日語教育中語言生成 AI 的優缺點

論文基本資訊

精簡摘要與研究框架

本文為一篇以日語教育立場檢視語言生成人工智慧（language generation AI）的論述型研究。作者先界定語言生成 AI 為「分析人類使用的自然語言、理解輸入文字資料的結構與意義並生成新句子的技術」，並以表 1 整理 Siri（Apple, 2011）、ChatGPT（OpenAI, 2022 年 11 月）、Bard→Gemini（Google, 2023）、文心一言（百度）、通義千問（阿里巴巴）等工具的發布時序。其次盤點台灣各大學的 AI 相關組織（表 2，共列 18 所大學）、東吳大學日本語文學系的 AI 相關研究計畫與成果（表 3、表 4），以及日本文部科學省（2023 年 7 月）、台灣行政院（2023 年 8 月 31 日）、東吳大學校內指引與歐盟 AI 法案（2024 年 3 月 13 日）等「AI 對策」。第 4 節則以作者自行操作的實例，示範語言生成 AI 在日中翻譯、閱讀指導（text mining）、口說指導、作文指導、資訊提供、資料統計六種教學場景中的表現與失誤。最後歸納出五項缺點（不正確性、人際交流機會減少、思考力下降、喪失學習樂趣、智慧財產權爭議）與五項優點（便利性、節省時間、費用經濟、培育提問能力、提升自律學習能力），主張教師與學習者須在辨明 AI 長短的前提下，以人類智慧（human intelligence, HI）與 AI 協作。

研究框架

本研究非變項式實證設計，不設自變項與依變項，而以「長所／短所（優點／缺點）」二分作為分析主軸。

• 資料軸有三：制度文本（政府與大學的 AI 指引、政策、法案）、學術文獻（表 3–表 5 之研究計畫、成果與技能別論述）、AI 實際輸出（作者對 Google 翻譯、DeepL、ChatGPTv2、Siri、Gemini、User Local AI 文本探勘之操作結果）。
• 場景軸為五至六個日語教學技能場景：翻譯、閱讀、口說、作文、資訊提供、資料統計，對應表 5 既有研究的「技能別」分類。
• 判準軸為十項歸納指標：缺點面的正確性、人際交流、思考力、學習樂趣、智財權；優點面的便利性、時間、費用、提問力、自律學習力。
• 價值論框架採 HI 與 AI 並用之立場（原文引「曾（2020）」），並以 UNESCO（1996）學習四大支柱（learning to live together／to know／to do／to be）外加「learning to change」作為結論的規範性依據；原文未採用 TAM、TPACK、SDT 等既有模型（原文未明示）。

研究動機與研究目的

研究動機

• 工具已進入日常與教育現場：作者指出「曾是雲端之上存在的人工智慧，如今已成為我們身邊的工具」，2011 年 Siri 搭載於 iPhone／iPad、2022 年 11 月 ChatGPT-3.5 公開後各界重用，日語教育學界不能忽視（p.112）。
• 使用禁令與解禁並存，現場無所適從：紐約大學 2023 年 1 月為防作弊禁用 ChatGPT；香港大學 2023 年 2 月禁止用於作業，9 月新學期卻解除禁令並購買全校使用權；台灣則未聞大學層級的禁令（pp.112–113）。
• 制度端已動、教學端待議：2023 年夏台灣出現以 AI 撰寫判決書的可能性，行政院並提出「行政院及所屬機關（構）使用生成式 AI 參考指引（草案）」；在此時勢下，教育現場尤其日語教育究竟該如何處理語言生成 AI，成為重要課題（p.113）。
• 不辨優缺點即生誤用：中文摘要明言「在使用人工智慧時，務必要小心。因為如果無法了解人工智慧的優缺點，可能會導致不便或者誤用」（p.108）。

研究目的

原文以一句總述目的，未採編號條列；以下依原句「本論文では台湾の教育機関における AI 対策及び日本語教育現場の AI 利活用、言語生成 AI の長短について考えたいものである」（p.113）拆解為三項，並對應各章節。

1. 考察台灣教育機構的 AI 對策（含大學 AI 相關組織之設置與校內指引）—— 對應第 2、3 節。
2. 考察日語教育現場對 AI 的利用與活用實例 —— 對應第 4 節（4.1 翻譯至 4.6 資料統計）。
3. 統整語言生成 AI 的優點與缺點，並提出 AI 時代日語教育與日語學習的因應方向 —— 對應第 5、6 節。

