# 生活世界能力轉化論 07：從考試到能力證據 ## AI-Off、AI-On 與真實世界生產 ### Life-World Capability Transformation 07: From Exams to Capability Evidence — AI-Off, AI-On, and Real-World Production **系列：** 生活世界能力轉化論（Life-World Capability Transformation Series, LWCT） **Paper：** 07 / 08 **作者：** Neo.K **AI 協作整理：** Aletheia / GPT-5.6 Sol **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-10-08 **文件性質：** 理論論文／AI 時代評量制度／能力證據與真實世界生產框架 **Evidence status：** THEORETICAL FRAMEWORK / INSTITUTIONAL DESIGN PROPOSAL / EMPIRICAL VALIDATION REQUIRED **Canonical source：** UTF-8 Markdown --- ## 摘要 LWCT-06 已建立 AI 時代的漸進自治教育架構： $$ \text{SharedCoreInstruction} + \text{HumanMentorship} + \text{AIPersonalScaffolding} + \text{GoalDirectedLearning} + \text{ProgressiveAutonomy}. $$ 一旦 AI 成為常態學習與工作環境的一部分，傳統「考試時一律禁止 AI」與「所有任務都允許 AI」都會同時失真。前者可能低估人在真實工作環境中的增強能力，後者則無法判斷學生究竟內化了多少知識、是否具有獨立判斷與驗證能力。 本文提出 AI 時代的四層能力評量架構： $$ \boxed{ A_0 = \text{HumanOnly} } $$ $$ \boxed{ A_1 = \text{Human} + \text{BoundedAI} } $$ $$ \boxed{ A_2 = \text{Human} + \text{OpenAI} } $$ $$ \boxed{ A_3 = \text{Artifact} + \text{Defense} } $$ 其中： - $A_0$ 測量內化能力； - $A_1$ 測量受約束的人機協作； - $A_2$ 測量真實工作環境中的增強生產能力； - $A_3$ 透過作品、過程記錄、口試、反事實修改與現場辯護，判斷學生是否真正理解並能承擔其成果。 本文進一步提出： $$ \boxed{ \text{InternalCapability} \neq \text{AugmentedCapability} } $$ 以及： $$ \boxed{ \text{OutputQuality} \neq \text{HumanUnderstanding}. } $$ 因此，AI 時代的評量不應尋找一個單一分數，而應建立「能力證據向量」。 本文也將評量與真實世界生產連接。當 AI 顯著降低執行成本後，學生不必等到畢業才第一次產生對外部世界有用的作品。教育可以形成： $$ \text{StudentIntent} + \text{AIExecution} + \text{TeamCoordination} + \text{TeacherMentorship} \rightarrow \text{UsablePrototype}. $$ 但學生不必承擔完整企業級產品生命週期。更完整的產品可以沿著： $$ \text{StudentPrototype} \rightarrow \text{MarketOrSocialValidation} \rightarrow \text{ProfessionalHandoff} \rightarrow \text{ProductionGradeProduct} $$ 持續發展。 本文因此提出「學生產品」作為一種可明確標示的市場與社會作品類型。其價值不必等於成熟商業產品，而在於學生可以提前形成： $$ \text{Problem} \rightarrow \text{Intent} \rightarrow \text{Prototype} \rightarrow \text{Evidence}. $$ 最後，本文指出評量與生產不應把教育全面市場化。真實世界成果可以是商業產品，也可以是研究、藝術、公共知識、開源工具、社區服務、文化保存與其他非市場成果。教育真正需要的是： $$ \boxed{ ConsequenceOutsideClassroom>0 } $$ 而不是： $$ Revenue>0. $$ 下一篇將完成 LWCT 系列，處理「學校為什麼仍然需要存在」以及社交、共同工作、合作、互依、責任與受保護真實社會的制度功能。 **關鍵詞：** AI 評量、能力證據、AI-Off、AI-On、人機協作、內化能力、增強能力、學生產品、真實世界生產、口試、作品辯護、LWCT --- # 1. 