您的108課綱已上線！面對新考題，沒那麼簡單、也沒那麼困難——大考中心主任張茂桂專訪

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

• 陳瀅州／國立陽明交通大學生命科學系暨基因體科學研究所助理教授

這幾年在大學教書，每逢金秋十月的諾貝爾獎季節，整個校園都彌漫著一股躁動與期待。尤其在生理醫學獎、物理學獎和化學獎公布前夕，各種猜測和傳聞紛紛出現，談論著獎項可能頒給合成生物學領域。這些傳言不僅在學生和老師之間流傳，甚至吸引了媒體的關注。有幾次，校方和記者會提前找到我，希望從我這打著合成生物學旗號的研究學者得到一些線索或看法。這樣的情境不僅凸顯了合成生物學在科學界的日益重要性，也充分反映了合成生物學打破學科界限，跨越不同領域的研究。事實上，合成生物學不僅僅在健康醫療領域取得進展，其創新技術和理論已悄悄滲入到每個人的日常生活中，包括永續環境、智慧農業、奈米科技，甚至是政府政策與法規的擬定，展現真正的跨領域合作。

二○二三年三月，美國白宮科學和技術政策辦公室公布了對生物技術的未來展望，明確標示出合成生物學在全球科學發展的關鍵角色，從氣候變遷到供應鏈韌性、從農業創新到人類健康，合成生物學的影響與應用已無所不在。而美國並非唯一看到這趨勢的國家。近年來，中國將合成生物學列為其戰略前瞻性重大科學領域和重點發展生物技術，反映出中國對於這門學科的高度重視。同時，在台灣，國家發展委員會近年也積極推動與合成生物學相關的研發策略，融入其六大核心戰略產業和五加二產業創新計畫中。這些策略決策不僅展現了各國政府對合成生物學的信心，也凸顯了它在全球科技發展中的核心地位。

當我們邁入二十一世紀，面對合成生物學這一革命性的學科成為我們日常生活中不可或缺的一部分，我們首先要回答的問題是：合成生物學到底是什麼？它為什麼如此重要，以至於受到如此多的關注和期待？合成生物學結合了生物探索、工程設計和跨領域的技術應用，致力於發展和構建新的生物系統。與傳統的基因工程不同，傳統的基因工程技術主要著重於研究及修改基因，從而修補或增強基因的某些功能。然而，合成生物學的範疇遠不止於此。

合成生物學的目標是全面理解生物系統的工作原理，並根據這些知識重新設計和構建具有特定功能的生物機器。它不只是在既有的生物框架上進行微調，還可以從零開始，系統性地設計和構建全新的生物系統。由於需要將複雜的生物元件進行重組和調控，近年結合人工智慧，使科學家能夠更精準地預測、模擬和控制生物系統，這是傳統基因工程難以實現的。這其中的挑戰遠超我們的想像，但所帶來的可能性也是前所未有的。

舉例來說，在精準醫療領域中，合成生物學已經開發出能夠生產新型藥物、治療遺傳性疾病，甚至對抗癌症的智慧細胞。在環境保護領域，我們可以設計微生物來處理汙水、減少溫室氣體排放或修復受汙染的土地。在農業上，合成生物學提供了更為高效、節水、高產的作物品種，這對於食品安全和全球糧食問題都具有深遠的意義，而這只是冰山一角。隨著技術的發展和研究的深入，合成生物學將在未來幾十年內帶來更多創新和驚喜。不難想像，在不遠的將來，我們的生活、工作甚至教育都將深受其影響。

合成生物學的發展確實為人類打開了無數的可能性，從創造具有特殊功能的生物，到解決困擾已久的醫學難題。但與此同時，我們也不能忽略合成生物學帶來的挑戰和風險。例如，如何確保這些被重新設計的生物體不會對環境和人類健康產生意想不到的影響？我們應該如何看待和處理因基因修改而產生的生物機器？這些問題需要我們集體思考和探索，並與各領域專家共同合作，確保合成生物學的發展能夠真正造福人類。

在課堂教授合成生物學時，我常以電影《侏羅紀公園》的離氨酸權變（lysine contingency）帶領學生反思當科技進步與人類控制意願之間出現衝突時可能會發生的事情。在侏羅紀公園中，為了防止恐龍逃出公園威脅全球生態系統，科學家亨利．吳（Henry Wu）進行了基因改造，使得恐龍無法製造其中一種必須氨基酸離氨酸（lysine）。此設計的初衷是讓恐龍只能依賴公園提供的離氨酸食物，進而防止它們逃離公園。這是一種典型的「安全措施」，旨在確保基因改造生物不會帶來無法預料的風險。然而，正如影片中所呈現，這種所謂的「完美」控制計畫卻遭遇了意外。雖然恐龍依賴離氨酸來生存，但它們找到了其他途徑來獲取這種氨基酸，這意味著即使在有限的條件下，生命也會找到生存下去的方法。

