在人工智慧普及應用的數位轉型的浪潮中，臺北市教育現場已走過了基礎建設的初步階段。憑藉著引領全國的「生生有平板、班班有大屏」的堅實基礎，教學現場不再僅是追求工具的普及，而是邁向「教育心法」的深度轉型。隨著數位載體進入每一間教室，教育的重點已從「硬體配置」轉向如何透過智慧科技提升「學習本質」。這場變革的核心，便是「酷AI智慧學習系統」。它不僅是一個輔助工具，更是臺北市落實因材施教願景的具體實踐。透過大數據分析與生成式AI技術，酷AI成功地在傳統教室中提供創新有效的智慧教學流程。本文將從願景、功能設計，以及奠基於243位有效樣本的嚴謹實證分析，深度探討這套系統如何精準賦能學生的學習日常，並承諾一個更公平、更智慧的教育未來。
在落實科技平權與因材施教的終極關懷願景方面，數位轉型的最終目的，是為了解決傳統教育中「一刀切」教學的瓶頸。在一對多的教室環境下，教師往往難以兼顧不同程度學生的需求，導致學習落後者感到焦慮，而超前者感到乏味。酷AI的戰略地位，即是作為精準教育的推手，保障每一位學生的發展權利。
酷AI的核心使命在於確保不論學生的起點為何，都能在平臺上獲得最適切的教育資源。這便是「科技平權」的體現。透過AI的診斷，能針對學生的學習單元目標提供補強，消弭因家庭資源差異帶來的學習鴻溝。這種對「個人化學習路徑」的追求，正是臺北市對因材施教理想的現代回應。
酷AI的設計邏輯，是將AI從單點功能演進為貫穿整個學習週期的「數位助教」，協助學生建立自主學習的循環。在進入課堂前，酷AI是學生的探索引擎。系統結合生成式AI技術推出的「智慧學習小幫手」、「智慧學習小助教」、「智慧學習學伴」，具備強大的拍照辨識與自然語言處理能力（支援中、英、圖形）。當學生在預習中遭遇困難時，並非直接給出標準答案，而是透過對話引導學生自主思考、拆解問題((Favero等, 2025；Liu等, 2025)。這種設計保護了孩子的思考能動性，培養了主動探索的習慣(Bai̇Doo-Anu & Owusu Ansah, 2023)。此外，平臺整合了市、校、班三級課程包，學生可不受時間與地點限制，訂閱最優質的教學內容，真正實現學習資源的平權。
在課堂教學中，酷AI針對學科特性進行了深度優化，以數學科「整數四則運算」等關鍵單元為例，AI能自動將長影片切分為多個知識節點，並在每個節點生成即時試題。這種「邊看邊練」的模式解決了長時間看影片的疲勞，並透過即時反饋確保學生掌握核心觀念(Rice等, 2019)。在英語與臺語口說教學中，AI辨識系統能針對流暢度、準確度與完整度提供具體評分(Yasuda等, 2016)。而在國語文教學上，AI手寫識別技術能針對學生的作文提供批改建議，將重複性的勞務轉化為個人化的反饋(Yang等, 2019)。
課後的鞏固是深化學習的關鍵，酷AI透過數據分析實現了「今日學習今日完成」的目標，運用系統自建的診斷模型，以8種演算法將學生學習數據去識別化的訓練，用以深度追蹤並分析包含學習行為與成績在內的「10類105種學習因子」，建構出每位學生的能力畫像(Klašnja-Milićević等, 2020)。再根據診斷結果，系統自動化派送差異化內容。
國際間近年的統合分析已指出，AI介入對K-12學生的數學學習具有正向但屬中小程度的效果（Yi等, 2025），而臺北市的準實驗研究也進一步提供了在地脈絡下的具體實證。經嚴謹學術驗證，酷AI對學生的實質提升如下：
1.成效顯著提升：數學科平均分數增幅達16.42分(p< .001)。
2.實現公平正義：低成就學生（前測平均僅62.70）在AI介入後，表現成功超越了對照組的平均水平（65.93）。
3.學習情意躍升：學生對學科的喜好與自信得分從2.87顯著提升至3.16。
教育科技能否永續發展，「實證數據」是唯一的試金石。臺北市不滿足於功能的推陳出新，更致力於透過科學化的研究，驗證酷AI對學習的真實影響。在2025-2026年委託國立臺北教育大學陳建志教授研究團隊實施的準實驗研究(未出版)驗證中，針對臺北市5所公立國小、共12個班級進行的準實驗研究，蒐集了243份有效數學成效樣本。研究採用「前後測控制組」設計，並運用共變數分析（ANCOVA）方法。研究特別觀察到，酷AI在縮小學習差距上具有顯著貢獻(Thomas等, 2024)。實驗組中起步較慢的學生（前測均分62.70），在經歷AI智慧引導與適性推播後，其後測表現不僅大幅進步，甚至超越了對照組的平均分數。這證明了「AI智慧分析」能找出學生的知識斷點，達成截長補短的效果，落實了真正的教育公平。
除了成績，研究亦關注學生的心理狀態。採用TIMSS 2023量表（包含9題數學喜好與7題自信評量）的結果顯示，學生的數學情意得分從2.87提升至3.16。 這種情意的躍升至關重要，亦即當AI提供即時反饋與個別化路徑時，學生不再因跟不上進度而感到挫敗，從而有效緩解了「學習焦慮」。這種「自信心」的建立，是驅動長期自主學習的終極動力(Omar等, 2025)。
這份奠基於大規模學生樣本的研究，其數據深度與科學嚴謹性，不僅證明了臺北教育科技的成效，更向國際社會展示了智慧平臺如何與教學法融合的成功典範。
「酷AI學習系統」並非單純的將教材數位化，而是一場由數據驅動的教育進化。它不僅提供了精準的學習工具，更在制度層面守護了教育的公平性。我們正處於一個「AI人機協作」的新紀元，AI負責細緻的數據診斷、即時的內容推播與重複性的練習引導；而教師則從繁瑣的批改與單一的講授中釋放出來，回歸教育的本質—提供人性化的情感支持與高層次的探索教學。對於家長與教育工作者來說，擁抱酷AI即是擁抱一種「精準、公平、自主」的教育承諾。讓我們利用這股科技力量，為每一位孩子量身打造通往未來的路徑，讓他們在充滿自信與成就感的旅途中，探索無限的可能。
參考文獻:
