我们应当如何纠正人们对教育中人工智能的常见误解？

本页是英文页面的机器翻译，尚未经母语者审校。

你的教务长想要一张单页的“AI 迷思”材料，用于春季教师大会。或者某位董事读到聊天机器人正在摧毁批判性思维，希望周五之前拿到一份立场文件。又或者，你就是那个必须书面解释为什么本院系不会干脆禁掉这个工具的人，而你已经把“禁令不是教学法”这话说尽了。

本页上的每一种信念，起点都是某个通情达理的人真的见过的东西。流畅的文字读起来确实像准确。打磨过的作业看起来确实像学习。一个直接给答案的辅导系统感觉确实像帮助，而一份写着“禁止”字样的政策也确实像一项决定。有效的纠错要先说出这个观察无法告诉你什么，然后交给对方一个周一就能用上的检查方法。

一句话的答复是：AI 的教育效果取决于谁在使用、用于哪个任务、工具承担了哪部分思考、责任留在谁身上，以及学习如何被评价。自信、速度、参与度和任务完成度都是使用的特征。它们之中没有任何一项能证明能力发生了变化。

简短版

1. 报告学习者在关闭工具的情况下能做什么，并把这一测量标注为真正算数的那一项。

2. 按任务步骤写明 AI 条件，点出那个行为，而不是那个工具。

3. 用学生在系统回应之后做了什么，来评判一个辅导系统、一项反馈功能或一个平台。

4. 购买证据而不是购买能力声明：无辅助的结果、子组结果、多轮安全测试。

5. 纠正一个信念时，用一个更好的模型和一项能让人亲眼看到旧模型失败的活动来替换它。

判断什么才算学习发生的证据

有五个信念决定本页其余内容是否要紧。每一个都抓住了一个真实信号，却从中读出一个该信号承载不了的结论。

“他们开着工具时表现更好，所以学得更多。”

在一项涉及近 1,000 名高中数学学生的现场实验中，不受限制的生成式 AI 使用权限提高了有辅助练习期间的表现，却降低了之后无辅助考试的表现。一个提供提示而非完整答案的带护栏版本消除了观察到的学习损害（没有防护栏的生成式 AI 会损害学习）。两个结果都是真实的，而且它们落在不同的测量上：其中只有一项是成绩单所认证的测量。这项研究给你一个方向，但没有给你适用于你课程的效果量。

学生对自己的作业做同样的推断，答案也一样：成品展示的是学生和工具共同生产出来的东西。在关闭聊天窗口的情况下问四个问题，就能知道发生了什么。他们能解释推理吗？能解决一个类似问题吗？能找出生成答案里的薄弱之处吗？能把这个想法带到新情境中吗？如果诚实的答案是不能，你看到的就是以学习之名出现的受辅助表现。把这四个问题中的一个放进评估，并在评分量规里说明。

“学生喜欢这个反馈，所以反馈有效。”

满意度是关于可接受性的证据。学生偏好即时、鼓励性、详细、易跟随的反馈，而一条回应可以同时具备这四项属性，却是不准确的、泛泛的、优先级排错的，或瞄准了与你不同的目标。真正决定问题的那些问题很枯燥，但值得写下来：它准确吗，它诊断出了真正的问题吗，它具体到可以据以行动吗，它是针对这位学习者说的吗，学生用了吗，修改有改进吗，之后的独立表现有提高吗。最后两项是满意度调查触及不到的。AI 反馈质量 和反馈素养承载了细节，而实用的做法是：在规模化之前，先拿二十条回应对照你自己的目标读一遍。

“平均效应为正，所以这项干预对学生有帮助。”

平均数恰好掩盖了决定公平问题的那种变异。效应会因先前知识、年龄、学科、语言、残障、元认知技能、可及性、教师实施方式和 AI 使用类型而不同。一个很小的平均收益，可能遮住对某一群体的真实好处和对另一群体的伤害；一个很大的平均收益，可能依赖于你所在院校复制不了的条件。要子组估计值及其不确定性，要实施保真度，要学生在工具里实际做了什么，要流失模式。AIED 证据基础的局限 和AIED 研究方法 列出了能让你更接近答案的那些比较，而AI 教育中的公平解释了为什么子组表本身就是那个发现。

“他们报告说自己学到了很多。”