這故事讓我們明白即使是最先進的技術，也不能保證完全的控制。當我們嘗試限制和控制生物，自然界總是有其應對方式。這對於合成生物學家來說是一個警示，因為我們在改造生命的過程中，必須充分考慮到潛在的不確定性和風險。面對快速進步的科技，我們必須問自己：我們是否真的準備好面對所有潛在的後果？在追求科學進步的同時，我們也應該謹慎行事，確保我們的決策不僅是基於技術的可能性，還要考慮到其對生態和人類社會的影響。

對於熱愛科學的我們來說，這是一個充滿機會的時代。每一次的科技進步都驗證了人類的智慧和創造力。透過這本書，我相信讀者將更深入地認識和理解合成生物學，體會其獨特魅力及即將面對的挑戰。我期望這本書能夠鼓勵大家抱持開放、謙虛且謹慎的態度面對科技的發展。同時，希望此書能激發更多人對科學和未來進行深入的思考，並鼓勵大家投入合成生物學的創新研究和人才培育之中。

——本文摘自《未來的造物者》，2023 年 11 月，臉譜出版，未經同意請勿轉載。

從各種大考的考古題中，我們都能發現「時事」在自然科的重要性，在 108 課綱中，又更強調閱讀素養，重視課程知識與生活概念的結合，可想而知，社會上發生的各種重大事件都有可能融入成為考題。今年（112 年）的國中教育會考，自然科的考題中就拿了三年前的一則真實事件當作考題（圖一），讓學生進行判讀！

這個事件發生在 2020 年三月，俄羅斯一名網紅舉辦泳池生日趴，將 25 公斤的乾冰直接倒入泳池製造氣氛，結果不幸釀成 3 死的意外。這則新聞在社會大眾眼裡可能只是個不幸的意外，但是在自然科教師的眼裡，卻是同學們需要了解的知識，更是個出考卷的絕佳考題（只是沒想到隔了三年才考出來）。

科學生的閱讀任務裡面，搭配八年級上學期的文章「國中理化告訴你：為什麼不該在派對上，將 25 公斤乾冰丟泳池？」（圖二），就針對這個事件做了介紹與科學原理的分析：乾冰的升華、大量二氧化碳對於人體的危害作用機制等，等於同時用理化與生物課程的角度來對事件進行簡單、國中生能夠理解的介紹。

雖然這次的考題主要概念，是希望同學們根據空氣的組成成分來進行分析。但如果能對這個事件更有熟悉感，也了解生活時事大概會用哪種方式融入考題，相信碰到類似題型時，就更容易輕鬆作答啦！

今年（112年）的國中教育會考，自然科的考題裡面，由第 43、44 題構成的題組（圖三），設計上包括較長的題幹敘述、圖片與表格，顯然是要考驗學生的閱讀與圖表判讀。主題內容則是兩個嶄新時事議題的結合──燕麥奶和碳排放。

第 43 題的考點出自於七上的營養，第 44 題則考跟生物、理化、地科都有點關聯的碳排放，這出題方向相當符合 108 課綱所強調的，學生所學的知識概念必須能夠跨科進行統整。

相比之下，43 題只要記得糖會分解成醣，而蛋白質會分解成胺基酸，就能回答；但 44 題碳排放的概念，同學們可能熟悉度較低。幸好，只要讀懂圖表，也看懂題幹沒有被繞暈（問固定碳排量下能生產的量，所以是碳排最低的杏仁奶生產量最多），還是能夠回答。

延伸閱讀：燕麥奶為什麼這麼好喝？如牛奶般微甜、絲滑的口感是怎麼來的？——解析燕麥奶的加工原理

在科學生的閱讀任務裡面，也提供了許多最新時事與課程結合的閱讀練習，例如：題組中的燕麥奶與碳排放議題。透過練習，可以降低同學們對陌生內容、長篇文章的恐懼感，並且逐漸了解科學文章的構成，而能更快抓住文內的重點。

想要進一步了解更多內容的話，閱讀任務內也有連結可以直通 PanSci 泛科學的原文。透過科學生的閱讀練習，訓練了素養能力，更提升了會考成績。

108 年課綱今年上路，不只老師的教學模式因應調整，大學入學考試和招生方式也跟著改變，大考中心預計 111 學年度大學入學考試新增「混合題型」，調降選擇題的比例，每科增加 2-3 成非選題的題數。

一得知考試要改，老師、家長和學生開始擔憂：考題難度提升增加升學壓力、過往練兵的歷屆考題銜接不上⋯⋯眾多問題紛紛浮現。《泛科學》特別專訪大考中心主任張茂桂，從命題的變化、學生適應狀況、考試的準備等角度，來解答大家的疑惑。

不可不知的兩大命題變動

「將所學融入日常生活中」是 108 年課綱的精神，因應課綱的變動，張茂桂表示，大考命題必須與素養導向的教育目標配合，不再以片斷記憶性知識為測驗主軸，而是強調學生的統整與知識應用能力。

