(21)教師專業社群\2026 Moodle-WIKI
115年度教師專業社群核定結果:
一、
■社群名稱:Moodle Wiki 教學應用研究社
■預期成果:本教師社群預期可產出多項具體且可累積的成果。首先,在教學實務層面,社群將整理 Moodle Wiki 各項功能於教學應用中的實際效果與限制,並彙整教師於不同課程中嘗試 Wiki 活動的設計方式、學生反應與調整策略,形成一套以實務經驗為基礎的教學建議。
其次,在教學設計層面,社群將發展若干可複製的 Wiki 教學活動範例,特別聚焦於如何透過明確的任務設計與評量原則,引導學生進行資料查證、來源標示與負責任的文本修訂,而非僅停留在資料蒐集或形式化共筆。這些範例可作為教師在不同學科中調整使用的參考模型。
在反思與理論層面,本社群亦期望累積對「AI 時代資訊素養」之教學觀點,特別是將「對資料負責」視為一種可被實作、觀察與培養的學習行為,而非抽象能力。相關成果可作為未來教學研究或課程精進的基礎。
最後,本社群將以一門資訊管理課程作為示範場域,說明 Wiki 教學設計如何嵌入既有課程架構中,並不干擾原有學習目標,而是補充學生在資料治理與責任意識上的學習經驗。此示範案例將有助於說明 Moodle Wiki 教學應用的實際可行性與延展性。
■集會次數:4+2
參與人員:林俊銘(社群召集人)、徐宜成老師、游崑慈老師、陳翰霖老師,黃珮珊助理,見習:陳奧迪、鄭俊利
地點:介仁校區 2E 102 教室
文件:簽到表、核銷單據、照片
說明事項:
經費來源:115年度-慈濟大學教師專業社群,慈濟大學高教深耕主冊計畫
管理單位:慈濟大學 教學暨學習資源中心,教師專業組 何玟蒨 助理
本社群名稱:Moodle Wiki 教學應用研究社
社群成立宗旨與目標:(見參請文件)
Moodle Wiki 簡介
討論事項:
集會時間
第一次_1150313(五)_討論本學期社群事宜與方向,簡介Moodle Wiki功能
第二次_1150325(三)_Moodle Wiki 教學活動設計與研討
第三次_1150408(三)_Moodle Wiki 教學活動運用情形討論
第四次_1150424(五)_Moodle Wiki 學生學習成果與分析
第一次演講 1150424(五,暫定) AI幻覺與wiki真實性(暫定),亞洲大學AI學院副院長
第二次演講 115XXXX(未定) AI與教學實踐(暫定),亞洲大學AI學院副院長
預期成果與分工
預期成果:本教師社群預期可產出多項具體且可累積的成果。
首先,在教學實務層面,社群將整理 Moodle Wiki 各項功能於教學應用中的實際效果與限制,
並彙整教師於不同課程中嘗試 Wiki 活動的設計方式、學生反應與調整策略,形成一套以實務經驗為基礎的教學建議。
其次,在教學設計層面,社群將發展若干可複製的 Wiki 教學活動範例,特別聚焦於如何透過明確的任務設計與評量原則,引導學生進行資料查證、來源標示與負責任的文本修訂,而非僅停留在資料蒐集或形式化共筆。
這些範例可作為教師在不同學科中調整使用的參考模型。
在反思與理論層面,本社群亦期望累積對「AI 時代資訊素養」之教學觀點,特別是將「對資料負責」視為一種可被實作、觀察與培養的學習行為,而非抽象能力。相關成果可作為未來教學研究或課程精進的基礎。
本社群將以一門資訊管理課程作為示範場域,說明 Wiki 教學設計如何嵌入既有課程架構中,並不干擾原有學習目標,而是補充學生在資料治理與責任意識上的學習經驗。此示範案例將有助於說明 Moodle Wiki 教學應用的實際可行性與延展性。
會議記錄:
社群成員討論:如果學生把對的部分改成錯的情況。(待下次實施,收集實際狀況之後討論)
社群成員討論:有人點編輯後就霸佔著,或者忘記送出修改,導致其他人登不進去的情況。(待下次實施,收集實際狀況之後討論)
