反覆練習

❌ 你要培養長期興趣

• 如：閱讀哲學、欣賞文學
• 這些需要「慢慢品味」，不適合「快速掌握」

結論：AI輔助學習是「加速器」，不是「替代品」。

---

建議2：教給學生「AI時代的學習方法」

為什麼這很重要？

未來的世界：

• 學生不需要「背誦所有知識」（AI都能查到）
• 學生需要「知道如何提問、如何思考、如何驗證」

傳統教育 vs. AI時代教育

能力	傳統教育重視	AI時代更重視
記憶	背誦大量知識	知道去哪裡找知識
理解	聽懂老師講解	能自己建構理解
應用	做練習題	解決真實問題
評估	判斷答案對錯	判斷資訊真偽
創造	寫作文、做報告	整合多元資訊，提出新觀點

你可以這樣教學生

在環教課程中，設計「AI輔助學習」單元：

第一課：如何提出好問題

• 教學生使用NotebookLM整理環保資料
• 教學生問「5W1H」問題（What, Why, When, Where, Who, How）
• 讓學生比較「好問題」vs「壞問題」的差異

第二課：如何建立知識地圖

• 給學生一個主題（如：塑膠污染）
• 教他們用AI建立「5個核心概念」的知識地圖
• 讓學生比較「AI的地圖」vs「自己畫的地圖」，找出差異

第三課：如何自我測試

• 教學生用Claude生成測試題
• 教學生自己作答，然後用AI批改
• 讓學生反思「我為什麼會錯？我的盲點在哪裡？」

第四課：如何驗證資訊

• 教學生「不要完全相信AI」
• 教學生交叉驗證（用多個來源確認資訊）
• 教學生識別「AI可能犯的錯誤」（如：過時資訊、邏輯謬誤）

效果：

• 學生學會「如何學習」，而非「學習什麼」
• 這是「後設認知」（Metacognition）的培養
• 這是21世紀最重要的能力

---

建議3：保持批判性思考，不要過度依賴AI

AI的三大陷阱

陷阱1：幻覺（Hallucination）

• AI有時會「編造」看起來很合理但實際上是錯的資訊
• 特別是在「它不確定」的時候

案例：

• 你問：「台灣在2023年通過了哪些環保法規？」
• AI可能會列出一些「聽起來很合理」但實際上不存在的法規

防範方法：

• 對於「具體事實」（如：法規名稱、數據、日期），一定要交叉驗證
• 不要只信AI，要去官方網站確認

---

陷阱2：過時資訊

• AI的訓練資料有截止日期
• 它不知道截止日期之後發生的事

案例：

• 你問：「2025年台灣的碳費政策是什麼？」
• 如果AI的訓練資料截止於2024年，它可能給出錯誤或過時的資訊

防範方法：

• 對於「最新資訊」，一定要用網路搜尋確認
• 或是直接問AI：「你的訓練資料截止日期是什麼？這個資訊可能過時嗎？」

---

陷阱3：缺乏脈絡理解

• AI可能給出「技術上正確」但「脈絡上不適合」的建議

案例：

• 你問：「如何在偏鄉小校推動環境教育？」
• AI可能給出「建置高科技環教設備」的建議
• 但偏鄉小校可能根本沒有預算

防範方法：

• 在提問時，提供充分的脈絡資訊
• 對AI的建議，用你的實務經驗判斷可行性

---

保持「70/30原則」

• 70%靠自己思考：AI只是輔助工具
• 30%用AI驗證：用AI來檢查你的思考是否有盲點

具體做法：

1. 先自己思考問題（不要立刻問AI）
2. 寫下自己的理解（用自己的話）
3. 再問AI同樣的問題
4. 比較「我的理解」vs「AI的理解」
5. 找出差異，反思原因

這樣才能：

• 保持獨立思考能力
• 不會變成「AI的傳聲筒」
• 真正理解知識，而非只是複製AI的答案

---

結語：AI時代的學習，不是「更簡單」，而是「更聰明」

這個學習方法的深層意義

這個「48小時滿分」的案例，標誌著一個重要的時代轉變：

過去的學習邏輯：

• 知識的價值在於「擁有」
• 你背得越多，你越有價值
• 考試測的是「你記得多少」

AI時代的學習邏輯：

• 知識的價值在於「運用」
• 你能用知識解決什麼問題，你才有價值
• 學習的目標是「知道如何找到、理解、應用」

這不是說「記憶不重要」，而是說「記憶的方式改變了」：

• 過去：死記硬背
• 現在：理解架構，需要時能快速提取

---

對環境教育工作者的啟示

你作為環境教育的領導者，正處於這個轉變的關鍵位置。

你可以：

1. 用AI提升自己的學習效率

• 快速掌握新領域知識
• 設計更高品質的課程
• 培訓種子教師更有效

2. 教導下一代如何在AI時代學習

• 不是「背誦環保知識」
• 而是「學會如何思考環境問題」
• 培養「提問、建構、驗證」的能力

3. 引領環境教育的典範轉移

• 從「知識傳遞」到「能力培養」
• 從「考試導向」到「問題解決導向」
• 從「個人學習」到「社群共學」

---

最後的提醒：工具會變，但學習的本質不變

AI是工具，不是目的。

學習的本質，無論在哪個時代，都是：

• 好奇心：對世界保持探索的熱情
• 批判性思考：不輕易相信任何資訊
• 持續反思：不斷檢視自己的理解
• 知行合一：將知識轉化為行動

AI可以幫你「更快建立知識架構」
但無法替代你「深度思考的過程」

AI可以幫你「找到學習盲點」
但無法替代你「克服盲點的努力」

AI可以幫你「生成測試題目」
但無法替代你「真正理解概念」

---

給你的行動建議

本週就開始試試這個方法：

1. 選一個你想學習的主題

• 可以是「農場育苗技術」
• 可以是「美國環教政策」
• 可以是「淨零綠生活的最新趨勢」

2. 用這篇文章的流程，走一遍

• 收集資料 → NotebookLM
• 建立知識地圖
• 生成測試題 → Claude
• 自己作答 → AI批改
• 反思錯誤

3. 記錄你的體驗

• 這個方法對你有效嗎？
• 哪些步驟特別有幫助？
• 哪些地方需要調整？

4. 分享給其他老師

• 在環教輔導團會議中分享
• 讓其他老師也試試看
• 一起討論如何優化

---

附錄：相關資源連結

• NotebookLM：https://notebooklm.google.com/
• Claude：https://claude.ai/
• 認知負荷理論延伸閱讀：Sweller, J. (1988). Cognitive load during problem solving
• 測試效應研究：Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning
• 你的PKM系統：i-29 Lab（持續更新中）