要用 AI 制作闪卡和测验，先把模型限制在获批来源内，每题只生成一个可检验的知识点，并要求附答案、解释和来源定位。学习前逐题复核，不看提示先作答，再用错题日志修订或删除薄弱题目。目标是可靠的检索练习，而非尽可能大的卡组。

关键要点

生成题目前，先冻结允许使用的来源。

每张闪卡只聚焦一个可检索的知识点或判断。

题型和难度要与你需要证明的能力相匹配。

对照来源核验答案、干扰项、解释和定位。

删除含糊、琐碎、重复或有误导性的题目。

什么时候值得用 AI 制作闪卡和测验？

有用的题目考查重要内容，答案站得住脚，并能指明下一步。薄弱的题目可能看似精致，却考细枝末节、混杂几个事实、泄露答案，或依赖来源中从未出现的信息。

闪卡和测验的用途不同但有重叠。闪卡最适合简短的检索线索和紧凑的答案。测验可以考查识别、回忆、应用、比较、排序或诊断错误。两种形式本身都不能证明掌握；表现必须能迁移到真实任务中。

使用以下质量模型：

质量维度	通过条件	常见失败
来源忠实	答案有允许的来源和定位支持	用模型记忆补齐缺口
原子性	每题一个主要知识点或判断	一张卡要求整章内容
相关性	题目对应某个学习成果	有趣的琐碎知识占用复习时间
清晰度	只有一种合理理解	含糊的措辞制造假错误
检索价值	学习者必须产出或选出有意义的知识	题干重复了大部分答案
反馈	解释说明答案为何正确	答案只给一个字母
难度	挑战与预期表现相符	用表面回忆替代应用

UNESCO 建议对教育中的生成式 AI 进行以人为本、符合教学要求的验证。［1］这意味着生成速度不是成功标准；成功标准是经过复核的题目能否带来可信的练习和有用的反馈。

第一步：冻结来源和权限边界

列出 AI 可以使用的确切材料：某一章、课堂笔记、政策、术语表、例题，或教师批准的学习指南。给每个来源一个简短标识。告诉模型写“来源不支持”，而不是添加外部事实。

先确认上传权限。适用规则不允许时，不要把受保护的试题库、机密课程材料、个人记录或受版权保护的文本粘贴进服务。尽量少分享数据，必要时使用机构批准的环境。NIST 的生成式 AI 风险概况强调的隐私和信息完整性问题，同样适用于教育内容流程和组织系统。［2］

来源较长时按逻辑章节拆分，每个片段带上来源 ID 和页码范围。片段重叠有助保留上下文，但也可能产生重复卡片。按学习目标和答案含义去重，而不只比对字面措辞。

一开始的指令可以是：

只使用来源 A 和 B。每道题都必须附来源 ID，以及页码、章节、表格或例题定位。如果答案没有得到明确支持，就排除这道题。不要使用模型通用知识中的事实。

第二步：定义成果和题型蓝图

决定要测什么之前，别要求“50 张闪卡”。建立蓝图，把学习成果对应到题型和难度。真实考核要求解释或解题时，一叠定义卡只会制造虚假信心。

为每个成果选择一种认知动作：

回忆术语、关系、公式或步骤。
解释用自己的话说明某个机制。
比较按指定标准比较两个概念。
应用把规则用到新的例子上。
诊断找出错误或误解。
排序排列步骤并说明顺序为何重要。
评估对照证据或评分标准评判一项主张。

指定分布，而非笼统的难度标签。例如，词汇安排少量直接回忆题，核心成果安排更多应用题，再加几道需选择正确方法的综合案例。比例应反映真实任务，而非套用通用公式。

告诉模型不要测什么。排除装饰性的例子、导航文字、作为琐事的引用，以及超出所述成果的细节。这种“反向范围”往往和内容清单同样重要。

第三步：生成原子闪卡并绑定证据

闪卡要求每张只有一个主要检索目标。正面不看相邻卡片也能看懂；背面含最短的完整答案、必要时的简要解释和来源定位。

优先使用要求产出答案的提示：

“做 X 之前必须满足什么条件？”
“解释为什么 Y 并不意味着 Z。”
“在这个情境中下一步是什么？为什么？”
“给出这个概念的一个例子和一个反例。”
“什么证据可以区分 A 和 B？”

