生成式AI支持POE探究教案之設計：強化資料觀察到證據解釋

丁信中

文藻外語大學師資培育中心

100476@mail.wzu.edu.tw

 

摘要：本文以大學通識課程「跨科技整合與應用」中的「PM2.5危害與健康」單元為例，探討生成式AI如何支持POE（Predict–Observe–Explain）探究教學中的資料觀察與證據解釋。面對PM2.5具有時間、空間變化及多重影響因素的特性，本教學設計將POE中的Observation由直接現象觀察延伸至空氣品質資料的蒐集、比較、趨勢辨識與關係判讀；在Explanation階段，則引導學生由資料中選取具有解釋力的資訊，形成證據並提出有證據基礎的科學解釋，建構「預測—資料觀察—證據形成—證據解釋」的探究歷程。生成式AI在其中定位為認知與教學支持工具，協助資料整理、比較、提問、追問及解釋檢核，而非作為資料來源或答案提供者。本教學設計並進一步將證據解釋延伸至生活方案評估、行動實踐與反思，並規劃透過形成性、歷程及成果評量檢視學生的資料判讀與AI使用歷程。本文亦強調教師須把關科學正確性、資料可信度及AI生成內容，使生成式AI真正支持學生的科學素養、證據推理、問題解決與生活決策。

■ 前言

PM2.5與日常生活、空氣品質及健康風險密切相關，也是學生經常接觸卻不容易僅憑直接觀察理解的環境議題。PM2.5濃度會隨地點、時間、氣象條件及污染來源而產生變化，因此教學若僅停留於粒徑、來源與健康影響等概念介紹，學生較難進一步理解真實環境中的空氣品質如何變化，以及如何運用科學資料進行判斷。對通識課程而言，如何將生活議題轉化為學生可以提出問題、蒐集資料、形成解釋並做出生活決策的探究歷程，是值得關注的教學議題。本教學設計即以大學通識課程「跨科技整合與應用」中的「PM2.5危害與健康」單元為設計情境，結合科學概念、科技工具、資料探究與生活決策，建立由生活情境走向預測、資料觀察、證據解釋與行動應用的學習歷程。

POE（Predict–Observe–Explain）透過「預測—觀察—解釋」引導學生外顯原有想法，再依據觀察結果重新檢視與解釋現象，近年亦被運用於能源等生活化與跨領域科學議題（Wang & Wang, 2023）。然而，PM2.5這類真實環境問題往往無法在一般教室中以單一實驗完整重現，學生所需要觀察的也不只是眼前現象，而包括不同測站、時間與氣象條件下持續變動的真實資料。近年科學教育中的資料素養研究亦強調，學生須具備資料取得、分析、視覺化、解釋與應用等能力（Qiao et al., 2024）。因此，如何將POE中的O由直接的「現象觀察」延伸至科學資料的蒐集、比較與判讀，成為本教學設計的重要起點。

另一方面，觀察到資料差異並不代表學生已形成科學解釋。Duschl等人（2021）指出，科學知識建構涉及由觀察與測量形成資料，再經選擇與詮釋，使資料成為支持特定主張的證據，最後形成或修正解釋。換言之，學生除了要能「讀到數據」，更需要學會判斷哪些資料具有證據功能，以及這些證據如何支持所提出的解釋。生成式AI的出現，則提供資料整理、比較、提問、概念表徵及解釋檢核等新的支持可能。相關研究顯示，生成式AI可作為探究教學設計與科學學習的協作工具，但其生成內容仍涉及正確性、可信度與判斷問題，不能取代教師的專業把關及學生本身的證據推理（Cooper, 2023; Moundridou et al., 2024）。

本教學設計係奠基於作者過去在大學通識課程「跨科技整合與應用」中融入 PM2.5 議題、POE 探究及數位工具之教學經驗，並進一步參考近年生成式 AI 與科學資料素養相關研究重新整理與深化。先前於此課程中已融入部分 POE、資料觀察及 AI 輔助學習活動，惟尚未依本文所建構之完整架構進行系統性實施。因此，本文主要目的在於提出一套可供後續教學實踐與驗證的設計架構，而非呈現完整教學介入後之實證成效。

