要用 AI 製作溫習卡和測驗，先把模型限制在獲批的來源材料內，每題只產生一個可檢驗的知識點，並要求附上答案、解釋和來源定位。溫習前逐題覆核，不看提示先作答，再以錯題記錄修訂或刪除薄弱的題目。目標是可靠的提取練習，而非盡可能龐大的卡組。

關鍵要點

產生題目前，先凍結准許使用的來源。

每張溫習卡只聚焦一個可提取的知識點或判斷。

題型和難度要配合你需要證明的能力。

對照來源核實答案、干擾項、解釋和定位。

刪除含糊、瑣碎、重複或具誤導性的題目。

甚麼時候值得用 AI 製作溫習卡和測驗？

有用的題目考查重要內容，答案站得住腳，並能指出下一步。薄弱的題目或許看似精緻，卻考細枝末節、混雜幾項事實、洩露答案，或依賴來源中從未出現的資料。

溫習卡和測驗用途不同但互有重疊。溫習卡最適合簡短的提取線索和精簡的答案；測驗可考查辨認、回憶、應用、比較、排序或診斷錯誤。兩種形式本身都不能證明已掌握；表現必須能轉移到真實任務。

採用以下質量模型：

質量維度	通過條件	常見失敗
來源忠實	答案有准許的來源和定位支持	以模型記憶補上缺口
原子性	每題一個主要知識點或判斷	一張卡要求整章內容
相關性	題目對應某項學習成果	有趣的瑣碎資料佔用溫習時間
清晰度	只有一種合理理解	含糊字句製造假錯誤
提取價值	學習者須產出或選出有意義的知識	題幹重複了大部分答案
回饋	解釋說明答案為何正確	答案只給一個字母
難度	挑戰與預期表現相符	以表面回憶代替應用

UNESCO 建議對教育中的生成式 AI 作以人為本、符合教學要求的驗證。［1］這代表產生速度不是成功標準；成功標準是經覆核的題目能否帶來可信的練習和有用的回饋。

第一步：凍結來源和權限邊界

列出 AI 可使用的確切材料：某一章、課堂筆記、政策、詞彙表、例題，或老師批准的溫習指引。為每個來源設一個簡短識別碼。告訴模型寫「來源不支持」，而不是加入外部事實。

先確認上載權限。適用規則不容許時，不要把受保護的試題庫、機密課程材料、個人記錄或受版權保護的文字貼進服務。盡量少分享資料，有需要時使用機構批准的環境。NIST 的生成式 AI 風險概況所強調的私隱和資訊完整性問題，同樣適用於教育內容流程和機構系統。［2］

來源較長時，按邏輯章節拆分，每個片段都附上來源 ID 和頁碼範圍。片段重疊有助保留上下文，但也可能產生重複的卡。按學習目標和答案含義去重，而不只比對字面措辭。

起始指示可以是：

只使用來源 A 和 B。每道題都必須附上來源 ID，以及頁碼、章節、表格或例題定位。如果答案沒有得到明確支持，就排除該題。不要使用模型一般知識中的事實。

第二步：定義成果和題型藍圖

在決定要考甚麼之前，不要要求「50 張溫習卡」。建立一份藍圖，把學習成果對應到題型和難度。如果真實評核要求解釋或解題，一疊定義卡只會製造虛假的信心。

為每項成果選擇一種認知動作：

回憶術語、關係、公式或步驟。
解釋以自己的說法闡明某個機制。
比較按指定準則比較兩個概念。
應用把規則用於新的例子。
診斷找出錯誤或誤解。
排序排列步驟並說明次序為何重要。
評估對照證據或評分準則評判一項主張。

訂明分佈，而非籠統的難度標籤。例如，詞彙部分安排少量直接回憶題，核心成果安排較多應用題，再加幾道需選擇正確方法的綜合個案。比例應反映真實任務，而不是套用通用公式。