自我报告测量的是感知、接受度、焦虑和自我效能，而这四件事它都做得好。它不是对已展示能力的测量，因为人可能自信却错误，也可能熟练却信心不足。本 wiki 对教师 AI 素养研究的综合梳理报告：自评与实测表现之间存在相当大的差距，其中的教师显著高估了自己的能力（AI 素养评估：自我报告与表现之间的错位）。给每一份自我报告配一个任务：指出输出中的一个错误、核实一个来源、选择一种使用策略、识别偏见或谄媚、修改一个有缺陷的回应、用准确度校准信心。调查里放一个这样的题目，就能把意见变成结果。

“模拟学生是真实学生的廉价替身。”

模拟对原型设计、压力测试和生成情境很有用，但在经过真人验证之前，它不是关于人类学习的证据。模型可以模仿困惑的语言，却没有学习者的坚持、动机、先前知识、情绪或发展轨迹，而 wiki 中综述的研究发现，被模拟的学生在极少的纠正之后就放弃了被指定的误解，这让人怀疑它们究竟是否代表概念转变（模拟学生、模拟学生，还是谄媚式解题？）。用它们在真实学生接触之前找出你提示词里的缺陷，然后把任何关于学习者的断言都当作未经验证的。

把 AI 条件设在承载学习的那个步骤上

规则写在工具上就会失效，写在行为上就会奏效。下面这些信念，正是让政策一直含糊不清的那些。

“任何使用 AI 都算作弊。”

镜像的那个信念更糟：AI 使用不可能算作弊，因为没有被抄袭的人。诚信取决于作业的目的、教师的规定、工具完成了多少工作、使用是否署名，以及 AI 是否替代了被评估的那项能力。头脑风暴在一项作业里是被允许的，在另一项里是必需的，在第三项里是取消资格的，而这三者都站得住脚（学术诚信）。教学上的做法是：在学生打开任何东西之前，先把五个问题摆在他们面前：这项作业想证明我能做什么，允许哪种协助，我还是作者和决策者吗，我能为提交的作品辩护吗，我需要披露吗。AI 使用与披露声明展示了可用的披露表长什么样。

“只要没人能检测出来，就没有代价。”

检测回答的是另一个问题，而不是真正重要的那个问题。未被发现的外包，仍然留下一个无法解释作品、无法回答追问、无法改编作品、无法在没有工具时完成任务的学生，而这道缺口会在之后的考试、执照流程、实习或第一份工作中浮现。分数与能力逐渐分离，而两者看上去都还好。这首先是资质问题，其次才是纪律问题，这正是评估效度和真实性评估中的论证。对学生来说，有用的重构是：分数是关于他的一个断言，而这个断言必须能在下一个检验它的场合里存活。

“问题在于他们用得有多频繁。”

频率什么也告诉不了你。一个学生可以每天用 AI 比较不同解释、生成练习题、获取反馈，同时保持认知活跃；另一个学生可能只用一次，就让 AI 生产出这项作业本来就想要引出的论证。能把两者区分开的问题是：哪一层思考被外包了，以及学生是否仍能独自完成那一层——学生与 AI 的互动详细记录了这一区分。语法校对离一篇文章的主张、证据和反驳很远。做法是把这一层在任务中写明：说出这门课在教哪种思考，在其他所有地方允许帮助，并在没有帮助的情况下检查所说的那一层。

有一项研究如今不再只是断言这一主张，而是对它进行测量。在一项针对四步流程——先由 AI 解释，再由学生自行生成练习题，然后进行一次独立尝试——的四所院校评估中，参与之后独自解题的信心随对解释的感知价值（r_s = 0.37）和对重复练习的感知价值（r_s = 0.35）同步变化，而 AI 使用频率则毫无关联（r_s = 0.02, p = 0.749）（Paul 等，2026）。把频率当作一个你无法对其施加影响的变量。你能规定的是顺序：AI 先做什么，学生必须在没有帮助的情况下尝试什么，以及之后检查什么。

“完成得更快意味着学习更高效。”

AI 去掉了事务性工作、格式上的困惑和重复，这是收益。它同时也去掉了技能得以形成所依赖的提取、规划、起草、排错和修改，这是损失。经得起真实作业检验的区分是支持性卸载与替代性卸载：前者把注意力腾出来给更难的思考，后者替你完成了你本该学会的思考（认知卸载、减少 AI 误用）。能防止后一种情况发生的顺序很短：先做一次尝试，就提示、示例或比较咨询工具，按自己的判断修改，然后做一段简短的无辅助解释。困难不是目的；保住那份认知工作才是。

“一刀切禁止是最安全也最公平的规则。”

