生成式 AI 時代資訊科系的評量設計

2. 研究問題

本文要解決的核心問題是：在生成式 AI 已能快速生成程式碼、演算法、系統設計與文字回應的情況下，高等教育特別是 ICT 領域，該如何重新設計評量，才能真正測到學生有沒有學到該學的能力？作者指出，傳統作業與報告在 GenAI 時代很容易失去辨識度，因此問題不只是「怎麼防作弊」，而是「怎麼設計出仍然有效、具誠信、又能反映真實能力的評量系統」。

3. 理論基礎

理論上，本文採取質性詮釋取向，將評量改革理解為制度、價值、治理、教學與技術交織的系統問題，而非單純的教學技巧調整。作者同時借用了建構性對齊（Constructive Alignment）與 Evidence-Centered Design 的精神，強調評量設計必須從欲培養的能力出發，再反推對應的策略與方法。這讓文章的理論基礎不只停留在教育科技採用，而是更接近課程治理與能力導向評量設計。

4. 研究架構

本文最重要的框架有兩個。第一個是 GENESIS，是一個五支柱、機構層級的評量轉型框架，依序涵蓋價值與傾向、治理、支持系統、AI 整合課程，以及目標式評量設計。第二個是 ADM（Assessment Design Matrix），把畢業能力、評量策略與評量方法做成三方矩陣，讓教師能從能力需求一路往下推到適合的評量形式。簡單說，GENESIS 解決的是「機構要怎麼準備好」，ADM 解決的是「教師實際要怎麼設計」。

5. 假設邏輯

這不是假設檢驗研究，因此這一段應理解為作者的推論邏輯。作者的核心命題是：如果 GenAI 已改變學生完成任務的方式，那麼評量就不能只維持舊形式再加上監控，而要從制度價值、治理安排、支援資源、課程整合與能力定義一起重構。進一步來看，只有當機構先在前段建立一致的治理與支持基礎時，後段的課程與評量設計才有機會穩定落地；若缺乏這些前置條件，任何單點式的作業改革都很容易流於權宜應對。

6. 方法

方法上，作者採用質性詮釋研究與主題分析。資料來源是 2023 到 2025 年間的 80 份公開文件，包含學術文獻、大學政策文件與實務指南，聚焦 ICT 高等教育與 GenAI 評量議題。研究程序遵循 Braun 與 Clarke 的六階段主題分析流程，從文本熟悉、初始編碼、主題歸納到定義與報告形成。整體來說，這不是訪談或問卷實證，而是一種以文件分析為基礎的框架建構研究。

7. 結果

研究最終整理出 7 個主題與 70 個子主題，並將其進一步收斂成兩個互補框架。第一個主要結果是，評量改革的順序不能顛倒，必須先有機構價值、治理與支持，再進入課程與能力導向設計。第二個結果是，ICT 評量在 GenAI 時代不能只看最終產出，而要更多納入過程、驗證、口頭說明、現場操作與多模態證據。第三個結果是，作者辨識出一組新時代 ICT 畢業能力，並主張這些能力要能和評量策略、評量方法形成可驗證的對應關係。

8. 理論貢獻

本文最大的理論貢獻，在於它把「AI 對評量的衝擊」從零散原則整合成具有層次的理論框架。很多文章會說要改評量，但往往只停在原則或口號；這篇則清楚區分了機構層面的治理轉型與課程層面的設計轉型。第二，它把能力導向評量、建構性對齊與 GenAI 教育治理連接起來，讓後續研究者可以更系統地討論能力、策略、方法三者如何耦合。第三，它為高教 GenAI 評量研究提供了一套可延伸的中層理論骨架，後續無論做個案研究、政策研究或教學實驗都可以接上去。

9. 實務意涵

實務上，這篇很有價值，因為它不是只提醒教師「小心學生用 AI」，而是告訴機構與教師該怎麼改。對大學管理者來說，重點是要建立清楚的價值立場、政策、支援資源與教學發展機制，而不是把責任全丟給單一授課老師。對教師來說，ADM 提供一個很實用的設計邏輯：先定義想測的能力，再選能測到該能力的策略，最後挑對應的方法。對管理與教育研究者而言，這篇也提示了評量改革不能只看學術誠信，而要同時看能力培養、產業對接與制度可持續性。

10. 研究限制

本文仍有幾個限制。第一，它主要分析公開英文文件，因此可能低估非英語地區或機構內部尚未公開的實作經驗。第二，雖然它提出框架，但目前還缺乏大規模教學現場驗證，還不能直接斷言哪種設計在什麼條件下最有效。第三，文章聚焦 ICT 高教情境，因此其框架雖然具有啟發性，但移植到商管、社會科學或其他實作密度不同的領域時，仍需要再調整。

11. 對我研究的啟發

對我的研究來說，這篇最可重用的地方有兩個。第一，是它把 GenAI 教育研究從「接受度」拉到「評量與治理設計」，這讓我如果未來做高教 AI 應用研究，可以不只問學生或教師喜不喜歡 AI，而能進一步問：不同治理安排、不同課程整合方式、不同評量策略，如何影響真實學習與能力展現。第二，是 ADM 這個能力─策略─方法矩陣很適合轉譯成研究模型。我可以把它拿來建構一個更一般化的架構，例如以「AI 時代能力定義清晰度」「評量策略對齊程度」「評量驗證強度」作為前因，去解釋學生學習品質、AI 使用倫理或教師採用意圖。若我之後想做管理教育、AI 素養或課程改革主題，GENESIS 也很適合作為制度層變項的概念來源。

12. 整體評價

它的優勢是結構清楚、問題切中當前高教痛點，並且真的提出一套可以拿來討論與改寫的框架。就今日候選文相比，我認為它比一般採用意圖模型更值得先讀，因為它同時兼具政策、課程與方法層次，後續能被引用的場景更多。若要挑缺點，主要是它仍偏概念建構，還需要更多教學現場驗證；但就晨讀與研究佈局而言，這篇的重用價值很高。