文獻探討大綱

本文未設獨立的文獻探討章節，文獻回顧分散於第 1 至第 4 節。以下依原文章節重建階層式大綱，每一主題附其論證角色。

• 第 1 節 はじめに（緒論，pp.111–113）：建立「AI 已不可迴避」的問題意識
  • 大規模語言模型（large language model, LLM）與語言生成 AI 的技術定義（辻陽行，2023；圖 1）—— 為研究對象劃定技術邊界，避免把「AI」泛化討論。
  • 生成 AI 發布年表（表 1：Siri 2011、ChatGPT 2022/11、Bard→Gemini 2023/2、文心一言 2023/3、通義千問 2023/4）—— 以時序證明工具擴散速度快到教育制度來不及回應。
  • 職業替代性論述（野村研究所，2015：試算日本國內 601 種職業，10 至 20 年後約 49% 勞動人口所從事職業可被替代，但日語教師、作曲家、播報記者等文字相關工作替代可能性低）—— 用以緩解「教師被取代」的恐慌，同時鋪陳「AI 播報員ヨミ子（2018/4）、台灣民視 AI 主播敏熙（2023/6）」等反例，說明界線正在移動。
  • 校園禁用與解禁事件（紐約大學 2023/1；香港大學 2023/2 禁→9 月購買全校使用權；台灣未聞禁令）—— 將研究問題從「能不能用」轉為「該怎麼用」。
• 第 2 節 台灣的大學 AI 相關組織（pp.113–115）：以制度盤點證明基礎建置已完成
  • 國際政策對照（比利時魯汶大學 KU Leuven 1988 年即開設 AI 碩士課程；瑞典政府 2019 年投入 2,000 萬克朗於大學 AI 教育，引自曾大千，2023）—— 提供台灣定位的外部參照點。
  • 台灣教育部 2019 年「人工智慧與新興科技教育總體實施策略」（原文作「人工知能・先端技術教育総合実施戦略」）—— 說明從國小到大學的 AI 學習投資具政策依據。
  • 表 2 台灣 18 所大學 AI 組織一覽（東吳 2015 巨量資料管理學院、2018 人工智慧應用研究中心四大領域；台大 2018；成大 2019；東海、逢甲 2019；陽明交大 2019 AI 學院；亞洲大學 2020；淡江 2020 人工智慧學系；中華大學 2020 與微軟合設；勤益科大 2021；台科大 2021；輔仁 2021；長庚 2022；清華 2023 AI 工作小組；政大 2023；中正 2023 導入 Moodle＋GPT；銘傳 2023；文化大學 2024 起 20% 通識導入 AI）—— 支撐「制度性建置已普及、日語教育不能落後」的論證。
  • 東吳大學日本語文學系「人工智慧日語研究中心」與表 3（2022–2024 年 6 件研究計畫，含教育部與國科會計畫）、表 4（2020–2023 年 10 篇 AI 相關研究成果）—— 顯示日語教育領域已有可承接的研究基礎，其中作者本人 2020、2022、2023 之系列研究為本文直接前身。
• 第 3 節 AI 対策（AI 因應措施，pp.115–117）：比較制度回應的規格與落差
  • 日本文部科學省 2023 年 7 月「大学・高専における生成 AI の教学面の取扱いについて（周知）」—— 官方文件同時陳述學習成效與業務效率的正面期待，以及僅用生成 AI 撰寫報告的隱憂，構成「雙面立場」的範型。
  • 台灣行政院 2023 年 8 月 31 日通過生成式 AI 參考指引（草案）—— 揭示六項原則：責任與可信態度、自律與管控、資安、隱私、資料治理、問責，並禁止恣意揭露未公開資訊、共享個資、全面信賴生成內容。
