概念
自我评价
本页是英文页面的机器翻译，尚未经母语者审校。
自我评价（self-assessment） — 依据标准评判自己的工作、能力或进步，以及建立在这一行为之上的实践与工具。这个词有两副面孔，很容易被混为一谈。作为一种教学技术，它是自我评分、基于量规的自评、自检和引导式反思：旨在发展监控与判断能力的活动，而自我调节学习正是靠这两者运转。作为一种教育测量，它是一种自我报告式工具，学习者对自己技能、信心或学习的估计，代替了没有人做过的观察。它与同伴互评并列，是"学生作为评价者"的另一半，同样依赖于脚手架和明确的标准。两副面孔都依赖同一种能力，也都朝同一个方向失效：估计系统性地偏乐观，而学习者的提交作业越可能是生成式 AI工具产出的，这份作业就越不能说明这种能力究竟是否存在。
值得思考的问题
- 当你完成一件自己的作品时，什么告诉你它好不好：发给你的标准、你已内化的标准，还是感觉对不对？你能分辨出你实际用的是哪一种吗？
- 在一项针对 288 名 K-12 教师的研究中，对AI 素养的自我报告式测量与同一技能的客观测量之间的相关只有 r = 0.07 到 r = 0.24。在你自己的实践中，哪里最可能出现自我估计与同一技能的测试之间的偏离，为什么偏偏在那里？
- 自我评分既能节省教师时间、又能建立判断力，也可能给出一个学生并未挣得的分数。要让一个自评分承载学分，任务、量规和训练必须满足什么条件？
- 如果工具能写出文章，学生还剩下什么可以评价自己的学习？你会让他们估计什么来替代？
- 评价同伴作业的学生和评价自己作业的学生在做不同的事。哪一种更能迁移到下一个任务，什么证据能给出定论？
引言
自我评价是教育中最古老的想法之一，也是实践中最含混的想法之一，因为两个不同的东西共用一个名字。第一个是技术：学生依据标准审视自己的作业、给它评分、检查它、反思它。第二个是测量：学习者对自己技能、信心或学习的评级，被当作数据使用。技术的好坏看它在学习者身上发展出了什么；测量的好坏看那个数字能不能被信任。
两者在 AI 时代的评价设计中都重要，但原因不同。技术是评价性判断力受训练的地方，而评价性判断力恰是当语言模型能按需产出看似合格的作品时变得稀缺的那种能力。测量则是本领域一贯高估自己已知之物的地方，因为自我报告无法测量学习：它只能记录一个人对此说了什么。
作为教学技术的自我评价
归在这个标题下的实践都很熟悉：按量规自我评分、提交前自评草稿、自检解题、询问学习者下次会有什么不同的反思性提示，以及让学生先估计自己表现再作比较的预测任务。它们的目的是发展性的。一个依据标准审视自己草稿的学生，正在演练同伴互评和教师反馈同样训练的那种评价，也在建立无人监督时自己会用的内在标准。
关于这项技术有效、以及哪一版本更有效的证据，主要来自写作研究和自我调节学习研究。在一项反馈素养的比较研究中，本科一年级学生（中国 N = 118，GenAI 组 56 人，同伴组 62 人）在一个学期内完成了三个自我评价循环。GenAI 组对同伴组的优势很小，只有 0.17 个量表点（partial eta squared = 0.03），而这项研究的实践结论正是反复出现的那一条：自我评价需要脚手架。预置量规、提示指引和工作单，才是区分一个建立了反馈素养的自我评价循环和一个产生外包的循环的东西。
自我评价也是自我调节学习作为技能而非倾向显现出来的地方。在一项本科统计学研究中，接受了聚焦推理的脚手架显式训练（分步提示与核验提示）的学生，在后来一次没有模型辅助的任务上表现更好，自我评价的校准也比无批判地依赖模型的学生更好。有意思的是第二个测量：受训组对自己理解的估计，与他们实际能做的事吻合得更好。一项以反思为目标的训练，改变了学习者的一种测量属性。
校准训练
最直接的技术是校准训练：学生在看到结果之前先预测自己的分数或信心，然后把预测与结果对照。在一项 AI 辅助写作研究中，一份反馈素养脚本改善了写作质量、反馈吸收和深度修改，而一项评价—表现校准活动主要改善了学生自我评价的准确性并降低了过度自信。两者结合产生了最大的写作增益，以及 AI 支持撤出后最强的保持，尽管单独的校准活动仍是通往准确自我估计的更好路径。这种分工正是实践要点：反馈素养改善学生拿评语做什么，校准改善他们对自己位置的认识有多准，而它们不是同一种干预。