參與人員:林俊銘(社群召集人)、徐宜成老師、游崑慈老師、陳翰霖老師(陪同教育部訪視,請假),黃珮珊助理,RA:劉名益、陳奧迪、鄭俊利
地點:介仁校區 2E 102 教室
文件:簽到表、核銷單據、照片
說明事項:
經費來源:115年度-慈濟大學教師專業社群,慈濟大學高教深耕主冊計畫
管理單位:慈濟大學 教學暨學習資源中心,教師專業組 何玟蒨 助理
本社群名稱:Moodle Wiki 教學應用研究社
社群成立宗旨與目標:(見參請文件)
Moodle Wiki 簡介
討論事項:
第二次_1150325(三)_Moodle Wiki 教學活動設計與研討
提出兩份教學活動設計文件:
(1)Co-Wiki-資料查證與學術引用(錯誤版-上課後開放修改)
(2)Co-Wiki-勘誤指引與評分方式說明
會議記錄:
目錄
1. 資料查證與學術引用(以下內容可能有許多錯誤,等待學生更正,更正前請詳閱評分說明)
1.1. Information Literacy and Academic Citation
1.2. 一、為什麼需要資料查證
2. 二、資訊來源的種類
3. 三、證據力(Strength of Evidence)
4. 四、維基百科與資料探索
5. 五、學術文獻與同儕審查
6. 六、學術引用
7. 七、APA引用格式
8. 八、如何查找學術文獻
9. 九、結論
Information Literacy and Academic Citation
一、為什麼需要資料查證
在網路與人工智慧快速發展的時代,資訊取得變得極為容易。透過搜尋引擎(Search Engine)、生成式人工智慧(Generative AI)與社群媒體(Social Media),人們可以在數秒之內取得大量資訊。然而,資訊數量的增加並不代表資訊品質(Information Quality)也同時提高。相反地,在資訊爆炸的環境中,錯誤資訊(Misinformation)與不可靠資訊往往更容易被快速傳播。
因此,在現代教育中,一項非常重要的能力便是資訊素養(Information Literacy)。資訊素養指的是個人能夠辨識資訊需求、有效搜尋資訊、評估資訊來源,以及負責任地使用資訊的能力。美國大學與研究圖書館協會(Association of College and Research Libraries, ACRL)指出,資訊素養是高等教育中不可或缺的核心能力之一(ACRL, 2016)。
在學術研究中,資訊查證的重要性更加明顯。研究者在提出任何主張(Claim)時,都需要有可靠的證據(Evidence)支持。如果缺乏證據,研究結論就難以被學術社群接受。因此,大學教育除了傳授知識之外,也必須培養學生理解「證據」(Evidence)與「來源」(Source)的能力。
換言之,在資訊爆炸的時代,最重要的能力不再只是「找到資料」,而是判斷資料是否「可信度高」。
當我們在網路上搜尋資訊時,常見的資料來源包括多種類型。不同來源具有不同的可信度(Credibility)與證據力(Strength of Evidence)。
例如,個人部落格(Blog)通常代表作者的個人觀點或經驗。這類文章往往沒有編輯審查制度,因此資訊品質差異很大。某些部落格可能提供有價值的經驗分享,但也可能包含未經查證的內容。
社群媒體(Social Media)上的資訊情況更為複雜。由於社群媒體強調快速分享與情緒互動,資訊往往在未經查證的情況下被大量轉傳。因此,許多錯誤資訊或謠言也可能在社群媒體上迅速擴散。
維基百科(Wikipedia)則是一個較特殊的資訊來源。維基百科是一個由全球志願者共同編輯的開放式百科全書。它的優點在於更新速度快、涵蓋範圍廣,而且通常附有大量參考文獻。然而,由於任何人都可以編輯內容,因此其資料仍需要進一步查證。
在學術研究中,維基百科其實並不被認為是正式的學術資料來源,因此絕大多數的學術期刊都不接受將維基百科列為正式參考文獻。
