AI在人文學科教學心得分享：文科生大逆襲：為什麼 AI 時代反而是人文學科的「黃金盛世」？

簡報：

教學影片：

1. 引言：打破「讀中文系沒前途」的刻板印象

長期以來，社會對人文學科（如中文系、歷史系）畢業生的職涯發展普遍抱持悲觀看法。根據 104 人力銀行的數據統計，中文系畢業生最常從事的前兩名工作竟然是「超商店員（小七）」與「補習班老師」。這種「文科無用論」源於對傳統勞力密集模式的依賴，但在飛速通膨的今天，舊模式早已崩潰。

數據告訴我們一個殘酷的斷層：三十年前，一碗炒飯僅需 35 元，大學畢業起薪約為 30,000 元；然而現在，物價已翻漲 2 至 3 倍，生存成本激增 3 倍，大學起薪卻依然在 28,000 元徘徊。這種「土法煉鋼」的線性工作模式，讓文科生淪為時代的犧牲者。

然而，身為具備東吳大學中文博士背景、曾任資訊公司執行長並榮獲「金峰獎傑出創業楷模」的轉型專家，我要告訴你：戰場已經徹底改變。純粹的學術研究市場雖然小，但文科生手中的「數位武器」若能與商業邏輯結合，這將是你們最強大的逆襲時刻。

2. 核心觀點一：AI 沒有「溫度」，這正是你的絕對護城河

在資訊爆炸的時代，AI 處理冷數據、邏輯運算與瞬間生成的能力無可匹敵。但 AI 的強項在於「處理」，而非「感悟」。文科生長期受人文薰陶，具備深厚的感性思維、共情能力與洞察人心的「故事力」，這正是 AI 觸不可及的絕對堡壘。

在職場與面試中，我們可以建立一個核心競爭法則：「科技力交給 AI，說服力交給人類。」 AI 能寫出標準的合約與報告，卻無法寫出能讓客戶動容、轉化為購買動機的故事。你的人文價值，就是為 AI 的產出注入靈魂。

正如吳老師所強調：

「它（AI）充其量就是機器人、工具，他沒有辦法改變，他並沒有溫度，他並不可能取代人的價值。」

3. 核心觀點二：從「Code 搬運工」到「AI 指揮官」的角色進化

過去進入科技領域，門檻是死背程式語法，文科生往往望而卻步。但 AI 2.0 時代的本質是「大型語言模型（LLM）」，它是建立在「語言」與「語意」之上的技術。這意味著：擅長解析意義、掌握語言結構的人文學科學生，天生就是最優秀的 AI 訓練師與指揮官。

下表對比了傳統執行師與 AI 指揮官的邏輯差異：

比較維度	舊時代技術執行師 (土法煉鋼)	AI 指揮官 (AI 2.0 模式)
處理流程	逐字聽打、手動排版、死記硬背	下達指令、AI 自動化執行、邏輯調度
問題解決	死背語法、害怕出錯、耗時費力	產生創意、要求 AI 寫程式並專注除錯
角色定位	技術執行工程師 (容易被取代)	具備邏輯、溝通與管理思維的專案經理 (PM)

我們不再當 Code 的搬運工，而是利用語意優勢，精準下令讓科技為我們服務。

4. 核心觀點三：「提問力」就是你的競爭力：善用提示詞工程 (Prompt Engineering)

在 AI 時代，「會找答案」的人將被淘汰，因為 AI 就能提供答案；真正領先的是「會問問題」的人。提問的品質決定了 AI 的價值，這就是所謂的「提示詞工程」。

以吳老師規劃「日本山陰賞雪之旅」為例：從岡山出發，經鳥取沙丘到城崎溫泉。傳統 AI 常缺乏地理空間感，給出不切實際的轉乘時間。但作為「指揮官」，文科生能透過精準的提示詞，要求 AI 結合 Google 地圖數據生成準確的時刻表，並考量「長輩同行」的特殊需求，將行程調整為「慢活模式」。你甚至能要求 AI 以「動漫風格」或「幽默高級酸」的語氣呈現，讓枯燥的行程表轉化為極具個人風格的旅遊簡報。

