跳到主要內容

思辯,疫情停課後,數位教育何去何從?政府思維該如何改變?

回應,疫情停課後,數位教育何去何從?政府思維該如何改變?

疫情停課,首當其衝是老師,是學生,特別是國小以上階段,有些話該說還是

原文網址:

https://www.facebook.com/pcyeh.NTU/posts/6585411554817820




文:前面提到其他國家的教育單位,也沒有自己開發大一統的政府平台給老師用。因為很花錢、而且實務上也很難做,更重要的是與網路時代教學的多元精神是違背的。

其實每個國家,最後會建立自己的系統,教育是人民的權益,教育單位有必要扛起品質的責任,所以建立單一平台,監督品質這件事情在每個國家最終都會發生,也正在發生中!

會有不需要單一平台誤會,主要來自於網路誤區,這其中最大的不同在於,網路內容多樣性,因此才會產生不需要專有平台的誤解。

實際上遠距之後就跟自學體系沒有兩樣,學習內容必須要被檢定且必須要被最小範圍,規範讓學生學習到該年紀應達到之基礎。

最終應該回到檢驗機制,利用檢定,基本能力確認,證照等方式,確保學生的學習有正在走向正軌,並且學習從專業人士身上學習到該有的基本學科內容。

所以,公部門單一平台化,其實有其必要性!

文:但有件事情我認為是迫切該改變的。其他國家的老師,有政府的預算可以讓學校老師覺得好用的網路平台服務。台灣卻是學校、老師什麼買軟體服務的預算都沒有。
所以到頭來,台灣的老師一天到晚只能找網路上免費的服務來用。一旦聽到要收錢了,大家就人心惶惶。

個人觀點並不是軟體收費問題,也不是硬體問題,

根本問題是老師收入太少!

以主計處提供資訊,可查到教育者平均薪資為 27000 - 35000 月薪

就這樣的薪資水準來說,扣除房租,生活開銷,大概就僅能支持溫飽,政府對於停課之後並沒有提供實質補助給予教師添購硬體,軟體,僅只有讓老師使用現有資源進行所謂『遠距課程』

當然一堆荒腔走板的課程都逐漸浮上台面,更不用說買軟體,額外花費時間學習軟體使用,額外學習影片剪輯等 …

而這些是老人不懂,年輕人才有辦法快速站上的舞台,但很可惜,薪資高的在教師界就是老人居多,年輕人基本上就是拿到這樣的平均薪資,能做不多,多做又無法,陷入兩難局面。

這才導致免費平台是唯一出口,只有免費才能讓老師安心使用,一旦持續訂閱持續花費,一個月 300 - 600, 一年下來也是個可觀的數字,對於一個月只有兩三萬的老師來說。

問題在哪裡

說穿了,整個停課機制,就是

政府沒有任何配套措施
政府沒有任何配套措施
政府沒有任何配套措施

疫情期間救了大家的,其實是這些免費軟體的提供,高 CP 值 3C 產品和優秀的台灣硬體品質,還有這些願意花費更多額外時間和精神瞭解如何是對孩子更好的老師們,是這樣犧牲奉獻的心,拯救了台灣的教育!

是全部台灣人,救了台灣人自己

要有好的遠距教學品質,需要有優良的網路基本建設之外,『絕對需要有好的硬體設備』,包含手寫版,視訊鏡頭,聲音麥克風,當然更需要優秀的軟體搭配,但絕對需要有相對應品質的硬體設備,缺一不可。

『好的軟體為何沒有台灣廠商』,這個議題可以另外討論,就不在此範圍中。

在未來建議台灣政府,放手讓老師執行數位計畫,或者發放資源給民間進行『數位內容製作』別再搞這些上不上下不下的事情了,就跟創業輔導一樣,越不干涉,越能做好事情!

最後還是要說,老師們辛苦了,家長們辛苦了,孩子們辛苦了!

說真的疫情時代過後,老師價值多少,什麼是教育者,教育與家庭該扮演什麼樣的角色,我們的薪資及養育系統的平衡,這些才是值得深思得問題。

留言

這個網誌中的熱門文章

Vibe Coding:為什麼 Junior 更快上手?Senior 要如何追趕?

現象層面(市場觀察) 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變,非常熱門。 身為 Cympack 產品開發團隊 ,我們也一直關注這個議題,在閱讀這篇文章時觀察到一些有趣的現象,對我們來說,這正好反映出 AI 正在改變開發生態,junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位,其中有些啟發(insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding? 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」,反而 embrace 快速迭代、快速出成果 反觀 Senior: 熟悉大型系統設計 有豐富的「工程正統流程」知識(架構設計、測試策略、效能優化、設計模式) 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師,對 prompt engineering 沒那麼熟練,還在觀望 技能面(未來的關鍵能力) Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢? Prompt 撰寫 / AI 互動 Junior 較強(熟悉 chat-based 流程) 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強(能看出潛在問題) 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding,並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力,但若不主動練習 vibe coding,長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享,希望帶給各位的感受, 『與 AI 協...

Vibe Coding 協作到自建 Dev Agent?從 Claude / Codex 到 OpenHands

過去一年,越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題,到後來很多人愛上 Cursor,直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗,已經大大改變了我們寫程式的方式。 更現實的是,在很多企業內部、政府單位、或涉及機密資料的專案裡, 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理,萬一專案裡有未公開的技術、敏感客戶資料,或是受限於法規 (像金融、醫療、政府標案) ,直接用雲端 AI 工具就會踩 紅線 。  因此,許多團隊反而更希望 「自己架一套 Dev Agent」 ,可以在內網執行,資料完全掌握在自己手上,該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline,全部客製化、安全可控。 這時候,像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手,而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署,從 CLI 操作到瀏覽器查詢, 從多檔案編輯到自動測試,全部都能自己完成,甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說,這是一條 從 「AI 幫你寫一段程式」,走向「AI 幫你解決一整個任務」 的進化路徑。而且,還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」,能模仿人類工程師從建立程式、修改程式碼、執行指令,到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端(OpenHands Cloud)與本地 Docker 運行版本,用戶能配置 LLM(如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用,又或者如果自己本機有 docker 的話,可以自己Local 版本透過 Docker 自架環境。 ...

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例,讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天,大家都在問一個問題: 「我能不能不只問 AI 答案,而是讓它像一位助理一樣,有流程、有反思、還有出處,真正幫我完成一件事?」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ,正是為了解這個問題而誕生。 這套系統到底是什麼? 這個範例不是傳統 Chatbot,而是展示一個完整的 AI research agent : 它會根據使用者的提問,自動發想搜尋關鍵字、查資料、整合重點,最後給出答案還附上引用來源。背後的邏輯設計得非常扎實,不只是能跑,更是具備可讀性、可擴展性與可商用性。 它的流程大致如下:  1. 使用者輸入問題(例如:「抖音是否影響台灣選舉?」)  2. Gemini LLM 幫你想出關鍵字(不只是照抄問題)  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足,自動補查  5. 整合最終答案,並產生 citation(來源說明) 你可以想像這就像一位實習助理幫你寫報告, 不只輸出一段內容,而是會 去查、會判斷、會補資料,而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色? LangGraph 就是整個 Agent 背後的控制系統 。 用白話講,它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查,甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API,而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說,它提供了從 prompt 到流程控制的設計彈性;對產品設計來說,它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構,前後端都幫你整好了,技術選型也非常實用:   前端:Vite + React + TailwindCSS + Shadcn UI  後端:FastAPI + LangGraph...