新聞媒體(News Media)通常具有編輯制度,因此其可信度通常高於個人網站。然而,新聞報導也可能受到政治立場、媒體策略或時間壓力影響,因此仍需要交叉查證。
在學術研究中,最重要的資料來源則是學術期刊(Academic Journal)。這些文章通常必須經過同儕審查(Peer Review),因此使得發表過程較為緩慢,卻確保了具備極高的準確性與可信度的發表研究成果。
在學術研究中,資料來源的可信度與證據力密切相關。
證據力指的是一項資料在支持某個主張時的可信程度。在科學研究中,大多數學者認為所有研究證據都要有一定的可信度,因此需要區分不同層級做為決策建議。
最低層級的證據通常是個人經驗或意見(Personal Opinion)。例如,一位網路作者表示某種飲食方式對健康有益,但沒有提供研究資料。這類資訊雖然可能具有參考價值,但證據力相對較弱。
較高層級的證據可能來自觀察研究(Observational Study)。例如研究者追蹤某群人多年,觀察某種生活習慣與健康結果之間的關係。
更高層級的證據則來自實驗研究(Experimental Study),例如隨機對照實驗(Randomized Controlled Trial)。
在證據層級最高的研究中,研究者會整合多篇研究進行系統性回顧(Systematic Review)。系統性回顧通常需進行全面性的文獻回顧與分析,減少單一研究的偏誤。
Guyatt(2008)指出,醫學證據的評估不應只看研究設計,還需考量證據的品質(如 GRADE 評分系統)。
維基百科在資訊學習中具有特殊價值。許多學生在搜尋資料時,第一個看到的結果往往就是維基百科。
研究指出,維基百科的整體準確度往往與傳統百科全書相近,但其內容可能隨時間持續變動(Rebar et al., 2015)。
因此,維基百科通常被視為學術研究中部份可靠的資料來源之一,且絕大多數學術期刊都不建議直接引用維基百科,而是鼓勵引用其背後的原始文獻作為依據。
在閱讀維基百科時,學生應特別注意頁面底部的參考文獻。這些文獻通常來自學術期刊、研究報告或專業書籍。
在學術研究中,最重要的資料來源通常是學術期刊文章。
同儕審查 (Peer Review) 指的是一篇研究在發表之前,需要由同一領域的專家匿名審查其研究方法、資料分析與結論是否合理,是否具有創新性 (Originality) 與對領域的貢獻。
這個制度主要的目的,是為了確保研究的品質、嚴謹性與創新性。
因此,在學術寫作中,引用學術期刊文章能為研究提供堅實的證據支持。
在學術寫作中,如果研究者使用其他學者的研究成果,就必須進行引用。
引用的目的主要包括三個方面。首先,引用可以表達對原作者的尊重。其次,引用可以讓讀者追溯資料來源。第三,引用可以提升研究的可信度。
例如,如果研究者在文章中寫道「規律運動可以改善心理健康」,就需要引用相關研究。例如:
(Mesgari et al., 2015)
這表示該主張來自 Mesgari 等人的研究。
在社會科學與教育研究中,最常見的引用格式是APA格式(APA Style)。
APA是美國心理學會(American Psychological Association)制定的學術引用標準。
APA格式採用作者-年份引用系統(Author–Date System)。在文章內文中,引用資料時會標示作者姓名與出版年份,例如:
(Bandura, 1977)
若在句子中提到作者,則可以寫為:
Bandura (1977) 指出自我效能理論對心理學研究具有重要影響。
在文章最後,研究者需要提供完整的參考文獻列表。
例如:
Bandura, A. (1977). Self-efficacy: Toward a unifying theory of behavioral change.
Psychological Review, 84.
