Qjudge下世代的數位學習體驗

一、創業動機：從真實考務現場出發

1.1 AI 時代下新型態的評量模式

我曾經在管理學院擔任大一計算機概論大助教。那門課希望學生學會基本程式能力，但實際評量常被迫用紙筆呈現程式碼，或用偏知識記憶的題目取代本來應該有的上機實作。這種方式很難看出學生能不能真的寫出程式、執行程式、看懂錯誤並完成除錯；對老師與助教來說，不同字跡、不同格式與各種跳躍式寫法，也會讓批改變慢，標準不容易一致。

AI 工具普及後，回家作業作為正式評量依據的可信度下降，越來越多老師把作業、報告或能力檢核移回課堂現場。以這門計算機概論課為例，原本一學期可能只有期中、期末兩次大型考試，後來變成多達六次正式測驗；其他系所也有類似情況，例如會計學課程每週都需要線上考試。當考試次數增加，每一場紙本考試都要準備考卷、送印、封存、發卷、收卷、批改與登分，考務成本會反過來限制老師設計更多上機題、開放題或實作型評量。

1.2 觀察到問題，誕生第一版 QJudge 雛形

因此，我先幫管理學院的老師們做出第一版線上程式測驗平台。教師與助教可以在平台上出題、辦考試與監考；學生直接在線上作答；系統自動判題並整理結果。課程不需要額外安裝應用程式，也不用靠斷網處理考場管制。

後續有其他大學教師希望把這套系統用在自己的課堂。其中一門約 130 人的課，原本採用紙本考卷，並搭配 10 至 20 題左右的開放式問答。這個案例讓產品從線上程式測驗工具，逐步走向正式線上考試系統，開始處理混合題型、監考紀錄、考後批改與資料整理。

二、問題洞察：AI 時代下正式測驗的缺口

第一版系統先解決一門課的考務問題：怎麼讓老師出題、學生作答、助教監考與批改都在同一個線上環境完成。往外看，這個壓力也出現在其他課程與機構場域；當回家作業的可信度下降，更多學習檢核會回到課堂與正式測驗，題目整理、監考可信度、批改登分與資料留存都會成為負擔。

2.1 痛點一：行政成本壓縮題目設計

教師應該把更多資源投注在教學設計、題目品質與學生理解，但現場常被繁瑣的行政成本拉走。一場紙本考試從考前到考後，會經過很多看似理所當然、實際上很耗人力的流程。教授可能先用 Word 出題，再交給助教檢查格式、配分與題目敘述，有些考試還需要送交學校或單位審批。題目確認後，紙本考試還要送印、封存，考場當天再由助教或監考人員整理考卷、發卷、收卷、清點份數。

考試結束後，工作還沒有結束。考卷收回來後，老師與助教要在紙本上逐份批改，再把分數登記到成績表，遇到開放題、問答題或需要部分給分的題目，還要反覆校對標準與分數。當學生人數增加，這些工作會變成大量的人事成本。

這些行政成本累積起來，會反過來限制老師設計考試的意願。老師可能知道程式上機考、開放式問答、實作題更能反映學生能力，但只要想到後續批改與整理成本，就很容易退回選擇題、是非題與填充題。AI 已經讓知識取得與生成變得更容易，教育測驗卻仍被迫停留在比較僵化的題型；問題往往不在老師缺乏想像，而在行政成本讓考試變化很難被執行。

2.2 痛點二：線上考試缺少可信的防作弊與監考流程

老師不願意把正式考試搬到線上的原因很直接：怕學生作弊。學生可能切換螢幕查資料、截圖題目傳給別人、用通訊軟體求助，或直接把題目丟給 ChatGPT 生成答案。只要這些行為沒有被記錄，老師就很難相信線上考試的結果。

現行常見做法大多是在考試外面再加一層限制：

1. 使用網路限制：限制校內 IP、固定考場或指定網段，要求學生在特定地點作答。
2. 斷開網路：用斷網或局域網環境降低查資料、通訊與外部協作的可能。
3. 使用 Safe Exam Browser 或客製化 App：要求學生安裝指定瀏覽器或考試 App，限制切換視窗、截圖與外部程式。

