AIEd 知识库AIEd KB
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

概念

AI 使用的社会规范

创建 2026-09-23 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

AI 使用的社会规范 —— 那些决定学习者和教师何时可以使用生成式 AI、能多公开地承认这一点、以及实际上什么算 作弊（而非政策上什么算作弊）的非正式、由本地执行的规则。语料库把规范作为主题的材料很薄，把产生规范的机制材料堆得很厚。学习者无法可靠地推断彼此的 AI 使用：感知者估计与其自报使用画像之间的中位相关在两个时点都是 r = .73，而第二时点上对 AI 使用种类的排序准确度为 r = .34。羞耻与内疚调节的是可见性而非使用，产生的是隐藏和选择性披露，而不是行为改变。学科规范差异极大：在 31,000 门课程中，商科教学大纲里出现了 27% 的 AI 整合作业，而人文科只有 5%。而正式的 伦理 文献把最少、最不可操作的规范推给最终用户，这意味着受课堂规范约束的人，在很大程度上缺席于讨论他们的文件。

值得思考的问题

  • 如果学生无法判断谁在用 AI，那些非正式规则究竟建立在什么之上？
  • 当一个机构没有政策，或者当政策与教师在课堂上所说相矛盾时，AI 规范从何而来？
  • 为什么一个从未用过 AI 的学生，会对它报告比每周使用它的学生更多的内疚？
  • 羞耻能做到什么政策做不到的事，又以什么代价换取 求助？
  • 监控改变的是行为，还是只是行为的可见性？
  • 在小组作业中谁说了算，小组共同的 AI 习惯的代价又由谁承担？
  • 学生是否应该在制定他们要遵守的规范时有一份发言权？

引言

教育中 AI 的正式 规制以政策形式到来：可接受使用声明、教学大纲条款、检测程序、监考系统、荣誉守则。而学生真正经历的一切，都位于那层之下。一个从不提自己用 ChatGPT 的同学，一个说"我不在乎你怎么写"然后在教学大纲里禁止它的教师，一个悄悄就什么算公平达成一致的读书小组，一个所有人都假定评分曲线已经改变的系。这些就是规范：关于可接受行为的共享期望，由赞许、不赞许和被看见的风险来执行。

本页汇集证据基础关于那一层所说的话。这一点值得仔细区分，因为"隐性课程"常被宽松地用来指任何非官方的东西。这里的主题更窄：关于 AI 使用的实际生效规则，它们如何形成、如何被执行，以及它们与成文规则之间的联系有多弱。语料库几乎没有直接测量规范的研究，这本身就是一个发现。它有的是关于机制的反复证据：推断、披露、情绪，以及塑造任何本地规范能成为什么的学科差异。

学生如何看待彼此

规范需要关于他人行为的信息，而这种信息比大多数教师以为的更差。一项关于学生配对的研究 追踪了学习者在配对编程会话中判断伙伴 AI 使用的准确程度。对照每位伙伴自报的使用画像，中位相关在两个时点都是 r = .73，高到让人感觉像知识，低到足以让许多个体估计出错。第二时点上 AI 使用类型的排序准确度为 r = .34，25% 的团队随时间推移变得更不会判断队友。

有两个细节对规范重要。第一，偏差并没有随着反复的面对面工作而缩小。熟悉没有产生准确，这削弱了"规范随群体相互了解而稳定"的假设。第二，作者提出的修正是结构性的而非态度性的：共享提示历史、AI 使用标注，或 AI 支持工作的同伴可见记录。让 AI 使用可见，是一个与让学生对它更诚实或更有感知力不同的工程，只有前者有证据支撑。

可见性、羞耻与选择性披露

如果同伴无法准确看到 AI 使用，那么围绕它形成的规则就主要靠社会风险来执行。一项对 19 名计算机专业学生的访谈研究 把羞耻与内疚作为社会调节器来考察，发现它们支配的是披露而非使用。学生描述了隐藏行为和选择性披露，并报告了对自己、同伴和教师的羞辱。重要的负面结果是：这些情绪与持续的 AI 使用并存，产生 主体性减少与道德紧张的循环，而没有促使任何人停止。

这种模式把规范从"用还是不用"迁移到"承认还是不承认"。一个课堂可以纸面上有强大的反 AI 规范、实践中广泛使用、中间夹着一个沉默的均衡，而没有人对规则说的是什么感到困惑。它还能预测代价落在哪里：落在最无力管理社会风险的学习者身上，以及 可见使用带来不同后果的学习者身上。

同一种情绪的教师一侧是可以测量的。一项对教师的调查 使用四项 AI 内疚指数（Cronbach's alpha = 0.88），发现预期内疚超过实际悔恨：指数均值为 2.39（SD = 1.01），22.9% 的参与者在中点以上。AI 的非使用者报告更高的内疚（M = 3.25，SD = 1.04，n = 8）高于使用者（n = 101，M = 2.32，SD = 0.97），t(8.39) = 2.00，p = .078，而悔恨项把两组分得更开，t(7.79) = 2.44，p = .041。聚类分析产生四个画像：自在采用者（26.6%）、内疚的非使用者（29.4%）、谨慎使用者（28.4%）与道德困扰的回避者（15.6%），在内疚上的差异得到确认，F(3, 105) = 22.13，p < .001，eta-squared = 0.39。

一个让没有行动的人也感到内疚的规范，是通过预期在做它的工作的。这是一个真实的调节机制，而任何只盯着教师和学生做了什么的政策审计都看不见它。

本地规则手册：学科与课堂

规范是本地性的，而关于有多本地性的证据异常具体。一项对 31,000 份课程教学大纲的分析 发现，AI 整合作业从商科的 27% 到人文科的 5% 不等。这个范围不是政策遵从的缺口；它反映的是关于这份工作是什么、什么练习值得、一个证书应该认证哪些技能的不同学科判断。作者的建议由此而来：在 学科规范内授予教师自主权，而不是发布一刀切的强制令，因为强制令必须为一个并不存在的平均值来写。

