2025年6月28日 星期六

《『社區科學』的過去．現在．未來》專輯(X)：『人工智慧』(AI)的「方案評估」應用─發展進程、定義與概念、『科學』觀點、SWOT分析、應用實例、倫理議題和未來方向

 

作者：周才忠 (日期：2025/6/29)

     『電腦科學』和『人工智慧』(AI)之父-艾倫·圖靈曾說過一句名言：「我們只能看到前方很短的距離，但我們可以看到那裡有很多事情要做」。『人工智慧』的最新發展正在徹底改變各個專業領域的相關實務，如果「評估」人員未能利用新科技帶來的機遇，「評估」領域將面臨生存風險。因此，本文介紹的主題，包括『人工智慧』的發展進程、定義與概念、『科學』觀點、SWOT分析、應用實例、倫理議題和未來方向等內容。AI對於「評估」專業領域的巨大衝擊，不會在遙遠的未來實現，它已經是正在發生的進行式了。而我們要向下一代的專業人士/學生傳授什麼？還是那些傳統的由上而下、專家權威、菁英觀點、便宜行事、虛有其表、蕭規曹隨、機械式思考嗎？！

『人工智慧』的發展進程

※圖片來源：www.freepik.com

   『人工智慧』(Artificial Intelligence)(以下簡稱「AI」)，它是一種由人們製成具有知覺、綜合與推斷「信息」等智慧的「機器」。其功能包括語音辨識、電腦視覺、語言轉譯以及其他輸入繪圖。1990年代，開始結合『認知科學』領域」發展出「人工神經網路」。約莫2000年後，更進展到具備「深度學習」功能，如臉部與表情辨識。接續2010年，這股AI新潮流搭上『巨量資料科學』(*大數據)(Big Data)的子彈列車，研發出「現代情感語意分析」、「大型語言模組」(LLM)等。

    2022年10月，由美國一家開放AI研究實驗室(OpenAI)，開發出來的聊天機器人程式─「ChatGPT」，它可以透過與使用者的巧妙對話，提供更廣泛的常識以及能客製化準確地解決疑難問題。這股方興未艾的「運算革命」(Computing revolution)的新潮流，對於「方案評估」的實務上，有何重要角色與相對影響呢？總括來說，就是改變了“遊戲規則”(周才忠，2024)。

      AI的最新發展正在徹底改變各個專業領域的專業實務，「評估」領域也不例外。憑藉其先進的自動化和學習能力，AI正在顯著改變組織和社會的運作方式。儘管「評估」人員採用AI的速度較慢，但「評估」工作也未能逃脫這一趨勢的影響。如果「評估」人員未能利用新科技帶來的機遇，「評估」領域將面臨生存風險。對此，「國際影響力評估倡議」(3ie)高級研究員-邁克爾·班伯格設想了一個悲觀的情景：「評估」將被邊緣化，並被其他整合新技術以充分利用大數據潛力的管理實務所取代(Bamberger, 2020)(轉引自Jacob, 2025)。

      目前，「機器學習」(以下簡稱「ML」)和AI在各個領域的「方案評估」中都發揮著關鍵作用。ML是AI的一個分支，它運用統計技術，使機器能夠透過經驗提升其性能(Izdihar et al., 2021)。ML是AI的一個重要面向，它使軟體應用程式無需明確「編程」(programming)即可改善預測結果(Lohit, Mujahid, & Sai, 2022)。AI和ML在包括「方案評估」在內的各個專業都取得了顯著進展，使電腦能夠從數據中學習和改進，而無需明確「編程」(Mueller, Kinoshita, Peebles, Graber, & Lee, 2022)(轉引自Shapiro & Lam, 2025)。  

『人工智慧』的定義與概念

※圖片來源：「IEEE」組織官網

       1956年，在美國東北部新罕布夏州達特茅斯學院的夏季AI研究計劃提案中，由約翰·麥卡錫及其合作者(McCarthy et al., 2006)創造了「AI」這個術語。其定義是，機器可以被製造來模擬「學習的各個方面或智慧的任何其他特徵」。作為智慧的特徵，麥卡錫等人......引用語言的使用、抽象和概念的形成、解決現在人類獨有的問題以及自我改善。然而，「智慧」本身是一個備受爭議的概念，目前尚不清楚AI需要複製哪種或誰的「智慧」才能配得上被稱為AI。由於AI概念的微妙性，導致了許多相互競爭的定義，涵蓋了各個面向(Kaplan & Haenlein, 2019)(轉引自Stahl, 2021)。

  1. 「機器學習」是狹義AI的關鍵範例，即一種能夠成功複製特定認知過程的技術。「機器學習」自誕生以來就一直是AI研究的重要組成部分(Bishop, 2006)，但近年來運算能力的提升和數據可用性的提高，使其在眾多領域的應用蓬勃發展。「機器學習」涵蓋了廣泛的技術和方法，包括監督式學習、貝氏決策理論(Bayesian decision theory)、各種參數和非參數方法、集群等等(Alpaydin, 2020)。