  • 東吳大學「生成式人工智慧教學與學習指引」—— 校級文件先介紹對話、翻譯、摘要、創作、分析、問答、文字修辭、近義比較等功能，再指出品質不均、偏見與霸凌、假訊息等缺點，並分別列出學生學習面（蒐集要點、精確指示、依需求調整資料、擴充學習語料、協助報告架構與修改提示）與教師教學面（教案設計、備課、課堂討論題設計、討論結果統整、人機討論多樣化、學術倫理建構、評量多元化與品質提升）的效益，末以內容可信度、學術倫理、資訊安全、過度信賴為注意事項。
  • 歐盟歐洲議會 2024 年 3 月 13 日通過綜合性 AI 規範法案 —— 與日、台「有指引而未見相關法案」形成對照，是本節最關鍵的差異命題。
  • 使用者端認知（許維寧，2023：中原大學調查七成學生認為無需訂定 ChatGPT 使用規範）—— 指出制度供給與使用者需求感之間的落差。
• 第 4 節 日語教育中語言生成 AI 的活用（pp.117–129）：把制度討論落到技能層級
  • 表 5「日語教育 AI 相關論述例（2022–2024 年）」按技能別分類（會話：潘寧 2022、孫彤 2023、王睿琪・林俊成 2024；讀解：久野かおる等 2023；作文：寺嶋弘道等 2023；翻譯：賴錦雀 2023；造句：王敏東 2024）—— 定位本文於既有實踐研究脈絡，並顯示會話類研究最多、讀解與作文相對稀少。
  • 4.1 日中翻譯：以向田邦子〈文字のない葉書〉與朝日新聞報導為題材，對照 Google 翻譯、DeepL 與 ChatGPTv2 的譯文品質。
  • 4.2 閱讀指導：User Local AI 文本探勘（詞彙表、詞頻、詞性解析、共現、情感分析、文件摘要、雙文本比較），並援引門倉（2011）指出 1990 年代以降英語教育在「聽說讀寫」四技能外重視「viewing（看）」，主張視覺表現理解在 AI 時代更應被重視 —— 這是本文唯一明確借用的既有教育學概念。
  • 4.3 口說指導：以 ChatGPT 生成台灣美食介紹文與熊本車站問路會話，檢視文法正確性、朗讀功能與事實錯誤。
  • 4.4 作文指導：回顧 AI 創作史（「ロボットは東大に入れるか」2011 年啟動、2016 年進研模試對 512 校達成合格率 80% 以上；第 170 回芥川賞得主九段理江 2024/1/17 自陳約 5% 文字直接使用生成 AI；北海道大學 AI 俳句「一茶くん」2017；學習俵万智歌集的「AI 短歌」系統 2022/7；坂本真樹 2017 AI 作詞；「気まぐれ人工知能プロジェクト 作家ですのよ」2012 年啟動、其作品〈コンピュータが小説を書く日〉2016 年通過星新一賞初選；AI のべりすと 2021；芦沢かもめ以 AI 執筆之〈あなたはそこにいますか〉2022/2 入選星新一賞）—— 以創作史證成 AI 的文字生產力，再用作者自身的俳句／和歌指示實驗指出其形式知識的不穩定。
  • 4.5 資訊提供：Siri 對「養寵物注意事項」可提供網頁，對「TSMC 熊本開幕」則回覆無法提供確實資訊。
  • 4.6 資料統計：User Local「AI 後編碼（AI アフターコーディング，beta）」把大學生對「AI 作家」的開放式意見於約 1 分鐘內自動分類為 10 個標籤。
• 第 5 節 語言生成 AI 使用的長短（pp.129–131）：歸納五缺點與五優點，並以紐約時報 2023/12/28 訴 OpenAI 與微軟、O'Connor & ChatGPT（2023）掛名爭議作為智財與學術倫理的實證事件。
• 第 6 節 おわりに（結論，p.131）：引 IMD「2023 年世界人才排名」三大指標（Investment and Development、Appeal、Readiness），其中 Readiness 含「語言能力符合社會需求」評分基準，據以主張語言教育與 AI 素養的連結；並以 HI＋AI 協作與 UNESCO（1996）四支柱＋learning to change 收束全文。