5. 核心觀點四：資訊煉金術：39 分鐘的內容 1 秒鐘摘要

過去在研究所梳理文獻或整理會議記錄，往往需要耗費數天。現在，利用強大的 AI 工具鏈（如 NotebookLM），文科生能實現「資訊煉金術」。

無論是長達 39 分鐘的 YouTube 專業演講影片，或是晦澀的《莊子·逍遙遊》掃描版 PDF，AI 都能在 1 秒鐘內完成以下革命性任務：

• 條列重點摘要： 自動提取核心論點與關鍵字。
• 樹狀結構化： 將龐雜的思想脈絡自動繪製成邏輯清晰的心智圖。
• 沉浸式聽覺體驗： 一鍵生成「雙人對話 Podcast」，將生硬的古籍或報告轉化為自然的主持人對談，讓你在通勤時就能吸收精華。

這種技術革命傳遞了一個關鍵訊息：人的精力應留在「提出觀點」，而非「整理資料」。

6. 核心觀點五：武裝你的數位工具箱：證照與實戰產出

要成為 AI 指揮官，文科生必須配備先進的「數位武器」，並透過公證單位的證照來證明實力：

• 四大核心 AI 平台應用：
  • ChatGPT (GPT-4o)： 適合工作與學術分析（小提醒：不建議處理感情問題）。
  • Claude： 語意理解力極強，最適合處理長文本與複雜文獻。
  • Google Gemini： 與 Google Workspace 高度整合，適合結合地圖數據做實務應用。
  • Microsoft Copilot： 內建於 Windows，是日常發想的神器。
• 必備專業證照：
  • IPAS AI 應用規劃師： 證明你具備數據處理到商業價值創造的完整邏輯。
  • TQC Excel 證照： 這是數據處理的底層邏輯，AI 需要資料輸入，你不能丟掉 Excel。

面試絕殺策略： 面試時，不要只口頭強調「我會 AI」。試著拿出 AI 生成的「視覺化圖表」或「聽覺化成果」。例如，將你的畢業論文透過 NotebookLM 轉化成一段「雙人 Podcast」給面試官聽。這種跨領域的整合能力，能讓面試官瞬間感受到你與傳統文科生的巨大差異。

7. 結語：你要當 AI 的主人，還是時代的犧牲者？

AI 並不是要取代人類，而是要幫助我們擺脫繁瑣勞動，活得更像「現代人」。回顧數位化的發展，二十年前中研院在做《文淵閣四庫全書》數位化時，需要投入數千萬資金、無數人力進行人工繕打與掃描校對；現在，同樣的八億字文獻，AI 瞬間就能完成辨識與分析。

身處人文學科的黃金盛世，工具已經齊備，差的是你的「決心」。在 AI 已經能幫你完成 99% 工作的今天，剩下的那 1% 屬於你的人文價值——那份共情能力、審美眼光與說故事的靈魂，你會如何發揮？

不要讓你的才華留在古代，要讓它在 AI 時代綻放。

 

想在 AI 浪潮中站穩腳跟？解密 2025 年最具價值的「橋樑」職位：AI 應用規劃師

簡報：

教學影片：

1. 導言：當 AI 不再是「選配」而是「標配」

隨著 ChatGPT 等生成式工具的爆發，企業對 AI 的態度已從早期的「觀望」轉向深層的「焦慮」。然而，空有強大算力卻不知如何解決實際業務痛點，是目前多數企業面臨的困境。這種技術與應用間的斷層，正是數位轉型的「最後一哩路」。在 2025 年，企業最稀缺的不再只是寫程式的工程師，而是能站在業務與技術交界處，將工具轉化為價值的「AI 應用規劃師」。

2. 突破迷思：你不需要成為工程師也能主導 AI 專案

許多專業人士誤以為投入 AI 產業必須精通演算法，但根據 iPAS 職能基準定義，「AI 應用規劃師」的核心使命在於**「整合、評估與治理」**。這個職位並非單純的開發者，而是企業與技術之間的翻譯官，負責將商業 KPI 轉化為技術限制條件。

「AI 應用規劃師」職能定義：了解 AI 工具特性並具備使用經驗，協助企業規劃與推動 AI 技術導入。根據部門需求選擇適合的解決方案，並整合跨部門團隊共同執行開發、部署及優化。

