# 第五次會議 1021
[TOC]

## AI在各領域的利與弊
伊靜
**Ai在法律领域的貢獻：**
1.自然語言處理技術來實現法律諮詢的自動化系統。使用哥倫比亞聖托馬斯大學法律諮詢中心案例來測試方法的性能，發現方法在法律問題識別方面的準確率達到了95%左右。
https://www.sciencedirect.com/science/article/pii/S2405896321018978
2.Predictive Analytics: 预测分析，使用AI来分析大量法律数据以预测案件结果或法律趋势。
(https://ebooks.iospress.nl/doi/10.3233/FAIA200861)
3.Explainability legal ai: A Methodology and Software (https://arxiv.org/ftp/arxiv/papers/2206/2206.06251.pdf)

**生成式人工智貢獻：**
1.ChatGPT in education: Methods, potentials and limitations
https://www.sciencedirect.com/science/article/pii/S2949882123000221
2. 量化資產管理-提出一種將大型語言模型納入量化投資模型的方法。實證結果顯示，ChatGPT的資產類別推薦可以提高投資組合的效率，相比於更多元化的投資組合。
(https://www.sciencedirect.com/science/article/abs/pii/S1544612323009522)
3. 生成式人工智慧時代撰寫有說服力的文獻綜述-有說服力的文獻綜述需要具備以下四個特徵：創新性、理論性、方法論性和實用性。文章分別對這四個特徵進行了詳細的解釋和示例。
https://www.sciencedirect.com/science/article/abs/pii/S0963868723000343
每個人都有在法律面前得到代表和辯護的憲法權利。但實際上，只有一些人可以獲得法律援助。本研究的目的是設計一個智能的基於移動設備的法律諮詢服務應用程序，以解決社區法律援助問題的需求。使用的方法是快速應用程序開發（RAD）方法。設計過程使用統一建模語言（UML）與用例圖、業務流程建模符號圖和類圖。應用程序設計生成流程設計、數據庫設計和界面設計。該應用程序的草案可以增加社區對法律援助的接觸，開放公眾參與社區法律問題的貢獻，收集有關法律問題的數據，並提高應用程序從各種來源檢索數據的能力。雅加達
https://pubs.aip.org/aip/acp/article/2680/1/020114/2928495
佩芸

1. 醫療 [參考資料](https://www.bbc.com/ukchina/trad/vert_fut/2016/11/161128_vert_fut_the-real-risks-of-artificial-intelligence)
... Google的人工智能子公司DeepMind正在與英國國家醫療保健服務（National Health Service，NHS）展開合作，其中的一個合作項目就是讓軟件學會根據掃描結果診斷病人是否患有癌症或眼部疾病。其他的項目包括通過機器學習捕捉心臟病和阿茲海默症的初期症狀。...
...人工智能還被用來分析數量龐大的分子信息，以尋找新藥的候選品——如果讓人來完成這一過程將耗時過長。...
2. 司法領域 assistant [參考資料](https://www.bbc.com/zhongwen/trad/science-58236166)
AI可以幾分鐘之內完成資料查閲、解讀、確定與案情相關的結論和建議，從而為律所節省大量時間、人工，提高律師服務質量和價值。 倫敦一名刑法律師薩麗·霍布森（Sally Hobson），接手了一樁案情複雜的謀殺案，需要查閲、分析的卷宗多達萬餘份。AI司法助手登場，迅速凖確地完成了這部分工作，比人工操作提前4個星期，節省開支5萬英鎊。 她的AI助手叫Luminance，程序員叫埃利諾·威弗（Eleanor Weaver）。Luminance現在可以使用80種語言，「受僱」於全球55國300多個律所。
Claire
自駕車AI倫理
https://wto.cnfi.org.tw/upload/file/Dir004/Cat180/1601259893_09_%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E8%87%AA%E5%8B%95%E9%A7%95%E9%A7%9B%E8%BB%8A%E4%B9%8B%E7%94%A2%E6%A5%AD%E7%99%BC%E5%B1%95.pdf
pros 淺在危險反映 快 結合生物特徵 減緩都市停車位 汽車共享
cons 演算法偏差（數據不夠具有代表性，導致檢測能力出現偏差，優先考慮特定族群。) 隱私問題

