“我的作业是 AI 写的”恐慌已经过去：取而代之的是什么

ChatGPT 开放给公众使用后，教育工作者开始设想最糟糕的情况。

学生将不再自己写论文。 

课后作业将变得无法信任。 

而在某个地方，一个大语言模型会生成一篇完全合格的五段式文章，主题是 The Great Gatsby，与此同时，名义上的作者却在另一个房间里玩电子游戏。

这种担忧可以理解。学生第一次能够免费使用一种技术，而它几乎可以就任何主题生成令人信服的书面内容。然而，生成式 AI 时代已经过去好几年，如今围绕这一问题的讨论正变得更加复杂。

学生仍在使用人工智能。事实上，人工智能的使用已变得极为普遍。一项 Higher Education Policy Institute 于2025年开展的调查对1,000多名英国本科生进行调查后发现，92%的人以某种形式使用人工智能，88%的人曾使用生成式人工智能完成考核。对 UCLA 2025届毕业班开展的研究也发现，73%的受访高年级学生曾使用生成式人工智能辅助课程学习。

然而，这些学生未必会让 ChatGPT 从头到尾替他们完成作业。他们会用 AI 查找主题资料、集思广益、备考、修改文章、解释难懂的概念，有时也会让它生成作业的部分内容。

这让教育工作者面临一个重要问题： 学生真的理解自己提交的内容吗？

AI 检测工具的问题

面对 AI 生成的作业，人们采取的另一种应对方式也是 AI：检测软件。

如果学生能用算法写论文，教育工作者或许也能用另一种算法抓出他们。

但问题在于，AI 检测并不等于证据确凿。

自生成式人工智能广泛应用的早期以来，研究人员一直在关注假阳性和假阴性问题。一项 发表于The International Journal of Management Education的2023年研究发现，检测工具对真实写作和人工智能生成文本的判定存在重叠，因此两类错误都有可能发生。

较新的研究表明，根本挑战依然存在。一项 发表于Computers & Education的2026年评估使用13种人工智能内容检测工具，对真实的学生作业、学位论文和代码进行了测试。研究人员得出结论，检测工具的表现仍不足以支撑高风险的学术决策，并发现经过编辑的人工智能生成内容往往能够逃过检测。

这并不意味着检测工具毫无用处。不过，这确实让人难以将它们作为应对 AI 辅助学术工作的主要手段。

这也引出了一个更大的问题。

即使检测工具完美无误，也只能告诉教育工作者一段文字是否很可能由 AI 生成，却无法告诉他们学生是否真正学到了东西。

试想两名学生：

• 第一名学生让 AI 聊天机器人写完整份作业，稍作修改后便提交了，却并不理解其中的论证。
• 第二名学生利用 AI 解释自己一直难以理解的概念，接着提出问题、集思广益，探讨可能的论点，然后独立完成作业，之后又用 AI 找出初稿中的薄弱之处。

两人都使用了 AI。但从教育角度看，他们做的事情截然不同。

“你用 AI 了吗？”正逐渐成为一个不合适的问题

生成式 AI 已不再只是单一用途的写作机器。

学生可以把它用作编辑工具、辅导老师、头脑风暴伙伴、翻译工具、研究助理、编程辅助工具或学习工具。人们日常使用的软件中，也越来越多地集成了 AI 功能。

学生自己也意识到了这种区别。在 Chegg 的 2025年全球学生调查中，80%的受访本科生表示，他们曾使用生成式 AI 辅助学习。在这些用户中，56%主要用它来理解概念或学科内容。同时，53%担心会收到错误信息。

最后这个数字或许与第一个数字同样重要，因为学会使用 AI，也意味着要学会判断一个答案是否值得信任。

聊天机器人可以为论文推荐资料，但其中一些资料可能根本不存在。它可以润色段落，也可能在不知不觉中改变学生原本想表达的意思。

AI 越容易生成答案，具备足够的判断力来评估答案就越重要。学术诚信的讨论也正是从这里逐渐转向 AI 素养。

学生需要证明自己理解了所学内容

数十年来，经过充分研究、完成度高的作业往往被视为学习成果的证据。

学生提交论文、实验报告、演示文稿或代码后，教师会评估最终作品，以判断学生对材料的理解程度。

生成式 AI 动摇了这一假设，因为如今即便学生未必掌握最终作品所展现的知识，也可能交出一份润色完善的成品。

这迫使教育工作者把目光投向最终作品之外：

1. 请学生解释他们为何得出某个结论。
2. 询问哪些证据改变了他们的看法。
3. 请他们口头为自己的论点辩护。
4. 询问他们觉得作业中最难的部分是什么。
5. 改变题目中的一个变量，再请他们重新解题。
6. 请他们指出自己作品中的一个弱点。

