小天觀察到，每個村落的居民都有特定的特徵，並且可以用數字標示在地圖上。於是，他決定用一個簡單的規則來幫助新居民找到適合的家：

👉 「選擇離自己最近的村落，並成為它的一員！」

新居民們按照這個方法測試後，發現這個分類方式既準確又快速！從此以後，標籤島的居民們再也不會迷路，每個新來的數據點都能找到最適合自己的歸屬。🚀✨

在一個神秘的島嶼上，傳聞藏著一個失落的寶藏。這個寶藏只有被選中的人才能找到，並且尋寶者需要具備一項特殊的技能——使用最短距離分類器來辨識正確的路徑和寶藏的所在。

角色：

阿明：一位熱愛冒險的高中生，對計算機有濃厚興趣。

小靖：阿明的好朋友，對數學與邏輯分析非常擅長。

故事起點：

一天，阿明和小靖在圖書館找到了一本神秘的地圖，地圖上標示著島嶼上的幾個不同地點：廢墟、古老的樹林和一個神秘的湖泊。阿明興奮地說：「我們一定要去探險，找到這個寶藏！」

小靖提到：「但是我們需要一個計劃。我們可以利用最短距離分類器，來判斷哪一條路線是最好的選擇！」

其中已經知道有兩種巨人，分別是沒有任何攻擊性的一般巨人 以及具有神秘力量的神祕巨人

請透過巨人的特徵 來幫助艾倫分辨這個未知的巨人 可能是一般巨人 還是具有神秘力量的特殊巨人呢？

某天，吉伊卡哇正在星空小鎮散步，突然天空裂開了一條彩色的縫隙！「砰！」一聲，無數的物品從天而降，掉得到處都是——水果滾進了花園，零食灑滿了街道，玩具卡在了屋頂上。

小鎮的居民驚慌失措，紛紛喊道：「吉伊卡哇，快來幫忙！這些東西全都混在一起了，我們不知道該怎麼辦！」

吉伊卡哇拍了拍胸口，自信地說：「不用怕！分類大師吉伊卡哇來拯救你們！」

但這次有點難……

地上散落著奇怪的東西，像是「半顆蘋果的造型零食」、長得像積木的「橡皮糖」，還有裝在水果盒裡的玩具球！吉伊卡哇皺起眉頭：「這些東西全都長得好像……怎麼分啊？」

這時，他發現地上有三顆魔法分類石，分別代表「水果」、「零食」和「玩具」。分類石有個特別的魔法——當物品靠近時，它們會發出不同的亮光，顯示這個物品「最像」哪一類。

冒險開始了！

1. 吉伊卡哇拿起一包「草莓口味橡皮糖」。魔法石輕輕震動，紅色和黃色石頭同時亮了起來，但黃色的光更強！「哦，這是零食！」他笑著說，將它放進零食籃。

2. 接著，他發現了一顆奇怪的「橙色小球」。紅色和藍色的石頭爭相閃爍，吉伊卡哇靜靜觀察，最後發現藍色的光最亮：「原來是玩具球！」

3. 最後，他拿起一顆圓圓的「綠蘋果」。紅色石頭閃爍得像火焰一樣，他開心地說：「這當然是水果！」

突然，一個神秘挑戰出現了！

就在吉伊卡哇分類得越來越快時，彩色裂縫裡冒出了一隻調皮的「混亂精靈」。它說：「吉伊卡哇，我要增加你的挑戰！我這裡有一些很難分類的東西，比如長得像蘋果的玩具和水果形狀的餅乾！」

吉伊卡哇不慌不忙，用魔法分類石一一測試，還靈機一動，記下每一樣東西的光亮規律：「哈，我知道怎麼分了！再難的東西，也逃不過我的魔法！」

最後，彩色裂縫消失了，小鎮恢復了整潔，大家的笑容回到了臉上。

居民們為吉伊卡哇舉辦了一場大派對，感激地說：「你不僅救了小鎮，還教會我們怎麼看出誰跟誰最像！」

吉伊卡哇擦了擦額頭的汗，舉起果汁杯說：「別客氣，這可是分類大師的日常啊！」

在熱鬧的「足球星球」，有三支著名的足球隊：

紅隊：以速度見長的快腳隊員。

藍隊：擁有超強力量的鐵壁隊員。

綠隊：策略性強、球商高的智將隊員。

這一天，一位新球員 小新人 來到了星球。他踢球技術不錯，但他不知道自己適合加入哪支隊伍。為了解決這個問題，星球上的 AI教練（ML工廠） 啟動了它的高效隊伍分配系統：KNN分配器。

AI教練的KNN操作：

1. 數據化：新球員的特徵分析

AI教練首先收集了小新人的數據，包括：

速度（Speed）

力量（Strength）

策略能力（Strategy）

然後，將這些數據轉換成一個 三維座標，就像在足球場的地圖上標出他的精準位置。

比喻：這就像測量小新人的技能，找出他在「足球數據空間」裡的定位。

2. 尋找最近的隊員：用KNN測距

AI教練開始使用 KNN分配器，計算小新人與已知隊員之間的距離，找出與他最近的 K位球員。

假設 K=3，AI教練發現小新人最接近的三位球員分別來自：

兩位紅隊球員

一位藍隊球員

比喻：就像小新人站在球場中央，觀察哪幾位球員離自己最近，並與他們互動。

3. 投票表決：決定歸屬的隊伍

AI教練召集這三位最近的隊員進行一場投票，讓他們決定小新人應該加入哪支隊伍。

如果紅隊的兩位球員舉手，藍隊只有一票，那麼小新人就會被分配到 紅隊。

比喻：這就像一場小型選拔賽，隊員們根據自己的隊伍為小新人投票。

4. 分配結果：小新人加入隊伍

投票結束後，小新人成功加入了紅隊，成為一名正式隊員。他將在接下來的比賽中和紅隊一起努力，為榮譽而戰。

【動動腦時間】

故事中，小明的決策方法需運用「最近鄰分類器」來決定要將車子推給誰

主角小天作為一名機器學習新手，受到工廠邀請來協助完成分類任務。他需要學會如何使用kNN，幫助球隊根據球員的數據進行分類，並從中發掘頂尖球員！

1. 時下AI工具介紹、各特性及應用範圍，強調科技素養意識

2. 示範文字生成AI工具，如何用精確的詞彙，產出有個性的自傳和讀書計劃，生成後潤飾為自己的文筆

3. 示範如何蒐集喜歡的作品集視覺參考圖，輸入具體合適的prompt產出mood board

4. 將自己的特性、優勢、欲申請的科系等keyword寫好，請ai適合自己的作品集架構

小雄是一隻充滿好奇心的小松鼠，住在森林裡的大樹上。最近，小雄迷上了日本，夢想著能去看看櫻花、吃拉麵，還要買好多卡哇伊的伴手禮送給朋友們！可是，他聽說從家裡飛到日本的路程好～長，光是飛機就要好幾個小時，小雄開始苦惱了。

