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

终结性评价

创建 2026-08-19 · 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。

终结性评价（summative assessment） — 用于在一个单元、课程或项目结束时评价并认证学习者学到了什么的评价，相对于在教学过程中支持学习的形成性评价。终结性评价通常采取高风险考试的形式——笔试、口试、监考式或闭卷——用以给分、把关进阶并认证能力。在 AI 时代，终结性评价已成为学术诚信与效度的核心战场：生成式 AI能抬高未监考或居家任务上的表现，使终结性形式的选择——以及它如何抵抗 AI 替代——成为枢纽性的设计决策。

值得思考的问题

  • 终结性评价在课程结束时认证学生学到了什么，而形成性评价在过程中支持学习。你在哪里见过这两者的界线变模糊？它们功能不同，为什么这一点要紧？
  • 本页把生成式 AI 框定为同时朝两个方向重塑终结性评价：AI 给考试评分，而学生用 AI 逃避基于考试的测量。你认为这两种压力中哪一种对效度的威胁更大，为什么？
  • 如果未监考或居家任务因为 AI 能给出答案而失去效度，这对评价应当如何设计意味着什么——在这个过程中什么可能被牺牲掉？
  • 本页引用的研究发现 LLM 评分作文的方式与人类不同。如果自动评分快而一致，但打分方式不同，那是一个公平问题、一个机会，还是两者都是？
  • 如果背后的工作本可以由 AI 产出，一个高风险结果（分数、证书、录取）意味着什么？你会怎样设计一个你真能信任的评价？

引言

终结性评价的功能与形成性评价根本不同：它测量并认证成就，而不是指引下一步。它包括单元末测试、期末考试、标准化与高风险测试（如入学考试）、口头答辩和累积性表现评价。因为终结性结果带有真实后果（分数、进阶、证书、大学录取），它们在 AI 时代面临特殊压力——既作为自动评分的对象，又作为学生可能试图用生成式 AI 钻空子的脆弱测量。

AI 时代的利害：效度与诚信

本知识库的研究记录了生成式 AI 如何从根本上朝两个方向重塑了终结性评价的图景：AI 被用来大规模给考试评分，而 AI 也可能被学生用来逃避对其自身学习的考试式测量。

  • AI 作为评分者。 终结性评价越来越依赖对考试、论文和简答题的自动评分。关于 LLM 作文评分的研究发现LLM评分作文的方式与人类不同，给高风险自动评分带来效度与公平问题。LLM 评价学生自我解释和自动简答评分探讨 LLM 评分在终结性情境中的可靠性，而心理测量觉知框架力求让自动评分可信且自适应。一场 296 人的手写普通化学考试说明了为什么需要选择性的人工把关：一个多模态 LLM 的总分与助教评分一致性很高（R² = 0.91），但题目级可靠性随题型剧烈变化，且误报（AI 给真正错误的答案加分）往往无人察觉，因为学生很少申诉——所以一刀切地"全都让 AI 评分"在高风险使用中站不住脚，必须有基于信心的暂缓人工复核机制（Assisting the grading of a handwritten general chemistry exam with artificial intelligence）。
  • 结果一致性可以在题目评分不精确的情况下存活。 对照经审校的官方分数，一个给 10,364 页手写物理奥林匹克和大学试卷打分的多模态 LLM，相关达 r = 0.93–0.96，并找回了同一支五人国际队，尽管题目分部的精确一致率只到 70%——评分者要由它所支持的那些决策来评判（Pathak 等（2026））。
  • AI 作为逃避手段。 因为生成式 AI 能给出书面问题的答案，未监考和居家的终结性任务失去效度：监考且无辅助的测量是必需的，因为未监考的表现被 AI 抬高，而有护栏（给提示而非给答案）的工具可以消除不受约束的 AI 造成的考试惩罚。Chirikov（2026）对 500,000+ 个成绩的准实验让这一机制变得具体：ChatGPT 发布后，AI 暴露任务更多的课程中 A 级成绩占比上升 13 个百分点，且效应集中在作业密集的课程（三重差分估计中再加 16 pp）——这是直接证据：AI 抬高终结性结果的，是未监考的作业，而非真正的学习增益。
  • AI 生成的考试。一项大规模现场研究和EFL 评价研究考察 AI 能否生成高质量考试和评价任务——这是 AI 在新兴的终结性设计中的用途。

抗 AI 的终结性形式

本知识库的一个关键主题是终结性形式决定抗 AI 性——任务越要求现场的、面对面的、被逐一追问的表现，学生就越难用 AI 替代自己的学习。

高风险与标准化的终结性评价

高风险终结性评价——入学考试、标准化测试和认证——承载着超比例的后果，是 AI 时代关切的焦点。生成式 AI 学习惩罚研究测量了高中（中考）和大学（高考）入学考试上的结果，发现长期使用 AI 后入学考试成绩下降 18–24%。Effortless Trap和表现对学习的研究警告说，AI 辅助任务上的增益不会迁移到无辅助的高风险测量上。

AI 时代的终结性对形成性

本知识库的评价文献一贯强调，评估在结合形成性与终结性功能时最有效——但 AI 时代加剧了这一区分。因为 AI 抬高了低利害、未监考、过程隐藏任务上的表现，终结性（尤其监考/闭卷/面对面）的测量成为学习是否真正发生的关键检查。这推动了这样的评价重新设计：保留真实的、抗 AI 的终结性任务（口试、代码评审访谈、监考考试、基于过程的作品集）作为诚信的锚，同时用形成性评价沿途支持学习。参见真实性评估了解建设性的设计回应。

对教育中 AI 的启示

  • **终结性形式是一个效度与诚信的杠杆：**抗 AI 的终结性形式（口试、监考、闭卷、面对面）保全了被评价表现与真实学习之间的联系。
  • **监考/无辅助测量是可靠的信号：**在学生使用 AI 时，无辅助的终结性考试——而非作业——揭示真实的学习。
  • **自动评分需要心理测量上的审视：**用 LLM 给高风险考试评分，需要评价其信度、公平和效度，而不只是准确率。 评分误差还依分数段而不同：在 32 份公共卫生考试提交中，LLM 避开了量尺两端——快速模式下没有出现 E 或 F——而最好的模型在 50.0% 的提交上与人工分数完全一致，在 90.6% 上落在 ±1 个等级内（Brevik 等（2026））。
  • **AI 也能生成考试：**AI 辅助的考试与任务生成是一个新兴的终结性设计应用，本身也需要质量评价。
  • 重新考虑给分的目的，而不只是形式。Mesny、Roberge-Maltais 与 Galy（2026）批评传统的、常模参照的终结性给分，认为它鼓励肤浅、碎片化的学习，给学生很少的控制与透明，损害内在动机，助长压力和焦虑，并延续不平等，同时在很大程度上只评价记忆而非真实世界应用。他们把重评、标准本位给分和不给分，定位为可以软化终结性主导实践的、聚焦给分的创新，同时承认这些在管理教育中仍属边缘，因为存在规范性障碍——按曲线给分、外部信号（排名、实习、认证）和学生的工具性心态——并建议在机构支持下逐步试验。

关联概念

关联文章

元数据

层次Higher Ed, K 12
评估与测量评估, 真实性评估, 终结性评价, 教育测量
研究方法与评价人工智能教育评价
教育中的人工智能基础学术诚信
页面类型Evaluation
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。