UCSB 把 AI 接入拆成课程规则、数据主权与多模型治理
加州大学圣塔芭芭拉分校的正式报告建议：课程层面的 AI 规则应由学术与教学治理；AI 检测不能作为学术诚信处置的唯一依据；以草稿、修订、口头展示等补充过程证据。校方还提供受管理的多模型入口，并约定供应商不得保留或使用学术材料训练模型。
为什么重要：接入 AI 不是采购账号，而是同时设计课程、评价、数据合同与供应商依赖。
来源：UCSB
AI EDUCATION OBSERVATION
2026年9月第1期
观察 AI 如何改变学校、学习和人的能力形成。
LISTEN · AI教育观察
收听本期音频
边听边读，回到 AI 如何改变学习过程这一核心问题。
THIS WEEK'S THOUGHT
本期思考
当学生借助 AI 很容易写出结构完整、接近标准答案的成品，教学还如何识别真正的理解、判断与原创性？AI 接入不应止于允许或禁止，而要同时重做任务、评价、数据规则和学习过程的记录。
国内动态
国内动态
本周未纳入独立新增信号。扫描到的国家级“人工智能进课堂”报道实质上复述了此前已刊行动计划和地方课时信息；本期不为凑栏目重复发布。
全球动态
全球动态
产品与商业
产品与商业
“课后连续学习”正在成为学习产品的新叙事
OpenAI 称其隐私保护分析中，不同年龄层用户每周有多达 7,000 万段对话用于自测、查错或练习；美国学年中，与课程作业和家庭作业相关的提示词每周超过 4.6 亿条。
为什么重要：平台正在把价值从“回答问题”延伸为课堂外的连续支持。但平台自报使用量不是独立学习效果证据。
来源：OpenAI
研究与论文
研究与论文
AI 让答案更完整，因果推理训练让想法更多样
一项涵盖 1,053 名商科新生的 2×2 随机实验发现：获得 GPT-4o 访问的学生在一次 45 分钟商业案例评分上较对照组高约 0.86 分；因果推理训练则提高机制识别和可证伪推理，并带来更多样的想法。常规评分量表并没有充分奖励这种多样性。
为什么重要：工具访问与思维训练不解决同一类问题；如果评价只奖励流畅、标准的成品，更有原创性的推理可能被忽略。
来源：论文全文
高频使用 AI 与效率相关，自我测试与认知技能关联更强
一篇基于 120 国 14,949 名高教学生数据的开放论文显示：自我测试习惯是认知技能的最强预测变量，AI 使用频率是学习效率的最强预测变量。研究是横截面自陈数据，不能据此断言因果。
为什么重要：比起记录“用 AI 多久”，学校更该关心学生是否先尝试、自测、追问理由，并能否离开工具完成迁移。
来源：Discover Artificial Intelligence
教育
教育
1,000 万美元投入 AI 与大学写作的长期研究
UC Irvine 获 IES 五年、1,000 万美元资助成立 WRITE AI Center，研究 AI 在大学写作中的实际用法，建立工具与教学功能的公共资源，并探索支持规划、修订和教师可见性的写作路径。
为什么重要：它不是某个产品“已经有效”的结论，而是为“AI 怎样支持写作过程而非替学生写”建立长期证据基础设施。
来源：UC Irvine
CORE OBSERVATION
当 AI 让成品变得容易，学校要开始评价什么？
一份“更像答案”的作业，为什么不再足够
Bocconi 的随机实验把这个变化看得很清楚：GPT 能让初学者更快写出连贯、接近专家常规答案的文本；因果推理训练则让学生更愿意解释机制、说明什么条件下自己的判断会失效，并提出更分散的想法。两种能力都重要，但常规评分更容易看见前一种。
问题不在于学生是否借助 AI，而在于最后那份成品把太多不同的过程压成了同一个结果。它可能来自扎实理解，也可能来自提示词、改写、复制和少量选择。只看成品，教师很难知道学生在哪一步真正建立了自己的判断。
学校真正要重做的，不是“查 AI”，而是任务链
比起把 AI 检测器当作裁判，更有效的做法是把学习过程重新分成几个可见环节：先提出自己的初始判断；再让 AI 帮助补充、反驳或解释；接着标出采纳和拒绝的理由；最后关闭工具，在一个相似但不相同的问题上独立迁移。UCSB 对草稿、修订、口头展示和在场完成任务的建议，正是把这些过程重新放回评价。
这样做不是增加形式负担，而是把“会不会用 AI”转换为更有教育意义的问题：学生能否辨认一条建议的适用条件？能否说清自己的修改依据？能否把工具辅助下的理解带到新问题里？
证据告诉我们什么，也没有告诉我们什么
现有证据支持一个谨慎结论：带提示、追问和推理支架的教学型 AI，比直接产出答案的通用聊天方式更有希望支持学习；但工具离开后，学生能否保留和迁移能力，结果仍不稳定。跨国调查提示自我测试与认知技能关系更强，但它只能说明关联，不能证明自测或某种 AI 用法造成了结果。
因此，学校不必在“全面禁止”和“全面放开”之间二选一。更实际的路径是：为不同年龄、学科和任务设定不同的 AI 权限；让高价值任务留下过程证据；用小范围试点和离开工具后的迁移表现来评估，而不是只看使用率、满意度或作业变漂亮了没有。
本期判断
教育 AI 的分水岭不会只是模型能力，而是谁能把“先尝试—获得支架—说明理由—修订反思—离开工具再完成”的过程，设计成学生愿意做、教师也能看见的学习路径。真正值得购买、培训和推广的，不是替学生更快交出成品的工具，而是让学生在工具在场时仍然持续思考的结构。
证据背景：Stanford SCALE K-12 证据综述指出，带推理支架的教学型工具比直接给答案的通用聊天工具更有希望，但离开工具后的表现仍不稳定。
WHAT THIS MEANS
这对不同读者意味着什么
学校与管理者
采购前问清学习问题、使用任务和离开工具后的学习证据；用过程性评价替代单一检测器；审查学生作业是否会被保留或用于训练。
教师与教研员
试试“三份提交”：学生初始判断、与 AI 对话后的一处修改及理由、关闭 AI 后的新情境独立回答。
家长
少问“有没有用 AI”，多问“你先怎么想、哪一句不相信、不用 AI 能不能讲清”。
学生
把 AI 当作追问者：先写猜测，再请它给反例；保留分歧；最后离开工具完成相似但不同的问题。