AI时代的教与学

#实践应用#教育技术#AI

⚠️ 快速演变领域，本条目写于 2026-08，需定期更新。

生成式人工智能（generative AI）对高等教育的冲击及应对：冲击的核心不是"作弊变容易了"，而是"作品作为能力证据"这一考核基石的失效；应对的核心是评价重设计与素养建设，而非检测军备竞赛。

历史脉络（技术脉络）

AI 进入教育并非始于 2022。1970 年代起的智能导学系统（Intelligent Tutoring Systems, ITS）已尝试机器个别化教学，1980–90 年代安德森（John Anderson）团队基于 ACT-R 认知架构的认知导师（Cognitive Tutor）是代表作；布卢姆（Benjamin Bloom）1984 年提出"两西格玛问题"——一对一辅导可使学生成绩超过班级教学约两个标准差，如何规模化复制这一效果成为教育技术的圣杯叙事。2010 年代 MOOC 与学习分析（learning analytics，2011 年首届 LAK 会议）把数据驱动带入主流。2022 年 11 月 30 日 ChatGPT 发布，生成式 AI 在数月内从实验室话题变成每个课堂的现实；随后数年，多模态、更长上下文与智能体（agent）化持续扩大能力边界，Khanmigo（2023）等教育专用产品与通用聊天机器人并行进入学生的日常工具箱。

核心冲击面

• 考核效度：论文、代码、题解等课外作品不再是个人能力的可信证据——从作品倒推能力的推断链条断裂（详见下文评价透镜）。
• 学术诚信：违规边界从"抄了谁"变为"AI 参与到什么程度"，旧规则无法覆盖，需重建为"声明与分级"范式。
• 信息素养：幻觉（hallucination）、训练数据偏见、看似流利的错误，要求核查与溯源成为基本功。
• 教师负担与课程半衰期：考核重设计、政策制定、内容更新同时压向教师；"教什么还有长期价值"成为课程层面的真问题。
• 认知卸载（cognitive offloading）：把认知工作外包给工具本是人类常态（笔记、计算器），争点在于生成式 AI 卸载的是原本产生学习的那部分加工。

理论透镜：逐个分析

• 认知负荷理论：AI 可充当即时脚手架——按需解释、示例、答疑，降低外在负荷，对新手尤其友好；但学习来自学习者自己完成的生成性加工，若 AI 代做了组织、比较、写作这些"必要的困难"，负荷降低的同时学习也被卸载。设计变量是：任务中哪部分加工必须留给学生。
• 元认知与自我调节学习：流畅的 AI 输出放大"懂了的错觉"，损害对自身理解的监控与校准；依赖 AI 规划与纠错，则自我调节循环（计划—监控—调整）被外包。反向用法同样成立：让 AI 扮演只提问不给答案的元认知教练，或要求学生先自评再与 AI 反馈对照，都是可行的干预设计。
• 教育评价理论：这是理解冲击的最准确透镜。评价的效度建立在"表现 → 能力"的推断上；AI 使该推断在无监控作品上失效。问题从"如何防作弊"升级为"评什么、什么证据在什么条件下仍可信"——答案指向过程证据、现场表现与口头交互。
• 社会文化理论与维果茨基：AI 是否算最近发展区（ZPD）中"更有能力的他者"？形似而神异：真人支架者对学习者负有责任，会诊断、会节制、会逐步撤除支持；默认状态的 AI 有求必应、从不"让位"，恰与脚手架的撤除逻辑相反。让 AI 表现得像教师（苏格拉底式、拒绝直接给答案）是产品与提示词设计层面的响应，其效果是开放的实证问题。
• 联通主义与数字化学习：联通主义早就主张知识存在于网络之中、"知道去哪里找"比"记住"更重要，堪称知识外置论的先声；生成式 AI 迫使其升级——被外置的不再只是存储与检索，还有生成与推理本身，"人的不可外置贡献是什么"成为课程目标层面的问题。

理论间关系

• 教育技术理论：上游条目——媒介是否影响学习的克拉克—科兹马之争，是对"AI 必然变革教育"论调的历史解毒剂。
• 行为主义：程序教学与即时反馈传统是 ITS 的远祖。
• 学习科学前沿：人机协同学习、AI 辅导的对照实验证据在此持续更新。
• 教学设计模型：评价重设计最终要落回系统化的课程设计流程。

