大語言模型應用

每天兩小時完成核心學科?Alpha School 正在重新設計「上學」這件事

AI 機器人在教室中帶領學生學習的社論卡通插畫。
本文目錄
  1. 五年級學生,不一定要學「五年級數學」
  2. AI 到底在這間學校裡做什麼?
  3. 老師沒有消失,工作換了
  4. 要讓孩子真的坐下來學,光有 AI 還不夠
  5. 「學習速度 2.6 倍」有多可信?
  6. 這項證據有多可信?
  7. 如果真的只需要兩小時,剩下的時間要做什麼?
  8. 註解
  9. 主要參考資料
  10. 獨立研究與外部資料
  11. Alpha School 制度與校方資料
  12. 關於「2x / 2.6x」宣稱的補充分析

2026 年 9 月,一間很不一樣的私立學校在芝加哥開學。

Alpha Chicago 招收學齡前到八年級的學生,一年學費 55,000 美元。孩子每天照常到學校,也會和同學一起活動,但上午的安排和一般學校差很多。沒有老師站在黑板前,讓全班一起聽四、五十分鐘的數學課。學生打開電腦,登入自己的學習系統,各自進行數學、閱讀、寫作等核心學科。坐在旁邊的兩個五年級學生,甚至可能正在學完全不同年級的內容。

大約兩個小時後,這一天的核心學科就結束了。

接下來學生並沒有放學。下午仍然留在學校,只是時間改拿來做公開演說、財務素養、科技、創業、團隊合作,以及其他實作活動。Alpha 原本把這套制度稱為「2 Hour Learning」,後來改名為 TimeBack。校方自己承認,舊名稱常讓家長誤以為孩子一天只上兩小時的學。它真正想表達的是:如果核心學科可以在上午完成,原本花在傳統課堂裡的幾個小時,就可以拿回來做其他事情。

它提出的問題其實比「AI 能不能當老師」大得多:如果數學、閱讀和寫作不再需要全班用同樣速度學上一整天,一所學校還應該怎麼安排孩子的時間?

五年級學生,不一定要學「五年級數學」

傳統學校有一個很難避免的限制。

假設一個班有 30 個五年級學生,老師通常還是得準備一套五年級數學課程。但真實的學生不會整齊地落在同一個位置。有人四年級的分數概念還沒有完全弄懂,有人可能已經能處理六年級的內容。同一個孩子不同學科之間也可能差很多:數學超前,閱讀普通,寫作卻需要補強。

Alpha 的處理方式,是先把「學生現在讀幾年級」和「這一科應該從哪裡開始」拆開。

TimeBack 會分別判斷學生在各科目前的程度。Alpha 的官方支援文件顯示,系統主要利用 MAP Growth1 等資料安排起始位置,而且每一科獨立判定。因此同一名學生的數學、閱讀和語文完全可能從不同年級開始。

找到起點之後,學生按照自己的路徑往前走。

這背後有一個其實比人工智慧古老得多的教育概念:精熟學習(mastery learning)。

精熟學習的想法很直觀。一般學校可能規定「這一章教兩週」,兩週以後全班一起進下一章。精熟學習則先設定學生必須掌握哪些內容。學生達到標準才往下走,沒有達標就補足缺口、重新練習,再接受評量。

Alpha 不同課程使用的規則並不完全一致,但 TimeBack 的分級測驗把 89.5% 以上視為精熟。如果學生沒有達到標準,系統會往較低的程度重新確認基礎。

這和一般班級裡最常見的情況有很大差別。

一個孩子考了 70 分,在普通學校通常還是跟著全班進入下一章。久而久之,前面的缺口可能一路累積。精熟學習試圖改變這件事情:學習目標固定,但每個人需要的時間和練習量可以不同。

這個觀念從 1960 年代就已經存在。英國 Education Endowment Foundation 彙整 80 項相關研究後認為,精熟學習的平均效果偏正向,80% 到 90% 左右的高精熟標準通常出現在效果較好的做法中。不過這批研究年代、方法和品質差異很大,基金會對整體證據可信度的評級仍然是「低」。

Alpha 沒有突然發明一套全新的教育理論。比較特別的是,現在有了足夠的軟體、資料與自動化工具,讓一整間學校同時管理許多不同的學習路徑變得比較可行。

AI 到底在這間學校裡做什麼?