研究方法介紹

研究取徑

屬概念性／論述性研究（conceptual review）並帶有教學實踐報告色彩。全文以「先制度、後現場、末歸納」的三段式論證推進：以政策文本與組織盤點建立脈絡，以作者親自輸入指令取得的 AI 輸出作為現場證據，最後以歸納法整理成十項優缺點。原文未使用 PRISMA 等系統性回顧流程，亦未說明文獻檢索的資料庫、關鍵字與納入排除標準（原文未明示）。

資料蒐集來源

• 政府與機構文件：台灣教育部（2019）、行政院（2023，生成式 AI 參考指引草案）、日本文部科學省（2023 年 7 月通知）、東吳大學（2023，生成式人工智慧教學與學習指引）、歐洲議會 AI 法案（2024/3/13）、IMD 2023 世界人才排名（引自科技發展觀測平台，2024）。
• 學術文獻：表 3（東吳大學日文系 AI 相關研究計畫 6 件）、表 4（AI 相關研究成果 10 篇）、表 5（2022–2024 年日語教育 AI 論述 7 篇，按技能別分類）。
• 新聞與網路資料：聯合報、工商時報、經濟日報、日刊工業新聞、東京新聞、產經新聞、朝日新聞數位版、ITmedia NEWS、熊本市觀光導覽網頁等，皆標明日期與網址。
• AI 工具輸出：Google 翻譯、DeepL 翻譯、ChatGPTv2、Siri、Gemini、User Local AI 文本探勘（含 AI 後編碼 beta 版）共 6 種系統的實際回應。
• 語料素材：向田邦子〈文字のない葉書〉節錄（例 1、例 2）、朝日新聞數位版 2024/2/29 與 2024/3/5 報導（例 3、例 4）、產經新聞與朝日新聞 2024/2/24 TSMC 熊本開幕報導全文（附録Ⅰ、Ⅱ）。

資料分析方法

• 多系統譯文對照分析：同一日文原句分別由 Google 翻譯（2020/5/15、2024/3/12）、DeepL（2024/3/12）、ChatGPTv2（2024/10/12）產出中文譯文，逐句比對差異，例句以（1）（1*）（1**）之標記系統標示來源系統。
• 錯誤類型分析：將誤譯歸因為兩類，一為語意／親屬稱謂類（英語 sister 不分姊妹導致例 1 誤譯），二為讀音類（「おい」誤為「大井」、「菊陽町」誤為「菊代町」、「蒲島郁夫」誤為「鹿島鬱夫」、「幸山政史」誤為「小山雅文／小山正志」）；口說案例另指出事實錯誤（ChatGPT 稱熊本市電為「市電線 3 号」，實際應為「熊本市電 A 系統」）。
• 文本探勘對照：以 User Local AI 文本探勘對產經新聞與朝日新聞同一事件報導做詞雲、特徵詞、詞頻、共現詞彙、正負向與情感表現及其推移之比較（圖 2–圖 10、表 6–表 7）。
• 指令（prompt）追試：對俳句與和歌生成反覆修改指令，記錄「初春」俳句可成、「晚春」和歌指示卻回傳俳句、加註 31 字仍為俳句、直至指定「5.7.5.7.7」才產出和歌的過程；並記錄 Gemini 對雨中大波斯菊照片生成文本時出現照片中不存在的「蝶々」與「少女」。
• 歸納整理：將上述現場證據與制度文本收斂為 5 項缺點與 5 項優點，各以一段說明並附事件或例證。

信效度與可驗證性處理

• 原文未報告任何量化信效度指標（Cronbach's α、評分者間信度、效果量等皆為原文未明示），亦未進行前後測或對照組設計。
• 作者以三種方式提高可追溯性：一是每筆 AI 輸出均標註工具名稱與取得日期；二是將分析素材（產經、朝日兩篇報導）以附錄全文刊出；三是註 11 交代 ChatGPTv2 的版本說明來源（引自 ChatGPT 自身回答，並註明具體公開時間未經發表）。
• 外部檢核僅來自學術社群回饋：附記載明本文部分內容曾於 2024 年 4 月 13 日國際學術研討會口頭發表，並獲與會者及匿名審稿人意見。

研究流程（表格）

條列式研究流程

1. Step 1：界定語言生成 AI 與 LLM 的技術範圍，並以生成 AI 發布年表與校園禁用／解禁事件確立「該如何處理」的研究課題。
2. Step 2：盤點國際與台灣的 AI 教育政策，整理 18 所大學的 AI 組織以及東吳大學日文系的 AI 研究計畫與成果。
3. Step 3：分析日本、台灣、東吳大學校內與歐盟四層級的 AI 對策文本，指出日台僅有指引而未見立法。
4. Step 4：依會話、讀解、作文、翻譯、造句等技能別回顧 2022–2024 年日語教育 AI 論述，據以設定六個示範場景。
5. Step 5：對同一日文語料輸入 Google 翻譯、DeepL 與 ChatGPTv2，比對譯文並歸納語意類與讀音類誤譯。
6. Step 6：以 User Local AI 文本探勘比較產經與朝日的同題報導，檢視詞彙與情感表現的異同並視覺化。
7. Step 7：以 ChatGPT、Gemini、Siri 測試口說教材、作文與詩歌生成、圖像描述與資訊查詢，記錄事實錯誤與幻覺，並用 AI 後編碼自動分類學生開放式意見。
8. Step 8：把制度證據與六場景的操作結果歸納成 5 項缺點與 5 項優點，並補入紐約時報訴訟與 ChatGPT 掛名爭議等事件。
9. Step 9：以 IMD 人才排名的語言能力基準與 UNESCO 學習四支柱＋learning to change 提出 HI 與 AI 協作的因應主張，作為結論。