問題的提出：AI 時代還能不能用同一種考試測所有能力？ 傳統評量通常假設： $$ \text{Assessment} \approx \text{HumanPerformanceWithoutExternalHelp}. $$ 這種模型在某些能力上仍然有效。 例如： - 基礎語言； - 基礎數學； - 核心概念； - 基本推理； - 基本事實理解。 但未來真實工作環境更接近： $$ \boxed{ \text{Human} + AI + \text{Software} + \text{Database} + \text{Network} + \text{Team}. } $$ 因此，如果教育只測： $$ \text{HumanOnly}, $$ 就可能低估： $$ \text{RealWorldCapability}. $$ 但如果所有評量都允許： $$ \text{OpenAI}, $$ 又會失去對： $$ \text{InternalCapability} $$ 的觀察。 所以： $$ \boxed{ \text{OneAssessmentMode} \neq \text{AllCapabilityTypes}. } $$ --- # 2. 兩種能力必須分離 本文首先區分： $$ \boxed{ \text{InternalCapability} } $$ 與： $$ \boxed{ \text{AugmentedCapability}. } $$ 其中： $$ \text{InternalCapability} $$ 表示： > 個體在不依賴外部智能代理時，能否自行理解、重建、推理與執行。 而： $$ \text{AugmentedCapability} $$ 表示： > 個體在 AI、工具、資料與協作環境中，實際能完成什麼。 所以： $$ \boxed{ \text{InternalCapability} \neq \text{AugmentedCapability}. } $$ --- # 3. 為什麼兩者都重要？ 如果只重視： $$ \text{InternalCapability}, $$ 則會忽略真實世界中： $$ \text{ToolUse} $$ 本身就是能力。 如果只重視： $$ \text{AugmentedCapability}, $$ 則學生可能變成： $$ \text{AIOutput} \rightarrow \text{Submission} $$ 而沒有： $$ \text{Understanding}. $$ 因此： $$ \boxed{ \text{EducationAssessment} = \text{InternalEvidence} + \text{AugmentedEvidence}. } $$ --- # 4. 第一層：AI-Off Assessment 定義： $$ \boxed{ A_0 = \text{HumanOnly}. } $$ 此模式禁止： - AI； - 搜尋； - 外部資料庫； - 未授權工具。 目的不是模擬真實工作。 而是測： $$ \text{InternalizedCapability}. $$ --- # 5. AI-Off 應該測什麼？ 適合測： - 基本概念； - 基本計算； - 核心語言； - 基本推理； - 必須即時掌握的安全知識； - 後續驗證所需最低內在模型。 因此： $$ \boxed{ A_0 } $$ 的問題不是： > 你能不能不用 AI 做所有工作？ 而是： > 你是否具有足夠內化能力，不至於完全失去判斷？ --- # 6. 內化能力是 AI 驗證的前提之一 如果： $$ InternalModel_i\rightarrow0, $$ 則： $$ VerificationAbility_i\downarrow. $$ 因此： $$ \boxed{ \text{ZeroInternalization} } $$ 可能導致： $$ \text{BlindAIDependence}. $$ 所以 AI 時代不等於： $$ Memorization=0. $$ 而是重新區分： > 哪些知識必須內化？ 與： > 哪些資訊可以安全外部化？ --- # 7. 第二層：Bounded AI Assessment 定義： $$ \boxed{ A_1 = \text{Human} + \text{BoundedAI}. } $$ 學生可以使用 AI。 但有： - 指定模型； - 指定資料； - 指定時間； - 指定工具； - 操作記錄； - 提示詞紀錄； - 禁止部分外部來源。 --- # 8. Bounded AI 測的是協作能力 此模式主要測： $$ \boxed{ \text{HumanAICollaboration}. } $$ 例如： - 問題拆解； - 指令設計； - AI 錯誤辨識； - 多步驟協作； - 來源檢查； - 結果修正； - 工具選擇。 因此： $$ A_1 $$ 不是： > 看誰最會叫 AI 幫忙。 而是： $$ \boxed{ CanTheStudentUseAIWithoutLosingControl? } $$ --- # 9. 