问答
在人工智能教育研究中，教师最应该了解的 10 项主要发现是什么？
本页是英文页面的机器翻译，尚未经母语者审校。
这是开学前的那一周，或者第一次大作业交上来之后的那一周，有人问了你一个你没法凭经验回答的问题：这份作业里学生可以用 AI 做什么，由此得到的分数又能证明什么。也许一篇带回家写的论文交回来时光鲜得不像这个学生之前的作业。也许你的院系正在起草AI 政策，要求你的课程在周五前符合。也许有学生在申诉成绩，而你说不清这份作业到底证明了什么。
这个知识库所收集的研究给出的底线是：你如何把生成式 AI嵌入活动，决定了它是强化思维还是替代思维。你能控制的杠杆是任务的设计。检验任何设计的标准是：工具拿走之后，学生还能做什么。本页标题所指的十项发现列在下面，按每项发现所服务的那个决策排序。
简要版
1. 说清这项作业本来要产出的是什么思维，然后给 AI 一份不执行这种思维的工作。
2. 按作业、而不是按课程设定 AI 规则，并把理由写在旁边，写在学生真会读到的地方。
3. 每个单元至少安排一个计分环节，由学生在没有 AI 在场的情况下完成。
4. 评价这项活动，看的是几周之后学生在没有辅助的情况下还能做什么，而不是他们交上来的东西有多好。
5. 问学生是怎么用这个工具的，评的是核查，而不是登录记录。
6. 看这个设计帮到了哪些学生，因为平均值会把它甩掉的那些人藏起来。
决定这项作业是为了什么
在碰工具之前，先写一句话说清这项能力：这个单元结束时，学生应该能做到什么，而他们在开始时做不到？答案可能是：从证据中建构论证、写出一个证明、得出一个诊断、在约束条件下做出设计决定。如果你说不清，AI 规则就会是随意的，而学生会察觉。
两条研究线索解释了为什么这件事要排在第一位。有益失败是一项发现：学习者往往在被示范解法之前先尝试一个问题，反而记得更多，所以摩擦有时是机制本身，而不是需要清除的障碍。ICAP 框架预测，对同一份材料的被动、主动、建构与互动式使用会带来不同的学习。两者都指向同一个设计问题：工具开着的时候，学生在做什么？
语料中最清楚的例证，来自一项比较：一个以理论为依据、为学生的解释搭建脚手架的聊天机器人，与普通 ChatGPT 和常规教学。即时差异并不显著。四周之后，接受脚手架的那组保留了更多概念性知识。这只是单项研究，不是普遍效应，它有价值的地方在于结果的形状：设计可以胜过模型能力，因为区分各组的是活动要求学生做了什么。
对 72 项同行评审的计算教育研究的系统综述从另一个方向抵达同一层次。它把对 AI 输出的批判性参与称为“语料中连接每一项有效干预的共同机制”，并建议渐进式开放，即只有在展现出基础能力之后才引入生成式 AI。这两项主张都不是关于你该采购哪个产品。
给 AI 一份不是你正在评分的那份思维的工作
数十年的智能导师研究描述了有效的模式：诊断学生理解了什么，提问，给出渐进式提示，请他们解释，给予反馈。除了把解答交出去之外的一切。当前的教学智能体研究在教学行为与产出答案之间划出同一条界线，而Thermomix 类比把它讲得更具体。一台机器可以替你做饭，那样你就失去了这项技能；它也可以充当测试你想法的伙伴，而想法仍然得由你自己弄明白。这些模式对应 ICAP 的被动、主动、建构、互动。
窄用途工具显示同样的原则。一个从结构上读取工程图的导师达到 93.0% 的边级 F1，而整图准确率为 89.3%，这意味着即使整张图是错的，它也能指出具体哪一处连接缺失或被误读。这是学生可以据以行动的反馈，而不是一个通过或不及格。
更难的问题是导师被允许推荐什么。当一场多智能体辩论把“这是 AI 的答案”换成一场不公布自身偏好立场的讨论时，转向错误 AI 立场的有害切换从 42-60.5% 降到 5.7-8.2%。采纳正确 AI 立场的情况也下降了，从 61.1-72.3% 降到 22.1-33.3%。不给出推荐保护了学生的初始判断，把纠正留给审议，所以这个设计是用更少的自信性错误转向来换取错误纠正。在写提示词之前，先决定你希望从这次交流里得到这两者中的哪一个。