当独立表现正是被评估的能力时，无 AI 条件是对的：某些考试、基础练习、专业能力考核。全面禁止是另一种工具，它把使用逼到地下，难以一致执行，并且挡住了学生在课程结束后所需的AI 素养。四个任务层面的条件覆盖面更广：要求使用 AI、允许使用并披露、把 AI 限定在指定功能、禁止使用因为协助会使学习主张失效。学生会遵守他们理解的边界，所以规则要附上理由，并且要在课程大纲、作业说明、反馈和评分之间保持一致。为学生界定 AI 使用和教育 AI 政策是可以照用的模板。

用学生接下来做什么来评判辅导系统

一个系统生产答案，另一个系统生产学习者，它们是不同的产品，而输出永远只描述前者。

“给学生一个强大的辅导系统，学习就会改善。”

可及性不是教学设计。同一个模型在以下条件下支持学习：它要求先做出尝试、给提示而不给解法、要求给出推理、纠正误解、逐步撤除支持，并以一项无辅助检查收尾。在以下情况下它会破坏学习：它立刻作答、替学生做规划、奖励求答案的行为。价值在教学法的外壳里，这正是学习设计中的论证，也是脚手架背后的设计逻辑。在推广一个辅导系统之前，你自己用一节课跑一遍，数一数它让你逃避思考了多少次。

“给出正确答案的辅导系统是好辅导系统。”

正确是必要条件，不是充分条件。一个正确答案可能来得太早、透露太多，并绕过那些让提取得以巩固的合意困难。更强的辅导系统在介入之前先诊断，提问而不是告知，给出最小的有用提示，要求解释，针对具体错误回应，逐步淡出，并在之后检查无辅助表现。用学生注意到什么、尝试了什么、解释了什么、修改了什么、最终能独自做到什么来评价它，这就是智能辅导系统和教学安全中的标准。

“自动化与个性化越多越好。”

个性化可以支持学习，也可以变成过度迁就。当系统负责规划、监控、决定什么重要并完成那些困难步骤时，学生会变得更快、主体性更弱，而自我调节就这样悄悄离场了。设计问题在于：去掉不必要的障碍，同时保留与目标绑定的那份努力。站得住的功能有：必须尝试、解释性提示、延迟提示、可调协助、脚手架淡出、对系统建议的反思、周期性的无辅助练习，以及一个可见的覆盖开关。智能体式 AI和能动性讨论了当系统开始替人做决定时会发生什么。

“模型越大，辅导系统越安全。”

通用能力与教学质量是两种不同的属性，一个更大的模型可以解出更难的题目，却仍然选择不了策略、舍不得扣住答案、匹配不上发展阶段、保不住有益失败、发不出不确定性信号，或守不住你的学习目标。一项有六位中学教师参与的参与式设计研究，最清楚地说明了安全究竟来自哪里。这些教师各自独立地设计了“有边界的专家”：在人的监督下、在既定领域内的有限能力，带两条他们不会越过的线（权威，因为对学生学习的责任无法委派；专业性，因为模型不了解个别学生和课堂规范）和三层保护（领域限制、带标准化拒答的内容过滤、教师覆盖权）。他们要的是完整的对话日志和实时预警，而不是模型给出更好的解释（有边界的专家型聊天机器人设计）。范围与监督完成了规模做不到的事。学习理论和LLM 训练与微调覆盖了设计这一侧。

“反馈越多，反馈越好。”

数量是最容易增加的，也是与改进相关性最低的。一条对每个问题都作评论的回应，可能把唯一重要的那处改动埋掉，而且它可能时机不对、泛泛而谈或者干脆是错的。反馈是靠识别出这位学习者在任务的这个时点上最重要的下一步，来挣得它的长度。测量学生是否理解它、能否判断它的质量、能否据此修改、是否丢掉了那个误解，以及之后在没有它的时候是否表现更好。反馈和反馈素养给出了这个顺序，而实用的检验是：学生能否用一句话说出他会有什么不同做法。

“AI 正在摧毁批判性思维。”

它可以替代批判性思维，也可以成为批判性思维的对象，而作业决定是哪一种。当学生索要一个现成的解读并接受它时，任务就削弱了参与；当他们先预测再咨询、把自己的推理与模型的作比较、搜寻没有依据的主张、改进一个孱弱的答案、在多个备选之间做选择并解释自己为何否决某个建议时，任务就加强了参与。有用的区分是工具扮演的角色：教练、挑战者，或需要被评估的信息来源，而不是学习者推理的替代品。批判性思维和学习设计承载了这些任务设计。

判断供应商在签约前必须给你看什么

误解就是在这里变成一份多年合同的。下面这些问题没有一个需要技术专长，而每一个都需要在续约日之前问，而不是之后。

“买一个先进的平台就能改变教学。”