避免超长清单卡。学习者须回忆六个无关项目时，要么拆卡，要么用顺序本身有意义的排序卡。除非两个方向都代表有用技能，否则避免双向卡片；从定义认出术语与从术语说出定义是不同能力。

要求固定的结构：

字段	用途
题目 ID	跟踪修改和错误历史
学习成果	说明这张卡为何存在
正面	无提示的检索线索
背面	已核验的答案
解释	消除可能的混淆
来源定位	支持人工核对
难度	描述所需动作，而不是主观感受
状态	草稿、已核验、需修订或删除

第四步：制作答案唯一且干扰项合理的测验

需要无提示产出时用简答题。在几个似是而非的选项中选择本身就是技能的一部分、或需要快速诊断时，用选择题。考查应用用情境题；只有顺序重要时才用排序题。判断题少用，因为容易猜中，限定词也让措辞变得脆弱。

选择题的每个干扰项都应因已知原因而显得合理，代表一种误解、错误规则、不完整步骤或材料所支持的类别错误。否决随机或搞笑的干扰项；它们让正确答案一目了然，却考不到知识。

要求为每个选项给出理由：好的解析说明正确选项为何成立、每个干扰项为何不成立。然后核验这些理由。两个选项在不同假设下都说得通时，修改题干写明假设，或删除该题。

让正确答案位置有变化，但别把表面随机当作质量。检查有无线索，如最长选项总是正确、语法不一致、只有干扰项用绝对化措辞，或只有一个选项照抄原文而其他都很含糊。

第五步：学习前逐题核验

AI 系统可能生成自信的错误内容和不可靠的引用。NIST 把虚构和信息完整性列为需要衡量和管理的风险。［2］因此，在有人对照来源核查之前，题库始终处于草稿状态。

按以下顺序复核：

来源检查： 所引用的位置是否存在，并支持答案？
范围检查： 题目是否在获批的成果和材料范围内？
唯一答案检查： 在所述假设下，是否只有一个站得住脚的答案？
措辞检查： 不依赖隐藏背景，能否看懂题干？
难度检查： 题目是否考查了预期的动作？
反馈检查： 解释能否纠正可能的误解？
重复检查： 是否有另一道题把同样内容考得更清楚？

高利害培训或你缺乏学科专业知识时，请第二位复核人参与。不要靠一次 AI 检查去验证另一次 AI 生成；模型可能换个说法重复同样无依据的假设。

给每道草稿题一个结果：核验通过、修订或删除。删除琐碎、无依据、含糊、重复，或依赖无法获得的图片或背景的题目。小而干净的卡组比大而嘈杂的更有价值。

第六步：无提示作答，再分析错误

在看答案、解释或来源之前先作答。当真实技能需要产出时，就说出来或写下来。一瞬间“认得”的感觉，并不等于检索出来。

作答后，比较含义而不是字面措辞，除非确实要求一字不差。记录错误类型：

不知道；
知道但想不起来；
与相关概念混淆；
用错了步骤；
漏掉了条件或单位；
题目含糊；
答案解析错误或不完整；
猜对了。

最后三类是题库的质量信号，而不只是学习者的失误。在它的分数影响学习计划之前，先修好这道题。

检索练习研究支持反复回忆和之后的再学习，以获得持久的记忆。［3］间隔研究也表明，练习之间的间隔应与希望保持记忆的时长相关，而不是遵循一个通用的时间表。［4］如果有帮助，可以使用平台的排程功能，但底层的题目要由你自己判断。

第七步：按表现修订题库

一轮练习之后，同时复核学习者的错误和题目的表现。如果几乎所有人都答错某道题，它可能揭示了一个难懂的概念——也可能是题目本身有缺陷。在下结论之前，把它与来源、成果和措辞对照。