「AI School」這個標籤很容易讓人想像,每個學生面前都有一個像 ChatGPT 一樣的聊天機器人,一問一答完成所有課程。

Alpha 實際的系統更複雜,也更接近一個數位化的個人學習管理系統。

學生登入 TimeBack 後,可以看到自己目前要完成的科目與任務。不同學習程式負責不同內容,系統再把學生的測驗結果、完成進度、正確率和其他資料整合起來,決定下一步往哪裡走。Guide 也能查看學生的學習狀態。

人工智慧與自適應技術在這裡的用途,主要是讓教材和進度按照學生的表現持續調整。它試圖處理一個老師在三十人班級裡很難頻繁做到的工作:學生完成一次練習或評量之後,就根據新的資訊重新安排下一步。

這類做法其實已有相當長的研究歷史。教育研究中有一類系統稱為「智慧家教系統」(intelligent tutoring systems, ITS),會根據學習者的答題與學習狀態,調整題目、提示或回饋。

2014 年一項統合分析把許多相關研究的結果放在一起比較,總共納入 107 個效果量、14,321 名學習者。結果顯示,智慧家教系統相較大型班級授課、一般電腦教材或課本,平均學習成果較好;但和真人一對一家教或小組教學相比,差異並不顯著。

2025 年另一篇針對 K–12 學生的系統性回顧整理了 28 項研究、4,597 名學生,也得到大致正向的結果。不過有一個細節很重要:當比較組本身已經使用設計良好的非 AI 家教系統時,AI 系統的額外優勢會縮小。

歐盟在 2026 年公布的新系統性回顧也得到相近的結論。智慧家教系統確實可以改善學習,但效果並不自動發生,也不會在所有情境下一樣大。系統怎麼利用學生資料、怎麼提供下一步教學,以及它如何被放進實際的學校環境,都會影響結果。

更值得觀察的是,軟體開始有能力承接一部分過去非常耗費教師時間的工作,例如安排練習、調整難度、檢查進度、發現知識缺口,再把資料整理給學生和成人看。

老師沒有消失,工作換了

Alpha 經常被媒體稱作「沒有老師的學校」。芝加哥開校時,當地新聞也直接用 teacher-free school 形容它。

這個說法很吸睛,但容易讓人產生另一個錯誤印象。

Alpha 的校園裡當然有成年人。只是他們不以傳統教師的方式工作,職稱也改成 Guide。

Alpha 對 Guide 的描述很清楚:傳統老師負責的內容講授大量交給軟體,Guide 把更多時間放在動機、情緒支持、生活技能和學生關係上。學生在上午進行核心學習時,Guide 會觀察進度、處理卡關、協助學生維持專注。下午的各種活動也需要成年人帶領。

如果把傳統教師的工作拆開來看,這個差異就比較容易理解。

一名老師平常同時在做很多事情:準備教材、講解內容、出題、改作業、判斷學生懂不懂、維持秩序、鼓勵學生、處理情緒問題、和家長溝通,還要設計活動。

Alpha 做了一個相當激進的分工實驗。當中的內容練習、進度追蹤和部分回饋交給軟體,人留下來負責比較依賴關係、判斷與互動的部分。

這個想法到目前為止還沒有充分研究證據證明可以完整取代傳統教師制度。教育研究者接受《Scientific American》訪問時也指出,現有研究能告訴我們自適應學習與 AI 家教可能有效,卻不能由此推出傳統教師的其他功能也可以全部交給軟體。

但 Alpha 至少逼出了一個很值得問的問題:如果軟體越來越擅長處理知識練習,人類教師一天最值得花時間做的事情還會和現在一樣嗎?

要讓孩子真的坐下來學,光有 AI 還不夠

「AI 學校」這個標籤還遮住了一個很實際的問題:孩子願不願意做。

就算一套系統能準確知道小學生現在應該練哪一道分數題,也不代表他會乖乖坐下來練。

Alpha 因此在學習系統裡加入大量動機設計。學生有每天的目標,也能看到進度和 XP2。不同學習程式甚至有不同的 XP 計算方式,例如完成活動、達到一定正確率,或投入一定時間,都可能獲得點數。

這些機制本身值得另外討論。它們可能幫助學生建立清楚的目標,也可能讓學習過度受到外在獎勵驅動。目前沒有足夠資料判斷 Alpha 這套動機架構的長期效果。

不過從制度設計來看,它確實補上了一個常被 AI 教育產品忽略的問題。

一個有效的學習系統需要的不只是「知道下一題該出什麼」。它還得讓孩子知道自己今天要完成什麼、目前做到哪裡、卡住時怎麼辦,以及完成之後會發生什麼。

而 Alpha 最大的獎勵其實就是它的校名理念之一:把時間還給學生。

上午完成核心學科,下午就可以去做其他事情。

「學習速度 2.6 倍」有多可信?