這些措施可以降低部分風險，但也讓線上考試變得很難推進。教師要處理設備、網路、安裝、相容性與考場管理；學生也必須配合額外設定。當一場線上考試仍然需要大量物理限制與前置準備才能執行，老師與學校自然會傾向繼續使用紙本或傳統考場。

核心問題在於把防作弊與監考流程做進線上考試本身。系統會保存監考狀態、切換視窗或異常事件、交卷紀錄與作答資料，讓考後可以回看。它不承諾消滅所有作弊，但要讓線上考試從「無法信任」變成「有紀錄、可追溯、可判斷」。

2.3 痛點三：考試資料分散，LLM 分析難以落地

現在大家都在談 LLM 導入教育，但 LLM 要做出有用的分析，前提是資料能被取得、被整理、被調用。更重要的是，這些資料必須來自受信任的正式測驗環境。學生在正式測驗中產生的作答紀錄、交卷紀錄、批改結果與監考事件，才是後續做學習分析、題目分析與教學調整時最關鍵的資料。

考試如果仍以紙本為主，考後資料會散在試卷、答案紙、人工批改紀錄與 Excel 成績表裡。教師若想用 LLM 做考試總結、強弱項分析或題目鑑別度分析，還要先掃描紙本、整理題目、轉錄答案、對齊分數，才能把資料交給模型。這個流程很不合理。既然考試本身會產生題目、作答、分數、批改紀錄與監考事件，這些資料就應該在考試發生時被集中到同一個平台。

第一步是把正式考試流程數位化，讓題目、答案、批改、成績與監考紀錄能被整理成結構化資料。等資料基礎建立起來，後續才有條件用 LLM 做班級總結、個別學生弱點、題目品質與鑑別度分析。

2.4 產品方向與教育想像

AI 進入教育後，最先被看見的改變，是學生變得更容易取得知識。ChatGPT、NotebookLM、AI 助教與各種學習工具，都在幫學生整理資料、生成筆記、獲得即時解答，或用更個人化的方式學習。這些工具確實讓學習過程變得更有效率，也讓學生的自我調節能力與判斷能力變得更重要。

但教育也需要「正式檢核」。當學生可以用 AI 完成回家作業、整理報告或生成答案，學校更需要一個可信的方式，確認學生是否能在規則下使用知識、完成任務並說明判斷。

產品方向是先把正式測驗的基礎建設做好。也就是先讓教師可以在同一個受信任的線上環境中建立題目、執行考試、掌握監考紀錄、完成批改、匯出成績，並把題目、作答、分數與事件紀錄整理成可回溯的資料。這一步看起來不花俏，卻是後續所有 AI 應用的前提。

在這個基礎上，系統才會延伸 AI 批改、考後分析、個人化回饋與 AI 協作型測驗。未來的考試不必只停在選擇、填充與是非題，學生也可能需要操作 AI、判斷 AI 回覆、整合資料並完成任務；這類評量必須建立在可信、可回溯的考試資料之上。

三、解決方案：半 AI 輔助、流程可信任的線上考試平台

解決方案是把考前準備、考試進行與考後處理整併在同一個系統中，並在關鍵環節加入 AI 輔助與人工複核。系統負責整理流程、保存紀錄與降低重複工作；教師仍保留題目品質、評分標準與正式採用的最後決定權。

階段 1：考前準備

考前準備的首要工作，是把題目整理成可以正式執行的測驗。AI 可以協助生成題目草稿、檢查題幹、答案與評分規準，但題目是否採用、難度是否合適、配分是否合理，最後仍由老師決定。完成題目後，平台再接著整理考生名單、作答規則與身分認證流程，讓實體線上考或遠端線上考都能在同一套流程中完成。

• 題目整理與 review：教師可在平台中整理題目、檢查題幹、答案、rubric 與配分，避免正式開考後才發現題目不清楚或標準不一致。
• AI 出題與品質檢視：AI 可協助生成題目草稿、檢視題目敘述與評分規準，但正式題目的決定權保留給教師。
• 題型設定：支援選擇、填空、簡答、開放題與 Coding 上機題，讓混合題型可以被放進同一場考試。
• 配分與作答規則管理：統一設定考試時間、題目配分、作答限制與交卷規則，降低考前人工確認成本。
• 考生名單與身分認證：將考生名單、考試權限與身份確認集中管理；實體考場可使用到場簽到，遠端考試則可使用 Face ID 掃描或臉部識別作為身分確認流程。
• 考前檢查與發布：讓教師與助教在正式開考前確認題目、規則、名單與考試狀態，降低臨場錯誤。

