測驗編製方法學：從構念到題庫

前面四部所建立的，是測量的理論與模型：構念如何界定、信度與效度如何論證、潛在變項如何以因素分析或項目反應理論刻畫。然而理論再精緻，最終都須落實為一份真實的測驗，即一組具體的題目、一套計分規則、一條解讀分數的依據。本部要處理的，正是這一步「心理計量與真實世界相遇」的落地過程，也就是測驗的完整生命週期：編製、量尺化與等化、適性施測、作答行為、評分、以及公平與使用。本章是這趟旅程的起點，處理最前端的一環，即測驗如何從一個抽象的構念，一步步被編製為一個可用、可信、可審計的評量工具。

本章的核心立場，可先以一句話點明：測驗發展是一套可審計的工程流程，而非一次仰賴命題者靈感的即興創作。一份好的測驗，其品質不是在題目寫完之後才「檢測」出來的，而是透過一套有紀律的流程，從構念界定開始就被「設計」進去的。為使這個抽象的主張具體可感，全章以一個貫穿的實例來推進：設想一份充滿撰寫缺陷、命題隨性的國中數學段考卷，本章將示範如何把它逐步改造為一份符合測驗藍圖、經預試校準、有標準設定與技術文件支撐的正式評量。這趟「段考卷的重生」，正是測驗編製方法學的縮影。

測驗發展是一套流程，而非一次靈感

許多測驗的編製，始於一位命題者對著空白文件即興發想題目，寫滿一頁便直接施測。這種「靈感式」命題的問題，不在於命題者能力不足，而在於它缺乏一套可以檢驗、可以複製、可以問責的流程。經驗豐富的教師確實可能憑直覺寫出好題，但這份好只存在於他個人的判斷裡：換一個人命題、換一個學期施測，品質便無從保證。更關鍵的是，當被問及「這份測驗為什麼這樣考、憑什麼說它測到了該測的東西、憑什麼用這個分數做決定」時，靈感式命題往往無言以對。

專業的測驗發展則反其道而行，把編製視為一條由若干可審計環節串成的流水線：先界定構念與用途、再訂出測驗規格與藍圖、據以撰寫或生成試題、經預試蒐集實證、以試題分析汰選校準、建置題庫、組卷、設定切截分數、建立常模、最後以技術文件把整個歷程記錄下來。這條流水線的每一環都留下證據，使得「這份測驗是否可信」不再是一個信念問題，而是一個可以逐環查核的問題。這一整套流程化的思維，其歷史可上溯至 Binet 的實用主義測驗傳統，並在大型測驗機構的品管制度化中臻於成熟；本章其後各節，便是這條流水線的逐環展開。

構念界定與測驗藍圖

一切測驗發展的起點，是回到第三章的問題：這份測驗到底要測什麼？構念界定看似老生常談，卻是最常被草率帶過、也最致命的一環。就段考卷的例子而言，「國中數學」這個標籤過於籠統，必須進一步界定：它涵蓋哪些內容主題（數與量、代數、幾何、統計），又要測哪些認知歷程（記憶、程序執行、概念理解、解題）。構念界定得不清楚，後面的一切都失去了準繩。

構念界定的實作要領，是同時寫下「包含什麼」與「排除什麼」。本章在段考卷之外，再引入一個貫穿其後各節的例子：設想某大學要編製一份校內英文能力分級測驗，用以把大一新生分入初級、中級、進階三種必修班。它要測的是一般學術情境下的英文理解能力，包含字彙辨識、句子結構與短文閱讀理解；而口語流利度、專業領域術語與寫作組織能力，則明白列為不在此測驗的範圍內。這份排除清單看似消極，實則極為有用：它既阻止命題者把個人偏好的內容偷渡進來，也預先劃定了分數詮釋的界線，使日後無人能拿這份分數去主張某位學生「英文寫作能力不足」。構念界定寫到這個地步，才算真正可操作。

把構念界定轉化為可操作的命題指南，靠的是測驗藍圖（test blueprint），其經典形式是雙向細目表（two-way specification table），一軸為內容主題、另一軸為認知歷程，格中數字則規定各交會處應占的題數或分數比重，如表 22.1。藍圖之外，一份完整的測驗規格（test specifications）還須寫明測驗的用途、目標母體、題型與題數、作答時限、計分方式與預期的難度分布。以前述分級測驗為例，規格可能寫成：四十題選擇題、作答六十分鐘、字彙十六題、句構十題、閱讀十四題、預期全卷平均答對率約 0.55，並要求在兩條切截分數附近提供最高的測量精確度。規格細到這個顆粒度，命題者才知道自己要交付什麼，審題者也才有對照的依據。

