AI 专业教师的新基本功：信得过教师 AI 指导的学生，只有 29%

生成式 AI 时代，AI 专业的大学教师到底要教什么、怎么教，才算守住了本职？这篇写给同行和教学管理者，供校内研讨或经验分享使用：先用 2026 年的全球数据把现状钉住，再对照国际与国内两套官方能力坐标，逐项拆解「把 AI 变成教具、守住原理根基、拥抱跨学科」三件基本功，最后收成三张能直接带走的行动清单。

学生先跑进了 AI 时代，教师还停在「把知识讲清楚」这一档吗？

教师这个角色正在从「播音员」变成「导演」：播音员把稿子念清楚就完成任务，导演要设计整场戏怎么发生、每个角色在什么时机上场。AI 已经把「念稿子」的能力接过去了，剩下的问题只有一个：你准备怎么导。

先看现状。Digital Education Council（DEC）的《AI in Higher Education Global Survey 2026》覆盖 35 国、45,398 份回应（27,284 名学生加 18,114 名教师），是目前披露样本最大的高教 AI 调查之一。学生端 88% 已在学习中使用 AI；教师端 77% 已在教学中使用 AI，比 2025 年的 61% 高了 16 个百分点。DEC 2026

再看最扎眼的一个数字：只有 29% 的学生认为教师有能力指导自己使用 AI（同意 18% 加强烈同意 11%），在 US & Canada 更低到 17%。注意这里说的不是「教师用不用 AI」，而是「教师会不会带着学生用」。64% 的教师报告自己参加过 AI 素养培训（57% 自愿、7% 强制），可学生的信心并没有跟着涨。培训完成不等于学生信任，这个落差就是全篇要说的「信心缺口」。如果 88% 的学生已经在用 AI，而信得过教师指导的只有 29%，继续只做知识传递者，意味着把学生的 AI 使用完全交给他们自己摸索。

图注：学生对「教师是否有能力指导我用 AI」的五级态度分布：同意与强烈同意合计只有 29%，中立占 31%，不同意与强烈不同意合计 39%，右下角标注 US & Canada 更低至 17%。DEC 2026

反常之处要挑明：用的人在变多，信的人没跟上。教师自己也还停在转型的半路上：66% 的教师预期 AI 会给教师角色带来显著甚至变革性的变化，但只有 20% 把自己定位成主动整合 AI 的 Adopter（采用者），35% 是 Guide（引导者）、35% 是 Gatekeeper（守门人）。大多数教师承认要变，也还没想好怎么变。

转型也不是均匀发生的。同一份报告里，教师未来使用 AI 的教学意向在 APAC（亚太）是 92%、EMEA（欧洲中东非洲）是 89%、LATAM（拉美）是 94%，唯独 US & Canada 是 67%，比 2025 年的 76% 掉了 9 个百分点，全球最低。可以反过来读：区域差得这么大，恰恰说明教师个体有先行先试的空间。顺带一提，媒体常转述的「92% 学生、79% 教师」是 DEC 拉美子调查的口径，不是全球数字，引用时得分开。

图注：教师未来使用 AI 教学意向的地区分化：APAC 92%、EMEA 89%、LATAM 94%，US & Canada 仅 67%，并标注比 2025 年下降 9 个百分点，为全球最低。DEC 2026

为什么这个反差不是「学生矫情」，而是角色结构变了？UNESCO（联合国教科文组织）2024 年 8 月发布的教师 AI 能力框架给过一个判断：AI 把传统的师生二元关系变成了教师、学生、AI 的三方动态，师生互动正在「三角化」。教师的核心职责不再是把知识讲清楚，这部分 AI 已经能代劳，而是设计学习发生的过程、判断 AI 何时进场何时退场。框架同时守住一条底线立场：AI 工具应补充而非取代教师在教育中的关键角色。UNESCO 教师框架

学生端也有同向的证据。一项针对 436 名 CS 研究生的调研发现了一个「信心与能力悖论」（Confidence-Competence Paradox）：超过 60% 的学生自称对 GenAI「非常或极其熟悉」，但每天实际使用的只有 6.7%，使用信心大多停留在「中等」（36.2%）。熟悉感是浮在表面的，真正的驾驭能力还差得远，学生自己心里清楚，这才更需要教师来带。Singh 2026

