國立中興大學教學大綱

課程名稱	(中) 解釋型AI與資料治理(6132)
	(Eng.) Explainable AI and Data Governance
開課單位	資管系
課程類別	選修			學分	3	授課教師	林冠成 等
選課單位	資管系 / 碩士班			授課使用語言	中文	開課學期	1142
課程簡述	本課程以「可解釋、可理解、可被治理的 AI 系統」為核心，探討 xAI 技術如何支援使用者理解、信任與決策，而非僅止於模型層級的技術實作。
先修課程名稱

課程與核心能力關聯配比(%)			課程目標之教學方法與評量方法
課程目標	核心能力	配比(%)	教學方法	評量方法
學生修課後能夠： 理解 AI 模型不可解釋性的本質 掌握模型層與系統層的 xAI 方法 評估解釋對使用者信任與決策的影響 結合 LLM 與 xAI 建構可解釋 AI 系統	1.專業知能與實務應用 2.獨立探析 3.創新研究 4.領導溝通與團隊合作 5.社會責任與全球視野	40 20 10 20 10	專題探討/製作 網路/遠距教學 習作 討論 講授	書面報告 出席狀況 口頭報告 作業 實作 其他
授課內容(單元名稱與內容、習作/每週授課、考試進度-共16週加自主學習)
週次 授課內容 第1週 為什麼 AI 需要解釋？ 黑盒模型與可解釋性問題 第2週 傳統 xAI 方法（SHAP、LIME 概念） LIME（局部線性模型)、SHAP（特徵貢獻度） 第3週 深度模型的可解釋性 Grad-CAM（臉部情緒解釋） 第4週 Integrated Gradients（文本解釋） 可解釋性評估指標 第5週 LLM LLM 的可解釋性挑戰 第6週 LLM 作為解釋器（LLM-as-Explainer） 第7週 Vibe Coding：xAI 工具實作 第8週 期中專題 第9週 資料偏誤分析&特徵偏誤（Feature Bias） 第10週 模型不確定性（Uncertainty） 可信度分析與模型錯誤來源 第11週 多模態 xAI 多模態衝突（face vs text）特徵分析 第12週 使用者導向的解釋設計 解釋品質、信任與決策 第13週 xAI 與 Human-in-the-loop xAI 研究設計與評估方法 第14週 xAI 在產業決策的應用 第15週 xAI 研究設計與評估方法 第16週 期末專題 自主學習 內容    03.製作專題報告
學習評量方式
• 平時作業與實作：30% • 期中專題提案：20% • 期末專題成果：40% • 課堂參與與討論：10%
教科書＆參考書目(書名、作者、書局、代理商、說明)
課程教材（教師個人網址請列在本校內之網址）
iLearning
課程輔導時間
聯合國全球永續發展目標(連結網址)
04.教育品質 提供體驗課程：N

請尊重智慧財產權及性別平等意識，不得非法影印他人著作。
更新日期 西元年/月/日：2026/01/15 09:15:23	列印日期 西元年/月/日：2026 / 3 / 22
MyTB教科書訂購平台：http://www.mytb.com.tw/