在高等教育中的实践应用

评价重设计策略

• 过程性证据：要求版本史与草稿轨迹、阶段提交、过程访谈；评价对象从最终产品移向产生产品的过程。
• 真实任务：在地数据、本班情境、时效性材料，降低通用生成的适用性（注意：这只是提高门槛，不是防线）。
• 现场表现性评价：课堂写作、上机实测、口头答辩、实操考核——受控条件下的表现重新成为效度锚点。
• 两车道模型（two-lane approach）：悉尼大学刘（Danny Liu）与布里奇曼（Adam Bridgeman）等提出：一条"受控车道"用有监控的评价确证个人能力底线，一条"开放车道"允许并显式教授人机协作完成真实任务。两条车道各自诚实，胜过全部任务的模糊地带。
• AI 使用声明与分级：按任务声明允许级别（如禁止/仅查询与润色/协作生成但须标注/自由使用），并要求学生附使用说明；帕金斯（Mike Perkins）与弗泽（Leon Furze）等的 AI 评价量表（AIAS）是可借用的分级框架。

政策谱系：禁止 → 检测 → 限定 → 融入

初期的全面禁止被普遍放弃（不可执行且与职场脱节）；检测路线的可靠性不足——误报无法排除，梁（Liang）等 2023 年发表于 Patterns 的研究显示检测器系统性误伤非英语母语写作者，OpenAI 也于 2023 年因准确率低下线了自家检测工具，检测结果不宜作为处分的唯一证据；主流实践收敛于"任务级限定使用 + 教学性融入"。中国于 2023 年 8 月施行《生成式人工智能服务管理暂行办法》，各高校陆续发布学位论文与课程作业中的 AI 使用规范。

AI 素养与教师角色

UNESCO 2023 年《生成式人工智能教育与研究指南》提出人本取向、政策先行、教师能力建设与年龄/数据保护底线。校级 AI 素养框架通常覆盖：会用（提示与迭代）、会核（事实核查与溯源）、会判（适用边界与偏见）、会守（伦理、隐私与学术规范）。教师角色相应移动：内容传递的比较优势下降，任务设计、过程诊断、判断力示范的价值上升；AI 同时也是教师的备课与反馈助手——合理分工是"AI 打草稿、人做判断",且判断责任不可外包。

批评与局限（含公平问题）

• 付费鸿沟：前沿模型订阅制造成学生间的能力代差，是新形态的数字不平等。
• 语言与文化偏向：英语中心的训练语料使非英语语境的输出质量与文化适配打折，检测误伤也集中于非母语者。
• 平台依赖与数据：教学过程数据流向商业平台，长期依赖侵蚀机构自主。
• 技术决定论：从广播、电视到 MOOC，"革命"叙事屡次落空；对"AI 将个性化一切"的许诺，教育技术理论 的历史提供了必要的怀疑基线。

前沿动态与开放问题

• 长期认知影响：持续卸载生成性加工是否导致写作、推理能力的代际萎缩？目前只有短期与相关性证据，长期追踪缺位。
• 评价军备竞赛：智能体化 AI 能完成多步骤项目后，过程性证据（版本史等）本身也可被伪造，重设计是否只是在追赶？
• 师生信任：普遍怀疑（"这是不是 AI 写的"）对反馈关系与教育关系的腐蚀，可能比个案违规代价更大。
• 两西格玛的再检验：AI 辅导能否兑现布卢姆的规模化个别辅导，正在积累对照证据，结论未定。

延伸阅读

• UNESCO. Guidance for Generative AI in Education and Research（2023）。
• Bloom, B. "The 2 Sigma Problem"（Educational Researcher, 1984）——理解 AI 辅导叙事的原点。
• Liang, W. 等 "GPT Detectors Are Biased Against Non-native English Writers"（Patterns, 2023）。
• Mollick, E. Co-Intelligence（2024）——面向从业者的人机协作实践观。

相关条目：教育技术理论、联通主义与数字化学习、认知负荷理论、元认知与自我调节学习、教育评价理论、社会文化理论与维果茨基、学习科学前沿、教学评价与改进实践、课程与教学大纲设计实操、理论到实践映射