發佈日期：2026/10/28
分享學生：楊宗平
心得標題：參與「人工智慧與學術倫理講座」心得
聽完林杏子博士這場 AI 與學術倫理的講座，我印象最深的是「機率正確」不等於「事實正確」。平常使用 AI 找文獻、整理資料，確實方便很多，有時候看到它回答得很完整、很有條理，也容易覺得應該沒什麼問題。但仔細想想，文字講得通順，跟內容是不是真的正確，其實是兩回事。尤其做學術研究，我們經常需要從不同文獻中整理觀點，如果連資料來源都沒有確認，就直接採用 AI 的說法，很可能連錯在哪裡都不知道。更麻煩的是，有些錯誤並不是明顯的假資料，而是把原本的研究結果解釋得太過肯定，或者省略了研究本身的限制。這類問題如果沒有回到原始文獻仔細閱讀，其實不容易發現。
講師分享的 Google AI Overview 和 SCIgen 假論文案例，我覺得很有意思，也有點警惕。AI 可能引用另一個 AI 整理過的內容，資料轉來轉去，最後反而不知道原始來源在哪裡。而 SCIgen 更特別，早在二十年前，就已經有人用程式產生看似完整的論文，甚至通過研討會審查。聽到這裡，我反而覺得不是 AI 有多厲害，而是我們到底有沒有能力判斷一篇研究的品質。平常整理文獻，有時候很容易把重點放在找到了多少篇、整理出多少內容，卻忽略了作者究竟研究什麼、方法是否合理，以及結論有沒有足夠的證據。特別是在比較不同研究結果時，不能只挑選支持自己想法的文獻，也要看看有沒有不同的理論觀點，或是研究結果不一致的情況。文獻整理得再多，如果沒有真正讀懂，也沒有進一步分析這些研究之間的差異，對研究的幫助其實也有限。
現在 AI 的功能越來越強，連 AI Agent 都可以自行搜尋資料、串接工具和執行分析。站在研究者的角度，我當然期待這些工具能減輕工作負擔，但是如果整個研究流程都能交給 AI 完成，我們自己還剩下多少思考？例如 AI 建議某個研究方法，我們是否真的知道為什麼要這樣做？分析結果出來了，能不能解釋數據背後的意義？如果換一種分析方式，結果又會不會有所不同？我認為這才是最重要的地方。有時候 AI 提供的建議不一定完全錯誤，只是未必適合自己的研究問題。如果沒有先弄清楚研究目的，就直接按照它的建議執行，最後可能得到一個看似完整、卻無法真正回答研究問題的結果。工具替我們完成工作不難，難的是研究者自己是否理解每個決定，以及能不能說明為什麼這樣做。
另外，講師談到語料和文化差異時，我也特別留意到它與成人教育研究的關係。成人教育經常涉及不同年齡、生活背景與學習經驗，同樣一句話，放在不同的文化或生活情境中，可能就有不同的意思。AI 即使能把訪談內容整理得很有條理，也未必真正掌握受訪者想表達的經驗。尤其在質性研究中，有些受訪者的回答看起來很簡單，但如果了解他的生活背景，可能就會發現背後還有其他值得探討的原因。例如，同樣是說自己不會使用數位工具，有人可能是缺乏操作經驗，也有人可能是擔心操作錯誤，或過去曾經有不好的學習經驗。如果只是按照 AI 提供的分類與解釋來理解研究資料，很可能忽略這些差異。人的學習經驗不是只有文字表面的意思，還有背後的生活脈絡，這部分仍然需要研究者自己去理解。
這場講座，我覺得最有收穫的不是又學到多少 AI 功能，或知道多少 ALLEA 的最新規範，而是重新檢視自己平常使用 AI 的方式。講座談到的學術誠信、透明與研究責任，其實不只是使用 AI 時才需要注意，而是從研究問題的形成、資料蒐集、方法選擇到結果解釋，都應該持續遵守的原則。做研究本來就需要不斷閱讀、比較、提出疑問，有時候也會發現原先的想法並不正確，必須重新調整。這些過程雖然花時間，卻也是研究能力慢慢累積的地方。AI 可以給我們很多答案，但答案是不是可靠、能不能支持研究論點，還是得由自己判斷。對我而言，真正重要的是當別人問起研究為什麼這樣做時，能不能清楚說明自己的理由，並拿出足夠的證據支持。畢竟，研究不只是把結果做出來，更重要的是知道自己為什麼得到這個結果，以及這個結果究竟能說明什麼。
|