基於上述考量，本文以「PM2.5危害與健康」為例，提出生成式AI支持的POE探究教學設計，將POE中的Observation聚焦於真實空氣品質資料的觀察與判讀，並將Explanation深化為由資料選取證據、提出理由及檢核解釋的歷程，其核心可概括為「P預測 → O資料觀察 → 資料判讀與證據形成 → E證據解釋」。生成式AI在其中並非資料或答案的來源，而是支持學生進行資料理解、追問、比較與解釋檢核的工具；在證據解釋之後，課程再進一步延伸至生活方案評估、行動實踐與反思。期望透過此一設計，提供生活科學與通識課程運用生成式AI、真實資料與POE進行探究教學的具體參考。

■ POE中的資料觀察與證據解釋

一、從現象觀察到資料觀察

POE（Predict–Observe–Explain）以預測、觀察與解釋形成連續的探究歷程，學生先依據既有經驗或先備概念提出預測，再透過實驗或現象觀察檢視原有想法，最後對觀察結果提出解釋。近年的POE研究顯示，此模式不僅可應用於傳統實驗，也能延伸至能源等跨領域與生活情境。例如Wang與Wang（2023）將POE運用於國中風力能源課程，顯示POE可支持學生進行獨立思考、概念理解及真實問題的探究。

PM2.5、氣候變遷或能源等生活科學議題具有時間變化、空間差異與多重影響因素，不易透過單一課堂實驗完整呈現。因此，POE中的O（Observe）可由直接觀察實驗現象，進一步延伸至真實科學資料的蒐集、比較與判讀。當觀察對象由直接可見的實驗現象延伸至科學資料時，學生所需進行的「觀察」也包含對資料的取得、整理、比較與解讀，而涉及相應的資料素養能力。Qiao等人（2024）指出science data literacy涵蓋資料取得、組織管理、分析、視覺化、解釋及溝通等能力；Kang等人（2026）進一步指出，高等教育科學學習亦常運用公開或既有的大型資料進行探究，而非侷限於學生自行產生的實驗數據。

因此，本文所稱的「資料觀察」並非另行提出新的探究教學模式，而是將POE中的Observation，由直接觀看實驗或自然現象，擴充為對真實科學資料進行蒐集、比較、趨勢辨識與關係判讀的學習歷程。此一作法特別適合PM2.5等具有大量公開監測資料，卻難以在一般教室中完整重現的生活科學議題。

二、從資料到證據，再到解釋

觀察到資料並不等同於已形成科學證據，更不代表學生已能提出科學解釋。Duschl等人（2021）提出Evidence–Explanation Continuum，指出科學知識建構包含由觀察與測量形成資料，再經過選擇與詮釋，使資料轉化為能支持特定主張的證據，進而形成或修正解釋。換言之，data並不等同於evidence；資料必須經過判讀，並被用來支持某項主張，才具有證據功能。Novak與Treagust（2022）在真實溪流水質探究中，讓學生持續蒐集與分析pH、溫度、導電度及溶氧等資料，並隨新資料加入逐步修正解釋。此歷程要求學生不只辨識資料模式，也須決定哪些資料可以作為支持主張的證據。McLure（2023）亦指出，學生的科學解釋常停留於描述觀察結果，未能進一步連結因果推理與科學概念，因此需要適當的教學鷹架協助其由觀察走向解釋。

據此，本文將PM2.5議題中的POE聚焦為：O階段透過真實空氣品質監測資料觀察不同地點、時間及氣象條件下的PM2.5變化；進入E階段後，則由資料中選取具有解釋力的資訊，判斷哪些資料足以支持主張，最後形成有證據基礎的解釋。其核心歷程可表示為：

P預測 → O資料觀察 → 資料判讀與證據形成 → E證據解釋

生成式AI在其中並非資料來源或答案提供者，而是協助學生進行資料整理、比較、追問與解釋檢核的支持工具；學生仍須回到原始資料，判斷AI提出的說法是否具有證據支持。換言之，AI融入POE的價值，在於支持學生經歷由data → evidence → explanation的科學知識建構歷程。

■ 生成式AI支持POE探究教學之設計

一、生成式AI在探究教學中的支持角色

生成式AI應用於科學教學的價值，不宜僅理解為快速產生教材或提供問題答案，而應視其能否嵌入具有明確學習目的的探究歷程。Moundridou等人（2024）以探究式學習為架構，指出生成式AI可依不同探究階段協助教師進行內容建構、學習活動設計、評量與回饋。Cooper（2023）亦指出，ChatGPT等生成式AI可應用於科學概念說明、問題生成、互動提問與學習支援；Tang（2024）則從科學語言與素養觀點提出，生成式AI可支持對話、批判提問、論證及多模態表徵等學習活動。Almasri（2024）的系統性回顧亦顯示，AI的教育價值仍須透過適當的教學設計與教師引導才能發揮。