研究議題與討論重點收斂

議題一：機器翻譯的正確性，與「檢核能力」成為新的教學任務

發現摘要：Google 翻譯與 DeepL 在例（1）–（4）出現多種誤譯：因英語 sister 不分姊妹而把「妹」譯為「姐姐」；把「おい（喂）」誤認為人名「大井」；「菊陽町」誤為「菊代町」；「蒲島郁夫」誤為「鹿島鬱夫」；「幸山政史」誤為「小山雅文」（Google）或「小山正志」（DeepL）。相對地，ChatGPTv2（2024/10/12）的譯文正確度較高，四例皆能正確處理稱謂、敬稱「殿」、專有名詞與語氣。

作者詮釋：AI 機器翻譯確有「減輕作業時間」之利，但使用端必須具備判定譯文有無誤謬、是否妥當的能力；因此「培養檢核翻譯正確性與妥當性的能力」正是當前日語教育現場被要求的任務。與過往文獻的關係：例（1）（2）部分取自作者本人賴錦雀（2020）〈AI 時代における台湾の日本語教師の役割〉，本文以 2024 年的 ChatGPTv2 重測，形成同一語料的縱向對照，結論由「機器翻譯不可靠」修正為「不同世代工具落差極大、正確度已顯著提升」——這是本文與其前作最明顯的更新之處。

議題二：文本探勘與視覺化，把閱讀教學帶向「viewing」素養

發現摘要：使用 User Local AI 文本探勘可取得詞彙表、詞頻、詞性解析、共現、情感分析與文件摘要；2024 年 3 月起可與 ChatGPT 連動生成高精度摘要，並支援兩份文件比較。以 2024/2/24 產經新聞與朝日新聞的 TSMC 熊本開幕報導為例，可得到雙方用詞比較表、詞雲、特徵詞、共現詞彙與正負向及情感表現推移（圖 2–圖 10、表 6–表 7），用詞異同被視覺化後更易理解。

作者詮釋：這類 AI 視覺化圖表能輔助文字資料，對文本內容理解有正面作用，對中高級日語學習者與日語教師皆屬便利工具。與過往文獻的關係：呼應門倉（2011）指出 1990 年代以降英語教育在聽說讀寫四技能之外重視 viewing（看）的趨勢，作者進一步主張視覺表現理解在 AI 時代「更應被珍視」，屬於對既有主張的延伸而非反駁。

議題三：口說與作文場景的可用性，受制於事實錯誤與指令精確度

發現摘要：ChatGPT 依指令產出的台灣美食介紹文（表 8）文法正確且具朗讀功能，被認為有助日語發話的自律學習；但熊本車站問路會話（表 9）把前往熊本城的路面電車寫成「市電線 3 号」，實際應為「熊本市電 A 系統」。詩歌生成方面，指定季語「初春」可得俳句，但要求以「晚春」為題作和歌時反覆回傳俳句，即使補上「31 文字」仍然如此，直到指令改為「5.7.5.7.7 の和歌」才產出和歌；Gemini 依雨中大波斯菊照片生成的文本則出現照片中並不存在的「蝶々」與「少女」。

作者詮釋：生成內容是否妥當、是否正確，必須逐一查核；在作文指導上，生成 AI 可提供指定題目的參考作文與教材線索，但「並不具備 100% 的正確性」，尤其學習者若日語能力不足，恐無法判斷所得參考文的良窳。此點與東吳大學校內指引所列「品質不均、假訊息」之風險描述一致，也與第 5 節「不正確性」缺點互為佐證。

議題四：AI 對策的層級落差——指引已備、立法未至

發現摘要：日本文部科學省 2023 年 7 月發布通知，同時陳述學習成效提升與僅以生成 AI 撰寫報告的隱憂；台灣行政院 2023 年 8 月 31 日通過生成式 AI 參考指引（草案），要求安全、隱私、資料治理、問責四原則並禁止全面信賴生成資訊；東吳大學據此訂出校內教學與學習指引。然而作者指出，日本與台灣皆認可生成 AI 的活用價值並提出注意事項，但似乎都未提出相關法案；相對地歐盟歐洲議會已於 2024 年 3 月 13 日通過綜合性 AI 規範法案，為主要國家與地區首例。

