專案初始化的各種背景作業都還在龜速進行，我雖然在單字清理手工作業獲得一種強大的反智幸福感，但因為另兩位組員的文章內容太有可讀性了，我擔心我繼續寫流水帳會失去我的社交地位。

因此我今天要做點事情來證明我有在思考。

要證明自己有在思考的經典問句：「價值該如何定義，以及成果該如何衡量」。

在把一切工作都交給 AI 後，可能還要多問 AI 成效要如何 evaluate…..

重定義專案目標

對了，這個專案叫 idiolect。我完全沒有去把網址買下來的動力，為什麼自己如此偏好這種有學術感的字呢⋯⋯（但我也覺得巿場上泛濫的 Lingo- app 好煩啊）

我重新定焦了一下專案的概念是：

• 和使用者一起學習 → 聽說讀寫的輔助工具
• 掌握使用者的狀態 → 學習資料
• 引導使用者更有效率、有成效的學習 → 學習引導，姑且就說是定期出複習題目吧

我到底該怎麼做到這個價值目標？然後評估的機制又是什麼？

語言學習的最終結果是什麼？

我的想法是，最終在真實世界裡的判斷是：

• 輸出（說、寫）時能用出來
• 輸入（聽、讀）時阻力變小（主觀感覺或時間花費）

系統能掌握的有意義資料是什麼

接下來我們討論了一下可能掌握到的數位足跡是什麼。

1. 使用者的語言輸出記錄
   1. 不管是生活中的真實對話錄音檔，或是用口說工具進行的刻意練習）。
   2. 寫作也是，真實生活來源或刻意練習皆可
2. 至於輸入，AI 原本想得很複雜，例如弄一堆 chrome 掛件什麼的，但討論後覺得只需要掌握：
   1. 英檢成績上傳
   2. 系統生成的定期複習。

學習成效衡量（複習）

這裡我和 AI 討論了一下「複習」的意義（指傳統的閱讀測驗，出 quiz）這種。我的看法是，「複習」的意義是幫助系統獲得量化資料，更新使用者 profile 並測量效度。

複習活動可以讓學習者獲得小小成就感，但那終究不是真實學習的本質活動。我會比較期待是，系統根據使用者 profile 和語料掌握到使用者的學習狀態與興趣範圍。然後 AI 可以判斷閱讀 & 聽力的適當練習材料，例如：

• 跟隨興趣，例如我是文史哲愛好者，在 Jordan Peterson 的演講單字爆難但我願意去聽。所以推薦給我 Jordan Peterson 的 Podcast 是有效的。
• 場景導向：
  • 考試導向下，需要平均地準備不同領域的單字。
  • 使用者指定的，例如我明天要和一個機器人領域的客戶吃商業晚餐，我今天就想大量補充機器人領域的單字。

在資料流串好之後，這些活動會再產生新的詞庫集。

中間我們討論了一個很複雜的 point 算法。這是我在一些單字 app 上看到的，例如每個字的掌握度是如何，每答對一題得 1 pt 這種。後來覺得意義不大。但單字上要掛什麼屬性，目前 AI 給了一個提案，未來可能會邊實作寫改。

系統成效評估

系統的價值討論好以後，開始討論評估機制到底是什麼。

AI 抓出了 7 個可量化的路徑：

1. 詞庫萃取忠實度。根據我用 120 份講義清理出 1682 個字的規則，需要將資料萃取流程穩定下來，並且應用到不同型態的語料上。
2. Profile 校準：系統對我的認知符合真實。
3. 選材有效性：進來的東西值得花時間
4. 選材策略價值：例如我們原本有討論一個很複雜的 point 機制來決定出題時要怎麼決定哪個單字被選到，但有可能 random 就好惹⋯
5. 材料品質：目前暫定用一個簡單的主觀給分做成效指標
6. 學習成效：一個宏大與繁瑣交織的討論，容我略過不表⋯⋯反正短期內不會做到這邊⋯⋯
7. 黏著度

下一步的實作重點會放在 1 & 2.

完成與進行中

• ✅ 121 份講義清理出的 1862 有效詞條正式入庫
  • 過程中完整了語料萃取 - 入庫的審核路徑
  • 英式/美式切換 - 邏輯整理其實調整了好幾次才做到位啊啊啊啊啊 🥲
• TODO
  • 整理有效詞條的規則需要寫成文件 + 測試，將資料萃取流程穩定下來，然後再看看如何應用到不同型態的語料上
  • Profile 明天來想想吧～

留一張今天的紀念快照