如果允许使用 AI，就询问他们如何使用 AI、AI 提供了哪些帮助，以及他们舍弃了哪些内容。

如今，给出一个令人印象深刻的答案只是作业的一部分。学生还必须证明，自己真正掌握了答案背后的思考过程。

作业应更多展现完成过程

多年来，数字工具让评估越来越容易聚焦于最终作品。生成式 AI 却促使一些教育工作者转向相反的方向：关注作品的形成过程。

这可能意味着审阅提纲和草稿，而不只是最终提交的作业；也可能意味着纳入课堂讨论或口头环节。学生可以记录论点如何逐步形成，解释为何选择特定资料来源，或反思自己在哪些地方遇到了困难。

AI 甚至可以成为评估本身的一部分。

教师不必要求学生不要使用聊天机器人，也可以提供一份由 AI 生成的答案，让学生对其进行批判性分析。

• 模型哪些地方做对了？
• 它忽略了什么？
• 哪些说法需要核实？
• 在相信这个答案之前，需要查阅哪些资料来源？
• 学生能否提出更有说服力的论证？

这些问题更难交由他人代劳，因为这项作业要求学生运用人的判断力。而当 AI 能随时生成看似可信的信息时，判断力恰恰是学生所需要的技能。

AI 素养成为学术素养的同义词

曾几何时，“数字素养”主要是指懂得如何操作电脑、浏览互联网和使用常见软件。

后来，这一定义变得更加深入，因为仅仅知道如何在网上搜索还不够。人们还需要评估网站、识别不可靠的信息来源、保护个人信息，并明白搜索结果排在前面并不代表内容就一定属实。

AI 素养也在经历类似的转变：懂得如何编写提示词固然有用，但这只是这项技能的一部分。

学生还需要了解生成式 AI 能够可靠完成什么、不能可靠完成什么。他们需要识别 AI 幻觉，对语气笃定的答案提出质疑，核实信息来源，考虑隐私问题，并明白 AI 助力何时会越界，取代自己的思考。

要厘清这一区别，可能需要围绕整体学习成果进行一些试错。

用 AI 解释难懂的概念，或许能加快学习进度。但在自己尝试解题之前就让 AI 把题目做完，可能会绕过这项作业原本旨在培养的认知能力。

课堂之外的世界

教育始终着眼于未来。学生毕业后，会将他们在学校学到的知识带入职场，而他们进入的职场不太可能完全没有 AI。

AI 助手正被整合进创意平台和企业系统。如今的许多学生未来可能从事预期要有效运用 AI 的职业。因此，若将“一律禁止使用 AI”作为职业生涯准备方式，就越来越难以维持。

另一种走向极端的做法也并没有多大用处。

一个无法在不借助 AI 的情况下写出论证的学生，并不一定因此更能胜任 AI 赋能的职场。一个不经核查就接受 AI 生成分析的学生，也同样如此。

真正有价值的能力，是知道哪些事情可以交给 AI，哪些不可以。

• AI 可能在几秒钟内生成一份初步摘要，但人仍需具备足够的相关领域知识，才能发现其中遗漏了什么。
• AI 可能生成代码，但仍需要有人判断代码是否可用、是否安全，以及是否解决了预期的问题。
• AI 可能起草一封客户邮件，但仍需要有人充分了解客户，才能判断发出这封邮件是否糟糕透顶。

缺乏独立判断力的 AI 运用能力，算不上什么真正的能力。

新的学术诚信问题

原有的作弊问题依然存在。学生可以利用生成式 AI 逃避学习任务，就像他们一直以来总能找到逃避学习任务的办法一样。教育工作者仍需明确界限：哪些情况下允许使用 AI，哪些情况下必须独立完成，以及何种行为构成学术不端。

但更广泛的讨论聚焦于这样一个观点：AI 让制造出知识的表象变得异常容易。这意味着，教育必须更加善于区分知识的表象与知识本身。

过去的问题是：“这是你的作品吗？”

现在的问题是：“你能证明这项作品背后的思考是你自己的吗？”

这个问题更难评估。对教育工作者来说，这不仅仅是把一篇文章交给检测工具，再等着看一个百分比。尽管如此，多花些功夫还是值得的。毕竟，作业并不是非此即彼：要么完成了，要么没完成。作业过去如此，现在依然如此，考验的是完成它所需的思考。