---
name: training-evaluation-form
description: 兼容柯氏四級的教學評估包——8 道反應題、信心自評、保持/改變問句，加第 30 天回訪拿第三級行為證據。
version: 2.0.0
license: CC-BY-4.0
allowed-tools: Read, Write, Bash(curl:*), Bash(unzip:*), Bash(npm:*), Bash(formlm-cli:*), Bash(python3:*)
metadata:
  category: feedback-forms
  group_size: 1
  duration_minutes: 7
  setting: hybrid
  props: [撲克評估卡, 筆, 一個用來發第 30 天追蹤的郵箱]
  depth: assessment-type
  language: zh-hant
  updated: 2026-10-11
---
# 培訓評估表

多數評估停在滿意度。這套包從第 1 級走到第 3 級，邊界在哪如實寫明，最後變成一份管理者無需翻譯就能轉發的單頁報告。

## 什麼時候用這個活動

- 企業培訓專案結束，管理層要的是證據，不是掌聲。
- 重複開辦的課程需要保持/修改清單，而不只是趨勢線。
- 品質體系（TTQS、資歷架構一類的記錄）需要全場層面的培訓成效文件。

## 資料夾裡有什麼

| File | 用途 |
|---|---|
| `道具卡.pdf` | 撲克規格印刷評估卡組：說明卡、反應題卡、自信度卡、保持/修改卡 |
| `執行手冊.pdf` | 印刷版：執行腳本與反思引導表合訂成一份 A4 PDF |
| `*-Letter.pdf` | 本資料夾印刷文件的 US Letter 紙型版——內容相同，每冊均含書籤與可點擊目錄 |
| `執行指南.md` | 使用指南：級別覆蓋、第 2 級代理、第 30 天追蹤、翻車點 |
| `反思引導問題.md` | 讀結果：逐題表、第 30 天郵件模板、管理層單頁報告 |
| `測評預設.json` | 完整題目集：8 道題 + 3 道自評 + 2 道開放題 + 3 道第 30 天追蹤，純 JSON |
| `答卷.pdf` | A4 答卷——列印填寫版（工作坊用） |
| `簡報.pdf` | 簡報——帶場用的 11頁幻燈，一頁一個觀點 |
| `簡報.html` | 簡報（HTML）——任意瀏覽器投屏，按一次出一條，內建講者提示 |
| `學員工作簿.pdf` | 學員工作簿——通俗講解、帶引導的題目、筆記與行動頁 |
| `使用許可.md` | 使用許可——平實說明你能做什麼、必須保留什麼 |
| `活動海報.pdf` | 一面牆講完整場活動（A3）：速覽、流程、覆盤問題、注意事項。 |
| `快速上手.md` | 快速上手——按身份取用、檔案地圖、列印清單 |

## 怎麼跑

1. 每位參與者列印一套評估卡；最後一場課程的最後幾分鐘發放。
2. 按 `反思引導問題.md` 讀結果：先看逐題均值，再看自信度，最後看保持/修改清單。
3. 辦培訓當天就把 30 天后的郵件排進日程（模板在解讀表裡）——趁你還記得屋裡坐的是誰。
4. 第 30 天發出；回收率是在場表的三分之一，正常且夠用。
5. 按模板填管理層單頁報告——一頁是上限，不是起點。

## 把這個活動交給 AI 代理執行

引導師可以把整個資料夾交給自己的 AI 代理。先裝——一條命令，裝出來就是任何 skills 載入器都認的目錄：

```bash
# install the whole skill folder, one command
curl -LO https://workshopskill.com/zh-hant/activities/training-evaluation-form/files/training-evaluation-form.zip
unzip training-evaluation-form.zip   # -> training-evaluation-form/SKILL.md + all files + manifest
```

zip 解壓後是名為 `training-evaluation-form` 的目錄，內含這份 SKILL.md、它引用的全部檔案，外加 manifest。

只需要其中幾個檔案時，逐條取用——匿名可用，CC BY 4.0：

```bash
# 1. 拿到可列印的評估卡（扑克卡組，CC BY 4.0）
curl -O https://workshopskill.com/zh-hant/activities/training-evaluation-form/files/道具卡.pdf

# 2. 拿到 A4 答卷（實體進行工作坊每人印一張）
curl -O https://workshopskill.com/zh-hant/activities/training-evaluation-form/files/答卷.pdf

# 3. 拿到解讀指南（逐題表 + 單頁報告模板）
curl -O https://workshopskill.com/zh-hant/activities/training-evaluation-form/files/反思引導問題.md

# 4. 拿到使用指南（級別、第 30 天追蹤）
curl -O https://workshopskill.com/zh-hant/activities/training-evaluation-form/files/執行指南.md

# 5. 建線上評估（8 道題 + 追蹤，見 測評預設.json）
```

