新課綱上路爸媽免心慌 讀懂108課綱資訊素養如何培養

書摘

近幾年國內外風風火火的推行兒童程式教育,開放資源跟收費課程林立,成人自學寫程式的比例也一直攀高,這些無非都是看到數位化與科技化的趨勢,期望自己或孩子趕上潮流,不被淘汰。但是,學會寫程式,真的就是未來的求生必需能力嗎?這個問題,已有很多辯證,但截至目前為止,還是沒有什麼正確答案,畢竟還沒發生的事,哪來的結論?

但倘若換個問法:「參與科技發展的大時代,寫程式是唯一的路?」答案會明確一些吧!科技持續演進是趨勢,完全無需應用科技的職業,十年後可能不存在了。那麼,是否代表所有人都應該成為資訊科技從業人員呢?對科技就是沒有興趣的人,該怎麼找到出路?而在未來,科技從業人員的工作內容,跟現在還一樣嗎?科技發展速度這麼快,又要怎樣確保不會被AI取代?從過去的經驗來看,無論是哪個行業,都很難保證在學校所學的,出社會十年後還是一樣好用。未來不停地學習,將是常態。而數位化與科技化影響範圍如此快速及廣闊,我們又該如何確定學習方向呢?

既然未來的資訊科技發展趨勢,是延續過去30年進程,同時可能在未來10年有大突破,那麼過去30年資訊科技業的版圖與人力需求變化,或許可以提供我們學習的方向。

未來所有產業都會與科技結合

公元2000年以前就開始,曾經快速發展的資通電大公司,如Microsoft、IBM、Intel等等,從事的大多是科技的基礎建設。這些基礎建設,是科技服務發展的基石,基本上決定了該項科技的規範與技術架構,影響層面很廣,發展得宜幾乎可以獨占市場。例如Intel一度主宰電腦核心設計,Windows主宰了個人電腦介面,這些架構成為各大硬體製造公司的養分,如Acer、ASUS、Samsung;產品後續的設計,也都是延續了它們的基礎架構而發展。公元2000年以後,發展轉向網路及通訊,網路壯大了Google、ARM等新一代科技巨頭,有線到無線帶給我們3G/4G/5G、智慧型手機、Android、iOS、雲端運算服務……。

2007年之後,架構在這些基礎建設之上而快速發展的,則是各式各樣的服務平台,例如一般用戶使用的媒介交易平台:亞馬遜、Airbnb、Facebook、WeChat;或是企業中的服務平台,如SAP、Salesforce等等。這些服務平台面向企業或個人用戶,大部分扮演媒介資源或整合數據的角色。Airbnb、Facebook、Uber 等在線上媒介了線下的資源與人,SAP、Salesforce等公司則是整合了企業數據,讓製造業及公共設備降低勞力,提高效率。服務平台的特色是以用戶需求為導向,迭代迅速,強調整合。拿亞馬遜來舉例,它是電子商務服務的王者,但近幾年投入雲端服務,高速無人物流、無人商店等等,都是未來零售業的重要整合。

2012年開始,科技開始蔓延到各行各業,開啟眾多商業化服務,例如自拍軟體、Netflix、iTunes、電競產品……。這些服務面向一般用戶,服務的功能明確,強調功能及內容的結合。這個生態圈近幾年發展比較迅速,雖然不如服務平台容易規模化,但未來更可能透過新的基礎建設與服務平台整合其他專業,構成新型態的專門應用,例如使用AI、雲端運算、IoT等基礎建設,搭配智慧手錶,結合醫療專業,將成為數位醫療服務。若要說遠一點,可能目前大部分的產業,最後都會與科技結合而發展成有專門應用的科技生態圈。

科技業從業人員的學習路徑,也隨著商業化服務的發展,從電子電機往資訊科學遷移,除了過去擅長的科技專業以外,都在學著用數據與服務的角度,去看待手邊的工作。他們會追蹤新的應用趨勢,時時想著怎麼把新方法用在產品上,站在用戶角度看產品,以用戶數據來分析用戶行為。同時,為了要提供好的服務,業務、市場、設計人才等,透過數據來了解實際狀況將是基本要求。面對數據的能力,現在已是科技業內共通的語言,而看向未來,重複的事情,機器做;照規則就可以的事情,AI做。就算是現在與科技無關的其他專業,能不用科技工具輔助獨立運行的,也越來越少。無論什麼專業都將與科技沾上邊的未來,「面對數據的能力」,就是最基礎且一定要做的準備。

