運用生成式AI繪製出全台「非山非市學校」分布圖

「非山非市學校」是指不符合教育部「偏遠地區學校」認定標準，但教育資源條件仍相對不利、需要政府特別協助的學校。依教育部《教育部補助偏遠地區學校及非山非市學校教育經費作業要點》，非山非市學校正式定義為：「非偏遠地區學校，而經教育部核定教育資源需要協助之公立高級中等以下學校。」

之所以稱為「非山非市」，可以理解為這些學校往往處在教育資源分布的「中間地帶」：它們可能不在高山、離島或人口極度稀少的偏遠地區，因此無法被列入傳統「偏鄉學校」；但另一方面，也不像都會核心地區的學校那樣容易取得師資、交通、文化、數位設備與各種教育資源。

雖然教育部已公布「113至115學年度各地方政府所屬國中小非山非市及偏遠地區學校名冊」，但網路上卻仍難找到一張完整的「非山非市學校」分布圖。若能將這些學校標示在地圖上，將深具意義，因為它不僅能更直觀呈現學校的空間分布，也有助於看見傳統「都市／偏鄉」二分法之外，較不易被察覺的教育資源落差。

以下嘗試讓生成式 AI 協助處理 113 至 115 學年度「非山非市」學校名單，將國中小與高級中等學校共 471 筆資料，與既有的政府資料開放平臺所提供的「各級學校範圍圖」進行名稱比對與範圍擷取，最後產製可直接在 QGIS 使用的 Shapefile，並在QGIS軟體中人工補足缺漏資料並繪製出精美的主題地圖。

一、資料準備：三份資料組成這次的工作流程

補充：此次名單沒有需要使用 119 分帶處理的離島學校，因此使用提供的 121 分帶各級學校範圍圖即可完成這批資料的比對。

二、請AI協助學校名稱標準化

兩份 Excel 與 Shapefile 最大的問題，不是「有沒有學校名稱」，而是同一所學校在不同資料來源中，名稱寫法可能不同。例如名單寫「縣立三星國小」，範圍圖卻是「宜蘭縣三星鄉三星國民小學」；若直接使用文字完全相等（exact match），自然會大量比對失敗。

因此，先讓生成式 AI 協助檢查三份資料的欄位、筆數與名稱格式，再建立一套「校名標準化」規則。主要處理包括：

  • 移除或忽略主管機關與行政層級字樣，例如「縣立」、「市立」等；但「國立」高中仍保留作為校名辨識資訊。
  • 將常見簡稱展開，例如「國小」統一視為「國民小學」、「國中」統一視為「國民中學」。
  • 高級中等學校名稱中的「高級中等學校」與「高級中學」視情況正規化，避免只因正式名稱版本不同而漏配。
  • 移除名單中不是校名本體的補充文字，例如「(113-115學年新增)」。
  • 國中小比對時同時使用「縣市＋行政區＋標準化校名」，降低跨縣市同名學校誤配的可能；高中則以全名標準化後進行比對，再人工檢核。
  • 分校、分班名稱不直接併回本校，而是保留「中山分校」、「化育分校」、「外澳分班」等資訊，確保範圍圖對應到正確校址。

三、自動比對結果：471 筆中有 466 筆可以靠標準化名稱找到

完成名稱標準化後，先執行第一輪自動比對。結果顯示，471 筆非山非市學校中，有 466 筆可以直接透過標準化後的校名與行政區資訊找到對應的學校範圍。也就是說，大部分問題其實不需要複雜的 AI 語意推論，只要先把文字規則整理好，就能大幅提升匹配率。

四、人工校正

第一輪留下的少數未配對資料，再利用字串相似度、縣市與行政區資訊找出可能候選，接著逐筆人工確認。這一步很重要：生成式 AI 很擅長推測「最可能是哪一所」，但 GIS 資料一旦錯配，位置與範圍就會整個錯誤，因此不能只靠模糊比對分數自動決定。

名單名稱範圍圖名稱判斷原因
縣立內城國中小化育分校宜蘭縣員山鄉內城國民小學化育分校名單以「國中小」稱呼學校體系，圖層則以「國民小學化育分校」登錄。
縣立瓦瑤國小屏東縣新園鄉瓦磘國民小學「瑤／磘」為不同資料來源中的字形差異。
國立暨南大學附屬高級中學國立暨南國際大學附屬高級中學名單簡寫校名，範圍圖使用完整正式名稱。

五、外部查對

經過標準化與人工檢查後，仍有 2 筆在提供的「各級學校範圍圖」中找不到可以確認的對應範圍，就透過外部資源查找確認問題，例如 Google 檢索 或 國土測繪圖資雲平臺：

  • 宜蘭縣頭城鎮｜縣立頭城國小外澳分班：已經廢校。
  • 高雄市大樹區｜市立水寮國小：各級學校範圍圖漏標。

六、處理一校多筆範圍圖形

學校範圍圖中，有些學校因校區被道路切割、資料建置方式或不同地塊，而在原始 Shapefile 中出現兩筆以上幾何。本次共有 11 所已匹配學校屬於這種情況。

為避免後續在 QGIS 統計或符號化時把同一所學校重複計數，亦請 AI 以「名單中的學校」為單位，將同一學校的多筆範圍進行 Dissolve／Union，最後每所學校只保留一筆要素；若範圍不相連，幾何型態則自然保留為 MultiPolygon。

七、輸出 GIS 圖層

完成 469 所學校的空間擷取與合併後，輸出為一份新的 Shapefile，座標系統沿用原始圖層的 EPSG:3826。輸出時不只保留幾何，也把後續製圖與查核需要的屬性一併帶入，例如：教育階段、縣市、行政區、名單中的學校名稱、來源圖層校名、比對方式與來源 OBJECTID。

這樣做的好處是，若未來在地圖上發現某所學校位置或形狀異常，可以回頭查出它是「標準化名稱自動匹配」還是「人工校正」，也可以追溯到原始圖層的 OBJECTID，而不是只剩下一張無法檢查來源的結果圖。

同時，也可以將整個流程濃縮成一套可重複使用的 SOP。

八、利用 QGIS 繪製主題地圖

將「非山非市各級學校範圍圖.shp」從面資料轉換成點資料，在人工補數化高雄市立水寮國小點位，就完成 470 筆全台非山非市各級學校點位，之後就可以繪製出以下全台「非山非市學校」分布圖。

全台「非山非市學校」分布圖
臺北周邊地區「非山非市」學校的空間位置與周邊聚落。

原本兩份「非山非市學校」資料只是 Excel 名單，經過校名標準化、空間比對、人工校正與多邊形整併後，最後轉換成可以直接在 GIS 中顯示與分析的學校範圍。當這些學校真正被放到地圖上，接下來就能從空間角度觀察它們集中在哪些地區、與都市化程度、交通可及性、人口分布或教育資源之間可能有什麼關係。

更有意思的是，這整套流程其實可以重複套用到其他教育政策名單：偏遠地區學校、原住民族地區學校、實驗教育學校，甚至校園防災、數位學習或教育資源補助名單。只要有一份可信的學校清單，加上一份可用的學校空間底圖，就能把「表格中的政策分類」轉變成「地圖上的空間問題」。這正是 GIS 最擅長做的事情，而生成式 AI 則讓前面的資料整理門檻降低了許多。