平台提供的是能力。改善需要课程、评估、教师发展、技术支持、无障碍、隐私、治理、工作量和本地评价之间的对齐；缺了这些，院校买到的是一套精密的系统，被不一致地使用、重复劳动、增加教师负担，或者产生一场令人印象深刻的演示而没有任何可测量的收益。采购之前先明确六件事：教育问题、目标用户与使用场景、算作成功的结果、收集的数据、所需的人工监督，以及在什么条件下你会修改或停用。管理者视角下的 AI和AI 教育评估是带进会议室的框架。

“基准分数证明它在教育上有效。”

基准测量的是基准条件下的表现。一个模型可以解出难题、写出流畅的解释，并在辅导评分量规上得高分，却未能改善保持、迁移、自我调节或公平的结果。把基准结果与技术可靠性、教学质量、安全性、可用性、实施负担、课堂采用率和无辅助学习收益分开。只有针对真实学习者、带有相关对照条件、并使用合理结果测量的现场测试，才回答你真正在决定的问题（基准）。研究者也欠着反方向的同一份纪律：说明一项研究处在那条链上的哪一环。

“它是可靠的，所以分数是有效的。”

信度是一致性，效度是分数的解释与使用是否正当，而这两者可以严重背离。一项大型英国基准评测批改了 761 篇真实的本科心理学论文，发现 AI 与人工的分数仅在 35-65% 的情况下落在同一学位等级上（一所院校 63%，第二所 53%，第三所 35%），而重评信度近乎完美，组内相关最高达 1.00。三个模型彼此之间的一致程度远高于它们与人的一致程度（ICC 0.91），在要求三者必须一致时，它们在 56% 的提交上就等级达成共识。分数向中间压缩（压缩分数 0.47-0.82），所以系统恰恰在区分一等学位与二等一学位、或及格与不及格的那些边界上最不准确。其反馈长度是人类平均 100-200 词的三到八倍（大学论文的自动评分）。要构念覆盖度、与人工判断的比较、子组表现、错误模式、不确定性和使用的后果，这正是教育测量和自动化评估中的论证。

“一段表现良好的对话就说明辅导系统是安全的。”

教育伤害会在一次交互中累积。一个系统可以恰当地回答一个提示，然后在后续轮次里开始直接给答案、强化误解、鼓励依赖，或偏离它的辅导角色。本 wiki 综述的 SafeTutors 基准发现，当系统在多个轮次而不是单次交流中被评估时，教学伤害的失败率急剧上升（AI 辅导系统的安全与教学伤害）。要求持续对话、重复的学生错误、直接索要答案的尝试、情绪与人际情境、对抗性提示，以及随时间的依赖性测量。这类基准证据不是课堂学习估计，而它是一项安全声明最起码该依赖的东西。

“人工审核是模型变好之前的临时补丁。”

审核是一项问责功能，不是一项纠错功能，因为必须有人来判断某份输出是否适合某位学习者、某门课程、某种文化或某项有后果的决定，解释那个例外，补上模型没有的背景，并为结果负责。一个有意义的安排会写明谁审核、他们看到什么证据、审核在什么时候发生、他们有多少时间、能否覆盖、谁对最终动作负责，以及学生如何申诉。一个没有时间、权限或信息的审核者，只是一个签名（人在回路 AI）。

“无障碍、隐私和公平可以等核心产品跑通之后再补。”

这些是设计要求。输入方式、阅读水平、语言假设、设备要求、数据保留、个性化和模型偏见，决定了谁能使用这套系统、谁会因它受损，而事后加装往往会改善界面，却让工作流、数据模型和决策逻辑原封不动。尽早让受影响的学习者和教育者参与，用多元用户测试，只收集最少的数据，提供无障碍的替代方案，并检查差异性结果。一个其收益无法获得或分配不均的系统，无论平均值如何，在教育上都不是有效的（可及性、通用学习设计、隐私）。

“只要屏蔽了有毒内容，聊天机器人对孩子就是安全的。”

内容审核覆盖的是被禁止的词语和话题。一个有礼貌的系统仍然可能回答得太快、强化误解、鼓励情感依赖、收集不当数据、给出不适合其发展阶段的建议、作出无法满足的假设、取代人的支持，并减少有益的努力。面向儿童的产品需要就内容安全、教学安全、隐私、无障碍、关系性影响和重复使用的效应进行评估，这就是K-12 AI 教育和教学安全中的标准。