「這麼慢，等我飛過去，櫻花可能都掉光啦！」小雄嘟著嘴說。

於是，小雄腦中閃過一個絕妙的主意——為什麼不製作一個能快速把自己「嗖！」地投射到日本的最短距離投射器呢？

尋找機器人幫忙

小雄爬上樹，翻出了自己的萬用森林地圖，找到了住在山谷裡的天才機器人「咔噠噠博士」。這是一隻會閃著藍光的小機器人，特別擅長幫動物們實現奇怪又天馬行空的想法。

「咔噠噠博士！我想做一個投射器，可以直接把我彈到日本，最短最短的路，越快越好！」小雄興奮地說，尾巴還快樂地甩啊甩。

「哦，小雄！這個主意聽起來真是太棒了！」咔噠噠博士的機械眼閃了兩下，立刻拿出了一堆零件。「那我們先要計算從這裡到日本最近的距離，這樣才能讓投射器完美運作！」

開始設計投射器

咔噠噠博士打開地球儀，用機械手指著小雄家和日本的位置：「看，我們只要找到這兩點之間的最短路徑，就可以計算出需要多大的能量，然後我會幫你建造一個‘嗖嗖投射器’！」

小雄努力點頭，幫博士轉地球儀。「快告訴我，哪裡是最近的地方？」

博士飛快地輸入了一串公式，屏幕上跳出一個答案：「小雄，其實從你家到日本，海上有個最近的點！你只需要跨過這裡，就能一下子到日本啦！」

「太好了！博士，那我們趕快造投射器吧！」小雄開始幫博士組裝零件，還用自己的鬆果收藏換來了一罐特製潤滑油。兩人忙到星星都跑出來了，終於完成了投射器。

夢想成真

投射器的啟動按鈕是一個可愛的心形，小雄按下去後，只聽見「嗖～～～」一聲，他被快速地送到了日本的櫻花樹下！

「哇～～這也太神奇了！」小雄看著滿樹粉色的櫻花，興奮地跳來跳去。

之後，小雄還用他的「嗖嗖投射器」帶朋友們一起來日本玩，成為了森林裡最受歡迎的旅行大師！

小雄的夢想，因為咔噠噠博士和投射器，變成了現實。現在，他不管去哪裡旅行，都只需要「嗖」的一聲，簡直是最快樂的松鼠了！

背景

在一個充滿奇妙科技的地方，有一座叫做「標籤島」的小島。這裡有一座神奇的工廠，叫做「ML工廠」，專門訓練一群特別的「分類器」。分類器就像偵探一樣，可以幫助大家快速找到最適合的東西。

角色

1. 小天：一個熱愛冒險的小男孩，他對數學和邏輯充滿好奇。

2. 分類鳥：ML工廠的助理，一隻聰明的機器鳥，負責帶領訓練。

3. 數據朋友：各種顏色的小方塊，它們是工廠的訓練資料。

故事起點

一天，小天走進了標籤島上的ML工廠，工廠裡五彩繽紛，充滿了跳動的數據朋友。分類鳥看見小天，熱情地說：「小天，你想挑戰我們最新的冒險嗎？這是一次最短距離的分類任務！只要你幫助數據朋友找到它們最近的家，我們就能完成分類訓練！」

冒險過程

分類鳥向小天展示了一張地圖，地圖上有許多點，每個點代表一個數據朋友的位置，而地圖的右邊有三座房子，分別是「紅色家」、「藍色家」和「黃色家」。

「你的任務是找到每個數據朋友到最近家門的路！」分類鳥解釋，「這樣它們才能快速回家。」

小天仔細觀察地圖，發現只要用尺測量數據朋友和房子的距離，選擇最短的路就可以幫它們分類了。他一步步測量，發現：

• 紅色數據朋友離「紅色家」最近。

• 藍色數據朋友離「藍色家」最近。

• 黃色數據朋友離「黃色家」最近。

挑戰升級

當小天完成分類時，分類鳥突然加了一個新挑戰：「現在有一個全新的數據朋友，它站在地圖正中央！你能猜出它應該去哪個家嗎？」

小天快速拿起尺測量，發現它到「紅色家」的距離最短。他興奮地說：「是紅色家！」

分類鳥拍著翅膀大笑：「太棒了，小天！你成功完成了我們的分類挑戰！」

故事結尾

小天帶著滿滿的成就感回家，他不僅學到了分類的祕密，還體會到用邏輯解決問題的樂趣。從此，他成為標籤島上的分類小英雄，和分類鳥一起迎接更多的挑戰。

故事標題： 迷路的機器狗小洛 🐕🤖

故事背景：

在一個未來科技的城市，所有的寵物都是機器動物。有一天，小女孩小芊的機器狗小洛迷路了。小洛擁有一個特殊的感應器，可以幫助它找到最短的回家路，但它需要學會如何辨識不同的地標。

故事發展：

小洛的感應器告訴它，它需要學會分辨三種地標：紅色信箱、藍色的街燈和綠色的公園長椅。每次它到達一個新地方，感應器會顯示該地點和它的家之間的「距離數字」。

小洛發現，要找到最近的路徑，它需要比較各地標的「距離數字」，選擇最小的那一個，並繼續朝著該地標移動。

學習關鍵：

小洛用了一個「最短距離分類器」幫助自己選擇路徑。它將每個地標歸類為「近的地標」或「遠的地標」，依據距離值選擇最接近的地方作為下一步。

結局：

經過一次次的選擇，小洛成功找到最近的回家路，回到了小芊的身邊。小芊非常高興，並且說：「小洛好厲害！你真的學會如何用距離找路了！」

小洛開心地汪汪叫：「分類器真是好幫手！」

小提示：

在這個故事中，透過分類器的概念，孩子可以理解如何用數字比較和分類來做決策，比如在日常生活中選擇最快捷的路線或分類物品。故事還可以加入簡單的互動遊戲，比如讓學生用卡片模擬距離分類的過程，增強理解與參與感！

在一個神秘的島嶼上，傳聞藏著一個失落的寶藏。這個寶藏只有被選中的人才能找到，並且尋寶者需要具備一項特殊的技能——使用最短距離分類器來辨識正確的路徑和寶藏的所在。

#### 角色：

- **阿明**：一位熱愛冒險的高中生，對計算機有濃厚興趣。

- **小靖**：阿明的好朋友，對數學與邏輯分析非常擅長。

#### 故事起點：

一天，阿明和小靖在圖書館找到了一本神秘的地圖，地圖上標示著島嶼上的幾個不同地點：廢墟、古老的樹林和一個神秘的湖泊。阿明興奮地說：「我們一定要去探險，找到這個寶藏！」