在课堂上这很便宜就能做到。苏格拉底式提问序列是应该瞄准的模式，让工具提问而不是回答。告诉学生可以要求“给一个提示”、“向我提问”或“批评我的推理”，并让“解出这道题”成为例外情况。你改变的是互动的默认动词，而这正是学生真正能控制的部分。
有一个限制值得直说。这些证据大多来自少数课程中的短任务，其中没有任何一项承诺一个给提示的导师会提高你这个班的考试成绩。要回答那个问题，你需要下面讨论的随机对照试验，而它的结果令人清醒。
把规则定在作业上，并说明理由
一个有用的框架区分三种情形。当你测量的是独立能力时，限制 AI。当有边界的帮助不损害这种能力时，用 AI 做脚手架。当熟练的人机协作本身就是学生必须学会的东西时，要求使用 AI。多数课程在不同周里都包含这三种情形，这就是为什么一条课程层面的统一规则总会在这条边界上失效。
对 85 名师范生的混合方法研究显示了没有理由的规则会产出什么。样本中有 62.4% 的人在允许使用的情况下仍拒绝使用生成式 AI，而在拒绝的人里有 41.5% 提到害怕被指控抄袭。11 位受访者中有 9 位把这条宽松政策本身读成一个陷阱。同一项研究里，只有 37.6% 的人真正使用了被允许的生成式 AI，他们的选择更多跟着项目文化和评价设计走，而不是任何一门课的许可，并且他们自己的披露声明在每一门课里都低报了实际使用。
把这些数字当作一份设计任务书来读。没有说明目的的许可看起来像设局，没有说明目的的禁令看起来像需要绕开的障碍。学生真正会回应的是附着在这项任务上的理由。把规则写进作业说明，一行字，并让这一行足够具体，使学生能判断自己即将接受的那份帮助是否会削弱你正在评分的东西。
评一些学生没用工具做出来的东西
这一步才是起作用的，而这部分的证据是本页最不含糊的。
那项 72 项研究的综述发现，生成式 AI 在 36 项研究中可靠地提高了短期完成率并缩短了任务用时，作者把这视为语料中重复性最好的结果，而这些效率收益在 21 项研究中“并不迁移到独立表现”。一项对 38 名本科生的出声思维研究显示了这在寻常情况下如何发生。当 AI 执行了学生本该练习的那部分推理时，认知卸载对学习的伤害最大。在那里，76.32% 的人停留在单轮的问、答、停模式，只有 21.06% 把使用 AI 与独立阅读和写作交替进行。最大的那一组，38 人中的 31 人，声称自己有掌握目标，却在碎片化的单轮里工作，随后报告了过度依赖、心智上的自满和快速遗忘；其中一位把它说成“你忘掉它的速度也非常快”。一篇2026 年的框架论文给这个模式起了名字。分数和成品上升，而产出持久学习的心智劳动下降。
随机对照试验至少在一个场景里终结了这场争论。一项有 275 名 CS1 学生的三臂随机对照试验比较了一个不给出完整解答、只给提示的导师、不受限制的 ChatGPT，以及传统网络资源。练习得分分得很开：ChatGPT 为 71.84%，无 AI 对照组为 29.85%，给提示的导师为 57.50%。概念性知识的增益在三个臂之间毫无差异，分别为 0.83、0.71 和 0.85 分（时间 × 组 p = .773）。两个 AI 条件都降低了挫败感和外在负荷，而只有给提示的导师提升了内在动机。学生评为更有帮助、更容易的那个工具，也正是在最大程度上削减了产出学习的加工过程的那个。
注意这个设计无法支持什么。它是一门课、一个学期、一种语言，而练习得分按构造就是有辅助的表现，恰恰是这项研究警告不要信任的那种测量。它没有显示导师无用。它显示的是：你选择测量哪个结果，就决定了你得到什么答案，而学生的偏好不是学习测量。
所以去评没有辅助的版本。每个单元一个任务，让学生在没有 AI 在场的情况下提取、解释、求解或为自己观点辩护，并给它实打实的分数。这背后的效度论证在评价效度里：一份光鲜的带回家成品，不再能说明提交它的人具备这份成品所展示的能力。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？把整套架构讲了一遍，包括大课里那个便宜的身份核验环节。