變化量並不依賴 FormLM——無需任何帳號即可離線算出同樣的前後差（見下方「離線計分」）。線上表單純粹是可選項。

線上前後測用 FormLM CLI 建立，需要一個免費的 FormLM 帳號；表單和資料都在你自己的工作空間裡：

```bash
npm install -g @formlm/cli
formlm-cli auth login
formlm-cli smart generate --input "企業培訓評估表：8 道匿名李克特反應題（1-5），涵蓋相關性、內容深度、講師、教材、練習、後勤、工作量、整體價值；3 道信心自報題（柯氏二級代理指標）；2 道開放題（下一期保持/改變）；外加 30 天後跟進郵件的 3 道題（三級行為檢查）。輸出一頁管理層報告：題目均值、信心變化、第 30 天行為計數"
```

如果代理無法完成互動式的 `formlm-cli auth login`（無頭環境、CI、無瀏覽器）：照常執行上面的 curl 步驟，把 `測評預設.json` 留作量表規格，登入和產生兩步交給人來做；或者由人登入一次後，只重跑產生那條命令。

給代理的準備要點：
- 任意人數可用；固定數字只有三個——參與者當場 7 分鐘、第 30 天 30 秒、20 人一班讀結果 20 分鐘。
- 第 30 天郵件的回收率約為在場表的三分之一；這正常，也足夠作為行為證據。
- 不需要投影儀；當場部分靠卡片和筆，追蹤靠你本來就在用的郵箱。
- 按撲克列印。一張紙剛好夠一位參與者用。

**放到哪。** 把解壓出的 `training-evaluation-form/` 目錄放進你的代理的 skills 目錄即可自動載入：Claude Code `~/.claude/skills/training-evaluation-form/`（或專案內 `.claude/skills/`）、OpenAI Codex `~/.codex/skills/training-evaluation-form/`、Qoder `~/.qoder/skills/training-evaluation-form/`。代理沒有 skills 目錄？把這份檔案貼進對話讓它照做即可。分步教學（16 篇逐代理 + 8 篇情境）見 https://workshopskill.com/zh-hant/skill-guides/

## 引導要點

- 各級別分行彙報，永遠不混在一起求平均——反應與行為之間的差距本身就是發現。
- 無基線的自評標註「自評、無基線」——一行誠實的字勝過一張花哨的圖。
- 第 4 級任何表格都測不了；把這句話說出來，前三個級別才保持可信。

## 離線計分（不需要帳號）

前後測的完整計分規格已經寫進本資料夾的 `測評預設.json`（`scoring` 欄位），沒有 FormLM 也能出結果——代理可本地算：

1. 收集每人 `items` 每道題的李克特作答（pre 一輪、post 一輪）。
2. `scoring.reverse_scored_items`（或 `items[].reverse` 為 true 的題）反向計分：`新分 = 量表上界 + 下界 − 原分`。
3. 按 `scoring.method` 彙總（`sum` 即各題相加），得到 pre、post 兩個總分。
4. 按 `scoring.reported` 輸出：`pair_delta`（post − pre，單位見頂層 `unit`）與 `construct_deltas`（按 `items[].construct` 分組各算一遍）。
5. 守 `scoring.report_note`：只報配對變化量，絕不個人排名。

只用標準庫的可抄實作：

```python
import json
m = json.load(open("測評預設.json"))
sc, items = m["scoring"], m["items"]
hi, lo = len(m["scale"]["labels"]), 1            # likert 上下界（此量表為 1..5）
rev = {it["id"] for it in items if it.get("reverse")}
def total(ans):                                   # ans: {item_id: score}
    return sum((hi + lo - v) if k in rev else v for k, v in ans.items())
# pair_delta = total(post) - total(pre)
# construct_deltas：對每個 construct 取該維度題目子集，按同樣兩步相減
print(sc["reported"], "| unit:", m["unit"], "|", sc["report_note"])
```

// 口徑：`測評預設.json` 裡的 `version` 只描述量表本身，獨立於本技能 frontmatter 的 `version`。

## 二創：改成你自己的版本

## Attribution

本資料夾逐個手工歸檔，腳本、時長、道具尺寸與前後測彼此核對過。CC BY 4.0 免費許可——可執行、複製、改成你自己工作坊的品牌；保留署名，抽屜常開。