小靖提到：「但是我們需要一個計劃。我們可以利用最短距離分類器，來判斷哪一條路線是最好的選擇！」

故事簡介：在魔法森林裡，小精靈們發現了一群奇怪的污染物，它們外形多變、顏色各異。智慧精靈「K」告訴大家，必須用「相似性」來判斷這些物品該放進哪個回收箱。學生化身小精靈助手，透過kNN演算法幫助分類垃圾、資源與毒物，守護森林清潔。

學習活動建議：引導學生以Python實作kNN，用已知標記的垃圾資料來預測新垃圾應屬於哪類。

💡想法二：🍃《風之谷的危機：小精靈救援行動》

故事簡介：風之谷氣候異常，小精靈們發現某些植物生長變異，他們必須根據過往植物生長資料，預測哪些植物屬於「健康」類、哪些是「污染異變」類。學生要幫忙開發一個AI助手，協助小精靈分類植物狀態。

學習活動建議：學生建立kNN模型，用植物特徵（如葉面積、顏色、濕度）來做健康分類。

💡想法三：🌍《地球之心：智慧小精靈的AI任務》

故事簡介：小精靈們首次接觸人類科技，學會了用「資料」看見世界。他們接收到全球各地的環境資料（例如：空氣品質、溫度、污染指數），要判斷哪些地區需要精靈急救隊前往幫助。學生協助設計一個分類AI系統，使用kNN做區域預測。

學習活動建議：學生輸入一筆環境資料，透過kNN預測該地區是「安全」、「警戒」或「危險」環境。

🧠 適用年齡：

10歲以上（只要會分類，就能玩）

⏱️ 遊戲時間：

20–30分鐘一局

👥 玩家人數：

2～4人（也可單人挑戰模式）

📦 遊戲內容物：

• 🧩 特徵卡（顏色、形狀、大小…）

• 🧍‍♂️ 角色卡（已知類別，如「火族」「水族」「風族」）

• ❓ 未知角色卡（需要玩家分類）

• 🧭 距離量尺（可以是數字輪盤或簡單算式）

• 📊 投票板（讓玩家記錄K位鄰居的類別）

🎯 遊戲目標：

利用「最近的K位鄰居」的特徵，來正確猜出未知角色的分類。猜得越多、越快越準者獲勝！

🕹️ 遊戲流程：

① 設定角色場景：

• 隨機放置 20 張已知角色卡在桌面（形成訓練資料），每張卡有特徵值（如顏色：紅、藍；形狀：圓、方；大小：小、中、大）與其所屬的「族群」。

• 每張卡代表一個角色坐標（你也可以將它們排成一個平面棋盤狀，像地圖）。

② 抽取任務卡：

• 玩家抽出一張未知角色卡，這是需要你來分類的新角色，只知道他的特徵（但不知道他是什麼族）。

③ KNN推理步驟（模擬演算法）：

1. 玩家用距離量尺計算新角色與每個已知角色的「相似程度」。

   • 例如相同特徵+1分，差一級距離-1分。

2. 找出距離最近的K位鄰居（例如K=3）。

3. 看這些鄰居的族群類別，用多數決決定新角色的類別。

4. 記錄在投票板上，並公布答案是否正確。

④ 得分：

• 分類正確得1分。

• 若能用加權方式判斷（距離近的鄰居比遠的更重要），得2分。

• 若選錯，失去一回合！

🧙‍♂️ 進階規則（可選）：

• 變化K值：每回合K可變，挑戰K=1或K=5看看會不會改變結果。

• 雜訊卡：引入錯誤資料（像現實世界），看玩家能否排除干擾。

• 地圖模式：把角色放在座標格子中，用實際距離（歐氏距離）進行計算，讓推理更像演算法。

🏆 遊戲結束：

回合結束後，統計誰幫最多未知角色分類成功，即為「KNN大師」！

💡 教育意義：

• 學會「相似性判斷」的邏輯

• 體會距離與分類的關係

• 練習統計與推理（加權、多數投票）

《找找看，我是誰的好鄰居？》

🎯 教學目標（適合中低年級）：

• 認識「分組」與「分類」的概念

• 練習觀察、比較特徵（顏色、形狀、大小等）

• 學習用「相似」的方式做判斷（KNN核心精神）

• 培養邏輯與口語表達

📦 教具準備：

（建議教師/家長事先準備好印刷卡片）

🎴 角色卡（圖像分類卡）：

• 每張卡片有可愛圖像（動物、怪獸、糖果等）

• 有三種特徵屬性：

  • 顏色（紅、藍、綠）

  • 形狀（圓形、方形、三角形）

  • 大小（小、中、大）

卡片背面標記「家族類別」：

• 🍎「水果家族」

• 🦖「恐龍家族」

• 🧁「甜點家族」

✅ 一組至少20張「已知角色卡」，另有幾張「？卡」為未知角色。

🕹️ 遊戲玩法（適合3～5人或小組）：

Step 1️⃣：故事開場（引起動機）

👧 老師說：

「今天有幾個新朋友來到了圖形王國，他們迷路了，不知道自己是誰家的寶寶～我們要根據他們的外表，幫助他們找到正確的家族！」

Step 2️⃣：角色登場

• 把所有已知家族卡翻開鋪在桌上

• 抽出一張未知角色卡（？卡）

例如這張卡是：

• 顏色：紅色

• 形狀：圓形

• 大小：中

Step 3️⃣：找鄰居！（模擬KNN）

讓孩子觀察所有已知卡片，找出3位長得最像的新朋友（K = 3）

👦：

「我覺得這三個是他最像的鄰居，因為他們也都是紅色圓形！」

Step 4️⃣：投票判斷家族

看看這3位鄰居都來自哪個家族（翻背面）

• 如果2個是「水果家族」，1個是「甜點家族」
  → 那就推斷新朋友也屬於「水果家族」！

Step 5️⃣：揭曉答案 & 得分

翻開「？」卡背面，看看猜得對不對～

• ✅ 猜對：得1顆星星

• ❌ 猜錯：沒關係，下一輪再努力！

🧠 教學小技巧（讓孩子更有參與感）：

• 每個孩子輪流當「觀察員」來選鄰居

• 讓孩子用口語表達「我為什麼選這三個？」

• 請孩子投票表決「你們覺得他是哪一家族的寶寶？」

🌱 延伸玩法（挑戰版）：

• K=1：只選一個最像的

• 隱藏一個特徵：例如只看顏色和形狀（訓練觀察力）

• 變身版：角色卡會隨機「變一個特徵」（模擬雜訊干擾）

📌 小結語（帶回學習）：

👩‍🏫 老師問：

「我們是怎麼知道一個角色屬於哪個家族的？」
👦：「我們看他跟誰最像！」
👧：「我們選了最近的三個鄰居來幫他做決定！」

這就是真正的 KNN 思想：「看你最像誰，就猜你是誰！」

以下是我幫你設計的 3 組故事情境創意，每一組都有【標題】＋【情境說明】＋【學習任務】，並融合了「Meaningful Gamification」與「Octalysis八角動機模型」的一些概念設計：