註. 格中數字為該內容與認知歷程交會處的預定題數。雙向細目表把構念界定落實為可稽核的命題配額，是內容效度的具體保障。

測驗藍圖的意義，遠不止於「湊足題數」。它是內容效度的具體保障：一份聲稱測「國中數學」的考卷，若九成題目都是代數的程序計算，那麼無論它的信度多高，其分數也無法支撐「數學能力」這個較廣的推論。段考卷的第一步改造，就是攤開它的實際題目分布，對照藍圖，找出被過度偏重與被完全遺漏的格子，重新配置。藍圖也把命題由個人品味的展現，轉為對一份公開規格的實現，這正是可審計性的第一步。值得一提的是，對第二十一章所述的診斷測驗而言，這張測驗藍圖進一步具體化為規定「每道題需要哪些屬性」的 Q 矩陣，是同一套「先訂規格、再據以命題」的邏輯在診斷情境的延伸。

證據中心設計：把效度做進流程

雙向細目表雖然實用，卻主要著眼於「內容涵蓋」：它能保證各主題的題數合乎規畫，卻回答不了一個更根本的問題，即一道題答對或答錯，究竟如何構成關於構念的證據。兩份細目表相同的考卷，可能一份題題切中推理歷程，另一份題題只考背誦，因為細目表管得到格子裡該有幾題，管不到題目長什麼樣。證據中心設計（evidence-centered design, ECD；(Mislevy et al., 2003)）正是為填補這個空缺而生。它要求設計者在動筆寫題之前，先把推論的目標、可算作證據的表現、以及能引出證據的任務三者交代清楚，藉此把效度的邏輯直接編織進設計流程，而不是等測驗編成之後再回頭辯護。

三個模型的分工，可以用前述的英文分級測驗說明。學生模型回答「要推論什麼」：此處是由字彙、句構、閱讀理解構成的學術英文理解能力，並約定以單一連續量尺表示，用以支撐分班決定。證據模型回答「什麼算證據、如何由表現更新對能力的信念」：選擇題答對計一分，而閱讀題組因共享同一篇文章、彼此並非條件獨立，計分時須以題組為單位處理。任務模型回答「什麼任務能引出證據」：閱讀短文須取自未曾在課本出現的材料，長度二百五十至三百字，提問聚焦於推論與主旨而非字面搜尋，以免受測者靠掃描關鍵字便能答對。三個模型一旦寫定，命題者收到的就不再是「請出十四道閱讀題」這樣的模糊指令。

ECD 的深刻之處，在於它把效度論證（第七章）由測驗編成之後的事後檢驗，前移為設計之初的指導原則。傳統流程常是先憑直覺寫題、再回頭論證效度，ECD 則把順序倒轉過來。這條「構念 → 證據 → 任務」的推論鏈，與第七章 Kane 的論證取向前後呼應：兩者都主張，測量的正當性須在設計層次就被明白地建構，而非事後補述。對段考卷而言，採用 ECD 的視角，意味著為每一道題追問「它究竟要作為哪一項數學能力的證據」，凡答不上來的題目，其存在的正當性便可疑。

試題撰寫：手藝的實證化

藍圖與 ECD 決定了要寫哪些題、每道題要作為什麼證據，接下來才輪到題目本身該怎麼寫。試題撰寫長期被視為一門仰賴經驗的手藝，彷彿只能靠資深教師口傳心授；但過去數十年的研究已把它相當程度地實證化，累積出一批經得起檢驗的撰寫原則。Haladyna & Rodriguez (2013) 系統整理了一整套以證據為基礎的試題撰寫指引，指出許多常見的撰寫缺陷不僅是文字瑕疵，更會帶來可量化的心理計量後果，即實質損害試題品質所支撐的信度與效度（第六、七章）。換句話說，一個沒寫好的題幹，最後會反映在偏掉的答對率、縮水的鑑別度與站不住腳的分數詮釋上。