第三層：Open AI Assessment 定義： $$ \boxed{ A_2 = \text{Human} + \text{OpenAI}. } $$ 允許： - 多模型； - 搜尋； - Agent； - 程式； - 資料庫； - 自動化； - 協作工具。 只要遵守： - 安全； - 法律； - 授權； - 揭露； - 任務限制。 --- # 10. Open AI 評量的問題不同 此時問題不再是： > 你自己會不會做？ 而是： $$ \boxed{ CanYouProduceTheRequiredOutcome? } $$ 這更接近： $$ \text{RealWorldProduction}. $$ 例如： - 做出可運行軟體； - 完成資料分析； - 解決工程問題； - 做出設計； - 建立研究報告； - 完成社區方案。 --- # 11. 第四層：Artifact + Defense 定義： $$ \boxed{ A_3 = \text{Artifact} + \text{Defense}. } $$ 這一層尤其重要。 因為 AI 時代： $$ \text{ArtifactQuality} $$ 可能很高。 但： $$ \text{HumanUnderstanding} $$ 未必同步提高。 所以： $$ \boxed{ \text{OutputQuality} \neq \text{HumanUnderstanding}. } $$ --- # 12. Defense 的目的 Defense 可以包含： - 口試； - 現場解釋； - 反事實修改； - 找出錯誤； - 更換條件； - 即時修正； - 原理辯護。 例如： > 如果這個 API 被移除怎麼辦？ > 如果資料分布改變呢？ > 為什麼選這個方法？ > 哪一段是 AI 做的？ > 哪一段你不同意 AI？ --- # 13. 反事實修改比背答案更有鑑別力 如果學生真正理解： $$ \text{System}, $$ 則在： $$ \text{Condition} \rightarrow Condition' $$ 後，仍能調整： $$ \text{Solution} \rightarrow Solution'. $$ 因此： $$ \boxed{ \text{CounterfactualModification} } $$ 是 AI 時代重要評量方法。 --- # 14. 四層評量不是難度階梯 不能理解成： $$ A_0 由學生／學生團隊在教育環境中完成。 因此市場與使用者可以調整： $$ \text{Expectation}. $$ --- # 26. 為什麼學生產品可以存在？ 市場本來就存在： - indie； - beta； - prototype； - open source； - research preview； - early access。 因此： $$ \boxed{ \text{ProductMarket} } $$ 本來就不是只有一個品質層。 所以： $$ \text{StudentProduct} $$ 也可以成為一種明確層級。 --- # 27. 學生產品的核心價值 學生不一定能完成： - 法務； - 資安； - 規模化； - 長期維護； - 客服； - 供應鏈。 但可以完成： $$ \boxed{ \text{Problem} \rightarrow \text{Intent} \rightarrow \text{Prototype} \rightarrow \text{Evidence}. } $$ 這已經具有真實價值。 --- # 28. AI 使意圖到原型距離下降 定義： $$ D_{I\rightarrow A} $$ 為： $$ \text{Intent} $$ 到： $$ \text{Artifact} $$ 之間的執行距離。 AI 使： $$ D_{I\rightarrow A}\downarrow. $$ 因此： $$ \boxed{ \text{MorePeopleCanPrototype}. } $$ 學生自然包含其中。 --- # 29. 學生不必成為完整公司 教育不應強迫： $$ \text{Student} \rightarrow \text{Founder}. $$ 學生可以只做到： $$ \text{Prototype}. $$ 後續由： $$ \text{ProfessionalSector} $$ 接手。 因此： $$ \boxed{ \text{StudentPrototype} \rightarrow \text{ProfessionalHandoff}. } $$ --- # 30. 專業接手鏈 完整鏈可以表示： $$ \text{StudentIntent} \rightarrow \text{StudentAIPrototype} \rightarrow \text{Validation} \rightarrow \text{ProfessionalHandoff} \rightarrow \text{ProductionGrade}. $$ 其中： $$ \text{ProfessionalHandoff} $$ 可以由： - 企業； - 新創； - 公共機構； - 大學實驗室； - 開源社群； 承接。 --- # 31. 