💡 創意情境 1：

🏷️ 標題：《AI小幫手訓練營：教室清潔大作戰》

🏫 情境說明：

學校推出一項「智慧校園AI創意競賽」，你的任務是設計一個AI助手，能幫忙偵測教室裡的物品位置、判斷哪些需要歸位或清潔，並發出提示給同學。為了讓AI聽懂指令，你需要先學會 Python 的變數、條件判斷與串列等基本語法，才能編寫指令邏輯。

💻 學習任務：

1. 設計一個「物品分類系統」（if/else）判斷「該物品該不該收」

2. 利用串列記錄今天亂丟的物品，回報給老師

3. 撰寫一段指令，讓AI依照不同教室狀況說出對應提醒訊息（print與邏輯結構）

📌 Octalysis 驅動元素：Empowerment of Creativity & Feedback（創造力+即時回饋）、Epic Meaning & Calling（參與校園變得更美好的任務）

💡 創意情境 2：

🏷️ 標題：《神秘的AI儲物櫃任務》

🧪 情境說明：

校內AI實驗室發現某些「智能儲物櫃」突然亂開關，造成混亂。你被選為AI維護小隊成員，需用Python語法分析櫃子的開啟紀錄（list與邏輯判斷），並訓練AI去預測哪些情況下不應開啟櫃子。為此，你將進行「邏輯掃描」與「行為規則設定」。

💻 學習任務：

1. 利用for迴圈列出所有打開櫃子的紀錄

2. 使用if判斷「是否違規開啟」（例如：不是清潔時間卻打開）

3. 設計一個「自我學習小助手」從錯誤中學習（初步函數）

📌 Meaningful要素：使用實際校園資源的情境連結（Situated Motivational Affordance），並讓學生參與設定規則（Player-generated content）

💡 創意情境 3：

🏷️ 標題：《AI值日生上線！明天輪到誰打掃？》

🧹 情境說明：

你們班想設計一個AI「值日小隊排程系統」，幫助記錄打掃表現、分配公平的輪值，還能自動提醒同學。為此，你需要學會使用Python語法建立資料表、判斷條件、撰寫提醒邏輯。

💻 學習任務：

1. 用list建立值日生名單，並寫一段代碼找出「下週輪值同學」

2. 判斷哪些人這週沒打掃（條件判斷與迴圈）

3. 撰寫AI自動提醒訊息，鼓勵還沒打掃的同學（print＋邏輯＋自訂訊息）

📌 Octalysis驅動：Ownership（同學可以設定自己的排班）、Social Influence（打掃分數公開，刺激合作與責任感）

如果你覺得這些故事有喜歡的，我可以：
✅ 幫你延伸更多情節
✅ 加入角色設定與插圖概念
✅ （若你說OK）再幫你融入Python的具體教學code示例
✅ （若你說Markdown）把整個情境變成Markdown格式的教案

你想從哪一個情境開始發展？還是我再幫你混搭出一個新版本呢？😄

詢問 ChatGPT

👉 給出幾個餅乾的特徵（甜度、顏色），讓學生用比對相似度的方式分類（例如：這顆看起來和之前吃過的巧克力餅乾很像，那應該是巧克力的）

🏀 1️⃣ 學校新同學找社團

💡 比喻：

新同學不知道要加什麼社團，就請他看看最近的3位朋友參加的社團，多數參加籃球社 → 就推薦他也加籃球社。

🔍 對應：

• 新同學 → 未知資料點

• 最近3位 → K=3 鄰居

• 社團 → 分類標籤

✅ Kahoot 題目建議：

題目： 如果新同學最近的3位朋友中有2人參加籃球社、1人參加科學社，KNN會推薦什麼社團？
A. 籃球社
B. 科學社
C. 合唱團
D. 美術社
正確答案： A
時間限制： 20 秒

🧋 2️⃣ 飲料店找口味

💡 比喻：

你觀察前面3個人都點「珍奶」，你猜這家店的熱門品項是珍奶 → 所以你也點它。

🔍 對應：

• 你 → 需要分類的客戶

• 前面3人 → K=3 的資料點

• 飲料種類 → 分類標籤

✅ Kahoot 題目建議：

題目： 在飲料店前面3人都點「珍奶」，你會怎麼做？這和哪種 AI 方法有關？
A. 跟著大家點珍奶，像 KNN
B. 自己亂選一個，像隨機森林
C. 看店員推薦，像監督學習
D. 拍手決定，像強化學習
正確答案： A
時間限制： 30 秒

🌀 3️⃣ 迷宮裡靠腳印判斷方向

💡 比喻：

走到岔路時看到3個腳印往右、1個往左 → 判斷右邊可能是正確路徑。

🔍 對應：

• 岔路口 → 未知決策點

• 腳印 → 鄰近資料點

• 方向 → 預測結果

✅ Kahoot 題目建議：

題目： 在迷宮中有3個腳印往右、1個往左，K=4，該往哪走？
A. 左邊
B. 右邊
C. 原地不動
D. 隨便走走看
正確答案： B
時間限制： 20 秒

1. 了解 KNN 是一種根據「鄰居」來決定分類的 AI 演算法。

2. 能夠透過簡單例子操作 KNN 分類流程。

3. 透過角色扮演與圖卡，實際體驗資料分類與鄰近概念。

🧩 教學情境故事設計

🏫 故事背景：

學校來了一位轉學生「K同學」，老師不知道要把他分到哪一班。不同班級有不同風格：🧪自然班、🎨藝術班、⚽體育班。

於是，老師請AI幫忙分析這位轉學生和哪些同學比較接近，看看應該分配到哪一班。

📍 教學步驟（50分鐘）

⏱️ 1. 啟動活動（10分鐘）

• 活動名稱：《你是誰的同類？》

• 教師提出問題：「如果今天一位新同學和你喜歡一樣的活動，會不會代表你們很可能在同一班？」

• 學生兩兩互訪，依據「興趣」配對找出最接近的「同類」。

🎯【動機觸發】：Octalysis中「Social Influence & Relatedness」+「Curiosity」

⏱️ 2. 概念導入（10分鐘）

• 利用轉學生例子說明：「KNN 就是找『最靠近』的新朋友，看他們是什麼類型，來幫忙做分類決定。」

• 利用圖表展示不同興趣的學生分布（用顏色標出不同班級），請學生用眼睛預測新同學會屬於哪一群。

📌強調「K」就是要看幾個最近的「鄰居」。

⏱️ 3. 分組互動遊戲：KNN同學會（20分鐘）

• 學生分組，每組扮演一個AI助手，要幫新同學分類。

• 每組拿到「資料卡」：每張卡片代表一位學生，包含：

  • 座標（興趣/習慣）

  • 所屬班級

• 再拿到一張「新同學」的卡片（不顯示班級），請學生選K=3，找出最接近的3張資料卡，比較所屬班級，進行分類。

🎲 可加分制與闖關式遊戲：

• 正確分類得分，並能解鎖「K同學的下一個興趣」。

🎯【動機觸發】：Octalysis中「Development & Accomplishment」+「Empowerment of Creativity & Feedback」