階段 2：考試進行

考試進行時，系統同時需要滿足兩種使用者：一是作答者本身，二是監考人員。對作答者而言，系統要提供穩定、清楚且受保護的作答環境；對監考人員而言，系統要建立一條可回溯的監考證據鏈，讓異常狀況可以被即時掌握，也能在考後被檢視。

考生進入正式考試時，系統會要求完成必要的考前環境確認，例如開啟鏡頭、分享螢幕、切入全螢幕模式，並在考試期間持續監看滑鼠或視窗焦點是否離開作答視窗。當焦點離開、全螢幕中斷、螢幕分享異常或監考人員標記可疑狀況時，系統會立即留下事件紀錄與截圖，形成可供監考與考後複核使用的證據鏈。

• 作答與交卷：學生在同一個介面完成讀題、作答、計時與交卷。
• 環境確認與保護：考生依規則開啟鏡頭、分享螢幕並切入全螢幕模式。
• 事件紀錄與截圖：焦點離開、全螢幕中斷、螢幕分享異常或監考標記會被記錄，並保留必要截圖。
• 混合題型支援：同一場考試可包含選擇、填空、簡答、開放題與 Coding 上機題。
• 作答狀態保存：系統保留作答進度、交卷時間、作答狀態與監考事件，供考後批改與爭議處理使用。

對主辦或監考考試的單位而言，系統應具備以下功能：

• 監考總覽：集中查看考生是否開始作答、是否在線、作答進度與交卷狀況。
• 風險事件處理：焦點離開、全螢幕中斷、螢幕分享異常與截圖紀錄會集中在事件清單中，讓助教優先處理高風險學生。
• 考後證據鏈回溯：所有異常事件、截圖、交卷狀態與監考註記都能回到同一份紀錄，支援爭議處理與成績複核。

階段 3：考後批改、資料整理與分析

考後處理的目標，是讓分數計算、批改、登分、複核與資料分析能接在同一條流程上完成。這個階段應具備以下功能：

• 自動判題：客觀題與程式題可由系統先完成判讀，減少重複批改。
• AI 批改：開放題可由 AI 根據題目、參考答案與 rubric 產生建議分數與評語。
• 人工複核：正式分數仍保留教師或助教複核，避免 AI 直接取代評分責任。
• 成績匯出與校對：批改完成後可匯出成績與作答資料，降低登分與校對成本。
• 考後分析：整理題目得分率、常見錯誤、班級弱點與個人作答狀況，作為後續教學檢討依據。

產品帶來的價值

產品價值可以收斂成三個結果：

• 考務時間下降：減少題目檔案整理、發卷收卷、人工登分與重複校對。
• 考試紀錄更完整：保留作答、交卷、監考事件、批改與成績資料，支援考後回溯。
• 混合題型更容易被正式採用：降低開放題、實作題與上機題的批改與整理成本。

四、產品進展：平台功能開發進度與場域驗證

目前已完成正式線上考試的主要平台功能，並在 NYCU 真實課堂中完成場域驗證。從公開產品資訊與實際導入經驗來看，平台已服務超過 200 位教師與學員，並完成 150 人以上同時在線的考試驗證。

4.1 平台功能開發進度

目前版本已能支援教師與助教完成考前、考中與考後的主要工作。下表將功能拆成具體產品 Feature，並以簡單狀態標示平台開發進度與 AI Tool 取用狀態。這裡的 AI Tool 取用狀態，指的是該功能是否已接入或規劃接入 LLM / AI Agent 相關能力；若功能屬於平台基礎設施，則標示為暫不涉及。

4.2 NYCU 資訊與財務工程學系：計算機概論課程

計算機概論課程需要確認學生是否真的具備基礎程式實作能力。若採用紙本或半數位流程，學生常需要在考卷上手寫程式碼，助教再逐題人工判讀邏輯、語法與輸出結果。這種方式批改慢，也容易因字跡、格式與評分標準不同而增加整理負擔。