市場驗證不等於一定商業化 $$ \text{Validation} $$ 可以是： - 有人願意用； - 社區願意採用； - 研究可重現； - 使用者問題被改善； - 公共資料被使用。 所以： $$ \boxed{ \text{Validation} \neq \text{RevenueOnly}. } $$ --- # 32. 非市場作品同樣可以是真實成果 學生也可以生產： - 公共知識； - 科學資料； - 藝術； - 音樂； - 文學； - 地方史； - 無障礙工具； - 生態紀錄； - 社區服務。 因此： $$ \boxed{ \text{RealWorldProduction} \neq \text{CommercialProduction}. } $$ --- # 33. 教育不應全面功利化 本文不主張： $$ \text{Education} = \text{MarketTraining}. $$ 更完整是： $$ \boxed{ \text{Education} = \text{HumanFormation} + \text{Knowledge} + \text{Exploration} + \text{Socialization} + \text{Creation} + \text{RealWorldParticipation}. } $$ 市場只是其中一種回饋來源。 --- # 34. 真實世界的最低判準 本文提出一個非常弱但重要的判準： $$ \boxed{ ConsequenceOutsideClassroom>0. } $$ 也就是： > 學生的作品至少有機會被教室外的人看見、使用、回應或受到影響。 --- # 35. 為什麼「只做給老師看」資訊量不足？ 若： $$ \text{Audience} = \text{TeacherOnly}, $$ 學生學到的是： $$ \text{OptimizeForTeacher}. $$ 但真實世界具有： $$ \text{MultipleStakeholders}. $$ 因此： $$ \boxed{ \text{ExternalAudience} } $$ 可以增加： $$ \text{FeedbackDiversity}. $$ --- # 36. 真實使用者回饋 若學生做： $$ Artifact_i, $$ 真正使用者可以提供： $$ Feedback_i. $$ 例如： > 看不懂。 > 速度太慢。 > 其實不需要。 > 很有用。 這些訊號不是教師能完全模擬。 --- # 37. 真實失敗的教育價值 如果作品： $$ \text{Failure}, $$ 但學生能分析： $$ \text{WhyFailure}, $$ 則： $$ LearningValue>0. $$ 因此： $$ \boxed{ \text{ProjectFailure} \neq \text{EducationalFailure}. } $$ --- # 38. 商業失敗也不等於能力失敗 一個產品可能因： - 市場太小； - 時機； - 行銷； - 法規； - 資金； 失敗。 但技術本身可能很好。 所以： $$ \boxed{ \text{MarketOutcome} \neq \text{CapabilityScore}. } $$ 評量仍需多維。 --- # 39. 團隊產出如何評量？ 如果： $$ \text{TeamArtifact} $$ 由多人完成， 不能直接： $$ \text{TeamScore} = \text{IndividualScore}. $$ 應拆為： $$ \boxed{ \text{Assessment} = \text{TeamOutcome} + \text{IndividualContribution} + \text{IndividualGrowth}. } $$ --- # 40. 團隊貢獻不必平均 真實團隊不要求： $$ Contribution_1 = Contribution_2 = \cdots. $$ 重點是： - 分工合理； - 角色清楚； - 貢獻可說明； - 有互相依賴。 因此： $$ \boxed{ \text{UnequalContribution} \neq \text{UnfairContribution}. } $$ --- # 41. 角色輪換與角色專精 教育團隊可以同時允許： $$ \text{RoleRotation} $$ 與： $$ \text{RoleSpecialization}. $$ 初期： $$ RoleRotation\uparrow $$ 幫助探索能力。 後期： $$ Specialization\uparrow $$ 提高真實產出。 --- # 42. 個人專案仍然重要 不是所有人都適合： $$ \text{TeamProject}. $$ 所以： $$ \boxed{ \text{Individual} \oplus \text{Team} \oplus \text{Hybrid}. } $$ 三者都應存在。 --- # 43. 個人專案也可以有外部依賴 即使個人完成主要作品， 仍可能使用： - mentor； - AI； - 開源套件； - 測試者； - 專業服務。 