CSUB把 AI 變成課程

我拆 CSUB 跟 OpenAI 的合作，看看怎麼把 AI 焦慮改成三門課、校園到社區的可抄模板。

我看大學談 AI 很久了，老實說，很多都像在打太極。不是說「我們正在探索」，就是丟一個炫炮 demo，然後學生照樣不知道這東西到底要怎麼進作業、進實習、進工作。更煩的是，大家嘴上都在講 AI，真正落地時卻只剩一堆口號。我本來也以為 CSUB 這種校園合作會是同一套老戲碼，結果我讀到它跟 OpenAI 的合作後，才發現這次比較像真的在做課程，不是在做公關。

觸發我去拆這件事的是 KGET 17 News 的 Connor Dore 這篇報導：CSUB partners with AI company for new first-in-the-nation program。文中提到 CSUB 要在秋季開三門課，還會讓學生直接接觸 OpenAI 工程師。文章沒有把完整課綱攤開，但它給了我足夠的骨架，剛好可以拿來拆方法論。

別再把 AI 當校園危機處理

“The SPARKS program at CSUB is a collaboration between OpenAI and our campus in order to help our students better understand the power and the reach of artificial intelligence.”

翻譯一下就是，CSUB 想把 AI 從「會不會害到學生」這種恐慌模式，拉回正常教學。這件事很重要，因為恐慌最不會設計課程。你如果只跟學生講 AI 會搶工作、會作弊、會把世界搞亂，他們最後只會學到兩件事：一是怕它，二是偷偷用它。

我看過太多學校的 AI 策略，都是先喊風險，再丟一個政策頁面，最後大家各做各的。那種做法很像把消防演習當成火災管理。CSUB 這次比較像是先承認學生真的有焦慮，再把焦慮變成課程入口。這個順序對了，後面才有可能談技術、談倫理、談產業。

實操寫法很簡單：如果你是學校、訓練單位、甚至公司內訓，先不要急著做一個「AI 總論」。先把人最怕的三件事寫出來，例如「我會不會被取代」「我用了會不會違規」「我不知道怎麼開始」。接著每一題對應一個實作模組。你不是在賣願景，你是在處理疑慮。這種東西才教得動。

要看原始脈絡，可以直接對照 CSU Bakersfield 和 OpenAI 的官方頁面；但我先講結論，這種合作最怕的不是不夠新，而是不夠具體。

三門課比一場 AI 演講有用多了

報導裡最有料的不是「合作」兩個字，而是它真的拆成三門課：地質科學、政治中的競選財務報告分析、還有商學的社區利害關係人 AI 實驗室。這個設計我很買單，因為它避開了校園最常見的偷懶方式：把 AI 包成一門所有人都聽不懂的通識課。

也就是說，CSUB 沒有假裝每個學生都要變成模型工程師。它是在問：AI 到底怎麼改變不同領域的工作流？地質科學是資料整理與地圖化問題，政治資料是公開資訊分析問題，商學的社區實驗室則是協作與交付問題。三個領域的肌肉完全不同，所以教法也不能一樣。

我之前看過一個學校的 AI 工作坊，整場都在講 prompt 技巧，結果學生回去還是不知道怎麼把 AI 接到自己的作業。問題不是學生笨，是課程太抽象。CSUB 這種做法比較像把 AI 放回情境裡：不是問「AI 很強嗎」，而是問「它能不能幫你把這個領域的髒活做快一點、做準一點」。

• 先選一個系所痛點，不要先選一個大標語。
• 一門課處理一種工作流，不要一門課想包山包海。
• 作業一定要有「AI 幫忙」和「人類判斷」兩層。

實操寫法：如果你在公司做內訓，我會直接把「AI 教學」拆成四塊：資料整理、摘要與初稿、風險與法遵、實際交付。每一塊都對應真實任務。這樣大家才不會把 AI 當神，也不會把它當垃圾。

工程師進教室可以，但別讓他們把課講成產品簡報

報導說學生會直接跟 OpenAI 工程師學 prompt 跟大型語言模型怎麼建。這一段有價值，但我也會先踩煞車。工程師很擅長講系統怎麼運作，卻不一定知道學生最先需要學的是什麼，更不一定知道課程該怎麼評分。