Alpha 對外呈現的成果相當漂亮。

校方長期宣稱,學生可以在兩小時裡完成大約「兩倍學習」,標準化測驗的成績也非常高。2026 年初,Alpha 還曾把 2025 年秋季到 2026 年冬季的 MAP Growth 資料交給 Gemini 和 Claude 分析,再公開模型產生的結果,用來和美國頂尖私立學校比較。這仍然是 Alpha 自己提供資料、決定分析方式,再由 Alpha 對外公布的結果。

這些結果值得看,但「使用第三方標準化測驗」和「經過第三方效果評估」是兩回事。

MAP Growth 的確不是 Alpha 自己出的測驗。它由 NWEA 開發,是一套會依學生作答表現調整題目難度的電腦自適應評量,也能用相同量尺追蹤學生不同時間點的表現。

可是使用外部測量工具,不會自動解決因果問題。

《Scientific American》在 2026 年訪問曾參與 MAP 系統開發的教育研究者 Andrew McEachin。他指出,這類測驗報告可以描述學生目前的表現,卻不能單靠它判斷某一項政策或學校制度是不是造成高分的原因。Alpha 目前也沒有公開足以讓外界重新分析其核心成效主張的完整底層資料。

還有一個更具體的統計問題。

Alpha 最常見的宣傳之一,是學生以一般學生大約 2 倍、甚至 2.6 倍的速度學習。曾經讓兩個孩子就讀 Alpha 的家長 Peter Naimoli 詳細拆解過這個算法。他本身認同 Alpha 的許多教育理念,也認為孩子可能確實學得比一般課堂快,但認為「2.6 倍」不能直接解讀成「一年學到別人 2.6 年的東西」。

問題出在倍數的計算方式。

簡化來說,如果一名學生實際增加的 MAP 分數,是相似學生預期成長量的兩倍,就可以算出「2 倍」。假設一般預期增加 10 分,學生增加 20 分,這個倍數還相對容易理解。

可是到了某些程度較高的學生,預期成長的 MAP 分數本來就可能很小。假設預期只增加 1 分,一名學生增加 5 分,公式立刻會得到「5 倍」。這並不代表他的知識真的以五倍速度累積,因為測驗分數本身也存在正常波動與測量誤差。

因此,目前比較安全的說法是:Alpha 公布的學生測驗成績很高,一些學生的進步幅度也可能相當可觀,但「2 倍」或「2.6 倍」不適合直接理解成學習速度提高了兩三倍。

接下來還有因果問題。

一年 55,000 美元的芝加哥校區,招收到的家庭本來就不會是美國兒童的隨機樣本。願意選擇一間昂貴、實驗性質強烈的新型學校,家長投入程度、家庭資源、孩子原本的能力與動機,都可能和一般學生不同。

即使 Alpha 學生最後真的平均取得非常高的全國百分位成績,單憑這個結果仍然無法知道:如果同一批孩子去了另一間優秀私校,成績會是多少。

這就是評估一套教育制度效果時最困難的地方。我們觀察得到孩子去了 Alpha 之後發生什麼,卻看不到「完全相同的孩子在同一時間沒有去 Alpha」時會發生什麼。

這項證據有多可信?

如果把 Alpha School 本身和它使用的教育方法分開看,目前可以得到兩個不同層次的答案。

第一層相對明確。

精熟學習、個人化練習和智慧家教系統都有既有研究支持。整體而言,根據學生目前程度提供適當練習與回饋,確實可能改善學習。

第二層就沒有那麼確定。

Alpha 把這些元素和 Guide 制度、下午活動、XP 動機系統、昂貴的私校環境及特殊的家庭選擇全部放在一起。我們目前沒有嚴格的研究可以把它們拆開,告訴我們哪一部分造成多少效果,也沒有足夠證據證明整套制度可以在一般公立學校、不同家庭背景與更大規模下維持同樣成果。

因此,Alpha 現在比較像一個很有意思、初步成績也值得注意的大型教育實驗。

把它宣布成已經證明成功的「未來學校」,證據還不夠。

但因為證據還不夠,就把整個模式當成科技公司的噱頭,同樣太快。

如果真的只需要兩小時,剩下的時間要做什麼?