要擔任此職位，人才背景具備極高彈性，只要符合以下至少一項建議學經歷，即具備轉型潛力：

• 學歷門檻： 大專以上畢業或同等學力。
• 技術背景： 具 1 年以上演算法、人工智慧、機器學習或商業智慧（BI）應用經驗。
• 管理與開發： 具 3 年以上程式開發或專案管理（PM）經驗，曾參與大型專案。
• 領導經驗： 擔任主管職務 1 年以上。
• 工具素養： 熟悉 No-code / Low-code、ChatGPT 等生成式工具。

分析與策略建議： 在 AI 時代，技術的生命週期極短，但「定義問題」與「跨部門協作」的稀缺性卻日益增加。規劃師的價值在於引領企業從「成本中心（IT 支出）」轉向「利潤中心（AI 增效）」。此外，合格的規劃師必須納入 AI 治理（Governance） 與 風險管理 的思維，確保技術落地時兼顧倫理與合規。

3. 三大 AI 勢力：除了生成式，你更該懂的分析、預測與鑑別

一個專業的規劃師必須具備完整的技術全景圖，而非盲目追逐熱點。在 iPAS 的評鑑架構中，AI 的功能主要分為以下類別：

• 分析型 AI： 擅長從海量數據中洞悉模式，提供深度見解。
• 預測型 AI： 基於歷史資料判斷未來趨勢，如市場波動或風險評估。
• 生成型 AI： 根據提示詞（Prompt）產出文字、影像、音訊等全新素材。
• 鑑別式 AI (Discriminative AI)： 與生成式 AI 互補，主要負責分類與邊界判定（例如判斷一封郵件是否為垃圾郵件）。

「人工智慧（Artificial Intelligence, AI）是一種旨在模擬人類智慧的技術，使機器能夠執行原本需要人類智慧才能完成的任務。」

分析與策略建議： 優秀的規劃師應掌握「組合拳」戰法。例如，先利用分析型 AI 釐清客群，再以預測型 AI 鎖定購買時機，最後結合生成式 AI 產出個人化廣告。唯有理解各種 AI 的本質（包含鑑別式與生成式的整合），才能制定出無懈可擊的應用策略。

4. 數據煉金術：為什麼「清洗資料」是 AI 成功的無名英雄

數據是 AI 的燃料，但原始數據通常充滿雜訊。規劃師必須理解，數據處理並非技術雜活，而是對企業核心戰略資產的**「戰略審計」**。

數據根據結構可分為三類：

• 結構化數據： 如 MySQL 等關聯式資料庫。
• 半結構化數據： 具層次化但不固定架構，如 XML、JSON、CSV 檔案。
• 非結構化數據： 如圖片、影音、電子郵件與文章。

若忽視資料清洗，將面臨「垃圾進，垃圾出 (Garbage In, Garbage Out)」的慘劇。規劃師需監督以下關鍵步驟：

1. 遺缺值處理： 決定填補（如使用平均值或預測模型）或謹慎刪除。
2. 重複值處理： 透過唯一識別碼刪除錯誤重複導入的記錄。
3. 錯誤值處理： 修正不合邏輯的數據，如年齡出現負數（-5 歲）或拼寫錯誤（Taiwwn）。
4. 離群值處理： 判斷該異常點是雜訊還是具備商業意義的信號。

5. 跨界實戰：從醫療到金融，AI 規劃師的無邊界戰場

AI 應用規劃師具備極強的「職涯流動性」，其底層規劃邏輯在不同產業皆可通用：

領域	具體應用實例
醫療保健	疾病診斷（影像分析）、藥物研發模擬、個人化醫療方案
金融	風險評估（信用審核）、欺詐檢測、運用 AI 演算法進行高頻交易
製造業	機器人與 AI 結合執行重複任務、品質控制（影像辨識）、預測性維護
交通	自動駕駛路徑規劃、動態交通流量預測與管理
娛樂	遊戲開發（自適應角色）、內容推薦系統（個人化偏好）