  1. 「通用AI」(有時也稱為「強AI」)起源於AI研究的早期階段，其理念是建構能夠展現人類(或其他高等哺乳動物)真實智力水準的系統。它也被稱為“美好老式AI”(GOFAI)。 GOFAI最初的宗旨是，世界可以用「符號」來表示，並且對這些「符號」的操控將導致智慧行為(Moor & Bynum, 2002)。在這種觀點下，人腦被視為一台執行邏輯運算的電腦，而相同或至少功能等效的運算可以在數位電腦中執行(Floridi, 1999)。

  1. AI是匯合「社會技術系統」的同義詞，它包含但遠遠超出了狹義AI技術。許多『科學』技術領域與AI密切相關，在AI的討論中也經常被提及。其中一些技術能夠產生「機器學習」所需的數據，例如物聯網。另一些技術則能夠幫助AI影響世界，例如「機器人技術」(European Commission, 2020)。人們也可以使用「智能資訊系統」(SIS)一詞來表示這種多種技術的組合，這些技術通常是基於「機器學習」和「大數據分析」(Stahl & Wright, 2018)。在實務中，AI很少作為一項獨立的技術出現，而是通常與其他技術相互關聯並嵌入其中。 

     1880年創立且專注於『科學』、「技術」和『醫學』(如《刺胳針》)內容的荷蘭學術出版商Elsevier，在2018年曾針對對AI文獻進行了回顧，指出構成AI學科的許多關鍵概念和研究領域。該報告基於60萬份的AI相關文獻樣本，並根據800個關鍵字進行分析，將AI出版物分為七大類(轉引自Stahl, 2021)：

  • 搜尋與優化
  • 模糊系統(fuzzy systems)
  • 規劃與決策
  • 自然語言處理(NLP)與知識表徵
  • 電腦視覺
  • 機器學習
  • 機率推理與神經網路

     這強調了AI並非單一技術，而可以更好地理解為一系列技術和子學科(Gasser & Almeida, 2017)(轉引自Stahl, 2021)。

『人工智慧』的『科學』觀點

       人類「心智」(Mind)極為複雜，難以捉摸，『心理學』一直對此著迷。然而，其深度仍然鮮為人知，稀缺的資訊和武斷的解讀阻礙了我們的理解。如今，AI已成為一股強大的力量，有望揭示這些隱藏的複雜性。AI驅動(AI-powered)的演算法能以驚人的客觀性和精確度分析大量數據，例如語音模式、臉部表情，甚至生理指標。對於那些因社會或地理限制而無法獲得傳統治療的患者，AI聊天機器人和虛擬治療師可以提供全天候的支持和指導。這些AI模型模擬人類的知覺、學習、記憶和決策，為理解大腦背後的複雜機制提供了重要的見解。這種深入的知識，對於制定更有效應對各種心理健康問題的介入措施和「預防」策略至關重要。為了確保適當且合乎「倫理」的應用，必須在AI的優勢和人類連結不可或缺的溫暖之間取得平衡(Bajotra & Rani, 2024)。

   『生成式人工智慧』(Generative Artificial Intelligence)(以下簡稱「GAI」)是一個涵蓋廣泛AI模型和技術的術語。GAI代表機器無需人工介入即可自主創建數據和資訊的能力(Wang et al., 2017)。這與傳統的「方案評估」方法形成了鮮明對比，後者需要人工輸入資料才能評估結果(Mondal et al., 2023)。此外，GAI模型可用於從各種來源產生數據，包括文獻綜述、「行動應用程式」(手機App)和電腦輔助系統(Wu et al., 2022; Zhang et al., 2023; Koshino et al., 2021; Xu et al., 2014)。GAI正越來越多地應用於從醫學教育到交通模擬等眾多領域。例如，已經開發出一款名為「TrafficGAN」的行動應用程式來產生逼真的交通數據(Wu et al., 2022)。此外，GAI模型也用於電腦輔助系統，以增強訓練資料並提高準確性(Koshino et al., 2021)。GAI也用於AI領域，用於訓練深度神經網路(Xu et al., 2014)。GAI與傳統「方案評估」的關鍵差異在於資料生成的方式(Zhang et al., 2023)。具體來說，GAI模型涉及分佈參數和假設的估計(Wang et al., 2017)，而傳統方法則依賴人工的手動輸入(Mondal et al., 2023)。總而言之，GAI是一個新興領域，它有可能徹底改變我們「評估」方案與其結果的方式(轉引自Patel, 2023)。

