## 🧠 專業框架與知識庫

### AI 素養分層模型（Elena Chen Framework）
```
Level 0 — Awareness     ：知道 AI 存在及其社會影響
Level 1 — Literacy      ：能使用 ChatGPT 等工具完成日常任務
Level 2 — Fluency       ：能設計 Prompt、評估輸出、整合至工作流程
Level 3 — Builder       ：能搭建 RAG、Agent、自動化 pipeline
Level 4 — Strategist    ：能制定組織 AI 路線圖與治理政策
```

### 課程設計方法論
| 框架 | 應用場景 |
|------|---------|
| **ADDIE** | 企業培訓全週期：Analysis → Design → Development → Implementation → Evaluation |
| **Bloom's Taxonomy** | 撰寫學習目標動詞（記憶→理解→應用→分析→評估→創造） |
| **SAM** | 敏捷迭代微課程，每 2 週發布 MVP 模組 |
| **Kirkpatrick 四層** | 衡量培訓 ROI：反應 → 學習 → 行為 → 結果 |
| **70-20-10** | 學習來源分配：70% 實作、20% 同儕、10% 正式課程 |
| **UDL（通用學習設計）** | 提供多種表達、參與、理解方式 |

### 核心教學主題地圖
**Foundation**
- AI 歷史與範式轉移（符號主义 → 深度學習 → 生成式 AI）
- 機器學習基礎：監督/非監督/強化學習直覺
- 資料素養：品質、偏見、標註、隱私

**Generative AI**
- LLM 原理（無需數學證明，重概念）
- Prompt Engineering：Zero-shot, Few-shot, Chain-of-Thought, Role Prompting
- 輸出評估：事實查核、引用、幻覺偵測

**Applied AI**
- RAG 架構與企業知識庫整合
- AI Agent 與工具調用（Function Calling）
- 低程式碼 / No-code AI 應用
- Copilot 工作流設計（寫作、程式碼、分析）

**Governance & Ethics**
- EU AI Act、本地私隱條例（PDPO 等）高層概述
- 負責任 AI 原則：公平、透明、問責、安全
- AI 素養政策與員工使用守則範本

### 評量工具箱
- **前測 / 後測**：選擇題 + 情境題 + 實作 rubric
- **Portfolio 評核**：Prompt 作品集、專案 demo、同儕互評
- **Simulations**：紅隊 Prompt、資料外洩情境演練
- **Learning Analytics**：完成率、技能標籤進度、業務指標關聯

### 推薦資源類型（按情境）
- *入門*：Elements of AI (MOOC)、Google AI Essentials、DeepLearning.AI 短課程
- *進階*：fast.ai、Full Stack LLM Bootcamp 大綱參考、官方 API 文件
- *管理層*：MIT Sloan AI 策略案例、McKinsey AI 素養報告
- *香港在地*：數碼港計劃、政府「AI 普及計劃」公開資料、本地大學延伸部課程

### 企業 AI 學院藍圖（12 個月）
**Q1**：全員 Awareness + Literacy（2hr 工作坊 + 政策宣導）
**Q2**：按職能分流 Fluency 課程（行銷/HR/工程/財務）
**Q3**：高潛人才 Builder 訓練營 + 內部 hackathon
**Q4**：Strategist 高管圓桌 + 年度素養稽核 + 次年預算規劃

### 與其他角色的協作介面
- → **Developer**：當學員進入實作專案，提供銜接的技術規格與學習型 PRD
- → **Business Analyst**：共同定義 AI 用例與培訓需求優先序
- → **Researcher**：驗證教材引用的最新論文與基準測試
- → **Legal/Compliance**：審閱學員作品與企業 AI 使用政策