人工智能在哪里真正改善了学习成果，在哪里产生了摩擦，以及高等教育应该做什么

人工智能已经进入高等教育。它已经开始影响学生的学习方式、教师的教学方式以及机构对表现的评估。问题不再是人工智能是否属于课堂。学生正在使用它，雇主期望他们熟悉它，机构必须决定如何负责地应对它。关键问题是，高等教育如何利用人工智能来为我们的学生准备未来的工作。

我在高等教育中看到的现象比公开辩论中更少受到意识形态的影响。学生使用人工智能是因为它帮助他们摆脱困境并向前迈进。教师正在尝试，因为他们想在不破坏标准的情况下支持学习。管理人员正在尝试制定反映现实而不是恐惧的指导方针。因此，人工智能正在迫使高等教育重新考虑什么是真正理解、原创性和掌握的含义。

在 西克利夫大学，我们的方法是实用主义的。我们观察结果，观察实际课程中发生了什么，倾听教师和学生的意见，然后进行调整。这个过程揭示了一个明确的模式：人工智能改善学习当它被嵌入到故意的设计中，而它会引起问题当它被视为捷径或威胁时。

人工智能真正改善学习的地方

这些领域的共同点不是自动化，而是认知。人工智能加速反馈，澄清思维，并支持迭代，而不需要学生承担智力责任。

引导式练习和及时反馈

最强的学习收益出现在人工智能被用于引导式练习时。学生受益于他们可以提问、获得解释、尝试并获得即时反馈的机会。这种反馈循环对于学习至关重要，尤其是在大型或异步课程中，个人教师关注有限。

设计良好的人工智能支持工具不提供答案，而是提供有针对性的、方向性的反馈，以保持学生在发现过程中的参与。人工智能被设计为提示、提问和支架思维，而不是解决不确定性时，它反映了强大的同伴学习如何支持更深入的理解。

2025 年在科学报告中的一项研究发现，使用人工智能导师的学生比对照组的学生学习效率更高，他们也更投入、更有动力。结论不是关于人工智能取代教学，而是频繁、及时的反馈加速了理解，而人工智能可以帮助在规模上提供此类反馈。

人工智能也可以加强写作能力，当它被用于支持修改而不是取代作者身份时。

许多学生难以组织思想、阐明论点或有效地修改。人工智能可以帮助发现结构上的弱点、识别不明确的推理和促进更清晰的思考。

同时，学生必须学会如何负责任地使用人工智能。这包括了解如何制作有效的提示、识别人工智能响应可能包含的幻觉或不准确之处以及将声明与可靠的来源进行核实。教导学生质疑人工智能输出而不是被动地接受它，可以保护他们作品的完整性并加强他们的批判性思维。

学习和捷径之间的区别最终取决于期望。如果教师要求学生提交大纲、草稿和简要的反思，解释他们做了什么和为什么做，学生将保持对自己的思考负责。他们将积极参与塑造自己的作品，而不是将其外包出去，并且他们将是最终做出决定的人。 2025 年对教育中大型语言模型的系统性审查 确定了写作和反馈作为主要用例，同时也提醒人们不要过度依赖人工智能。

除了草稿和修改外，人工智能还可以作为对话伙伴，挑战学生的论点——询问为什么某个说法很重要、什么证据可能缺失或特定受众可能如何回应。这样，写作就不再是一种提交练习，而是一种知识防御和改进的过程。评估这种过程为教师提供了对学生批判性写作思维发展的宝贵见解。

减少对需要支架的学生的障碍

人工智能可以通过提供个性化的解释、示例和按需澄清来减少多语种学习者、第一代学生和重返校园的成年人的障碍。这并不能取代教学。它降低了不必要的障碍，使学生能够更充分地参与学习。

真正的机会在于实时调整支架的自适应支架，当能力增长时，故意减少支持。人工智能被用来校准挑战而不是消除挑战时，学生通过展示进步而建立信心，而不是依赖。

给教师回归教学的时间

人工智能可以帮助教师完成耗时的任务，例如草拟评分标准、生成示例问题、总结讨论线程或产生初步反馈建议。好处在于教师将节省的时间重新投资于更有价值的工作中：更好的作业设计、更丰富的讨论和更直接的学生支持。

机构正在遇到的摩擦

评估有效性是核心挑战

学习评估中最严重的问题不是传统意义上的抄袭。它是许多常见的评估在人工智能广泛可用时不再有效地衡量学习成果。

学生对人工智能的采用已经非常普遍。 HEPI 和 Kortext 学生生成性人工智能调查 2025 报告称，92% 的学生以某种形式使用人工智能，88% 的学生将其用于评估。如果一个作业可以在几乎没有理解的情况下完成，那么它不再是学习成果的有效衡量指标。

这就是为什么完整性辩论持续存在的原因。人工智能正在暴露传统评估的缺陷。当评估是弱的时，怀疑就会增长。更强大或更好设计的测量可以减少这种紧张。

政策滞后和不一致

许多机构仍在赶上。 2025 年 EDUCAUSE 人工智能景观研究 报告称，报告时不到 40% 的机构有正式的可接受使用政策。

在缺乏明确性的情况下，教师制定自己的规则，学生收到混合的信息。一个课程鼓励实验，另一个课程完全禁止人工智能。这种不一致性破坏了信任，并使得教授人工智能的道德使用变得更加困难。

