隨著行動載具與智慧物聯網的應用日益成熟，學生的學習型態已由實體教室延伸至網路創造的虛擬世界。結合人類智慧與教育統計模式的適性評量機器人可跨越疆域，快速串接全球學習場域，產生新興的教育學習情境。例如在師資流動率偏高的偏鄉，可以使用智慧教育學習機器人協助教學，解決城鄉差距與教育資源不均的問題。智慧機器人與人類共同合作學習已有部分成果，例如由機器人在課堂擔任小助教、協助老師現場教學、減輕教學場域教師的工作量。

目前許多國家除強化資訊基礎建設與建構線上學習環境外，也加強推動培育人才跨域人工智慧技能。結合人工智慧技術與教育的應用領域包括：語言學習、數學學習、電腦對局圍棋學習等，語言學習部分包括：台語學習、日語學習、英語學習及模糊標記語言（fuzzy markup language, FML）學習等。其中模糊標記語言期望能夠在未來成為人類與機器人溝通的重要語言之一，達成在未來的教育學習環境中，學生與不同類型的機器人共同學習的目標。

結合評量的機器人共學

認知科學、心理計量和資訊科技正在改變現行學習與評量的論點，例如認知心理學已經發現包括多重表徵、學習互動文化、提供有意義作業的真實場景、統整不同認知成分和基礎能力自動化等重要的學習原則。

評量的作業設計需同時呼應課程綱領與認知原則或模式，也就是要針對達成能力指標或精熟特定領域表現，所需的核心認知歷程、策略或知識結構，進行評量作業設計。這類作業通常包含多項的能力或課程綱領指標，強調有意義的場景以讓教師認同。換句話說，基於認知的原則或模式，學習評量應能展現學生重要能力的發展軌跡。

試題反應理論（item response theory, IRT）評量是以數學模式描述所評量的特質強度與題目反應（如學生答對機率）之間的關係。因此，IRT須把作業難度與考生特質強度定位在同一量尺上，並且假設題目難度參數不變，而不同量尺間也須利用線性轉換關係轉換。因此統一難度量尺的題庫，讓建置線上適性選題與即時評量結果報告的電腦化測驗得以普遍推廣。

根據IRT，每一道試題有3個參數，包括：試題鑑別度參數，表示該試題能否區別出學生能力高低的程度；試題難度參數，表示該試題是否困難或容易作答的程度；試題猜測度參數，表示該試題被低能力學生隨機猜題而猜中的程度。透過受試者對每個試題的作答反應，可估計受試者應有的能力估計值，並試著描述受試者的成就水準。

在學習中融入資訊科技，讓遊戲化數位學習成為可能的發展方向，這不僅希望能吸引學生投入學習，也期待數位遊戲可作為學習的認知工具。比如說為了解決問題通過關卡，學生必須擷取並應用知識，達到因應任務需求的及時學習（learn on demand）。在模擬世界中運作解題經驗，可形塑學生的思考與行為反應模式。

有別於傳統單一時間點資料的靜態評量，動態評量重視學習歷程中訊息的彙整，強調學生在多次評量歷程中，同時能夠獲得明確、適性的回饋或支持介入。核心學習能力在中介支援下是可改變的，而動態歷程中操作性界定的介入設計以及客觀的學生認知改變量化資訊，對於介入有效性的檢驗和補救教學實務的參考價值，都更為具體與明晰。

智慧機器人與學生共學的遊戲式動態評量結合上述的認知原則、IRT試題參數與資訊科技，希望透過智慧機器人的協助，建立學生學習的興趣、自信與策略。一般學生學習表現可分為進階、精熟、基礎及未達基礎4個等級，學生可透過表現標準的描述了解自身的學習成就，為受試者與所有同學進行百分等級比較（percentile rank, PR值），以評量受試者的學習成就。

模糊標記語言輔助學生學習

由於人類的語意具有不確定與不精確的特性，無法使用精確數值來表達，例如不同地區、不同的人對於溫度的冷熱有不同的感受與表述。為了表達這種不精確的模糊語意，科學家就利用由IEEE計算智慧學會（Computational Intelligence Society, CIS）提出並通過IEEE標準的模糊標記語言。它是一種基於XML的語言，用來描述模糊系統架構的知識庫及規則庫，並可運用於學習態度評估系統、協同學習的學習進展評估系統等。

