誰還願意寫一本中文版教科書？

本文獲邀刊載於「信報教育」(2026.09.02) 

資料來源：作者攝於紀伊國屋書店梅田本店

偶然間因為公務，拜訪一位大學電機系教授。談話間，他忽然話鋒一轉，把話題導向一個看似普通的問題：大學上課使用的教科書，究竟是誰寫的？

以筆者的求學經驗來看，多半是國外學者，其中不乏該領域的權威。

這原本不是壞事，理工科知識具有高度國際性，使用英文原版教科書，可以及早接觸通用的專業語彙、理論與研究脈絡。許多經典教科書歷經多次改版，內容通常較一般教師自行整理的講義完整。

不過，教授真正想了解的，不是大學生為什麼要讀原文書，而是當本地學界與產業已累積大量研究及實務經驗，為什麼仍然很少有人把這些知識整理成一本書，交給下一代？

這番話使筆者想起自己的求學經驗。當年系上的必修課，幾乎都使用厚重的英文原版教科書。各科書名如今已記不清楚，唯獨有一本《機械材料》是中文書，作者還是系上的名譽教授。

年輕時的筆者並沒有覺得這本書特別珍貴，反而很自然地猜想，系上採用它，多少帶有「支持自己人」的意味。這只是當時身為學生的揣測，未必符合實際情況。不過，從大學一路念到博士，筆者幾乎未再見過必修課選擇本地學者撰寫的中文教科書。

一本中文版教科書的價值，不只是讓學生少查幾次字典。寫教科書也不等於把英文翻譯成中文，而是要重新決定一門學問的入口、次序與邊界：哪些觀念不能省略，哪些名詞應該如何解釋，該引用哪個本地的合適案例，幫助學生理解生硬的內容。

一篇論文通常把一個問題往前推進；一本教科書卻要把許多零散的研究成果與教學經驗，整理成讓初學者得以進入這門學問的知識體系。前者追求研究創新，後者處理知識傳承。

問題是，在現行的學術制度中，相較於可量化的論文、研究計劃金額與引用次數，寫教科書需要投入大量時間，成果卻不容易立即被看見。一本書寫完後還要持續修訂，否則很快便可能跟不上技術變化。能夠寫的人，往往也是研究、教學與行政工作最繁重的人。

於是，最懂的人不一定有時間寫；等到有時間，可能又缺少體力、編輯支援，以及「有人需要這本書」的感覺。許多知識最後留在教授的記憶、研究成果與個人經驗之中，隨着退休逐漸消逝。

這不代表大學應該全面改用中文教材，專業學習本來就需要跨越語言藩籬，學生也不宜失去直接閱讀國際文獻的能力。真正的問題是：除了採用風行全球的原文經典，我們有沒有能力把自己的經驗，也整理成下一代可以學習的形式？

多年後重新想起那本《機械材料》，筆者反而覺得，即使當年的選書確實帶有支持系內前輩的意味，也未必全然是壞事。因為這至少表示，當時還有人願意停下來，把自己理解的學問重新整理一次，替後來的學生鋪出一條路。

如果大學只獎勵走到最前面的人，卻很少獎勵願意回頭鋪路的人，那些在專家眼中不言而喻、對初學者卻無從得知的普通常識，便很難轉化為共同知識。長遠而言，流失的恐怕不只是幾本中文版教科書，而是一個社會讓專業經驗得以代代累積的能力。

AI教育下一課：學校還保有多少選擇？

本文獲邀刊載於「信報教育」(2026.08.12) 

資料來源：作者攝於新玉堂書局

近年來各地學校都在加速導入人工智能(AI)，教師利用生成式AI製作教案、簡報，行政人員以AI處理會議紀錄，更有學校甚至把AI應用延伸到校務分析、課程規畫及學生自主學習。

如果幾年前的問題是「學校要不要使用AI」，那麼在AI進入教育現場後，這個問題已逐漸失去討論的意義。真正值得討論的反而是：當AI從偶爾使用的工具，逐步成為學校日常運作的一部分，我們是否也陷入另一種新的依賴？

問題未必出在AI本身，許多學校往往在工具快速增加之後，才開始思考系統之間是否互通、學生資料能否轉移，以及若未來想更換系統，究竟要付出多少成本。

AI教育下一階段需要處理的，或許不是工具的軍備競賽，而是建立一套更清楚的導入原則。

先診後藥（Problem before Product）

教育科技很容易陷入一種迷思，一套系統可以生成教案、整理簡報、批改作業、帶來學習洞察；另一套又增加行政管理、親師溝通或個人化學習。功能愈來愈多，學校也很容易從「我們有什麼問題」轉向「這套AI還可以幫我們做什麼」。

如果先從產品出發，學校可能不斷尋找使用場景；如果先從教育問題出發，則必須先回答：目前哪一個工作流程真的出了問題？AI介入之後，希望改善的是時間、品質、學習效果，還是教師負擔？要用什麼證據判斷改善真的發生？

AI教育應優先遵循Problem before Product，不是因為一項工作可以使用AI，就代表它必須使用AI。工具選擇之前，應該先完成問題定義。

可攜為先（Portability before Personalization）

AI教育另一個常見願景，是「個人化學習」。

理論上，學生累積的資料愈多，AI便愈能理解其學習歷程、能力差異與需要。不過，這個願景有一個經常被忽略的前提：資料必須能夠持續累積，而且不同系統之間至少要有一定程度的互通。