# 主題投票
## QuanWei
主題名稱：AI醫生 Vs 真人醫生 到底該選擇哪一個？

內容概要(大綱)
目前科技發展迅速，美國已經有AI投入醫療業協助醫生評估病人的情況。目前也有出現AI的評估以及醫生的評估不一致。若采用AI的評估後續造成醫療疏失，醫生是否該爲其負責？ 又或是使用醫生的評估後才發現AI的評估才是正確的，那是否也會出現醫療糾紛。那到底該不該引入AI進入醫療產業。

教學重點
引發學生的思考，可以從不同的角度以漸進式的方式引導學生/讀者怎麽從這個議題擴散到整個AI的倫理問題
這邊提供一個想法：不妨從“把AI當成一個人來看”
借用以上的情景，假設他今天去A醫院被醫生診斷出有癌症，他自己不相信，會采取什麽行動 ->去B醫院
那如果在B醫院得到的診斷是輕微發炎，吃抗生素就好
就有點像是我們上面提到的情景了
那這時候面對著兩個醫生落差很大的評估，再去思考我們一般人會做什麽
我個人是再去C醫院在診斷一次，最後看是要相信哪一家醫院的評估 -->到最後取決於人自己的選擇

問答題目 (開放式)
換做是你會相信AI幫你評估出來的結果嗎
A.相信，畢竟一定會通過一系列的測試以及檢核才能投入使用
B.不相信，還是覺得人評估出來的比較可信

資料來源
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8963864/#B27

<hr>

## 林于薰（Claire）
主題名稱：自駕車的AI倫理問題
內容概要：探討自駕車在現今社會的應用狀況，並了解自駕車在AI領域中的優勢與劣勢。
教學重點:讓小朋友了解自駕車AI的應用(pros and cons請參考下面文字)
問答題目(開放式)：我們生活在科技化的世代中，自駕車的技術也在日漸革新，然而，自駕車的隱私安全卻是我們一直所顧忌的，大家不妨動動腦思考一下有什麼方式能解決隱私問題呢？
資料來源：https://wto.cnfi.org.tw/upload/file/Dir004/Cat180/1601259893_09_%E4%BA%BA%E5%B7%A5%E6%99%BA%E6%85%A7%E8%87%AA%E5%8B%95%E9%A7%95%E9%A7%9B%E8%BB%8A%E4%B9%8B%E7%94%A2%E6%A5%AD%E7%99%BC%E5%B1%95.pdf

利的部份****

1.可以排除駕駛人，因為人為因素而導致之交通事故，因為自動駕駛汽車不像人類只有有限的環境感知能力，他可以利用主動與被動感測器（例如光學雷達）做大範圍感測、對於潛在危機做出安全反應，且速度比人類駕駛快。

2.結合生物特徵，可以防止車輛失竊問題，緩解都市停車位短缺的問題，因為汽車可以讓乘客下車後，自行駛離人口密集區，停到有足夠停車位的另一處場所，並在需要時返回搭載乘客。運用在汽車共享上，可以減少車輛總量，減少碳排放。

弊的部分****

1.目前演算法的數據可能不夠完整，導致檢測能力出現偏差，研究指出當前會優先考慮特定群體，而忽略其他群體（例如小孩跟有色人種），所以必須消除目前人工智慧演算法中的偏見。

2.自動駕駛車隱私問題，會隱含著對使用者各種行為的監視及資料搜集。如車輛與其他應用程式結合時輸入之銀行或是信用卡資訊或是一般個人辨識資訊（像是社群網站之帳號）、使用者之個人生活方式（例如某診所之病患、某教會之信徒或是某酒吧之常客）、車輛的位置訊息，或是為了避免駕駛員酒駕，自駕車也可能蒐集駕駛員的身體資訊，例如利用呼吸式酒精濃度檢測裝置確認駕駛員吐氣之酒精濃度以及紅外線掃描裝置測量駕駛人的血液酒精濃度等，而在此過程中所蒐集之資料亦能夠用來分析駕駛人的健康情況等身體素質。自駕車所蒐集的資料將會大範圍的揭露使用者的日常生活甚至是身體狀況，他都會建構出一種使用者特徵，這些使用者特徵對於政府來說可能成為監視人民的工具，而對於企業來說則可能作為各種商業化的利用。