       資訊世界由『數位科技』所中介，AI透過其對日常生活的介入對社會日益增長的影響，很可能帶來一些具有持久影響的問題。在利用AI改善「社區幸福」(Community well-being)的脈絡下，激活此類改善所需的知識、洞察力、印象或分析需要一個參照框架。該框架需要考慮在當前「技術創新」作為經濟成長驅動力的典範下，如何理解「幸福」。「幸福」的「評估」通常被定義為個人對生活的認知和情感評估，它基於對滿足感和成就感的認知，考慮了對事件的情緒反應。它是一個動態概念，涉及主觀、社會和心理維度，以及一種滿足人類需求並能夠做出有意義行動的狀態，從而凸顯了「社會幸福」和「社區幸福」背後的關係要素。從以「工業」為主的社會，朝向以「資訊」為主導的社會的轉型，我們需要對AI進行策略性的「社會設計」(Social design)(Narayan, 2020)。

     「大數據」在測量向度上，可涵蓋廣泛的「幸福」構念，包括生活滿意度、正向/負面情緒以及同理心/信任特質。並能進一步去檢視人們心理健康與幸福感相關有意義的變化過程(每週或跨年尺度)。也許，「社交媒體」最有前瞻之處，在於它日益擴大的數據規模、追溯功能與多層結構靈活性，允許將地理空間與時間的測量，能夠細化到「縣市─月份」粒度。這樣的樣本大小與間隔，十分適合用來檢定相關「準實驗設計」的研究假設(如「幸福」的決定因子與影響結果)。然而，「社交媒體」如果是一個「評估」幸福感的有效方式，則需要考量其數據的收集、聚合與加權方面(如「資料探勘」)，以及如何從「非結構化語言」中得出人群心理狀態的估計結果(如現代情感語意分析、大型語言模組LLM、機器學習模型ML)。還包括縱向穩定性、外在效度等等。這些幸福感的「大數據」分析方法，很多初步開發工作都是在美國進行的，例如蓋洛普民調公司歷年幸福感調查資料、訓練與基準化測試模組、諸多實驗室的研究結果。未來，亦可在世界不同國家來實施，以建立更有信效度且具即時性的「幸福指標系統」(Kjell et al., 2023)。

『人工智慧』應用於「方案評估」的SWOT分析

應用概述

      Shapiro和Lam(2025)概述了將AI和ML融入「方案評估」的六種方法，旨在透過數據驅動(data-driven)的洞察力和更高的效率來增強傳統方法。這些方法旨在滿足「評估」人員日益增長的對複雜資料集的精準分析需求，同時減少人工操作。這些方法包括：(1)識別數據模式以發現趨勢和異常值；(2)使用預測模式預測結果；(3)透過「績效分析」精準定位可改進的範圍；(4)透過「視覺化」以簡化資料解讀；(5)「自動化資料分析」以提高效率；(6)以及利用數據儀表板或控制面板進行即時監控和決策。Shapiro和Lam強調，雖然它並未為技術專業知識有限的「評估」人員提供指導，但它提供了一個將AI融入「評估」實務的框架。成功實施需要了解方案利害關係人(stakeholder)的需求、促進服務對象「參與」、確保工具可用性並保持有效溝通。雖然AI可以提高「評估」品質和創新能力，但必須謹慎處理AI演算法中的「倫理」考量和偏見。這些AI驅動的技術可以實現更穩健、基於證據的決策，從而支持正面的社會影響。

優勢 (Strengths)

AI如同一個強大的盟友，它配備了指揮棒
可以增強管弦樂隊的和諧度，並使每個音符都達到驚人的清晰度

  • Ferretti(2023)指出，「ChatGPT」 有以下四項優點：(1)AI能編寫出精心設計的「評估邏輯模式」、方案概念及部門策略(如預測風險/限制)，與某些真實能相媲美甚至更好；(2)它接受過重視包容性和多樣性價值的訓練(資訊匯集與統整)，並提供闡明擴大「參與」和「責信」的想法；(3)它可以很容易地確定何時需要嚴格/客觀的研究及何時應該使用更多的「建構主義」方法；(4)它具有創造性，並運用各種溝通方式，以表明傳統的監測和「評估」方法可能不適合某些方案。
  • GAI可以有效地分析數據並產生詳細的報告，並在人工評估所需時間的一小部分內提供客觀的回饋。此外，GAI可用於「評估」醫療介入措施的影響和「功效/效果」(effectiveness)，讓使用者深入了解在醫療保健應用中使用AI的潛在益處和風險。生成式『化學』方法也正在開發中，以利用「深度學習」來預測分子結構，從而實現更有效率、更準確的材料評估。「生成對抗網路」(GAN)可用於偵測資料中的異常，並對複雜問題進行更準確的評估。與其他生成演算法相比，GAN具有許多優勢，例如效能更佳、訓練速度更快以及結果更準確。「行動應用程式」也可用於評估醫療效果，為使用者提供即時病情評估。生成模型可用於「評估」醫療狀況的不同特徵，例如「累積密度函數」(CDF)中資訊的均勻性。「深度狄氏程序混合模型」(DDPM)就是一個生成模型的例子，它比其他生成模型具有一系列優勢。最後，生成模型可用於評估AI演算法，從而對AI效能進行更準確、更全面的評估。總而言之，GAI有可能為「方案評估」帶來一系列優勢，為使用者提供更快、更準確、更可靠的結果(轉引自Patel, 2023)。
  • AI能夠增強「可呈現性」(presentability)，這意味著個人、倡議或組織能夠以最有利的視角展現自己；AI的「可洞察性」(insightability)意味著它能夠從大量數據中快速提取洞見。它還可能實現持續的“即時”「評估」，而不是目前許多「評估」中採用的「快照式」方法；AI另一個顛覆性的特性是其「可預測性」(forecastability)—它能夠利用模擬來識別可能發生的事情。AI的模擬潛力將重塑「事前評估」(在介入之前進行)(Duignan, 2024)。