在大學研究中,最常用的學術文獻搜尋工具包括:
Google Scholar
Scopus
Web of Science (WoS)
其中 Google Scholar 是目前最大的學術搜尋引擎之一,主要用來檢索學術文章。
在搜尋文獻時,可以注意以下幾點:
第一,優先閱讀期刊文章。
第二,注意出版年份。
第三,觀察引用次數。
引用次數是評估影響力的指標之一,但仍需考量出版年份與學科領域的差異。
在資訊爆炸的時代,資訊取得變得越來越容易,但資訊品質的差異也越來越大。因此,資料查證與資訊評估能力已成為現代教育的重要目標。
透過理解資訊來源的種類、判斷研究證據的強度、學習學術引用格式,以及掌握學術文獻搜尋方法,學生可以逐漸建立完整的資訊素養能力。
這種能力不僅對於學術研究非常重要,也有助於人們在日常生活中辨識資訊真偽。
Association of College and Research Libraries. (2016). Framework for information literacy for higher education.
Guyatt, G., Oxman, A., Vist, G., Kunz, R., Falck-Ytter, Y., Alonso-Coello, P., & Schünemann, H. (2008). GRADE: An emerging consensus on rating quality of evidence. BMJ, 336, 924–926.
Mesgari, M., Okoli, C., Mehdi, M., Nielsen, F., & Lanamäki, A. (2015). The sum of all human knowledge: A systematic review of scholarly research on Wikipedia. Journal of the Association for Information Science and Technology, 66(2), 219–245.
Rebar, A., Stanton, R., Geard, D., Short, C., Duncan, M., & Vandelanotte, C. (2015). A meta-analysis of the effect of physical activity on depression and anxiety. Health Psychology Review, 9(3), 366–378.
完成課程所需要的條件
(Error Identification Activity Guidelines)
本活動的目的在於培養學生的批判閱讀能力(Critical Reading)與資料查證能力(Information Verification)。在學術研究與專業學習中,閱讀資料時不僅要理解內容,也需要能夠辨識錯誤、發現不合理之處,並確認資訊來源是否正確。因此,本次活動將透過「錯誤辨識」的方式,訓練學生對文字、概念與引用來源的敏感度。
在本活動中,教師將提供一份刻意包含若干錯誤的講義版本。學生的任務是閱讀講義並找出其中的錯誤。這些錯誤並非隨機出現,而是設計為幾種常見的學術閱讀問題。學生需要指出錯誤的位置,並簡要說明其問題所在。
在講義中,可能出現以下四種類型的錯誤。學生在閱讀時可以從這四個方向進行檢查。
錯別字指的是文字拼寫或用字上的錯誤。例如:
字詞誤寫
不正確的用字
明顯不合理的文字形式
例如:
「可以」寫成「可已」
「資訊」寫成「資迅」
這類錯誤通常不會影響整體概念,但需要仔細閱讀才能發現。
在學術文章中,許多重要概念會同時標示英文術語。如果英文術語錯誤,可能會導致概念理解上的問題。
例如:
Information Literacy(資訊素養)
被誤寫為
Information Library
或
Social Media
被誤寫為
Social Body
學生在閱讀時,應注意專業術語是否合理。
邏輯錯誤指的是內容在推理或概念上出現不合理之處。例如:
前後矛盾
與常識或研究方法不符
不合理的結論
例如:
「引用的目的主要包括三個方面」
被改成
「引用的目的主要包括五個方面」
或
「學術期刊通常經過同儕審查」
被改成
「學術期刊通常不需要同儕審查」
這類錯誤需要學生理解內容邏輯才能發現。
引用錯誤指的是文獻來源與研究內容不相符。例如:
引用錯誤作者
引用錯誤研究主題
文獻與內容不一致
例如:
Bandura (1997) 的研究內容被誤寫為 Guyatt (2008) 提出
心理學研究被錯誤引用為醫學研究
這類錯誤需要學生具備基本的文獻判斷能力。