⏱️ 4. 總結反思（10分鐘）

• 學生分享他們的策略與分類依據。

• 教師引導討論：

  • 如果K設太小或太大會怎樣？

  • 若不同鄰居班級數量一樣呢？

• 建立反思概念：AI靠的是鄰近與投票決策。

🔍 延伸活動建議（進階）

• Python實作：若老師說OK，我可以設計一段用scikit-learn的KNN範例，讓學生看見真實AI怎麼運作。

• 遊戲擴充：加入故事線（例如 K同學解任務找回班級徽章），融入 RPG 式任務。

🧠 備註：關鍵概念轉譯

KNN術語生活化比喻資料點每位學生特徵（features）興趣、習慣、作息分類（label）所屬班級（自然、藝術、體育）K值看幾位鄰居距離計算看誰最像你

你將接觸到大量動物照片，每張照片都搭配「正確答案」（標籤），例如這張照片是貓，那張照片是狗。你要從中找出重要特徵，例如耳朵形狀、毛髮長度、體型大小、叫聲頻率等，並訓練模型根據這些特徵進行正確分類。

🎬【劇情摘要】

你剛獲選加入傳說中的《動物AI研究中心》，擔任一名貓狗辨識師實習員！
研究中心正在開發一款「寵物辨識機器人」，需要你訓練 AI 模型，學會分辨照片中的「貓」還是「狗」。

但訓練模型並不像想像中那麼簡單……有些貓像狗、有些狗又像熊，特徵重疊會讓 AI 產生誤判！你必須觀察大量資料，分析哪些特徵能有效分類，才能幫助 AI 成功出任務。

🧪【訓練任務說明】

你會接收到大量「已標記」的動物資料，每筆資料都包含：

• 特徵（Features）：耳朵形狀、體型大小、叫聲頻率、毛髮長短等

• 標籤（Label）：這是「貓」或「狗」的正確答案

你需要根據這些資料訓練模型，讓 AI 能夠學會「看特徵 → 判斷分類」的邏輯，未來才能靠它自動分類新照片！

🧠【學習概念】

• ⭐ 監督式學習（Supervised Learning）

  • 「有特徵、有標籤」的資料訓練 AI 模型

  • 像是改考卷：模型根據答案學習，慢慢進步

• ⭐ AI 是靠「資料」長大的，資料品質會影響準確度

• ⭐ 特徵越明顯、越有區別性，模型越容易判斷

✅【結局結果】

🎉 經過幾輪訓練與驗證，你成功讓模型的準確率提升至 92%！
AI 現在能正確辨識大部分的寵物照片，已通過「寵物智慧門」的實測測試！

你獲頒Lv.1 貓狗辨識師證書，即將進階挑戰下一任務：「狐貍 vs 狗勾 難分辨挑戰賽」！🐕🦊
準備好面對更難的任務了嗎？

很棒！

📘 背景故事

你是剛進入AI學院的見習資料師，學校裡有四大學系：

• 🤖 機器人創客系

• 🧪 生物模擬系

• 🔮 資料巫術系

• ⚙️ 機械魔法系

現在有一位「新生小明」，還沒確定要分配去哪一系。你的任務是根據他在入學測驗中的表現（如程式邏輯、動手能力、資料觀察力）來預測他最適合的學系！

你要使用 KNN 演算法，幫他找到「最相近的學長姐」群，進行分類預測！💻✨

🧠 你會學到什麼？

• KNN 是什麼？

• 如何使用 sklearn 實作分類？

• 如何選擇 K 值？

• 資料標準化為什麼重要？

🧪 練習資料（模擬學生測驗表現）

姓名邏輯思維動手實作觀察資料系別阿杰982機器人創客系小芳359資料巫術系小強773機器人創客系美美439資料巫術系志明248資料巫術系小華892機器人創客系小新628生物模擬系芯芯739生物模擬系小偉329生物模擬系小明（新生）547?

🧑‍💻 Python KNN 實作範例（使用 sklearn）

python

複製編輯

from sklearn.neighbors import KNeighborsClassifier import pandas as pd # 建立學生資料 data = { "邏輯思維": [9, 3, 7, 4, 2, 8, 6, 7, 3], "動手實作": [8, 5, 7, 3, 4, 9, 2, 3, 2], "觀察資料": [2, 9, 3, 9, 8, 2, 8, 9, 9], "系別": ["機器人創客系", "資料巫術系", "機器人創客系", "資料巫術系", "資料巫術系", "機器人創客系", "生物模擬系", "生物模擬系", "生物模擬系"] } df = pd.DataFrame(data) # 特徵與標籤分開 X = df[["邏輯思維", "動手實作", "觀察資料"]] y = df["系別"] # 新生小明的資料 new_student = [[5, 4, 7]] # 建立KNN模型（K=3） knn = KNeighborsClassifier(n_neighbors=3) knn.fit(X, y) # 預測小明的系別 prediction = knn.predict(new_student) print("📢 小明可能適合的系別是：", prediction[0])

🎯 任務挑戰建議

• 嘗試修改 K 值，看看結果有沒有變化！

• 若加入更多學生資料，預測會更準嗎？

• 小明改變自己的學習風格會改變分類結果嗎？（像是觀察力變強）

🧩 Octalysis設計關聯

• Epic Meaning & Calling：你是AI學院的見習分類師，任務超重要！

• Development & Accomplishment：幫小明成功分類就是你的成就！

• Empowerment of Creativity：自由調整K值、測試不同資料組合✨

🔍 課程背景：

SEL的目標是幫助學生發展自我認知、人際關係、決策能力等技能；KNN作為一個分類演算法，可以透過「相似性」來做預測。兩者結合，可創造出一個探索「我與他人如何連結」的課程。

