一直想把讀書會的內容整理成部落格，但沒時間好好整理，放著放著也就失去時效性了。
現在問AI真是很方便又的確有很多亮點知識，都想說這些人類討論的內容到底未來會不會有人想看呢~
讀書會簡介：
隨著生成式人工智慧技術的快速發展，越來越多學生在學術閱讀與研究過程使用 AI 工具協助。這些使用情境涵蓋：「英文文獻翻譯、文章摘要與重點提取、簡報製作、背景知識補足、專業術語理解」等。然而，也有不少教育工作者擔憂 AI 工具可能導致學生過度依賴、缺乏批判性思考，進而影響高等教育中的深度學習與知識建構。
在這樣的背景下，我們組成一個以圖書資訊學系碩博士班學生為主體的讀書會，希望透過實際導讀、討論與 AI 工具的應用測試，探討以下問題：
•有哪些AI工具可以協助、 如何協助學術閱讀與理解？
•在不同主題或不同熟悉程度的文章中，AI 工具的效能有何差異？使用AI的注意事項分別為何？
•輕度與高度使用AI輔助學習之優缺點與適用情境分別為何？
•我們該如何合理的使用以避免過度仰賴？
本讀書會將以五個主題循序漸進進行，逐步探索 AI 工具在學術閱讀、導讀與跨領域理解中的角色。每位成員將在導讀過程中實際測試多種 AI 工具，並紀錄使用方法、優缺點與反思。藉此建立具有批判與反思性的 AI 輔助閱讀經驗與策略。
完整讀書會紀錄 (有討論與互動內容摘要)：https://drive.google.com/file/d/1LK5hqDxApnrS6uBmNGMZD7D_N8dPm8Mq/view?usp=sharing
讀書會共舉辦五次，每次一小時，我主講三場次，原本想用NotebookLM整理這三場的PLAUD生成逐字稿與簡報內容就當作這次的部落格了，結果發現NotebookLM根據六份檔案整理出的重點嚴重偏離! 而且還加了一些原本沒提到的內容...後來調整成一場次兩個檔案的整理方式，雖然還是不夠好(最嚴重的問題是無法區分哪些觀點來自文獻、哪些來自讀書會討論)，但的確是節省很多時間，也就先這樣吧。 * 這也代表盡量上傳近似主題的檔案給NotebookLM可能成效較佳(?) ** 在讀書會中對於研究文獻的諸多吐槽都被NotebookLM隱而不談，看來AI真的是對人類很好
第一場【AI輔助學術閱讀】導讀兩篇文獻+實際測試NotebookLM、Perplexity、Gemini
導讀文獻：
● Yapp, D., de Graaff, R., & van den Bergh, H. (2021). Effects of reading strategy instruction in English as a second language on students’ academic reading comprehension. Language Teaching Research, 27(6), 1456-1479. https://doi.org/10.1177/1362168820985236
● Chea, P. & Xiao, Y. (2024). Artificial Intelligence in Higher Education: The Power and Damage of AI-assisted Tools on Academic English Reading Skills, Journal of General Education and Humanities, 3(3), 287–306.
本文件旨在彙整關於英語作為第二語言（L2）學習者在高等教育環境中，如何透過「閱讀策略教學」與「人工智慧（AI）輔助工具」提升學術閱讀能力的關鍵洞察。研究顯示，傳統的母語閱讀策略並不會自動轉移至第二語言，因此明確的策略指導至關重要。同時，新興的 AI 工具（如 NotebookLM、ChatGPT、Undermind 等）在提升閱讀效率、詞彙習得與學習動機方面展現顯著成效，但也伴隨著過度依賴、資訊幻覺及忽略研究細節等潛在風險。AI 應定位為進入陌生領域的引導工具，而非完全取代對原始文獻的深度閱讀。
--------------------------------------------------------------------------------
一、 第二語言（L2）學術閱讀的挑戰
學術閱讀對於高等教育學生而言具備高度挑戰性，主要原因包括：
* 文本特性： 學術文本內容簡潔緊湊、專業性高，要求讀者具備高效的消化能力。
* 語言障礙： 英語作為全球學術交流的主要媒介，非母語讀者面臨額外的語言負擔。
* 策略轉移困境： 研究指出，第一語言（L1）的閱讀策略不會自動轉移到第二語言（L2），需透過正規教育重新練習與提升。