導入前後的差異可以拆成考前、考試進行與考後三個階段來看：

詳細人力節省試算集中整理於 5.4。

4.3 NYCU 資訊科學與工程研究所：OS 作業系統課程

OS 課程包含選擇、填空、簡答與程式撰寫等題型，學生人數也比計算機概論更多。過去若採紙本混合題考卷，教師與助教需要在考前整理題目、印製考卷，考中安排多位助教巡場與收卷，考後再分工批改與登分。

OS 課程驗證了另一種情境：學生人數更多、題型更混合，考後仍需要保留教師與助教的複核，但重複批改與成績整理可以被大幅壓縮。詳細試算集中整理於 5.4。

4.4 下一階段開發重點

接下來的產品重點會放在三件事。第一，增加題型多元性，讓老師能更低成本地從紙本考卷轉到線上測驗。若要承接台灣升學考試或大型模擬測驗，不能只支援選擇、填空與一般文字作答，也需要讓學生在線上完成數學證明、化學分子結構或反應鏈繪製、座標圖與圖形標註等作答形式。這會是下一階段最重要的產品指標。

第二，讓考前設定更自助化，降低每次交付需要人工協助的比例。第三，強化開放題與混合題型的 AI 批改、教師複核與考後分析流程，讓每場考試除了產生成績，也能產出班級弱點、題目品質與後續教學建議。

五、市場機會：目標客群、替代方案與人力節省

市場不適合用「所有線上學習平台」來估算。比較合理的邊界，是學校與教育機構中具有正式性、需要監考紀錄、需要批改與考後資料整理的考試或檢測場景。這類場景的採購動機通常包含降低人力、留下紀錄、支援複雜題型，並讓考後資料可以繼續用於教學分析。

5.1 台灣可服務市場

這裡不把全台所有學校都當成可以立即取得的市場。初期更應該估算的是：在高等教育、實驗教育、機構與檢定單位中，每年有多少「可實際成交的付費單位」會購買線上考試系統服務。這裡的付費單位不一定是一整所學校，也可能是一門課、一個系所、一個院級中心、一個協會，或是一個檢定專案。

根據教育部統計，113 學年度台灣大專校院共有 140 所、學生數 1,074,365 人；高級中等學校共有 506 所、學生數約 549,843 人。這些公開母體用來確認需求存在，但早期估算採保守方式，只計入可透過既有場域、教授人脈、合作洽談與機構專案推進的成交單位。

5.2 台灣現況與市占判讀

台灣目前沒有公開資料可以直接說明「線上正式考試系統」的市占。實務上，市場多半被三種既有做法吸收：

1. 學校既有 LMS 或教學平台處理線上測驗。
2. 教師與助教用紙本、Google 表單、Excel、通訊軟體與人工批改拼接流程。
3. 資訊或實作型課程會用程式作業平台處理上機題，但其他題型、正式監考流程與考後資料整理仍需另外處理。

因此，初期不適合用「取代某個 LMS」作為市場假設。更好的市占口徑，是以正式考試事件數、機構專案數與重複使用率來觀察。如果一所大學有大量課程，第一階段只需要先處理其中最痛的 10 至 20 個考試場景，就能形成可驗證的收入與案例。

5.3 競品分析

若只比較「線上出題與作答」，產品容易被放進一般測驗工具或 LMS 附屬功能。比較合理的競品邊界，是正式考試流程需要的幾個能力：考前題目與考生管理、考中監考與紀錄、考後批改與資料整理，以及 AI 能否進入整個流程。

下表用功能矩陣整理本產品與常見替代方案的差異。綠色 ✓ 代表主要功能完整支援，黃色 △ 代表部分支援、需外掛或需人工補流程，— 代表通常不是該類產品的主要能力。

競品與替代方案可以分成幾類來看：

• LMS / 表單：包含 TronClass、Moodle、Canvas、Google Classroom / Forms 等既有教學工具。適合發布教材、繳交作業與簡單測驗，但正式考試需要的監考紀錄、異常回溯、批改複核與考後分析仍需要大量人工補流程。
• 通用測驗平台：包含 OnlineExamMaker、Quilgo、SurveyMonkey Online Quiz 等線上測驗產品。這類工具能快速建立測驗，也開始加入 AI 出題或監考功能，但多半以問卷或通用測驗為核心，較難直接承接台灣課堂中的混合題型、助教批改流程與校內導入情境。
• 批改 / 作業平台：包含 Gradescope 或 LMS 內建作業批改模組。它們在作業批改與 rubric 管理上有優勢，但通常不處理完整的考前名單、考中監考、交卷狀態、事件紀錄與考後資料整合。
• 核心競爭力：把題目建立、學生作答、監考紀錄、批改複核、成績整理與考後分析放在同一個受信任的系統中，並以台灣教育場域導入、混合題型支援與考後資料分析作為差異。