🎲 創意課程構想（結合故事情境）

🧠 構想一：《AI交友小幫手！KNN尋找最合拍的夥伴》

• 故事背景：你是「社交配對村」的AI工程師，任務是開發一個可以幫助同學找到最適合一起完成任務夥伴的AI工具。

• SEL連結：學生需要輸入「興趣」、「情緒傾向」、「合作方式」等自我認識資料。

• KNN應用：用KNN來分類誰可能是「最佳配對夥伴」。

• 學習任務：建構模型→選擇特徵→觀察分類結果→討論配對結果與實際情況的差異。

• 標題建議：《KNN交友地圖：用AI了解我和你❤️🤖》

🎭 構想二：《AI法官的情緒審判所》

• 故事背景：在「情緒王國」裡，AI法官需要根據大家的情緒表現與背景資訊決定誰最適合處理哪種人際衝突。

• SEL連結：讓學生了解情緒辨識與回應策略。

• KNN應用：訓練KNN來分類學生的反應風格（例如：和平型、衝突型、觀察型），並分析「相似」的人應該配對處理哪些任務。

• 標題建議：《情緒審判官：讓AI來判斷誰來處理這場吵架！⚖️》

🌍 構想三：《AI與我的社交雷達》

• 故事背景：地球即將舉辦「星際友誼挑戰賽」，你和AI搭檔要一起幫助外星朋友學習人類情緒與互動規則。

• SEL連結：幫助學生理解人際關係中的情緒判讀與適當回應。

• KNN應用：以KNN演算法幫助AI分類外星人觀察到的互動情境，並推薦適合的社交反應。

• 標題建議：《星際社交任務：KNN情緒導航機器人🛸》

🎯 每個課程都可對應這些設計原則：

框架運用方式🎮 Octalysis核心動力運用如Epic Meaning（幫外星人/社交村找朋友）、Empowerment（學生選擇資料特徵）、Social Influence（觀察同儕互動結果）🎲 Meaningful Gamification鼓勵學生自訂特徵、目標，不是只用分數，強調過程意義與自我探索（如UDL與OIT）

🚲 教案名稱：《誰是你的好鄰居？kNN找朋友大作戰》

💡核心主題：監督式學習中的 kNN 與「最近鄰居」概念

適合年級：國中
時間建議：2堂課（每堂約45分鐘）
工具建議：Python（或AI模擬平台）、教室空間/格子遊戲板

🧸 故事情境設定：「新搬來的小朋友要交朋友」

一位新生搬到班上，想找幾位興趣相投的同學交朋友！但他還不熟悉大家，只知道每位同學在「喜歡的活動（運動類 vs. 靜態類）」與「午餐選擇（速食 vs. 健康餐）」上的偏好。你能幫他找出最適合的朋友嗎？

✨三個創意學習任務 & 教案設計

🎯【任務一】活動名稱：好朋友的雷達定位

標題建議：《用距離找出我的最佳鄰居！》

活動簡介：
老師將班上的學生喜好製成一個二維圖（X軸為活動類型，Y軸為午餐喜好）。讓學生在圖上「走一走」，親自用直尺量出誰距離「新生」最近，藉此引導出「距離 = 相似程度」的概念。

學習亮點：

• 學會歐式距離的視覺概念（Pythagorean距離）

• 直觀理解「k 個最近的鄰居」是怎麼來的

Octalysis元素：

• 🧠 Empowerment（能自由走出自己的想法）

• 🧭 Development（一步步靠近分類答案）

🎯【任務二】活動名稱：k值實驗室！朋友數會影響結果嗎？

標題建議：《k=3還是k=5？新生交友大測試！》

活動簡介：
使用實際資料或模擬平台，操作不同的k值來觀察新生會被分進哪一類（例如愛運動 vs. 愛靜態的同學）。學生可以觀察分類結果如何因k值變動而改變，並討論哪一種分法最合理。

學習亮點：

• 培養參數調整與觀察能力

• 理解kNN不是「死背公式」，而是需要策略

Octalysis元素：

• 🔄 Unpredictability（每次k變化結果不同，產生好奇心）

• 🎖 Accomplishment（當分對了感到成就感）

🎯【任務三】活動名稱：設計你自己的鄰居推薦系統

標題建議：《成為AI設計師：打造推薦好友的機器人》

活動簡介：
讓學生設計一個推薦系統（可以手繪流程圖，也可以用簡易程式模擬），讓它根據輸入的「興趣+飲食偏好」幫每位新生推薦朋友。鼓勵他們加上趣味條件（例如「如果一樣愛喝珍奶就加一分」）。

學習亮點：

• 融合數學、程式與邏輯思維

• 提升問題解決與創造能力

Octalysis元素：

• 💡 Creativity & Feedback（設計不同邏輯，試看看效果）

• 🤝 Social Influence（和同學比看看誰設計的比較準！）

🧠 延伸提問與反思活動（學思達元素）

• 如果你是一個AI分類器，你會怎麼選擇k值？為什麼？

• 如果兩個人距離一樣近怎麼辦？

• 現實生活中有哪些推薦系統也像這樣在幫你「找朋友」？（例如YouTube推薦、購物網站）

🔧 若您需要：

• ✅ 加入Python簡單code示例（用sklearn跑kNN分類）👉請說「OK」

• ✅ 轉為Markdown教學素材格式 👉請說「Markdown」

• ✅ 延伸其他生活主題如「外送路線推薦」、「寵物相親配對」的教案，也可以再加喔！

要不要我幫你準備 Python 範例呢？😊

🏫 情境：與國中生活相關

🧩 目標：希望學生透過遊戲化故事學會聊天機器人的設計與運作概念

📚 課程連結：資訊科技 or 生活科技的AI應用分類學習

（例如：了解 AI 在語音助理、客服系統、校園應用的角色）

現在我為您設計出3種創意故事情境＋學習任務引導構想，並巧妙融合 Octalysis 八核心動機設計與Meaningful Gamification 有意義遊戲化框架：

🎮【故事情境設計構想 x3】

1️⃣ 標題：「班級AI助理競賽」——誰能打造最懂國中生的聊天機器人？

🎭 情境概要：

學校宣布舉辦一場「AI小幫手開發競賽」，每班要打造一個專屬的「班級聊天機器人」，幫助同學解決日常問題（如：找老師、記作業、安排行程）。同學們要扮演開發團隊角色，合作設計聊天機器人的對話邏輯與回應策略。