3.互聯風險：自駕車與自駕車間形成的車聯網，可能他人被用來惡意操控自駕車，或者對特定自駕車傳送錯誤資訊，導致事故發生。

4.駕駛人與自駕車的合作不順暢，例如在系統發出警示訊號，要求駕駛人接管駕駛任務時，駕駛人未即時接手。

<hr>

## 黃伊靜
主題名稱：自然語言處理在法律諮詢中的應用
內容概要(大綱)
背景：介紹法律諮詢的定義、目的、問題和機遇，以及自然語言處理的定義、技術和領域。
方法：介紹文本處理的一般流程，包括文本預處理、詞向量轉換、文本識別模型和模型評估，並給出相關的例子和公式。
結果：介紹使用哥倫比亞聖托馬斯大學的法律諮詢中心的真實案例來測試方法的性能，並展示方法在法律問題識別方面的準確率和混淆矩陣。
結論：總結方法的優點和局限性，並討論將自然語言處理技術應用於法律諮詢中心的潛力和挑戰，以及未來的研究方向。
教學重點
自然語言處理是一種利用計算機來分析、理解和生成人類語言的技術，它涉及多個子領域，如語音識別、自然語言理解、自然語言生成等。
文本預處理是對原始文本進行清洗、轉換和標準化的過程，它包括多個步驟，如去除停用詞、分詞、詞性標註、命名實體識別等。
詞向量轉換是將文本中的單詞或短語轉換為數值向量的過程，它可以幫助計算機捕捉語言的語義和語法特徵，常用的方法有TF-IDF、Word2Vec、BERT等。
文本識別模型是根據文本中的特徵來對文本進行分類或標註的模型，它可以幫助計算機理解文本的內容和意圖，常用的方法有Naive Bayes、SVM、CNN、LSTM等。
模型評估是根據預測結果和真實結果來衡量模型性能的過程，它可以幫助計算機優化模型參數和選擇最佳模型，常用的指標有準確率、召回率、F1值等。
問答題目 (開放式)
問：什麼是法律諮詢？它有什麼目的和問題？
答：法律諮詢是指向低收入公民提供免費或低價的法律服務和建議的活動。它有助於保障公民的法律權益和社會正義。但是由於法律諮詢需求量大而資源有限，導致服務延遲和質量下降。
問：什麼是詞向量轉換？它有什麼作用和方法？
答：詞向量轉換是將文本中的單詞或短語轉換為數值向量的過程。它可以幫助計算機捕捉語言的語義和語法特徵，從而進行更深層次的文本分析和處理。常用的方法有TF-IDF、Word2Vec、BERT等。
問：什麼是文本識別模型？它有什麼類型和應用？
答：文本識別模型是根據文本中的特徵來對文本進行分類或標註的模型。它可以幫助計算機理解文本的內容和意圖，從而進行更有效的文本處理和應用。常見的文本識別模型有兩種類型：監督式學習和非監督式學習。監督式學習需要事先給定文本的類別或標籤，如情感分析、主題分類等。非監督式學習不需要事先給定文本的類別或標籤，如聚類分析、關鍵詞提取等。
資料來源
本教學的資料來源是以下的文章：
Rincón-Riveros, D. A., Salazar-Molina, S. M., Pinto-Cáceres, W. A., Amaya, S. P., & Calderon, J. M. (2021). Automation System Based on NLP for Legal Clinic Assistance. IFAC-PapersOnLine, 54(13), 283-288.