5.4 考務人力節省試算

這一節把重點放在人力資源回收，而非報價金額。正式考試仍需要教師設定評分標準，也需要助教處理例外狀況與爭議題；系統減少的是大量重複、可規則化、可被完整紀錄的工作，例如批改、登分、成績匯出與考後資料整理。

以下用三個考試情境試算。數字依既有場域與報價模型推算，用來說明人力節省方向；實際導入仍會依題型、複核比例與考試規模調整。

以 OS 課程為例，傳統批改下每場考試約需要 65 小時，若由 5 位助教分攤，每人仍要花約 13 小時；導入後，每場批改時間可降至約 13 小時，平均每位助教約 2.6 小時。教師與助教仍然掌握評量品質，但時間會集中在題目品質、爭議題複核與學生學習狀況判讀上。

對機構型考試而言，節省的人力更明顯。線上分科模擬考若包含 8 場考試與大量開放題，人工流程會把時間分散在監考、批改、登分與資料整理上。資料集中在同一個系統中，AI 批改、人工抽查、成績匯出與考後分析就可以接在同一條流程上完成。

六、推廣策略：多元課堂導入與機構合作

初期不急著推動全校性採購或大型標案。更實際的做法，是先讓更多老師在不同課堂中實際使用，讓教師與學生感受到數位測驗在出題、作答、監考、批改與成績整理上的便利。早期推廣目標不是一次簽下整所學校，而是先讓多元課堂嘗到數位測驗的甜頭，累積使用回饋與導入案例。

6.1 多元課堂導入與回饋迭代

下一步會透過在交大念書的碩博士與教授人脈，試著將系統推廣到更多科系、課程與教學場景。每一次導入都同步收集老師、助教與學生的使用者回饋調查，用來修正題型支援、監考流程、批改介面與報表輸出。現階段不急著讓整個學校進行大規模標案與採買，而是先讓老師願意使用、願意再開下一場考試，讓產品在真實課堂裡迭代。

6.2 合作推進時程

除了課堂導入，團隊也已開始接觸具合作意願的教育與研究單位。這些機會尚未列為已完成場域驗證，但可作為下一階段的合作來源，用來確認不同類型機構對正式線上測驗的採用條件。

這一階段的重點，是把不同課堂與機構的使用情境整理成清楚案例。當老師願意持續使用，學生也能接受數位測驗流程，後續再推動系所、院級或機構合作會更自然。

七、收費模式：訂閱、點數與機構方案

收費方式以月費與年費訂閱制為主，不以單場專案作為主要收入模型。客戶先選擇 Basic、Pro、Max 或大型機構方案；若使用量超過方案內含額度，再額外購買點數。這樣可以降低早期導入門檻，也讓收入從一次性專案轉向可預測的 recurring revenue。

第一個最可能成交的收費場景，會是「具明確考試需求的機構或院級單位」。這類客戶本來就需要舉辦多場次測驗，也能直接感受到批改、登分與考後資料整理的人力成本，因此比較容易理解大型機構方案、年度方案或考試點數加購的價值。單一教師與小型課程則適合作為低門檻入口，透過 Basic / Pro 方案累積使用案例，再推進到系所、中心或機構年約。

7.1 訂閱方案與點數加購

標準收費先以訂閱方案建立穩定收入，再用點數處理短期高峰。Basic、Pro、Max 的差異不是單純帳號數，而是每月可承載的考試數量、線上施測人時、AI 點數與監考紀錄能力。這樣設計可以讓單一教師或小型單位用 Basic 低門檻開始，也能讓多門課、大班測驗或系所單位逐步升級到 Pro 或 Max。

