背景
傳統的程式設計考試，多半要求學生在有限時間內寫出可運行的程式碼，評分焦點集中在語法是否正確、演算法是否實作出來。這類測驗在過去能有效區分學生的熟練程度，因為寫出可執行的程式需要實際動手。問題是，當生成式 AI 已經能快速產出一份可跑的模型之後，「程式能執行」這件事本身逐漸失去區辨力。學生可能透過 AI 得到一份看起來完整的作業，卻說不清楚自己為什麼選這個模型、資料怎麼處理、結果可不可信。
馬來西亞博特拉大學（Universiti Putra Malaysia）電腦科學與資訊技術學院的講師 Ts. Dr. Nurfadhlina Mohd Sharef 同時兼任該校首席數位長（Chief Digital Officer，負責推動校內數位轉型與應用落地的職位）。她在 2026 年 10 月 5 日發表於 blog.google 的文章中說明，自己在資料採礦（data mining，從大量資料中找出模式、建立預測模型的技術）課程裡，直接放棄了傳統編碼測驗，改以「談學生怎麼解題」的真實對話作為評量方式。
核心內容
做法的起點是工具角色的改變。學生在 Google Colab（Google 提供的雲端 Jupyter Notebook 環境，可在瀏覽器中撰寫、執行與分享程式，不必自行安裝套件）中使用 Gemini（Google 的生成式 AI 模型）作為個人化的學習夥伴。過去學生花數小時磨練語法細節，現在 AI 會主動建議程式碼與替代做法，學生的任務轉變為：決定要用什麼、質疑 AI 的建議、並為最後的建模決定提出理由。
評量則以口頭訪談進行。學生必須在對話中為自己的選擇辯護、排除錯誤，並指出 AI 的建議在哪些地方可能是不對的。換句話說，能否寫出程式不再是唯一答案，能否判斷 AI 給的東西該不該用才是。幕後的評量工作則交給 Gemini Canvas 與 Gemini Notebook 兩項功能協助處理，讓教師能在較大規模的課程中評核這類以對話為主的成果。
技術或脈絡解讀
這套設計背後的核心概念是 human-AI teaming，也就是人與 AI 組成協作團隊：AI 負責快速產生候選方案，人負責判斷、取捨與承擔責任。在資料採礦這種需要反覆嘗試的領域，AI 確實能大幅縮短從想法到可運行模型的時間，但模型選擇、特徵處理、結果詮釋等環節仍然依賴人的專業判斷。當 AI 產出可用模型的能力越來越強，評量的重心就從「產出本身」移到「人對 AI 的駕馭能力」。
這也意味著課程目標的位移。語法記憶與打字速度的價值下降，提問、驗證、解釋與決策的價值上升。教師的角色同樣改變：不再是批改一堆相同答案的程式碼，而是透過追問，確認學生理解自己所做的每一個決定，以及 AI 在其中扮演什麼位置。Nurfadhlina Mohd Sharef 彙整自己的雙重任務時強調，重點不是用 AI 取代學習，而是刻意重新設計學習，用來建立長久的人類能力，而不是養成對工具的依賴。
影響與限制
這套做法的實際意義在於回應了一個普遍困境：當任何人都能即時取得可執行的程式，教育若仍以產出為評分依據，評量將逐漸失去意義。把重心放到判斷與辯證，反而更接近真實工作中工程師需要做的事——審查、驗證、解釋與承擔後果。同時，Gemini Canvas 與 Gemini Notebook 的介入，使口頭與過程導向的評量不再是純人力作業，才有辦法在班級規模下推行。
限制也相當清楚。口頭訪談的品質高度依賴教師的追問能力與時間，評分標準比批改程式更難完全一致；AI 的建議可能錯誤，學生若缺乏基礎概念，反而難以察覺問題；文章本身並未提供成績變化、學生人數或其他量化數據，這套方式的成效仍屬於一位教師的教學實踐分享，而非經對照驗證的研究結論。是否能推廣到更大班級、其他課程，仍待更多實務經驗累積。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。