因此： $$ \boxed{ \text{IndividualAuthorship} \neq \text{ZeroInterdependence}. } $$ --- # 44. 高能力學生與弱勢學生 真實專案制度若設計不好，可能放大： $$ \text{CapabilityGap}. $$ 強者容易： $$ \text{GetSelected}. $$ 弱者容易： $$ \text{Excluded}. $$ 因此學校需要： $$ \boxed{ \text{ProtectedParticipation}. } $$ --- # 45. Protected Participation 若學生目前： $$ Performance\downarrow, $$ 仍可透過： - 教師組隊； - 混合能力小組； - 公共任務池； - 輔助角色； - AI 支架； - 低難度真實任務； 進入： $$ \text{RealParticipation}. $$ 因此： $$ \boxed{ \text{LowCurrentPerformance} \neq \text{ExclusionFromReality}. } $$ --- # 46. 評量應區分結果與進步 令： $$ Outcome_i $$ 為成果品質。 令： $$ Growth_i $$ 為學習成長。 則： $$ Assessment_i $$ 可以同時包含： $$ Outcome_i + Growth_i. $$ 因此新手不必與高手只比： $$ \text{AbsoluteOutput}. $$ --- # 47. AI 使用紀錄的作用 AI 使用紀錄不應只是監控。 可以分析： - 學生何時求助； - 是否接受錯誤答案； - 是否驗證； - 是否反駁 AI； - 是否重新設計 prompt； - 是否自己補完。 所以： $$ \boxed{ \text{AITrace} } $$ 可以成為： $$ \text{LearningEvidence}. $$ --- # 48. 但不應永久保存全部私人思考 如果把所有 AI 對話： $$ \text{PermanentRecord}, $$ 可能侵犯： $$ \text{CognitivePrivacy}. $$ 因此： $$ \boxed{ \text{AssessmentEvidence} \neq \text{TotalSurveillance}. } $$ 只保留與評量必要的： $$ \text{MinimalEvidence}. $$ --- # 49. 學生應有重審權 如果 AI 或教師判斷： $$ Capability_i=Low, $$ 學生應可： $$ \text{Appeal}. $$ 透過： - 新作品； - 現場測試； - 口試； - 重做。 因此： $$ \boxed{ \text{Assessment} } $$ 不應是不可逆標籤。 --- # 50. 能力證據可以累積 未來學生的能力紀錄可以是： $$ \text{EvidencePortfolio} = \{ \text{Exam}, \text{Project}, \text{Defense}, \text{Teamwork}, \text{RealUse}, \text{Research} \}. $$ 因此： $$ \boxed{ \text{Credential} \rightarrow \text{EvidencePortfolio}. } $$ 不是取消學位。 而是增加更高解析度證據。 --- # 51. 學歷與作品可以並存 $$ \text{Degree} $$ 仍然可以代表： - 完成長期學習； - 基礎知識； - 專業倫理； - 制度認證。 而： $$ \text{Portfolio} $$ 表示： - 實際產出； - 個人風格； - 真實能力。 所以： $$ \boxed{ \text{Degree} + \text{Portfolio}. } $$ --- # 52. AI 時代評量的核心不是抓作弊 如果教育只聚焦： $$ \text{HowToCatchAIUse}, $$ 就錯過更大的問題： $$ \boxed{ WhatCapabilityShouldBeMeasured? } $$ 先定義能力， 再決定： $$ AIAllowed? $$ --- # 53. 不同學科可以有不同 AI 邊界 例如數學基礎課： $$ A_0 $$ 比重高。 軟體工程： $$ A_2 $$ 比重高。 研究方法： $$ A_1+A_2+A_3. $$ 因此： $$ \boxed{ \text{OneAIPolicyForAllCourses} } $$ 通常不合理。 --- # 54. 年齡也會影響 AI 使用邊界 低年齡學生： $$ A_0 $$ 與： $$ A_1 $$ 比重可以較高。 高年齡： $$ A_2, A_3 $$ 逐步增加。 因此： $$ \boxed{ \text{AssessmentAutonomy} } $$ 也應漸進。 --- # 55. 真實生產與責任教育 一旦學生作品進入世界， 就會碰到： - 隱私； - 安全； - 著作權； - 誤導； - 維護； - 使用者傷害。 