本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

本页是英文页面的机器翻译,尚未经母语者审校。

综述: 中等教育是生成式人工智能的使用已属寻常、而实测的学习增益小于为其所做宣称的那一个学段。在普通初中的一项为期两年的试验产生了每年约 0.06–0.08 SD 的效应,而 K-12 智能辅导元分析约为 g = 0.27,因为限定效应的是投入与求助,而非模型能力。学生偏爱替他们承担更多认知工作的工具,而检测器能分开整篇文章却分不开句子。证据从考试复习,经由写作与作者身份,延伸到评分、检测,以及使用跑在怀疑之前的初中岁月。

值得思考的问题

  • 一位导师就在一键之遥,然而中位学生只在 17% 的含错误会话中向它求助。在你的课堂上,是什么让开口去问比跳过去更省力?
  • 学生偏爱聊天机器人甚于做笔记,而从它那里学到更少。你会在考试替你发现这个陷阱之前,怎样把它抓住?
  • 检测器在整篇文章上达到 F1 0.96、在句子上 0.88,并在一次改写后损失三分之一的召回率。什么样的诚信政策能经受住这一点?
  • 几乎每一项中等教育试验都是四到十二周、以单元测验收尾。什么能为一个整学年的教研组采用提供理由?
  • 报告的使用率从 12 岁升到 17 岁,而对输出的信任持平不变。你会在 6–9 年级的哪里教核验?

引言

中等教育大致覆盖 11 到 18 岁——初中或初级中学,然后是高中——而这一场景的三个特征塑造了人工智能在那里能做什么。就学是强制的,教师是学科专任者、一周可能见到 150 名学生,而真正有后果的评估是外部的:GCSE、全国考试,以及 15 岁时的 PISA。

同一批学生采用得也最快。在瑞士,84% 的 14–19 岁青少年报告经常使用生成式人工智能,这一比例高于任何成年年龄段。近乎普遍的使用、外部考试,以及一位成年人要负责好几个班,解释了为什么这批文献集中在复习、评分、作业与诚信上,而不是在课程重设计上。

研究测量了什么

  • 智能辅导的增益不大,且随距离而缩小。 18 项美国实验、11 个系统合并为 g = 0.271,在小学(0.266)与初中(0.256)几乎相同。在纳入农村学校的样本中效应降至 0.146,而在六个月之后降至不显著的 0.110;学年末成果(0.155)是即时后测(0.460)的三分之一(Leite 等(2025))。

  • STEM 综述在质量控制较弱的情况下报告了更大的效应。 35 项实验与准实验研究合并为 g = 0.670,其中高中为 1.099、初中为 0.392。作者没有使用任何正式的评价工具,固定效应异质性达 I² = 82.98%(Doğan 等(2026))。

  • 动机增益在这里小于大学。 在 42 项对照研究(56 个效应量、6,059 名学生)中,合并的动机效应为 g = 0.764,但中等教育研究平均为 0.360,而高等教育为 0.886,I² = 93.7%(Fang 等(2026))。

  • 典型的试验很短,并使用一份本地编制的测验。 一项 GCSE 科学评估在三个科目中随机分配了 929 名学生,在后测时保留了 644 名,并在一份 35 分制、与课程对齐的测验上报告 g = 0.33,作者称该测验为暂定性的(Harrison 等(2026))。

辅导、复习与投入问题

  • 可获得不等于被使用。 在 18 所田纳西州初中,Khanmigo 每年把数学成绩提高 0.06–0.08 SD,每名学生约 $15,接近同样的可汗学院练习在没有人工智能时的增益。96% 的学生试用过它,但中位学生只在 17% 的含错误会话中向它发过消息(Oreopoulos 与 Low(2026))。

  • 房间里有人会改变困难的体验。 在 149 名在课程水平之上学习的 sixth-form(高中毕业班)学生中,报告压力的比例在开放网络搜索者中为 32.0%、在 GenAI 导师使用者中为 19.2%、在有真人导师者中为 5.8%。未测量任何学习结果(Ennion 与 McLellan(2026))。

