教育工作者該怎麼把 AI 放進教學工作，又保留自己的教學判斷？
AI Fluency for pK–12 educators 用 Delegation、Description、Discernment、Diligence 組成的 4D Framework，帶著教育工作者從差異化教材、學生資料到真實任務跑完一輪；課程以 Claude.ai 為例，但資料處理仍要依學區核准工具與適用規範決定。

前兩天的課程分別從建構者的角度談 AI 協作，再往回拆 4D 框架。今天同一套框架進到教室：面對學生、家長、同事和學校規範，哪些事情可以請 AI 幫忙，哪些判斷仍要留在教育工作者手上？

我打開 AI Fluency for pK–12 educators 時，最先注意到的不是某個 Prompt 技巧，而是課程一直把「教學現場」放在 AI 前面。先說清楚自己的價值觀、學生與限制，再開始談工具能做什麼。

課程資訊一覽

官方希望學習者最後能完成七件事：理解 AI Fluency 和 4D 框架、建立可重複使用的情境文件、掌握生成式 AI 的能力邊界、用描述—辨別循環製作差異化教材、用委派—審慎循環處理學生資料與倫理灰色地帶、寫出個人 AI 價值文件，最後在自己的真實任務上跑完端到端 4D 工作流程。

課程合作

1. How this course was made（本課程的製作方式）

Teach For America 是一個教育領導力發展組織，課程頁面提到它的校友網絡超過 72,000 人。TFA 在這門課裡提供真實的課堂案例，用教學專業檢查教材，也找教師試行練習並收集回饋。

這個合作背景解釋了課程為什麼反覆回到學生、家庭、同事與學區規範。它談 AI 的時候，旁邊一直放著教室裡真正會遇到的責任關係。

Introduction and AI Fluency framework（簡介與 AI Fluency 框架）

2. Welcome to AI Fluency for educators（歡迎來到 AI Fluency 教育工作者課程）

課程把 AI Fluency 定義成以有效、高效、合乎道德且安全的方式使用 AI 的能力。它由技能、知識、洞見與價值觀組成；其中價值觀很重要，因為同一個工具放進不同的教學目標，可能會得到完全不同的使用方式。

第一個練習很簡單：選一個 AI 工具，登入並開啟對話。這個動作讓課程從抽象框架回到實際操作，也提醒學習者，後面所有練習都要在工具裡驗證，不能只停在概念上。

3. The 4D Framework（4D 框架）

4D 分成兩個互相連動的循環：委派—審慎循環處理「何時、該不該用 AI，以及誰負責」；描述—辨別循環處理「怎麼和 AI 來回，讓結果逐步接近需求」。

課程把這四項能力接到教育工作者原本就會做的事：描述接近課程規劃時定義產出與成功標準，辨別接近評估教材與學生作業。練習的重點，是把這些判斷明確寫出來，讓 AI 成為新的協作者。

第一份長期使用的產出是「情境文件」。它從自己的價值觀開始，接著寫角色、學生、教學目標、限制條件，以及 AI 可以和不可以參與的地方。與 AI 對話時不能放入可識別學生身分的細節；完成後再檢查文件裡哪些內容屬於四個 D。

4. Explore!（探索！）

這是一個互動工具，不是影片。它把 4D 拆成 24 項可觀察的指標，每項都有教育工作者口吻的範例，以及兩個可以立刻嘗試的行動。

這張清單的價值，在於它把「我有好好使用 AI 嗎？」拆成可以觀察的行為。例如來回超過三次還沒有進展，就停下來重新界定需求；上傳學生資料前移除姓名、學號與 IEP／504 狀態；公開內容前思考學生、家庭或同事可能怎麼誤讀。

How AI works（AI 如何運作）

5. AI capabilities and limitations（AI 能力與限制）

這堂用一個教育工作者熟悉的方式測試 AI 邊界：挑一個自己熟到能抓錯的主題，請 AI 分別向小二生、七年級生和新老師解釋；再請它推薦具體資源，抽查資源是否真的存在；最後問一個有時效性或地方性的問題，再請它釐清常見誤解。

課程給的委派判準很實用：把 AI 的速度、規模與模式整理能力，接到人的批判性思考、教學判斷、創造力與道德監督。測試 AI 的目的，是知道哪些地方可以讓它先做，哪些地方要保留自己的驗證。

Using AI responsibly（負責任地使用 AI）

6. Creating high quality AI outputs（創造高品質的 AI 輸出）

Okafor 女士是一位七年級科學教師。她要用 AI 為閱讀程度不同的學生草擬差異化資訊性文本，再逐步檢查與修訂。這個案例把描述—辨別循環變得很具體：先把學生需求與教學情境說清楚，收到產出後檢查內容，再用具體的修訂要求進入下一輪。