改你手上已有的那份作业，而不是整门课
提出这个问题的教师大多不是在建设一门新课。他们手上有一篇学期论文、一份实验报告或一套习题，已经用了好多年，他们想知道接缝该放在哪儿。把作业一步步拆开，对每一步问你在那儿评的是什么，让答案来划定边界。这就是McCorkle 的对齐式课程政策工作所记录的任务层面方法，把你最有争议的那份作业过一遍，通常就足以看清它的形状。
一篇十页的学期论文通常这样分开。选题与文献检索是判断力所在之处，所以一个替你提出论点或替你拼出阅读清单的工具，已经执行了你正在评分的那部分。综合与论证是构念本身。引文格式、参考文献核对和语言润色，是工具使用对你的构念不可见的步骤，在那里禁止使用除了招来怨气什么也换不到。把这一点写进作业说明，一步步写，愿意的话用一张短表。
然后让中间那一步可见。要求随论文提交一页纸的注释式说明，写明学生否掉了哪两个来源以及为什么、哪一处主张是核查之后改掉的、以及在哪里选择不采纳某条建议。用你对正文所用的同一套具体标准去评它。一份说明只有在跳过它的学生损失大于收益时才有分量，所以给它足够的分，让这笔算术显而易见。
习题集更容易，接缝在另一个位置。答案不是构念；方法选择和错误诊断才是。要求学生在打开任何工具之前，用自己的话写出每道题的第一步，并在课堂上用一无所有的方式做这套题里的一道。这个改动比听起来小，而它把这套题从一份你无法核验的成品，变成一份学生如何思考的记录。
对实验报告来说，接缝通常是数据解释和误差分析。让工具去排表格、核单位。把解释、把什么算作异常值的选择、以及对与预期结果不符之处的说明留在学生手里，并给这些配上分数来评。
这个模式可以推广：找到能力所在的那一步，保护那一步，放开其余部分，并把过程证据放在有分数的地方。你要避免的是那种改变了作品如何产生、却没有改变分数能支撑什么的重新设计。
以后续表现来评判反馈工具与评分工具
AI 反馈可以及时、具体、可扩展，并且为学生所接受，在高等教育里也是如此。它是否真的教会了东西，取决于准确性、教学法上的契合度，以及学生的反馈素养，即他们判断反馈并据以行动的能力。如果你正在权衡把它用于反馈或评分，下面这些数字就是该带进采购会议的那些。
一项对 14 份院校指导文件的分析发现，通用提示词产出的学习结果、活动和评价彼此孤立。工具无法知道一个主题内部的相互关联有多紧密，所以它的反馈停留在笼统层面，而不是诊断性的精确。
配置确实能可测量地提升质量。在一项关于 AI 对学习目标给出反馈的研究中，仅模型本身就解释了反馈质量变异的 26.9%，加上提示词之后升到 42.8%，多了 15.9%。真正起作用的那一个提示词特征是学科专有术语；把它换成日常说法会让反馈显著变差。模型选择也有影响：Claude 3 和 Gemini Advanced 产出的反馈评分显著低于 ChatGPT-4。
评分更不稳。一项用 18 个语言模型给 6,081 份编程作业评分的比较发现，平均分从 0.290 到 0.608 不等，取决于模型，完全一致率最低的只有 0.20，最好的为 0.74。两个作业完全相同的学生，可能因为院系采购了哪个模型而被评成不同的分。
然后是学生真正关心的那个问题：这些反馈是否改变了他们之后能做什么。一项在本科数学课程中持续一学期的部署，涉及 343 名英语学生和 236 名荷兰语学生，从拍照的答题纸生成个性化评语和练习题。评审者认为练习题是最强的一环，诊断精确度和清晰度是最弱的一环。针对关联考题的随机交叉设计在调整后未发现统计显著差异（pHolm = 0.104），而出勤率与考试成绩的关联远比接触反馈清楚得多（ρ = 0.49 和 0.54，均 p < 0.001）。学生看重并据以行动的反馈，与能产出可测量学习的反馈并不是一回事。