  • 情绪感知的支持可能抬高它所要缓解的焦虑。 在两个运行同样 16 周实验序列的九年级化学班上,焦虑随人工智能的情绪化反馈上升(F = 4.60,p = 0.035),而在只有教师在场的条件下持平。学生无法分辨究竟是系统的安抚建议还是教师的操作程序在起作用(Liu、Li 与 Zhang(2026))。

写作、阅读与作者身份

  • 学生偏爱替他们做事的那个活动。 在七所英格兰学校,405 名十年级学生读了两篇历史文章,三天后闭卷测验。做笔记在保持上比使用聊天机器人高约 0.5 SD、在理解上高 0.4,然而学生评价聊天机器人更容易、更有趣(Kreijkes 等(2026))。

  • 反馈只对那些有意愿据此行动的学生改变写作。 1,507 名中等教育学生每人收到一条标准化消息与十分钟修改时间;行为投入与工具性态度把表现从第 46 百分位推到第 54 百分位,而感知有用性没有中介任何效应(Jansen 等(2026))。

  • 受约束的助手能让学生继续思考。 在一个双语光合作用单元中,122 名七年级学生与一个被提示扣留答案的助手产生了 6,788 轮对话;59% 达到共享的认识能动性,而在 1,049 个经审计的轮次中,它一次都没有给出直接答案。约 20% 的互动涉及复制文本或套取答案(Chang 等(2026))。

评估、诚信与考试压力

  • 评分一致度可以很高却仍然有偏。 一个商用大语言模型(LLM)评分器在 71 个有争议的题目上与 AQA GCSE 物理分数达到二次加权 κ = 0.885,但平均多给 0.30 分,在一道题上多给 6 分(Bozdag 与 Qiu(2026))。

  • kappa 不能说明一个评分器能否被钻空子。 在 22 个被提示的模型中,14 个在答案带有说明时把分数提高了超过量表 5%,其中一个提高了 83.2%,而把学生描述为优秀在 66 个模型—任务配对中的 28 个里抬高了分数(Porcaro(2026))。

  • 检测定位的是文章,不是句子。 借助 2,429 名德国 15 岁学生的击键与剪贴板日志,分类器以 macro-F1 0.96 区分人工智能文本与人类文本,但句子层面的 F1 降至 0.88,人工智能的召回率在一次学生风格的改写后从 0.92 降到 0.60(Schaller 等(2026))。

  • 学生对诚信的推理是有条件的。 在 133 名 14–16 岁的香港学生中,可接受性取决于使用目的(62.4%)、对学习的影响(54.1%)与意图(51.9%),而不取决于是否使用人工智能本身(Chan(2026))。

采用与证据的错配,以及评估重设计

在这一层级,使用近乎普遍;证据大多只是对它的一种描述。Pérez-Montesdeoca 等(2026)综合了 33 项研究:26 项描述技术如何被使用,对 7 项考察了学生的变化,而只有 21 项收集了原创的课堂数据。几乎全部由教师发起并孤立进行,这正是 84% 的采用率所掩盖的模式——个别教师在试验,而不是教研组在重设计。

该综述确实确立的东西是有条件的。反馈是最强的应用,其中一项纳入的研究里,定制化的词汇反馈几乎使分数翻倍,而完全委托会收窄学习,比较或拒斥输出则加深学习。准确性随任务难度而非学科变化:BingChat 与 Bard 在基础生物学问题上达到 92.11%,每个工具在高阶题目上都低于 20%,自动评分与人工评估者的一致率为 50.8%。调查研究指向深度而非剂量,因为在Wu 与 Zhang(2025)的一项横断面研究里,使用的深度与自评创新能力相关而频率不相关,而该设计中的路径只是在重述这些相关。

采用追随意向;焦虑在其后起作用。Zhang 与 An(2026)发现人工智能焦虑与意向无关(β = 0.056,p = 0.123),却对三种行为都是负向的,其中最强烈地作用于应用输出(β = −0.247),在这个模型中有用性居首,而成年人的期望胜过能力。测量本身也是试点级别的:Schicchi 与 Taibi(2026)在 93 名学生身上从一份 19 题的态度量表中保留了三个因子,且没有验证性模型。

这就是为什么评估问题变成了:一个完成的产品仍然证明什么。Torres-Peralta 等(2026)发现感知学习与一个由阅读、修改和补充输出构成的投入指数几乎无关(合并相关 0.052),而Cho(2025)综述了写作中 0.31、数学中 0.18 的 GPA 关联,而这些大多是使用者与非使用者的比较。收集提示、初稿回应与修改,评的是过程而不是那一页纸。