当题干提示太多、答案包含多个知识点，或者反复答对却从未迁移到新情境时，修订卡片。如果定义记住了却理解错了，就增加一个对比例子或应用题。不再能区分有用知识、或考查目标之外事实的题目，予以淘汰。

保留题目修改日志，记录 ID、原有问题、修订内容、证据和复核人。如果整套卡组重新生成，你就会丢失说明哪些题目可信的历史。应当有针对性地修改。

对于混合测验，按学习成果和错误类型比较表现。不要用一个总分掩盖某个关键的薄弱环节。可以把这些结果的脱敏摘要输入你的 AI 学习计划，但不要让不确定的题目左右排程决定。

导出时保留 provenance

导入闪卡或学习应用之前，保留来源 ID、定位、状态和版本等字段。只要多行文本和分隔符正确转义，一个简单的 CSV 就够用。批量导入前先测试几条记录。

不要把草稿题导入与已核验题目相同的活动卡组。使用复核状态或单独的集合。检查目标应用是否会改变 Markdown、数学公式、换行或答案顺序。

在应用之外也保存来源集合和复核记录。平台同步很方便，但持久可信的依据是获批的材料、已核验的题目内容和修订历史。

总结

只使用获批、允许使用的来源材料。
把每道题对应到一个学习成果和合适的题型。
闪卡保持原子化，测验答案唯一且站得住脚。
要求附上解释和精确的来源定位。
练习前逐题核验。
把含糊的题干和错误的答案当作题库缺陷。
用错误证据修订或删除薄弱的题目。
导出或安排复习时保留来源信息。

常见问题

AI 能从 PDF 制作可靠闪卡吗？

PDF 文本可读时，它能起草卡片，但你必须核验每个答案和定位。表格、公式、脚注、扫描件和多栏版面都可能被误读，因此能否从 PDF 制作可靠闪卡，取决于人工核验。

一张闪卡应该包含几个事实？

通常只包含一个可检索的主要知识点，或一个有意义的顺序。把互不相关的清单拆开，免得不完整的答案被误判为通过。

选择题适合学习吗？

当干扰项代表真实的误解、而任务需要辨别时，选择题很有用。无提示产出很重要时，把它与简答或应用练习结合。

可以让 AI 自行编写干扰项吗？

它可以提出干扰项，但每个选项都要核验。干扰项之所以错，应该有清楚的原因，而不是因为它荒谬或超出来源范围。

可以用 AI 测验分数调整学习计划吗？

只有在题目和答案解析都已核验之后才可以。排除含糊或有缺陷的题目，再按学习成果和错误类型查看 AI 测验分数，而不只看总分。

多久复习一次闪卡？

使用与所需记忆时长相匹配的间隔复习，并根据实际回忆情况调整。没有适用于所有学习者和学科的单一间隔。

总能答对的卡还要保留吗？

在确认延迟回忆和迁移表现之后，降低其频率或将其淘汰。把时间花在仍然薄弱的重要知识上更值得。

上传课程材料安全吗？

检查版权、课程规定、机构政策、隐私和服务的数据控制。不要上传受限的考试、机密材料或不必要的个人数据。

延伸阅读：

免责声明：AI 学习材料可能包含错误、含糊或无来源支持的题目与答案。请对照授权来源核验，并遵守机构的考核和材料使用规则。

来源：

UNESCO — Guidance for generative AI in education and research — https://www.unesco.org/en/articles/guidance-generative-ai-education-and-research
NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
Rawson and Dunlosky — Optimizing schedules of retrieval practice for durable and efficient learning — https://pubmed.ncbi.nlm.nih.gov/21707204/
Kornell — Optimising learning using flashcards: Spacing is more effective than cramming — https://onlinelibrary.wiley.com/doi/10.1002/acp.1537

Sources checked 2026 年 8 月 24 日。

如何用 AI 制作闪卡和测验：锁定来源、逐题核验，再按错题修订