我该如何重新设计评价，使成绩仍然能够可靠地说明学生知道什么、能做什么？

本页是英文页面的机器翻译，尚未经母语者审校。

你手上很可能是一份用了好多年的作业，现在交回来的东西你没法为之辩护。分数写着 A；而这份成品可能大部分是工具做的。或者有学生正在对一个低分提出异议，理由你无法核查，或者你的项目正在改写评价政策，问你下学期你的课程该改什么。

简短的回答是：先决定这个分数要成为什么的证据，在作业里至少放一个学生不使用工具就能完成的环节，并让评分细则为推理付分，而不是只为成品付分。跳过第二步和第三步的重新设计，改变的是作品如何产生，而不是分数能支撑什么。

简要版

1. 写下这个分数代表的是哪一项能力。独立完成、恰当地使用 AI、以及指导并评判 AI 的能力，是三种不同的构念，而一件成品无法同时成为这三者的证据。

2. 给每一份高利害作业加一个经过核验的环节：一次简短的口头检查、一次课堂应用、一次现场演示，或一份带注释的理由说明。通常一个就够。

3. 按任务步骤而不是按课程设定 AI 边界。盘点学生在每一步做什么，并问你在那一步具体评的是什么。

4. 把过程证据写进评分细则并配上实打实的分数。如果评分细则仍然只奖励成品，学生就会为成品做优化。

5. 按最想隐瞒的那个学生来设计，而不是按最认真的那个，并检查你的规则让哪一种选择变得最容易。

决定这个分数是谁的证据

先明确说出这个分数本该代表哪一项能力。你评的是学生独立能做到什么、他们在 AI 协助下能恰当地完成什么、他们评判并指导 AI 的能力，还是这几者的某种组合？本知识库的评价效度把这当作一个效度问题：一份光鲜的成品不再足以证明学生具备这件成品表面上展示的能力。这是同一论证在评价一侧的那一半；执行一侧的那一半在我怎样才能减少课程中的人工智能作弊？里，而普遍的效度框架贯穿教师可以用哪些测量工具与研究方法去评价与人工智能相关的干预？。

把答案写在课程大纲里、作业说明里和评分细则里。学生读三份文件，然后遵守最具体的那一份。“允许使用 AI，需注明”并没有说明你在测量什么，它也让学生无从判断被允许的使用是否会削弱你正在评分的东西。

构念替换的风险

From Authentic Products to Authenticated Processes一文把由此产生的风险称为构念替换：评价者把一件由 AI 中介的成品归到学生名下，无意中测量的是工具的能力而不是学生的能力。它建议的应对办法，是让学生的推理、判断、核查、迭代和责任变得可见，做法包括分阶段提交、带注释的决策理由、过程记录、反馈使用说明、口头答辩，以及其他形式的经过核验的过程证据。

那份清单是一份菜单，哪一项最便宜取决于你的班级规模。25 人的班，每次大作业每人五分钟口头检查，大约是你可能本来就在花的两个小时评分时间。300 人的大课，分阶段提交和带注释的理由说明可以规模化，口头答辩不行，而对看起来异常的作业做抽样口头检查是仍然可行的做法。选那个你到第十周还能坚持跑下去的选项。

在每一份作业里放一个经过核验的环节

在实践中，一个强的评价架构常常把一个由 AI 支持的真实任务与某种形式的独立核验结合起来。依学科而定，这可以包括简短的口头解释、课堂应用、现场演示、带注释的档案袋、简短的独立完成部分，或就关键决策提问。

真实性评价这个概念同样强调真实的智力工作、认知挑战、学生能动性、反馈，以及社会或专业上的真实性。把一份任务加固到防 AI，却没有让它更值得做，你得到的还是同一套评价，外加额外的工作。

一步步走完作业，把边界设在那里

让这件事变得可操作的任务层面方法，就是McCorkle记录的那一套：盘点学生执行的每一步，对每一步问“我具体在评什么？”，再从这个答案推出 AI 边界，这也正是我怎样才能减少课程中的人工智能作弊？背后的那些期望变得明确且可执行的方式。

把你最有争议的那份作业跑一遍，把结果写进作业说明。典型的结果分得很干净：早期的检索与起草步骤是构念所在、也是工具造成损害的地方，而格式、参考文献核对和语言润色是工具使用对构念不可见的步骤，很可能应当直接允许。一刀切的许可与一刀切的禁令都会失败，因为答案确实按步骤不同。

让评分细则为过程付分

Mohamed 与 Temimi把同一个问题重新表述为信息不完全的问题，而不是道德问题：学生知道作品是如何产生的，而院校只看到成品加上部分痕迹，于是设计问题变成每一种评价环境让哪一种学生反应变得最有吸引力。他们的反应区域模型比较三种选择：不使用 AI、披露使用、隐藏使用，并表明规则、监控、披露和重新设计通过不同渠道起作用，只有当最有吸引力的反应与评价目的对齐时才会成功。