<hr>

主題名稱:ChatGPT作為量化資產管理者的方法和效果
內容概要(大綱)
背景：介紹ChatGPT的定義、特徵、發展和影響，以及使用ChatGPT作為量化資產管理者的目的、問題和機遇。
方法：介紹一種基於風險因子、經濟情景和組合優化的量化投資模型，並將ChatGPT作為一個組件，用於在不同的經濟情況下推薦資產類別。
結果：介紹使用2013年至2021年的ETF回報數據來測試模型的性能，並展示ChatGPT推薦的資產類別可以提高組合效率，相比於更多元化的組合。
結論：總結模型的優點和局限性，並討論將ChatGPT納入量化投資決策的價值和效率，以及未來的考慮和建議。
教學重點
ChatGPT是一種基於Transformer架構的生成式預訓練語言模型，它可以根據給定的文本或圖像生成自然而流暢的文本或圖像，它由OpenAI開發並於2022年11月公開發佈。
量化投資是一種利用數學模型、統計分析和計算機技術來分析市場數據、選擇投資策略和執行交易的投資方法，它可以減少人為誤差和情緒干擾，提高投資效率和收益。
風險因子是一種能夠解釋資產回報變異性的變數，它可以幫助投資者識別不同資產之間的相關性和風險溢價，常用的風險因子有市場因子、規模因子、價值因子等。
經濟情景是一種描述未來可能發生的經濟事件和趨勢的假設，它可以幫助投資者預測不同資產類別在不同情況下的表現，常用的經濟指標有失業率、利差、通貨膨脹等。
組合優化是一種根據預期回報和風險水平來分配資產權重的過程，它可以幫助投資者建立有效前沿上的最佳組合，常用的方法有均值方差優化、最小方差優化等。
問答題目 (開放式)
問：什麼是生成式預訓練語言模型？它有什麼特點和優勢？
答：生成式預訓練語言模型是一種能夠根據給定的文本或圖像生成自然而流暢的文本或圖像的模型，它通常使用大量的非監督式數據進行預訓練，然後使用少量的監督式數據進行微調。它的特點和優勢是能夠捕捉語言的深層語義和語法特徵，並適應不同的任務和領域。
問：什麼是Transformer架構？它有什麼組成部分和作用？
答：Transformer架構是一種基於注意力機制的深度神經網路架構，它可以有效地處理序列數據，如文本和圖像。它的組成部分主要有兩種：編碼器和解碼器。編碼器負責將輸入序列轉換為隱藏表示，解碼器負責將隱藏表示轉換為輸出序列。
問：什麼是量化投資？它有什麼目的和方法？
答：量化投資是一種利用數學模型、統計分析和計算機技術來分析市場數據、選擇投資策略和執行交易的投資方法，它可以減少人為誤差和情緒干擾，提高投資效率和收益。量化投資的目的是在不同的市場情況下實現穩定的超額收益，量化投資的方法包括風險因子模型、經濟情景分析、組合優化等。
資料來源
本教學的資料來源是以下的文章：
Kim, J. H. (2023). What if ChatGPT were a quant asset manager1. Finance Research Letters, 58, 104580

Sentient Technologies（美国/香港）：通过结合进化计算、深度学习和自然语言处理等领域，在金融领域中应用AI来预测市场动向和执行交易。拥有最多资金，从Access Industries、TATA Ventures和Horizon Ventures获得1.4亿美元资金。

Aidyia（香港）：运用先进的人工智能技术，识别金融市场模式和预测价格走势。
http://www.aidyia.com/
Walnut Algorithm（法国）：将人工智能的最新进展应用于系统性投资策略，目前专注于美国和欧洲的流动性股指期货。
https://walnut.ai/
Pit.ai（英国）：一个机器学习型对冲基金，被纳入YC W17类别。
https://pit.ai/
Tickermachine（美国）：是一家基于行为经济学原理的低频算法交易公司。
https://tickermachine.com/

