人工智能如何帮助我在大规模教学中给出更好的反馈？

本页是英文页面的机器翻译，尚未经母语者审校。

现在是第六周。你手上有一摞草稿、一套你信得过的量规，还有一个越来越强的怀疑：你三分之一的评语被人草草扫过、然后就忘了。有同事提到，现在有个工具能在一小时之内给每一份草稿写出评语。系里开会需要一个答案：这到底是升级，还是生产没人读的文字的一种更快方式？

给同事的简短回答：AI 反馈在覆盖面、及时性与一致性上配得上它的位置，但只在一个很窄的区间内。文字编辑级别的语言工作，以及按量规做的第一轮评语，值得自动化。至于覆盖面，那是最便宜的部分。在一项涉及 1,176 名一年级本科生的整群随机实验中，反思式与混合式设计在延迟的、不使用 AI 的迁移任务上优于直接的 AI 批评。在一项涉及 70 名学生的随机作文实验中，评分更高的 AI 反馈并没有带来比一位有经验的教师更好的修改。学生拿一条评语做了什么决定结果，而反馈素养把有所收获的学生与照抄的学生分开。

简版要点

1. 在做任何试点之前，先定下什么算赢：修改质量与延迟的无辅助表现，而不是评语是否流畅。

2. 把你自己的评语分成语言层面的修正与判断层面的裁断。只有第一类才是自动化的候选。

3. 把来源排成阶段。先自评，再同伴反馈，最后 AI 批评。把两个来源并排放，只会得到被动的采纳。

4. 把你的量规交给模型，并让它一步步推理。一条光秃秃的指令只会产出泛泛的输出。

5. 最后那条信息、语气，以及任何会成为记录的内容，都留在人手里。

6. 把你将花在删改与校准上的工时算清楚，再和你释放出来的工时比一比。

在做任何试点之前，先定下什么算赢

诱人的指标是模型写出来的东西的质量。它同时也是会误导你的那个指标。

Farrokhnia 等人（2026）把 70 名用波斯语写议论文的学生随机分成三组。思维链提示产出的反馈评分显著更高（M = 12.90），高于零样本提示（M = 11.25，p = .01），也高于一位有经验的人类教师（M = 11.20，p = .008）。思维链组对作文的修改并没有显著多于教师反馈组，而后者的收益与之相当。更好的评语，同样的修改。如果你的成功标准是评语质量，这项研究读起来是一场胜利；如果标准是作文里究竟改变了什么，那就不是。

还有两个信号会给一个进展糟糕的试点涂脂抹粉，所以要提前把它们定死。一个是学生满意度。在Tubino 与 Adachi（2022）报告的那项全校范围的迪肯试点中，正面的平均评分与学生自行标记出的错误同时存在，所以一份笑脸问卷不是准确性证据。另一个是使用率。迪肯那个工具是选修式的，尽管有将近 4,000 名学生可以使用，本科生使用率平均约为 13%，研究生约为 12%。主动性强、成绩好的学生用得更多。这就是“把工具开放出来”所能买到的全部。

真正站得住的结局测量是修改质量，加上延迟的、不用 AI 的表现。同一天内多次重交，可以当作“学生究竟有没有参与”的可用痕迹，但它们不是“学到了什么”的证据。

在自动化之前，先给你的评语分类

拿出你最近一组评语，把它们一分为二：对句子的修正，以及对思考的裁断。这个划分告诉你该自动化什么，而它比厂商暗示的范围要窄得多。

迪肯的试点在 2021 年运行，使用 FeedbackFruits 的 AI 自动反馈工具，覆盖 29 个教学单元、将近 4,000 名学生。它作用于微观层面的文本特征：句长、标点、语法、文本结构。这支持文字编辑阶段——教师设定参数，学生独立使用工具，反馈及时到可以据以行动。真正能规模化的是这种分工，而不是模型。

判断层面的评语正是失效模式所在。Aldino 等人（2026）从 21 名高等教育教师那里收集了教师侧的问题：语气不一致（n = 7）、可能存在错误信息（n = 5）、信任问题（n = 5）。他们的修改精力花在删除夸大的表扬与泛泛的建议上，而不是增加内容。那份清单就是你的复核工作，工时也是在那里花掉的。

把来源排成阶段，而不是叠在一起

最强的设计证据来自一项多点、整群随机、纵向的现场实验：4 所大学、3 个科学领域的 48 个教学班中共 1,176 名一年级本科生，在班级层面随机分配到仅同伴反馈、直接生成式 AI、反思式生成式 AI 与混合四种条件（Ateş, 2026）。

反思式条件要求在 AI 批评之前先自评。混合式先自评，再同伴反馈，最后生成式 AI 批评。混合式带来了最高的论证质量收益，在概念学习上的优势也最清楚。反思式与混合式都产生了比直接生成式 AI 更强的反馈采纳与更多的自我调节学习，而且两者在延迟的、不用 AI 的迁移上都优于它。直接生成式 AI 确实把即时的论证质量抬到了同伴反馈之上，这是它的优势所在，而它是带着更弱的迁移做到这一点的。