作者詮釋：在此制度落差下，教育現場實際承擔了規範真空的風險，因此本文以「AI 對策」為專節，主張教師與機構須自行建立處理原則。與過往資料的矛盾之處：許維寧（2023）報導中原大學調查顯示七成學生認為無需訂定 ChatGPT 使用規範，此使用者端態度與制度端積極訂定指引、以及紐約大學與香港大學一度祭出禁令的行動形成明顯張力，顯示規範需求感在師生之間並不一致。

議題五：優缺點的最終收斂與其價值論立場

發現摘要：缺點五項為（1）不正確性（英語中心的翻譯機出現誤譯、時事資訊不正確、回應與指令不符）、（2）人與人交流機會減少（面對面時凡事依賴翻譯機將失去真正交流，也使自行翻譯的意願消失）、（3）思考力下降（輕易取得答案而養成不自行思考的習慣）、（4）喪失學習的醍醐味（從無到有、由不懂到懂、由不會到會的樂趣被抹去）、（5）智慧財產權爭議（學習來源不明；2023 年 12 月 28 日紐約時報以未經許可將報導用於 AI 訓練、侵害著作權為由提訴 OpenAI 與微軟；2023 年 1 月將 ChatGPT 列為第二作者的護理教育論文，於同年 2 月被期刊更正並自作者列表移除）。優點五項為便利性（隨時隨地可用、不必逐一依賴辭典書籍）、節省時間、費用經濟（多數免費，且幾無時間地點限制）、培育提問能力（與對話型 AI 互動必先提問，試誤過程可提升提問力與思考力）、提升自律學習能力（有電腦即可自力學習，有志者甚至可跨域自主學習）。

作者詮釋：優缺點並非工具屬性的固定清單，而視使用者能否辨明長短而定；結論主張與人類智慧（human intelligence, HI）並用（原文引「曾（2020）」），並援引 IMD 2023 世界人才排名將「語言能力符合社會需求」納入 Readiness 指標，說明語言教育與國家人才競爭力的連結；最後以 UNESCO（1996）學習四大支柱之外再加「learning to change」，主張在鍛鍊人類能力的同時改變日語教育與學習的做法。值得注意的是，同一項目在不同節次呈現雙面性——例如「思考力」在缺點面被視為會下降，在優點面（提問力育成）卻被視為可能提升，作者未進一步說明兩者的條件差異。

未來研究缺口

作者明示的限制與後續方向

• 本文未設獨立的研究限制節（limitations）與未來研究節（future research）——（原文未明示）。
• 作者明示的時點限制：全文以「2024 年 8 月現在」為觀察基準，所述工具與制度現況隨時可能變動；各例證均標註取得日期（如 Google 翻譯 2020/5/15 與 2024/3/12、ChatGPTv2 2024/10/12、User Local 2024/3 現況）。
• 作者明示的工具資訊不足：註 11 指出 ChatGPTv2 為 2023 年 3 月公開之 GPT-4 新版，但「具體公開時間並未發表」，版本資訊本身即不完整；註 22 亦記錄「コンピュータが小説を書く日」系統於 2024/3/15 確認時已無法使用。
• 作者提出的方向性主張（可視為後續議題）：一是培育檢核 AI 譯文與生成內容之正確性與妥當性的能力；二是重視 viewing（視覺表現理解）在 AI 時代的教學地位；三是在 HI 與 AI 並用的前提下改變日語教育與學習方式，落實「learning to change」；四是關注日台在生成 AI 上「有指引而無法案」的制度缺口。
• 作者明示的外部檢核來源：附記說明本文一部分為 2024 年 4 月 13 日國際學術研討會口頭發表內容，並已獲與會者與匿名審稿人意見。

值得引用的段落句子

原文為日文，故「原文句子」欄照錄日文原句；出處欄採論文印刷頁碼（p.108–135）。

值得延伸閱讀的論文

以下 9 筆均取自本論文參考文獻（pp.132–134）實際列出之條目，依 APA 7 格式重排；原文為日文或中文者保留原書目資訊並附中譯。本文參考文獻共 19 筆，多為政策文件、報刊與網路資料，學術期刊論文比例偏低，故一併說明其性質。

