SAIL 方法論：一套有意識使用 AI 的方法論之本體建構、理論脈絡與延伸方向

研究背景與問題意識

生成式人工智慧的普及，使教育現場快速進入一種「工具過剩」的狀態。教師、行政人員與知識工作者可以取得大量 AI 工具，例如大型語言模型、簡報生成工具、圖像生成工具、資料摘要工具、表單自動化工具與知識庫檢索工具。這些工具確實提升了工作效率，但也帶來新的問題：工具越多，工作流程不一定越清楚；生成內容越多，人的判斷不一定越穩固；自動化程度越高，學習與反思也可能越表面化。

因此，AI 應用的核心問題不宜只停留在「有哪些工具可以使用」，而應轉向「如何有意識地安排 AI 在任務流程中的位置」。對教育現場而言，這個問題尤其重要。教師工作並非單純產生教材、題目或文字，而是涉及學生理解、課程脈絡、評量目標、班級差異、行政限制、倫理風險與教育責任。若缺乏方法論，AI 容易從輔助工具轉變為新的負擔，甚至使教師陷入大量生成、反覆修正、難以判斷品質的工作循環。

SAIL 方法論即是在這樣的問題意識下形成。它不是新的 AI 工具清單，也不是提示詞大全，而是一套協助使用者判斷 AI 角色、組織 AI 產出、維持人類主體性的操作框架。

SAIL 方法論之本體定義

SAIL 方法論由彭智標（Chih-Piao Peng）於 2026 年提出，可界定為一套「有意識使用 AI 的方法論」。其核心定義如下：

此一定義包含三層意涵。第一，SAIL 承認 AI 在處理瑣碎、重複、低價值任務上的效率價值。第二，SAIL 強調 AI 不應只被用來加速產出，也應作為擴展視角與補足盲點的認知工具。第三，SAIL 將人的整合、判斷與學習置於核心位置，避免 AI 使用淪為無意識的代做或外包。

因此，SAIL 的本體並不是「四個步驟」的線性流程，而是四個相互關聯的使用構面。使用者可以依任務需求從任一構面切入，但完整的 AI 使用實踐，通常需要在四個構面之間往返修正。

SAIL 四構面分析

S｜Simplify the clutter｜簡化瑣碎工作

S 構面關注的是認知負荷與行政雜訊。教育現場存在大量必要但低價值的工作，例如格式整理、資料彙整、通知改寫、題目初稿、會議紀錄、表單分類與重複性文字處理。這些任務若過度佔據教師注意力，將壓縮教師進行教學判斷與學生理解分析的空間。

SAIL 主張，AI 在此構面的角色是釋放人的注意力，而不是替人完成專業判斷。換言之，AI 可以處理初稿、摘要、轉換與分類，但最後的取捨與判斷仍應由人負責。

A｜Amplify perspectives｜擴展視角

A 構面關注的是視角不足與盲點補足。教師在設計課程、試卷或行政流程時，常會受限於自身經驗與當下情境。AI 可以被設計為觀點放大器，協助使用者從學生、教師、家長、行政、特教、弱勢學生、倫理風險與公平性等角度重新檢視方案。

此構面特別強調「提問品質」。使用者不應只要求 AI 給答案，而應要求 AI 反向檢查、提出疑問、模擬不同角色反應、指出可能風險。AI 的價值在於增加思考面向，而不是取代人的立場判斷。

I｜Integrate ideas｜整合想法

I 構面關注的是材料與方案之間的差距。AI 很容易產生大量片段，例如標題、題目、活動流程、表格、文案與建議。然而，片段不等於方案。專業工作往往在於判斷哪些材料可用、哪些材料需要刪除、哪些內容需要重組，以及如何讓內容符合現場需求。

因此，SAIL 強調：AI 可以提供材料，但人必須負責組織脈絡。使用者在此構面中扮演編輯者、設計者與脈絡建構者的角色。

L｜Learn deeply｜深化學習

L 構面關注的是生成式 AI 可能造成的假性理解。當 AI 快速提供看似完整的答案，使用者可能得到成品，卻沒有真正經歷理解、判斷、修正與內化的過程。對學生而言，這可能削弱學習；對教師而言，則可能讓備課、出題與行政決策流於表面。

SAIL 因此將深化學習置於最後一個構面，提醒使用者不只要問「AI 幫我完成了什麼」，也要問「我透過 AI 更理解了什麼」。

方法論沿革與脈絡

從工具導向到方法導向

早期 AI 教育推廣多半以工具介紹為主，例如介紹聊天機器人、簡報生成工具、圖像生成工具、教材生成工具與資料摘要工具。此類推廣有其啟蒙價值，但容易造成工具堆疊現象：使用者知道更多工具，卻不一定更清楚任務流程。

SAIL 的出現，可視為對工具導向推廣的一種補充與修正。它將問題從「有哪些 AI 工具」轉為「AI 在此任務中應該扮演什麼角色」。

從效率提升到思考條件改善

生成式 AI 最容易被理解為效率工具，可以更快寫文案、更快做簡報、更快整理資料、更快出題。然而，若 AI 使用只追求速度，容易導致大量低品質產出與後續修正負擔。SAIL 將 AI 的價值重新界定為「改善思考條件」：減少雜訊、看見盲點、整合材料、深化理解。

從人機替代到人機共構

SAIL 不將 AI 視為教師或知識工作者的替代者，而視為支持人類專業判斷的協作系統。尤其在教育現場，教師工作涉及關係、脈絡、倫理與責任承擔，不宜被簡化為自動化產出。