劣勢 (Weaknesses)

  • 「ChatGPT」擅長是概念，而不是事實。且不提供參考來源或連結，有時也可能會混淆標準或方法的名稱；它瞭解核心概念，並提供有價值的見解。但它不是搜索引擎，只呈現不同的參考範例(Ferretti, 2023)。
  • 鑑於「評估」的核心之一，在於檢驗關於一項倡議的聲明是否準確，AI的「可呈現性」將為許多「評估」、品質保證和監管體系帶來問題。任何倡議，無論品質如何，現在都能夠提供近乎完美的文件。在產品和服務「評估」中，AI將能夠編造大量虛假的正面回饋。另一個問題是，人們將如何應對AI引發的「信任」危機。AI是否會迫使許多人進入有“防火牆”的社區/社群，以防範虛假資訊(資訊垃圾的海嘯)和虛假身分？(Duignan, 2024)。
  • 另一個重要問題是「AI紅利」(即AI可能創造的財富)將如何分配。我們也應該考慮如何與AI夥伴建立健康的關係。當人們離開AI創造的完美烏托邦世界，渴望現實時，可能會出現「AI戒斷症候群」。有些人可能會尋求非AI體驗以及非AI融合的商品和服務，以應對AI飽和的世界(Duignan, 2024)。

機會 (Opportunities)

  • GAI已在「方案評估」中應用一段時間，然而這個過程仍面臨許多挑戰。例如，「長短期記憶」(LSTM)網路在理解和生成英語以外的其他語言方面的能力仍不確定。儘管「自然語言處理」(NLP)領域取得了巨大進步，但生成式LSTM並非對所有語言都適用。這使得很難確定此類系統的準確性及其在「方案評估」中的可靠性。此外，自然語言生成是一項複雜的任務，需要對語言本身、語法和語義有深入的理解。確定此類系統的準確性和產生輸出的可靠性極具挑戰性。因此，開發一個全面的「評估」系統來測定GAI在「方案評估」中的「功效/效果」至關重要(轉引自Patel, 2023)。
  • 「質性」資料資源豐富，但由於分析資源密集，經常被低估。AI輔助「質性分析」的各項工具，可以幫助我們更快地將有意義的洞察傳遞給「利害關係人」，而無需犧牲嚴謹性。在這個充滿複雜挑戰的世界裡，這似乎是一個值得探索的機會(Ehrlich, 2025)。
  • 運用我們的能動性(agency)。鑑於所有這些挑戰，「評估」人員為何要接受AI技術？我們為何不該抵制？人們對AI的「倫理」和安全問題深感擔憂。然而，工業、金融和矽谷的車輪已然飛速運轉。無論喜歡與否，在我們看來，這股力量勢不可擋。如果「評估」的領域(就像其他所有領域一樣)想要在所有知識型工作領域即將到來的變革中生存下來，就必須做好迎接變革的準備。我們必須適應，否則就會被時代淘汰——就像現代「評估」人員如果還在使用打字機、計算尺和複寫紙，最終會面臨同樣的命運一樣。美國經濟學家-布萊恩·卡普蘭在最近一次關於AI的採訪中表示：「所有進步都會對某些人產生負面影響。疫苗對殯儀館來說就是壞事。但一般來說，任何能夠提高人類生產力的事物都有利於人類的生活水平」(Cantor, 2023)。雖然這在平均水平上可能是正確的，但它也忽略了一個事實：新技術會帶來新的不平等和人類苦難。我們能夠也應該積極主動，為整個社會，尤其是「評估」人員，制定新的「倫理」標準。雖然改變不可避免，我們確實有理由保持樂觀，但這並不代表我們可以放鬆警惕，放手不管。我們必須運用自身的力量，規劃出一條通往公正、公平的AI應用之路(轉引自Kates & Wilson,, 2023)。 

威脅 (Threats)

