人工智慧｜高等教育｜數位教學｜大學治理｜人工智慧識讀
87% 已經在用人工智慧，只有 26% 有正式策略：UNESCO 調查 200 所大學後提醒，真正落後的可能不是工具，而是治理
UNESCO IESALC 調查 19 國 200 所高教機構：87% 已在至少一個領域使用人工智慧，僅 26% 有正式策略；治理必須追上日常使用。
鍾靜蓉｜台科大數位教育博士｜數位教學策略應用與後設數據推理分析研究者、關注人工智慧融入教學、評量、教師專業與高等教育治理
人工智慧輔助製作的概念示意圖，非現場紀實或實驗照片。
大學裡的人工智慧其實早就不是「要不要用」的問題。學生在用，教師在用，研究團隊在用，行政人員也在用。真正困難的是：當使用速度比制度快，大學要用什麼原則決定哪些可以做、哪些需要揭露、哪些資料不能上傳、哪些評量必須重新設計，以及當人工智慧出錯時，到底由誰負責？
UNESCO IESALC 與 United Nations University Institute for the Advanced Study of Sustainability 在 2026 年發布的區域研究，調查拉丁美洲與加勒比海 19 國、200 所高等教育機構。研究顯示，87% 的機構已至少在一個領域使用人工智慧，但只有 26% 具有正式 人工智慧策略。這兩個數字放在一起，比任何「人工智慧 會不會取代老師」的討論更值得注意：人工智慧已經成為日常實踐，但制度治理仍明顯落後。
這種落差會先在教室出現。教師如果沒有共同規範，只能自己決定學生能否使用生成式人工智慧。有的老師全面禁止，有的要求揭露，有的把 人工智慧 當成共同寫作伙伴，也有的根本沒有說明。對學生而言，同一所大學不同課程可能存在完全不同規則。結果不是培養 人工智慧識讀，而是訓練學生猜測每位老師的底線。
評量是第二個核心。當人工智慧可以協助摘要、翻譯、寫程式、改寫、建立簡報，傳統「回家寫一篇報告」越來越難單獨反映學生能力。這不代表所有作業都失效，而是評量要從最後成品往過程移動。教師可以要求學生保存提問歷程、比較人工智慧回答、指出錯誤、解釋資料來源、進行口頭答辯，或讓學生說明哪些部分是自己的判斷。真正要評的是推理、判準、查證與責任，而不只是文字是否漂亮。
第三是資料治理。學生把尚未發表的論文、訪談逐字稿、個人資料或研究受試者資訊上傳到外部模型，可能產生隱私與研究倫理問題。教師把全班作業丟進不明服務做自動評分，也可能造成同樣風險。因此，大學的 人工智慧策略 不能只是一張「推薦工具清單」，而要涵蓋資料分類、可用服務、敏感資訊處理、第三方合約、保存政策、資安與責任追蹤。
第四是公平。付費版人工智慧通常具有更大的上下文、更快的模型、更好的檔案分析或更多生成額度。若課程把某個高價 人工智慧 服務當成預設能力，就可能把家庭經濟差異轉成學習差異。學校若要鼓勵 人工智慧 教學，就必須同時考慮校級授權、公共運算資源、開源模型或替代方案，讓學生不是因為付不起月費而輸在起跑點。
第五是教師專業。人工智慧政策常常把焦點放在學生作弊，卻忽略教師也需要新的知識。老師必須知道模型會幻覺、搜尋與生成不同、資料可能有時效差、同一提示在不同模型會產生不同結果，也要知道什麼情況適合讓 人工智慧 幫忙、什麼情況應由人直接判斷。這些都不是一次兩小時工作坊能完全解決，而應成為持續的教學專業發展。
UNESCO 的調查也顯示，人工智慧 的採用往往是由 faculty、researchers、students 從下而上推動，而不是先有制度再使用。這其實很符合多數大學的現況：技術先進入現場，政策才追趕。問題是，政策如果只以「風險管制」回應，就會跟使用者形成對立；如果完全放任，又會讓責任模糊。比較好的治理方式，是把第一線使用經驗納入規則制定。
