生成式 AI 讓我們可以隨時提問、取得解釋、練習作答，也能請它協助整理教材與提供回饋。在這樣的學習環境中，我認為，每位學習者都值得培養一項基本能力：建立自己的 AI 輔助自學流程，並檢核學習成果。
當 AI 提供了一個清楚的解釋，我們可能覺得「懂了」；當 AI 協助完成一份完整的報告，我們也可能覺得「學會了」。然而，這些感受還需要進一步確認：我能否用自己的話解釋？換一個問題還能應用嗎？沒有提示時，能完成多少？過幾天之後，又能保留多少？
這些問題，就是我所關心的知識與技能的「含金量」。在本文中，我用這個詞指稱學習成果的正確性、獨立性、保留程度與應用能力，以及我們對自身能力判斷的準確程度。
建立這套流程，未必需要自行開發軟體。初步可以從可信教材、一個 AI 工具、明確的學習目標，以及一份學習紀錄開始。以下是我建議的實作方式；它是一套可依任務調整的設計構想，並非已經驗證的標準模式。
如圖 1 所示，這套流程以「學習者主導、AI 適性支援、表現證據」為核心，透過設定目標、自行嘗試、AI 支援練習、回饋與修正、重新檢核，以及記錄與調整，形成持續改進的學習循環。可信教材、來源查核與必要的教師或專家檢核，則貫穿整個流程。
圖 1．AI 輔助自學的核心概念與執行流程。學習者依據表現證據調整下一輪學習，並分別檢核獨立完成、AI 協作及錯誤辨識能力，以確認知識與技能的「含金量」。本圖為概念性實作流程，非已驗證之標準模式；圖像由 AI 輔助繪製。
先決定：我要學會什麼，如何證明？
「我想學統計」或「我想看懂論文」可以作為起點，但還需要轉化成可觀察的表現。例如：「讀完一篇研究摘要後，我能自行指出研究目的、研究設計、主要結果，並說明結論受到哪些限制。」
目標確定後，便應事先設定檢核方式。理解概念，可以要求自行解釋並舉例；分析能力，可以使用未練習過的案例；訪談或操作技能，則需要觀察實際表現。
如此一來，學習者從一開始就知道要留下什麼證據，也能據此要求 AI 提供適當的練習。
選定可信的知識來源，建立查核依據。
我建議先指定教材、原始論文、專業指引或教師審核過的資料，再請 AI 協助解釋。提問時，也可以要求它區分原文內容、推論，以及資料不足而無法判斷的部分。
例如，閱讀一篇論文時，可以要求 AI：「請根據我提供的全文回答，指出支持判斷的段落；如果原文沒有交代，請明確說明。」
即使 AI 列出來源，仍須核對來源是否存在，以及原文是否支持它的說法。提供教材或採用 RAG，可以作為知識查核的支援，但不能取代查核本身。
先自行嘗試，再讓 AI 協助辨識缺口。
開始學習時，可以先回答幾個問題、解釋一個概念，或完成一小段任務，並記下自己的信心程度。這份初始表現，能幫助我們看見目前的理解與錯誤。
例如，學生閱讀研究結果後，先自行寫下判斷，再請 AI 檢查：「我的推論有哪些原文依據？哪些地方超出資料所能支持的範圍？」
接著，請 AI 針對實際缺口提供協助。若問題出在詞彙，可以要求簡明解釋；若問題出在概念區辨，可以要求比較案例；若問題出在推理，可以要求逐步追問。學習支援的方式與程度，應依表現調整。
讓練習包含自己的回答、理由與修正。
AI 輔助學習可以採取這樣的互動順序：自己先回答，AI 提供提示或回饋，自己說明理由並修正，最後再用新題目檢核。
其中，「說明為何修正」很重要。只把答案改成正確版本，仍無法清楚呈現理解是否改變。學習者應能指出原先的判斷錯在哪裡、修正依據是什麼，以及下次如何辨識類似問題。
AI 支援也應保有彈性。剛接觸陌生內容時，可以先閱讀示範；隨著熟悉程度提高，再減少提示，增加獨立完成的部分。任務難度提高時，也可以重新增加適當支援。
