鄧飛：如何應用AI輔助學與教

【明報文章】面對全球科技革命的迅猛發展，尤其是人工智能（AI）技術的顛覆突破，香港教育界承載着前所未有的歷史使命。加強「數字教育」，不僅是貫徹落實科教興國、人才強國的重要策略，也是促進學生全面發展、培育創科人才的堅實基礎。國家正站在建設「教育強國」的關鍵節點，加強「數字教育」，是香港教育未來發展的必由之路。

優先推動校本化AI教學

還是建立全港教育LLM？

教育局於過去兩年積極推動「數字教育」，尤其是2024年推出「智為學理」計劃和2025年的「智啟學教」計劃，分別向成功申請的學校發放10萬元和50萬元資助，以開展校本「數字教育」，這是值得肯定的。這兩個計劃是彼此關連的政策組合拳，漸進但急行，向學校提供額外資助和清晰指引，聚焦於教學實踐，讓師生在教與學過程裏深度應用AI科技。

然而隨之而來的政策問題是：香港應優先推動校本化的AI教學模式，還是集中資源建立一個「適用全港的教育大語言模型（LLM）」？這並非單純的技術選擇，而是直接影響教師的工作負擔和實際教學效能。

校本AI教學模式，優點在於「貼地」。每所學校的學生組成、學習差異、課程節奏與教學文化，均不相同；若能夠以校本方式推行，甚至建立校本的AI模型，理論上可更精準回應校情需要，例如因應校本評估、校本課程或特定學生群體（如SEN(特殊教育需要)或非華語學生）做調整。

校本方式的結構限制

不過，從實際操作層面看，校本方式存在結構性的限制。

首先，如果是使用坊間輔助不同學科教學的AI平台，目前市面上可採購的AI輔助教學工具，大概有語言學習類和STEM（科學、技術、工程和數學）教育類，前者包括中英文寫作批改、AI生成練習等，後者多關於STEM教育方案。由於相關服務由個別公司提供，無可避免存在碎片化、「餵入」資料太少等局限，長遠不利於提升整體教育質量。這些雖然都有一定的教學效能，惟如果平台本身不是LLM，用家（即學校老師）與平台之間只是單純的互動，平台並不具備深度學習而模型不斷自我提升的功能，其實跟未有AI技術之前的電子學習（e-learning）類似，AI對於教學的精準化、高效化的威力，則尚未完全發揮出來。

其次，倘若推動學校建立校本的AI輔助教學模型，那麼又是成本很高但效用不見得高的做法。打造一個LLM的成本，固然不是一間學校甚至一個辦學團體可以負擔得了。同時，要這個校本模型能夠在深度學習「學得好」，往往依賴教師持續輸入、標註、修正與回饋。如果缺乏制度支援，教師不但未能減負，反而多了一重「餵養系統」的隱性工作。另外，這種校本模型會過度依賴單一學校的數據和教學實踐。本港學校大多只有幾百名師生，可作「餵養」的數據量是有限的，容易把局部經驗誤當成最佳做法。

相比之下，無論在備課、出題、批改、差異化教學建議等方面，LLM均具顯著潛力；於減輕教師工作負擔方面，其具備更明顯的結構優勢。首先是規模效應——集中開發和維護一個高質量模型，可避免學校各自為政，讓教師在備課、出題、教材改寫等高頻工作上即時受惠，而毋須參與技術層面的建設。其次是專業一致性：全港模型可系統性對齊課程指引、評估框架與本地語境，減少教師在不同平台之間轉換與校對的時間，真正做到「一次學會，廣泛應用」。

建立LLM比校本模型更具效益

更重要的是，若設計得宜，教師只需「使用」，而非「訓練」模型，AI才能夠真正成為減負工具，而非另一個需要被管理的新系統。當然，全港模型亦非沒有風險：倘缺乏清晰治理，可能出現私隱疑慮、教學過度標準化等問題。不過，這些風險屬於制度設計問題，而非模式本身的原罪。

若政策目標是提升整體教學效能，並實質減輕教師工作負擔，則建立LLM明顯比校本模型更具效益。惟前提是，這樣的模型必須遵守3個原則：一是教師使用不等於資料自動回收訓練；二是學生數據必須「去識別化」，並受嚴格規管；三是AI的建議永遠屬輔助性質，不能取代專業判斷。如果香港希望更高效、更少負擔地以科技支援教育專業，與其分散資源，不如集中力量，建立一個為教師教學減負增效的LLM，推動建設智慧教育大平台。

作者是立法會議員、教聯會副會長

（本網發表的時事文章若提出批評，旨在指出相關制度、政策或措施存在錯誤或缺點，目的是促使矯正或消除這些錯誤或缺點，循合法途徑予以改善，絕無意圖煽動他人對政府或其他社群產生憎恨、不滿或敵意）

[鄧飛]