分析與策略建議： 規劃師的價值在於「知識遷移」。你能將金融業的欺詐檢測邏輯，轉化為製造業的故障預警。這種跨產業的視野，是專業人士獲得薪資溢價的關鍵。

6. 結語：通往 AI 專家之路的敲門磚

在 AI 取代重複性任務的趨勢下，掌握「規劃價值」是保持競爭力的唯一途徑。經濟部 iPAS「AI 應用規劃師」能力鑑定提供了權威的檢驗標準，協助你掌握核心考科：

• 科目一：人工智慧基礎概論（涵蓋 AI 概念、數據處理、機器學習及 AI 治理）。
• 科目二：生成式 AI 應用與規劃（專注於 No-code 工具、生成式評估規劃與風險管理）。

最後，請留給自己一個反思問題： 當工具不再是進入門檻，你該如何重新定義業務流程，創造出機器無法取代的規劃價值？

如果你已準備好轉型，參考 iPAS 學習指引並掌握 AI 治理與風險管理，這將是你開啟 2025 年數位轉型之路的最佳起點。

 

從樞紐分析到 AI 提問：數據分析新時代的 5 個震撼發現

簡報：

教學影片：

在現代職場中，「製作週報」往往是許多工作者焦慮的來源。面對動輒數千筆的原始資料，我們習慣在 Excel 的儲存格間穿梭，熟練地拉動樞紐分析表（Pivot Table），或埋頭苦思複雜的函數公式。然而，隨著生成式 AI 進入辦公室自動化領域，一個深刻的問題浮出水面：當 AI 只需要接收自然語言指令就能生成報表時，我們過去引以為傲的 Excel 技能是否還具備競爭力？

作為一名教育科技專家，我在帶領學生進行數據分析實驗時發現，我們正處於一個「工具交替」的關鍵轉折點。本文將帶你走進這場實驗，揭示 AI 工具（如 NotebookLM 與 Gemini）如何挑戰傳統流程，以及在 AI 時代，人類分析者真正不可替代的價值。

核心觀點一：AI 降低門檻，但「驗證」才是真功夫

過去要從巨量資料中提煉資訊，必須精通軟體操作。但在實驗中，我們上傳了一份包含 4,522 筆資料的蔬果零售價格 CSV 檔案到 NotebookLM，發現只需要輸入簡單的提示詞，例如：「找出 2018/11/30 這一天，所有 17 個市場的青蔥平均價格，並進行遞增排序」，系統便能即刻產出精確的數據結果。

這對非專業人員來說是巨大的福音——正如教學中提到的：「如果你不會函數公式，其實可以用 AI 生成。」然而，身為專業分析者，我們不能盲目信任。在實驗中，我們特別將 AI 跑出的結果（如環南市場 33 元、新莊市場 38 元）與 Excel 樞紐分析表的結果進行交叉比對。AI 時代的競爭力，不再只是「產出」的速度，而是「驗證」準確度的判斷力。

核心觀點二：邏輯思考取代公式背誦，「胡瓜測試」的啟示

在 AI 輔助分析的範式下，精確的提示詞（Prompting）取代了繁瑣的公式，成為新的數據邏輯。教學經驗告訴我們，AI 的品質取決於你的指令嚴謹度，必須明確包含時間、品項、排序規則等元素，不能有絲毫含糊。

為了測試 AI 的穩定性，我們在完成「青蔥」的分析後，接著進行了「胡瓜」的重複測試。這種測試是為了確保 AI 在處理不同品項時，邏輯是否一致。我們發現，只要提問結構完整，AI 就能穩定發揮。這證明了「邏輯思考」比「死背軟體路徑」更重要。

AI 有個重點，就是你一定要很親切（精確）地告訴它你要做什麼，不能含糊。

核心觀點三：技術陷阱——隱藏的單引號與 AI 的「翻臉」時刻

即便 AI 強大，實務操作中仍隱藏著導致分析失效的陷阱。最典型的問題就是「文字型數字」。我們在將 AI 生成的表格匯入試算表時，發現許多數據雖然看起來是「95」，但前方帶有一個隱藏的單引號（'），導致軟體將其辨識為文字而非數字。