如果你让模型来评分，还有另一个陷阱。在一项跨越十个学年的 1,426 篇心理学学位论文的研究中，四个 AI 评分器都把学生写的作品评得最低，把 AI 写的作品评得最高。16 组比较中有 10 组的差距大到这种规模在教育研究里很少见，直到观测到的最大差距，而这种偏倚在完全由 AI 生成的文本上最强。评分器可能因为文本像机器写的而奖励它，即使它的指令说要评判内容。
把设计帮到的学生和它甩掉的学生分开
平均值的改善可以掩盖这样一门课：强者更强，弱者拿到更差的交易。数字鸿沟如今至少沿三条线分布：工具的可及性、使用工具的技能，以及谁真正得到了有用的结果。单是提示词技能本身就造出一种“提示特权”，更有经验的用户从同一系统得到更好的输出。
那项 72 项研究的综述区分了两种机制。技能差距出现在先前知识更强的学生把帮助转化为持久收益，而准备不足的学生用帮助替代练习的地方。资源差距出现在可靠网络和付费访问在院校之间支撑更好工具使用的地方。语料中只有六项研究直接考察了公平问题，作者把这视为问题本身而不是脚注；AI 教育中的公平是这一论证展开的地方。
当需要帮助的学生正是那些真正参与的学生时，帮助可以缩小差距。一项由四项实验组成、考察学习者在 AI 智能体帮助下发现隐藏规则的研究发现，这种辅助把所需动作减少了 33-52%，收益集中在最弱的表现者身上，而较强的学习者基本不受影响。这是有希望的那个版本，而它取决于最需要帮助的学生正是那些能把帮助用好的人，而技能差距表明，不教他们，他们做不到。
把有后果的判断留给人
教师的 AI 素养并不在政策讨论所假设的位置上。在已经完成过 AI 培训的科学教师中，平均 AI 素养为 30 分中的 16.7，低于参照样本的 18.79，并且与年龄、性别、从教年限或用过多少 AI 都无关。一项对 412 名职前数学教师的调查发现，准备度仍处早期阶段，教学信念最高，在 7 点量表上均值为 5.24，技术性 AI 知识最低，为 4.23。
这是支持有边界工具、而不是自主工具的理由。那份指导文件分析提出一个由院校配置的检索增强智能体，它引导思考而不提供答案，标出偏离，并在边界情形升级给人，其权限被描述为“派生的、有边界的”。有直接证据支持把人留在回路里而不是挡在回路前面：一个课程材料生成系统在人保持参与时得分更好，人类输入最多的那个模式把评审者评分提高了 0.5-0.9 分，高于完全自主的模式。它的自主评审者紧紧聚集在 2.9-3.1 附近，而人类评估者分布更开、区分度更高，所以作者把人的判断保留为首要质量信号。
对一门课来说可操作的版本是：让 AI 起草、分类、标记。把准确性、公平性、隐私，以及任何关于学生能否继续推进的决定，放在有意义的人在回路监督之下。使这一点成为必要的风险是那套熟悉的东西：偏倚、隐私、透明度、学习者的自主性、问责，以及教学安全。这份清单就是为什么教学 AI 能力比技术上的熟悉更重要。
教师在这件事上搞错的地方
“摆在我面前的这份光鲜作业，证明学生做得到。” 它证明的是这份作业很光鲜。练习得分上 71.84% 对 29.85% 的差距，同一试验中持平的概念增益，以及综述里 36 项发现效率而无迁移的研究，说的都是同一个距离：有辅助的表现与能力之间的距离。如果成品是你唯一评的东西，那么成品就是你唯一测量过的东西。
“如果 AI 是导师，它就站在界线正确的一边。” 这个标签不附带保证。在 CS1 试验里，给提示的导师避免了不受限制的 ChatGPT 在练习上造成的损害，却仍然没有产生任何相对于无 AI 的概念优势。不交出最终答案，不等于不交出推理，而一个导师可以做到后者，同时看起来只做了前者。
“检测器，或者更严的规则，能解决诚信问题。” 检测只处理若干种反应中的一种。那项学生—教师研究发现，对指控的恐惧抑制了被允许的使用，项目文化比任何课程政策都更好地预测行为，而自我申报在每门课里都低报了使用。更严的规则改变的是学生隐瞒什么，不是学生学到什么。
“一条全课程统一的 AI 规则更公平也更简单。” 更简单，是的。证据支持按作业设定规则，因为限制、脚手架、要求这三种情形在多数课程里共存，而同一个许可在实验报告和反思文中含义不同。一刀切的立场也恰恰是学生最容易绕开的那些。
