香港TSA中文考试到底考什么？AI家教为何频频出错

打造一款面向香港4至16岁学生的AI中文家教产品时，LUMI Chinese Institute团队踩过一个教育科技领域的经典陷阱：批量生成大量阅读短文和配套题目，默认"数量即产品"。直到他们花了整整一周，把题库里的每一篇短文逐一对照香港真实的评估框架——TSA（全港性系统评估）、HKAT（中一入学前测试）以及DSE中文课程——才发现其中几乎没有一件事是想当然成立的。

这篇文章记录了他们的审查结论。对任何想在香港教育市场做AI产品的团队来说，这些经验值得借鉴。

香港考试考的不是你以为的那些东西

TSA阅读卷按年级严格遵循一套字数阶梯：

级别	短文长度	基准
小一至小二	30–100字	TSA前阶段，看图造句训练
小三至小四	120–200字	TSA小三 → 小六过渡
小五至小六	230–320字	TSA小六 → HKAT中一派位

团队最初生成的短文，字数普遍偏离标准带宽上下25%。听起来无关紧要？实则不然。一个小四学生如果在160字的短文上练习，等于在用小三的材料训练，上真实考卷时注定准备不足。

关键结论直截了当：字数不是排版细节，它本身就是难度规格。 这是很多AI题库生成工具最容易忽略的底层逻辑——它们把篇幅当成可随意调节的变量，而在香港的评估体系里，篇幅就是难度本身。

TSA（全港性系统评估，Territory-wide System Assessment）是香港政府为小三、小六及中三学生设计的全港统一评估，目的是监测整体学习情况，结果不计入个人成绩，但学校会依据数据调整教学策略。HKAT（香港学业能力测验，Hong Kong Academic Test）则是用于中一派位的标准化测试，直接影响学生升读哪所中学。DSE（香港中学文凭考试，Hong Kong Diploma of Secondary Education）是高中阶段的公开考试，相当于其他地区的高考，其中文课程的阅读能力评估框架经过专门设计，将阅读能力分解为可量化的层级指标。三套体系彼此衔接，形成从小学到高中的连续评估路径，这意味着为任意一个年级设计的练习材料，都必须与该年级在整条路径中的具体位置精确对应。

答案必须能在原文中直接找到

香港名校卷面设计中最重要的一条规则是：每道题的答案都必须能在短文中直接定位。 不存在那种答案藏在老师脑子里的推理题。

团队在审查中发现，许多被标记为"难题"的题目，其实只是"模糊题"——根据原文根本无法作答。这类题目惩罚的不是能力弱的学生，反而是那些认真逐字阅读的学生，因为他们会在找不到依据时陷入困惑。所有这类题目最终都被删除。

这条规则的意义在于，它把"难"重新定义为"信息检索与辨析的难度"，而不是"猜测出题人意图的难度"。对AI生成而言，这意味着每个答案都需要有可追溯的文本来源。

干扰项来自短文内部，而非词汇表

这一点相当反直觉。香港风格的填空（cloze）题，其错误选项应当来自同一篇短文中其他位置出现过的词——考查的是学生能否在语境中辨别相近词汇，而不是测试他们背了多少生词。

通用的AI出题工具在这里几乎必错。它们习惯从词频词典里抽取干扰项，结果产生的题目里，错误选项往往比正确答案更"合理"，彻底扭曲了考查目标。

为此团队写了一个审查脚本，自动标记每一个不在原文中出现的干扰项，交由人工复核。这是一个很有代表性的例子：AI的"默认行为"与真实评估标准之间存在系统性错位，必须用规则显式纠正。

填空题（Cloze Test）在语言测试中是一种经典题型，要求学生在缺词的语境中填入最合适的词汇。其测量效度高度依赖干扰项的设计：干扰项若来自外部词汇表，题目实际上变成了词汇量测试；干扰项若来自文本内部，题目考查的则是学生在具体语境中辨别词义和逻辑关系的能力——后者才是阅读理解的核心技能。香港评估框架选择后一种设计，使填空题成为语境敏感性（context sensitivity）的测量工具，而非词汇广度的测量工具。大型语言模型在生成选项时默认优化"合理性"而非"可辨别性"，因为训练目标是预测合理的词，而非故意生成在特定语境下容易被排除的词——这正是通用生成工具与专项评估设计之间的根本性错位。

题目顺序跟随文本顺序

第1题的答案应落在短文前段，第5题的答案应靠近结尾。这个"顺序原则"降低了学生的认知负荷，也与真实考卷的结构相吻合。

而大多数测验类App默认采用随机题序——这恰恰是在训练学生对抗考试格式。看似提升了"随机性"和"防作弊"，实际上破坏了与真实考场一致的答题节奏。对一款备考工具而言，与真实卷面保持结构一致，比任何花哨功能都更重要。

能力阶梯：记忆 → 解释 → 重组 → 延伸 → 评价

DSE将阅读能力定义为五个层级。一套设计良好的题组，应当在同一篇短文内沿着这个阶梯逐级上升：一道词汇题、一道检索题、一道"作者为什么……"的解释题，再到一道开放作答题。

团队最初的题库有80%都是单纯的记忆性检索题。重建后的题库强制要求题型混合，覆盖从低阶到高阶的完整梯度。这意味着AI不仅要会"出题"，更要理解题目在能力框架中的定位——这是从"内容生成"迈向"评估设计"的分水岭。

这一能力分级框架在结构上与教育学中的布鲁姆认知目标分类（Bloom's Taxonomy）高度吻合：从最低阶的记忆与识别，逐步上升至理解、应用、分析，最终到达评价与创造。香港DSE将这一框架落地为可操作的阅读题型规范，使出卷者能够有意识地在同一题组内覆盖不同认知层级，避免题目同质化。对AI出题系统而言，生成记忆性检索题（"短文中提到了什么"）在技术上几乎没有难度，但生成需要学生整合多处信息、推断作者意图或作出评价判断的高阶题目，则要求模型理解题目在能力框架中的层级定位，并据此控制信息密度与开放程度。这是AI内容生成从"复制考试形式"升级为"理解评估逻辑"的关键跨越。

他们最终沉淀下来的东西

基于这次审查，团队做了三件事，并表示都可以直接借鉴：

1. 一份书面规格文档。 逐年级的字数标准、段落结构规则（小四以上要求至少3个有意义的段落）、题型覆盖矩阵（每个年级要求覆盖六种核心题型：标点、句子重组、扩写、看图造句、选择题、简答题）。
2. 一个回归审查脚本。 在每次内容变更时运行：字数是否合规、填空答案是否在原文中、选择题索引是否有效、引文是否一致、段落数量是否达标。只要有一项不过，就阻止部署。本质上是"内容的CI"（持续集成）。
3. 删除的决心。 团队移除或重写了56篇不符合能力阶梯的短文。为了交付正确的三分之二，宁愿舍弃三分之一的题库——这是他们做过的最正确的决定。

给教育科技创业者的启示

团队的一句话值得所有从业者记住：香港的家长是极其精明的"评估设计消费者"，他们会真的去读你的样卷。

这揭示了一个被普遍低估的事实——那些看起来像"内容"的产品表面，其实是你对评估规格的合规程度。在AI能轻松批量生成文本的今天，稀缺的不再是"内容产量"，而是对真实考试标准的深刻理解与严格约束。

对任何想用AI切入垂直教育市场的团队，这个案例提供了清晰的提醒：先把评估框架吃透，再谈规模化生成；用自动化脚本把规格固化为可执行的质量红线，而不是依赖模型的默认输出。质量不是生成出来的，是审查和删除出来的。