基於此，本教學設計將生成式AI定位為POE探究歷程中的認知與教學支持工具。在教師端，AI可協助科學概念視覺化、設計不同層次的提問與追問、預想學生可能回應，以及規劃學習任務與評量；在學生端，則可支持資料整理、比較、圖表理解、提出可能解釋與檢視不同觀點。然而，PM2.5資料的可信度、科學概念的正確性、問題難度及評量標準，仍須由教師進行專業判斷與把關。

二、生成式AI支持POE探究教學之架構

本教學設計以大學通識課程「跨科技整合與應用」中的「PM2.5危害與健康」單元為情境，將POE由「預測—現象觀察—解釋」轉化為適合真實環境議題的「預測—資料觀察—證據解釋」，並再延伸至生活決策與行動反思。為呈現此設計的概念關係，本文將生成式AI、POE與資料—證據推理的關係整理如圖1。

圖 1 生成式AI支持POE探究教學中的資料觀察與證據解釋模式

本模式以POE為基本架構，生活情境作為探究前導，P、O與E維持POE的核心階段；其中「證據形成」並非新增的POE階段，而是O由資料觀察走向E證據解釋的認知橋梁。生成式AI則作為上位支持，分別協助問題聚焦、資料整理與比較，以及追問與檢核；完成E階段後，再將科學解釋延伸至生活決策與行動反思。

在P（Predict）階段，教師以空污生活經驗引發問題，請學生預測不同地區或時段的PM2.5差異，並說明理由，以外顯既有經驗與先備概念。在O（Observe）階段，學生運用空氣品質監測網、EdiGreen、AirVisual等數位工具，蒐集PM2.5、AQI、地點、時間及相關氣象資訊，比較不同區域或時段的資料；生成式AI可協助進行資料摘要、圖表整理、比較條件確認及產生進一步追問，但原始監測資料仍是後續判斷的主要依據。

進入E（Explain）階段後，學生須根據資料選取具有解釋力的資訊，連結季節、風向、交通活動或工業排放等可能因素，提出有證據支持的解釋。生成式AI可協助提出不同可能性、產生追問與反例，但學生仍須回到原始資料檢核其合理性。此一設計使POE中的O與E形成「資料觀察—資料判讀—證據形成—科學解釋」的連續認知歷程（見表1）。

表 1 生成式AI支持PM2.5 POE探究教學的主要架構

教學階段	學生主要任務	探究重點	生成式AI的支持功能
生活情境	觀察空污生活現象並提出問題	問題覺察	科學概念視覺化、情境問題引導
Predict 預測	預測地區或時段PM2.5差異並提出理由	外顯先備概念、形成可檢驗想法	協助問題聚焦、產生追問
Observe 資料觀察	蒐集、整理與比較PM2.5、AQI、時間、地點及氣象資料	辨識差異、趨勢與關係	資料摘要、比較、圖表理解與追問
Explain 證據解釋	選取適當資料作為證據並提出原因解釋	資料轉化為證據、建立因果推理	提出可能解釋、反例與檢核問題
生活決策與行動	評估健康風險並提出可行方案	知識應用、決策與反思	協助比較方案與思考可能影響

因此，本設計並非改變POE原有的基本精神，而是以真實環境資料深化Observation，以證據推理深化Explanation，再以生成式AI提供認知支持，使POE能更適合PM2.5這類具有動態資料、多重變因且與生活決策密切相關的科學議題。

三、科技工具、學習任務與評量設計

在科技工具的運用上，本設計特別區分「資料來源工具」與「生成式AI支持工具」。就生成式 AI 而言，本教學設計不限定特定平台，主要係指 ChatGPT、Gemini 等具備對話、文字整理、問題生成、資料比較與解釋檢核功能之通用型生成式 AI 工具；實際教學時，可依工具之可用性、功能差異及相關使用規範選擇適切平台。空氣品質監測網、EdiGreen 與 AirVisual 主要提供 PM2.5、AQI(Air Quality Index)、測站、區域比較及相關空氣品質資訊，讓學生取得及比較真實資料；在資料觀察與證據解釋相關任務中，生成式 AI 則置於資料取得之後，協助資料摘要、圖表整理、趨勢比較、關鍵資訊辨識及解釋檢核。因此，AI 本身不是證據來源，而是協助學生處理資料及檢視解釋的工具。