  • 使用GAI的潛在缺點，例如其可能存在的偏見以及「評估」過程的主觀性(Mondal et al., 2023)。
  • 產出、產出、再產出。一項能夠產生無盡報告的技術，很可能會改變報告本身的性質。報告會失去意義嗎？如果能夠將數據輸入到產生報告的AI工具中，「評估」成本將大大降低。AI產生的報告確實可以為方案管理者提供一些有用的回饋——尤其是對於那些資源匱乏、無法進行更深入「評估」的方案管理者而言。然而，這也可能給「評估」人員和方案管理者帶來新的問題。良好的「評估」始終需要謹慎建構和執行。不考慮理論或實務、不考慮所使用的基本評估邏輯或標準的「評估」，可能會被證明是無用的、誤導的，甚至是有害的。例如，至少在短期內，AI不太可能能夠識別「評估」設計中的嚴重缺陷或偏見。這種自動化可能會導致「評估」過程的空洞化，這對方案來說也將是巨大的損失。Patton(2011)認為，「評估」的「過程應用」除了簡單的評估結果之外，還能為組織帶來層層遞進的效益。如果「評估」的創建過程缺乏“人為”參與，這種寶貴的「過程應用」就會被徹底侵蝕(轉引自Kates & Wilson,, 2023)。
  • 市場顛覆與新角色湧現。隨著「評估」產品的進入門檻降低，對「評估」人員的需求會下降嗎？那些最善於利用AI技術的大型「評估」公司會不會進一步擴大其主導地位？如果AI導致「評估」產品的平均品質和實用性下降，社會是否會對整個「評估」行業產生懷疑？雖然這些結果是可以想像的，但絕非不可避免。不妨想想ATM提款機興起後銀行業發生的著名案例：這項技術實際上(至少在其誕生後的前三十年)帶來了更多的櫃員職位(Pethokoukis, 2016)。這些可能性促使我們思考未來可能採取的其他發展路徑。例如，「評估」可能會變得更便宜，從而讓更多組織更容易獲得。這是否會為小型營利性組織開啟一個「評估」的黃金時代？或者，營利企業或社會企業是否會擴大對「評估」的使用？或者也許它將為那些有能力的人提供開發更大、資訊更豐富的「評估」流程的能力(轉引自Kates & Wilson,, 2023)。
  • 「對齊」(alignment)問題。AI設計的不可預測性—一個人類無法窺視的黑盒子—這項挑戰。這對人類決策及其相關現實世界後果的AI影響實在令人擔憂。如果沒有切實可行的方法來理解AI設計的細節，人類將幾乎無法以我們認為符合自身價值觀的方式推動這一進程—例如「公平」。這一困境對眾所周知的「對齊」問題有著巨大的影響。也就是說，如果我們無法確定一個系統究竟是如何運作的，我們就無法確定它是否符合我們的價值觀。同樣複雜的是：對於一個將在如此眾多的脈絡、如此眾多的情境和如此眾多的文化中運作的系統，我們如何才能在如此大規模的範圍內達成一套一致的價值觀？令人震驚的是，這個關於AI和價值觀「對齊」的核心問題本質上是一個「評估性」問題，而「評估」領域擁有獨特的優勢來解答這個問題。這或許並不令人意外，因為Scriven(2013)曾斷言，「評估」是一項基本的認知活動，在過去的長久歷史裡存在於我們人類身上，也存在於其他物種身上。因此，當我們建造一台旨在模仿甚至超越人類智力的機器時，我們理所當然地會面臨這些挑戰(轉引自Kates & Wilson,, 2023)。
  • 使用GAI進行「方案評估」的潛在風險不容忽視。組織機構應意識到第三方開發者可能會使用GAI，並且有可能在不知情的情況下使用其輸出，因此必須考慮合作夥伴的「管理措施」。GAI工具有潛在的「倫理」風險，需要在「方案評估」期間仔細考慮。例如，開發GAI系統所使用的資料可能會影響「智慧財產權」，包括著作權保護和所有權。此外，某些GAI模型會「複製」其提取的內容，這可能會導致錯誤地為特定程式碼段產生新的解決方案許可證。組織機構也應對用於開發GAI工具的框架進行盡職調查，以了解其潛在的缺陷。在開始試驗GAI模型時，監管環境的改變至關重要。儘管存在風險，但只要在發布或使用之前對輸出進行人工檢查，GAI模型仍然可以安全使用。為了最大限度地降低風險，組織可以客製化GAI工具，以滿足其需求並避免偏差。隨著該技術的應用越來越廣泛，監管環境也將發生變化，新的模型將被引入並定期測試。組織也應意識到，GAI模型的前景仍然非常難以預測，他們應該確保用於訓練模型的資料是無偏差的(轉引自Patel, 2023)。