所以第一章的结论很直接：角色从知识传递者转向学习设计师，不是理念先行，而是被数据倒逼。学生已经跑在前面，教师的指导力被 45,398 份样本钉在滞后位置。接下来要回答的是：往哪转？

转型往哪转？看看国际与本国画好的两张能力坐标

去一座陌生城市，先得有地图。转型也一样：说「要变」之前，得先知道自己和学生各自站在哪一格。好在坐标已经画好了：国际有 UNESCO 的教师框架和学生框架，国内有教育部的《教师数字素养》标准。这两套东西对多数同行来说还是新知识，值得从零过一遍。

UNESCO 教师框架：5 维 × 3 级的能力网格

UNESCO 教师 AI 能力框架把教师能力拆成 5 个维度、3 个进阶水平，共 15 个能力块。5 个维度是：以人为本思维、AI 伦理、AI 基础与应用、AI 教学法、AI 助力专业发展（官方文档里第 5 维存在 professional learning 与 professional development 两种写法，以 PDF 表格为准即可）。3 个水平分别是：Acquire（获得），所有教师都该有的基础能力，即能评估、选择并恰当使用 AI 工具；Deepen（深化），把 AI 整合进课堂教学设计的中间层能力；Create（创造），创造性地配置 AI 系统、在教育里创新用 AI 的高级能力。框架自己声明三级不是严格的线性阶梯，而是参考路径。

这张网格的价值在于可以分格自评：拿「AI 教学法」这一行问自己，我停在 Acquire 的辅助教学，还是走到了 Deepen 的整合设计？UNESCO 教师框架

本国坐标系：JY/T 0646—2022《教师数字素养》

国际有图，本国也有尺。教育部 2022 年发布的教育行业标准《教师数字素养》（JY/T 0646—2022）给出本国版本的五维框架：数字化意识、数字技术知识与技能、数字化应用、数字社会责任、专业发展，每维再往下分二级（共 13 个）和三级（共 33 个）要求。标准开篇就写明适用范围是「对教师数字素养的培训与评价」，也就是说它天生就是拿来自评和他评的。JY/T 0646

图注：本国《教师数字素养》的官方结构图：5 个一级维度方框下挂 13 个二级维度条，底部为图例；33 个三级要求不在图中，位于标准正文表 1 至表 5。JY/T 0646

对照着看，本国 5 维与国际框架高度可对齐，但多了「数字社会责任」这个硬维度，而且三级要求极其具体。比如「数字化协同育人」下就有「学生数字素养培养」一条，把培养学生的计算思维和数字社会责任感直接写进了教师的能力要求。2025 年 11 月教育部教师队伍建设专家指导委员会发布的《教师生成式人工智能应用指引（第一版）》，正是在这个底座上的 AI 化延伸，后面两章还会用到它。教师AI指引

学生端坐标：把学生教成什么样，才能倒推自己怎么变

教师框架解决「我该会什么」，学生框架回答「我要把学生教成什么样」。UNESCO 的学生 AI 能力框架和教师框架是同时开发、配套推出的文件，官方前言里写的是「hand in hand」。它把学生能力排成 4 个维度（以人为本思维、AI 伦理、AI 技术与应用、AI 系统设计）乘 3 个水平（Understand / Apply / Create）共 12 个能力块。三个水平的官方含义值得记住：Understand 面向所有学生，是打底的理解；Apply 面向全体在校学生，原文明说「对许多人而言，Apply 就是学校阶段能力发展的出口点」，多数学生的能力终点在这里；Create 只面向少数专门化学生，官方建议作为选修而非全员必修。UNESCO 学生框架

图注：UNESCO 学生 AI 能力矩阵：纵轴 4 个维度（以人为本思维、AI 伦理、AI 技术与应用、AI 系统设计），横轴 3 级进阶（Understand / Apply / Create），12 个能力块名称逐格列出。UNESCO 学生框架