决定你接受什么作为学生能力的证明

你永远无法确定一个文件是怎么生产出来的。你可以用很低的成本确定学生是否能做到文件看起来展示的那件事，而这是一份分数唯一需要支撑的断言。

“有经验的教师能认出 AI 生成的作品。”

不够可靠到可以把怀疑当作证据。生成文本可以被编辑、与人的写作混编、翻译、改写，或经由多个系统产出，而人的判断会偏向写作风格、语言背景、残障，以及对某个学生“应该”是什么语气的预期。检测器有同样的问题，还额外带来假阳性和假阴性，这就是为什么一个标记只是进一步查看的理由，永远不是结论（AI 检测）。可辩护的替代方案是核实：请学生解释推理、讨论来源、修改一段文字、把这个想法应用到一个新案例，或展示过程证据。这些做法每一项都直接评估理解，而且每一项都很便宜。

“检测和远程监考会解决诚信问题。”

检测估计的是一件作品是否像机器生成的。教育需要的是学习者确实具备那项能力的证据，而检测这一侧的数字化已经具体到可以在委员会上引用。一项程序正义分析报告：十四款早期检测工具中没有一款达到 80% 的准确率；改写或轻度编辑会使本就不高的准确率大致减半；这些工具系统性地误判非英语母语的写作者，因为被读作 AI 信号的那些特征，同样也是合格的第二语言写作的特征。在一项隐蔽的现场研究中，注入五门心理学模块在线实时考试的纯 AI 生成提交中，有 94% 未被发现，而 AI 作品的平均得分高于真实学生。范德堡大学在未能验证其宣称的 1% 假阳性率之后停用了已授权的检测器，而这个比率意味着在每年 75,000 份提交中约有 750 名学生被误标（无法检测的不端行为）。监考带来隐私、无障碍、焦虑和公平方面的成本，同样也无法确立学习。持久的策略是组合：说明清楚的期望、在恰当之处设置无 AI 条件、过程证据与分阶段作业、口头或书面核实、针对任务的披露、评估再设计，以及带申诉渠道的人工审核程序。远程监考和我们如何减少 AI 作弊？给出了操作细节。

“打磨好的作品展示了专业能力。”

它展示的是一个人加一个工具的表现。能力体现在：能否界定问题、陈述假设、核实证据、抓出一个细微错误、在条件变化时调整、为建议辩护，并在没有不当帮助的情况下作出关键判断。负责任地使用 AI 本身就是一项正当的专业能力，所以任务是：把有效的工具使用与工具所提供的专业外观区分开（职业发展与准备度）。

“AI 素养就是会写好提示词。”

提示是一项操作技能。对教师或雇员真正重要的范围要宽得多：AI 系统可靠地能做什么、不能做什么，如何评估准确性与偏见，AI 如何影响评估效度，卸载在什么时候变成替代，隐私与无障碍要求，使用如何契合学科，以及什么时候根本不该用。本 wiki 的综合梳理发现，当把自我报告与表现测量相比较时，教师显著高估了自己的 AI 能力，而已展示的能力对课堂整合的预测远好于信心（AI 素养评估：自我报告与表现之间的错位）。提示技巧老化的速度也比判断力快。把提示工程当作一项技能来教，把教师 AI 能力当作更宽的那一项来评。

“基础知识已经过时，因为 AI 可以检索到。”

监督所依赖的专业能力，恰恰是重度自动化会让人不愿再去积累的。没有领域知识，人就看不见那个看似合理的错误结论、那条被漏掉的约束、那条危险的推荐、那个无效的比较、那条编造的引文、那个带有偏见的假设，也看不见那种根本不该相信工具的情形（先前知识、信任校准）。课程可以重新考虑哪些内容需要记住、哪些工具保持可用。因为工具能给出答案就拆掉基础，也就拆掉了判断答案的依据。

“教批判性地、合乎伦理地使用 AI 会牺牲生产力。”

未经核实的自动化会产生返工、安全事故、歧视性决定、法律风险、声誉损害和虚假的自信，而其中每一项都是生产力数字没有计入的成本。值得雇用的人是能在人与工具之间分配工作、同时守住质量、保密、问责与专业判断的人。这是一个生产力论证，只是朝着资产负债表通常看不到的方向做出来的（人机协作、AI 治理）。

回答学生的信念

学生带着自己的一套运转中的理论来上课，而其中大多数是从工具确实做过的事情里长出来的。纠正这些理论是教学的一部分，而且它需要的是一个更好的模型，不是一句警告。

“如果答案听起来自信又详细，那大概是对的。”