未來世界的求生法寶

「面對數據的能力」,聽起來有點虛幻。數學考試高分,就有面對數據的能力嗎?事實上,面對數據的能力,是能夠了解數據背後意義的能力。具備這個能力的人,往往對於數字的敏感度高,邏輯清

楚,能夠看懂數字背後代表的意義,進而從數據裡面挖掘出趨勢,或是例外來。數據由已經發生的事件累積,找出趨勢,能夠幫助下判斷;而找出例外,則可以帶我們發現過去沒有想過的事,進而找到新的可能性。精準的判斷與新機會的發現,在未來世界中,將是求生法寶。

那麼,要怎麼培養能夠看懂數據的能力呢?

首先,先學會「量化」。量化是用數字描述事實,讓事實能夠準確傳達的好方法,是學習數據能力的起點,也是最容易養成的習慣。觀察並用數字描述一件事,往往就可以聚焦在重要的事物上。我們用一個學校老師可能遇到的情況來做例子好了。「班上孩子最近氣氛怪怪的」是一個現象,而「孩子們上課時,能正確回答問題的比例降低」「下課時,留在位置上不出去玩的人數增加了」則是量化後可以看到的問題。當然可以有其他種量化的方式,但總之,量化問題讓狀況變得明確。

再來,是「放寬」。在收集數據的過程中,結果固然是有用的數據,但過程的紀錄,以及過程產生的各種變化,也是重要的數據。放寬的意思,是放寬觀察的面向,看各方面的量化數據,才有機會歸納出有用的結論。若承續上面的例子,總不能找到量化問題之後,直接以規定孩子「沒能正確回答問題要罰站」或是「每節下課都不能留在座位上」來解決問題。或許「以前總聚在一起的某些孩子這兩週都各自回家」「某幾個孩子的成績明顯下降」「其他班學生這幾天在我們教室附近出現的頻率變高」等等現象,也都是有價值的量化指標。

然後,是「關聯」。從這麼多的量化指標中,跟一開始的問題:「上課時,能正確回答問題的比例降低」「下課時,留在位置上不出去玩的人數增加了」,其間的關係是什麼呢?是否,成績下降的孩子,過去就是比較常主動回答問題的人?過去總聚在一起的這群孩子裡,是否也有那成績下降的孩子?如果是,是否這孩子發生了什麼事呢?或許,這幾個孩子被霸凌了?霸凌的時間是下課時間?主要霸

凌的人是否是其他班的那幾個學生呢?

最後,則是「好奇」。孩子是否被霸凌,可以找得到證據。但找到證據之後,要怎麼幫助這孩子,恐怕要問的問題是這孩子為什麼被霸凌?該怎麼做可以讓這樣的事件不再發生?無論是在現在這個孩子身上,還是其他有同樣背景的孩子身上。

量化、放寬、關聯、好奇,聽起來跟數據的關係並不直接,可是一旦進入專業領域,搭配專業數據,這四個要點,卻是了解及運用數據,最基本的概念。不信的話,我們再看看電子書店中的大數據推薦系統怎麼運作。

量化:將書編號,記錄書名的關鍵字。

放寬:記錄所有用戶點擊路徑及成交明細。

關聯:用戶瀏覽某本書時,以關鍵字,別人也買了……等條件來推薦書。

好奇:記錄該用戶的購買偏好,下次多推薦相關書目。

倘若進入科技相關行業,這四個要點,是面對數據的基本關鍵,架構在這四個要點之上的,將是各種深奧的演算法,數學學科的能力也是必要條件之一。即使是不開發演算法的人,在生活中也可以練習,搭配前面提過的4C(批判性思考、溝通、創造力、協作),對未來生活的適應,絕對游刃有餘。

內容來源:《課綱裡的科技輕鬆搞懂:15位資訊專業的父母親,以案例和說故事為國高中重新解構及釐清108科技領域課綱》台灣商務授權轉載。