翻譯一下就是，技術方可以進來，但不能把整門課的主導權拿走。這種合作最容易歪掉的地方，就是課程變成 vendor demo。學生聽了一堆功能，最後只記得品牌，沒記得方法。那就很可惜，因為學校不是來幫廠商做教育內容擴散的。

我以前碰過企業內訓也是這樣。廠商來講得很熱血，現場每個功能都想秀，結果員工只問一句：「這能不能過法務？」這才是現實。大學也一樣，學生要的是可用、可驗證、可交作業的版本，不是包裝過的產品故事。

實操寫法：如果你真的要跟工具商合作，職責要切乾淨。讓對方教機制、範例、限制；讓學校或內部教育團隊管 rubric、倫理、評量。最後作業一定要回到學生自己做的判斷，而不是只交一段模型輸出。

• 工具商負責技術與操作範例。
• 學校負責脈絡、政策與評分。
• 學生負責證明自己真的懂，不是只會貼結果。

如果你想看更完整的模型文件，我會順手參考 OpenAI API docs，再搭配 Google AI developer docs。不是因為 CSUB 一定用這些，而是只要你要做課程，就不能只會看新聞稿。

真正值得抄的是「社區交付」這一步

報導裡還有一個我覺得最值錢的設計：學生做完課程後，工作會帶去本地非營利組織。這一招比單純上課有用太多。很多校園合作死在教室裡，學生交完作業就結束，成果躺在資料夾裡，沒人真的用。

這裡的翻譯很直白：CSUB 想把學習變成外部可用的東西。這不只是教學設計，也是社區設計。學生知道自己的作品會被真實機構看見，做事會比較像樣；非營利組織拿到實用成果，也不用從零自己摸索；學校則不會只產出一堆學期末就蒸發的報告。

我看過最有效的學生專案，通常都不花俏。有人幫非營利整理表單，有人把混亂試算表做成可讀的 FAQ，有人做出簡單的流程圖給第一線志工。這些東西看起來不性感，但就是會被用。這才是課程該追的結果。

實操寫法：如果你要做校園、訓練營或公司學院，請先設計「課後去向」。不要只問學生學到什麼，要問「誰會接手這份成果」。如果你答不出來，通常代表你的課太空。先找合作夥伴類型，再定義交付物，最後把 handoff 寫死。

若要看社區協作脈絡，可以參考 Dolores Huerta Foundation。報導提到它曾參與前期的勞動力對話，這類在地組織比空泛的全國趨勢更值得拿來當樣板。

那個 70% 的數字，學校最好別裝沒看到

文章引用 2025 年 Harvard Poll 的數據：70% 的大學生認為 AI 會威脅他們的就業前景。這個數字很刺眼，但我反而覺得它是整篇報導最誠實的地方。因為學生不是無理取鬧，他們是真的在看一個本來就不穩的就業市場，然後看 AI 被塞進每一個入門職缺的討論裡。

也就是說，學校不能只教「怎麼用工具」，還得教「怎麼定位自己」。學生要知道哪些工作可以讓 AI 先做、哪些工作還得靠人判斷、哪些能力在履歷和面試裡要講得更清楚。少了這一段，學生不是過度吹捧 AI，就是乾脆不碰。

我聽過太多學校說「我們要讓學生面對未來」，結果只做了工具課，沒做職涯課。這很像教人開車卻不教路權。CSUB 這種做法比較像承認市場焦慮，然後把焦慮轉成技能與敘事。這才是學生真正需要的。

實操寫法：不管你是在教學生還是在帶團隊，都要加一段「AI 適合做什麼 / 不適合做什麼」。最好還要學生或員工自己寫下來，附上例子和失敗案例。人對失敗案例的記憶通常比成功案例深，這招很土，但很有效。

SPARKS 會被記住，不是因為名字，是因為它夠窄

CSUB 這個計畫叫 SPARKS，名字普通到有點像每個公關部都會想出來的那種詞。但我真正在意的不是名字，是它的結構：夠窄、夠在地、而且有明確去向。這三個條件同時成立，才讓它不像一般校園 AI 活動那麼虛。

