發佈日期：2026/07/21
分享學生：林佩菱
心得標題：「NotebookLM 新手入門──打造專屬AI 第二大腦
這門課程是由高師大齊跨邁教師社群辦理的AI學習課程，在過往撰寫報告或準備論文時，我最常遇到的瓶頸就是茶米老師提到的四大挑戰：來源雜訊與格式多樣性，造成在找尋文獻的過程中，浪費許多時間，傳統搜尋引擎往往只給了我一堆零散的線索，而一般的語言模型又常常產生似是而非的「AI幻覺」，讓人難以信任。
聽了茶米老師的詳盡說明後，讓我深刻理解到 NotebookLM 的核心價值—它不是來幫我「代筆」寫論文的，而是定位為一個「嚴謹的AI研究助理」。它最強大的地方在於「問答附引註」的功能，每次回答都能精準勾勒出資料來源。這種「有幾分證據說幾分話」的特性，解決了學術研究中最在意的資料真實性問題，讓我能跨越資訊障礙，進行更深度的學習。
課程中茶米老師提到NotebookLM使用上的幾項功能：
(1)單一筆記本上限為 50 個來源、單一檔案上限 50 萬字後，我意識到不能盲目地把所有文獻往同一個空間丟。我必須學會對研究主題進行「主題式管理」，例如將「生成式AI教學應用」與「社區共融」分拆成不同的筆記本。
(2)每日提問 50 次以及影音摘要 3 次的限制，提醒了我「提問質量」遠比「提問數量」重要。在向 AI 提問前，自己必須先對文獻有初步的框架構想，而不是盲目地消耗額度。
(3)在找資料階段，先利用課程推薦的結構化搜尋格式，精確定義主題、年份與排除條件，確保餵給Notebook LM 的是高品質的文獻。
(4)利用 NotebookLM 生成 Markdown 格式的摘要後，導入 markmap.js.org 快速轉化為文獻心智圖。這對我在釐清論文架構時，有著極大的圖像化思考幫助。
(5)配合簡報中提到的 Markdown 轉 Docx、YouTube 逐字稿轉換工具，讓我可以把多元的口述歷史資料、影音訪談，轉化為文字素材輸入系統，拓寬了研究資料的收集層面。
這堂課帶給我的最大震撼，在於科技如何賦能學術研究。過去需要耗費數週埋頭苦讀、標註重點的文獻梳理工作，在精準運用 NotebookLM 與周邊工具鏈後，效率大大的提升。然而，工具再強大，核心的「問題意識」依然在於研究生自己。AI可以幫我摘要、幫我整理好 APA7 格式、幫我畫出心智圖，但提出好問題、洞察文獻間的需求缺口，並進行批判性思考，依然是身為學生不可被取代的核心價值。
|
