【講座資訊】
題目：反思在日常跨領域研究工作中融入生成式 AI
日期：115年8月26日(三) 13:00-15:00
地點：光復校區圖書館B1國際會議廳
講者：王邦任 助理教授 資訊工程學系
【講座紀實】
隨著生成式 AI 的日益普及，研究者們開始探索如何運用它來減少重複性工作，並支持更深入、更具洞察力的思考。尤其是在跨領域研究中，生成式 AI 有潛力降低「轉換成本」——如跨領域溝通時協調概念的不同意義所需的勞力，以及採用新領域的方法或理論時面臨的考驗。
首先，王老師提及自己領導的社群運算與福祉實驗室，從一名人機互動（Human-Computer Interaction, HCI）與跨領域實踐者的角度，反思生成式 AI（GenAI）如何重塑日常研究流程。本講題核心觀點指出：生成式 AI 能顯著加速跨學科間的概念「翻譯」過程（將過去需數週的文獻閱讀縮短至一個下午），但同時亦帶來「平坦化學科細節」（flattening disciplinary nuance）的隱憂——語言的流利度（Fluency）並不等於學術準確度（Accuracy）。研究者必須從單純診斷跨學科鴻溝，轉向具體檢視 AI 在各個實踐環節中究竟是縮小還是隱蔽地擴大了這些溝通差距，這是使用AI的核心隱憂與風險。
從日常跨領域研究工作細緻地分享經驗範例，在研究日常中運用如 Claude 等大型語言模型以及各種互動工具的經驗。從統合、翻譯、溝通跨領域的詮釋與傳達，到認定的價值傳遞給別人，覺得這過程是困難的。比方說醫學領域，過去實際投入理解上是非常花時間的，要進入實際情境去了解，這件事AI可以協助轉化到自己的認知當中，但扁平化轉譯過程不盡完善，自己如何修正，研究的每個部分AI如何介入研究。跨領域研究許多人在做，我的跨領域和你的跨領域有何異同，這是老師想講清楚的部分。問題的形成和AI討論研究，清楚逐條列出問題了解為什麼、哪一個比較好？什麼比較厲害？人在社群媒體討拍？比方說醫護人員與病人互動額外找出時間自己情緒的出口是？研究方法像是問卷、訪談、田野調查，習慣將研究脈絡完整列出來。和AI討論、互動出的結果報告，許多跳脫的想法，給相當多的回饋，再順著這思路去衍生自己原本想不到驚喜的思路，花相當多時間去思考、發想、推論，再去審核、篩選、整理，就像和別人聊天的過程，和AI聊後做簡單總結，再繼續討論引發新的發想脈絡，花時間去管理，這是研究過程思考是省不了的過程，這是使用AI的主要際遇。生成式 AI 無疑是促進跨領域溝通與加速知識轉譯的強大工具，但研究者必須保持理性批判性思考，避免被 AI 流利漂亮的語言表達所誤導。
後續，謝謝英語教學所蕭煌元同學以研究生觀點的回饋文章，經本人同意分享給大家：
【研究生觀點】從「斜槓跨域」到「慢科技」：參與圖書館 AI 研究攻略講座的深度反思 前言：一場關於 AI 與研究日常的對話。開學前夕，我有幸參加了由圖書館主辦的「AI 研究攻略」系列講座。下午場由陽明交大資工系社群運算與福祉實驗室的王邦任老師主講，主題為「反思在日常跨領域研究工作中融入生成式 AI」。 在當前學術界，「斜槓」與「跨領域」已成為熱門趨勢，但不同學門之間往往存在著難以跨越的知識與溝通鴻溝。這場講座並非單純的 AI 工具教學，而是帶領我們從人機互動（HCI）的視角，重新審視人與 AI 在研究流程中的協作夥伴關係。 跨領域的痛點：尋找「邊界物件」與知識轉譯，王老師指出，跨領域研究不僅是方法論的疊加，更涉及「認識論（Epistemology）」的差異——即不同學術領域如何定義「何謂知識」與「何謂有效證據」。 在跨領域合作中，數據或系統常常扮演「邊界物件（Boundary Objects）」 的角色。例如同一組心率數據，在工程師、醫護人員與患者眼中，代表著完全不同的脈絡與意義。跨領域研究最核心也最困難的挑戰，正是「轉譯（Translation）與溝通」。生成式 AI 的強項，恰好在於能夠作為對話觸媒，協助研究者快速梳理跨學科的知識脈絡，打破語言與領域壁壘。 研究流程的七大階段反思，講座中，王老師詳細拆解了生成式 AI 滲透至日常研究的七個關鍵階段，並分享了深刻的思辨：
1. 問題形成與發想（Ideation）： AI 能迅速建立問題架構，但其輸出多基於既有邏輯，往往缺乏跳脫框架的驚喜感（Serendipity）與深層原創性。
2. 文獻閱讀（Reading Literature）： 借助 AI 快速掌握陌生領域概念時，必須提防「虛假自信（False Confidence）」。王老師建議保持像「開課老師批改學生作業」般的批判視角，仔細檢視 AI 提出的論述與邏輯。
3. 科技探測（Technology Probes）： 在開發研究原型時，AI 大幅降低了寫程式與除錯的門檻，讓研究者能更敏捷地部署系統並進行真實場域的使用者測試。
4. 資料分析與質化反思（Data Analysis）： 針對質化研究中的編碼與反思性主題分析（Reflexive Thematic Analysis），王老師強調應堅守「研究者的主觀詮釋權」，不能將資料分析完全自動化，以保留人類對文本脈絡的獨特洞察。
5. 論文寫作與語言翻轉（Scientific Articles）： 學術界長期以英文為主導，隱含著話語權的結構落差。AI 能幫助非英語母語者消除語言表達障礙，讓學術溝通回歸核心論點與實質貢獻。
6. 科學傳播（Scientific Communication）： 利用 Google Gemini Notebook（前身為 NotebookLM）等工具，能將艱深的學術論文轉化為 Podcast 對話或科普網路雜誌，促進知識的廣泛傳播。
7. 重拾主導權（Ownership）： 研究者需要透過持續的微調、修改與自我思考，將個人洞見注入品質中，從而建立對研究成果的心理所有權。 結語：擁抱「慢科技（Slow Technology）」的微小價值 整場講座最令我震撼的是關於「慢科技（Slow Technology）」與「微小工作（Trivial Work）」的討論。在追求高效率產出的 AI 時代，那些看似繁瑣、親力親為的閱讀、思考與反覆梳理，其實是醞釀深度洞察不可或缺的過程。 作為研究生，我們不應盲目追求產出的速度，而是要有意識地定義 AI 的角色，在快速生成的科技浪潮中，守護專屬於人類的批判思維與研究靈魂。
【講座照片】