翻譯一下就是，它沒有想一次解決全校、全產業、全未來。它只是在做一條路：先學工具，再進課程，再接社區。這條路不需要超大預算，也不需要把所有人都變成 AI 專家。它只需要有人願意把課程、合作方、交付物串起來。

我不會說每個學校都該照抄 CSUB 的原樣，因為每個系所的需求不同。但我會說它的邏輯很值得偷。先從一個合作開始，綁三門課，讓學生碰到真實使用者，最後交出可用成果。比起再開一個沒人會看的 AI 委員會，這種做法實在多了。

實操寫法：如果你要做自己的版本，先回答四件事：你選哪個領域、三個作業是什麼、外部夥伴是誰、課後成果要交給誰。這四題答不出來，就先別急著上線。

可抄的模板

# 校園 AI 合作模板

## 計畫名稱
[你的計畫名稱]

## 一句話目標
把 AI 教成某個領域的實作能力，最後讓學生把成果交給真實社區夥伴使用。

## 核心結構
- 1 個外部 AI 夥伴，提供技術與模型脈絡
- 1 個校內主責單位，負責課綱與評量
- 3 門課或 3 個模組，對應真實工作流
- 1 個社區夥伴網絡，負責課後交付

## 課程設計
### 課程 1：領域資料整理
- 重點：雜亂資料、分類、摘要、地圖化
- 學生產出：清理後資料集 + 方法說明
- AI 用法：協助找模式、產生初稿
- 人工檢查：來源、標籤、假設是否正確

### 課程 2：領域分析與報告
- 重點：公開資料、田野筆記、營運資料分析
- 學生產出：含發現、限制、建議的報告
- AI 用法：加速初步分析與大綱建立
- 人工檢查：每個結論都要查證、每個引用都要可追溯

### 課程 3：社區應用實驗室
- 重點：做出非營利、地方組織或小型企業能用的成果
- 學生產出：FAQ、流程指南、表單、儀表板、原型
- AI 用法：草擬、整理、測試不同版本
- 人工檢查：交付前要讓夥伴審過

## 使用守則
- 每份作業都要揭露 AI 使用情況
- 學生要說明模型哪裡錯了
- 學生要展示至少一個不用 AI 的基準做法
- 評分標準不能被廠商品牌綁架

## 夥伴交付流程
1. 找一個真的有流程痛點的在地組織
2. 定義一個可立即使用的交付物
3. 分派學生團隊產出成果
4. 在最終交付前讓夥伴審查
5. 記錄這次哪裡有效、哪裡失敗、下學期要改什麼

## Prompt 起手式
你正在協助一個 [領域] 作業。
任務： [具體任務]
受眾： [誰會使用輸出]
限制： [政策、風格、長度、引用]
輸出格式： [表格、備忘錄、清單、草稿、程式碼]
回答前，先列出你做了哪些假設。
回答後，列出風險與需要人工檢查的地方。

## 評量規準
- 正確性：學生有沒有驗證輸出？
- 判斷力：學生有沒有抓到模型錯誤？
- 實用性：夥伴能不能直接用？
- 透明度：學生有沒有揭露 AI 協助？
- 反思：學生有沒有說明修改後差在哪？

## 上線清單
- [ ] 選一個系所
- [ ] 選一個外部夥伴
- [ ] 選三個作業
- [ ] 寫揭露規則
- [ ] 寫評分標準
- [ ] 先跑一個試辦班
- [ ] 收學生與夥伴回饋
- [ ] 再改版後擴大

如果是我自己從零做，我會先跑一門試辦課，不會一口氣開三門。但如果目標是把 AI 從焦慮變成可教、可交付、可複製的東西，這份模板已經夠你拿去改了。你不用照抄名字，照抄結構就好。

來源致謝：原始報導來自 KGET 17 News 的 Connor Dore，網址是 https://www.kget.com/news/local-news/csub-partners-with-ai-company-for-new-first-in-the-nation-program/。上面這篇的拆解、模板與實作建議是我自己的整理，不是原文照搬。