<hr>

## 佩芸
* 主題名稱: AI誤判造成的歧視
* 內容概要:
* [Case 1: The Apple Card Didn't 'See' Gender—and That's the Problem](https://www.wired.com/story/the-apple-card-didnt-see-genderand-thats-the-problem/)
用戶舉發該卡的演算法疑似性別歧視，明明條件相當，女性的信貸額度卻遠低於男性。
文章中寫道 Goldman landed on what sounded like an ironclad defense: The algorithm, it said, has been vetted for potential bias by a third party; moreover, **it doesn’t even use gender as an input. How could the bank discriminate if no one ever tells it which customers are women and which are men?**
* [Case 2: Machine Bias - There’s software used across the country to predict future criminals. And it’s biased against blacks.](https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing)
A computer program spat out a score predicting the likelihood of each committing a future crime. Borden — who is black — was rated a high risk. Prater — who is white — was rated a low risk.
Two years later, we know the computer algorithm got it exactly backward. Borden has not been charged with any new crimes. Prater is serving an eight-year prison term for subsequently breaking into a warehouse and stealing thousands of dollars’ worth of electronics.

* 教學重點 [參考網頁](https://ai-blog.flow.tw/ai-discrimination)
* 從案例出發，解釋AI造成的偏見是如何形成
(造成AI偏見的原因是出自於那些被提供進AI模型的「資料」。而機器學習與深度學習技術的根本就在「數據」，當研究人員沒有注意到資料庫含有刻板印象和偏誤時，無形中便是允許了不平等存在於資料數據中。)
* 引導學生思考如何避免AI的歧視和誤判
(採用具有代表性的數據庫來訓練和測試模型
當心抽樣偏差，採用真實數據，並力求訓練數據中多樣性和代表性，避免忽略或扭曲特定性別、宗教、種族等群體的影響力，進而影響預測結果。)

* 問答題(開放式)
「既然機器不知申請人的性別，談何歧視？」 這個論點成立嗎？排除敏感變項就沒有歧視了嗎?

## 理川

- 主題名稱: 你讀的新聞是誰寫的？

- 背景： 新聞是我們了解世界發生什麼事情的重要來源，但你有沒有想過，你讀的新聞是誰寫的？現在，越來越多的新聞機構正在使用人工智慧（AI）來自動化一些新聞內容的生產，比如說整理巨大資料， 地震的報導，社交媒體的內容等。

- 內容概要： 介紹一些新聞機構使用AI的例子，並探討AI對新聞業的優勢和挑戰

教學重點:
- 介紹什麼是AI和如何用於新聞生產
人工智慧（AI）是計算機科學的一個分支，旨在創建能夠執行通常需要人類智慧的任務的智能機器 [1]
我們根據人工智慧的七個子領域分析了新聞業的人工智慧採用：（i）機器學習； (ii) 電腦視覺（CV）…. [2] （詳細資訊有在4. Findings ） (更多的解釋跟例子 在 [7])
新聞業的新方: Data journalism (資料新聞學), Algorithm Journalism (演算法新聞學), Automated Journalism (自動化新聞學), Metrics-Driven Journalism (指標驅動新聞學). [3] (3. Artificial Intelligence and Journalistic Practice)

- 舉例說明一些使用AI的新聞機構
- QuakeBot (Los Angeles Times)
Quakebot 是一個使用一些人工智慧技術來自動撰寫地震新聞文章的軟體應用程式. 最後這些文章由人工編輯審閱並發布[4]
- Heliograf (The Washington Post)
Heliograf 是一個 機器人報告程序。 那這個功能不是要取代記者，而是要協助他們，讓他們的工作更容易更快速。Heliograf可以偵測財經和大數據的趨勢，並提醒記者進行報導。 [5]

新聞機構會自己製造AI系統，來幫助一些特定的功能，例如內容生成、分析和推廣，或者圖像處理和識別。很少會直接用來做新聞，因為這可能會引起讀者的不信任和質疑。而是背後的新聞整合資料，利用AI的能力來提供更快速和準確的信息。

- 分析AI對新聞業的優勢和挑戰
優勢: Automated News Writing (自動新聞撰寫), Fact-Checking (事實核查), Personalized News (個性化新聞), Content Recommendation (內容推薦), Audience Analysis (觀眾分析). [1] (1.2. Literature Review)
挑戰： [3] (5. Challenges Of Ai in Journalism)

- 問答題目
- 你覺得新聞機構最想要的前五名的自動化願望清單是什麽？
Transcription， social media content creation， auto writer (structured data)， audience analytics, recommendations [8] (Page 50)
- 如果你們有一個做新聞的作業， 你們會用AI 嗎？ 會的話會怎麽利用AI ?