自信与流畅是生成语言的性质，不是核实的证据。模型预测的是看似合理的文本，并不把主张与证据对照检验，所以它可以编造来源、误述事实、丢掉上下文，并用出色的文字重复一个误解。把输出当作假设，检查这个答案依赖什么：来源、计算、与课程材料的比较。要教给学生的检验是：如果同一个主张出自一个拿不出任何证据的陌生人，他会接受吗（幻觉风险）。

“AI 懂我，知道我想说什么。”

它对语言作出回应，会利用对话，有时会保留信息，这些足以让人觉得它很个人化。它没有意图、体验、关心或情境理解，而实际的后果是：它可能因为提示里暗示了答案而表示同意。这就是AI 谄媚，也是学生最意想不到的失败模式。请它指出推理中的薄弱处、提供反证、说出什么会让它的答案变成错的，然后自己独立核实。同意不是确认。

“一条好的提示词应该产出正确答案。”

输出对提示敏感，而且常常是非确定性的，所以措辞、上下文、示例或假设上的小改动会显著改变回应，而重问一次并不是核实。五个相似的答案可能共享同一个错误前提。有成效的迭代会澄清目标与约束、暴露假设、索取备选方案、用证据检验，并检查答案在问题改变之后是否仍然成立。这是一项技能，而且是一项分配不均的技能。一项演示中，一名学生用聊天机器人回答一道带回家考试的题目，其表现一直停留在 SOLO 分类法的“多结构”层次，即“打磨过但教学上单薄”，而要达到一个可用的学习回路，需要八轮元层次干预：发出过载信号、要求简化、收窄范围。作者把这种能力称为 AI 互动素养，指引导、评估并从迭代互动中学习的能力，他们还指出了其中的公平刺痛：由于无指导的使用强加了一项分配不均的互动管理技能，生成式 AI“可能对本来就占优势的学生最有利”（AI 互动素养）。关于其下的自我调节要求，见我们如何开发有效的 AI 辅导系统？。

“年轻人是数字原住民，所以他们早就有 AI 素养了。”

熟悉数字产品不等于有能力评估 AI。一个学生可以打开聊天机器人、生成一张图、索取一个答案，却无法核实一个主张、识别编造的证据、察觉偏见或谄媚、保护个人信息、判断什么不该外包，或解释 AI 如何形塑了这份作品。本 wiki 综述的研究发现，对日常技术的信心并没有迁移到算法推理、技术性创造或对 AI 的批判性评估上（能力的幻觉）。素养需要被教、被展示；年龄和使用频率不会赋予它。

“用 AI 的学生要么懒，要么不诚实。”

确实有一些误用发生，而道德标签对此解释得很少，阻止得更少。决定受作业价值、时间压力、信心、同伴规范、政策清晰度、对失败的恐惧、先前的可及性，以及这份作业看起来是否与学生真正在意的东西相关等因素影响；而学生在头脑风暴、编辑、解释和整篇生成之间所做的区分，会被一刀切的规则抹平。能改变行为的回应是组合：清晰的期望、有意义的评估、负责任使用的教学、披露渠道、学习核实，以及相称的问责。把所有使用都当作品格缺陷，只会把它推入暗处，而你在那里同时失去信息和对话。

回答家庭与公众的信念

来自机构之外的问题更简单，答案也需要更短，因为它们会在董事会会议上被重复，而且不带那些限定条件。

“AI 会革新教育，还是会摧毁教育？”

两种说法都夸大了技术自身能做到的事。AI 可以拓宽对解释、翻译、练习、反馈和辅助支持的可及性，也可以带来错误信息、隐私风险、偏见、过度依赖和新的诚信问题。设计、教学、院校决策和学习者保留的责任，决定哪一张清单会变长（教育中的 AI）。值得提交给董事会的问题更窄，也更可回答：对哪些学习者、哪些任务、哪些结果，在什么条件下，这种使用产生的益处大于伤害。

“AI 基本上就是另一个计算器。”

这个类比在一种属性上成立，因为两者都卸载了工作，但在范围上失败。计算器执行一项定义明确的操作；生成式 AI 生产解释、论证、计划、来源综述、代码、反馈和整份作业，它的运作远不透明，而它的输出可以有说服力却是错的（生成式 AI）。这就是为什么外包的决定需要更细的粒度。卸载例行的计算可以让学习者腾出手来解读；卸载解读则把这一课本身拿走了。

“有共情能力的 AI 关心学生。”