Bai̇Doo-Anu, D., & Owusu Ansah, L. (2023). Education in the Era of Generative Artificial Intelligence (AI): Understanding the Potential Benefits of ChatGPT in Promoting Teaching and Learning. Journal of AI, 7(1), 52–62. https://doi.org/10.61969/jai.1337500
Favero, L., Pérez-Ortiz, J. A., Käser, T., & Oliver, N. (2025). Enhancing Critical Thinking in Education by Means of a Socratic Chatbot. 收入 F. Bellas & O. Fontenla-Romero (編輯), AI in Education and Educational Research (卷 2519, 頁 17–32). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-93409-4_2
Klašnja-Milićević, A., Ivanović, M., & Stantić, B. (2020). Designing Personalized Learning Environments — The Role of Learning Analytics. Vietnam Journal of Computer Science, 7(2), 1–20. https://doi.org/10.1142/S219688882050013X
Liu, J., Sun, D., Sun, J., Wang, J., & Yu, P. L. H. (2025). Designing a generative AI enabled learning environment for mathematics word problem solving in primary schools: Learning performance, attitudes and interaction. Computers and Education: Artificial Intelligence, 9, 100438. https://doi.org/10.1016/j.caeai.2025.100438
Omar, A., Daher, W., & Bayaa, N. (2025). Academic emotions of eighth grade students in algebra classrooms using an artificial intelligence learning environment. Frontiers in Education, 10, 1669360. https://doi.org/10.3389/feduc.2025.1669360
Rice, P., Beeson, P., & Blackmore-Wright, J. (2019). Evaluating the Impact of a Quiz Question within an Educational Video. TechTrends, 63(5), 522–532. https://doi.org/10.1007/s11528-019-00374-6
Thomas, D. R., Lin, J., Gatz, E., Gurung, A., Gupta, S., Norberg, K., Fancsali, S. E., Aleven, V., Branstetter, L., Brunskill, E., & Koedinger, K. R. (2024). Improving Student Learning with Hybrid Human-AI Tutoring: A Three-Study Quasi-Experimental Investigation. Proceedings of the 14th Learning Analytics and Knowledge Conference, 404–415. https://doi.org/10.1145/3636555.3636896
Yang, Y., Xia, L., & Zhao, Q. (2019). An Automated Grader for Chinese Essay Combining Shallow and Deep Semantic Attributes. IEEE Access, 7, 176306–176316. https://doi.org/10.1109/ACCESS.2019.2957582
Yasuda, K., Kawashima, H., & Kimura, H. (2016). Automatic Scoring of English Speaking Test Using Automatic Speech Recognition. International Conference on Computers in Education. https://doi.org/10.58459/icce.2016.1296
Yi, L., Liu, D., Jiang, T., & Xian, Y. (2025). The Effectiveness of AI on K-12 Students’ Mathematics Learning: A Systematic Review and Meta-Analysis. International Journal of Science and Mathematics Education, 23(4), 1105–1126. https://doi.org/10.1007/s10763-024-10499-7