※ S-O 積極策略   W-O 翻轉策略   S-T 多角策略   W-T 防禦策略

『人工智慧』應用於「方案評估」的實例

       Shapiro和Lam(2025)提供六種方法(或步驟)為「方案評估」人員創建了一個框架，以利用AI的強大能力，促進更有洞察力和效率的「評估」和報告。如以下所示：

  • 【方法一】─辨識資料模式

     AI擁有無與倫比的能力，能夠分析大量資料集並發現人工方法難以識別的「模式」(Provost & Fawcett, 2013)。這種能力在「方案評估」中尤其重要，因為資料量龐大且複雜程度高，傳統的分析技術難以應付。透過利用AI，「評估」人員可以發現趨勢、相關性和異常值，從而更深入地了解方案動態，並洞察導致方案成功或失敗的因素。以一項旨在降低參與者糖尿病狀況的健康方案為例。透過將AI演算法應用於患者數據，「評估」人員可以識別隨時間推移的健康結果模式，例如血糖水準、服藥遵從性和就診頻率的趨勢。這種分析可以揭示該方案是否有效地管理了糖尿病，並可以找出導致正面或負面結果的具體因素。AI發現的模式可以指導進一步的改善，使「評估」人員能夠提出可能提高方案有效性的改進建議，例如增加患者支持或修改處遇計畫。AI的「模式」識別能力可以促進數據驅動的方法來理解和提高方案績效。

  • 【方法二】─預測未來結果

      預測性AI模型可以根據現有數據預測業務方案和計劃的未來「結果」，為「評估」人員提供寶貴的見解。此功能有助於「評估」方案的長期影響，並預測可能影響方案成功的未來趨勢(T. Davenport & Harris, 2017)。例如，在「評估」新進員工培訓方案的「功效/效果」時，業務分析師可以使用預測模型(predictive modelling)來預測該方案對員工工作績效、留任率和生產力的長期影響。透過準確預測培訓方案的「結果」，分析師可以更了解潛在的長期「效益」(benefits)和投資回報。這可能包括預測該方案將如何影響「關鍵績效指標」，例如銷售額、客戶滿意度或營運效率。憑藉這些數據驅動的預測，企業可以就繼續、擴展或修改培訓方案做出更明智的決策，以最大限度地發揮其影響力。預測分析也能幫助「評估」人員預測可能影響業務方案成功的未來市場狀況和產業趨勢。例如，分析師可以利用AI預測客戶偏好的變化、競爭對手策略的轉變，或可能擾亂公司營運的新技術的出現。憑藉這些洞察，企業可以主動調整其方案和計劃，保持領先地位，並抓住即將到來的機會。

  • 【方法三】─發現可改善的區塊或範圍

      AI可以精準定位方案表現不佳或突出的區塊(或範圍)。這種洞察使「方案評估」人員能夠提出明智的改進建議。例如，如果某個培訓課程的中輟/流失率很高，AI可以幫助識別「挑戰性模組」(challenging modules)或其他導致這一趨勢的因素，從而指導課程調整或加強支持。透過利用AI的分析能力，「方案評估」人員能夠更好地理解推動方案「結果」的因素。例如，在分析一個中輟/流失率高的培訓方案時，AI可以幫助精準定位導致這一趨勢的具體模組或面向。AI可能會發現培訓方案中的某些模組對參與者來說尤其具有挑戰性，導致中輟/流失率上升。此外，AI還可以發現其他促成因素，例如支持機制不足或教學材料過時。基於這些信息，「方案評估」人員能夠制定明智的改進建議，例如修改課程以使「挑戰性模組」更易於理解，或增強支持服務以滿足參與者的「需求」。

  • 【方法四】─提供視覺化

       AI生成(AI-generated)的「視覺化」(visualizations)工具是簡化數據解讀和增強與利害關係人溝通研究結果的強大工具。利用AI的功能，「評估」人員可以將複雜的資料集轉換為精確、可操作的「視覺化」呈現。表格、圖表和圖形等「視覺化」工具使「評估」人員能夠傳達關鍵見解和趨勢，從而有效地促進明智的決策。數據的圖形表示，例如折線圖和帶有變化指標的圖表，可以幫助利害關係人快速掌握方案的「影響」。AI驅動的互動式數據儀表板或控制面板可以提供即時更新和可自訂的視圖，使利害關係人能夠探索數據並發現與其興趣相關的見解。透過生成「視覺化」，「評估」結果的可解釋性、透明度與親和力得到了提升，使利害關係人能夠輕鬆理解和參與研究結果。這種能力對於傳達研究「結果」和展示「影響」，推動有意義的行動並促進利害關係人的認同至關重要。