机制解释了为什么排序比工具更重要。直接批评招来被动的采纳：学生读到一个结论，然后照做。反思式与混合式设计迫使学生去解释这条评语、把它与标准对照、判断它的相关性，然后才修改。教育价值更多取决于反馈环境是否在修改过程中保住了学习者能动性与评价性判断力，而不是取决于能否使用 AI。

同伴反馈在序列里也有自己的位置。Gu、Chen 与 Yan（2026）让两个平行的英语课堂（N = 118，中国一年级本科生；生成式 AI 组 n = 56，同伴组 n = 62）在一个学期里完成三轮自评循环。生成式 AI 脚手架在反馈素养上比人类同伴互评略有但显著的改善（ANCOVA p = 0.049，ηp² = 0.03）。生成式 AI 组的学生会迭代地改进提示词，并核查或质疑不准确的输出。同伴组的学生按社交便利选择来源，其评价性判断受友情偏倚扭曲。同伴互评在读者意识上仍保有独特价值，这就是为什么作者提出的是带匿名同伴反馈的多阶段设计，而不是替代。

Gu 等人的优势很小，他们的解读是：真实，但单靠它本身并不具有变革性。教师的脚手架、提示指南与学习单承担了支撑性的工作。

给模型一份量规，再让它把步骤摆出来

按量规生成是其中可自动化的部分。

Farrokhnia 等人的质量提升，来自一条思维链提示：它让模型按论证量规一步步评估，而不是来自一条光秃秃的“给点反馈”的指令。Gu 等人给他们的生成式 AI 组配置了带预训练量规与提示指南的 ChatGPT-4o，这才使输出可以对照明确的标准来核查。在两种情况下，提示词都是你的标准进入系统的入口，而推理轨迹让你看出模型有没有真的应用它们。

Zhan、Boud、Dawson 与 Yan（2025）把提示词质量当作整个过程的枢纽。含糊的提示词产出泛泛而无用的输出，而生成的评语可能是幻觉、有偏或彼此重叠的，这就把评价性判断推回给读者。校准问题更尖锐。在 Farrokhnia 等人的研究里，生成式 AI 反馈的质量与学生初稿的水平显著相关，而教师反馈的质量则不是。教师的校准更加稳定一致。数量可以规模化，校准不能。

最后那句话和记录，留在人手里

Becerra、Palma 与 Cobos（2026）描述了 AICoFE：它运行三个各自独立微调的模型（GPT-4.1-mini、Gemini 2.5 Flash、Llama 3.1），在量规分数与质性观察之上生成彼此独立的草稿评语。然后教师通过挑选句子或段落来撰写最终信息，并有一个图例标明哪一段由哪个模型贡献。模型出草稿，教师来交付；交付物由一位读过草稿的人署名。

Aldino 等人在日常实践中发现了同样的“先辅助、再核查”模式。机器学习组件最常标记为缺失的是“达成学习目标”（21 位教师中有 20 位漏掉，其中 16 位接受了这一标记）与“师生关系”（14 位漏掉，12 位接受）。教师凭专业判断逐条决定每个建议，这正是把他们放进回路的意义。

Aldino 等人研究的 21 位教师中有 12 位做了进一步的句子层面修改，最主要的模式是校准语气：把表扬改低（f = 11）、删掉建议（f = 9）、删掉鼓励（f = 8）。修改聚在关系维度上，尤其是师生关系（f = 24）。他们在保护真实性与专业口吻，而这份工作无法自动化。

学生是这种核查的另一端，而他们对分工的描述与本页的建议很接近。在 20 名本科生的焦点小组中，教师反馈之所以被看重，是因为它带有关系性、个性化且有专家支撑；而 AI 生成的反馈读起来无人情味，还可能不公平。这些学生同样愿意接受一种混合模式：由教师阅读他们的作业，并补充模型的评语（Fong 等人（2026））。同一项研究还发现，他们的判断在具体性与可操作性上与 ChatGPT 一致，但在及时性与正面性上出现分歧，因此模型的自我判断可以信任的维度，比整份量规要窄。

教学生怎么读评语

反馈素养是前提条件，而它的分布并不均匀。

Hawkins、Taylor-Griffiths 与 Lodge（2026）让 32 名心理学学生做一次 25 分钟的、屏幕录制的作文任务，可以不受限制地使用 ChatGPT，然后在视频刺激访谈中回看录像。反馈素养是作文成绩唯一显著的正向预测因子（β = 0.46，p = .017）。使用生成式 AI 的频率、来源的可信度与先备知识都没有预测表现——Zhan、Wood、Carless 与 Yan（2026）在他们那篇专刊社论里也提出了这一点。不到三分之一的学生把 AI 的输出与另一个网络来源作过比较。一半人表示会刻意回避 AI，理由要么是学术诚信，要么是希望文章用自己的话写。多数人请求的是任务层面的反馈，而这类反馈很难迁移到别的任务。

两种极端在 Zhan 等人描述的那对雅思写作者身上看得见。一位低素养的学生写了含糊的提示词，拿到泛泛的反馈，然后信任它或过度照抄它，参与得很表面。一位高素养的学生写了以标准为参照的提示词，会追问，会交叉核实来源，并监控自己的修改。差别在于指导和习惯，不在于能否使用工具。