分別檢核獨立能力與 AI 協作能力。
確認「含金量」時，我建議區分三種條件：
| 檢核條件 | 要回答的問題 |
|---|---|
| 不使用 AI | 我本身能理解、解釋與完成哪些任務？ |
| 允許使用 AI | 我能否有效使用工具、查核內容並完成任務？ |
| 提供含錯誤或資訊不足的 AI 回答 | 我能否辨識問題、提出修正，並知道何時需要求助？ |
三種條件呈現的能力不同，都值得培養。學習者能在 AI 協助下完成高品質作品，是有價值的表現；同時，也需要清楚知道其中哪些部分能獨立完成。
對教師而言，這樣的區分也有助於設定評量目標。若要確認基本概念，就需要適當的獨立作答；若要評量 AI 協作能力，則應允許使用工具，並檢視查核、判斷與修正的過程。
用新任務與延後檢核，確認學習是否保留下來。
當下答對之後，可以安排另一個情境不同、但運用相同概念的任務，進行 transfer assessment；也可以隔一段時間再做 delayed assessment。間隔與難度應依學習目標調整，不必每次都採用相同安排。
同時，可以比較「作答前預估的表現」與「實際表現」，檢視 calibration。特別值得回顧的是那些很有信心卻答錯的內容，因為它們可能是自己尚未察覺的理解缺口。
這些檢核不必每次都很龐大。一次幾分鐘的自行解釋、一個新案例，或一段實際操作，都可以提供下一輪學習所需的資訊。
以文獻閱讀為例：從讀懂解釋，到自行提出有依據的判斷。
假設學習目標是「能區分 statistical significance 與 clinical importance」，學習者可以先根據指定教材，用自己的話說明兩者的差異，再請 AI 指出不清楚或錯誤之處，並提供不同研究結果供練習。
練習之後，關閉 AI，改讀一篇未練習過的研究摘要，自行判斷作者的結論是否受到結果支持，並指出依據與不確定性。之後，再安排另一篇摘要，確認是否仍能運用相同概念。
最後，也可以檢視一段教師預先設計、含有推論錯誤的 AI 回答，說明問題並修正。如此便能分別觀察概念理解、獨立應用與查核能力。
若學習目標是訪談技巧，則需要改用角色扮演或實際訪談的表現來檢核。能解釋訪談原則，只能支持部分能力判斷；是否能在互動中適當運用，仍須透過表現證據確認。
留下簡單紀錄，讓下一步學習有依據。
如圖 2 所示，每次學習至少記錄五項內容：這次的目標、完成的任務、接受的協助、仍存在的錯誤，以及下一次的檢核安排。其中，「接受的協助」能幫助我們區分獨立表現與協助後的表現；「下一次的檢核安排」則讓紀錄轉化為具體的後續行動。
圖 2．AI 輔助自學的五項學習紀錄。以文獻閱讀為例，呈現各項紀錄的自問句與填寫方式，協助學習者依據表現證據規劃下一輪學習。
例如：「能在沒有提示下指出研究設計，但解釋結果仍需要追問；下一次先自行分析新摘要，再核對教材。」這樣的紀錄，比單純寫下「已完成」或「答對八成」，更有助於安排後續學習。
AI 可以協助整理紀錄與提出建議；涉及重要的能力認定時，仍應依任務性質納入教師、專家或適切的外部評量。尤其當教材、題目、答案與評分都由同一個 AI 產生時，更需要外部依據，避免錯誤在流程內反覆被確認。
補充練習：以理解 taxonomy 為學習標的
以下是一個可自行練習的例子。這裡的 taxonomy 指一般概念分類架構，練習重點是理解如何依目的與分類依據組織概念，並交代類別及上下位關係。以下任務、評分條件與學習紀錄是本文設計的教學示例。
