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: 本科教育是 AI 遭遇最大班级与最标准化评估的场域:一、二年级的基础课程里,一位教师面对数百名学生,按共同的评分量表授课。这一层级的试验按设计而非模型分野。以课程自身教学法构建的辅导系统胜过了课堂内的主动学习;一个扎根于课程、却未做教学整合的课程助手则拉低了成绩与参与度。最强的证据关乎规模化的反馈、求助的支架、经核实的学习材料,以及能推动行政截止日期的外展联络;最弱的证据关乎"通用助手能提升学生在无辅助条件下所能做到的事"这一主张。

值得思考的问题

  • 如果辅导系统把作业分数提高了两分半,而考试分数没有变化,这门课究竟买到了什么?
  • 在一门七名学生中有六人从未打开聊天机器人的课程里,成绩下降了。仅仅"可用"改变了什么?
  • 在一门 600 人的课程中,哪一种做法更站得住脚:检测 AI 代写的提交,还是改变提交物必须包含的内容?
  • 一门一年级课程能对学生在中小学养成的 AI 使用习惯做何假定?
  • 当设计单位是 900 人的一届学生而非单个学习者时,哪些个性化主张仍然成立?

引言

本科学习即学士学位课程:讲授、讨论课、实验课与服务性课程,持续评估并累计成一个学位资历。学生是自主安排学习时间的成年人,按远比任何中学班级更大的群体授课。他们还不是研究者,也没有导师负责塑造其判断力——这正是本科与研究生教育的分界。

规模是决定性的约束。一门物理、经济学或编程的导论课可能注册数百至数千名学生,由助教承担教学,每人要批改数十份论文或证明。反馈的量、帮助的可得性,以及察觉一名学生陷入困境的成本,是反复出现的设计难题。决定 AI 是否帮上忙的问题,不是系统有没有给出答案,而是系统给出答案时学生自己还在做什么。

这一层级的证据测量了什么

本科试验容易计数,却难以比较。结果变量通常是课程成绩、教师自编测验,或对某一件作品施加的评分量表。

大规模招生下的辅导与帮助

最大的正向结果来自以课程自身教学法构建的辅导系统,而非通用助手。

分数与学习之间的落差

四项研究设计把受支持任务上的分数与学生无帮助时能做的事分开,它们在方向上一致。

通常给出的机制是 认知卸载:工具代替了任务本应引发的那个过程。由此得出的是一种次序而非禁令——先自己尝试,其次求助,并保留一次不带工具的评分判断。

学生如何描述自己

这一层级的调查问学生收获了什么,而他们的回答与他们自述的行为之间关系松散。Torres-Peralta 等(2026)调查了墨西哥索诺拉州的 1,477 名受访者,其中包括 765 名大学生。他们的投入指数依赖三种自述行为——阅读、修改、添加自己的想法——而它与单一 0–10 的学习自评几乎不相关,合并相关系数为 0.052。大学生比高中生更多使用 ChatGPT,对自身学习的评价却只略高。作者把这一结果读作关于 评估效度 的警告,而非对学习的裁决,因为没有测量任何结果变量。

当预测变量同样是自报时,一个模型描述的是一种心态,而非一种机制。Kumar 等(2025)为卡纳塔克邦两所大学的 304 名学生建模了通往自评作业表现的路径。数字素养达到 β = 0.393,感知有用性 β = 0.259,而伦理意识不能预测表现(β = −0.006,p = .924)。表现、素养与伦理均为自评,因此最强的那条路径只说明:自评数字素养高的学生也把自己的作业评得更高。伦理一项的零结果仍是有用的发现:作者将其解读为伦理影响的是行为而非分数,并建议直接评估披露与引用。

层级比较让本科生这一侧显得参差,而非一致偏低。Zaripova 等(2026)比较了乌兹别克斯坦一所技术大学的 381 名学生,在 302 人的平衡子样本上进行分析。本科生在伦理量表上的平均分为 3.527,研究生为 4.627,伦理与学术自主性的 d = 1.47。感知认知负荷未因层级而异(p = .296)。分布本身说明了设计要点:研究生在伦理与自我调节上的标准差约为本科生数值的三分之一,而本科生触及了量表下限。因此,一年级新生群体中既有能批判性评估输出的学生,也有几乎不具备这种倾向的学生。

合起来看,这些调查显示了 自报测量 能确立什么、不能确立什么。它们确立的是分布与自我概念——一个新生群体有多分散、学生如何评价自己——而不是学习。上文的表现证据正是区分两者的关键,从 57.5% 对 68.5% 的保持性测验,到撤除聊天机器人后消失的 0.54 SD 增益。因此,自报的增益与自报的预测变量需要以相反方向的同等审慎对待。由自评测得的增益可能是能力,也可能是信心;以同样方式测得的预测变量之所以与结果相关,可能只是因为同一件工具产生了二者。检验的标准是:某个设计是否改变了学生的行为——一份修订过的草稿、一个经核实的来源、一次披露的使用。

写作、反馈与诚信

写作是 AI 使用最显眼、评估契约最薄弱的地方,因为一篇流畅的提交不会留下任何过程痕迹。

第一年:过渡、学业指导与支持

一年级学生带着在中学养成的习惯而来,且缺乏质疑一个看似合理答案的资历。面向他们的工具大多做的是行政工作。

关联

本科教育处在两个以不同方法研究的层级之间。中等教育假定义务教育出勤、有成年人中介工具,并以课堂为部署单位。本科教学假定学习者自行安排时间,并以课程为单位。高等教育是更宽的框架——治理、教师发展、采购与专业项目——关于评分准确性与机构政策的大部分证据都在那里。研究生教育把工作单位从课程作业转为有指导的研究,问题随之变成判断力。教育层级给出完整的层级体系。

对实践的启示

对教师

对课程与项目负责人

  • 把课程聊天机器人当作一项教学干预。 同样的技术在一门随机化课程中没有产生可测量的效应,在另一门中则拉低了成绩。
  • 为核实工作编列人力预算。 经核实的学习材料每名学生耗费 1.8 分钟教职员时间,并在最弱的学生中产生了最大增益。
  • 在推广前监测子群效应。 那项 2,379 人试验中的第一代大学生差异是最大的伤害,却在课程平均分中不可见。

对研究者

  • 同时报告一项无辅助结果与一项延迟结果,否则作品效应会被读作学习效应。
  • 在声称 AI 反馈与教师反馈同样好时,预先设定等效裕度。

常见误解

  • "课程聊天机器人是中性的基础设施。" 在那项 2,379 人的试验中,15% 的学生使用了工具,成绩下降 0.37 SD,参与度下降 0.90 SD。
  • "练习分数更高就意味着学到更多。" 在 CS1 练习上,ChatGPT 使用者得分 71.84% 对 29.85%,而各臂之间的概念增益在统计上完全相同。
  • "检测器可以了结一桩诚信案件。" 七种检测器对非英语母语者作文的平均假阳性率为 61.22%,97% 的作文至少被一种检测器标记。
  • "日常使用意味着AI 素养可以假定。" 自报使用率在中学每一年都在上升,而判断的可靠性始终持平;对检索任务的谨慎直到四年级才出现。

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。