两项结果直接影响架构。威慑走的是检测器对隐藏使用与正当工作的区分度，而不是它的原始捕获率，所以当假阳性比真阳性上升更快时，更强的监控反而可能让隐瞒变得相对更有吸引力。而重新设计只有在评分细则真的为过程证据付分时，才会把学生推向负责任的使用；否则它只是装样子。他们的实用规则是：按最想隐瞒的那个学生来设计，而不是按最认真的那个。

如果一段理由说明、一份修改日志、或对某条被否掉的 AI 建议的反思不带分数，它会被五分钟写完，然后没人读。给过程证据足够的分量，让跳过它的学生损失大于收益，并用你对成品所用的同一套具体标准，描述好的过程证据长什么样。

按学生变化任务是有能力条件的，不是免费的

一种流行且不涉及监控的架构是按学生变化任务：每个考生拿到同一任务表面上不同、构念上等价的版本，使答案无法被有效地共享。VARIA是覆盖 60 个条件单元的 600 个生成变体的基准，它发现前沿模型在联合完整性分数上紧密聚集（0.81-0.88），而非前沿参照模型跌到 0.50-0.55，并且没有任何单一的提示策略能同时优化表面多样性和构念等价性。规模化的变体生成不能靠提示词就想当然，院校应当在把这项保证当成真的之前，先验证自己的模型与提示词组合。

对课程层面的决定来说，这意味着在承诺之前做一次检验：从你自己的一份任务生成一组变体，让同事按同一项能力给其中两个打分，然后比较。如果分数在变体之间分岔，那么等价性主张对你的任务并不成立，而共享答案的保护是用不公平换来的。

重新设计很少是一份一份作业地发生

在一项针对澳大利亚一所大型大学 12 位学者和 17 位学生的质性研究中，Nicola-Richmond 等发现两组人都同意评价必须改变，但都强调系统性摩擦：漫长的审批周期、大规模学生群体的认证约束、工作量与成本。他们的结论是重新设计需要一个村庄，也就是一个跨项目的团队，集合评价设计、生成式 AI、学科内容、行业和证据方面的专长，并把生成式 AI 素养与学习保障的节点有策略地分布在整条资格路径上。如果你是一个带着一门课的教师，这项发现是对什么会拖慢你的警告，也是把项目负责人拉进第一次对话而不是最后一次对话的理由。

目的和机制一样重要。El Khoury 与 Ma主张，只围绕防止不端行为组织的改革过于防御，并提出愉悦的评价：安全、有情绪回应性、赋权、支持学生能动性，其中诚信是良好设计的结果，而不是它的出发点。他们的示例用一个教师自建的AI 智能体在评判之前陪学生演练，并产出一份与评分细则对齐的证据报告，但分工说得很明白：AI 组织证据，教师解释证据。

你会遇到什么反弹

“我没有时间做口头检查。” 那就不要在所有作业上都做。在最高利害的那份作业里放一个经过核验的环节，再对看起来与早前提交不一致的作业做抽样检查，就以一小部分成本覆盖了大部分风险。可规模化的项目是分阶段提交和带注释的理由说明。

“认证和项目审批不会动得这么快。” 上面那项研究把漫长的审批周期和大规模学生群体的认证约束列为核心摩擦。单门课程可以在不改名称、不改权重、不改学习成果的前提下，改变既有评价内部发生的事，而这通常足以起步。

“这会惩罚焦虑的学生和有残障的学生。” 确实可能。现场口头环节需要提前安排好合理便利、在构念允许时提供形式选择，并注意语言差异和评价者偏倚。核验的是能力，不是表现条件。

“我们直接买个检测器就行。” 那个区分度的结果反对把它当作设计的脊梁：如果假阳性比真阳性上升更快，更强的监控会让隐瞒变得相对更有吸引力。在同时重新设计任务的应对方案里，检测可以有它的位置，我们应当使用人工智能检测工具吗？讨论了这一论证。

“学生反正会用 AI。” 他们会的，而设计问题是你的作业让哪一种反应变得最容易。如果披露对学生没有任何代价，而评分细则为过程付分，多数人会选披露；如果披露招来怀疑，隐瞒就成了理性的选择。

本周可以做的事

1. 用一句话写出你下一份大作业评的是哪项能力。把它写在作业说明上。

2. 挑出你能坚持跑下去的最便宜的那一个核验环节，把它加到那份作业里。

3. 盘点这份作业的各个步骤，逐步标记它是否承载构念。不承载的地方允许 AI，承载的地方限制 AI。

4. 把过程证据加进评分细则并配上分数，说明好的样子是什么。

5. 在开学之前、而不是在第一次申诉之后，把这个改动拿给项目负责人和负责审批合理便利的办公室。

接下来可以去哪里

整页背后的效度论证在评估效度里；执行一侧的配套页面是我怎样才能减少课程中的人工智能作弊？，我如何撰写课程人工智能政策并向学生说明？在它旁边。在人工智能语境下，写作教学的最佳实践是什么？讲学生真正会照做的那些措辞，而教师可以用哪些测量工具与研究方法去评价与人工智能相关的干预？讲你正在围绕它设计的那个工具究竟管不管用。