一篇关于某澳大利亚大学伦理AI 使用的论文层面的研究，把引导式自我评价当作载体而非对象：从 2021 到 2025 年，起始护理、健康科学、工程和理科学生的学期前与学期后自我评价，把李克特信心题项与一个开放式反思提示结合起来，作者论证伦理实践是一种要通过反思来建构的发展性能力，而不是要靠执行来落实的合规规则。
AI 为这项技术增添了什么
AI 改变了这项技术的三件事。它可以生成题目和量规，使反复的自我评价循环变得便宜。它可以成为被评价的对象，这正是评价性判断力受训练的途径：一个评判 AI 草稿的学生，是在用无限供应的材料练习评价。它还能让学习者的判断作为过程证据显现出来。在交互式学习仪表盘上，一个常规分析仪表盘被扩展了"学习判断"自我评价功能和会话式智能体，其论点是引出学习者自己的判断，比告诉他们数据显示什么更能促进投入。机构框架已开始把同样的过程痕迹（包括结构化自我评价和元认知提示）当作适应性能力的证据，而这种能力是成绩单无法显示的。
作为测量的自我评价
作为测量使用时，自我评价通常穿着别的东西的外衣到来：李克特量表上的信心评级、预测分数、"学习判断"题项，或基于分类法的感知技能清单。它是更广的自我报告测量之中的一个家族，并继承了这个家族的范畴性极限。自我报告无法测量学习或行为；它只能测量一个人愿意如何谈论自己的学习或行为，而这两件事在本研究库中分开得足够频繁，本身就构成一项发现。
估计有多准确
准确性是头号问题，方向也一致。最干净的证据来自一项研究，它在单一框架内建立了教师AI 素养的平行自我报告与客观测量。在 288 名 K-12 教师中，客观因素与自我报告因素之间的相关从 r = 0.07 到 r = 0.24 不等，潜在剖面分析找到六个剖面：43 名教师自评一贯很高而在客观测量上得分较低，59 名呈现相反的模式，其余剖面聚在均值附近或按先前的 AI 素养经验分裂。同一支队伍、同一个构念上建立的同一技能的两种测量，几乎没有共同之处。
领域层面的图景与这一单项研究吻合。Zainal、Mohd Matore 与 Maat 2026 年对教师 AI 素养测量工具的综述评定了 2019 至 2025 年间发表的 33 种工具，发现其中 31 种（93.9%）是感知信心的自我报告量表，只有两种（6.1%）客观地测试了知识，且没有一种使用基于表现的任务。作者的解读正是本页"测量"那一面所依托的：自我报告分数记录的是报告出来的信心，而非能力，所以它不能代替胜任力；他们主张在自我评价之外配合表现任务和项目反应理论（item-response-theory）分析，以把已验证的能力与报告的信心区分开。
准确性还取决于被估的是什么。一项对基于分类法的 GenAI 素养自我评价的心理测量分析，涵盖 158 名大学教职员工和学生，发现了一个倒置的剖面：受访者在还没打下概念基础之前就声称掌握了"创造"，学生与学术人员剖面之间只有弱相关（r = 0.188）。一项对师范生的调查从另一侧显示出同样的形状：几乎所有人（97.8%）认为批判性媒介分析重要，而只有 13.8% 说自己的课程涉及了它，不到一半（44.9%）相信自己具备批判性分析媒介信息的技能。自评的媒介能力落后于自评的重要性。
有两种机制解释了这种乐观。第一种是动机性的，在本文献之外已有充分记录：人们会给自己打偏高的分，而最不胜任者高估得最多。第二种是 AI 原生一代特有的。一篇 2026 年关于缺席的认知基线的理论论文论证，在形成性的中学和高中阶段持续以 AI 替代性使用，减少了任何学术自我评价所依赖的独立认知遭遇。这个主张是结构性的而非个体性的：自我评价靠把当前表现与以往表现的记录作比较来工作，而如果记录从未建立，估计就无可校准。这被呈现为与外包和投降不同——后两者描述的是 AI 使用期间的过程——因为即使工具不在场，这个缺口依然存在。
发展阶段为准确性划定了一条边界，而最年幼的学习者恰是经验证的自我评价工具最稀缺之处。Thianwan 与 Srikoon 2025 年对小学高年级 AI 素养自我评价问卷的验证研究为 4 至 6 年级建立了 15 题测量，涵盖"学习关于 AI""学习 AI 如何运作""学会与 AI 共处"三方面，在 335 和 579 名学生的样本中确认了三因素结构，整体 Cronbach's alpha 为 .934。作者对这一体裁的极限直言不讳：自我评价的准确性依赖于仍在儿童身上成熟的元认知能力，所以分数指示的是感知到的理解，而非已证明的胜任力，该工具意在形成性诊断。
作为结果变量的自我评价
