Educational Omics 教育資料湖：多模態科技輔助學習基礎建設

教學問題

傳統的數位學習系統僅能擷取有限的學習痕跡 — 考試成績、平台使用記錄、問卷回覆。 這些狹隘的指標無法捕捉學習過程的複雜性，特別是認知、情緒與生理狀態之間的交互作用。 教育者與研究者缺乏全面的資料來設計適性化介入、全面評估學習成果， 以及建構能回應多元學生需求的韌性系統。

更關鍵的是，這些異質性的資料流散落在不同的系統中 — 語音轉錄、穿戴裝置的生理數據、環境感測器的讀數、AI 對話紀錄 — 缺乏統一的整合架構，使得跨模態的學習分析在技術上與方法論上都面臨重大挑戰。

研究方法

本研究借鑑生命科學中「組學（Omics）」的整合典範 — 如同基因組學與蛋白質組學提供生物系統的全景視圖 — 提出 Educational Omics 框架，將教育數據整合為六個相互關聯的維度：

• Cognomics（認知組學）：學習軌跡分析、AI 對話推理痕跡、Bloom 認知層次評估
• PhysioNeuromics（生理神經組學）：心率變異性（HRV）、睡眠模式、壓力指標、腦波（EEG）
• Sociomics（社會組學）：討論區互動、協作學習模式、同儕回饋網絡
• Environomics（環境組學）：教室溫度、光照、噪音、空氣品質
• Linguomics（語言組學）：語音轉錄、語意分析、多語言對話結構
• Ethicomics（倫理組學）：知情同意、隱私保護、AI 偏誤檢測、學術倫理教育

在系統架構上，Educational Omics Data Lake 採用五層設計：

• 資料擷取層：從多元來源同步收集資料（課堂轉錄、穿戴裝置、IoT 感測器、AI 對話）
• 資料整合與同步層：時間戳對齊與多模態同步，將不同時間解析度的資料統一
• 資料湖儲存層：支援結構化、半結構化與非結構化資料的統一儲存，支持 schema-on-read
• 分析與建模層：學習分析、MMLA、數位雙生（Digital Twin）建模
• 應用與回饋層：教師儀表板、學生個人化回饋、研究者資料匯出

此框架透過 Uedu 平台實作，並在 Python 程式設計通識課程中進行案例驗證。

主要發現

• 學生端：學生將生成式 AI 工具（QuizGPT、Uedu MyGPTs）描述為最具支持性的學習資源， 幫助他們克服除錯困難、釐清艱深概念、建立知識遷移的信心。 一位學生成功開發了跨平台示波器自動化介面，AI 在整個開發過程中扮演「問題解決夥伴」的角色。
• 跨課程採用：在六週觀察期間，生成式 AI 工具被廣泛應用於語言寫作、教育學、 經濟學、歷史學與工程學等多元學科。部分課程將 AI 工具融入日常學習，部分則以較實驗性的方式探索。
• 教師角色：教師主動引導 AI 使用的課程展現更穩定的參與度， 而學生自行探索的課程則呈現更大的使用變異性。顯示系統的成效不僅取決於技術可及性， 更受到教學設計的中介影響。
• 資料湖驗證：框架成功整合多模態資料，驗證了 Omics 架構作為 可持續、數據驅動的教育轉型基礎建設的可行性。

對教學的啟示

教育不再只看考試成績。Educational Omics 提出了一個根本性的觀念轉變： 就像生物醫學透過基因組學理解生命，教育也可以透過「教育組學」全面理解學習。

對教師而言，這意味著可以從認知、語言、生理、社會互動、環境與倫理六個面向全面了解學生。 一個壓力指數偏高的學生，可能同時在對話中展現焦慮的語言模式、在嘈雜的環境中學習 — 只有整合多模態數據，才能看見這些關聯。

Educational Omics Data Lake 是 Uedu 平台的核心理論基礎與技術架構， 支撐著平台上所有功能的資料收集、分析與研究。