概念
本科教育
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。
-
合并效应为正,且依赖持续时长。 35 项实验与准实验研究、共 175 个效应量,得出本科生的 g = 0.53,学业表现的 g = 0.46(The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis)。学业效应从干预不超过四周时的 g = 5.07 降至超过十二周时的 g = 0.01,而异质性高于 96%。
-
延迟测量是例外。 一门 120 人的商科课程在 45 天后进行的突击测验,是这里少见的保持性测量之一:AI 辅助组得分 57.5%,对照组 68.5%,d = 0.68;前者学习了 3.2 小时,后者 5.8 小时(ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention)。
-
评分作品是通常的证据单位。 这对 评估效度 很重要:一篇按量表评分的论文或一套通过的测试可能改善,而课程本应培养的能力却没有。
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。
-
经过设计的辅导系统胜过了课程自身的主动学习。 在哈佛的 Physical Sciences 2 课程中,194 名学生两次学习同样的两节课,一次在课堂上,一次使用定制的辅导系统。后测中位数为 4.5 对 3.5,任务用时 49 分钟对约 60 分钟,建模效应量为 0.63(AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting)。该系统编码了七种教学实践,并使用教师编写的解答。
-
同样的技术若不做教学整合则会失分。 一个扎根课程的 GPT-4o 助手覆盖了 30 位教师、2,379 名学生。在同一课程的不同教学班中,期末成绩下降 4.12 分(0.37 SD),记录的课堂参与下降约 0.90 SD;15% 的学生使用过它,平均约四次会话(The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial)。第一代大学生下降 0.50 SD,其同龄人为 0.22。
-
定制的检索式聊天机器人可能毫无效果。 在一门 454 人的市场营销课程中,按教学班内随机分组,兴趣、自我效能、投入度与测验分数上均未出现组别×时间的交互效应。学生每周登录 0.89 次,愉悦度评分 80/100(AI chatbots in higher education: Comparing expectations to evidence)。
-
交互设计比模型选择更能改变结果。 HelpCoach 只对含糊的问题介入:初稿中提出具体问题的比例由 40.5% 升至 57.3%,一周后的保持量为 6 分制下的 1.9 对 0.3(HelpCoach: Scaffolding Targeted AI Help-Seeking During Problem-Solving)。
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。
-
CS1:练习分数上升,概念知识未变。 在一门 275 人的 Java 课程中,ChatGPT 使用者在练习上得分 71.84%,使用普通网络资源的学生为 29.85%;而前后测知识增益分别为 0.71、0.85 和 0.83 分,没有组别×时间的交互(Less stress, better scores, same learning: The dissociation of performance and learning in AI-supported programming education)。
-
证明课:作业增益未传导至考试。 在卡内基梅隆大学,153 名获得聊天机器人与证明反馈界面的学生作业得分高出 2.56 分。随后在没有 AI 的情况下参加的考试未显示显著差异,且每多发送 100 条聊天消息,与下一次考试得分低 3.02 分相关(Supporting or Replacing Students' Reasoning? Cognitive Offloading in AI-Assisted Proof Learning)。
-
反馈:修订更好,后测持平。 在一门 354 人的经济学课程中,AI 中介的反馈在 1,366 篇论文上把修订质量提升了 d = 0.50,而盲测结果为 0.59 对 0.56(AI-Mediated Feedback Improves Student Revisions: A Randomized Trial with FeedbackWriter in a Large Undergraduate Course)。
-
使用方式决定了增益能否在撤除后存留。 一个现成聊天机器人在 211 名明德学院学生中把无辅助测验分数提高了 6.7 分(0.27 SD),且该效应持续存在。用来自动化作业的 32% 学生在工具可用期间论文提升了 0.54 SD,工具撤除后仅为 0.02 SD(Experimental Evidence on the Learning Impact of Generative AI)。
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。
-
AI 反馈在论文上与教师持平,在关系上失分。 在 312 名一年级写作者中,AI 反馈使修订后论文质量提升 d = 0.60,教师反馈为 d = 0.59,在预设裕度内等效。内在动机为 4.90 对 5.16,d = 0.31 的差距由感知关联性中介(As effective as the teacher, but less motivating: A randomized controlled comparison of AI-generated and teacher feedback on students' writing performance and intrinsic motivation)。
-
流程要求提高了采用率,质量未受损。 在一门约 570 人的一年级计算课程中,自愿采用率一直维持在三分之二左右,直到引入"先写初稿再用 AI、并附上标注的反思与披露表"的流程后升至 93%。在控制先前写作水平后,AI 使用不能预测论文质量(Scaffolding GenAI Use in Ethical Essay Writing: A Three-Year Experience Report in Introductory Computing)。
-
检测输出可用作初筛,而非裁决。 Argus 对普渡大学 CS2 课程的六个开课班次评分:H 分数均值 2020 年为 1.1,2026 年为 11.9;经人工复核后,584 名学生中有 45.7% 被标记。被标记学生在监考考试中平均得分 61.9%,未被标记者为 73.5%,每名学生平均耗费 1.5 分钟的教职员复核时间(Argus: Academic Integrity in the Era of Generative AI)。