🎯 學習任務連結：

• 認識 NLP 與聊天機器人運作原理（分類器、對話樹）

• 利用 Python 或工具平台實作簡單對話

• 學習如何分類資訊、設計輸入與回應策略（AI應用分類）

🎲 遊戲化元素建議：

• Epic Meaning & Calling：每班代表出戰，全校唯一的冠軍AI

• Creativity & Feedback：可以自訂語調、功能，模擬測試得到即時回饋

• Ownership：每人負責一個模組（情緒應答、時間提醒等）

2️⃣ 標題：「校園異常事件簿」——AI探員聊天室出動！

🎭 情境概要：

最近校園裡出現奇怪事件——午餐消失、廣播亂播、功課記錄錯亂！原來是一個失控的聊天機器人系統作怪。學生將扮演「AI調查員」，與不同聊天機器人角色對話，找出錯誤邏輯與設計漏洞。

🎯 學習任務連結：

• 辨識 AI 聊天機器人在哪些場景常被應用（客服/提醒/預測）

• 分析不同 AI 功能所屬分類（語音辨識 vs. 資料分類 vs. 對話生成）

• 模擬設計修正聊天機器人回應

🎲 遊戲化元素建議：

• Curiosity & Unpredictability：每個對話角色背後都有一段小劇情

• Social Influence：分組合作找出錯誤+比對改良版本

• Loss & Avoidance：如果沒找出錯誤，系統會進一步擾亂校園！

3️⃣ 標題：「AI新生訓練營」——幫機器人學會怎麼當國中生！

🎭 情境概要：

未來的智慧校園中，一群AI聊天機器人新生進入國中，卻完全不了解國中生活。學生的任務是教導這些AI如何回應同學問題、跟人相處、用國中生的語氣講話。

🎯 學習任務連結：

• 訓練AI如何辨識語意、情緒與情境（基礎分類與語言邏輯）

• 實作一個「會講國中語言」的對話機器人

• 探討AI怎麼理解人類語言、怎麼分類句子與回應

🎲 遊戲化元素建議：

• Empowerment & Feedback：設計語氣模擬器，練習用「酷、可愛、嚴肅」語調

• Development & Accomplishment：完成不同任務（上課提醒、吵架勸架）逐步升級

• Social Influence：讓機器人參與校園模擬聊天室，觀察表現並給評價

一場強烈颱風侵襲了「綠原農村」，農田的智慧監控系統被摧毀，土壤濕度、病害紀錄、收成排序等重要資料全數錯亂。身為農業AI工程小隊的你們，必須進入災後農業資料庫系統，透過演算法重建混亂的資訊，恢復農田自動化系統的運作！

🧩 任務分段設計（共三章節）

🟢【任務一】資料大洗牌：氣泡排序出現！

📖 故事情節：

你打開系統時發現，農田的感測數據（如濕度、酸鹼值、肥力等）全都亂了順序，無法判斷哪一區需要先處理！

🎯 學習挑戰：

• 介紹「氣泡排序」的概念與生活應用（例如排蔬果新鮮度）

• 學生模擬排序過程（紙上活動/小遊戲）

• 使用 Python 撰寫氣泡排序程式碼，排序「感測資料陣列」

✅ 預期成果：

成功排序後的資料可供後續查詢與分析使用。

🟡【任務二】誰是優先救援區？搜尋最危急的田地！

📖 故事情節：

系統告知其中有一塊田出現「病害指數爆表」的異常，必須立即處理，但只能靠快速搜尋資料！

🎯 學習挑戰：

• 介紹「二元搜尋法」概念，並與生活中搜尋例子（如電話簿）做連結

• 用 Python 建立排序好的病害指數資料清單

• 撰寫二元搜尋法程式，快速找出病害數值是否出現在清單中

✅ 預期成果：

學生可快速搜尋異常區域，並提供地點資訊進行後續處理。

🔴【任務三】派遣AI機器人：復原系統重啟！

📖 故事情節：

終於定位出所有受損嚴重的區域！接下來，要將正確排序後的資訊輸入AI農機控制模組，讓復原工作開始進行！

🎯 學習挑戰：

• 將排序與搜尋結果轉化成派遣路線（延伸挑戰：最佳順序設計）

• 撰寫簡單函式整合兩種演算法應用結果

• 模擬派遣流程（可搭配視覺化輸出 or 簡單動畫）

✅ 預期成果：

學生將看到系統回報「復原進度條」，農田逐步恢復生機🌱

哪一項最能幫助使用者保護帳號安全？
A. 每天登入同一台電腦
B. 使用生日作為密碼
C. 使用兩步驟驗證機制
D. 把密碼寫在筆記本上

✅ 正解：C. 使用兩步驟驗證機制
💡 詳解：兩步驟驗證（2FA）能在輸入密碼後，再加上一層驗證（如手機簡訊或驗證器），大大增加帳號的安全性。其他選項雖有部分便利性，但無法有效防止帳號遭盜用。

🟡【題目二】資料加密（Medium）

小亮傳送一封加密電子郵件時，使用了「公開金鑰」進行加密。下列哪一個敘述正確？
A. 收件人需用相同的金鑰解密
B. 收件人需用私密金鑰解密
C. 小亮需用私密金鑰解密
D. 任意金鑰都能解密該郵件

✅ 正解：B. 收件人需用私密金鑰解密
💡 詳解：在非對稱加密中，寄件人用收件人的「公開金鑰」加密，收件人需用自己的「私密金鑰」才能解密，確保只有收件人能讀取。

🔴【題目三】社交工程陷阱（Hard）

小慧收到一封聲稱是學校行政系統的Email，要求點擊連結重新登入帳號，否則成績將無法查詢。下列哪一項最可能是此Email的特徵？
A. 寄件地址為school.admin.tw
B. 附檔名為.pdf，格式正常
C. 網址顯示為 http://tw-school-check.tk/login
D. 使用者名稱與學號皆正確顯示

✅ 正解：C. 網址顯示為 http://tw-school-check.tk/login
💡 詳解：雖然其他細節看起來正常，但網址異常（如使用不明副網址.tk）是釣魚網站常見的特徵。這屬於社交工程中的「釣魚攻擊」。

🟡【題目四】密碼強度（Medium）

哪一組密碼最能抵抗暴力破解攻擊？
A. 12345678
B. password123
C. qwertyui
D. vE7!pK#2

✅ 正解：D. vE7!pK#2
💡 詳解：這組密碼包含大寫、小寫、數字與特殊符號，且無明顯邏輯或常見字詞，最難被機器暴力猜出。其餘三組皆為高風險密碼。

🟢【題目五】資安日常習慣（Easy）

以下哪一種行為最可能讓駭客植入惡意程式？
A. 每週備份資料
B. 點選不明來源的連結
C. 安裝官方防毒軟體
D. 定期更新作業系統

✅ 正解：B. 點選不明來源的連結
💡 詳解：惡意連結可能會導致使用者下載病毒或木馬程式，是資訊安全中的高風險行為。其他三項行為皆有助於防範攻擊。

💡【簡單題】AI是什麼？

題目類型：選擇題
題目：以下哪一項最能描述「人工智慧（AI）」的意思？
A. 機器人會跳舞
B. 電腦能夠模仿人類思考與學習
C. 手機可以拍照
D. 網路可以連到全世界