這種細微的格式錯誤會直接導致繪圖功能失效，產生一片空白的圖表。這就是所謂的「AI 翻臉」時刻——當你以為一切自動化時，工具卻在基礎環節出錯。此時，分析者必須具備「資料清洗」的能力，利用 VALUE 函數將文字轉回數字。這提醒我們：數據分析的最後一哩路，始終需要人類的專業眼光來排除故障。

核心觀點四：AI 團體戰——跨平台的協同工作流

單一 AI 工具往往有其局限。例如 NotebookLM 的「資訊圖表」功能目前仍處於 Beta 測試階段，雖然風格美觀且極具創意，但有時會為了視覺效果而犧牲精確度（例如 17 個市場只列出 4 個）。

為了追求完美，我們建議打一場「跨平台團體戰」：

1. NotebookLM（數據提取）： 快速從 4,522 筆資料中篩選出特定日期與品項。
2. Google 試算表（資料清洗）： 匯出結果並利用 VALUE 函數解決文字格式問題，甚至請 AI 撰寫 VBA 或 Python 程式碼，將 12 個月份的個別檔案合併為年度大表。
3. Gemini（視覺化）： 連結雲端硬碟，利用其更強大的繪圖能力與動態呈現，生成兼具專業與美感的折線圖。

這種工作流結合了 AI 的速度與試算表的靈活彈性，補足了單一工具的短板。

核心觀點五：真正的競爭力，是解決問題的韌性

在帶領學生完成期中報告的過程中，我一再強調：重點不在於最終報表有多華麗，而在於「解決問題的過程」。當 AI 額度用完時、當資料格式出錯時、當圖表跑不出來時，你如何應變？

是放棄嘗試，還是主動尋找替代方案？例如改用試算表內建圖表，或是更換 AI 帳號繼續實驗。這種在技術不穩定中尋求解決之道的過程，才是職場上最無可取代的技能。

面試時，大家最喜歡問：你在求學階段遇到什麼問題？如何解決？

結語：在工具演進中定義「分析者」的價值

從傳統 Excel 樞紐分析到 AI 自動生成，工具的進化並非要取代人類，而是為了釋放我們的產能。Excel 提供了深度驗證與微調的彈性，而 AI 則賦予我們閃電般的處理速度。

當 AI 可以涵蓋大部分繁瑣的運算時，我們身為「分析者」的價值，應定義在「提問的精準度」、「結果的驗證」以及「跨工具的整合能力」。未來，職場贏家不是那些最強大的工具使用者，而是那些能在 AI 失靈時，依然能用邏輯與應變力找出答案的解決問題者。

 

讓電腦替你打工：Python 資料自動化處理的 5 個核心思維

簡報：

教學影片：

在職場打滾多年，我常看到許多優秀的同仁深陷在「體力活」的泥淖中：面對數十個郵局地址檔案需要合併，或是要把數百筆會員資料手動錄入 Excel。這種重複性的勞動不僅消耗精力，更讓人失去成長的動力。

前輩想告訴你：為什麼有些人能「每天進步一點點」，而有些人卻原地踏步？關鍵在於你是否懂得讓電腦替你打工。今天，我想分享 5 個自動化處理的核心思維，帶你從「門外漢」跨越到「專業」的境界。

--------------------------------------------------------------------------------

一、 建立「邏輯煞車」：別跟電腦比體力

電腦最迷人的地方在於它沒有「疲勞」的概念。

「電腦的好處是，只要他不關機，他就可以幫你不間斷地運作，這點比人還要更好，因為它沒有休息的問題。」

但強大的動能必須配備精準的控制。在撰寫 Python 的 while 迴圈時，我們常使用 while True 讓程式不斷運作，這時你必須設計一個「出口條件」（例如輸入 -1 結束）。

前輩的心得： 自動化的核心不在於速度，而在於「正確的邏輯設計」。沒有 break 指令的迴圈，就像一台油門踩到底卻沒有煞車的電動車，最終只會導致系統崩潰。專業人士會在加速前，先確認煞車是否靈敏。