本活動將依據學生找出的錯誤數量與類型進行評分。不同類型錯誤的分數如下:
錯誤類型
說明
每題分數
錯別字(Typographical Error)
文字拼寫或用字錯誤
1分
英文術語錯誤(Terminology Error)
專業英文術語使用錯誤
1分
邏輯錯誤(Logical Error)
概念或推理不合理
2分
引用錯誤(Citation Error)
文獻來源或作者錯誤
3分
由於引用錯誤通常需要更深入的知識與查證能力,因此給予較高分數。
【除錯競賽規則與數位倫理守則】
公平競爭期(即日起至上課次日 24:00):
每位同學僅限修改一處錯誤。
若經查獲第一天修改兩處(含)以上,該修改視為不計分,甚至扣分,請將機會留給其他同學。
全面協作期(活動第二天 00:00 起):
不限修改次數,歡迎同學對條目進行全面性的事實查核與優化。
健康睡眠禁令(每日 00:00 - 06:00):
本時段嚴禁編輯。 系統紀錄之時間戳記若落在本區間,該次編輯不予計分。請保持良好作息,資訊管理者的健康與邏輯同樣重要。
參與人員:林俊銘(社群召集人)、徐宜成老師、游崑慈老師、陳翰霖老師,黃珮珊助理,RA:劉名益、陳奧迪、鄭俊利
地點:介仁校區 2E 102 教室
文件:簽到表、核銷單據、照片
說明事項:
Moodle Wiki 教學活動運用情形討論
討論事項:
會議記錄:
Moodle Wiki Data Extraction and Analysis System
Moodle Wiki Data Extraction and Analysis System
System Specification (v5)
1. 系統概述(System Overview)
本系統為一套以 Chrome Extension 為核心的半自動資料擷取工具,專門用於擷取 Moodle Wiki 中之歷程(history)與版本差異(diff)資料,並轉換為結構化資料格式(CSV),以支援後續教學分析與學術研究。
系統採用「Human-in-the-loop extraction」設計,由使用者在瀏覽 Moodle Wiki 頁面時主動觸發擷取,確保資料完整性與穩定性,避免傳統爬蟲因權限或動態內容限制而失效。
2. 系統目標(System Objectives)
本系統旨在解決以下問題:
Moodle Wiki 缺乏可直接匯出之結構化編輯歷程資料
教師需人工逐筆比對版本差異,分析成本極高
無法有效追蹤學生知識建構與修訂行為
核心目標:
自動擷取 Wiki revision history
自動擷取版本差異(diff)
建立「版本—作者—時間—內容變化」對應關係
輸出可供統計與語料分析之資料格式
3. 系統架構(System Architecture)
本系統採用三層架構:
3.1 前端(Client Layer)
Moodle Wiki Web Interface
使用者操作(點擊頁面)
3.2 擷取層(Extraction Layer)
Chrome Extension(Content Script)
DOM parsing
Diff element extraction
3.3 資料層(Data Layer)
Browser Local Storage(暫存)
CSV export(最終輸出)
4. 操作流程(Workflow)
標準操作流程:
Step 1:進入 History 頁
使用者開啟 Wiki revision history
點擊「擷取目前頁面」
系統擷取:
version number
author
timestamp
Step 2:進入 Diff 頁
(例如 version 37 vs 38)
點擊「擷取目前頁面」
系統擷取:
old version metadata
new version metadata
diff content
Step 3:重複 Diff 擷取
逐一開啟各版本差異頁
重複擷取
Step 4:匯出資料
點擊「匯出 CSV」
系統輸出兩個檔案:
master.csv
diff.csv
5. 資料模型(Data Model)
5.1 Master Dataset(完整資料)
record_type
version
author_name
author_group
date
time
page_title
wiki_title
course_title
5.2 Diff Dataset(核心分析資料)
old_version
old_author_name
old_date
old_time
new_version
new_author_name
new_date
new_time