直接告诉学生：模型的评语可能是幻觉、有偏或彼此重叠的，而修改由学生自己负责。把输出框定为一份有待判断的草稿意见，而不是一个可以照抄的答案。然后要求他们做那个比较，因为不到三分之一的学生会主动去做。

教师容易搞错的地方

评语更多就意味着反馈更多。评语生产起来便宜，吸收起来昂贵，而瓶颈在回路的学生这一侧。Farrokhnia 等人评分更高的 AI 评语，带来的修改并不比教师评语更多。

换一个更好的模型就能解决泛泛的输出。迪肯那套工具的失效是范围上的失效：句子层面的特征，一条狭窄的文字编辑带。Zhan 等人把解法定位在提示词、量规或人身上，而不是更大的模型里。那对雅思写作者就是演示：同一个工具，不同的习惯，不同的结果。

把工具开放出来就是干预。当工具是选修式的时候，使用率约为本科生的 13%、研究生的 12%。设计问题剩下的部分是：另外那 87% 怎么办。

省时间这件事是自动发生的。当被问及 AI 反馈工具给了他们什么，21 位教师中只有极少数提到节省时间（n = 2）。他们更多提到的是反思（n = 14）、语言与结构的改善（n = 11）以及识别出缺失的成分（n = 10）。他们的修改工作以编辑（f = 32）与删除（f = 27）为主，增加则很少（f = 8）。出现的是草稿和一份诊断性的提示，同时出现的还有复核、校准与核查工作。工作量问题是最常被许诺却没兑现的那一个，而生成式 AI 是重新分配教师劳动，而不是消除它。

满意度评分告诉你评语是准确的。在迪肯试点中，正面的平均评分与学生自行标记出的错误同时存在。把输出与你对同一批草稿的阅读抽样对照，并记录模型在哪里泛泛、出错或讨好。

你会遇到的反弹

“AI 反馈不够个性化。” 常常是真的，而这正是要把最后那句话留给人来说的理由。AICoFE 之所以存在，是因为泛泛的模型文字不是学生应当收到的东西：由教师挑选、编辑并署名最终信息。Aldino 等人研究里的那 21 位教师出于同样的理由重写了语气。在这个设计里，个性化是你的工作，模型做的是准备工作。

“我的学生反正不会读反馈。” 他们读的比我们希望的要少，而证据说解法是设计，不是数量。迪肯试点的采纳率约为 13% 和 12%。Farrokhnia 等人评分更高的评语没有带来额外的修改。真正起作用的是强制参与的排序——先自评，再同伴反馈，最后 AI 批评——以及一个学期里的三轮修改循环，它产生了可测量的反馈素养差异。

“这不是学生付钱买的东西。” 那就别让 AI 变成他们从你这里听到的唯一声音。站得住脚的版本是：给学生更多的反馈时刻，而你把工时花在判断密集的部分——最后那句话、校准、承载你权威的那些评语。在粗心的部署下，学生失去的是标准、评语与结果之间的一致性。把互补关系通过排序、比较、编辑与治理明确下来，这条反对就失去了力量。把两个来源并排放着不动，它就不会失去。

“我没时间复核模型写的每一样东西。” 那就不要复核每一样东西。自动化那个出错容易被抓住的区间，也就是句子层面的语言工作；对判断层面的输出，用你已经评过分的草稿来抽样对照。Aldino 的数字告诉你该看什么：语气、错误信息、夸大的表扬、重叠。

本周可以做的事

1. 把你最近一组评语分成语言层面的修正与判断层面的裁断，并数清每一堆有多少条。

2. 写出你会交给模型的那条以量规为参照、分步走完的提示词，并用三份你已经评过分的草稿来测试它。

3. 把输出与你自己的评语抽样对照，记录模型在哪里泛泛、出错或讨好。

4. 把一次作业排成阶段：先自评，再同伴反馈，最后 AI 批评；并告诉学生，AI 给出的是一份他们理当质疑的草稿意见。

5. 要求学生做一次比较，与第二个来源比，或与标准比，因为不到三分之一的学生会主动这么做。

6. 记录最终反馈里有多少来自模型、你改了多少。AICoFE 的策展追踪就是这种记录的范本。

7. 留意专家与新手的差别。有五年以上经验的教师比经验较少的同事报告了更多工具输出的问题，而后者很看重脚手架。如果你那些有经验的同事看到的失效比你多，那就是关于你自己校准水平的信息。

接下来可以去哪里

反馈是整个系统的伞状概念：提供、回路、采纳与评估情境。AI 反馈质量讲的是什么让生成的评语准确、有用、及时且在教法上站得住，而本页是实践上的中间层，讨论这些部分的哪些组合能在大规模下产生更好的反馈。

关于一旦有 AI 介入、一个分数应当意味着什么的问题，包括构念替代、可验证的过程证据与诚信规则，属于AI 时代的评估重设计与评估效度，而不在本页。写作教学这一特殊情况，见AI 情境下写作教学的最佳实践。