明天若有讀者指出「這句把配適度說成效度了」，我們能找到受影響的例題、來源與學生素材設計嗎？Day 1 想解決的，是教師自學之後如何留下可查核、可再教的成果。三十天的文章提供了這條路：從問題與完成條件出發，保留每個主張的依據，再讓後面的內容接得回來。
學習問題 → 完成契約 → 先備診斷 → 來源與主張
↑ ↓
版本與回饋 ← 教師驗收 ← 學生轉譯 ← 教師版＋重現
這張圖的重點不是八個盒子，而是最後一條回程。新來源、套件版本、學生誤解或教師判準改變時，不直接改掉最後教材；先判斷它影響哪一條 claim（需來源支持的主張）、哪一個例子與哪些下游素材，再建立新版本。
所謂一條 claim，在帳本裡的樣子是：
| 主張 | 狀態 | 支持來源 |
|---|---|---|
| alpha 不證明單維 | 第一手來源已支持 | Sijtsma（2009）§4.2，p. 115 |
固定案例 ENGAGE-v1 讓依賴可以被走查：Day 8 定義資料，Day 11–20 用它討論心理計量決策，Day 21–23 整理公式、R 重現與失敗案例，Day 26–29 再提出學生素材、助教與驗收設計。這仍是合成教學資料，不能支持真實量表效度或個人診斷；後段設計也不能當成已完成的課堂實測。
Claude 最適合做的是加速轉換與找斷點：把學習問題拆成先備、比較來源與主張、依 mini-spec 產生候選內容、從失敗案例衍生 probes（檢查題）、整理版本差異。它不負責決定構念是什麼、不替作者宣告效度（validity），也不替教師發布教材。
一次完整更新可以這樣走：教師發現學生把信度（reliability）當效度，先在 failure atlas（失敗案例集）登記。Claude 找出 Day 13、14、26、27 受影響段落，提出修改候選與新小考反例。R 腳本確認數值示範未變。另一位 reviewer（審閱者）沿來源、教師版、學生版與解析走查。最後由教師更新版本與日期。若某一步沒有證據，狀態停在 draft 或 revise。
最省事的更新看似是把新提示丟給 Claude，要求一次改完全部文章。問題是文句會一致，責任鏈卻可能悄悄漂移：題目 ID 改了、學生版多出教師版沒有的結論、程式數字仍是舊版本。這套系統因此採受影響範圍清單與逐篇狀態，不以全域重寫取代 change review。
另一個失敗方式是永遠擴充。看到新的心理計量模型就再加一章，最後教師仍然沒有可用教材。完成契約要容許「目前不處理」。本系列做到 CTT（古典測驗理論）與因素分析（factor analysis）的決策入口。invariance（測量恆等性）的決策入口也做到了。IRT（試題反應理論）與 CAT（電腦適性測驗）的入口也在其中。正式量表建構、真實學生資料治理與教學成效研究都留待另一個有明確問題的循環。
這三十篇可用三種速度重讀。教師只想建立自主學習方法，先走 Day 1–10 與今天；要學心理計量的決策，走 Day 11–20；要把知識變教材，走 Day 21–29。三條路共用 glossary（術語表）、source/claim ledger（來源與主張帳本）、固定資料與驗收門檻，所以不是三套互不相干的文章。
每次更新只需回答五件事：什麼觸發變更、哪條 claim 受影響、要重跑哪個重現檢查、哪些學生素材跟著變、由誰批准發布。沒有觸發時，不為追逐新工具而重寫；有新的課程證據時，也不把舊版假裝成永遠正確。
實務上可以每學期做一次完整 dependency walkthrough，平時只處理明確觸發；涉及答案、核心主張或資料治理的改動則立即停止發布並重驗。這個節奏讓維護成為教師可承擔的工作，而不是又一本很快過期的 AI 手冊。
若要從明天開始使用，先挑一個有限任務，例如審查一段 CFA（驗證性因素分析）結論：沿 Day 7 找用途，回 Day 17 看模型限制，再用 Day 23 的反例檢查推論。需要上課時才進素材設計，並保存實際測試結果。這樣每次新增成果都有對應的問題與證據，不必等所有工具完成才開始學。
客製化教科書不是請 AI 替教師大量生產內容。它是教師把「我想學會什麼、憑什麼相信、怎麼知道自己會了、之後如何教」寫成一條可檢查的路。Claude 降低整理、轉譯與反例生成的成本；心理計量提醒我們，分數、模型與教材都只能支持有邊界的推論。
目前實際留下的是 30 篇文章、固定資料與字典、來源主張帳本、R 腳本、兩張可重匯出的 JPG，以及逐篇修訂與查核紀錄。失敗案例、學生素材、AI 助教政策與驗收表則以文章中的範例或規格呈現；可操作模擬、完整助教測試與學生學習成效，仍待後續實作及評估。
iThome鐵人賽
看影片追技術