* 教育背景差異： 來自職業教育背景的學生（如荷蘭的 MBO），其英語水平通常低於高等教育要求的 B2 等級，面臨更嚴峻的挑戰。
--------------------------------------------------------------------------------
二、 實證研究分析：策略教學與 AI 介入
1. 荷蘭大學研究：閱讀策略教學的效果（Yapp et al., 2021）【這篇研究設計較嚴謹】
* 研究目的： 評估專門設計的 L2 閱讀策略課程是否能提升一年級大學生的理解能力。
* 研究設計： 採用「迴歸不連續設計（RDD）」，針對 801 名學生進行為期七週、每週兩小時的干預。
* 核心策略： 課程結合了七種被證實有效的策略：
1. 快速瀏覽與掃讀（Skimming & Scanning）： 掌握結構與特定資訊。
2. 啟動背景知識： 連結既有認知。
3. 預測（Predicting）： 預想文本結果。
4. 視覺化（Visualization）： 建立心智圖像或結構圖。
5. 注意文本結構與信號詞： 識別內部邏輯。
6. 連結新舊知識： 從文本中推斷含義。
7. 閱讀時提問： 促進深層理解。
* 研究結論： 策略課程顯著提升了學生的 L2 閱讀理解，且對「弱勢讀者」的進步幅度尤為明顯。
2. 雲南大理大學研究：AI 工具的力量與損害（Chea & Xiao, 2024）
* 研究目的： 探討 AI 輔助工具對學術英語閱讀技能的影響。
* 研究設計： 將 24 名學生分為實驗組（AI 輔助）與對照組（傳統教學）。
* 關鍵發現：
* 正面影響： 實驗組在閱讀分數、詞彙習得及學習動機上均顯著優於對照組。AI 能解釋複雜詞彙，降低預習負擔。
* 學生心聲： 傳統組學生感到預習無聊且耗時；AI 組則展現高動機與參與課堂討論的信心。
* 挑戰： 存在技術錯誤、資訊不可靠（幻覺）及對 AI 過度依賴的問題。
--------------------------------------------------------------------------------
三、 AI 工具的應用效能與特點分析【來自我的實測並非導讀文獻】
根據實際操作體驗（以 NotebookLM 為主），各項工具的表現如下：
工具名稱 主要功能與優勢 侷限與風險
NotebookLM 自動生成摘要、Podcast 語音對話、心智圖、學習指引。適合快速建立大方向認知。 無法呈現圖表，易省略研究方法細節與統計數字。僅根據上傳文件回答，擴展性較差。
ChatGPT / Gemini 強大的專有名詞解釋能力，對話引導機制佳。 資料量不足時易產生「幻覺」（如 Gemini 虛構柬埔寨學者的不存在研究）。
Undermind 具備學術導向的閱讀路徑建議，整合閱讀策略與教學方法，協助建立研究地圖。 有使用上限與功能限制（免費版）。
Perplexity 資料來源標註清晰（如連結到 LinkedIn 或大學官網），能引導延伸提問。 搜尋結果的深度可能受限。
--------------------------------------------------------------------------------
四、 批判性反思：AI 輔助下的閱讀行為【來自讀書會討論內容非來自導讀文獻】
在 AI 輔助學術閱讀的過程中，需注意以下深層影響：
1. 見樹不見林 vs. 見全貌： 傳統閱讀易卡在細節（見樹不見林）；AI 則擅長提供全貌。然而，過於依賴 AI 摘要可能導致讀者忽略研究設計的關鍵瑕疵或過度推論。
2. 心靈健康與自信： 過度依賴 AI 生成的成果可能導致學生產生成就感缺失，覺得成果不屬於自己，影響自我信心。
3. 閱讀策略的異化： AI 的分類與規納邏輯可能與學術傳統（如基於前人定義的策略類別）不同，這可能影響未來的學術對話。
4. 教學方法的角色： AI 的成效深受使用者「指令（Prompt）」能力影響。教師需引導學生正確使用 AI，並在學生達到高程度理解前提供必要的「支架（Scaffolding）」。
--------------------------------------------------------------------------------
五、 結論與建議【來自讀書會討論內容非來自導讀文獻】
* AI 作為引導者： AI 最適合應用於「課堂指定閱讀」或進入「不熟悉領域」的初期階段階段，協助快速建立基礎知識。
* 回歸原始文獻： 在進行「學術寫作」與「引用文獻」時，必須回到原文確認細節、數據與語境，以避免 AI 摘要導致的錯誤。