111 學年度的大學入學考試命題有兩個重要的變動，而這些變動從現在的命題中已有跡可循。

（一）非選題增加 2-3 成

九月底大考中心公布他們的新式答題卷，將非選題和選擇題合併成一張答題卷，未來考生需要邊劃記選擇題、邊答申論題，而不是塗完答案卡再寫非選題。

張茂桂表示，過往選擇題可靠著答題技巧得分，但遇到非選題就必須「知其然，也要知其所以然」，命題的彈性更大、層次更多元，考驗學生的「知識整合應用」及「表達說明能力」。

以 108 課綱的研究測試命題來看，自然科實驗題加入實驗數據繪成圖表的題型（如圖2 所示）；社會科不只要求學生選出答案，還需說明判斷的基準（如圖3 所示）；國文科考題中，學生除了理解文章內涵外，還要分析與統合文章要點（如圖4 所示）。

距離學測、聯考有多久，看到這樣的考題就有多驚訝！你會發現，記誦課本重點、掌握解題技巧是無法戰勝非選題的，必須具備理解閱讀、邏輯推論、圖表判讀、證據應用等複合能力才行，而這些能力都不是一蹴可幾的。

對於外界擔憂非選題增加，學生答案百百種，客觀評分可能是個問題。張茂桂回應，非選題評量以知識整合運用為主，並不會有涉及態度、價值判斷的考題，像是「該不該廢除死刑」等題目，所以評分方式還算容易，遇到爭議答案與給分時，大考中心也有相關機制得以因應，公允性不會有太大問題。

（二）跨領域和情境化考題大增

跨領域和情境化考題一直是近年考題的趨勢，像是國文科將《國家地理雜誌》文章納入命題、108 年學測社會科就有史地公的混合題組，自然科也不乏文言文的文章。

希望學生用不同領域的所學，處理特定主題的議題，最好能再將所學應用在生活中，便是這類題型的命題目標。張茂桂表示，這已經是現在進行式了，各科老師也已組織跨領域小組在擴增題庫，未來只是延續這樣的精神，繼續促進領域間的知識交流。

考試難度增加，學生壓力變重？

面對打破科目藩籬的考題，靈活應用的非選題，我擔憂地問：「跨科考題變多了，學生不就所有科目都要讀通，理科能力好的學生，未必能像文科好的適應落落長的文章啊！」

「你應該是不是有受過考試教育的遺毒？」張茂桂笑著對我說，他這麼笑不是沒有道理，因為許多人總以自己小時候的教育（被虐）經驗，來想像後輩的學習狀況，或認為他們應該怎麼學習。

他建議，大家可從兩方面來看孩子的學科學習壓力。

一是相較過往學生背負「一試定生死」的壓力，學科能力測驗已經不是入學唯一憑藉基礎，平常社團參與、在校表現等未來都是入學衡量的參考，而且學生也可以依科系需求選擇考科。也就是說，現行政策是以「降低學科考試對升學影響」為導向。

第二個則要思考「誰」來做這份考卷，「新式的考題對老師來講很難，但學生反而覺得很『燒腦』，寫起來很有挑戰性和成就感。」張茂桂表示，老師待在同個領域久了，答不出跨領域題，但從學生角度想，他們可是天天在這些科目輪轉，跨領域對他們來說並不難。

張茂桂提到，以往歷屆考試的跨領域題經過統計，答對率大概是五成，顯示學生是很有能力應對這類題型的。

不過他也表示，大考中心出題相當謹慎，一份「好」的試卷必須要兼顧鑑別度與學生答對比例，現行網站投影片上的題型都是研究考題，大考中心會持續調整題目的難度，今年底、明年會陸續公告各科的參考試題與解答，亦會舉行試辦考試。

如何應對新型態的考試呢？

該如何面對考題長度增加、內容多元、靈活應用的考題呢？張茂桂認為，「多閱讀」是不二法門，但閱讀並不是買一整套百科全書、古文觀止、史書大集要求孩子嗑下去，而是要多元的閱讀，看新聞、影評、科普文，以及查閱圖表、檢核地圖⋯⋯等這些都是閱讀的一部分。

「閱讀是不分科別，只要是學習都得具備的能力，它是開啟我們認識世界的鑰匙。」張茂桂說。

此外，學習方式也應該從「劃線、劃重點、背誦」轉為「理解、分析、評價」，學生必須要知道為什麼這裡是重點，學習融會貫通和統整應用。

張茂桂希望外界不要有「考試引導教學」的迷思，因為素養導向教育是更全面的，許多素養教育內涵，像是人際關係、自我學習、公民意識…等未必是紙本考試能測出來的，因此測驗僅能呈現學生在知識和技能的整合應用而已，不能代表孩子的能力全貌。

他建議，家長應該孩子共同閱讀，甚至一起解題，多了解他們在學什麼、想什麼，不要被外來資訊誤導，提前為孩子設定好該走的方向。

• 參考資料：大學入學考試素養導向命題簡介