模糊標記語言可運用於智慧型適性評估系統來評估學生的學習表現程度，簡要的步驟說明如下：教師根據學生的目前能力值產生難度相對應於目前能力值的試題；利用模糊標記語言推論系統根據該學生對該試題的答題結果，重新計算當前能力值；以模糊標記語言的智慧型適性評估系統判定是否已達到結束測驗條件；若前一步驟的判定結果是「否」，則反覆進行前3個步驟；若判定結果是「是」，則評估系統根據目前能力值的輸入模糊變數，推論學生的學習表現程度。

共學的建置與應用

在實作方面，臺南大學研究團隊在科技部數位經濟前瞻技術研發AI分項計畫補助下，與日本東京首都大學（Tokyo Metropolitan University, TMU）久保田實驗室（Kubota Lab）合作，提出基於上述的試題反應理論，初步完成了智慧機器人代理人軟體。研究團隊期望透過IRT動態評量，針對不同程度的學習給予符合能力值的試題，並基於模糊標記語言輔助學生學習機制，來建置「智慧機器人與學生共學的教育情境」。

在人類與機器人共同學習的創新教育應用中，使用者可透過瀏覽器連線遠端位在國家高速網路中心主機的各類學習平台，進行圍棋、數學及語言學習。本地端則透過代理人及領域知識本體（ontology）與伺服器進行通訊，把相關資訊透過機器人Palro或本機傳送給使用者。

Palro機器人是由日本富士軟體（Fujisoft, Japan）公司開發生產的，設計的目的就是讓Palro成為使用者生活上的伙伴，目前在日本主要應用於老人社區照護。Palro機器人可以和一般大眾溝通、播放音樂、跳舞及玩遊戲，達到機器人與學習者互動學習的目的。

智慧機器人與學生共學的教育情境已應用於圍棋學習、小學數學學習及語言學習上。在圍棋學習方面，臺南大學李健興教授團隊建置台灣單一GPU版Facebook ELF Open Go 動態學習機制，它的核心演算法是AlphaGo Zero∕AlphaZero，並與交通大學柯立偉教授團隊合作，結合腦機介面（brain computer interface, BCI），期望未來能透過腦機介面偵測學生學習狀況並線上即時分析。

在小學數學學習方面，則與臺南大學洪碧霞教授的科技部計畫成果「砲擊菁英」和「怪獸大車拼」結合智慧機器人，並與三埤國小師生合作，應用於三埤國小實際場域。語言學習方面則分別與日本東京首都大學久保田實驗室及青草國小進行日語及台語學習。

接下來，就介紹上述已實際運用的智慧機器人與學生共學教育情境。

圍棋教育學習平台

臺南大學團隊於2017年提出基於模糊標記語言學習動態評量代理人，並發展電腦對局人機共同合作系統。在這系統中，棋士能透過intelligent decision making & learning機制下棋，接著intelligent game bot透過RESTful API機制與臉書黑森林圍棋引擎溝通。

接下來proximal development代理人透過GoSocket機制與dynamic assessment機制及FML engine進行即時盤面動態評估，並把結果儲存在資料庫中。Intelligent robot代理人則透過GoSocket引擎即時把盤面評估結果進行語意分析，並把語意分析結果傳送給機器人Palro，再透過社群媒體讓棋士得知評估結果。

另外，台灣團隊也與日本首都大學東京久保田實驗室及大阪府立大學（Osaka Prefecture University, OPU）共同組成國際研究團隊，建構並整合日本智慧機器人及美國FAIR DarkForest Go開源軟體圍棋AI的視覺腦波智慧動態評量黑森林（dynamic assessment darkforest, DDF）圍棋學習平台BCI-DDF。

