根據《新英格蘭醫學期刊》研究，大型語言模型（LLM，如ChatGPT）已證實能顯著提升醫學教育與實踐效果，但如何避免其學習偏見與錯誤仍是挑戰。面對教育部推動程式設計與AI課程，非資訊專業學生的學習困難愈加明顯。本計畫提出結合LLM與可解釋AI（XAI）的跨域學習行動大數據分析平台，結合鷹架理論（Scaffolding Theory）設計階段性任務，為非資訊專業學生提供適性化學習路徑，逐步提升專業能力。第一年建立方法論架構，運用LLM分析教育內容與互動，並以教育資料探勘（EDM）開發可解釋AI演算法，洞察學習風格差異，並以差分技術加強資安保護。第二年開發iOS行動應用，具備即時追蹤、適性推薦與多元評估功能，以儀錶板監測進度、推薦個人化資源並提供公正評估。第三年建置雲端分析平台，支援多元裝置與即時反應，運用AWS RDS進行資料治理與安全儲存，依循ISO 27000與GDPR規範，利用匿名資料優化LLM核心，提升學習與回饋效果。此計畫將推動教學創新，強化學習成效的準確與公正，為學生打造更公平高效的學習環境。