AI 也帶著偏見，把它變成教公平的課

上課時，我曾讓學生用 AI 圖像生成器畫出「醫師」和「護理師」。螢幕上像是約好了一樣，醫師全是男性、護理師全是女性。學生一開始笑了，但面對「為什麼全都畫成這樣？」這個問題時，表情變得認真起來。同樣的實驗換成「科學家」「罪犯」這些詞繼續做下去，偏向特定性別與種族的圖像一再出現。AI 並不是客觀映照世界的鏡子，而是連學習資料裡所含的偏見都原樣學了起來的存在。 這個瞬間若就這樣放過，學生會誤以為 AI 的答案是中立的；若抓住它，就會成為和學生一起思考公平的課。

AI 偏誤在教室裡變得危險的地方

處理 AI 偏誤之所以困難，是因為它不容易顯露出來。

• 看起來像中立：只因為是機器給的答案，學生就毫不懷疑地接受了其中的偏斜。
• 根植於資料：偏誤不是某一個特定的答案，而是滲透在整份訓練資料裡，很難用眼睛看出來。
• 再生產的擴散：學生若原封不動引用有偏誤的結果，那份偏斜就會透過作業與發表擴散得更廣。

目標不是讓學生不信任 AI，而是培養一雙眼睛，懂得追問答案背後裝著誰的世界。

用 Flipsson 一起檢視偏誤的課

Nallijaku 的模組化教學平台 Flipsson 免安裝，直接在瀏覽器裡把這個檢視活動裝成一條流程。用 區塊編輯器 在導入標註裡丟出探究問題，把學生以各種條件去問 AI 得到的結果用圖片、檔案繳交區塊收起來，再用申論作業區塊讓他們寫下「看得出什麼樣的偏誤」，觀察—證據—詮釋就會在同一個模組裡串起來。 在作業區塊設定必答，就能引導學生不只是把結果貼上去，還一定要留下自己的詮釋。

尤其 AI 家教 會成為這堂課很好的對照案例。Flipsson 的 AI 家教不是以整個網路、而是以正在學的模組為依據回答，並標示出內容取自哪個區塊的出處，因此學生會把「看得見根據的答案」與「藏起根據的偏誤」並排比較。確認出處的習慣本身，就會延伸成不盲目接受 AI 答案的態度。接著把各自找到的偏誤案例以卡片貼上 意見板，大約 4 秒就匯集到所有螢幕上，一個班發現的偏誤地圖便攤在眼前。 大家在彼此的案例上按讚、留言，從同學的卡片裡發現自己一個人時會漏掉的偏誤，對公平的敏感度也在討論中長大。完成的檢視模組存進 模組庫，下學期在別的班級也能再拿出來用。

重點整理

AI 的偏誤不是該隱藏、也不是拿來嚇人的對象，而是可以和學生一起用證據檢視的課程材料。用區塊留下觀察與詮釋，用看得見出處的 AI 家教與意見板把偏誤顯露出來，對公平的敏感度就會在實際活動之中被養成。這樣養成的眼光，越過 AI 之後，面對世上的資訊時也會讓人追問「這個判斷是誰的觀點」。免綁信用卡即可開始，最多 10 個課堂免費，建議先從處理偏誤的那一節課開始。