--------------------------------------------------------------------------------

二、 職場練功學：從「知道」到「熟練」

很多人自學 Python 後覺得沒進步，是因為你只停留在「知道」。在職場中，專業與門外漢的界線在於：

1. 熟練度：基礎結構（如串列、迴圈、檔案讀寫）是否已內化成肌肉記憶，不看筆記也能寫出來。
2. 變化能力：當業務需求變動（例如原本切分姓名，現在要加手機號碼）時，你是否能彈性修改範本。

職場生存建議： 利用上班的「閒暇時間」練功。如果你的自動化腳本讓工作縮短了三小時，別急著讓老闆知道你做完了。利用那段沒人打擾的時間，把程式碼寫得更漂亮、研究更深的模組，這才是你拉開競爭力差距的「暗黑時刻」。

--------------------------------------------------------------------------------

三、 萬能三行 SOP：避開檔案存取的「隱形坑」

處理檔案存取時，新手常被路徑與編碼搞瘋。請記住這個三行固定 SOP，這能解決 90% 的檔案寫入問題：

1. f = open(r'C:\data\report.txt', 'w', encoding='utf-8')
2. f.write(S_content)
3. f.close()

前輩的專業點撥：

• 路徑陷阱： 在路徑字串前加一個 r（如 r'C:\path')。這是「Raw String」模式，能防止反斜線 \ 被當成轉義字元，這是新手最常崩潰的地方。
• 編碼真相： 為什麼要加 encoding='utf-8'？因為 Windows 預設常使用 ANSI，但我們從雲端、網路抓取的資料多是 UTF-8。不加這行，你的程式在讀取非內建資料時會直接當機。

--------------------------------------------------------------------------------

四、 資料「偽裝術」與串列的靈魂

在 Excel 自動化的演進史中，有一個有趣的「 war story」。

在 Excel 2003 以前，很多人會把 CSV 檔直接改副檔名成 .xls 來唬弄系統，這在早期是行得通的。但 2007 年後，Excel 轉向 XML 結構（.xlsx），這種「偽裝術」就失效了，強行開啟只會跳出格式錯誤。

真正的 Excel 自動化必須使用 openpyxl 模組，而它的操作核心就是 「串列 (List)」。我常說：「串列不熟，後面就不用玩了。」 因為像 append() 這種寫入 Excel 每一列的方法，只接收「串列」格式。

專業的轉換流程：

1. 讀取與切割：用 split(' ') 或 split(',') 把原始文字切開。
2. 串列封裝：將切割後的資料（如姓名、手機）塞進一個中括號 [] 裡。
3. Excel 寫入：利用 ws.append(list_data)。這就是將外部文字轉為專業報表的關鍵橋樑。

--------------------------------------------------------------------------------

五、 極致效率：os.walk 的自動導航

面對全省 25 個郵局地址檔案，你還在「Ctrl+C / Ctrl+V」嗎？

專業實踐家會使用 os.walk。這個模組就像自動導航，只要給它一個資料夾路徑，它就能自動抓取路徑下所有的檔名並存入串列。

「手動合併 25 個檔案需要耗費大量體力，且容易出錯；透過 os.walk 配合迴圈，只需幾秒鐘就能精準合併。」

專業巧思： 在合併檔案內容時，我習慣在檔案與檔案之間加上 \n\n（兩個換行）。這樣合併出來的總檔才會有清晰的視覺區隔，不會讓三重與中壢的資料黏在一起，這就是細節裡的專業。

--------------------------------------------------------------------------------

結語：在 AI 大到不能倒的時代，你的價值在哪？

現在是 AI 工具大爆發的時代，ChatGPT 確實能幫你寫出不錯的 Python 範本。但請記住，AI 只是助手，「看懂範本」與「嘗試錯誤 (Trial and Error)」 的能力依然在你身上。

如果你看不懂程式邏輯，當 AI 給出的代碼出現權限錯誤（Permission Error，通常是你沒關 Excel 就想寫入）或是路徑錯誤時，你依然束手無策。

最後留下一個思考題： 「如果透過自動化，你原本需要一整天的工作縮短到 10 分鐘就能完成，你會用多出來的時間做什麼，來讓自己成為不可替代的人才？」

這份多出來的時間，就是你邁向大師之路的起點。如果你已經準備好了，就從今天的「三行 SOP」開始練起吧！