這些缺陷值得具體點名。題幹敘述冗長、含混或使用雙重否定，會使題目在無意間測到了閱讀能力而非目標構念，引入與構念無關的變異。選項之間長度或文法不一致、正確選項總是特別長，會提供作答線索，讓不會的人也能猜對，虛增了答對率並降低鑑別度。使用「以上皆是」「以上皆非」這類選項，在測量上往往弊多於利。而如「絕對」「總是」這類決斷詞出現在錯誤選項、「可能」「通常」出現在正確選項，也都是精明作答者熟知的破綻。

把這些缺陷放進具體題目裡看會更清楚。設想分級測驗初稿中有一題，題幹寫著「下列關於本文的敘述，何者並非不正確」，雙重否定使受測者得先解開語意糾結才能開始作答，測到的其實是耐心；改寫為「下列敘述何者正確」，題意立刻回到閱讀理解本身。另一題的正確選項寫了二十八個英文字，三個誘答項各只有六至八字，長度本身就成了線索；把四個選項的長度拉齊之後，該題的答對率由 0.81 降到 0.62，反而更貼近其真實難度。這兩處修改都沒有更動所考的知識，卻讓題目所測的東西更為純粹。

就段考卷的改造而言，逐題檢視這些缺陷並加以修正，往往不必更動所測的內容，卻能顯著提升題目的心理計量品質。這正說明了：試題撰寫的良窳，並非玄妙的天分，而是一組可學習、可檢核的原則。

選擇題設計的實證知識

上一節談的是題目怎麼寫得乾淨，本節則要示範，連「一道題該有幾個選項」這種看似瑣碎的格式決定，也已經有實證答案可以依循。長久以來的慣例是四個或五個選項，其潛在假設相當直覺：選項愈多，亂猜答對的機率愈低，四選一是 0.25、五選一是 0.20，題目自然愈可靠。這個推理只對了一半。它假定每一個誘答項都真的在發揮誘答的作用，而這個假定往往落空。真正該問的問題因此不是「幾個選項最不容易猜對」，而是「在固定的作答時間內，怎樣配置選項能換得最多的測量訊息」。

Rodriguez (2005) 以一項涵蓋八十年研究的後設分析，為這個問題提供了明確的答案：三個選項通常就是最適的。其論證是，多出來的第四、第五個選項往往是命題者勉強湊出、極少人選擇的「無效誘答項」，既不能有效鑑別，又徒然增加命題與作答的成本；把寫兩個劣質誘答項的力氣，省下來多寫幾道三選項的好題，對整份測驗的訊息量更有助益。這個結論之所以重要，不僅在於它挑戰了根深柢固的慣例，更在於它示範了一種態度：連「幾個選項」這樣的細節，都應交由證據而非慣性來決定。對段考卷而言，把冗餘的第四、第五選項檢視一遍，刪去那些幾乎無人選擇的誘答項，往往是一項低成本而有實效的改進。

自動試題生成與 LLM：品管而非魔法

前兩節所談的撰寫原則，預設題目是人一題一題寫出來的。但當一份測驗要在同一年內多次施測，或要支撐適性測驗所需的大型題庫時，逐題手工命題的成本很快變得難以承受，因為一個像樣的題庫動輒需要上千道經過審題與預試的題目。自動試題生成（automatic item generation, AIG）於是應運而生。傳統的 AIG 採模板取向：先由專家設計一個「試題模型」，即一個帶有若干可替換元素的題目骨架，再以演算法填入不同的數值或情境，批量生成大量同源題目；更進階的認知模型取向，則試圖讓生成的難度可由設計參數預測 (Gierl & Haladyna, 2013)。

近年大型語言模型的興起，把 AIG 推向一個新的、也更需警惕的階段。以 LLM 生成試題看似能瞬間產出無數題目，卻絕不能被當成免除品管的魔法。至少有三個心理計量問題必須正視，其現況也應誠實分級。其一是等值性與品質：LLM 生成的題目在難度、鑑別度上是否穩定、是否真的測到目標構念，仍須經預試校準來確認，這一點屬於已相當確立的要求。其二是偏誤：模型可能複製訓練資料中的刻板印象或對特定群體不利的表述，故生成題目仍須經第二十七章所述的公平性審查，這是進行中、尚無完整解方的議題。其三是資料汙染：若測驗題目或其近似變體已存在於模型的訓練資料中，則以該模型作答或生成，都可能使測驗失去效度，這在以 LLM 能力評估為目的時尤其棘手，目前仍屬爭議與推測交織的前沿。總結而言，LLM 為題目「生成」帶來了規模，卻沒有豁免「品管」的責任；生成得快，不等於生成得好，一道題是否堪用，終究要回到預試與試題分析的檢驗。