因此： $$ \boxed{ \text{Production} \rightarrow \text{Responsibility}. } $$ 這本身就是教育。 --- # 56. 「做出來」不是唯一成功 學生還要學： $$ ShouldWeBuildIt? $$ 因此： $$ \boxed{ \text{Capability} + \text{Judgment}. } $$ AI 時代尤其重要。 --- # 57. 專業接手也必須有責任界面 如果： $$ \text{StudentPrototype} \rightarrow \text{ProfessionalHandoff}, $$ 則必須明確區分： - 原始作者； - 維護者； - 法律責任； - 安全審查； - 授權。 因此： $$ \boxed{ \text{Handoff} } $$ 不是簡單把檔案交出去。 而是制度接口。 --- # 58. 學生權益 若學生產品具有商業價值， 學校或企業不能預設： $$ \text{StudentIP} \rightarrow \text{InstitutionOwnership}. $$ 應事先說明： - 智慧財產； - 授權； - 分潤； - 使用權； - 公開權。 因此： $$ \boxed{ \text{EducationalProduction} \neq \text{FreeLabor}. } $$ --- # 59. 企業不能把學校變成廉價外包 如果企業提供： $$ \text{RealProblem}, $$ 應避免： $$ \text{Student} \rightarrow \text{UnpaidWorkforce}. $$ 合理模式包括： - 開放題目； - 獎金； - 授權； - 採購； - 實習； - 導師； - 後續合作。 所以： $$ \boxed{ \text{IndustryInterface} } $$ 需要倫理邊界。 --- # 60. 學生產品市場可以分級 可以建立： $$ \text{Prototype}, $$ $$ \text{StudentProduct}, $$ $$ \text{ValidatedStudentProduct}, $$ $$ \text{ProfessionalizedProduct}. $$ 不同層級具有不同： $$ \text{QualityExpectation}. $$ 因此： $$ \boxed{ \text{MarketSegmentation} } $$ 可以降低錯誤期待。 --- # 61. 學校可以成為微型創新經濟體 如果班級： $$ \text{Class} $$ 拆成： $$ \{Team_1,Team_2,\ldots,Team_n\}, $$ 不同團隊可以做： - 軟體； - 遊戲； - 科學； - 社區； - 文化； - 公共問題； - 藝術。 因此： $$ \boxed{ \text{School} } $$ 可以成為： $$ \text{MicroInnovationEconomy}. $$ --- # 62. 但學校不是公司 這一點必須明確。 $$ \text{School} \neq \text{Firm}. $$ 學校首先服務： $$ \text{Learning} + \text{Development} + \text{Socialization}. $$ 生產是： $$ \text{EducationalMedium}. $$ 不是唯一目的。 --- # 63. 能力證據的第一組核心命題 本文提出以下十四個核心命題。 --- ## 命題 1：內化—增強能力分離命題 $$ \boxed{ \text{InternalCapability} \neq \text{AugmentedCapability}. } $$ --- ## 命題 2：單一評量模式不足命題 $$ \boxed{ \text{OneAssessmentMode} \neq \text{AllCapabilityTypes}. } $$ --- ## 命題 3：AI-Off 內化能力命題 $$ \boxed{ A_0 = \text{HumanOnly}. } $$ --- ## 命題 4：Bounded AI 協作能力命題 $$ \boxed{ A_1 = \text{Human} + \text{BoundedAI}. } $$ --- ## 命題 5：Open AI 生產能力命題 $$ \boxed{ A_2 = \text{Human} + \text{OpenAI}. } $$ --- ## 命題 6：作品辯護命題 $$ \boxed{ A_3 = \text{Artifact} + \text{Defense}. } $$ --- ## 命題 7：成品—理解分離命題 $$ \boxed{ \text{OutputQuality} \neq \text{HumanUnderstanding}. } $$ --- ## 命題 8：評量目標決定工具邊界命題 $$ \boxed{ \text{AssessmentMode} = f( \text{LearningObjective} ). } $$ --- ## 命題 9：學生產品命題 $$ \boxed{ \text{Student} = \text{Learner} + \text{PartialProducer}. } $$ --- ## 命題 10：意圖—原型距離下降命題 $$ \boxed{ D_{I\rightarrow A}\downarrow } $$ 隨 AI 執行能力提高而下降。 --- ## 命題 11：專業接手命題 $$ \boxed{ \text{StudentPrototype} \rightarrow \text{ProfessionalHandoff}. } $$ --- ## 命題 12：真實生產—商業化分離命題 $$ \boxed{ \text{RealWorldProduction} \neq \text{CommercialProduction}. } $$ --- ## 命題 13：教室外結果命題 $$ \boxed{ ConsequenceOutsideClassroom>0. } $$ --- ## 命題 14：教育生產—免費勞動分離命題 $$ \boxed{ \text{EducationalProduction} \neq \text{FreeLabor}. } $$ --- # 64. 可驗證預測 --- ## Prediction A：AI-Off 與 AI-On 排名將不完全一致 若： $$ Rank(A_0) $$ 與： $$ Rank(A_2) $$ 高度不同， 代表： $$ \text{AugmentedCapability} $$ 具有獨立資訊。 --- ## Prediction B：Defense 可降低純 AI 外包造成的誤判 若加入： $$ A_3, $$ 則： $$ FalsePositiveCapabilityAssessment\downarrow. $$ --- ## Prediction C：過程證據可改善能力判斷 加入： $$ \text{ProcessEvidence} $$ 後， 評量者對： $$ \text{Contribution} $$ 與： $$ \text{Understanding} $$ 的估計應更準確。 --- ## Prediction D：真實專案可提高能力輪廓解析度 若學生完成： $$ N_{\mathrm{projects}}\uparrow, $$ 則： $$ \text{RevealedCapabilityProfile} $$ 的穩定性提高。 --- ## Prediction E：學生產品會增加早期需求發現 若： $$ StudentPrototypeVolume\uparrow, $$ 則小眾： $$ \text{UnmetNeed} $$ 被發現的概率可能增加。 --- ## Prediction F：專業接手可提高學生原型存活率 若存在： $$ \text{HandoffInfrastructure}, $$ 則： $$ PrototypeSurvivalRate\uparrow. $$ --- # 65. 制度原型：四層評量矩陣 可建立： | 模式 | AI | 主要測量 | |---|---|---| | $A_0$ | 禁止 | 內化能力 | | $A_1$ | 有限 | 人機協作 | | $A_2$ | 開放 | 增強生產能力 | | $A_3$ | 可用 | 理解、責任、辯護 | 學生不是只得到一個： $$ \text{Score}. $$ 而是： $$ \boxed{ \text{CapabilityProfile}. } $$ --- # 66. 制度原型：作品證據鏈 對學生作品建立： $$ \text{Intent} \rightarrow \text{Plan} \rightarrow \text{Process} \rightarrow \text{Artifact} \rightarrow \text{Validation} \rightarrow \text{Defense}. $$ 每一層都提供： $$ \text{Evidence}. $$ 因此： $$ \boxed{ \text{CapabilityEvidenceChain}. } $$ --- # 67. 制度原型：學生產品生命週期 可以建立： $$ \text{Idea} \rightarrow \text{Prototype} \rightarrow \text{StudentProduct} \rightarrow \text{Validation} \rightarrow \text{Professionalization}. $$ 在任何階段都可以停止。 停止不代表失敗。 --- # 68. 與 LWCT-06 的銜接 LWCT-06 建立： $$ \text{ProgressiveAutonomy}. $$ 本文補上： $$ \text{ProgressiveAssessmentAutonomy}. $$ 也就是： 低年齡： $$ A_0,A_1 $$ 較多。 高年齡： $$ A_2,A_3 $$ 增加。 --- # 69. 為什麼下一篇必須處理人際關係？ 