學生的學習任務依序由界定問題、蒐集資料、分析比較、解釋推論走向行動決策，例如比較高雄不同行政區的PM2.5變化、分析不同時段的變化趨勢，或探討風向、交通與其他環境條件的可能關聯；完成資料分析後，再提出改善或防護方案，並以海報、簡報、影片或數據圖表等方式呈現成果。此設計使學生由「知道PM2.5」進一步走向「能從資料發現問題、以證據提出解釋，並將科學理解應用於生活」。

生成式AI的加入也使評量不宜只著重最後答案或作品。Xia等人（2024）指出，生成式AI正促使高等教育重新思考評量、回饋與學習歷程的關係；Bearman等人（2024）則強調evaluative judgement的重要性，學生除了要能判斷AI輸出的品質，也應能檢視使用AI的過程。因此，本單元規劃形成性評量、探究歷程評量、作品任務評量與總結性評量，分別關注課堂提問與回饋、資料來源與比較方法、證據選取與AI輸出檢核，以及成果的科學性與生活應用，使評量能呈現學生由資料觀察走向證據解釋與生活決策的學習歷程。

■ 從資料觀察到證據解釋的教學操作設計

一、以真實問題引導資料蒐集

PM2.5具有時間與空間變化，單一數值往往無法直接說明空氣品質形成的原因。因此，本教學設計先引導學生界定可透過資料回答的問題，例如：「高雄哪一個行政區的PM2.5較高？」「一天中不同時段是否有所差異？」「風向、風速或交通活動可能與PM2.5變化有何關聯？」學生再依問題選取地區、時間範圍及比較條件，利用空氣品質監測網及相關工具蒐集PM2.5、AQI、時間、地點與氣象等資料。此階段的重點是先由可信賴的原始資料建立觀察基礎，而非直接向生成式AI詢問結論。在教學設計上，可依 POE 不同階段安排生成式 AI 的介入時機。P 階段先由學生提出預測與理由，再視需要運用 AI 協助問題聚焦與追問；進入 O 階段後，則採取「先資料、後 AI」原則，要求學生先取得並初步判讀原始監測資料，再使用生成式 AI 協助資料整理、確認比較條件及提出延伸問題。至於原因解釋與結論建構，則保留至 E（Explanation）階段，由學生先依據原始資料提出初步解釋後，再運用 AI 進行追問、反例思考與解釋檢核。如此可使生成式 AI 維持其在探究歷程中的支持角色，而非取代學生自行判讀資料與形成解釋。

二、O階段：由數值閱讀走向資料觀察

在O（Observation）階段，學生先整理所蒐集的資料，再透過折線圖、長條圖、地圖或不同時段比較，辨識資料中的差異、趨勢與可能關係。例如，學生可比較高雄市前鎮、鳳山與左營等地區一週中的PM2.5濃度變化，亦可將PM2.5與風速等氣象資料並列，觀察兩者是否呈現特定的變化關係。

此階段主要回答的是「資料顯示了什麼？」，而非立即回答「為什麼會這樣？」生成式AI可以協助學生整理資料、轉換表格或圖表形式，以及產生比較問題，例如「哪些日期的差異最大？」或「還可以比較哪些氣象條件？」等問題。對於 AI 所提出的趨勢或關係，可要求學生回到原始監測資料，確認相對應的測站、日期、時段及相關變項，並透過原始數值或重新整理之圖表進行比對，判斷 AI 的說法是否獲得資料支持。若無法由原始資料加以驗證，則不作為後續證據解釋的依據。

三、由資料判讀形成證據

資料觀察之後，學生進一步判斷哪些資料與探究問題真正有關。例如，發現某一地區PM2.5較高，只能說明「不同地區存在濃度差異」，尚不足以直接推論其原因。若學生認為「可能與交通活動較頻繁有關」，就必須再檢視不同時段的交通情形、鄰近污染來源、風向、風速或其他相關資料，判斷是否能支持這項主張。