* 培養批判性思考： 讀者應維持主動提問的習慣，利用 AI 推薦的問題作為起點，但最終需發展出個人對文獻的批判視角。
* 持續測試與更新： AI 工具更迭極快，使用者應持續關注如 NotebookLM 的新功能（如影片生成、心智圖優化等），並結合有效的閱讀策略進行操作。
系統性回顧/範疇回顧 Rayyan, Covidence, ResearchRabbit, Abstrackr, RevMan文獻綜合摘要 SciSpace, Elicit, Scite AI引用與文獻管理 MyBib, Samwell AI, ResearchPal學術寫作、改寫、抄襲檢測 Grammarly, QuillBot, ChatGPT研究視覺化 Power BI, VOSviewer, EPPI Visualizer
各國際圖書館組織已陸續發布指引，強調圖書館在 AI 時代應扮演的倫理門衛角色。3.1 核心政策要點 (IFLA, ALA, ARL)【來自文獻與AI補充資料】* IFLA (國際圖書館協會聯合會)： 強調對 AI 與 ML 邏輯及其限制的基本理解、個人數據管理、以及透過 AI 素養促進大眾參與政策對話。* ALA/ACRL (美國圖書館協會)： 提出 17 項職能，涵蓋技術認知（辨識 AI）、分析評估（解釋 AI 對館員工作的影響）及倫理考慮（促進技術獲取的公平性）。* ARL (研究圖書館協會)： 秉持「無人，即無 AI」（no human, no AI）原則，優先考慮使用者安全與隱私，並主張現行著作權法應具備應對 AI 挑戰的彈性。3.2 AI 工具評估之「健全檢查」（Sanity Check）在引進 AI 工具時，組織建議參考以下準則：* 目標設定： AI 的準確性是否顯著高於人類？* 語料庫（Corpus）： 訓練集是否公開透明？是否存在偏見？是否包含過時數據？* 算法透明度： 開發者是否提供簡潔的算法邏輯說明？* 評估指標： 是否有反饋機制？工具是否能識別出超出其處理範圍的問題？
館員的角色正從資訊提供者轉型為 AI 時代的「教練」與「協調者」。4.1 四大核心職能面向1. 技術知識 (Technical Knowledge)： 無需成為編碼專家，但須理解演算法與機器學習的基本邏輯。2. 倫理意識 (Ethical Awareness)： 引導使用者審視 AI 系統中的潛在偏見、隱私疑慮與公平性。3. 批判性思維 (Critical Thinking)： 深入探究 AI 產出背後的訓練數據與邏輯，而非盲目採信。4. 實用技能 (Practical Skills)： 掌握撰寫高效指令及選擇合適學術工具的能力。4.2 角色轉型* 資訊素養教育者： 延伸職能至 AI 生成內容的批判性評估。* 研究顧問與技術領導： 協助研究者將 AI 納入研究方法（如加速文獻蒐集）。* 政策倡議者與門衛： 參與制定機構內部的 AI 使用準則，確保技術應用不違背公平獲取資訊的核心使命。
5.1 AI 驅動的文獻回顧流程變革未來的研究流程將從「搜尋、閱讀、筆記」轉變為：1. 引導 (Guiding)： 使用 SciSpace, Undermind 或 Perplexity 進行初步資訊檢索與自動歸納。2. 分析 (Analyzing)： 人類研究者對 AI 生成的結果進行深度分析與批判。3. 合成 (Synthesizing)： 撰寫具備獨特洞見與個人觀點的綜述。5.2 人類不可或缺的價值儘管 AI 在處理海量資訊方面具有優勢，但以下面向仍需人類主導：* 批判性思維： 判斷論文論證是否嚴謹、實驗設計是否存在缺口。* 研究意義確立： 連結現實世界的社會意義，提出「為什麼這篇綜述很重要」。* 跨領域創新： 突破現有知識組合，產出具顛覆性的直覺與靈感。5.3 AI 強化下的學術指標 (AI Index 2025)未來判斷優質期刊或研究的方式可能引入 AI 量測的新指標：1. 同儕審查透明度： 利用 NLP 判讀審稿意見結構。2. 可重現性分數： 掃描論文中的資料與程式碼完整性。3. 研究誠信偵測： 偵測不端行為或撤稿紀錄。4. 引用語境品質： 區分引用是「支持」、「反駁」還是僅僅「提及」。
● Chen, K. (2020). Fishing for oil: natural-resource management between the united states and maritime east asia in the 1970s. Journal of American-East Asian Relations, 27(2), 169-197. https://doi.org/10.1163/18765610-02702004● Liu, A. (2011). The state of the digital humanities: A report and a critique. Arts and Humanities in Higher Education, 11(1-2), 8-41. https://doi.org/10.1177/1474022211427364