問題是當不同科目、年級與學校採用不同AI系統，每一套系統都可能使用不同賬戶、資料格式與儲存方式。學校看似累積了大量數位資料，實際上卻可能形成一座又一座彼此分離的資料孤島。

這會產生一個弔詭：AI用得愈多，資料可能愈多；但資料愈多，卻未必愈能拼湊出完整的學習歷程。

換言之，在談個人化之前，應該先處理可攜性的問題。學生轉校時，資料能否帶走？學校更換系統時，過去數年的紀錄是否仍可使用？系統停止服務時，資料能否以通用格式保存？如果這些問題沒有答案，所謂「個人化學習」很可能只是特定系統內部的個人化，而不是學生真正可以持續擁有的學習歷程。

未思退 勿輕進（Exit before Entry）

AI系統真正的成本，往往不是第一年的採購價格。一套系統使用愈久，學校投入的便不只是授權費，還包括教師培訓、學生使用習慣、行政流程，以及多年累積的資料。當這些投入逐漸形成慣性，即使後來出現更合適的系統，更換系統也可能變得愈來愈困難，這即是教育科技最昂貴的「退出成本」。

這意味着，學校採購AI時，不應只問它今天具備什麼功能，也應該及早思考一些更重要的問題：資料可以完整匯出嗎？採用什麼格式？轉移到其他系統需要多少成本？停止服務後資料如何處理？不用這套工具之後，原有教學與行政流程還能不能運作？

換句話說，AI教育需要第三個原則：Exit before Entry。如果一套系統連如何退出也說不清楚，學校或許還沒有準備好讓它進入核心流程。這並不是反對長期使用某套系統，而是要求學校保留改變決策的能力。

AI成熟度也可用「選擇權」衡量

我們很容易用AI工具的數量衡量一所學校是否創新：教師用了多少工具、學生完成多少AI作品、有多少行政流程開始自動化。另一種AI成熟度可能更值得注意：學校在導入科技之後，還剩下多少選擇？

今天可以採用，明天也可以更換；資料可以累積，也可以帶走；科技可以改變工作流程，但學校不必因此永久依賴特定系統。

所以，AI教育真正需要建立的，未必只是更快的採用能力，而是更好的判斷與修正能力。

教育界正在快速學習如何使用AI，真正的考驗也許不是再學一套新工具，而在於確保使用科技之後，我們仍然有能力改變方向。

流程都run了，組織為何還是不敏捷？

資料來源：Scrum.org

每週開始前，團隊把工作排得整整齊齊；每天早上，所有人輪流報告進度；隔一段時間，再展示成果、檢討問題。白板上貼滿任務，會議一場也沒少，主管看起來也隨時掌握進度。

奇怪的是，產品依舊延遲交付，使用者反映的問題仍然沒解決；遇到意外，團隊第一個反應仍是等待主管指示。

這正是《殭屍Scrum生存指南》所描述的情境：一套原本要讓團隊先做一小步、取得回饋，再自行修正方向的工作方法，最後只剩下會議、表格與固定動作。外表還在活動，內部的學習能力卻已奄奄一息。

當開會變成「證明有做事」

流程原本是為了讓問題早點浮現，最後卻被用來證明大家都有做事。

每天的短會，本來應該協調障礙、互相支援，後來變成逐一向主管報告；成果展示，本來應該邀請使用者檢驗方向，後來只剩製作精美的進度簡報；檢討會本來應該追問工作方式哪裡出了問題，最後卻只敢討論「下次準時一點」之類無傷大雅的小事。

每場會議都如期開完了，真正困難的問題卻沒有進入決策。

組織想要敏捷，管理者卻想要確定

所謂敏捷，不是把人催得更快，而是發現方向錯誤時，能更快調整決定。

但許多組織導入新方法時，仍捨不得放下舊有的控制習慣：工作最好事先全部排定，進度最好能精確預測，重要判斷仍由上級牢牢掌握。團隊可以自行決定先做甲或先做乙，卻不能質疑甲乙是否都不值得做；可以討論如何如期交差，卻不能追問交出去的東西，究竟解決了誰的問題。

組織接受了敏捷的外表，卻拒絕它真正的要求：承認原先的判斷可能錯誤，讓第一線根據新證據調整方向，容許小規模試錯。

流程愈完整，問題反而愈安全

殭屍化最危險之處，不是大家看不見問題，而是組織擁有一套完整流程，可以不斷證明「問題已經處理過了」。會議開過、紀錄留下、責任分派，於是所有人都能安心回到原來的做法。

判斷一個團隊是否敏捷，不必先盤點開了多少會。只要問三件事：最近一次使用者回饋，改變了哪個決定？第一線發現問題時，有多少事情不必等待批准？上次檢討之後，究竟試了哪一項不同的做法？

如果答案都是「沒有」，流程再完整，也只是把僵化管理包裝得更現代。

真正的敏捷，是縮短「發現錯誤」到「改變決定」之間的距離。流程若不能讓壞消息進入決策，就不再是修正工具，而是拒絕修正的保護殼。