1. 賴錦雀（2020）。AI 時代における台湾の日本語教師の役割〔AI 時代台灣日語教師的角色〕。台灣日語教育學報，35，26–55。
   為何值得讀：本文例（1）（2）的翻譯語料部分直接取自該文（註 10），可看到同一組語料在 2020 年機器翻譯環境下的判讀基準。｜與本論文的關係：本文的直接前身，兩篇對照即構成「工具世代更替後教師角色如何調整」的縱向論證。
2. 賴錦雀（2023）。学習者の振り返りから見る DX 時代における日本語教育と AI 翻訳機〔從學習者的回顧看 DX 時代的日語教育與 AI 翻譯機〕。台灣日語教育學報，40，91–119。
   為何值得讀：同時列於表 4（研究成果）與表 5（翻譯技能別論述），是本文六場景中唯一有學習者回饋資料的前作。｜與本論文的關係：補足本文最缺乏的學習者端證據，適合作為把本文優缺點清單實證化的起點。
3. 辻陽行（2023）。LLM（大規模言語モデル）とは？生成 AI との違いや活用事例・課題〔何謂 LLM？與生成 AI 的差異、應用案例與課題〕。BrainPad DOORS。https://www.brainpad.co.jp/doors/contents/01_about_llm/
   為何值得讀：本文圖 1「語言生成的機制」與 LLM 定義即依此文，是理解本文技術前提的最短路徑。｜與本論文的關係：提供本文的技術界定基礎；惟圖 1 圖說標為「辻（2024）」，與參考文獻年份不一致，引用時宜查核原件。
4. 佐藤理史（2016）。コンピュータが小説を書く日—AI 作家に「賞」はとれるか〔電腦寫小說之日：AI 作家能否獲獎〕。日本経済新聞出版社。
   為何值得讀：本文 4.4 節論 AI 文學創作的核心依據，詳述自動小說生成系統與星新一賞初選的實作細節。｜與本論文的關係：支撐「AI 具備文章生成能力」的前提，也是討論創作、著作權與學習樂趣議題的原始材料。
5. 野村研究所（2015）。日本の労働人口の 49％ が人工知能やロボット等で代替可能に—601 種の職業ごとに、コンピューター技術による代替確率を試算〔日本 49% 勞動人口可被 AI 與機器人替代：601 種職業的替代機率試算〕。野村総合研究所。https://www.nri.com/
   為何值得讀：本文用以說明日語教師等文字相關職業替代可能性較低的量化來源（10 至 20 年後約 49%）。｜與本論文的關係：構成第 1 節的危機意識框架，也是與 AI 播報員等反例對話的基準數據。
6. 教育部（2019）。AI 教育 X 教育 AI：人工智能教育及數位先進個人化、適性化學習時代來臨！教育部。https://www.edu.tw/
   為何值得讀：台灣自國小到大學的 AI 教育投資政策原始文件，可核對本文第 2 節對政策的概述。｜與本論文的關係：本文論證「台灣制度層面已有政策支撐」的官方依據。
7. 行政院（2023）。行政院及所屬機關（構）使用生成式 AI 參考指引（草案）。行政院。https://www.ey.gov.tw/
   為何值得讀：台灣公部門生成式 AI 使用原則（責任、自律與管控、資安、隱私、資料治理、問責）的一手文本。｜與本論文的關係：第 3 節「AI 對策」的核心分析對象，也是東吳大學校內指引的上游依據。
8. 曾大千（2023）。人工智能發展的國際政策趨勢與具體作法。國家教育研究院電子報，230。https://epaper.naer.edu.tw/
   為何值得讀：本文關於瑞典 2019 年投入 2,000 萬克朗等國際 AI 教育政策的引用來源，適合擴充跨國比較視角。｜與本論文的關係：提供第 2 節國際對照的政策素材；另請注意本文結論引用之「曾（2020）」未見於參考文獻，兩者不宜混為一筆。
9. 科技發展觀測平台（2024）。2023 年 IMD 世界人才競爭力。科技政策研究與資訊中心。
   為何值得讀：本文結論援引 IMD 世界人才排名三大指標（Investment and Development、Appeal、Readiness）及其中「語言能力符合社會需求」評分基準的來源。｜與本論文的關係：將語言教育連結到國家人才競爭力的論證支點，是本文最具政策意涵的一段引用。