告訴模型不要考甚麼。排除裝飾性的例子、導覽文字、當作瑣事的引用，以及超出所述成果的細節。這種「反向範圍」往往與內容清單同樣重要。

第三步：生成原子溫習卡並綁定證據

溫習卡要求每張只有一個主要提取目標。正面應在不看相鄰卡的情況下也能看懂；背面應包含最短的完整答案、有需要時的簡短解釋，以及來源定位。

優先使用要求產出答案的提示：

「進行 X 之前必須符合甚麼條件？」
「解釋為何 Y 並不代表 Z。」
「在這個情境中下一步是甚麼？為甚麼？」
「舉出這個概念的一個例子和一個反例。」
「甚麼證據可以區分 A 和 B？」

避免超長的清單卡。如果學習者必須回憶六個互不相關的項目，要麼拆卡，要麼使用次序本身有意義的結構化排序卡。除非兩個方向都代表有用的技能，否則避免雙向卡；由定義認出術語，與由術語說出定義，是不同的能力。

要求固定的結構：

欄位	用途
題目 ID	追蹤修改和錯誤紀錄
學習成果	說明這張卡為何存在
正面	無提示的提取線索
背面	已核實的答案
解釋	釐清可能的混淆
來源定位	支援人工核對
難度	描述所需動作，而非主觀感受
狀態	草稿、已核實、需修訂或刪除

第四步：製作答案唯一、干擾項合理的測驗

需要無提示產出時，用簡答題。在幾個似是而非的選項中作出選擇本身就是技能的一部分，或需要快速診斷時，用選擇題。考查應用時用情境題；只有次序重要時才用排序題。是非題要少用，因為容易估中，限定字眼也會令措辭變得脆弱。

選擇題的每個干擾項都應因某個已知原因而顯得合理，代表一種誤解、錯誤規則、不完整步驟，或材料所支持的類別錯誤。否決隨機或搞笑的干擾項；它們令正確答案一目了然，卻考不到知識。

要求為每個選項提供理由。好的答案解析會說明正確選項為何成立，以及每個干擾項為何不成立。然後核實這些理由。如果兩個選項在不同假設下都說得通，就修改題幹寫明假設，或刪除該題。

令正確答案的位置有所變化，但不要把表面的隨機當作質素。檢查有否線索，例如最長的選項總是正確、文法不一致、只有干擾項使用絕對化字眼，或只有一個選項照抄原文而其他選項都很含糊。

第五步：學習前逐題覆核

AI 系統可能產生肯定卻錯誤的內容和不可靠的引用。NIST 把虛構和資訊完整性列為需要量度和管理的風險。［2］因此，在有人對照來源核查之前，題庫一直屬於草稿。

按以下次序覆核：

來源檢查： 所引用的位置是否存在，並支持答案？
範圍檢查： 題目是否在獲批的成果和材料範圍內？
唯一答案檢查： 在所述假設下，是否只有一個站得住腳的答案？
措辭檢查： 不依賴隱藏背景，能否看懂題幹？
難度檢查： 題目是否考查預期的動作？
回饋檢查： 解釋能否糾正可能的誤解？
重複檢查： 是否另有題目把同一內容考得更清楚？

高風險的培訓，或你欠缺學科專業知識時，請第二位覆核人參與。不要依賴一次 AI 檢查去驗證另一次 AI 產生的內容；模型可能換個說法重複同樣沒有根據的假設。

為每道草稿題給出一個結果：核實通過、修訂或刪除。刪除瑣碎、無根據、含糊、重複，或依賴無法取得的圖片或背景的題目。一套細小而乾淨的卡組，比一套龐大而雜亂的更有價值。

第六步：無提示作答，再分析錯誤

在查看答案、解釋或來源前先作答。真實技能需要產出時，就說出來或寫下來。一瞬間「認得」的感覺，並不等於提取出來。

作答後比較含義而非字面措辭，除非確實要求一字不差。記錄錯誤類型：

不知道；
知道但想不起；
與相關概念混淆；
用錯程序；
漏了條件或單位；
題目含糊；
答案解析錯誤或不完整；
估中。

最後三類是題庫的質素訊號，不只是學習者的失誤。在其分數影響溫習計劃前，先修正題目。

提取練習研究支持反覆回憶和其後重新學習，以達致持久記憶。［3］間隔研究亦顯示，練習之間的間隔應與希望保持記憶的時間相關，而不是依循單一的通用時間表。［4］如有幫助，可使用平台的排程功能，但底層題目要由你自己判斷。