這就是雙向知識可以切入的地方。校級治理掌握法規、資安、採購、學術倫理與品質保證；教師與學生掌握每天實際發生的使用情境。政策應該從這兩端往中間建立。比如說，學校可以設定不可上傳的敏感資料底線，同時讓各學科依自己的教學目標決定 人工智慧 可使用程度；可以建立共同揭露格式，但不要求所有課程使用同一種作業模式。
對原住民與文化知識課程而言，人工智慧治理還多一層。不是所有可數位化的知識都適合無差別輸入公共模型，也不是所有文化資料都能只用一般著作權框架理解。若大學未來建立自己的校內知識檢索系統、知識機器人或教學模型，應把知識來源、詮釋權、地方脈絡與資料治理寫進系統設計。這並不是阻止人工智慧使用，而是讓人工智慧知道資料不是沒有歷史、沒有關係的碎片。
人工智慧也能反過來改善教學治理。例如，校方可分析匿名化的課程設計需求，辨認哪些學系最需要 人工智慧識讀 支援；教師可以用人工智慧建立不同程度的練習，再由自己審核；學生可以要求模型提出反例、查證來源或模擬不同角色觀點。關鍵不是把判斷交給模型，而是把模型變成促使人更清楚表達判準的工具。
87% 與 26% 的差距，因此不是一個「落後地區」的故事，而是一面全球大學都該照的鏡子。當使用已經普及，真正的數位成熟度不再是「我們有沒有導入 人工智慧」，而是「我們是否知道為什麼用、誰負責、資料去哪裡、如何評量、如何讓所有人都有公平的使用條件」。
下一階段的大學人工智慧競爭，很可能不只比誰買到更新的模型，而是比誰能建立更好的治理。好的制度不會把創新全部鎖住，也不會把所有風險丟給個別教師。它會讓學生知道界線、讓教師保有教學專業、讓行政單位可以追蹤風險，也讓不同文化與知識體系在數位化過程中保有自己的位置。當人工智慧從工具變成基礎設施，大學真正需要升級的，正是這種共同決策能力。
正式策略要能回答日常的細節
有正式策略不等於多一份宣示文件。它至少應讓教師、學生、研究者與行政人員知道：哪些用途被允許、哪些作業需要揭露、哪些資料不可上傳、使用第三方服務時誰負責審查、出現錯誤或爭議時如何申訴，以及多久檢討一次。不同領域的答案不必完全相同；程式設計、設計、語言、臨床、法律與田野課程的學習目標不同。但共同底線應透明，才能避免學生只靠猜測不同教師的規則，也避免教師獨自承擔平台風險。
評量設計是最需要共同討論的部分。若只用禁止，工具仍會在私下使用；若只看產出，又難以分辨學生學到了什麼。較可行的做法包括要求說明使用範圍、保留查證與修訂紀錄、在課堂安排口頭說明或實作、讓學生比較不同答案的證據，並把判讀、引用、資料保護與反思納入成績。這不是把所有課程都改成技術課，而是把學術誠信從「有沒有碰工具」改為「能否誠實說明自己的工作、判斷與責任」。
原住民知識與文化資料更需要明確的治理程序。大學即使擁有掃描檔、訪談逐字稿或研究資料，也不當然取得把它上傳、再訓練或公開檢索的權利。課程與研究系統應標示來源、授權範圍、保存期限、可否二次使用和如何提出撤回；遇到不確定的材料，先詢問知識持有人與適當的治理單位，而不是把可技術處理誤當成可倫理使用。人工智慧可幫助建立有界限的練習與查證流程，但不能替代人對關係、同意和詮釋權的判斷。
原傳媒AI｜依你的角色繼續追問
選擇你的角色，查看依職責設計的後續追問。
資料來源與延伸閱讀
角色驅動追問
原傳媒AI｜依你的角色繼續追問
先選擇角色，再閱讀該角色可能提出的完整問題；點選後，原傳媒AI 會以逐字顯示方式呈現完整回覆。
先選擇角色
大學教師觀點
從「大學教師觀點」的責任與工作情境，檢視本文證據、限制、治理邊界與可執行步驟。
再選擇問題
AI 使用與內容安全揭露
本文依官方與研究來源整理；已知事實、尚待確認內容與延伸分析分開說明。封面為人工智慧輔助概念示意圖。
Newsletter
喜歡這篇文章？
訂閱原傳媒AI電子報，每日接收AI、傳統知識與雙向知識更新。