"测量"这一面也出现在评价设计中，自我评价工具被当作结果测量使用。一项关于高等教育中复杂报告的 AI 辅助评价的研究，明确地以经验证的反馈素养与自我评价工具，连同随后的表现以及与对照组的比较，来评价学习。当工具测量的是研究真正关心的信念（如自我效能或感知胜任力）时，这是站得住的；而当它被当作成就的替身时，就会误导。对AI 干预研究的常现批评在这里完全适用。
通过任务后问卷和任务特定的自我效能来测量主体性，有循环论证的风险：学习者的估计被读回为它本应指示的那种能力的证据，而替代方案是追踪自我评价在连续循环中如何被使用的动态分析（Mao（2025））。
生成式 AI 改变了什么
在生成式 AI 之下两副面孔汇合，因为工具攻击了它们共同依赖的那条链接：学习者的提交作业是关于学习者的证据。
在作业可以按需生产之处，一篇好文章不再证明其背后的判断，而让学生评价一篇不是自己写的草稿，与评价一篇自己写的草稿是不同的任务。这就是为什么评价效度论证已从检测转向重新设计，为什么自我评价从学习辅助变为评价设计本身的组成部分：学生对一件 AI 输出所作的有记录、有理由的判断，是证据，而那份输出本身不是。
它还引入了一个值得明说的命名陷阱。AI 自我评价不是这个概念。当一篇论文报告说模型评价自己的推理、给自己的输出打分，那是模型评价，属于自动化评估和模型训练与模拟学习者的研究；一项辅导研究以实践形式说明了这一点，论证反馈应基于一个独立的诊断分类器，而不是基于模型自评的推理有效性。学习者的自我评价与模型的自我评价共用一个词汇，别的什么都不共用。
对实践的启示
- 给技术搭脚手架。 量规、提示指引和工作单，是使自我评价循环具有发展性的东西。裸露的自我评价，和裸露的 AI 反馈一样，倾向于产出安心感而非判断。
- 把校准训练与反馈使用分开训练。 "预测再对照"活动改变自我估计的准确性；反馈素养工作改变学生对评语做什么。如果目标是准确性，就跑校准活动。
- 除非训练是真实的，否则让自评分保持低利害。 自评分是一个由受益者本人作出的关于学习的断言，而 AI 素养研究中那些高估剖面，不是总结性分数里可以吸收掉的小偏差。
- 在诚实的场合使用自我报告。 信心、感知胜任力和披露 AI 使用的意愿，是可以通过询问来合法测量的东西。成就不是。
- 要判断，不要意见。 最站得住的 AI 时代自我评价，是让学生依据标准评价一件具体作品并为判断作论证，这是可训练、可检视、且与评价性判断力相连的。
- 留意队列效应。 对于形成期包含替代性 AI 使用的学生，准确的自我估计可能不是"偏乐观"，而是根本不可得，这会把教学任务从纠正过度自信，转变为重建它所需的经验记录。
关联概念
关联文章
- Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — 把自我评价置于自我主导成长框架的中心（2026）
- Measuring Acceptance of Age-Tiered AI Literacy Guidebooks: A Developmentally Informed Study of K-12 Students and Teachers — 按发展分层的 AI 素养材料，含接受度与效度测量（2026）
- The cognitive impact of ChatGPT in higher education: A systematic review of critical and creative thinking outcomes — 用同伴、教师与自我评价对 AI 反馈作三角互证（2026）
- Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most — 反馈为何不应建立在模型自评的推理有效性之上（Yasir 等 2026）
- Development of an AI literacy self-assessment questionnaire in upper primary school students — 面向 4 至 6 年级的经验证 15 题 AI 素养自我评价问卷，含儿童自我报告的元认知局限（Thianwan & Srikoon 2025）
- Assessing teachers' AI literacy: a systematic review of measurement tools — 33 种教师 AI 素养工具中 31 种为自我报告，两种客观测试知识，无一使用表现任务（Zainal, Mohd Matore & Maat 2026）