資料來源
[1] https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4401194
[2] https://www.mdpi.com/2673-5172/3/1/2
[3] https://www.arcjournals.org/pdfs/ijmjmc/v5-i1/4.pdf
[4] https://www.latimes.com/people/quakebot
[5] https://www.forbes.com/sites/nicolemartin1/2019/02/08/did-a-robot-write-this-how-ai-is-impacting-journalism/?sh=75a93f0f7795
[6] https://academiccommons.columbia.edu/doi/10.7916/D8X92PRD
[7] https://arxiv.org/ftp/arxiv/papers/2309/2309.12357.pdf
[8]https://www.ap.org/assets/files/ap_local_news_ai_report_march_2022.pdf#page=53&zoom=100,68,328

<hr>

## 高誌
- 主題名稱：眼見為憑？

- 背景：2023年初美國影視工業出現罷工事件，影視工業的員工們包含所有參與演出的人員，從名不見經傳的臨時演員到名聲威震八方的國際巨星們，大家的擔憂只有一個那就是是否ＡＩ的出現會對影視工業造成巨大的危害？

- 實境模擬：由淺入深的實際互動方式，以下為流程概要：
「」：活動小標題
【】：活動目的
1. 「生活小應用」
讓小孩子使用IG中的濾鏡效果，結由簡單的換臉方式讓小孩明白，虛擬人物的建設，讓小孩們知道原來生活中的很多東西都慢慢和AI有一點點的關聯．
【藉由生活中的例子讓孩子們知道AI在身邊的應用】
2. 「中階的應用」
使用相關網站（待補）進行聲音的相關模擬，藉由AI生成出各種名人的聲音講出想要他們幾窗來的語句，讓孩子們知道聲音居然也可以由AI製造．
【利用比較特別的應用，帶出小孩子對於聲音模擬的興趣，讓小孩提出：『老師！這是怎麼做到的！？』這樣的方式帶出接下來的課程】
3. 「AI原理的介紹」
由上述的簡單活動讓小孩子們知道AI能夠做很多事情，特別是聲音生成的方向，讓孩子們不要覺得一開始就上課好無聊，
藉由活動帶出小孩的好奇心後開始給予觀念．介紹生成式AI的簡單原理，讓小孩明白「真相」，而真相就是「大數據的搜集和分析」，藉此讓孩子們出現恍然大悟的感覺．
【這部分帶出AI原理】
4. 「AI的危險性」
講解完之後，可以調整介紹的方向，讓孩子們理解這項工具很好用的同時也需要小心使用方式．此時可以播放一段由AI生成的動畫片「舉例：蜘蛛人無家日中的反派大多是使用AI的臉部建模，讓孩子們理解到這些真的分辨不出來．」最後可以在使用AI建模出來的影片（歐巴馬的模擬演講），讓小孩們誤以為真的是本人，但經過後續鑑定才發現是AI生成出來的．
【利用實際的例子讓小孩們知道並且帶入本活動之議題：眼見為憑？引導出一個簡單的問題：是否未來你視訊的家人真的是你的家人呢？藉由反思讓小孩們知道AI大環境下的倫理思考】
5. 「AI倫理的倡導」
讓孩子們理解和反思後帶入我們要倡導的議題，AI的使用和發展是否需要被規範和約束呢？（舉一些小孩們知道的新聞內容，如小玉入獄案？？？［若不妥我再找合適一點的］）帶出一些國際間的規範內容，歐盟和日本已經有提出針對該領域的相關的規範措施，讓孩子們理解其他國家已經開始做這些事情了，並且引導出一個問題：那臺灣呢？此時介紹一些台灣可能已經有的規範，活動的最後可以回到「倫理」的本質意涵：價值的判斷，好與壞，對與錯，應該與不應該，義務或責任等等，讓孩子們思考AI在某些方面的應用是不是真的可以被接受和允許呢？藉由簡單的道德判斷對實際行為構成一種規定和要求，藉此鼓勵某些行為和禁止某些行為．
【活動尾聲利用到國際間的實際情況讓小朋友們知道目前世界的趨勢是如何，並且帶出小孩子的思考和意見，讓孩子們進行道德行為的反思，自行釐清出AI使用的倫理問題】

