導入AI家教的學校，拿什麼證明成效

問題是什麼

Anthropic、OpenAI等AI實驗室正把面向教師與學生的工具免費或大幅折價推出，用價格切入這個估值約6兆美元的教育市場(Financial Times)。

價格接近零，導入的決定就很容易。難的是之後。一個學期結束，總有人會問：孩子到底多會了什麼。學校能拿出的只有對話紀錄與使用統計。多少人用了多少次很清楚，但這些使用究竟是學習還是代筆，紀錄分不出來。

教師這一側更奇怪。繳交作業的品質確實提升了。可是讓同一個學生當場做類似的題目，結果有時與作業對不上。這個落差目前只存在於教師的直覺裡，沒有辦法留成紀錄。

現有的學習分析產品還停在上一代問題上。登入次數、停留時間、繳交率，這些指標都誕生於AI進入流程之前。當學生跟模型聊了40分鐘、5分鐘交完作業，停留時間什麼都說明不了。

免費發放定下了時間表。免費與折扣方案通常以學期或學年為界，到期就會開一次續約會議。那場會議要的是成效而不是用量，而市場上沒有產品在生產這份資料。

技術條件也已具備。學校與補習班的LMS本來就有作業、成績、出缺勤，AI工具會留下對話紀錄，兩邊都能透過API取出。缺的不是資料，而是把兩者接起來做判定的那一層。

政策方向也指向同一處。討論正從阻擋青少年使用，轉向安全地開放(OpenAI)，而開放的決定必然帶著結果回報的義務。另一方面，孩子對這些工具的態度遠非一致(WIRED)，這表示用平均使用量去概括，什麼都看不見。

關鍵不是蒐集新資料，而是把已有的兩條流接起來。

flowchart LR
    A[AI家教對話紀錄] --> C[概念標註]
    B[LMS作業與成績] --> C
    C --> D[自動產生無輔助檢測題]
    D --> E[逐生概念掌握判定]
    E --> F[續約會議報告]

MVP要窄：一個科目、一個學期、二十個左右的概念。從對話紀錄標註學生在哪些概念卡住，再針對同樣的概念自動產生不借助工具作答的短檢測。借助過的概念與獨力通過的概念之間的差距，就是報告的正文。

技術堆疊可以很普通。LMS串接用LTI加各家API，概念標註用小模型就夠。難處不在模型，而在誰來建概念圖譜。初期與教師一起手工建，學校累積之後，那張圖譜本身就是門檻。

第一個假設是續約會議是否真的需要這份資料。問三所學校的承辦人上學期會議交了什麼，一週之內就能驗證。

第二個假設是教師會不會把報告當成監控工具。一旦看起來像逐生的評分表，推進就會停住。從概念維度呈現全班的缺口開始，個體判定只在教師主動要求時才打開，這樣更穩妥。