课堂层还能在同一门课中与文件层相矛盾。对营销专业学生的访谈 发现同伴规范和"不掉队"驱动采用，口碑被描述为 AI 得到的最大推广，由落后的恐惧维系。同一研究记录了一种教师会认出的矛盾：有些课要求用 AI，而教学大纲禁止它，教师课内的鼓励不总能活到成文政策里。当两者不一致时，学生把口头的规范当作实际生效的那一条，把教学大纲当作需要管理的负债。

小组作业是非正式规范做功最多的地方，因为被评分的单位是集体的。一项对 52 名职前教师的研究 跨 15 个焦点小组，识别出不同的模式而非一条从热情到回避的线，各小组在没有共享规则的情况下协商什么算合法协助。任何见过小组悄悄就某一成员的 AI 使用达成一致的学生，都见过一个规范被实时书写，没有政策流程，通常也没有记录。

正式伦理，活生生的规范

关于 AI 伦理的专业文献，与它本该抵达的课堂规范正在彼此漂移，这个缺口是有记录的。一项关于伦理价值与规范的系统综述 从 15 篇文章中提取规范，并把它们映射到 Smuha（2022）的四组利益相关者上。开发者收到最多的规范，其次是教育机构与监管者。最终用户收到的最少也最不可操作，没有规范直接就非歧视、数据管理或教育适当性向学生发话，而学生的声音几乎从材料中缺席。

其结果是一部为建造和采购 AI 的人规定义务、却把在课堂里与它共存的人留给自行摸索规则的文献。这为一项观察提供了一个说得通的解释：为什么学生所描述的规范——如羞耻与内疚研究中的——往往关乎可见性与声誉，而非伦理文件所指名的那些价值。两个系统在调节不同的东西。

为什么监控不能解决规范

当机构试图用正式监控取代非正式规范时，证据是一致的，而且不客气。一项跨 105 门课程、1,760 名学生的四波研究 发现，在线监考显著提高考试焦虑，却对作弊的诱惑没有影响。它也没有改变感知难度或考试表现。焦虑代价集中在已经脆弱的学生身上，包括家庭环境较差、技术不太可靠的学生。

另外两项研究解释了为什么监控是规范设定的糟糕工具。一项远程监考的范围综述 发现，监控被广泛感知为能威慑不当行为，但南非讲师报告尽管有主动监控仍有持续的不诚实，Khalil 等人（2022）称之为"地下伦理"，频繁的小警报产生假阳性与教师复核工作。监控通过害怕被发现来购买顺从，而非通过对共享标准的承诺。一个不完美信息下的评估模型 把机制讲得更尖锐：威慑取决于检测器区分隐藏使用与合法工作的能力，而非其检出率，而当假阳性上升快于真阳性时，学生会脱离这个系统而不是服从它。它进一步的结果直接落在规范上：监控降低隐藏使用的吸引力，却不增加 披露。学生只有在报告比隐藏更安全或更有价值时才走向开放，而一项禁令可以让隐藏比服从更有吸引力。

程序正义的论证 得出了结论：因为熟练的或轻度编辑的 AI 使用一般而言不可检测，建立在检测之上的不当行为程序产生不公平而无实效，答案是更好的 评估，而不是更好的监控。

这种替代的代价，显现在教师和学生真正交谈的地方。在来自 26 个教育 subreddit 的 253,222 条 AI 相关记录中，三分之一的教师—学生帖子是检测或执法争议，学生开启了其中 68.4%，而负面性预测参与度（ρ = −0.72）——对抗性冲突，而非商议，是关于 GenAI 的跨角色接触中体量最大的形式（Yüce 等人（2026））。

这对实践意味着什么

  • 让使用可见，而不是去推断它。 学生无法准确判断彼此，反复协作也不能修正。轻量的 AI 支持工作共享记录、标注或提示历史，给小组一些可以据以推理的事实。
  • 预期口头的规范胜过成文的。 如果课堂上说的与教学大纲矛盾，学生会跟着课堂走。两者之间的一致，比更严格的条款更值钱。
  • 把披露当作设计问题，而非美德问题。 当报告比隐藏更安全或更有价值时，披露才变得可能。这意味着在评估本身中让披露的使用可读，而不是把诚实当作一种品格来索取。
  • 尊重学科差异。 跨系从 27% 到 5% 的差距，不是要被抹平的 inconsistency，而是关于这个证书认证什么的不同判断。全机构范围的强制令，往往是针对一个并不存在的学科写的。
  • 不要伸手拿监控来设定规范。 监考在最强的可得研究中提高了焦虑而没有改变作弊的诱惑，而且把这种代价集中在最弱势的学生身上。
  • 问问谁缺席于规范。 伦理文献几乎不赋予学生义务，也很少考虑他们的判断，而课堂赋予他们很多并以社会方式执行。缩小这个缺口是一个课程问题，而非合规问题。

关联概念

关联文章

相关常见问题

元数据

层次Higher Ed
目标读者Instructors, Administrators
学习与教学协作学习, 动机, 求助行为（Help-Seeking）
技术与方法生成式人工智能
评估与测量同伴互评, 小组作业, 人工智能检测, 远程监考, 评估
公平、伦理与负责任使用AI 使用与披露声明, 信任, 公平性, 隐私, AI 误用与学习损害
教育中的人工智能基础学术诚信, 面向学生的 AI 使用框架, 学习者身份
SourceHistoryEditChat

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。