old_diff_paragraph
new_diff_paragraph
diff_method
page_url
6. Diff 擷取策略(Diff Extraction Strategy)
本系統採用三層擷取機制:
Level 1:細粒度擷取(Primary)
擷取 HTML 中標記:
<ins>(新增)
<del>(刪除)
.diff-added
.diff-deleted
輸出:精準文字差異
Level 2:行級擷取(Fallback)
.diff-addedline
.diff-deletedline
輸出:段落層級差異
Level 3:全文比對(Fallback)
左右欄全文擷取
用於無標記情境
7. 關鍵設計原則(Design Principles)
7.1 Human-in-the-loop
避免:
自動爬蟲登入問題
Moodle權限限制
AJAX動態載入問題
7.2 資料完整性優先
每次擷取即儲存
支援多頁累積
不覆蓋舊資料
7.3 雙資料輸出
master(原始資料)
diff(分析資料)
8. 系統限制(Limitations)
8.1 Moodle版本差異
不同Moodle版本DOM結構可能不同
8.2 Diff標記不一致
部分頁面可能無 <ins>/<del> 標記
8.3 作者資訊來源限制
若未先擷取history頁:
diff頁可能無完整作者資訊
8.4 非即時同步
資料需手動擷取
翰霖老師提供之資料
根據聯合國教科文組織(UNESCO)的人工智慧素養框架,在現代數位與AI環境下,「程式設計及邏輯運算思維」已被視為學生必備的「先決技能(Prerequisite skills)」之一。一門符合當代需求的基礎通識課程,不應僅侷限於程式語法的背誦,而應包含以下核心內涵:
1. 問題界定與運算思維 (Problem Scoping & Computational Thinking)
界定問題邊界:在動手寫程式或應用AI工具之前,學生必須學會明確界定問題的目標、邊界與限制。
邏輯與適當性評估:培養學生從邏輯、倫理與法律的角度,評估使用科技(如演算法或AI)來解決特定問題是否合適,或者是否有風險更低的非科技解決方案。
(註:以韓國的國家戰略為例,其學校教育便強烈主張以「運算思維」為核心來擴展學生的科技學習機會。)
2. 演算法與資料處理基礎 (Algorithms & Data Processing)
演算法邏輯:理解演算法的基礎機制(輸入、處理條件、輸出)。進階更可涵蓋現代AI的核心演算法概念,如監督式學習、非監督式學習與增強式學習。
資料工程:理解資料集的作用,學習如何獲取、清理並轉換資料,使其成為適合儲存與分析的格式(例如認識 SQL、NoSQL 等資料庫概念)。
3. 程式語言實作與應用技能 (Programming Languages & Application Skills)
開源工具與語言實作:課程應引導學生使用免費或開源的程式語言(如 Python、HTML、JavaScript、R 或 Scratch)進行實作。
任務導向的應用:重點在於培養「應用技能」,讓學生能批判性地評估並運用現有的開源程式庫、程式碼與數據集,來解決真實世界的問題。
4. 跨學科的數學與邏輯基礎 (Multidisciplinary Mathematical Foundations)
現代運算系統與AI的根基在於數學。通識課程可適度融入並鞏固學生在代數、機率與統計、資料結構等領域的知識。
結合基礎演算法的邏輯(如 K-近鄰演算法、K-平均分群、線性迴歸與決策樹等),幫助學生建立跨學科的邏輯運算基礎。
5. 系統化設計、測試與迭代思考 (Systemic Design & Iteration)
架構設計:學習配置包含數據、演算法與應用介面在內的基礎系統架構。
迭代與回饋循環:寫程式是一個動態優化的過程。學生需要學習如何設計測試指標來衡量系統效能,並根據測試結果與使用者回饋來修改程式碼、調整參數或優化演算法。
6. 將倫理融入設計的社會技術觀 (Ethics by Design in Socio-Technical Systems)
破除中立迷思:課程應教導學生認識到所有技術系統都是「社會技術系統(socio-technical systems)」,演算法與程式碼並非絕對中立,背後可能帶有設計者的目標或偏見。
實踐防偏見與安全性:在處理數據與設計程式時,主動實作去除資料偏見(如處理極端值或資料不平衡)的技巧,並確保資訊安全與隱私保護。
(註:如阿拉伯聯合大公國的「運算、創意設計與創新 (CCDI)」課程,就示範了將電腦科學、演算法與程式設計、工程設計與「永續性及倫理影響」進行跨學科結合的通識內涵。)