過去談 AI 教育,大家很容易把問題集中在「AI 會不會取代老師」。

Alpha 提出的是另一個可能更難回答的問題。

現在的學校制度把很多事情綁在一起。孩子到學校六、七個小時,其中有相當大的時間按照班級、年級、課表一起學習。老師則同時負責內容傳授、練習、評量、管理、激勵和陪伴。

如果個人化軟體真的能把一部分核心知識學習做得更有效率,改變的可能不只是「誰來講這堂數學課」。

學校的時間配置也會跟著改變。

Alpha 的答案很鮮明:早上做高密度的核心學習,下午拿來練公開表達、合作、創業、理財、科技和其他生活技能。這個答案是否最好,目前沒有證據可以確定。有些家庭可能更希望孩子把下午用在藝術、運動、閱讀或自由遊戲上,不同年齡需要的安排也可能完全不同。

但這個問題已經值得問了。

如果一個孩子不需要每天花六個小時跟著三十個同學用同樣速度往前走,我們會把省下來的時間拿去做什麼?

再多補兩小時數學?

讓他學寫程式?

出去踢球?

和同學一起做一個真正需要合作幾個星期的計畫?

還是乾脆留下一些沒有明確「學習成果」的時間,讓孩子自己決定?

人工智慧和自適應學習讓一個存在很久的教育問題重新變得具體:我們究竟需要孩子花多少時間「上課」,又希望他花多少時間學會自己做事、和別人合作、處理挫折?

Alpha 給出了一個很激進的答案,但目前的證據還不足以證明它是最好的答案。如果未來的研究真的發現,基礎學科可以穩定地用更少時間完成,那時候需要重新設計的,就不只是教材或老師的工作。

我們可能得重新想一次,一個孩子每天去「上學」,到底應該去做什麼。


註解

  1. MAP Growth 是美國 NWEA 開發的電腦自適應學習評量。學生答對後,後續題目通常會變難;答錯則會調低難度,以估計學生當下的實際學習程度。成績以 RIT(Rasch Unit)量尺呈現,同一套量尺可以用來比較學生不同時間點的表現,因此常被學校用來追蹤閱讀、數學等科目的學習成長。MAP Growth 是外部標準化評量,但使用 MAP 成績本身並不能證明某一種教學方法造成了成績變化。

  2. XP 是 experience points(經驗值)的縮寫,源自電玩常見的點數系統。Alpha 把類似機制放進 TimeBack:學生完成學習活動、達到一定正確率或符合特定條件後取得 XP,用來讓學習目標與進度更容易看見。各學習程式的 XP 計算方式並不完全相同。

主要參考資料

獨立研究與外部資料

  1. Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent Tutoring Systems and Learning Outcomes: A Meta-Analysis. Journal of Educational Psychology, 106(4), 901–918. https://doi.org/10.1037/a0037123
  2. Létourneau, A., Deslandes Martineau, M., Charland, P., et al. (2025). A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science of Learning, 10, 29. https://www.nature.com/articles/s41539-025-00320-7
  3. Theis, M., Thomsen, M., Vogel, C., & Wasserfuhr, V. (2026). The impact of intelligent tutoring systems in general education: A systematic review of causal evidence on learning outcomes, motivation, and socio-emotional effects. European Commission. https://education-socioeconomic-experts.ec.europa.eu/publications/analytical-reports/impact-intelligent-tutoring-systems-general-education_en
  4. Education Endowment Foundation. Teaching and Learning Toolkit: Mastery Learning. https://educationendowmentfoundation.org.uk/education-evidence/teaching-learning-toolkit/mastery-learning/
  5. NWEA. MAP Growth 官方說明。https://www.nwea.org/the-map-suite/common-questions-families/
  6. Scientific American (2026). Alpha School wants AI to teach a billion kids. Should it? https://www.scientificamerican.com/article/alpha-schools-ai-teaching-model-is-expanding-does-it-work/

Alpha School 制度與校方資料

  1. Alpha School. Alpha Chicago. https://alpha.school/chicago/
  2. Alpha School. Introducing TimeBack: The Next Evolution of Alpha’s Model. https://alpha.school/blog/introducing-timeback-the-next-evolution-of-alphas-model/
  3. Alpha School EDU Support. Placement Tests in TimeBack. https://support.alpha.school/article/133839-quick-start-guide-placement-tests-in-timeback
  4. Alpha School EDU Support. XP Guide. https://support.alpha.school/article/129736-xp-guide

關於「2x / 2.6x」宣稱的補充分析

  1. Peter Naimoli. 2x Learning analysis. https://naimoli.com/peter/posts/2xlearning/

這一項屬補充統計評論,不是獨立學術效果研究。文章只用它說明倍數算法的解讀問題。

← 回到 大語言模型應用