- 活動時間：約莫1.5-2小時
- 參考資料：[1]https://pansci.asia/archives/341465
[2]https://www.intuition.com/ai-ethics-what-are-the-key-issues/
[3]https://www.kocpc.com.tw/archives/501802
[4]https://www.thenewslens.com/article/165824/fullpage

## 威豪
主題名稱：生成式AI對教育的影響
#### 內容概要(大綱)

背景：介紹基於生成式AI和NLP自然語言處理模型的ChatGPT。
方法：介紹現階段ChatGPT在教育上的應用，包括協助老師撰寫課程講稿，學生查詢資料、撰寫論文等，以及其潛在的風險。
結論：ChatGPT和其他AI語言模型能成為對學生和教師有用且方便的工具。這些模型可以生成類似人類的文本、參與對話、回答問題、撰寫論文和作業。潛在的應用包括文本編輯、虛擬輔導、語言練習、提出和解決問題以及研究協助。但是它們也可能會提供不正確的資訊。因此需要謹慎使用這些工具。ChatGPT的多功能性也引發了一些問題，因為它可能有能力生成完整的答案給學生，進而影響教學與能力評估。工程教育在採用這些工具的同時，評估策略必須不斷發展，以防止不道德行為如作弊、抄襲等。此外，要確保各地能公平獲得先進技術以及充分的培訓和教育，以避免加劇現有的資源不平等。

#### 教學重點
實際讓同學操作ChatGPT問幾題數學問題、寫作文等。並請幾位同學對ChatGPT的回覆給評論。

#### 問答題目 (開放式)
問：你有用過ChatGPT或其他AI模型嗎？用途為何？

問：你覺得AI的出現會對人類學習造成什麼影響？(前期問)
答：
1.人類可以學更多、學更快，能用當然盡量用。
2.會讓人類不想學東西，反正AI問一問就有了，我們就不用學了。能不用就不用。
3.其他

問：聽完以上演講，感想與心得為何？

資料來源
J. Qadir, "Engineering Education in the Era of ChatGPT: Promise and Pitfalls of Generative AI for Education," 2023 IEEE Global Engineering Education Conference (EDUCON), Kuwait, Kuwait, 2023, pp. 1-9, doi: 10.1109/EDUCON54358.2023.10125121.
https://ieeexplore.ieee.org/abstract/document/10125121/authors#authors

# 專案名稱*2：
## Claire
1.咦，究竟AI是神隊友還是豬隊友？
2.AI也會出差錯？淺談人工智慧帶來的倫理及風險

## 淯絜
1.AI如何改變世界
2.關於AI你要知道的事

# 工作分配
**組員**: 梁高誌 林于薰 葉權葦 黃威豪 洪理川 郭佩芸 黃伊靜 楊淯絜

北 Patty
中 Claire Kyle
南 權 豪 Andrew
海外 Esther

**工作**:
IG發文: Joy(文) Esther(美宣)
講課:
與校方聯絡，寫proposal:

線上_IG發文 + 線下_教小朋友 :arrow_right: 把教材放在IG上，小朋友下課前追蹤按讚留言
?年級
?場

# 開會時間是否需要調整
一月一次
10/28 前 整理好的文獻/paper/news...放hackmd
10/31 投票 選三個主題 + 新的主題名稱(一人提兩個)
11/18 下次開會