優學院的下一階段：把教育組學延伸到認知神經、工程、社會、DEI 與治理

已有的基礎

Uedu Cognomics 認知測驗工具箱已上線 23 項經科學驗證的認知測驗， 涵蓋執行功能、工作記憶、處理速度、流體智力與後設認知等構念； 穿戴裝置整合（Uedu Fit）與生理感知語言模型（PALM）則另有國科會計畫支持。

還缺什麼

目前的生理量測樣本數仍小，自製感測裝置尚在開發。 我們也必須誠實說明推論的限度：生理訊號能用來檢驗「認知投入」這類構念的效度， 但它不能反過來直接判讀學習者處於哪一個認知層次，更不能用來推斷情緒或壓力狀態。 這條界線我們會守著。

已有的基礎

以語言模型分析學習對話，最容易被質疑的一點是循環論證——用 AI 去評估 AI 生成情境下的學習表現。 我們的因應方式是不以 AI 檢驗 AI：另建不經語言模型的獨立測量路徑， 兩者結論一致，方予採認。人工標註的驗證工作已完成三百則規模的複核。

還缺什麼

跨學科的測量不變性尚未建立。同一套指標套用在文學院與工學院的學生身上， 是否測到同一件事，目前沒有人能給肯定的答案。這需要電腦視覺與領域偏移（domain shift） 的方法學支援，是我們正在補的一塊。

生成式 AI 把知識取得的成本壓到近乎為零，這件事的後果並不是不平等消失了， 而是不平等換了位置——從「誰能取得知識」，位移到「誰能把知識轉化為價值」。 有學科訓練的人問得出只有該領域才問得出的問題；沒有的人只能下指令。 如果這個判斷成立，那麼 AI 教育科技真正的公平性議題，不在載具的普及率，而在提問的品質。

所以我們要先回答的不是「該怎麼改善」，而是不平等現在在哪裡。 這是一個測量問題，也是我們認為自己該負責的那一段。

把不平等找出來，實際上是兩件難度不同的事。

偵測是從既有的學習歷程資料裡，看出哪些學習者從 AI 身上得到的 和其他人不一樣。這件事我們目前做得到。

鑑別困難得多：同樣一個差距，成因可能是學科訓練不足、可能是打工與家務排擠了學習時間、 可能是家庭的社經條件、可能是語言，也可能根本是我們的測量工具在不同群體之間本來就不等價。 這幾種成因指向完全不同的因應方式。鑑別不出來，任何改善措施都可能打錯目標—— 把資源投在補救學科知識，卻沒看見學生真正缺的是時間。

還缺什麼

鑑別成因的方法還在建立中。這與前一節工程方向要處理的測量不變性是同一個問題的兩面： 在能夠說「這兩群學習者不一樣」之前，得先能證明我們在他們身上測的是同一件事。

先把話說在前面：公共政策與治理規劃不是我們的專長。

我們做得到的：平台自己管得到的那一層

優學院的研究倫理採平台層級的雨傘協議（umbrella protocol）： 以單一協議涵蓋同一平台上多個子研究的核心程序，個別研究再以增修方式納入。 這是國際上生物資料庫（biobank）與疾病登錄資料庫等長期性研究設施行之有年的制度—— 這類設施的資料庫先存在、研究問題後來才產生，倫理審查因此必須針對設施本身， 而不是逐一針對每個研究問題。這不是我們自創的做法。 本平台的雨傘協議已通過國立臺灣大學研究倫理審查委員會審查（案號 NTU-REC 202507EM058）。 其下依資料性質分軌：既有的去識別次級資料方可回溯分析， 前瞻性蒐集的資料則一律須先取得知情同意，不因雨傘協議而放寬。

平台另提供AI 使用規範產生器， 協助教師為自己的課程訂出可公告、可執行的 AI 使用指引。

研究參與與課程成績完全脫鉤。學生不簽署研究同意書，或是簽了之後中途撤回， 課照上、AI 照用、成績照算，只是資料不納入研究——這段話白紙黑字寫在同意書裡。 學生要能真正說「不」，前提是說「不」不會有任何代價； 因此平台上的任何功能、文案與通知，都不得暗示研究參與會影響成績或課程權益。

我們做不到的：制度層次的回應

以上都是操作層——一個平台在自己的範圍內能夠訂出並執行的規則。 但偵測出不平等之後，真正的問題才開始：資源該如何重新配置、課程該如何調整、 哪些事該由學校做、哪些該由主管機關做、什麼樣的制度設計會讓情況變好而不是製造新的排除。 這些是公共政策層次的問題，資料分析回答不了。 我們正在尋找願意共同承擔這一部分的教育社會學研究者—— 不是擔任諮詢顧問，而是一起主持這個題目、一起提出治理規劃。