因此，本教學設計要求學生依探究問題進行資料的選擇、比較與判讀，並說明哪些資料可支持或反駁自己的主張。生成式AI在此階段主要扮演「追問者」的角色，例如協助學生思考：「還需要哪些資料才能支持這項推論？」、「風向是否可能改變這個判斷？」、「是否存在不支持原先想法的資料？」，其目的不是替學生確認答案，而是協助揭露證據不足之處，促使學生再回到資料進行檢核。

四、E階段：以證據建構並檢核解釋

進入E（Explanation）階段後，學生須根據前述資料觀察與證據選取提出解釋。例如，若學生同時觀察到某地區特定時段PM2.5升高、風速下降，並具有相應的交通或污染來源資訊，即可將相關資料組織為證據，提出「在該時段較不利於污染物擴散，加上可能的排放活動，使PM2.5濃度升高」等暫時性解釋。教學上仍須提醒學生，資料間的相關性不等同於已證明單一因果關係，因此解釋應說明目前證據所能支持的範圍。

生成式AI可協助學生比較不同可能解釋、指出尚未考慮的變項，或協助將描述性文字整理成較具「主張—證據—理由」結構的表達；但最終仍須由學生逐項檢核相關理由是否能由實際資料支持。因此，本單元由O進入E的教學操作可整理為：觀察資料 → 發現差異與趨勢 → 選取相關資料 → 判斷證據 → 提出解釋 → 檢核與修正解釋等階段。在這個歷程中，生成式AI提供資料整理、追問、比較及解釋檢核等支持，使科技工具用以支持證據推理，而非取代學生的探究。

■ 從證據解釋延伸至生活決策與行動反思

一、由證據解釋走向生活決策

在PM2.5探究中，學生完成資料觀察與證據解釋後，學習不宜停留在「為什麼會有這樣的空氣品質變化」，而應進一步思考「這些證據對我的生活有何意義，以及可以採取什麼行動」。換言之，科學解釋是生活決策的重要基礎，但由證據形成解釋，並不等同於證據本身已直接決定應採取何種行動。Bird等人（2023）在環境公民科學研究中指出，學生可以運用所蒐集的科學資料進行環境決策，但資料能夠支持決策，卻不會自行提供應採取何種行動的答案；實際決策仍涉及問題如何被界定、希望達成的目標，以及對不同方案效果與價值的判斷。

因此，本單元在E階段形成證據解釋後，進一步引導學生依據PM2.5資料與健康風險，提出個人或小組可行的生活改善方案，例如調整戶外活動時間、養成查詢空氣品質指標的習慣、選擇適當的通勤方式，或思考降低生活中污染排放的可能作法。學生不能僅以「PM2.5高，所以應該少出門」作為結論，而須進一步比較不同方案，評估其可行性、成本效益、健康影響、環境影響及持續性，再說明選擇某項方案的理由。此一設計使學生由「根據證據解釋現象」進一步走向「根據證據評估選項並做出決策」。本教學設計亦將探究發現、方案構思、方案評估與行動實踐安排為連續的學習歷程。

值得注意的是，以證據做決策仍可能受到原有立場與偏好的影響。Ha等人（2023）研究職前教師處理COVID-19社會性科學議題時發現，部分學習者會先形成決定，再選擇能支持既定立場的證據，形成「先有結論、再找證據」的情形。研究因此指出，進行科學相關決策時，需要更平衡地檢視不同證據，而非只採用支持原先想法的資料。對PM2.5教學而言，這也提醒教師應要求學生檢查是否存在不支持原有解釋的資料，並比較不同可能因素，使生活決策建立在較完整的證據判讀上，而非僅以單一數據支持既有立場。

二、行動實踐與學習反思

生活決策若僅停留在方案提出，仍不足以呈現科學知識在真實生活中的應用。因此，本教學設計進一步規劃將學生所形成的決策轉化為可實踐的行動，並要求記錄結果與進行反思。例如，學生可在一段時間內記錄每日空氣品質、個人戶外活動安排及所採取的防護措施，觀察原先規劃是否可行；亦可針對小組提出的改善方案，檢視實際執行時遭遇的限制，據以調整原有方案。教材因此形成「探究發現→構思方案→方案評估→行動實踐→檢核改善」的歷程，使學生有機會將科學探究結果實際帶入生活情境。