預試與試題分析

無論題目是手寫還是生成，在正式使用之前，都應經過預試（pilot testing / field testing），即先在一個代表性樣本上施測，蒐集實際的作答資料，據以評估每道題的表現。這一步把題目由「設計者以為好」推進到「資料證明好」，也是整條流程中道理最明白、卻最常因時程壓力而被省略的一環。省略的代價往往要到正式施測後才浮現：一道答案登錄錯誤的題目，屆時已經影響了數百人的分數。評估的工具，是試題分析（item analysis），其古典指標如下面的方塊所示。

預試該收多少人，沒有放諸四海皆準的數字，但可由「要估什麼」推出量級。若只做古典試題分析，即估計每題的答對率與題總相關，一般建議至少一百至兩百人；答對率是一個比例，一百人的樣本使其標準誤約在 0.05 上下，足以分辨難題與中等難度題。若要做 IRT 校準，所需樣本隨模型複雜度上升：單參數模型數百人可能足夠，二參數模型一般建議五百人以上，三參數模型因多估一個猜測參數，常需上千人才穩定。比人數更要緊的是樣本的組成：它必須涵蓋正式施測時會遇到的能力範圍。若分級測驗的預試只找了英語相關科系的學生，估出的難度將全面偏低，把這組參數帶到全校施測必然失準。

這兩個指標怎麼讀，用具體數字最清楚。設想分級測驗以三百名大一新生預試，其中四題的結果如下。第 7 題 p=0.52、r_{pb}=0.45：約一半的人答對，且答對者以總分較高者居多，這是一道理想的題目，難度貼近受測群體的平均水準且鑑別力強。第 12 題 p=0.94、r_{pb}=0.08：九成四的人答對，題目太簡單，答對與否自然和整體能力沒什麼關聯，鑑別度趨近於零；這樣的題目未必不能用，但放在切截分數附近的貢獻極小。第 23 題 p=0.21、r_{pb}=0.31：只有兩成的人答對，是一道難題，但鑑別度仍可接受，答對者確實多為能力較強者，可留給高分段使用。

最需要警覺的是第 31 題：p=0.44、r_{pb}=-0.22。鑑別度為負，意思是總分愈高的人反而愈容易答錯這一題。這幾乎不可能是「此題專門考驗高手」，而是題目本身出了問題，常見的原因有三：標準答案登錄錯誤、題幹措辭誤導使程度好的人想得太多、或某個誘答項在技術上其實也說得通。這樣的題目不該降級使用，而應直接抽出重新檢視，因為它正把測驗的訊息往反方向拉。

誘答選項分析（distractor analysis）把診斷再推進一層，看的不只是有多少人答對，而是每個選項分別被誰選走。做法是把受測者依總分分為高、中、低三組，列出各組在每個選項上的選答比例，然後看三件事：每個誘答項是否都有人選，被選率低於 0.05 者形同虛設，應改寫或刪除；誘答項的吸引力是否隨能力遞減，健康的誘答項應是低分組選得比高分組多；以及是否有誘答項對高分組特別有吸引力。承前例，若第 31 題的高分組有 0.48 選了選項 C、僅 0.30 選了標準答案 B，這強烈暗示 C 在某種合理的解讀下也成立，或 B 的敘述有瑕疵。誘答選項分析因此不只是汰題的工具，也常是發現學生共同迷思概念的窗口。

古典試題分析簡便直觀，卻有一個先天限制：其指標依賴於受測樣本，樣本能力高則題目顯得容易，難度與鑑別度都會隨樣本浮動。這正是第十七章項目反應理論的用武之地：IRT 校準把題目參數放到一個不依賴特定樣本的量尺上，使不同批次預試的題目得以在同一把尺上累積，這對長期維護的題庫至關重要。古典指標與 IRT 校準因此是互補的：前者快速、直觀，適合初步篩檢；後者嚴謹、可跨樣本連結，適合正式的題庫建置。就段考卷而言，即使無法對每道題做完整的 IRT 校準，至少應以古典試題分析檢視答對率與鑑別度，剔除鑑別度為負或過低的問題題目。