-
检测器误差使裁决不成立。 七种检测器用于 91 篇非英语母语者撰写的 TOEFL 作文,平均假阳性率为 61.22%,97% 的作文至少被一种检测器标记(The AI Integrity Crisis: When Artificial Intelligence Challenges What It Means to Earn a Degree)。由此得出的做法是在进阶节点进行有监督的能力评估,把负担转移到 学术诚信 政策而非软件上。
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。
-
习惯先于怀疑而来。 在 1,598 名 12 至 25 岁的学生中,自报使用率在 12 至 17 岁间从 0–4 量表上的 1.24 升至 1.77,而判断的可靠性没有变化。进入大学后使用率趋平,并转向翻译;在检索任务上持强烈谨慎态度的比例在四年级达到 23.3%,一年级为 10.1%(Students Learn to Use Generative AI Before Learning to Question It: Ordinal Trajectories of Academic Use and Caution from Adolescence to University)。
-
经核实的材料帮助了最需要它的学生。 在一门一年级经济学课程中,170 名学生可使用由 AI 生成、经助教核实播客与学习指南,其 50 分制考试得分高出 2.34 分。该增益的四分之三落在最低五分位,低于 60% 的比例下降了 24.7 个百分点,核实工作每名学生耗费 1.8 分钟的教职员时间(Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course)。
-
指导外展推动的是截止日期,不是成绩。 一个短信聊天机器人在两门大型在线课程中把获得 A 或 B 的比例提高了 4 个百分点,把辅导出勤提高了 2 个百分点,覆盖 2,483 名学生(Let's Chat: Leveraging Chatbot Outreach for Improved Course Performance)。在八个学期、8,708 名学生中,类似服务把注册率提升了 34 个百分点,而 GPA 与续读率未变(Sustaining AI-enabled student support: A four-year implementation and impact study)。
-
预警模型属于学业指导,而非纪律处分。 52 名编程学生前八周的 LMS 行为轨迹以 AUC 0.763 预测后续考试中的风险事件;作者把该分数定位为启动支持的提示(Early Prediction of AI-Assisted Cheating Risk in Online Exams Through Learning Analytics)。
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
- 教交互,而非教工具。 一次 45 分钟的课程,讲清模型会在哪里出错,把错误答案被修订为正确的比例从 41.3% 提高到 69.3%(From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education)。
- 把评分权重放在无辅助表现上。 每一组区分二者的设计都发现受支持的作品先改善;至少给一份不用 AI 完成的作业评分。
- 要求先尝试再求助。 卡内基梅隆证明课中"先尝试"的界面没有带来考试惩罚;开放式聊天机器人则带来了。
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
- Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming
- Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics
- ChatGPT for interdisciplinary learning: Does it equally benefit STEM and non-STEM students
- Who benefits from LLMs? Prompt engineering competence and equity in higher education
- What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs
- Artificial Intelligence and Higher-Order Thinking: A Systematic Review of Educator and Student Experiences and Perspectives in Higher Education
- A helping hand or a dominant partner? Individual perceptions of GenAI reliance and human agency in collaborative learning
- Generative AI, Cognitive Offloading, and Learner Agency in Higher Education: A Scoping Review
- A study on AI-enabled course development, AI proficiency, and first-year students' academic and psychological adjustment
- Prevalence and correlates of GenerativeAI chatbot use for mental health concerns in higher education students
- Perceived Learning vs. Engagement in AI-Assisted Homework: A Comparative Study of ChatGPT Use Across High School, University, and Teachers in Sonora, Mexico (2024–2025)
- ChatGPT for academic assignments: opportunities, challenges, and student perspectives in the digital classroom
- Generative AI use, self-regulation, and Neuro-AI Pedagogical competence in higher education: a comparative study of undergraduate and graduate students in Uzbekistan