ELF OpenGo是美國FAIR團隊依照Google AlphaGo Zero與AlphaZero的論文，使用單一類神經網路從自我對弈中學習，在2000個GPU下訓練兩周後，實作出的開源電腦圍棋程式。台灣團隊目前已經整合美國ELF OpenGo開源軟體在臺南大學的單一GPU主機平台。

OpenGo DarkForest （OGD）是整合上述ELF OpenGo與DarkForest的圍棋教育學習平台。OGD擁有ELF OpenGo職業等級的棋力，也擁有DarkForest高段業餘棋士的棋力，同時能預測下一手棋的位置提供給對弈選手參考，希望棋士可以藉由觀察OGD的想法跳脫人類棋士原有的思維。未來預計整合這項核心技術和日本TMU久保田研究室與山口研究室實體機器人，使機器人也能夠擁有核心知識，並達到輔助棋士增進棋力的目標。

臺南大學已建置完成圍棋教育學習OGD平台，具有讓圍棋專家提供回饋的使用者介面，以及DDF預測勝率及當下模擬次數曲線的畫面。台灣紅面棋王周俊勳九段曾協助團隊測試單機版OGD共同學習系統，表示台灣單一GPU版的ELF OpenGo已達職業高段的棋力。台灣團隊希望未來能幫助更多的學生與機器人共同快樂學習圍棋。

周俊勳九段於高雄舉辦IEEE CIS人機共學夏令營活動時，和Palro機器人共同合作與OGD對弈。職業棋士能藉由評論與OGD估算的勝率變化圖來估算對應、學習電腦布局，並且打破人類棋士舊有的思維。以往棋士在許多棋局中只能觀察DDF不相上下而交錯的勝率曲線，現在OGD的勝率曲線更有明顯的區分，使棋士更容易觀察並且學習。  

共學的教育應用情境

「提高學生學習動能」、「提供體驗科技的機會」、「結合評量給予支持鷹架」，以及「作為教師改變教學的助教」是智慧型機器人應用於學生共學的積極嘗試。智慧機器人能整合雲端資料庫、各式學習資源、立即性語言轉譯等功能，提供學生同步的支持回饋，以促進學習的效能。

同時，「引發與維持學生的學習動機」與「提供新興資訊科技體現的機會」更是智慧型機器人支持學習的直接效益。對於缺乏科技應用與科技支持學習機會的學童而言，有機會體驗機器人、AI等科技，能夠幫助他們學會學校的領域課程，是縮短城鄉數位落差的一個嘗試。

舉例而言，利用機器人結合即時翻譯的功能，讓國小學生在生活情境中，連結本土語言、國語文以及英語文（或日語）的學習，可落實浸潤式的語言學習。例如結合國小1～6年級的台語教材，讓學生透過學習平台把聽到的台語轉換成國語文，再由機器人即時轉譯的協助，也幫助學生學習英語或日語。在同一情境中，把數位教材、語言翻譯及機器人整合連結，讓學生同時把線上翻譯的功能運用到不同語言的學習上，這在教學現場中是一個可以推廣的應用。

智慧型機器人教學對「教學改變」更深一層的協助，是扮演變形金剛式的教學支持角色。也就是智慧型機器人能扮演支持教師改變教學模式的助教角色，讓老師嘗試有助於學生學習和培育素養的教學活動。結合電腦化的動態評量以及支持後設認知的教學介入，透過智慧型機器人協助引導學生自主學習、小組合作學習或特殊學生的教學引導等，讓智慧機器人結合教師的教學設計，嘗試不同的教學改變。

以下以幾個例子說明智慧機器人和學生共學的支持示例。

例一：電腦遊戲式的數學學習 在結合電腦遊戲式數學學習的架構中，提供支持鷹架及支持「運算自動化」的技巧發展。簡要說明如下：口語支持鷹架與解題訊息—透過智慧機器人連結資料庫，即時評估學生作答狀況，提供解題提示或示範部分解題作為支持鷹架，以協助學生自主解題的進展；提供先備的概念學習─ 透過作答訊息判斷，如學生學習困難在於先備概念的缺乏，會依據資料庫的概念階層提供學習建議。

