文章主要介绍了作者如何使用AI模型Claude和Excel来复活1991年的一项学习动机问卷——Motivated Strategies for Learning Questionnaire（MSLQ）。MSLQ是一项历时五年的研究项目，通过81个问题评估学习者的动机和认知习惯，将其归类为15个不同的量表。然而，这项经典的研究成果只存在于模糊的PDF扫描件中，给现代的应用带来了不便。 作者为了更好地了解自己并支持同事，决定通过自动化工具将MSLQ转化为一个易用的Excel表格。具体步骤如下： 提取问题：作者使用Claude的光学字符识别（OCR）功能，从PDF中提取了所有81个问题，并确保每个问题的编号和内容都正确无误。这个过程大大节省了手动查找和录入的时间。 处理逆向编码：问卷中有8个问题是逆向编码的，即较低的分数对应较高的动机水平。作者通过Claude识别这些逆向编码的问题，并在计算时进行了相应的调整。 量表分类：作者将81个问题按9个量表进行了分组，虽然MSLQ原本有15个量表，但这9个量表提供了足够的反馈。这一步的目的是减少手动查看PDF的重复工作。 生成Excel模板：使用Python代码生成了一个Excel表格，用户可以在其中输入他们的回答，Excel会自动生成9个量表的结果。Excel表格的设计包括详细的使用说明和彩色表头，提高了用户体验。 验证提取数据的准确性：为了确保CLAUDE提取的数据准确无误，作者让CLAUDE在PDF中标记出每个问题的位置、逆向编码状态以及其所属的量表。结果显示，CLAUDE成功找到了77个问题，但仍有4个问题未能找到位置。同时，量表的关联信息也未被标记出来。作者随后进行了调试，解决了这几个问题。 最终，作者使用生成的Excel表格完成了自己的问卷，并对自己的学习行为进行了深入的分析： 努力调节：高得分表明当作者设定目标时，通常能够很好地完成它们。但挑战在于设定合适的目标或干脆不设目标。 元认知自我调节：平均得分反映了大学前两年作者过度专注于规划、监控和调节学习，甚至细化到每5分钟的安排。尽管效率提高，但失去了灵感和自发性。 详细阐述：平均得分反映了作者在快速学习两个学位的过程中，缺乏深入理解和整理笔记的时间。 复习：低得分表明作者从不依赖死记硬背，更倾向于高层次的思考和连接不同概念。 业内人士普遍认为，作者的方法不仅展示了AI在教育领域的巨大潜力，还为经典的教育学研究成果提供了现代的应用途径。通过这种方式，可以更好地利用过去的智慧解决当前的教育挑战。公司背景方面，Claude是一款由Anthropic开发的免费AI模型，具有强大的自然语言处理能力，能够高效地完成复杂任务，如OCR和数据分析。与此同时，Excel仍然是企业中最广泛使用的数据管理工具之一，其灵活性和可定制性使其成为此类项目的理想选择。