題庫：建置、維護與安全

題目經預試與校準而確認可信之後，下一個問題是把它們放到哪裡。答案是題庫（item bank），即一個儲存了大量題目及其校準參數、內容標籤、認知歷程標籤、版本與使用紀錄的資料庫。題庫的價值，在於它把「題目」由一次性的消耗品，轉為可長期累積、反覆調用的資產：組一份新卷，不再需要從零命題，而是依規格自題庫中挑選。但題庫要發揮這個功能，有一個前提常被忽略：庫中所有題目的參數必須落在同一把尺上，否則「這題比那題難」只是兩批不同受測者留下的印象，而非可以相互比較的事實。

要把不同批次預試的題目放到同一把尺上，靠的是共同題設計（common-item design），即所謂錨定題（anchor items）設計。設想分級測驗第一年預試了四十題，第二年要擴充三十道新題，則第二年的預試卷刻意放入第一年的十二道舊題與三十道新題。這十二道錨定題的參數已知，如同兩張地圖上的共同地標，可用來估計兩批樣本能力分布的落差，再把新題的參數轉換到既有的量尺上。錨定題的選取有其講究：數量通常建議占全卷兩成以上，難度須橫跨整個量尺，內容組成宜像一份縮小版的正式測驗。其技術細節屬於量尺化與等化的範疇（第二十三章），此處要建立的觀念是：題庫的可累積性不是儲存問題，而是設計問題。

題庫的維護與安全，是持續而非一次性的工作。維護方面，題目會隨課綱變動、社會脈絡改變而過時，須定期檢視、汰換，並持續補入新題以擴充涵蓋。安全方面，最大的威脅是試題暴露（item exposure）：一道題若被過度使用、或遭洩題，其答案便可能在考生間流傳，使它不再測到能力而只測到「是否看過這題」。控制試題暴露，一方面靠擴大題庫規模、輪換使用，另一方面在適性測驗中則有專門的曝光控制演算法（第二十四章）。近年還多了一重新的威脅，即前述的資料汙染：當題庫題目流入了大型語言模型的訓練資料，其效度同樣受損。題庫因此不是一個建好就一勞永逸的靜態倉庫，而是一個需要持續照料的活的資產。

組卷：從人工到最佳化

有了題庫，下一步是組卷（test assembly），即從題庫中挑出一組題目，構成一份符合規格的試卷。人工組卷仰賴命題者的經驗逐題挑選，既費時，也難以同時滿足眾多彼此牽制的約束：既要符合藍圖的內容配額、又要達到目標的難度分布與測驗訊息、還要控制題長與作答時間。為了補足統計主題的配額而換進一道題，可能就破壞了原本調好的難度分布。題庫有三千題、約束有二十條時，靠人腦逐一試錯不僅沒有效率，也說不清「為什麼是這一份卷而不是另一份」。

自動化組卷把這個問題形式化為一個最佳化問題，如下面的方塊所示。

把組卷形式化為最佳化，帶來的不只是效率，更是可稽核性：所有的規格要求都被明白地寫成約束，組出的卷子必然滿足它們，而非仰賴人工挑選的良心。這套線性規劃的思路，在固定卷之外，更是電腦化適性測驗即時選題的基礎，其中「影子測驗」等技術把整卷的約束帶進逐題選擇，這將於第二十四章展開。就段考卷而言，即便規模不足以動用完整的最佳化組卷，把「這份卷要滿足哪些明確約束」寫下來，本身就是一種紀律的提升。

標準設定：分數線的效度論證

前面幾節處理的是如何得到一份好的試卷與一個可信的分數，但許多測驗的用途並不停在分數，而是要據以做出分類決定：通過與否、及格與否、精熟與否，或如本章的英文分級測驗，要把新生分入三種班級。這就需要一條切截分數（cut score）。切截分數從何而來？它不是能力連續體上一道天然存在、等著被發現的界線，而是價值判斷與實證資料交會的產物，回答的是「達到什麼程度才算足夠」這個政策問題，因而是一個須經正當程序建立、並須提出效度論證的判斷。設定切截分數的方法學，即標準設定（standard setting；(Cizek & Bunch, 2007)）。

