讓人工智慧成為研究與行政的
可靠協作者
從大型語言模型、AI Agent、提示詞設計、資訊安全，到研究流程自動化與社會情境模擬，建立一套可驗證、可介入、可持續改善的使用方法。
＋ 記憶 ＋ Skill
社會科學工作真正耗時的地方
人工智慧的價值不在於「取代人」，而在於把研究者從大量重複作業中釋放出來，將時間投入理論、田野、判斷與溝通。
點選左側類別，查看各類痛點與適合交由 AI 協助的工作。
大型語言模型與 AI Agent
LLM 擅長理解與生成文字；Agent 則把模型接上環境、工具、記憶與執行流程，開始「做事」。
適合文字轉換、資訊整理與草稿生成
模型必須先收到明確指令；輸出品質取決於提示詞、上下文與資料品質。它不會自行存取電腦，也不能保證事實正確。
把任務問清楚
定義角色、任務、背景、格式與語氣。
讓模型看到正確資料
管理文件、對話歷史、工具回傳與檢索內容。
設計周邊系統
配置工具、記憶、權限、Skill 與人工確認點。
反覆檢查與修正
依品質標準迭代，必要時交還人員處理。
從 RNN 到 Transformer
模型越來越會生成流暢文字，但它的核心仍是機率預測，而非對事實、意圖與價值的完整理解。
注意力機制
同時評估不同詞語之間的關聯，較不受長距離資訊影響。
平行運算
可利用大量 GPU 核心加速訓練與推論，提升處理效率。
自我監督學習
以遮蔽文字或預測下一詞訓練，不需逐筆人工標註。
流暢、快速、可延伸
可摘要、翻譯、分類、改寫、生成程式與初步推論，適合處理大量文字轉換。
幻覺、偏見、隨機性
語言流暢不代表內容正確。高風險工作必須限定來源、保留引用並由專業人員查核。
AI 導入社會科學的完整全貌
拖曳或點選節點，查看研究、行政、教學、安全、工具與治理之間的關係。
桌面與平板可拖曳節點；手機可點選節點切換內容。
把模糊需求轉成可執行任務
提示詞的本質不是「說得長」，而是把判斷標準、資料邊界與輸出格式說得具體。
模型能記住多少，不等於你應該塞多少
對話歷史、文件、系統指令、工具回傳與模型輸出，都會共同占用 Context Window。
互動式 Token 預算模擬
哪些內容正在占用容量？
實務策略：只提供必要資料、分段處理長文件、先摘要再整合、移除寒暄與重複背景，並在對話過長時重新建立乾淨工作階段。
看見惡意指令如何穿越系統
攻擊可能藏在文件、電子郵件或工具回傳內容中。請切換情境與防線，觀察風險在哪一層被攔截，以及缺少防線時會發生什麼事。
這是安全決策演練，不會連接信箱、檔案或任何外部服務。
外部內容 → 模型判讀 → 工具權限 → 人工關卡
選擇情境與防線後開始演練
系統會顯示哪一道防線生效，並說明其治理意義。
同一個概念，三種截然不同的自動化
自動化不是把按鈕換成另一組文字，而是把觸發條件、判斷規則、人工關卡與輸出方式保存下來。請分別執行三個情境，觀察流程如何因任務性質而改變。
決定流程何時開始
新檔案、表單新增、固定排程或人工按鈕，都可以成為工作流的起點。
任務不同，規則也不同
逐字稿需要品質覆核；報名需要名額分流；文獻監測需要去重與增量通知。
保存結果，也保存處理紀錄
正式流程應留下來源、版本、判斷結果與人工確認點，而不只是最後一段文字。
不是看案例卡片，而是親手走一次流程
選擇一個場景並執行。每個案例都會呈現資料輸入、模型或程式處理、查核關卡與正式輸出，讓工作方式的差異可被看見。
逐字稿整理
選擇案例後，按下「執行案例」觀察資料如何轉變。
從一項方案，推演出一個可練習的社會情境
調整政策取向，建立虛擬世界，再推演利害關係人、地方新聞與社群輿論。結果用來暴露假設與盲點，不是替代田野資料。
所有角色與回應皆為教學模擬，應回到真實訪談、統計與政策文件驗證。
用任務條件做選擇，而不是追逐單一工具
調整資料敏感度、品質需求、離線需求與維運能力，系統會即時比較雲端、本機與混合部署的適配程度。
在上線之前，讓風險先通過一道發布關卡
選擇應用場景與控制措施，執行一次發布審查。風險點會依隱私、錯誤、公平與責任四個構面移動，最後給出「可發布、附條件發布或暫緩」結果。
影響程度 × 發生可能性
發布關卡等待評估
選擇場景、勾選措施，再執行發布審查。
五組可直接調整使用的範本
展開、複製，再依實際資料與組織規範修改。範本不能取代查核與專業判斷。
不是把工作全部交給 AI，
而是把工作設計成 AI 可以安全協助的流程。
大型語言模型能提高文字處理與資訊整理效率；AI Agent 能把模型接上工具並執行多步驟任務。真正的關鍵，是清楚定義任務、限制資料來源、保留人工查核，並讓責任始終可追溯。