第七步：按表現修訂題庫

一輪練習後，同時覆核學習者的錯誤和題目的表現。如果幾乎所有人都答錯某題，它可能揭示了一個難懂的概念——也可能是題目本身有缺陷。下結論前，把它與來源、成果和措辭對照。

當題幹提示太多、答案包含多個知識點，或多次答對卻從未轉移到新情境時，修訂卡片。記得定義卻理解錯誤時，加入對比例子或應用題。不再能分辨有用知識，或考查目標以外事實的題目，應予淘汰。

保存題目修改記錄，包括 ID、原有問題、修訂內容、證據和覆核人。如果重新產生整套卡組，便會失去說明哪些題目可信的歷史。應針對性地修改。

混合測驗要按學習成果和錯誤類型比較表現。不要以一個總分掩蓋某個關鍵的薄弱環節。可把結果的脫敏撮要輸入你的 AI 學習計劃，但不要讓不確定的題目左右排程決定。

匯出時保留 provenance

匯入溫習卡或學習應用程式前，保留來源 ID、定位、狀態和版本等欄位。只要多行文字和分隔符正確轉義，一個簡單的 CSV 已足夠。批量匯入前先測試幾筆記錄。

不要把草稿題匯入與已核實題目相同的使用中卡組。使用覆核狀態或獨立的集合。檢查目標應用程式會否改變 Markdown、數學符號、換行或答案次序。

在應用程式以外亦保存來源集合和覆核記錄。平台同步很方便，但持久可信的依據是獲批的材料、已核實的題目內容和修訂歷史。

總結

只使用獲批、准許使用的來源材料。
把每道題對應到一項學習成果和合適的題型。
溫習卡保持原子化，測驗答案唯一而站得住腳。
要求附上解釋和精確的來源定位。
練習前逐題核實。
把含糊的題幹和錯誤的答案視為題庫缺陷。
以錯誤證據修訂或刪除薄弱的題目。
匯出或安排溫習時保留來源資料。

常見問題

AI 能從 PDF 製作可靠溫習卡嗎？

PDF 文字可讀時，它能草擬溫習卡，但你必須核實每個答案和定位。表格、公式、註腳、掃描檔和多欄版面都可能被誤讀，所以能否從 PDF 製作可靠溫習卡，取決於人工核實。

一張卡應包含多少事實？

通常只包含一個可提取的主要知識點，或一個有意義的次序。把互不相關的清單拆開，以免不完整的答案被誤判為通過。

選擇題適合學習嗎？

當干擾項代表真實的誤解，而任務需要辨別時，選擇題很有用。無提示產出很重要時，把它與簡答或應用練習結合。

可以讓 AI 自行編寫干擾項嗎？

它可以提出干擾項，但每個選項都要核實。干擾項之所以錯，應有清楚的原因，而不是因為荒謬或超出來源範圍。

可用 AI 測驗分數調整計劃嗎？

只有在題目和答案解析都已核實後才可以。排除含糊或有缺陷的題目，再按學習成果和錯誤類型查看 AI 測驗分數，而不只看總分。

多久溫習一次？

使用與所需記憶時間相配的間隔溫習，並按實際回憶情況調整。沒有適用於所有學習者和科目的單一間隔。

總能答對的卡還要保留嗎？

確認延遲回憶和轉移表現後，降低其頻率或予以淘汰。把時間花在仍然薄弱的重要知識上更值得。

上載課程材料安全嗎？

檢查版權、課程規則、機構政策、私隱和服務的資料控制。不要上載受限的考試、機密材料或不必要的個人資料。

延伸閱讀：

免責聲明：AI 學習材料可能包含錯誤、含糊或無來源支持的題目與答案。請對照獲授權來源覆核，並遵守機構的考核和材料使用規則。

來源：

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 製作溫習卡和測驗：綁定來源、學前覆核，按錯題改善題庫