系统可以生产听起来专注而支持性的语言，而这能帮助学习者说清一个问题，或在一项低风险任务中坚持下去。关心的外观不是关心、不是责任，也不是注意义务，而模型可能误解情境、强化用户的框架，或在听起来温和的同时给出糟糕的回应（对话式 AI）。学生应当知道自己在什么时候是在和一个系统说话、什么会被保留，以及什么时候它应当把他们转介给一位合格的成年人。

“AI 会让教师变得没有必要。”

自动化任务不是替代教育功能。起草示例、制作初步材料、回答常规问题、协助反馈，这些都可以交给工具。解读学习者的需要、建立关系、让课堂在智识和情感上安全、把学科知识情境化、作出伦理判断，以及决定一条生成回应是否不适宜，这些都留在人身上。角色转向编排者、学习设计师、学科引导者和负责任的决策者，这是专业工作的变化，而不是它的消失（教学）。

运营这套系统的人会弄错的地方

上面那些误解属于本页所面向的读者。下面这些属于写备忘录的人，而它们正是好的纠错落不了地的原因。

“数据驱动就意味着客观。”

偏见从训练数据、标注、结果定义、提示、语言假设、无障碍选择、决策阈值，以及员工阅读输出的方式进入。人的判断同样有偏见，而这不是自动化判断中立的证据；自动化可以把偏见藏在界面后面，并把它规模化地施加出去（偏见缓解）。对有后果的决定，要求子组表现分析、训练与验证条件的文档、不确定性报告、有意义的人工审核、申诉流程、部署后监测，以及对差异性伤害的调查。

“每个学生一个账号就解决了公平。”

平等可及只是三条线中的第一条。学生在先前知识、AI 经验、语言、无障碍条件、设备质量、可用时间、信心和评估输出的能力上各不相同，而经验更丰富的学生用工具来扩展自己的学习，较弱或元认知较弱的学生则接受错误输出，或把他们最需要的练习外包出去。先规划可及，再规划技能，然后规划结果：谁能可靠地使用它，谁能使用并评估它，谁真正受益、谁遭遇了新的伤害（数字鸿沟、元认知）。

“一份全校统一的政策会终结不确定性。”

政策文本不会创造共识。学生和教职员从院校指引、项目规范、课程大纲、作业说明、教师评语、同伴行为和以往的执纪中读出期望，而当这些互相冲突时，人们就自己发明规则。有效的架构把全校性原则接到项目期望、课程政策、作业说明、范例，以及透明的披露与审核程序上，并为每一项限制附上教育理由。一条只写“允许”或“禁止”的规则，把判断留给了最有信心的那个人。

“教师的抵触是培训缺口。”

有时确实是。准备度还包括工作量、专业身份、学科价值、对评估效度的怀疑、薄弱的院校支持、隐私上的不确定，以及一种有理由的判断：某项具体应用并不服务于学生。因此发展必须覆盖实践能力、教学整合、目的与身份、时间、政策、学科特定的用法，以及有原则地不采用这一选项。一次性的功能演示解决不了一场专业与组织层面的变革（教育发展）。

“告诉人们正确的事实就够了。”

误解往往是稳定的、看似合理的心理模型，而不是知识空缺，而一个人自己的经验会不断确认它：输出听起来自信、作品看起来不错、任务完成得更快。与一个带着可用解释的模型相矛盾的事实会被丢弃。取代它的是一个更好的模型加上一种应用它的方法，这就是反驳文本中的反驳序列，也是关于 AI 的误解中的综合梳理。

“纠正别人就是告诉他错了。”

羞辱会产生防御和隐瞒，而“只有懒学生才用 AI”或“相信聊天机器人的都是傻子”这类话攻击的是身份而不是信念。针对信念及其后果：承认它为什么看起来合理、展示一个不一致之处比如一个自信的错误、在揭晓纠正之前先请人预测、让人们比较有辅助与无辅助的表现、给他们一个下次可用的策略，并在多项活动中强化新模型。当修正不必付出尊严的代价时，人们更愿意修正自己的想法。

用更好的信念替换原信念

这套机制短到可以在教师会议上用。说出那个信念，说明它为什么看起来是真的，直截了当地否定它，解释失败之处，给出更好的模型，再交给对方一项应用。

可以改编到本页任何一条的完整示例：

误解：“一份好的 AI 生成作业说明学生学到了。” 反驳：“这不一定成立。成品展示的是学生和 AI 共同生产出来的东西，但它没有揭示学生自己完成了哪部分推理。” 替换：“当学生能解释、迁移、改编并复现这项能力时，学习才被更好地展示出来。” 应用：“在 AI 协助的工作之后，跟上一次解释、口头答辩、过程记录或无辅助应用。”