Bird等人（2023）的研究亦顯示，真實環境探究可以讓學生經歷較完整的資料生命週期（data lifecycle），從資料蒐集與解讀，進一步進入問題辨識、決策與行動，並在行動後重新評估結果與問題。研究特別指出，若希望學生真正學會「使用科學」，教學不能只讓學生產生或分析資料，也應提供機會讓其運用資料處理真實問題，並在決策與行動後持續進行評估。

在此歷程中，生成式AI仍維持支持角色。學生可利用AI比較不同方案可能涉及的健康、環境或生活影響，產生尚未考慮的問題，或協助整理行動紀錄與反思內容；但AI不能代替學生決定「什麼方案最值得採取」。學生仍需依據科學證據、個人與環境條件及方案實際成效作出判斷，並在實踐後重新檢視原有決策。如此一來，PM2.5的POE探究便由「P預測—O資料觀察—E證據解釋」進一步延伸至生活決策、行動實踐與反思修正，使科學知識不只用來說明現象，也成為學生理解生活問題與形成負責任行動的重要基礎。

■ 生成式AI支持教學的反思與教師專業把關

一、生成式AI支持探究教學的專業把關

生成式AI能協助科學概念與資料視覺化、產生提問與追問、規劃探究任務及設計評量，但其生成內容並不必然具有科學正確性，也可能出現資料來源不明、過度簡化或推論超出證據範圍等問題。Cooper（2023）即指出，生成式AI雖為科學教育帶來新的教學可能，也同時伴隨資訊正確性與使用判斷等挑戰。因此，AI融入POE探究教學後，教師的角色並未減少，反而更需要進行科學內容與學習歷程的專業把關。

本教學設計將教師把關聚焦於四個面向：首先，確認PM2.5科學概念、空氣品質資料來源及AI生成內容的正確性與可信度；其次，依學生程度調整問題難度、學習鷹架與活動安全性；第三，依 POE 不同階段安排生成式 AI 的介入時機與功能，其中 O 階段採取「先資料、後 AI」原則，E 階段則要求學生先形成初步解釋，再運用 AI 進行追問、反例思考與解釋檢核，以避免 AI 直接取代學生形成探究結論，並保留學生預測、資料判讀、證據選取及解釋修正的歷程；最後，檢視教學目標、學習任務與評量是否相互對應，使AI的使用真正支持科學理解、資料素養與問題解決，而非成為額外增加的科技活動。這些原則亦與本單元原有的AI協作教學設計反思一致。

二、由「使用AI」走向「以AI支持學習」

從本單元的設計歷程來看，AI融入教學的關鍵並不在於增加多少AI工具，而在於是否能將科技功能轉化為具有明確目的的學習任務。Almasri（2024）對AI應用於科學教育研究的回顧亦顯示，AI的教育價值須透過適當的教學設計與教師引導才能發揮。因此，本單元並未將「使用生成式AI」本身設定為學習成果，而是藉由AI協助學生由「看空污」走向「讀數據」、由「猜原因」走向「用證據解釋」，再由「知道防護」進一步形成生活決策與行動。

這也使教師的教學關注由「AI能做什麼」轉向「學生因為AI的支持而多經歷了哪些思考」。例如，AI是否促使學生提出新的比較問題？是否發現原有解釋的證據不足？是否能判斷AI產出的內容與原始資料是否一致？這些過程比AI生成答案本身更具有學習價值，也與前述評量中強調學生對AI輸出進行判斷與檢核的 evaluative judgement 相呼應。

因此，生成式AI在本教學設計中的定位不是取代教師完成教學，也不是替學生完成探究，而是協助教師把科學知識轉化為可探究、可互動、可評量與可應用的學習歷程。當科技工具、POE探究、資料證據與生活決策能彼此連結時，AI才真正成為支持科學學習的工具，而非教學活動的目的本身。

■ 結語

本文以PM2.5危害與健康議題為例，嘗試將生成式AI置於POE探究教學的支持角色，並進一步深化POE中Observation與Explanation的學習歷程。相較於僅觀察單一實驗現象，本設計引導學生運用真實空氣品質監測資料進行蒐集、比較與判讀，使O階段由「現象觀察」延伸至「資料觀察」；進入E階段後，則進一步要求學生辨識哪些資料具有支持主張的功能，經由證據選取與因果推理形成有證據基礎的解釋。

