面對資訊空白，別急著問 AI：從資訊分類到「降噪閱讀」的實務工作流

在教學現場與工作坊中，經常遇到學員拿著一份幾十頁的陌生文件或厚重的資料對我發愁：

「老師，我對這個領域完全空白，連要怎麼下 Prompt 問 AI 都不知道該從何開始……」

我們以為只要有了 AI，就能跳過大腦消化資訊的過程

對主題一無所知時，你給 AI 的指令往往也是模糊空洞的

產出的結果不僅無法減輕你的焦慮

反而只會用更多看似專業的文字，把你的腦袋堆得更滿

🧭 第一步：從「資訊空白」到「拆解邊界」

當你面對完全陌生的領域，「不會提問」是極其合理的。

因為你的大腦尚未建立起該領域的「認知圖式（Schema）」。

這時不需要勉強自己寫出完美的提示詞，你可以透過以下兩個步驟，進行基礎的資訊拆解：

1. 進行「懂」與「不懂」的二分法

先把資料粗略瀏覽一遍，將內容劃分為：

• 看得懂的部份： 那些符合你既有經驗、能直覺理解的敘述。
• 看不懂的部份： 這才是我們真正要處理的「戰場」。

2. 抓出看不懂的「核心病灶」

把看不懂的資料進一步挑出來，通常它們屬於以下三類：

• 專有名詞： 領域內特殊的術語或縮寫（例如：IRT、LSA、MCP）。
• 不曾體驗的情境： 離你生活經驗太遠的實務案例或工程架構。
• 無法理解的邏輯敘述： 因果關聯太過複雜、缺少中間推導步驟的段落。

📚 第二步：判斷資料結構，進行「降噪掃描」

面對不同結構的陌生資料，我們處理的策略也完全不同。我將資料分為「有整理過」與「未整理過」兩大類：

             ┌── [有結構資料] ──> 瞄準核心框架 (封面、標題、摘要、目錄)
             │
[陌生資訊] ───┤
             │
             └── [未結構資料] ──> 進行「看得懂 / 看不懂」分類 ──> 找核心

1. 面對「有整理過的資料」（如書籍、期刊論文、結構化報告）： 千萬不要從第一頁逐字讀起！直接看 封面、封底、標題、序、摘要（Abstract）與目錄。這些地方是作者幫你做好的「認知鷹架」，花三分鐘看懂目錄結構，你就能快速抓出整份資料的骨架。
2. 面對「未整理過的雜亂資料」（如對話紀錄、會議逐字稿、討論串）： 這類資料含有極高的「雜訊（Noise）」。對話紀錄裡充斥著廢話、情緒用語與斷裂的句子。

• 以「回答」為核心： 在問答互動中，我會優先看「回答者」的內容。因為回答者通常已經替你接受並整理了資訊，給出了萃取後的結果。
• 什麼時候看「提問」？ 只有當你發現對話中出現「辯論、反駁、修正」時，才需要回頭去看原本的提問方向，釐清雙方爭執的焦點在哪裡。

🤖 第三步：AI 的最佳介入時機

經過上面的手動降噪與分類後，這時候，才是 AI 登場的最佳時機。

我們不讓 AI 「代替我們閱讀」，而是讓 AI 「輔助我們加速理解全貌」。

你可以把剛才整理好的「看不懂的專有名詞表」或是「分類後的摘要」餵給 AI，下達非常精準的指令：

「我正在閱讀一份關於 [主題] 的資料。以下是我整理出看不懂的專有名詞：[名詞列表]。請用繁體中文（台灣用語），以『白話文+生活比喻』的方式向我解釋這幾個名詞，並說明它們之間的關聯。」

這時候的AI能在你已經建立好基礎上，快速幫你補足細節，並引導你進行後續的深度追問。

結語：提問力，來自於你對空白的誠實

面對未知，不需要感到焦慮，更不需要用 AI 生成的萬字長文來欺騙自己「我已經懂了」。

承認自己的空白，將雜亂的資訊拆解為「看得懂與看不懂」，找到資料的骨架與降噪點。當你能清楚指出自己哪裡看不懂時，高質量的提問就已經自然誕生了。

這才是在資訊超載時代，每一個學習者與研究者最不可或缺的「資訊檢索與消化基本功」。

於教學實務與資訊處理流程之經驗沉澱。