生成式AI时代的教育：教学与学生评估的导航

（原标题：AI in Education: Navigating Teaching and Assessing Student Learning in the GenAI Era）

🎯 核心观点与背景

• 生成式 AI 的引入不仅是技术挑战，更是教育范式转型的契机，迫使教育者从内容驱动转向以学习者为中心的教学实践。
• 技术迭代速度的剧烈变化是本次变革的核心特征。互联网普及从商业起步到大学普及经历了约十年周期，而生成式 AI 工具从出现到对教育产生颠覆性冲击仅用了两到三年，这种极短的时间跨度使得教师和学生难以在短时间内完成教学与评估模式的调整。
• 尽管历史上存在多次重大技术变革，但每次技术都有其利弊，当前 AI 带来的变化因速度原因显得尤为特殊，其冲击感比互联网时代更为强烈。
• 在 GenAI 时代，教育策略需通过“逆向设计”确保学习目标、评估与教学活动的高度对齐，课堂时间应优先用于认知参与和主动学习，以培养分析、评估、创造等高阶思维能力。
• 透明度是建立信任的关键，需明确 AI 政策及其背后的教学逻辑，并赋予学生参与政策制定的权利，以增强课堂社区感。
• 动机管理需关注学生的自主性与胜任感，避免将 AI 仅视为应对 FOMO（错失恐惧症）或追求捷径的工具，而是引导其成为深度学习的辅助手段。

📊 关键事实与论据

• 逆向设计原则：从定义学习成果出发，驱动评估设计和课堂活动，解决传统内容驱动导致的评估错位问题，确保所有教学活动都服务于核心学习目标。
• 布鲁姆分类法的应用：AI 任务设计应侧重高阶认知任务，例如对比人类与 AI 的翻译输出并论证差异。同时强调布鲁姆分类法应灵活使用，低层级技能（如记忆、语法）是高层级技能的基础，不应完全摒弃，而是通过小测验评估低层级知识，将高分值权重分配给评估高阶认知任务的作业。
• 技能退化风险实证：研究指出，引入 AI 辅助结肠镜后，医生在三个月内检测息肉的能力下降，尽管 AI 能多检测约 25% 的息肉，但需警惕医生独立诊断能力下降，表明认知卸载可能导致注意力技能退化。
• 航空业启示：飞行员从简化座舱开始训练，并持续练习应对自动化故障，以保留核心操作能力，这为教育中如何平衡自动化辅助与核心技能训练提供了参考。
• WPI 案例研究：Laura Roberts 教授与学生共同设计 AI 政策，通过案例讨论区分“协作”与“委托”，发现学生往往比教师更倾向于严格限制 AI 使用，体现了学生视角在政策制定中的重要性。
• 胜任感培养策略：将大型评估拆解为提案、大纲等小步骤，降低启动门槛，强调过程而非仅关注最终产品，以此提升学生的胜任感。

🎓 教学策略与评估

• 成长型评估机制：提倡允许学生无惩罚地重新提交作业或修正错误，以支持成长型评估并减少 AI 滥用。针对大规模课程（如 500 人班级），可参考哈佛 Eric Mazur 的“规格评分”或 MIT 6.001 课程的实践，允许学生以部分分数（如 1/3 或 1/2）重新尝试作业，激励其从错误中学习。
• 分阶段 AI 使用策略：在法语写作课案例中，规划与初稿阶段禁止使用 AI 以保护“寻找个人声音”的核心技能，而修订阶段允许使用 AI 辅助。建议根据课程核心学习目标，保护那些正在发展的关键技能（如基础写作能力），避免过度依赖 AI。
• 技能优先级界定：教师需明确哪些基础技能必须通过练习达到自动化，哪些技能可因 AI 而重新定义优先级。建立清晰的 AI 使用护栏，防止“去技能化”（de-skilling）、“错技能化”（mis-skilling）和“无技能化”（never-skilling）。
• 透明化评估标准：通过透明化评估标准和 AI 政策，让学生理解保留某些非 AI 任务对专业成长的价值，增强课堂社区感，减少因规则模糊导致的焦虑。

🧠 认知技能与 AI 依赖

• 去技能化风险应对：引用结肠镜检查研究指出，需警惕医生独立诊断能力下降，建议通过定期脱离自动化进行训练来维持人类核心技能。教育中应设计任务，确保学生在依赖 AI 的同时，仍能独立掌握核心认知过程。
• 认知层级平衡：强调 Bloom 分类法应灵活使用，而非僵化套用。低层级技能是高层级技能的基础，不应完全摒弃。建议将低层级知识评估置于小测验中，而将高分值权重分配给评估高阶认知任务的作业，以平衡基础知识与创造性思维。
• AI 依赖的心理机制：部分学生因害怕提问而依赖 AI，但也指出将 AI 视为无生命的工具而非拟人化实体，有助于减轻学生的心理负担并提升自信。关注学生使用 AI 的深层动机（如同伴压力、期末焦虑），通过提升自主性和胜任感来引导其正确使用 AI。

📊 现场调查与共识

• 影响感知分歧：现场投票显示，多数受访者认为生成式 AI 对教学的影响是“使其变得更糟”，但同时也认为大学“非常必要”地将 AI 工具融入课堂活动，反映出对 AI 既担忧又依赖的矛盾心理。
• 作弊界定模糊：在界定“作弊”与“合法使用”的灰色地带时，受访者观点分歧较大。例如，让学生按 AI 生成的大纲写作被视为作弊的比例高于让 AI 总结文献综述，表明不同任务类型对 AI 使用的接受度存在显著差异。
• 首要任务共识：绝大多数受访者认为当前 AI 教育的首要任务是“明确教授学生如何适当且合乎伦理地使用 AI”，而非完全禁止或强制要求，强调了技能培养而非单纯管控的重要性。
• 心理健康关注：关注学生心理健康，指出将 AI 视为无生命的工具而非拟人化实体，有助于减轻学生的心理负担并提升自信，避免将 AI 拟人化带来的情感依赖或焦虑。

💡 结论与建议

• 技能重构与护栏建立：教师需明确哪些基础技能必须通过练习达到自动化，哪些技能可因 AI 而重新定义优先级。建立清晰的 AI 使用护栏，防止“去技能化”、“错技能化”和“无技能化”，确保学生在 AI 辅助下仍能保持核心认知能力。
• 透明化与社区感：通过透明化评估标准和 AI 政策，增强课堂社区感，让学生理解保留某些非 AI 任务对专业成长的价值。赋予学生政策制定的参与权，通过共同讨论区分“协作”与“委托”，形成共识。
• 动机引导与心理支持：关注学生使用 AI 的深层动机（如同伴压力、期末焦虑），通过提升自主性和胜任感来引导其正确使用 AI。将大型评估拆解为小步骤，降低启动门槛，强调过程而非仅关注最终产品，以此提升学生的胜任感。
• 灵活评估与成长导向：提倡允许学生无惩罚地重新提交作业或修正错误，以支持成长型评估并减少 AI 滥用。针对大规模课程，参考“规格评分”实践，允许学生以部分分数重新尝试作业，激励其从错误中学习，平衡基础知识与创造性思维。
• 持续适应与反馈机制：鉴于技术迭代速度过快，教师和学生需持续调整教学与评估模式。主办方邀请参与者填写在线调查，以收集对活动的反馈，鼓励参与者留下联系方式以便未来参与类似活动或交流想法，形成持续改进的闭环。