“说工具帮到了自己的学生，正在从中学习。” 满意度是一种自我报告测量，而在 CS1 试验里，评分最高的那个条件恰恰是最大程度削减了学习背后加工过程的那个。那项数学课部署发现了同样的分裂：学生看重的反馈，考试上并无显著差异。
“AI 素养就是提示词技巧，学生用着用着就有了。” 各种框架把AI 素养视为概念性理解、操作技能、批判性评价、伦理判断，以及对局限的觉察。那篇综述明确说，提示词工程、输出核查和分析 AI 的错误，都是可教的技能，不会通过接触而自然发展。拿 30 分中 16.7 分的那些受过培训的科学教师，就是这一主张的经验版本。
“公平问题就是可及性。” 可及性只是三条线之一。技能和谁能得到有用的结果，是另外两条，而语料中只有六项研究直接考察了其中任何一条。给每个学生发一个许可证，解决的只是最容易的那三分之一。
你会遇到什么反弹
“我的学生说 AI 对他们有帮助。” 它通常确实对眼前这项作业有帮助，而这项发现讲的是之后还剩下什么。问他们不用辅助还能做什么，你会得到另一个答案，这就是那个无辅助计分环节存在的原因。
“我教 200 个学生。我没法读草稿，也没法做口头核查。” 你不必什么都读。在最高风险的作业上加一次课堂应用或一段简短的录音讲解，再对看起来与早前提交不一致的作业做抽样核查，就覆盖了大部分风险。分阶段提交、注释式说明和过程档案袋都能规模化；评一份故意有缺陷的 AI 输出的核查过程，也能规模化。
“检测是我们唯一的手段。” 检测器有文献记录在案的可靠性和公平性问题，而效度是更难的那个问题：一份光鲜的带回家成品，不再能说明提交它的人具备这份能力。过程证据比一场军备竞赛便宜，而且产出的是你在申诉中能站得住的东西。
“禁掉它更简单。” 更简单，而且通常会失败。那项师范生研究里的采纳情况跟着项目文化走，而不是任何单门课程的政策，而披露在每门课里都低报了实际使用。禁令也剥夺了你看见学生离开学校后会怎么用这个工具的能力。
“我不教 AI。这不是我的学科。” 这些发现讲的是你的学科。当 AI 执行了你这门课存在的意义所在的那部分练习，那正是它造成干扰的时候，而这种干扰会出现在你的评价里，无论你是否提到这个工具。
“证据太新，还不足以据此行动。” 部分属实，而且它两面都成立。语料中很大一部分是短期干预、自我报告研究、单一学科，或 2025 与 2026 年的工作，而来自成熟智能辅导研究的主张，比关于不受限制的通用聊天机器人的主张更可靠。凡是现在已有随机对照试验支撑的主张，CS1 试验中的表现与学习分离，以及数学课部署中的反馈结果，本页都引了那项试验。凡是没有的，就把该发现当作当前可得的最佳指导，而不是定论，并对那些只显示满意度、任务速度、输出质量或即时辅助表现的结果保持最大怀疑。
本周可以做的事
1. 挑出你最没底气为之辩护的那份作业。把能力那句话写在作业说明的顶端。
2. 加一个在无 AI 在场时进行的环节：五分钟课堂应用、一段简短的录音讲解，或一段在教室里写的文字。给它实打实的分数。
3. 写明这份作业的 AI 条件，并加一行理由。如果这份作业混合了不同步骤，说明哪些步骤是哪一种。
4. 把你给学生的一条提示词从“解出这道题”改成“给我一个提示，并问我一个问题”，并告诉他们为什么。
5. 开学之前，把这个改动拿给项目负责人和负责审批合理便利的人看，这样第一次申诉就不会同时也是第一次对话。
接下来可以去哪里
关于这些误解按利益相关方逐一展开的版本，见我们应当如何纠正人们对教育中人工智能的常见误解？。关于公平与人的判断这两项发现所隐含的设计要求，见教育领域的人工智能研究应当如何纳入公平、无障碍、隐私、伦理与教学安全？。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？把评价那一半讲得更远，而使用人工智能真的能帮助我的学生学习吗？是本页各项主张背后的证据综述。如果你在重新设计与执行之间做选择，我怎样才能减少课程中的人工智能作弊？和我如何撰写课程人工智能政策并向学生说明？是配套页面。