從 AI 素養到 AI 使用方法論

AI 素養通常關心使用者是否理解 AI 的基本原理、限制、偏誤與風險；SAIL 則更進一步關心使用者如何將 AI 放進真實任務流程。因此，SAIL 可被視為一種實作型 AI 素養方法論。

理論對話與文獻基礎

SAIL 方法論雖源自教育與行政現場的實作需求，但可與多項教育理論、人機互動理論與 AI 素養框架形成對話。

認知負荷理論

S 構面可連結認知負荷理論。當教師或學生的注意力被大量外在負荷佔據時，真正用於理解、判斷與學習的資源將被壓縮。AI 若能協助處理格式、摘要、轉換與低層次重複工作，便能降低外在負荷，使人把認知資源投入核心任務。

反思實踐理論

A 與 L 構面可連結 Schön 的反思實踐觀點。教師不是僅依照標準程序執行工作，而是在複雜現場中持續觀察、判斷與修正。AI 可以作為提問者、對照者與回饋者，促進行動中的反思與行動後的反思。

鷹架理論與近側發展區

SAIL 中的 AI 角色可被視為一種動態鷹架。AI 提供語言鷹架、思考鷹架、結構鷹架與檢核鷹架，但不應永久取代人的能力。當使用者逐步掌握任務結構後，AI 介入程度應逐漸調整。

TPACK 與教師專業知能

TPACK 架構強調科技知識、教學知識與學科知識的整合。SAIL 則進一步提供一套較具操作性的 AI 使用語言，協助教師判斷 AI 在備課、出題、教學、評量與反思中的位置。

人本 AI 與人機協作

SAIL 與人本 AI 的核心精神相近，均強調 AI 應服務於人的判斷、福祉與能力發展，而不是使人喪失主體性。AI 可以協助可自動化或半自動化任務，但涉及價值、責任與脈絡判斷的部分，仍應由人主導。

教育現場應用

AI 協助試卷出題

AI 協助行政工作流

SAIL 亦可用於教育行政。例如收到公文後，AI 可先摘要與拆解任務；接著從承辦人、主管、教師、家長與學生角度檢查流程；再整合 Google Workspace、Apps Script、表單、資料夾、通知信與進度追蹤；最後將本次行政任務沉澱為可複用的 SOP 與知識庫。

AI 協助教師專業成長

在教師專業成長方面，SAIL 可協助教師整理研習資料、生成反思問題、比較不同教學策略、分析班級經營困境，並將零散經驗轉化為可討論、可紀錄、可改進的專業文本。

未來延伸方向

發展為教師 AI 素養課程

SAIL 可被設計為教師研習課程，從工具焦慮與方法論需求切入，逐步討論簡化瑣務、擴展視角、整合方案與深化學習，最後以真實任務進行工作坊實作。

發展為 AI 使用檢核表

未來可建立 SAIL 檢核表，協助使用者自我檢查：是否明確界定任務？是否保留人的判斷？是否請 AI 擴展視角？是否重新整合 AI 產出？是否在使用 AI 後獲得更深理解？

發展為教學設計模板

SAIL 可被轉化為教案設計模板，包含教學目標、學生先備知識、AI 可簡化的準備工作、AI 可擴展的視角、教師整合後的活動設計，以及學生深化學習的提問與任務。

發展為教育行政 AI 工作流

SAIL 可支援教育行政減量，形成從公文摘要、任務拆解、資料夾建立、表單設計、通知派送、進度追蹤到成果報告的半自動或自動化流程。

發展為研究工具或評估量表

SAIL 亦可進一步發展成教師 AI 使用能力量表，用於評估任務簡化能力、多觀點檢核能力、結構整合能力、深度反思能力與 AI 倫理意識。

結論

SAIL 方法論的核心貢獻在於，將 AI 應用從工具使用提升到方法論使用。它不是要求使用者掌握更多工具，而是協助使用者判斷 AI 在任務流程中的位置；它不是只追求更快完成工作，而是追求更少雜訊、更多視角、更好整合與更深理解；它也不是讓 AI 取代人的專業，而是重新確認人在 AI 使用過程中的主體位置。

當 AI 工具越來越多，真正重要的不是知道每一種工具，而是知道自己為什麼使用 AI、在哪裡使用 AI、如何檢查 AI、如何整合 AI，以及如何在使用 AI 的過程中讓自己變得更清楚、更有判斷力。

因此，SAIL 可作為教育現場面對生成式 AI 的一種實務回應，也可作為後續教師研習、行政減量、課程設計、AI 素養研究與人機協作評估的基礎框架。

參考文獻與延伸閱讀

1. UNESCO. AI Competency Framework for Teachers. Paris: UNESCO.
2. UNESCO. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023.
3. OECD. Artificial Intelligence and Education and Skills. Paris: OECD Publishing.
4. European Commission & OECD. AI Literacy Framework for Primary and Secondary Education.
5. Stanford Teaching Commons. Understanding AI Literacy.
6. Sweller, J. Cognitive load theory and instructional design.
7. Schön, D. A. The Reflective Practitioner: How Professionals Think in Action.
8. Vygotsky, L. S. Mind in Society: The Development of Higher Psychological Processes.
9. Mishra, P., & Koehler, M. J. Technological pedagogical content knowledge: A framework for teacher knowledge.
10. Bloom, B. S. Taxonomy of Educational Objectives.
11. Zimmerman, B. J. Self-regulated learning and academic achievement.
12. Shneiderman, B. Human-Centered AI.