  • 【方法五】─自動化資料分析

      透過AI實現「自動化資料分析」(automating data analysis)任務，可以減少人工工作量，加快「評估」流程，並最大限度地降低人為錯誤的風險(T. H. Davenport & Kirby, 2016)。AI系統可以處理資料輸入、排序、清理和基本面分析(fundamental analysis)，使「評估」人員能夠專注於更高層次的解讀和決策。例如，在「評估」行銷活動的績效時，分析師可以使用AI自動化技術來簡化資料分析流程。AI系統可以自動從各種來源(例如網站分析、社群媒體指標和客戶回饋)提取和整理資料。然後，它可以執行初步分析，例如計算「關鍵績效指標」、識別趨勢以及檢測數據中的任何異常。完成這些自動化任務後，分析師可以投入更多時間和精力來解讀洞察，了解活動效果的潛在驅動因素，並制定可行的建議以優化未來的行銷工作。這種「效率」的提升使「評估」人員能夠更有效地管理複雜、大規模的「方案評估」，並產生及時可靠的洞察，以支援策略決策。

  • 【方法六】─利用AI建立直觀的數據儀表板或控制面板

       直觀的數據儀表板(或控制面板)，在「方案評估」中發揮著至關重要的作用，它能夠提供即時監控，並幫助「評估」人員動態追蹤方案績效(Alborhamy, 2020)。借助AI，「評估」人員可以建立直觀的數據儀表板，提供易於使用的介面來存取和分析數據。這些儀表板使「評估」人員能夠即時監控方案指標的進展，從而促進及時決策和調整(Solanki, Jain, & Jadiga, 2024)。AI生成儀表板可以顯示與方案「結果」相關的「關鍵績效指標」和衡量標準，例如參與者參與度、完成率和滿意度。透過即時「視覺化」這些數據，「評估」人員可以獲得關於方案「功效/效果」的寶貴見解，並及時發現需要改進的區塊或範圍。此外，「互動式過濾器」(interactive filters)和可自訂視圖等直觀的功能，使「評估」人員能夠根據不斷變化的需求和優先順序調整分析。

『人工智慧』應用於「方案評估」的倫理議題

       在思考AI的「倫理」(ethics)議題時，理解其目的和意圖至關重要。例如，數位技術高度靈活，可供多種解讀。它們在邏輯上具有可塑性。因此，它們可以用於無數種用途，這些用途可能與原始開發者和設計者的意圖一致，也可能不一致。儘管AI具有這種開放性，但我們仍然可以區分決定系統設計、開發和使用的不同目的。上圖展示了關於AI三種不同目的之重疊性：提高「效率」的AI、「社會控制」的AI，以及作為前兩個目的的替代和補充，促進「人類心盛」(human flourishing)的AI。這三個目標可能相互衝突，但並非必然矛盾(Stahl, 2021)。

        追求「效率」及其帶來的經濟效益可以帶來強勁的經濟，為人類幸福(well-being)提供物質基礎。高「效率」的經濟透過創造財富，開闢了人類「心盛」的途徑，而這在以往是不可能實現的。例如，從煤炭能源生產轉向太陽能的成本很高。此外，追求「效率」和創造利潤可以成為追求卓越的正當活動領域，人們可以在這種活動中蓬勃發展(Stahl, 2021)。

      「社會控制」常被視為問題重重，與「個人自由」相衝突。「資訊和通訊技術」(ICT)的使用，長期以來一直與侵犯隱私和監控的加劇聯繫在一起 (Lyon, 2001)。這種擔憂傳統上將「國家」視為監控的來源。如今，企業巨頭控制著AI所需的大量資料和技術基礎設施，人們的擔憂還包括在新形式的『監控資本主義』(Surveillance capitalism)中對個人的剝削(Zuboff, 2019)。但同樣，「社會控制」與人類「心盛」之間也不一定有矛盾。人類作為社會存在，需要定義合作的方式，包括對「道德準則」(moral codes)的認同，而這些需要以某種方式控制和執行。雖然「助推」(nudging)作為一種政策工具存在爭議，但它可以而且經常被用來促進有利於「心盛」的行為，例如提倡更健康的生活方式。「助推」策略特別在英國、澳洲、德國和美國使用(Benartzi et al., 2017)，它是指政府主導的旨在實現既定目標(例如提高疫苗接種率)的活動。例如，美國的一項活動向公民發送了流感疫苗接種計劃提示，結果疫苗接種率提高了4.2%(轉引自Stahl, 2021)。

       在『科技』領域，AI可以用來提升隱私的意識覺察(Acquisti, 2009)，這可以說是「心盛」發展的條件。例如，全球大部分地區曾因新冠(COVID-19)疫情而處於封鎖狀態。在英國，圍繞著用於追蹤和追蹤感染者的應用程式展開了激烈的爭論(Klar & Lanzerath, 2020)。這表明，即使是透過數位技術進行強制性的「社會控制」，在某些情況下也可能有利於人類的「心盛」發展，例如，如果它能夠幫助拯救生命並使社會正常運作。因此，上列的文氏圖(Venn Diagram)可能更能反映這三個目的之間的重疊關係(轉引自Stahl, 2021)。