👉 正解：B
📘 解析：人工智慧是讓電腦或機器具備模仿人類思考、學習、解決問題的能力，不只是表面的功能操作。

🕹️ 遊戲情境建議：設計為「AI小特務訓練營」的新兵測驗，闖關式選擇任務，每答對一題可升級AI技能點。

🧠【中等題】AI怎麼學習？

題目類型：配對題
題目：請將下列AI學習方式與對應的說明配對起來：

| A. 監督式學習 | 1. 不用給出正確答案，AI自己找出規律 |
| B. 非監督式學習 | 2. 給AI一堆資料，包含每筆資料的正確答案 |
| C. 強化學習 | 3. AI靠「嘗試錯誤」來學習怎麼做得更好 |

👉 正解：
A ➝ 2
B ➝ 1
C ➝ 3

📘 解析：

• 監督式學習像是老師教你每題的答案；

• 非監督式像是自己觀察找規律；

• 強化學習就像是玩遊戲慢慢學會破關技巧。

🎮 遊戲情境建議：「AI學習實驗室」角色模擬，學生選擇扮演資料工程師或AI訓練師，解任務時配對資料和學習法。

🧩【困難題】AI有道德問題嗎？

題目類型：情境思考題
題目：小明在用AI幫忙判斷誰先進門，他發現AI總是讓高年級的同學先進去，但他覺得不太公平。請問這是哪一種AI問題？
A. AI有bug了
B. AI太聰明了
C. AI有偏見（Bias）
D. AI不喜歡小明

👉 正解：C
📘 解析：AI的「偏見」可能是因為訓練資料不平衡，導致AI做出對某些人不公平的決定。這也是現代AI發展重要的倫理議題。

🧠 情境教學建議：在「AI公平法庭」活動中，學生扮演不同角色（AI設計師、學生、老師）來辯論AI是否有偏見，以及該怎麼改善。

需要我幫您把這些題目變成教學遊戲或故事式學習活動嗎？我也可以加入Python互動任務設計哦～👩‍💻👨‍🏫 如果可以的話，請跟我說「OK」，我就可以開始幫您轉換～

# 題目與選項資料

questions = [

{

"Question": "颱風過後，資料庫中的『土壤濕度』資料缺失，若想透過已有資料預測土壤濕度，應使用哪一種學習方式？",

"Answer 1": "非監督式學習，因為可以找出未知結構",

"Answer 2": "監督式學習，因為有標籤資料可用來預測",

"Answer 3": "強化學習，因為系統能靠獎勵機制學習",

"Answer 4": "深度學習，因為資料量很大",

"Correct answer(s)": "2",

"Time limit (sec)": 20

},

{

"Question": "AI團隊想分類不同病害影像，但沒有標籤資料，應採用哪一種學習方式？",

"Answer 1": "監督式學習",

"Answer 2": "非監督式學習",

"Answer 3": "強化學習",

"Answer 4": "模仿學習",

"Correct answer(s)": "2",

"Time limit (sec)": 20

},

{

"Question": "農田自動灌溉系統需根據歷史『土壤濕度與是否澆水』記錄建立模型，應屬於：",

"Answer 1": "非監督式學習",

"Answer 2": "強化學習",

"Answer 3": "監督式學習",

"Answer 4": "資料增強技術",

"Correct answer(s)": "3",

"Time limit (sec)": 20

},

{

"Question": "在混亂資料中找出『不同作物區』，最適合的演算法是？",

"Answer 1": "邏輯斯迴歸",

"Answer 2": "K-means 分群",

"Answer 3": "決策樹",

"Answer 4": "kNN最近鄰",

"Correct answer(s)": "2",

"Time limit (sec)": 20

},

{

"Question": "哪一個是『監督式學習』的必要條件？",

"Answer 1": "資料數量極大",

"Answer 2": "資料有明確標籤",

"Answer 3": "使用GPU運算",

"Answer 4": "資料先經過壓縮處理",

"Correct answer(s)": "2",

"Time limit (sec)": 20

},

{

"Question": "若AI系統能辨識病葉但無法說明原因，這代表它的特性是？",

"Answer 1": "具備可解釋性",

"Answer 2": "具備黑箱特性",

"Answer 3": "完全依賴人工標註",

"Answer 4": "使用透明決策邏輯",

"Correct answer(s)": "2",

"Time limit (sec)": 20

},

{

"Question": "哪一個任務最可能使用非監督式學習完成？",

"Answer 1": "預測明日溫度",

"Answer 2": "分類病蟲害類型",

"Answer 3": "依照特徵自動分群作物",

"Answer 4": "辨識圖片中的作物品種",

"Correct answer(s)": "3",

"Time limit (sec)": 20

},

{

"Question": "以下何者屬於 AI 的應用？",

"Answer 1": "自動駕駛汽車",

"Answer 2": "螢幕觸控",

"Answer 3": "鍵盤輸入",

"Answer 4": "螢幕截圖",

"Correct answer(s)": "1",

"Time limit (sec)": 20

},

{

"Question": "AI歷史上，哪一個事件讓AI發展再度受到重視？",

"Answer 1": "第一次工業革命",

"Answer 2": "深藍擊敗西洋棋冠軍",

"Answer 3": "ALPHA GO戰勝李世乭",

"Answer 4": "電腦發明晶片",

"Correct answer(s)": "3",

"Time limit (sec)": 20

},

{

"Question": "在農業AI應用中，何者最可能是標籤資料？",

"Answer 1": "葉子的照片",

"Answer 2": "每張照片的病害類型",

"Answer 3": "相機的型號",

"Answer 4": "拍攝的時間點",

"Correct answer(s)": "2",

"Time limit (sec)": 20

},

]

# 讀取Kahoot模板

template_path = "/mnt/data/KahootQuizTemplate.xlsx"

df_template = pd.read_excel(template_path)

# 填入題目資料

for i, q in enumerate(questions):

df_template.at[i, "Question"] = q["Question"]

df_template.at[i, "Answer 1"] = q["Answer 1"]

df_template.at[i, "Answer 2"] = q["Answer 2"]

df_template.at[i, "Answer 3"] = q["Answer 3"]

df_template.at[i, "Answer 4"] = q["Answer 4"]

df_template.at[i, "Time limit (sec)"] = q["Time limit (sec)"]

df_template.at[i, "Correct answer(s)"] = q["Correct answer(s)"]

# 儲存新的Kahoot格式檔案

output_path = "/mnt/data/綠原農村AI救援任務題組_Kahoot.xlsx"

df_template.to_excel(output_path, index=False)

output_path