例二：提供學生監控個別的解題計畫 結合數學學習支持「後設監控」的能力發展，智慧機器人連結作答回饋，以下列方式提供學生監控個別的解題計畫。簡要說明如下：有效訊息回饋的支持— 機器人口語引導學童由問題內容中辨識與解題關聯的有效訊息，並適時提供是否正確選擇的回饋；即時偵錯回饋的支持─ 當機器人依據資料庫作答紀錄，察覺學生在尚未完成解題作答前，已確認學生目前的做法是無法完成解題的，將主動提供問題提示，提醒學生評估是否能繼續完成解題及掌握無法完成的原因。

例三：智慧機器人支持學生複雜情境問題的學習 複雜情境問題與合作學習的支持，簡要說明如下：結合複雜的數學學習情境，由教師提供數學的布題，以3至4人進行異質分組，每組結合一台智慧機器人連結學習教材與資料庫，各組依據學習需求使用機器人並進行複雜問題的解決。

「砲擊菁英」遊戲是與機器人結合融入數學學習數線概念。首先依照教育心理學設計適合學生學習的題目，使用者連線到國網中心伺服器端砲擊菁英系統，透過「打怪學數學」進行數學數線概念學習活動。智慧機器人則利用網路與Client端進行網路協定溝通，讓機器人Palro擔任助教小老師並透過語音提示小朋友數線概念。

在怪獸大車拼的遊戲中，讓小朋友挑戰數的計算、數的比較和問題解決的能力，依照難度，分成簡單、普通及困難3個難度，共有11個任務。如果學生能通過全部的挑戰任務，就表示學會了這些重要的數學概念。

在三埤國小教學場域中，研究團隊針對四年級小朋友學習狀況，建立測驗題庫供小朋友進行前測與後測。測驗的資料與現有的學習資料一起分析，驗證機器人與小朋友共同學習已有效地提升學生學習興趣，未來將以更顯著的方式呈現弱勢學生受益的成效。

以目前研究成果初步分析，機器人除了擔任助教角色外，也間接提升學生的學習態度及注意力，對於低於基礎的學生及需要補救教學的學生，他們的學習態度及動機都已獲得提升。未來，研究團隊將和國內外廠商合作取得數位學習教材，讓更多的國內外小朋友可以和機器人互動達到共同學習的效果。

研究團隊也以適性評量為核心建置API應用程式介面，並透過IRT API建置客製化的評量系統。目前該API提供IRT核心運算，未來會持續提供試題上傳、參數估計等功能。

展望

未來學生及老師可以透過OGD圍棋智慧學習平台，與智慧機器人共同學習圍棋、數學及各種不同的語言，而OGD即時學習資訊分析可提供老師及學生了解目前的最新學習進展及成效，協助老師及學生突破教學與學習盲點。智慧型機器人協助教學對未來教育「教學改變」可更深一層協助擴大電腦化評量的試題題庫及建置參數，強化IRT智慧機器人支持回饋機制，提供即時對錯回饋與支持提示的可行性。

期望藉由人工智慧技術應用結合教育統計理論的導入教學場域，除提供一般學生學習支持和教師改變教學的協助外，能夠更進一步針對學習落後與待補救的學生，以及注意力不集中或過動症等特殊學生，提供適度的支持學習，以擴展智慧機器人在未來教育上應用的深度和廣度。

致謝

作者感謝科技部數位經濟前瞻技術研發AI分項計畫部分經費補助智慧機器人與學生共學的未來教育情境的建置；感謝日本首都大學東京久保田實驗室於Palro機器人方面提供相關協助。

在BCI腦機介面技術方面，感謝交通大學柯立偉教授實驗室與臺南大學OASE實驗室的合作；在電腦圍棋部分要感謝Facebook圍棋團隊提供開源軟體Darkforest與ELF OpenGo，並與台灣團隊進行系統建置相關合作及研究討論。在數學學習及實際場域教學方面，特別感謝臺南大學知識應用暨網路服務研究中心黃永清、劉曉錡與蘇品蓁，以及OASE Lab王美慧與陳立中；最後感謝台南市青草國小及高雄市三埤國小師生共同合作參與這教學及研究計畫。