當教育變成： $$ \text{GoalDirectedLearning} + \text{Project} + \text{RealWorldProduction}, $$ 一個常見反駁是： > 那學校還有什麼用？ > 學生不是在家跟 AI 學就好了嗎？ 本文的答案還不完整。 因為： $$ \text{Education} $$ 還包含： $$ \text{Socialization}. $$ 而社會化不只是： $$ \text{PlayWithPeers}. $$ 還包括： $$ \boxed{ \text{Cooperate} + \text{Depend} + \text{Contribute} + \text{Negotiate} + \text{TakeResponsibility}. } $$ 因此最後一篇將處理： $$ \boxed{ \text{SchoolAsProtectedRealSociety}. } $$ --- # 70. 系列位置 目前： $$ LWCT\text{-}01: \text{Money} \rightarrow \text{LifeWorld} $$ $$ LWCT\text{-}02: \text{Productivity} \rightarrow \text{DomainBottleneck} $$ $$ LWCT\text{-}03: \text{Labor} \rightarrow \text{RewardTopology} $$ $$ LWCT\text{-}04: \text{RewardTopology} \rightarrow \text{EducationRouting} $$ $$ LWCT\text{-}05: AI \rightarrow \text{DynamicRewardTopology} $$ $$ LWCT\text{-}06: \text{DynamicWorld} \rightarrow \text{ProgressiveAutonomy} $$ $$ LWCT\text{-}07: \text{ProgressiveAutonomy} \rightarrow \text{CapabilityEvidence} + \text{RealWorldProduction}. $$ 最後： $$ LWCT\text{-}08: \text{School} \rightarrow \text{SocialInterdependence}. $$ --- # 71. 結論 AI 時代的評量不能只剩下一個問題： > 能不能用 AI？ 真正應該問的是： $$ \boxed{ WhatCapabilityAreWeTryingToMeasure? } $$ 如果目標是內化能力， 應使用： $$ A_0. $$ 如果目標是人機協作， 應使用： $$ A_1. $$ 如果目標是真實生產能力， 應使用： $$ A_2. $$ 如果目標是理解、責任與可辯護性， 應加入： $$ A_3. $$ 因此： $$ \boxed{ A_0 \oplus A_1 \oplus A_2 \oplus A_3. } $$ 四層不是互相取代。 而是共同形成： $$ \text{CapabilityEvidence}. $$ 同時，AI 讓： $$ IntentToArtifactDistance\downarrow. $$ 學生不必再被視為： $$ \text{NotYetProductive}. $$ 他們可以在教育階段就形成： $$ \text{Problem} \rightarrow \text{Intent} \rightarrow \text{Prototype} \rightarrow \text{Evidence}. $$ 但教育也不應要求學生獨自承擔成熟公司的一切。 因此： $$ \boxed{ \text{StudentPrototype} \rightarrow \text{ProfessionalHandoff} } $$ 是一個合理制度接口。 真正重要的是： $$ \boxed{ ConsequenceOutsideClassroom>0. } $$ 讓學生知道： > 學習不是只為了交給老師打分。 他們學到的東西，可以真的碰到世界。 但這個世界不應只有市場。 研究、藝術、公共知識、社區、文化、友誼、創造與非商業探索，同樣屬於： $$ \text{RealWorld}. $$ 所以 AI 時代的能力證據最終不是： > 誰最會考試？ 也不是： > 誰最會叫 AI 做事？ 而是： > 一個人理解什麼、能和哪些系統協作、能產生什麼成果、能不能解釋與承擔它，以及這些成果是否真正與世界發生了關係。 --- ## 一句話版本 > **AI 時代不應再用「准不准用 AI」決定所有考試，而應分別測量人的內化能力、人機協作能力、開放工具下的真實生產能力，以及對作品的理解與責任；同時，學生也不必等畢業才第一次產生真實世界成果。** --- ## 系列下一篇 **LWCT-08｜學校作為受保護的真實社會：合作、互依、生產與非功利教育** **School as a Protected Real Society: Cooperation, Interdependence, Production, and Non-Utilitarian Education**