初中与青春期早期

  • 使用在怀疑形成之前就已固结。 在 1,598 名 12–25 岁的学生中,平均使用从 12 岁到 17 岁在 0–4 量表上从 1.24 升到 1.77,被大量使用的活动数从 1.76 升到 3.48,而感知可靠性没有变化(Cuenca-Rodríguez 等(2026))。

  • 一场两小时的工坊改变了自我报告看不见的行为。 在 116 名 8–9 年级的法国学生中,参加过工坊的人更少接受欠明确的提示(51.5% 对 66.7%),并且在一个薄弱回答之后有 59.2% 的时间会追问,对照组为 27.9%;他们的人工智能素养自我报告对两者都没有预测力(Clerc 等(2026))。

  • 使用目的承载的东西比频率更多。 在中国四个地区的 12,191 名 15 岁学生中,在频率固定时转向以学习为导向的使用值 5.8 个 PISA 分,而转向摘要与起草则损失 6.6 分(Wu 等(2026))。

  • 青春期早期的动机增益带有关系上的代价。 在 2,464 名 7–8 年级的德国学生中,基于能力的学习中的 ChatGPT 与更多的自主与胜任满足相关,但关系性更弱(Schweder 等(2026))。

关联

中等教育位于小学教育与本科教育之间,并共享K-12对教师能力与公平的关切。把两者区分开来的,是外部考试与学科专任教学的组合,它把人工智能推向复习、评分与课程作业支持。这使效度与自动评分在这里比在小学阶段更居于中心,因为在小学阶段主导的是发展适宜性。另一条有区分度的线索是自我调节学习:青少年先拿到工具,之后才拿到使用它的判断力,因此决定增益是否出现的是元认知与卸载。

实践启示

面向教师

  • 把导师放在错误发生的地方。17% 这个数字是一个设计问题,不是学生的缺陷:要求在做下一题之前提出一个问题或要求一次解释,并检查那段对话而不是登录记录。
  • 把写作工具排序而不是同时呈现:先查询,再关闭聊天机器人,然后写作。当两者同时打开时,四分之一的学生会复制。
  • 在课前决定:当情绪感知系统与你的操作程序冲突时,以谁的建议为准,并告诉学生。

面向学校领导者

  • 按实现的使用量做预算。一份 $15 的许可证不是一个项目;效果取决于排课、教师的提示与进度监测。
  • 把普通课堂中辅导的期望值定在每年 0.06–0.08 SD,智能辅导约 0.27。不要承诺其中任何一项能弥合差距。
  • 把检测器的输出排除在违规认定之外。要求草稿、版本历史或口头答辩,因为整篇文章的分数在一次改写后就会移动。

面向研究者

  • 在文本层面之外也报告句子层面的检测,并把探针结果与一致度统计并列报告。
  • 测量学生用工具做什么,而不只是多频繁。在频率相同时,用途划出了 12 个 PISA 分的差距。
  • 检验四周之后的持久性,用学年末或外部结果。即时后测把辅导效应高估了大约三倍。

常见误解

  • "人工智能导师只要学生能用就会教学。" 96% 的学生试用过 Khanmigo;中位学生只在 17% 的发生错误的会话中向它求助。可得性与剂量是不同的变量。

  • "与阅卷人的高一致度意味着评分器可靠。" 22 个模型中有 14 个可以因答案里的一句说明而移动超过量表的 5%,而一句关于学生的标签在 66 个模型—任务配对中的 28 个里抬高了分数。

  • "检测能告诉你哪些句子是人工智能写的。" 句子层面的 F1 降到 0.88,召回率在一次学生风格的改写后降到 0.60,而在使用聊天机器人之后、没有复制材料的文本有 94.6% 被读作人类所写。

  • "批判性的人工智能素养可以等到大学再学。" 使用率从 12 岁到 17 岁逐年上升,而感知可靠性持平,并且 8–9 年级的一场两小时工坊在两天后改变了提示与追问行为。

关联概念

关联文章

嵌入此页

复制下面的代码,将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。