課程提供四個檢查問題：

1. 內容對學科領域而言準確嗎？
2. 程度與詞彙是否適合學生，且有支援關鍵概念？
3. 內容是否符合學生使用它的方式與課程方向？
4. 對特定學生而言，有沒有可能造成不良影響？

我在練習裡請 AI 為三到六歲幼兒建立英文 A–Z 動物或水果單字表，每個單字不超過六個字母。第一版看起來很完整，逐字母檢查後才發現 Iguana、Newt、Quail、Ugli、Viper 和 Yak 對幼兒太冷門，Ice、Nut、Vole 又不符合動物或水果條件，Ox 甚至不是 X 開頭。

下一個 Prompt 於是改成只重做問題字母，其餘內容保持不變；同時補上「提供兩個候選」「附中文與教學理由」「找不到合適答案時直接說明，不要硬湊」等條件。這次練習讓我看到，描述越完整越有幫助，辨別仍然要逐項發生。

7. Ethics & responsible AI use（倫理與負責任的 AI 使用）

這堂把委派—審慎循環放進學生資料的情境。委派是在一開始決定什麼可以交給 AI、什麼要留給自己；審慎則包含驗證、透明說明，以及對結果負責。

課程明確提醒，像 FERPA 這類資料保護規範也適用於 AI 工具。涉及學生資訊時，只能使用學區核准的工具；即使去識別化，姓名、學號、健康狀況、情緒資料，以及小班級裡的性別比例，都可能讓人重新推回個人身分。目前學區核准工具仍待向學校資訊人員或學區確認；確認前不把學生資料輸入任何工具。

課程列出六項教育現場的倫理張力：

我選擇先處理依賴性與偏見：不把課堂小結或學生推論過程交給 AI，教材與資料整理可以請 AI 協助，但要要求它列出可能的偏見，再由人檢查人物和例子。如果不確定某項使用方式是否合乎倫理，先暫停，查學區指引、問同事，再決定是否試行。

8. AI's constitution, pedagogy, and you（AI 的憲法、教學法與您）

這堂是這門身分別課最獨特的內容。它談不同 AI 模型為什麼可能有不同個性，也提醒教育工作者先寫清楚自己會和不會用 AI 做什麼。

課程最有力的一句話是：「AI 不是教學法——您才是。」 教學目標、價值觀和學生關係仍由教育工作者掌握，模型的個性只能影響協作方式，不能代替教學判斷。

練習是把前面建立的情境文件與倫理承諾整理成個人 AI 價值文件，分成三塊：

我在初版裡寫「不提供個人資料給 AI」，同時又想請 AI 分析學生的成績、情緒、身高體重與健康狀況，兩者放在一起很快就互相衝突。修訂後改成群體層級的前後比較，先去識別化、設定最小人數門檻，健康與情緒資料只在學區核准的工具裡處理；發佈前仍由自己確認資料與課堂理解一致，並為結果負責。

Putting it all together（整合應用）

9. Tying it all together（將一切整合起來）

最後的端到端練習要求挑一項接下來一兩週內到期的真實任務，先寫下「完成」長什麼樣、AI 能協助哪裡、哪些仍由自己負責，再邊做邊記錄五件事：要求怎麼寫、產出哪裡正確或薄弱、保留與修改了什麼、加入了哪些只有自己能提供的內容，以及是否願意在成果上署名。

這裡的 4D 不會每次都按照固定順序走。影片裡的圖讓我更容易理解：4D 有圓形的循環，也有連接 Description 與 Discernment 的對角線。講者會先處理一個環節，再處理下一個；發現上游需要調整，就回頭處理另一個。修改委派，可能牽動辨別；修改描述，也可能讓審慎條件跟著改。

這代表 4D 不能當成一次填好、套用所有任務的固定規則。每個任務的條件不同，第一版的 Prompt 也不會一次就把四個 D 建立完整。AI 可以先幫忙找材料、整理資訊和發想方向，接下來仍要由人閱讀第一版，慢慢把這個循環修到適合當下工作的狀態。第一版可以先完成大部分工作，但這裡的「大部分」是我自己的約 60% 到 70% 估計，剩下的閱讀、補充、驗證與取捨才是人要接回來的部分。

課程用一個很生活化的例子提醒這件事：AI 排出下午 4:30 的課，邏輯上看起來通順，然而那個時段根本沒有課。只有熟悉現場的人能抓到這個落差。審慎就發生在逐字閱讀、確認脈絡、檢查用詞，最後願意署上自己的名字。

Conclusion and badge（結語與徽章）

10. Closure and enrichment（結語與延伸）

結尾把問題從「怎麼完成一項任務」推進到「我真正想解決什麼問題」。課程建議先用三個句型找問題：我希望什麼存在？我花太多時間做什麼？我希望有一種方法可以做什麼？接著做第一版，通過四個 D 的檢查，再依發現迭代。

