1.每次放入新的文檔進入資料庫時，便由團隊教師就各自領域所發想設計出的10個問題詢問凱比機器人GenAI，並從RoFlow後台中檢視詢問問題及凱比機器人所回答之答案進行比對，比對與未放入新資料時同樣問題的答覆其差異性，差異性則由團隊3位教師進行表決，若2人以上覺得差異過大，則重新檢視文本檔案內容。

2.修正相近音所帶來的錯誤答覆，如PBL跟BBL等相似詞。

使用場景生成時，為確保生物與棲地出現不符的情況，也會由教師團隊提醒學生可利用網路進行交叉查詢以確保生成場景的資訊正確性。

2.資料庫的資料搜查會由教師先進行審核後放入。

3.並針對資料庫進行提問測試，以確保回答不會出現不合適的話語，並滾動式修正。

2.透過語音的修正，讓AI讀取的精準度能夠提升，以增加產出的精確度。

3.回顧後台問答數據，判斷目前AI給予指令與接收指令的狀況。

強調避免演算法偏見與錯誤引導，確保生成內容符合課程脈絡與範疇，讓使用者獲得一致且符合預期的互動品質：

• 引導詞與範例限制：在 AR2VR360AI 場景生成中，因文字指令易產出不切實際的狀況，給予學生引導詞並設定相關範圍，以符合課程需求。

• 排除離題與偏離資料庫的問答：在凱比機器人 AI 後台設計上，排除離題或脫離資料庫的問答，引導學生回到課程主題。

2. Accountability（究責性 / 問責制）

明確規範人類（教師團隊）對 AI 系統輸入資料、輸出品質與審核流程的責任與控制權：

• 教師團隊的資料審核機制：資料庫的資料搜查與輸入會由教師先進行審核後放入。

• 差異性表決與機制檢討：新增文檔後，由 3 位團隊教師進行提問答覆比對與表決（若 2 人以上覺得差異過大，則重新檢視文本檔案內容）。

• 責任引導與交叉驗證：在使用場景生成時，為確保生物與棲地出現不符的情況，由教師團隊提醒並要求學生利用網路進行交叉查詢，確保資訊正確性。

3. Transparency（透明度）

著重於系統運作細節的可檢視性、資料源頭管理以及輸入/輸出精確度的優化：

• 後台檢視與歷程比對：由團隊教師發想 10 個問題詢問凱比機器人，並從 RoFlow 後台中檢視詢問問題與回答之答案進行對比。

• 確定資料來源範圍：明確將與計畫相關的跨領域課程資訊及光華在地社區文史資料放入資料庫中。

• 語音與相似詞校正：修正相近音（如 PBL 與 BBL 等）帶來的錯誤答覆，透過語音修正提升 AI 讀取與產出的精確度。

4. Ethics / Explainability（倫理 / 可解釋性）

強調確保技術符合社會與道德規範，防範不當言論，保障學生安全且優質的使用環境：

• 防止不合適話語與回應：針對資料庫進行提問測試並實施滾動式修正，確保 AI 回答不會出現不合適的話語。

• 後台防護機制：後台設計排除可能產出不合適話語與回應的問答，維護良好的互動環境。