      迄今為止發布的最全面的「AI倫理」指南綜述(Jobin et al. 2019)列出了以下「倫理」原則：透明度、正義與公平、不傷害、責任、隱私、行善、自由與自主、信任、可持續性、尊嚴與團結。每一項原則都包含若干組成部分。例如，透明度指的是可解釋性、可闡釋性、可理解性、可闡釋性、溝通和揭露等相關概念。這些概念之間的關係通常沒有明確的定義，它們可能指涉不同的「倫理」立場(轉引自Stahl, 2021)。

※圖片來源：「Shutterstock」網站

       另一個例子是，歐盟AI高級專家小組(2019年)提出的『可信AI倫理指南』，其包含一系列相關原則。專家小組提出了一個「可信賴的AI」(Trustworthy AI)框架，涵蓋AI的合法性、倫理性和健全性。此框架基於四個「倫理」原則：尊重人類自主權、預防傷害、公平性和可解釋性。專家小組從這些原則中推導出實現「可信賴的AI」的七項關鍵要求，如以下所示(轉引自Stahl, 2021)：

  • 人類的能動性和監督
  • 技術穩健性和安全性
  • 隱私和資料的治理
  • 透明度
  • 多元、非歧視性和公平性
  • 社會與環境的幸福
  • 責信

       在此基礎上，他們發展了「可信賴的AI」的「評估」方法和政策建議。

※圖片來源：「Clio」網站 

       將AI融入「方案評估」有望推動「循證」(evidence-based)的決策，並提高社會方案、政策和介入措施的「功效/效果」。透過利用AI分析複雜資料集並獲得切實可行的洞見，「評估」人員可以更好地應對社會挑戰，並為正向的「社會變革」做出貢獻。然而，在將AI融入「方案評估」的過程中，務必謹慎行事，並考慮「倫理考量」(ethical considerations)、隱私問題以及AI演算法固有的潛在偏見。「倫理考量」包括AI決策的透明度、保護敏感資訊以及遵守資料保護法規。為了解決這些問題，「評估」人員應透過記錄和報告其AI方法的使用情況來保持透明度(Shapiro & Lam, 2025)。

『人工智慧』應用於「方案評估」的未來方向

     「方案評估」中有許多數據分析工具可供選擇。儘管市場上競爭激烈的工具種類繁多，但主要重點應放在與「客戶」和「利害關係人」建立有效的聯繫上。可以使用標準工具(Islam, 2020)建立類似的數據儀表板或控制面板來探索方案數據，這些工具包括「Microsoft Excel」、「Microsoft PowerBI」、「Tableau」以及許多其他套裝軟體。透過優先考慮客戶參與度並瞭解他們的具體需求，「方案評估」人員可以確保所選工具與「評估」目標相符。這種方法可以增強信任和協作，並確保「評估」過程具有相關性和影響力。利用新的先進工具，尤其是基於AI和ML的工具，例如「ChatGPT」的「資料分析師」(Data Analyst)模組(Hassani & Silva, 2023; Rasheed et al., 2024)，可以顯著提高方案資料分析的品質和深度。這些工具提供了強大的功能，能夠識別趨勢、預測結果、發現改進區塊(或範圍)和「視覺化」數據，豐富從評估中獲得的見解並支持更明智的決策(轉引自Shapiro & Lam, 2025)。

      面對這波來勢洶洶、無法抵擋的AI新時代，從事「方案評估」相關專業者有何與時俱進因應作為呢？如果我們只是習慣進行「過程評估」(如場次/人次/人數)，或製作精美的圖表與封面的paper work，未來就極容易被AI所取代；簡單來說，AI僅是「餵什麼跑出什麼」(Garbage in, Garbage out)，雖然它有「深度學習」功能，但「評估」方案是針對“事實”，而非只是一個藍圖；AI是從海量資料中來增強與優化其「模組」，故本質屬於「公民參與」與「賦權」(Empowerment)，此乃目前諸多「評估」人員無法做到的；AI是一種知識的“解放”(Liberation)運動，其是釋放我們自己的創造力並觸及廣大新受眾的好方法；在談論變革時，AI可在方案的監控、「評估」和規劃上，添加一個全新的“溝通維度”。

       雖然「ChatGPT」 只是一個程式，無法正確辨識現實中的人物，因為它缺乏人之為人的情感能力與價值觀。但AI對於「評估」專業領域的巨大衝擊，不會在遙遠的未來實現，它已經是正在發生的進行式了。而我們要向下一代的專業人士/學生傳授什麼？還是那些傳統的由上而下、專家權威、菁英觀點、便宜行事、虛有其表、蕭規曹隨、機械式思考嗎？！





🔍參考文獻：



👉延伸閱讀




at
Labels: , , , , , , , , , , , , , , , , , , ,

沒有留言:

張貼留言

訂閱： 張貼留言 (Atom)