對於非專業背景或跨領域的研究者，AI 能提供系統性的指引，協助快速建立知識框架。1. 不同 AI 模型的引導路徑AI 模型 思考路徑與特點 核心局限與風險ChatGPT 直接將問題轉換為學習大綱（書單、時代劃分、學派、線上資源）。架構完整。 存在明顯「幻覺」，例如誤指陳芳明撰寫其未曾創作的作品。Gemini 將問題切割為細節流程，定義初學者挑戰並提出對應的技術輔助（如 OCR、知識圖譜）。 資料來源較為單一，主要依賴部落格或網頁資訊。DeepSeek 以「理解使用者需求」為先，採取循序漸進的對話引導方式，提供實作指令建議。 引用的文獻多為報導或短視頻摘要，缺乏專業論文支持。Kimi 擅長尋找中國大陸專業學術來源（如華藝數據庫、北大資源），分析面向最廣。 免費版使用次數有限。
2. 核心輔助功能* 關鍵字建立與框架建構：透過 AI 生成時間軸、人物關係圖譜及歷史地理地圖（GIS），協助建立宏觀視野。* 一手資料分析：AI 可分析文獻中的「註腳」，辨識核心一手資料來源（如各國檔案館記錄），幫助研究者理解前輩學者的論證路徑。* OCR 與資料自動化：將古籍、舊報紙圖像轉化為可搜尋文本，並自動提取特定欄位（如家庭菜單、價格調查）製成表格，加速數據探勘前的準備工作。
數位人文（Digital Humanities）結合了早期「人文計算」與「新媒體研究」的視野，創造了新的學術實踐。1. 研究範式的轉移* 細讀（Close Reading）：傳統人文核心，對單一文本進行深入細緻的分析。* 遠讀（Distant Reading）：透過電腦分析成千上萬份文本的宏觀模式（如詞頻趨勢），發現單憑肉眼無法覺察的規律。* 新舊範式對比：過去電腦被視為「假設檢驗」的工具；現在電腦則扮演「探索夥伴」，協助研究者從大量數位化檔案中獲得新洞見。2. 代表性數位人文技術與平台【來自AI的答案非文獻內容】* e-考據：由黃一農教授提出，利用數位化史料進行大規模搜尋與版本校對，如解決《紅樓夢》中人物原型的爭議。* 知識圖譜與傳記資料庫：如哈佛大學建置的「中國歷代人物傳記資料庫（CBDB）」，可進行社會網絡分析與官僚體系演變研究。* GIS 空間分析：結合古地圖與文字史料，呈現歷史事件的地緣動力。
1. 「蘇軾 AI」的開發啟示【來自AI的答案非文獻內容】開發高品質歷史人物 AI（如蘇軾 bot）關鍵在於：* 高質量數據餵養：不依賴網絡百科，而需使用精煉的人物小傳與學術研究。* 克服底層偏見：AI 大模型預設的「現代正向、理性、良善」邏輯常與歷史人物風貌衝突。蘇軾因其性格開朗、具超越性，與 AI 的正向偏見較為契合，但暴君或厭世類人物則難以真實還原。2. 歷史研究品質的 AI 評鑑【以AI輔助閱讀此文獻的實測心得】以「1970 年代東亞海域油氣爭奪」研究為例，AI 能協助評析學術價值：* 核心論點超脫性：指出石油爭議本質上是主權合法性與冷戰結構的體現，而非僅僅是資源爭奪。* 證據扎實度：強調該研究運用了美、英、日、韓、台多國跨國檔案進行交叉驗證。* 學術空白填補：明確點出其在美中和解背景下對美國角色的深入研究。
儘管技術飛速發展，AI 在歷史研究中仍面臨三大主要溝壑：1. 技術與內容局限* 幻覺與偽造：AI 可能「一本正經地胡說八道」，根據使用者需求偽造不存在的史料、檔案或書籍。* 文言文理解不足：AI 雖能識別字義，但難以完全體會古漢語的情感、文化內涵及深層意境。* 數據不透明（黑盒子）：AI 演算法的黑盒化挑戰了「演算法批評」的可能性，研究者難以解釋 AI 結論的形成過程。2. 方法論的鴻溝* 遠讀與細讀的斷層：目前仍缺乏有效橋樑，將宏觀數據發現（如小說標題變短）直接轉化為微觀文本詮釋的深度證據。* 資料美學匱乏：目前的資料視覺化多流於數據呈現，缺乏傳達深刻意義的表現力。3. 批判意識的缺失數位人文領域存在「重工具、輕反思」的傾向。隨著科技重塑教育體制與知識生產，數位人文學若不具備批判科技的能力，可能淪為服務後工業化經濟需求、犧牲人文價值的「數位接管」幫兇。
AI 輔助歷史研究不應取代人類學者的深度解讀。理想的模式應是「人機協作」：利用 AI 進行初步的資料蒐集、分析宏觀模式並構建初步假設，隨後由研究者運用傳統史學方法進行嚴格檢驗與定性解讀。