TFA 的學員作品也把這個方向具體化：

完成課程後可以取得徽章，和學校社群開啟 AI Fluency 的對話。課程也把下一步指向 Anthropic 的 AI Fluency: Framework & Foundations，讓教育工作者在需要時回頭補更完整的框架內容。

課程練習地圖

把十堂課的練習放在一起看，它們共同累積出一份可反覆使用的工作脈絡：

這條練習鏈也說明了課程和一般 Prompt 教學的差異：Prompt 只是工作流程中間的一段，前後還有價值觀、資料邊界、受眾脈絡、驗證方式與發布責任。

Course Quiz（課程測驗）

有 8 題。官方頁面本身是繁中，以下保留實際題目與正確答案。

1. 以下哪項任務最適合讓 AI 參與？

答案：產生不同難度等級的練習題。

2. 一位國中數學老師希望 AI 協助建立差異化練習題。以下何者是「描述（Description）」的最佳範例？

答案：老師寫道：「為六年級學生建立 10 道關於比例的應用題，分三個難度等級。使用烹飪和運動等真實情境。避免使用金錢情境，因為我們上週已經教過了。」

3. 在將學生表現資料輸入 AI 工具之前，根據《家庭教育權利和隱私法》（FERPA），哪項行動最能保護學生隱私？

答案：將學生姓名和 ID 替換為您自行掌控的隨機指定代碼。

4. 一位四年級老師收到一份 AI 為其班級產生的書單。「辨別（Discernment）」看起來會是什麼樣子？

答案：他確認書名確實存在，並移除不適合他的學生和／或內容的書籍。

5. 一位高中老師正在準備一個單元。以下何者最能描述「委派（Delegation）」的行為？

答案：老師讓 AI 產生理解測驗和詞彙表，但決定自己撰寫反思提示。

6. 什麼是 AI 流暢度？

答案：有效率、有效果、合乎倫理且安全地使用 AI。

7. 一位學校輔導員使用 AI 草擬一封關於即將到來的活動的家長信。以下何者最能代表「勤勉（Diligence）」？

答案：她核實日期，仔細閱讀並在寄出前自行做出任何修改，並對最終信件負責，同時揭露她使用了 AI。

8. 以下何者「不是」本課程撰寫當時現有生成式 AI 模型的限制？

答案：LLM 無法創造新資訊，只能分析現有資料。

小結

我原本把 AI 想成降低心智負擔的工具，也是可以一起討論的思考夥伴。這門課讓我重新理解 4D 的「循環」：它有外層和內層，也有對角線的交叉修正。第一版不會一次完成，更不會直接成為所有任務都能套用的最終版；每次工作的條件不同，都要依照新的發現繼續迭代。

AI 很適合幫我找材料、整理資訊和發想靈感。材料攤在桌上之後，我要決定哪些值得留下、怎麼組織成課程，以及哪些地方需要改成更適合學生的例子。第一版產出後，我仍然要逐字閱讀，找出不合理或不適合的地方。課程裡也示範過同一個原理如何換成更簡單的框架，讓國中生在有限時間裡仍然能理解；這種調整需要熟悉教學現場的人來做。

所以現在開始一項工作前，我會更在意年級、班級規模、受眾、性別比例、地理與在地條件，以及資料邊界。這些細節會影響 AI 找到的素材，也會影響最後的課程編排。當對象是二十幾位真實學生時，資料清洗更需要審慎；即使沒有姓名，班級組成、健康或情緒資訊仍可能讓人回推出個人身分。

這也改變了我對 AI 協作的期待。AI 沒有辦法靠一兩次提示就完美做出教具、簡報或報告，我要和它一起把成果拼出來；最後則要驗證整份產出的邏輯、文字錯誤與用詞，確認自己願意署名並宣告發佈。速度可以快起來，責任仍在原位。

這件事也讓我想起之前在公司內部準備 AI 分享簡報時的經驗。HR 在第一次 rehearsal 時給我的第一個回饋是：一開始聽不懂 session 是什麼，後來才知道我指的是「和 AI 對話的這一段視窗過程」。對熟悉 AI 的人來說，這個詞很自然；對剛接觸 AI，甚至對 AI 抱持保留的人來說，它可能完全沒有意義。若早一點用 4D 檢查受眾、用詞與脈絡，當時應該能少繞一段路。之後有合適的機會，我也會把這門課的做法和同事分享，看看它在不同工作裡能帶來什麼幫助。

我是 Jasper，從事軟體開發，目前專注打造 AI 工作流程。
官方圖解與完整表格在 Blog 版，和我一起探討更多 AI 議題 🚀