替换那一步承担着重量。移除一个误解却不提供更好的解释，会让人手里没有可用来思考的东西，而当下一次经验再次确认旧信念时，它就会回来。

体验比描述更有力。能改变信念的体验，是那些让信念的失败变得可见的体验：请人去找一条自信的编造引文；比较同一个提示得到的几个互相矛盾的答案；在有辅助练习之后完成一道无辅助的题；看着模型照搬一个错误的假设；比较一个直接给答案的辅导系统和一个给提示的辅导系统；跨姓名、方言或情境审查输出；用原始证据为一条 AI 建议辩护。每一项都把一句警告变成这个人亲眼看到发生过的事，每一项都提供了核实、信任校准和卸载决定的练习。

会有人拿来反驳你的话

“检测器我们已经买了，许可证不退。”

那就把它用在一个经得起申诉的流程里，作为其中一个信号，并为错误率做预算，而不是假装它不存在。在范德堡无法验证的那个假阳性率上，75,000 份提交中的 1% 就是 750 名学生被误标，而程序正义分析说这些工具会误判非英语母语的写作者。检测分数是一项指控。一份记录下来的解释才是一份记录。

“我们的学生绝不会那样做。”

那个 94% 未被发现的结果，来自注入在线实时考试的提交，这不是一个关于坏人的故事。大部分压力来自模糊和时间，而实际的问题是：你的作业把哪条路径铺得最容易。如果核实是被评分的、披露没有成本、并且存在一项无辅助检查，大多数学生会走你铺好的那条路。

“供应商给我们看了基准和一个皆大欢喜的案例。”

问那个基准测的是什么，以及有没有任何学生在关闭工具的情况下学到了东西。辅导评分量规上的分数和课堂学习收益是不同的断言，而没有对照条件的试点分不清你手里是哪一种。同样的怀疑也适用于你自己的仪表盘。

“教师就是需要更多培训。”

当自我报告遇上表现测量时，教师显著高估了自己的 AI 能力，所以培训必须用人能做什么来评估，而不是用他们说自己知道什么来评估。它还必须覆盖目的、工作量和拒绝的选项，否则最有资格提出异议的人，恰恰是最理解这个问题的人。

“家长除了禁令什么都不会接受。”

家长问的是：摆在孩子面前的东西安全吗，这份文凭还有意义吗。直接回答这两个问题，用教学安全的问题而不是内容过滤，禁令的论证就失去了力量。董事会上的问题比头条更窄，也更容易辩护。

“这么大的讲座课，我们没法做口头答辩。”

那就不要每人做一次。用书面方式解释推理、用一段简短的录音讨论来源、修改一段文字、把这个想法应用到一个新案例，或者读你已经收集的过程证据。抽检那些与先前作业看起来不一致的提交。核实是嵌在课程里的习惯，不是为每个学生单独举办的事件。

“这些都不是我们的学科。”

干扰发生在学科内部，发生在工具代替了这门课本就该提供的练习的那个步骤上。这就是为什么回应是改一项作业、加一句政策，而不是新开一个关于 AI 的单元。

本周要做的事

1. 拿出你听得最多的三个信念，把每一个写成一段反驳：信念、它为何看起来是真的、纠正、替换、应用。一页纸，不加引用。

2. 在你已经在跑的一项评估里加一个无辅助题目，并给它足够的权重，让结果有意义。

3. 重写一门课程的 AI 条款，让它点出行为和步骤，并为作业的每个阶段选定四个条件中的一个。

4. 在下一次续约或试点决定之前，要一张子组表、一份多轮安全日志、一项无辅助结果测量。三者中缺任何一项，就用书面方式指出来。

5. 做一次二十分钟的活动，让一个误解在教室里当场失败，用一条编造的引文，或同一个提示得到的两个互相矛盾的答案。

接下来去哪里

关于 AI 的误解是本页背后的综合梳理，反驳文本是把这套东西用在满屋子人面前的方法。我们如何减少 AI 作弊？处理诚信决定，AI 时代评估应如何重新设计？处理一份分数能支撑什么，AI 教育评估是评判试点或平台的指南。在教学这一侧，教师 AI 能力和AI 素养覆盖了教室里的人需要能做到的事。

要留住的那个想法，用你能说出口的说法：AI 是一种会出错的认知资源，不是权威，不是心智，也不是学习发生的证据。负责任的使用让人保持问责、保住学习所需的思考、核实要紧的东西，并以持久而公平的能力——而不是流畅、速度、参与度或完成的任务——来判断成功。