Physiologically-Aware Language Models — 讓 AI 助教理解你的身心狀態。 當你開啟對話時，系統會根據你的睡眠、壓力、心率變異性等生理數據，自動調整 AI 的回應方式。
教育科技的每一次演進，都在擴展 AI 對學習者的理解
內容數位化
AI 知道學生的回答：答對或答錯、花了多少時間。學習從教室延伸到螢幕前。
裝置與行動力
AI 增加了裝置感知：螢幕大小、網路環境、互動模式。學習不再被桌面電腦綁住。
環境脈絡感知
AI 知道環境：位置、時間、溫度、社會脈絡。學習情境開始被理解。
具身脈絡感知
AI 終於感知到學習者的身體：自律神經狀態、睡眠品質、壓力軌跡。學習者本身被理解。
u-Learning 問的是「學生在哪裡？」 → PALM 問的是「學生怎麼了？」
三個步驟，讓 AI 助教成為一位理解你的學習夥伴
你的穿戴裝置（如 Garmin 手錶）在日常生活中自動記錄睡眠、心率變異性、壓力指數等生理數據，並透過 Webhook 同步到 Uedu 平台。
系統以你過去 30 天的數據建立個人基線，透過 z-score 偏移偵測，判斷今天的身心狀態是否異於平常，例如「睡眠比平時短」或「壓力偏高」。
當你向 AI 助教發問時，你的生理狀態會注入到 AI 的系統提示中。AI 會據此調整語氣、篇幅與策略 — 例如壓力高時放慢節奏，睡眠不足時精簡回答。
從穿戴裝置原始數據到 AI 助教行為調適的三階段管線
不同穿戴裝置使用不同的資料格式與取樣頻率。抽象層將 Garmin、Apple HealthKit、Google Health Connect 的異質資料正規化為統一 schema。
每個人的「正常」不同 — RMSSD 40ms 對 A 同學可能代表良好狀態，對 B 同學卻是壓力訊號。系統用你自己的歷史數據定義你的正常。
PALM 最獨特的設計：用自然語言（而非數值規則）作為生理訊號與 AI 行為之間的橋樑。LLM 天生擅長理解語言指令。
系統偵測到這是深夜時段，你今天的壓力指數高於平常。
昨晚只睡了 4.5 小時（比平常少 2 小時），HRV 偏低，Body Battery 剩餘 20%。這些資訊被注入 AI 的上下文中。
回答更精簡、重點更明確，語氣更溫和。不會直接說「你該去睡覺了」，而是在對話中自然地關懷你的學習狀態。
學生問：「可以幫我理解遞迴嗎？」— PALM 根據生理狀態調整教學策略
蘇格拉底式提問：「當一個函式呼叫它自己的時候，會發生什麼事？」鼓勵自主探索與思考。
直接說明：「遞迴就是一個函式呼叫自己來解決更小的子問題。」簡潔明瞭，並建議稍後再深入。
微步驟引導：「我們一步一步來。」用具體範例拆解，搭配鼓勵語氣，降低認知壓力。
維持預設模式：交感神經活化可能來自運動後的生理反應。交叉比對活動數據後，系統選擇不介入。
PALM 整合多項生理指標，建立全面的身心狀態圖像
時長、深淺層、REM、品質分數
心率變異性，反映自律神經狀態
全天壓力指數平均值
身體能量儲備指數
步數與每日活動
基礎心跳速率
PALM 的每個設計決策，都以學習者的福祉為優先考量
PALM 不會發送通知告訴你「你該休息了」。關懷是透過 AI 助教的對話語氣、回答長度、策略調整來自然傳達的 — 你可能不會察覺，但你會感受到對話更貼近你的需要。
生理數據僅用於即時調整 AI 回應策略，不會被儲存在對話紀錄中。AI 不會主動向你提及具體數據，除非你主動詢問。數據處理遵循研究倫理規範。
每個人的「正常」不同。PALM 用你過去 30 天的數據建立個人基線，用統計偏移（z-score）判斷今天的狀態，而非使用一刀切的絕對閾值。
如果暫時沒有生理數據（例如忘記戴手錶），AI 助教仍會正常運作。PALM 是一層額外的感知能力，不是對話的前提條件。
PALM 的設計必須在技術可行性與倫理責任之間取得平衡
Invisible Care 是 PALM 最大的優勢，也是最大的倫理挑戰。系統「知道」學生的健康狀態，卻不讓學生察覺。因此，透明的知情同意至關重要 — 學生必須明確知道生理數據可能影響 AI 的回應方式。
學習者應有權決定生理數據是否影響 AI 行為 — 即使已同意資料收集。例如，學生可以同意提供數據供研究使用，但選擇讓 AI 助教不受其影響。PALM 的模組化架構支援這種彈性。
每個人的生理節律不同。每晚睡 6 小時的學生可能表現完全正常，但系統若依群體標準判斷，可能錯誤地標記為「慢性睡眠不足」。個人基線方法正是為了避免這種以群體定義個人的問題。
如果只有戴智慧手錶的學生才能獲得更好的 AI 支持，就會形成兩級制教育。PALM 的應對策略：手機 PPG 估算 HRV、行為訊號（打字節奏、回應延遲）作為替代輸入，確保所有學生都能受益。
統一健康摘要層，讓不同裝置的使用者都能受益
透過 Garmin Health API Webhook 自動同步，支援 Forerunner、Venu、Fenix 等系列
透過 Uedu App 讀取 iPhone / Apple Watch 健康數據
透過 Uedu App 讀取 Android 裝置的統一健康資料
PALM 開啟的研究議程，從實證驗證到教育系統的根本轉型
透過 within-subjects crossover 設計，同一群學生交替體驗 PALM 和標準 AI 助教，量測感知同理心、互動品質、認知投入與學習成效。關鍵問題：學生是否察覺到適性化？生理監測本身是否改變行為？
當一堂課中多數學生同時出現交感神經活化升高與 HRV 下降 — 代表集體認知超載 — 系統可以提示教師：「教室壓力指標偏高，建議暫停或切換教學策略。」PALM 從個人助教擴展為課堂層級的教學感測器。
在東亞教育場域中，生理監測可能被視為學校的關懷；在北歐脈絡中，同樣的系統可能被感受為監控。需要跨越至少三個文化脈絡（東亞、歐洲、美洲）的多站點研究，才能確保 PALM 的設計原則具備跨文化有效性。
5 年內：消費級 EEG 耳機與附帶眼動追蹤的智慧眼鏡，將增加認知負荷與注意力指標。10 年內：感測可能嵌入家具、衣物，學習者無需穿戴任何裝置。PALM 的架構設計為可擴展，隨感測技術進步而增長。
PALM 是 Uedu Mind 子系統的核心技術，屬於 Educational Omics 架構中 PhysioNeuromics（生理神經組學）維度的應用。 我們探索生理數據如何讓 AI 助教更好地理解學習者的狀態，從而提供更具同理心的教學支持。