第一步：設定可觀察的學習目標。完成練習後，我（學習者）希望能用自己的話解釋 taxonomy 的用途、辨認分類依據及上下位關係，並為一組學習資源建立小型分類架構。我還要能說明遇到重疊項目時如何處理，而非只記住定義。
第二步：先作答，留下起點。在閱讀 AI 解釋之前，先回答：「把資料分成幾堆，就算是好的 taxonomy 嗎？」「分類依據與類別名稱有什麼不同？」「『教學影片、研究方法、初學者教材』適合放在同一分類層級嗎？」每題先寫下理由，再估計自己答對的信心，留下初始紀錄。
第三步：閱讀可靠材料，再請 AI 追問。閱讀指定資料後，可使用以下指令：「請根據我提供的教材，協助我理解 taxonomy 的用途、分類依據與上下位關係。先請我用自己的話解釋，再一次追問一題；請區分教材內容與你設計的例子，指出我的誤解，不要直接替我完成分類。若資料不足，請明說。」若完全沒有基礎，可以先請 AI 示範一個簡單例子，再自行處理不同材料。
第四步：建立並修正自己的分類。假設要整理六項學習資源：研究方法入門影片、統計進階影片、研究方法入門文章、統計進階文章、研究方法入門測驗、統計進階測驗。先決定使用目的，例如「方便依呈現形式尋找資源」，再以影片、文章、測驗作為第一層分類，並寫出各類的納入規則。接著思考：若讀者改以主題或適用程度尋找資源，是否應另外提供這些分類維度？
上述例子中，「教學影片、研究方法、初學者教材」分別涉及形式、主題與適用程度；將它們混列，會使分類依據不清楚。可以分別建立各維度，再說明如何組合使用。遇到「包含文章與測驗的線上課程」，也應先決定分類單位是整門課程還是各個組成資源，並交代採主要類別或多重歸類的規則。這個練習的重點是能說明並一致運用規則；不必預設所有 taxonomy 都只能有單一歸屬。
第五步：在三種條件下確認理解。不使用 AI 時，改為整理一組新的資源，自行說明目的、分類依據及類別定義；允許 AI 時，請它提出另一種分類方式，由自己比較適用情境與限制；檢核錯誤辨識時，則評析「影片、初學者、統計、PDF」這組混合維度的分類，指出問題並修改。
這次練習可用四項條件檢核：能說清楚用途、能交代分類依據、能一致運用類別規則、能處理或明確標示邊界案例。這些是本次練習的檢核條件，不是標準化量表。若仍需提示才能完成，便記下提示內容，針對該處補強後再用新材料檢核。
第六步：完成五項紀錄，安排延後檢核。下表是假設性填寫示例，示範如何記錄表現，不代表實際學習結果。
| 紀錄項目 | Taxonomy 學習紀錄示例 |
|---|---|
| 這次的目標 | 自行解釋 taxonomy，建立小型分類架構並說明規則。 |
| 完成的任務 | 完成六項學習資源的分類，留下類別定義及歸類理由。 |
| 接受的協助 | 初稿自行完成；AI 追問一次後，才發現形式與適用程度混列。 |
| 仍存在的錯誤 | 仍無法清楚處理同時含影片、文章與測驗的課程，需釐清分類單位與歸類規則。 |
| 下一次的檢核安排 | 三天後，不使用 AI 分類另一組資源；加入一項邊界案例，再依四項條件檢核。 |
經過這個循環，學習者便能用自己的分類成果、判斷理由與修正紀錄，說明目前對 taxonomy 的理解程度，以及下一步需要補強之處。
我期待的 AI 輔助自學，是讓學習者逐漸能回答：「我現在能做什麼？這個判斷有什麼證據？我還需要多少協助？下一步應該學什麼？」
每個人可以從一個小主題開始，完成一次「設定目標、自行嘗試、取得回饋、修正練習、重新檢核」的循環。當我們能持續用表現證據回答這些問題，就更有基礎判斷自己所學的知識與技能，究竟具有多少含金量。