若客戶超過方案內含額度，可額外購買點數。點數加購不作為獨立方案，而是訂閱客戶的超額使用機制，讓期中、期末、大型模擬考或跨班級使用時的短期高峰有清楚計價方式。

AI 批改與 AI 出題統一用 AI 點數計算，可以避免客戶需要理解 token 數量或不同 AI 功能的細項價格。Coding 判題作為平台能力納入方案，不作為獨立收費項目，避免增加客戶的計費理解成本。

7.2 大型機構落地方案

大型機構方案是較高使用量搭配落地服務的方案。這類客戶通常需要把考試系統放進既有校園或機構流程，因此報價除了使用量，也會納入導入規劃、帳號權限、資料格式、LMS 串接、SSO 身份認證、校務格式整合與教育訓練。這些項目不適合包進一般 Basic / Pro / Max 方案，應作為大型機構的導入與客製整合內容。

7.3 成本與毛利估算

收入主要來自三個來源：月費 / 年費訂閱、超額點數加購，以及大型機構的導入與客製整合。毛利計算時，先只看「客戶使用平台時會直接增加的成本」，例如雲端主機、資料庫、儲存、頻寬、AI token、平台運算、監控備份與基礎客服。工程師薪資、產品開發、行政、會計與行銷費用則屬於公司營運費用，不放入毛利成本。

這樣切分可以呈現產品交付效率。若一位客戶多考一場、增加考生人時或使用更多 AI 點數，會增加的是雲端與 AI 成本；工程師開發新功能、公司維持營運與行銷推廣，則不會因為單一場考試立刻等比例增加。因此毛利率用來看平台本身是否能有效交付，營業損益則再納入人事與行銷。

以基準月估算，若月收入約 NT$175,000，平台直接成本約占 28%，則月毛利約 NT$126,000，毛利率約 72%。這筆毛利再用來支撐工程 / 產品人力約 NT$100,000、公司固定營運成本約 NT$10,000 至 NT$20,000，以及必要的銷售與行銷支出。因此第一年在客戶數不足時可能接近損益兩平或小幅虧損；當月收入成長至約 NT$500,000 以上，固定人力與營運成本被攤薄，訂閱收入就能開始支撐公司獲利。

7.4 三年營收規劃

第 1 年重點是用 Basic、Pro 與少量 Max 客戶建立可公開案例；第 2 年提高 Pro、Max 與年約收入占比；第 3 年擴大型機構訂閱與續約收入。若以工程 / 產品人力 NT$100,000 / 月、公司維持營運成本 NT$15,000 / 月估算，第 1 年仍可能小幅虧損，第 2 年起有機會轉正。

八、團隊能力與推進里程碑

8.1 關於創辦人：經歷如何回到產品推進

現階段由創辦人張百寬主導開發與場域推進。創辦人目前就讀國立陽明交通大學資訊工程學系碩士班，並在校內資訊技術服務中心參與系統開發；過去也曾累積課程助教、IBM Taiwan 實習、AI Agent 產品與競賽專案經驗。

這些經歷對產品推進的幫助，集中在三件事：理解真實考務現場、能與校園系統整合、能把 AI 功能落成可交付的產品。

8.2 推進里程碑

未來 12 個月的推進重點，會從既有課堂導入經驗往外擴張。第一步先把既有課程案例整理成可複製的導入流程；第二步以具付費意願的機構考試做試點；第三步再推進到系所、院級、中心級或教育機構合作。這樣的順序能讓產品從「單場考試可用」，逐步變成「機構可以採用」的服務。

8.3 未來開發計畫

目前 Web App 已完成可正式使用的核心流程，短期重點是把已驗證流程整理成可重複導入的設定模板、測前檢查、監考 SOP 與考後報表。移動端 App 會放在下一階段，定位為考生通知、身分確認、監考提醒與成績回饋的輔助工具，正式作答主流程仍以 Web App 為核心。

九、風險評估與落地策略

線上考試會遇到教師採用意願、校園採購、AI 批改信任、個資隱私與交付成本等問題。這些風險不會讓計畫失去可行性，但會影響導入速度與商業模式。因應方式是先用低門檻訂閱或合作 pilot 驗證，再累積 SOP 與案例。