標準設定方法眾多，其思路可分兩類。以試題為中心的方法，如 Angoff 法，請一組專家評判「一個剛好達到及格標準的臨界考生，答對每一道題的機率是多少」，再把這些機率加總，即得該專家心中的切截分數，最後彙整各專家的判斷。以受測者為中心的方法，如對照組法，則直接找出已知精熟與未精熟的兩群人，觀察其分數分布的交會處作為切截點。書籤法則把題目依難度排序，請專家在「臨界考生恰好不再有把握答對」之處放下書籤。這些方法各有假設與偏誤，但共同的精神是：切截分數必須來自一套有紀律、可記錄、可辯護的程序，而非由主事者一句「六十分及格」隨意訂定。Angoff 這類方法所彙整的專家判斷，本身帶有可觀的變異。設想十位專家對同一份分級測驗給出的切截分數落在 21 至 27 分之間，這個離散本身就是應報告的資訊：它提醒使用者，把切截分數當成精確到小數點的門檻並不誠實。標準設定的過程因此也須報告專家間的一致性，並把切截分數所隱含的分類錯誤如實呈現。一條切截分數的正當性，最終同樣是一個效度論證的問題。

常模與分數解讀

測驗分數本身往往不具意義，一個學生數學考了四十分，究竟是好是壞，取決於與什麼相比。常模參照的解讀，把個人分數放到一個常模樣本（norm group）的分布中，以百分等級、標準分數等形式表達其相對位置。建立常模的關鍵，在於常模樣本必須能代表所欲比較的母體，一個以都會明星學校為常模的測驗，用來解讀偏鄉學生的分數便會失真；因此常模樣本的設計，本質上是第九章抽樣代表性問題的具體應用。

常模參照之外，還有標準參照的解讀，即以分數對照一套事先界定的能力描述（如「精熟」「基礎」「待加強」），回答「這個人會了什麼」而非「贏過多少人」，這正與上一節的標準設定相銜接。近年大型測驗也發展出連續常模等技術，以模型平滑地估計各分數點的常模資訊，取代逐級查表。無論採哪一種解讀框架，其共同要求是：分數的意義必須被明白地界定，而非任由使用者望文生義。就段考卷而言，若只回報一個原始分數而不交代其解讀依據，這份分數的意義便懸而未決。

技術文件：測驗的履歷

走到這裡，一份測驗已經有了構念界定、藍圖、經預試校準的題目、題庫、組卷規則、切截分數與常模。但這些工作若只留在承辦人員的硬碟與記憶裡，一旦人員更迭便隨之蒸發，日後也無人能重建當初的判斷是怎麼做成的。測驗編製流程的最後一環，因此是把前面所有的環節記錄下來，形成技術文件（technical documentation / technical manual）。它是測驗的履歷，交代了構念界定、測驗藍圖、試題來源與分析、信度與效度證據、標準設定的程序、常模樣本的組成等一切關鍵資訊。

技術文件的重要性，正呼應了本章開篇的核心立場：測驗發展是一套可審計的流程。沒有技術文件的測驗，即使題目本身尚可，也無從被外部檢驗其品質，使用者只能被動地信任。當代《教育與心理測驗標準》(AERA, APA, and NCME, 2014) 明確要求（其效度架構詳見第七章），任何具重要用途的測驗，都應提供充分的技術文件，使其分數詮釋與使用的正當性得以被獨立審查。就段考卷這樣的校內評量而言，固然不必如大型測驗般製作完整手冊，但至少應留下藍圖、試題分析結果與切截分數的依據，使這份考卷的品質有據可查。技術文件把測驗由一個黑箱，轉為一個可問責的公共製品，這正是專業測驗發展與隨性命題的分野所在。

小結

本章把測驗編製呈現為一套可審計的工程流程，而非一次仰賴靈感的即興。這條流程由若干環節串成：以構念界定與測驗藍圖確立要測什麼，以證據中心設計把效度做進設計，以實證化的試題撰寫指引與選項數研究提升題目品質，以預試與試題分析、乃至 IRT 校準把品質由「設計者以為」變為「資料證明」，再以題庫、組卷、標準設定、常模與技術文件，把題目經營為可長期使用、可解讀、可問責的評量系統。貫穿其間的段考卷與英文分級測驗兩個實例顯示，無論是一份校內考卷，還是一項用來分班的能力測驗，套用這套流程的思維都能顯著改善其品質。

本章也開啟了第五部的旅程，即把測量理論帶出實驗室、落實為測驗的生命週期。編製只是這趟旅程的起點。一份題庫要能在不同年度、不同版本之間維持分數的可比較性，須靠量尺化與等化（第二十三章）；要能依受測者的能力即時選題、大幅提升效率，須靠電腦化適性測驗（第二十四章）；而本章屢次點到、卻留待專章處理的公平性審查與無障礙設計，則是第二十七章的主題。測量與真實世界的相遇，才剛剛開始。

參考文獻