生成式AI在此歷程中並非資料來源，也不替學生提供最終答案，而是協助進行資料整理、比較、追問、可能解釋與反思檢核。學生仍須回到原始資料判斷AI產出的合理性，教師則負責科學正確性、資料可信度、探究歷程及評量設計的專業把關。惟本文所提出之架構目前主要屬於教學設計，尚待後續課程依完整流程進行系統性實施，並蒐集學生資料判讀、證據建構與 AI 使用歷程，以進一步檢視其教學可行性與學習成效。此外，本教學設計並未將證據解釋視為學習終點，而是進一步引導學生依據探究結果評估生活方案、採取行動並進行反思，使學習歷程由預測、資料觀察、證據解釋，延伸至生活決策與行動實踐。透過POE、真實科學資料與生成式AI的相互支持，期待使PM2.5等生活科學議題不只成為知識學習的內容，更成為培養科學素養、證據推理、問題解決與負責任生活決策的教學情境。

■ 參考文獻

Almasri, F. (2024). Exploring the impact of artificial intelligence in teaching and learning of science: A systematic review of empirical research. Research in Science Education, 54(5), 977–997. https://doi.org/10.1007/s11165-024-10176-3

Bearman, M., Tai, J., Dawson, P., Boud, D., & Ajjawi, R. (2024). Developing evaluative judgement for a time of generative artificial intelligence. Assessment & Evaluation in Higher Education, 49(6), 893–905. https://doi.org/10.1080/02602938.2024.2335321

Bird, E. B., Ballard, H. L., & Harte, M. (2023). Data to decision-making: How elementary students use their Community and Citizen Science project to reimagine their school campus. Instructional Science, 51(5), 763–791. https://doi.org/10.1007/s11251-022-09612-6

Cooper, G. (2023). Examining science education in ChatGPT: An exploratory study of generative artificial intelligence. Journal of Science Education and Technology, 32(3), 444–452. https://doi.org/10.1007/s10956-023-10039-y

Duschl, R., Avraamidou, L., & Azevedo, N. H. (2021). Data-texts in the sciences: The evidence-explanation continuum. Science & Education, 30(5), 1159–1181. https://doi.org/10.1007/s11191-021-00225-y

Ha, H., Park, W., & Song, J. (2023). Preservice elementary teachers’ socioscientific reasoning during a decision-making activity in the context of COVID-19. Science & Education, 32(6), 1869–1886. https://doi.org/10.1007/s11191-022-00359-7

Kang, J., Na, C., Diederich, M., Swanson, H., & Yan, L. (2026). Cultivating science data literacy in K-16 science education through data practices: A systematic review. Instructional Science, 54, Article 50. https://doi.org/10.1007/s11251-026-09803-5

McLure, F. (2023). The thinking frames approach: Improving high school students’ written explanations of phenomena in science. Research in Science Education, 53(1), 173–191. https://doi.org/10.1007/s11165-022-10052-y

Moundridou, M., Matzakos, N., & Doukakis, S. (2024). Generative AI tools as educators’ assistants: Designing and implementing inquiry-based lesson plans. Computers and Education: Artificial Intelligence, 7, Article 100277. https://doi.org/10.1016/j.caeai.2024.100277

Novak, A. M., & Treagust, D. F. (2022). Supporting the development of scientific understanding when constructing an evolving explanation. Disciplinary and Interdisciplinary Science Education Research, 4(1), Article 3. https://doi.org/10.1186/s43031-021-00043-w

Qiao, C., Chen, Y., Guo, Q., & Yu, Y. (2024). Understanding science data literacy: A conceptual framework and assessment tool for college students majoring in STEM. International Journal of STEM Education, 11(1), Article 25. https://doi.org/10.1186/s40594-024-00484-5

Tang, K.-S. (2024). Informing research on generative artificial intelligence from a language and literacy perspective: A meta-synthesis of studies in science education. Science Education, 108(5), 1329–1355. https://doi.org/10.1002/sce.21875

Wang, J. C., & Wang, T. H. (2023). Learning effectiveness of energy education in junior high schools: Implementation of action research and the predict–observe–explain model to STEM course. Heliyon, 9(3), Article e14058. https://doi.org/10.1016/j.heliyon.2023.e14058

Xia, Q., Weng, X., Ouyang, F., Lin, T. J., & Chiu, T. K. F. (2024). A scoping review on how generative artificial intelligence transforms assessment in higher education. International Journal of Educational Technology in Higher Education, 21(1), Article 40. https://doi.org/10.1186/s41239-024-00468-z