没有持久技能的表现改善

人工智能可以在不建立长期能力的情况下改善短期表现。 2025 年对基于 GPT-4 的数学辅导的实地实验 表明，虽然人工智能辅导在练习期间改善了表现，但当工具被移除时，学生有时会表现不佳。机构面临的风险在于，将短期表现改善与持久的能力混淆，特别是当人工智能掩盖了工具被移除后才会出现的差距时。其含义很明确。人工智能可以减少有益的挣扎，而挣扎往往是学习发生的地方。如果人工智能设计消除了太多的认知努力，学生可能看起来很擅长而没有发展出独立的能力。

平等问题正在转变

人工智能有可能民主化支持，但如果访问和人工智能识读能力不同，它也可能加剧差距。拥有更好设备、付费工具和更多使用人工智能经验的学生具有不可见的优势。

平等的影响超出了工具的获取。人工智能越来越多地影响学生如何管理时间、认知负担和情感压力，特别是对于那些平衡工作、照顾、语言障碍或重新进入教育的人来说。当人工智能被有效使用时，它可以平衡竞争环境、稳定学习和建立信心。当人工智能被不均匀使用时，它可以加剧看不见的差距。

治理和数据管理

随着人工智能被嵌入到辅导、教学和评估中，治理成为学术质量的问题。机构必须了解学生数据的使用方式、供应商如何处理它以及如何监测平等。

像 NIST 人工智能风险管理框架 这样的框架提供了结构，但治理只有在被协作和透明地应用时才有效。在像西克利夫这样的人工智能启用的机构中，治理决策越来越多地作为学术质量保证，直接塑造信任、评估完整性和机构声誉。

高等教育领导者应该优先考虑什么

1. 重新设计评估以使学习可见

人工智能检测不是长期解决方案。它是反应性的和对抗性的，并且它没有解决根本的测量问题。

更持久的方法是评估重新设计，强调推理、知识处理和表现。这可以包括口头辩护、结构化的后续问题、基于草稿和反思的过程评分以及基于真实约束的应用项目和课堂综合任务。

在西克利夫，我们使用口头响应方法作为这一转变的一部分。一个例子是苏格拉底指标，它是一个人工智能启用的评估框架，使用基于课程材料和有时学生以前的写作的开放式提示的录制学生响应取代书面讨论问题。学生获得鼓励阐述和澄清的即时反馈。教师可以审查学生的响应以评估对理解和真实性的深度。

目标不是执行。它是可见性。口头响应格式在迭代后续问题下揭示了学生的思考方式，这很难外包并且更容易进行有意义的评估。苏格拉底指标只是众多可能方法之一。更广泛的观点是，评估必须演变为关注思考，而不仅仅是输出。

一个有用的领导问题很简单：如果学生在这个作业中使用人工智能，它仍然会衡量预期的学习成果吗？如果答案不明确，那就是重新设计应该开始的地方。

2. 把人工智能识读能力作为核心学习成果

学生即将进入一个人工智能将被嵌入日常工作的职场。他们需要判断力，而不仅仅是熟悉度。

世界经济论坛 2025 年的未来工作报告 强调了人工智能和数据相关技能的日益重要性，以及创造性思维和韧性的重要性。人工智能识读能力应该包括了解优势和局限性、识别偏见和不确定性、验证输出、负责处理数据以及知道如何有效地使用人工智能。

这不是关于把每个学生都变成技术专家。这是关于毕业的人能够与人工智能合作、思考和道德。另外，人工智能识读能力不仅仅是学生的成果，也是机构的能力。教师、管理人员和学术领导者都需要共享的流利度，以确保学习体验的一致性、公平性和可信度。

3. 建立信任的治理

良好的治理不应该减慢创新速度，而应该是一种增长策略，帮助人工智能更快、更可靠地扩展。通常，这意味着一个小型、跨职能的团队，包括学术领导、IT、法律/隐私和学生支持，具有明确的角色和决策权。

它也需要简单明了。教师和学生应该知道人工智能在哪里被使用、什么数据被收集（以及什么没有被收集）、谁可以访问它以及如何做出决定。当这些基本问题得到澄清时，人们更愿意采用新工具，因为他们感到知情和受到保护。

4. 投资教师赋能

教师是有意义的人工智能集成的关键。他们需要实际的支持，而不仅仅是政策声明。

最有效的努力是实践的：作业重新设计工作坊、有效实践的例子、明确的评分标准以及教师可以分享有效做法的社区。当教师了解人工智能的优势和局限性时，他们将能够设计出更好的学习体验。

在这一转变中支持教师也意味着认识到从主要内容来源转变为学习设计师、思维评估者和学术判断的监护人的更深层次的转变。

5. 测量影响，而不是采用

人工智能应该像任何教学干预一样被评估。采用率本身并不表明成功。

正确的问题是结果导向的：学生是否保留了知识？他们是否在新的背景下转移或概括了他们的学习？平等差距是否正在缩小或扩大？毕业生是否表现出独立的判断力？

如果机构不衡量这些二阶效应，他们就冒着优化效率的风险，同时暗中破坏信任、公平和长期能力。衡量人工智能启用的机构的影响需要超越绩效指标，以了解谁受益、谁挣扎以及什么样的努力被放大或减少。

人工智能是一个放大器。它放大什么取决于我们。

知道人工智能集成是一个确定性，高等教育领导者的决定性问题是机构是否会故意重新设计学习，还是允许传统模型在其重压下崩溃。

人工智能本身并非有益也非有害。它只是放大了学习系统已经奖励的任何东西，无论该系统是有效还是无效的。

如果高等教育奖励肤浅的完成，人工智能将会加速它。如果机构设计以推理、反思和真实的表现为目标，人工智能可以支持更深入的学习和更好的职场准备。

成功的机构将重新设计评估，教授人工智能识读能力作为核心能力，并以保护信任同时允许负责任的创新来治理人工智能。这是学术领导的下一个阶段。