把教师和学生两张坐标并排放好，转型的起点就清楚了：先把自己放进教师矩阵找出缺口，再把学生放进学生矩阵确定培养目标。这两步是所有后续教学设计的落点。

把 AI 变成教具：帮学生还是替学生，取决于设了什么约束

AI 助教像一位健身教练：器械是同一批，练没练到，取决于教练在你刚够得着的重量上喊停，而不是你要什么就给什么。帮助的时机与控制权，才是效果的分水岭。

正面标杆：一套「受限」的 AI 助教

先看一个把约束做足的真实案例。Cite or Decline 是休斯顿大学部署在课程视频平台 VideoPoints 上的 AI 助教，跑了一整个学期。它的核心不是模型有多强，而是三条设计约束：课程隔离、时间戳引用、无证据拒答。

图注：Cite or Decline 的检索增强流水线，7 步线性流程：学生提问 → 课程过滤 → 章节摘要先验 → 排序 → 取回课程片段 → 答案生成 → 时间戳引用。课程隔离（第 2 步）与时间戳引用（最后一步）是两道关键约束。Cite or Decline

看图里的 7 步流程，约束落在具体位置。第一步「课程过滤」就是课程隔离：检索被锁死在活动课程的内容里，回答只能来自本课。中间几步做排序：章节摘要作为软先验，配合稠密相似度和词法相似度把 top-k 片段捞出来。最后两步是生成与引用：每条带引用的回答固定输出 7 条可点击跳转的时间戳引用，指向视频对应章节；检索不到足够证据时，系统选择明说「我答不了」，而不是硬编一个答案。

这三条约束在真实课堂里的效果可以量化：整学期 833 条学生消息里，70.5% 带时间戳引用；4,109 次引用事件里跨课程的次数是 0，课程隔离在线上环境被完整兑现；无证据时显式拒答的比例达到 82.1%。学生端口碑最一致的功能恰恰是引用本身，自报用户给引用有用性打 4.55/5 分。Cite or Decline 需要提醒的是，论文自述不测量学习成果、没有对照组，所以这里的证据强度是「可防幻觉、可溯源、能落地」，不是「用了就学得更好」。

反面陷阱：随要随给会吃掉 productive struggle

正向标杆立完，立刻看陷阱。一项 12 周的现场随机实验（200 多名象棋俱乐部学生，论文摘要口径）把「帮助时机」做成唯一变量：系统调节组由平台在关键时刻自动给出 AI 提示；自调节组在完全相同的基础上多一个随时可点的求助按钮，两组唯一差别就是这个按钮。

图注:12周实验：系统调节组增益约64%，自调节组仅约30%

结果出人意料又冷酷：12 周后两组棋力都在进步，但自调节组的增益大约只有系统调节组的一半，约 30% 对 64%（据论文摘要及第一作者文章）。注意两组都在涨，把结论说成「AI 有害」与数据不符；真正的差别在于帮助由谁、在何时给出。机制也不复杂：可随时求助让学生绕过了 productive struggle，也就是在刚够得着的难度上自己试错、纠错的过程。训练时看起来更顺，脱离 AI 的测试反而更差；自调节组完成的训练对局还少了 24%，求助按钮削弱了成就感。最反直觉的是：学习损失与技能水平无关，新手和高手一样会过度依赖；高度自发动机的学生损失更小，但「随要随给」依然不如系统调节。学生明知有害仍依赖，这个陷阱在一次访谈里被一句话说穿：一个学生承认「用这个按钮以后跟真人下棋赢不了」，遇到难局面还是点了。Poulidis

官方立场：把 AI 变成教具是被认可的方向

把 AI 变成教具不是某个团队的自选动作。2025 年 11 月教育部教师队伍建设专家指导委员会发布的《教师生成式人工智能应用指引（第一版）》，用「六大助力 × 5」给出 30 个正面场景：学习变革、教学提质、育人进阶、评价增效、管理升级、研究创新，每个助力下 5 个场景。其中「课堂互动」场景明确写到「引入智能助教，引导学生探究与建构知识」，和 Cite or Decline 这类部署正好形成官方场景与工程实证的呼应；「对话式学习」场景还鼓励引导学生深度对话以「提升批判性思维与逻辑推理能力」，为下一章埋了线。教师AI指引

所以这一章的结论是：AI 助教进课堂的胜负手不是有没有 AI，而是给 AI 设了哪些约束。同样的模型，课程隔离、可溯源引用、无证据拒答装上去是帮学生，随要随给挂上去是替学生，中间只隔一层设计。

为什么用 AI 越多，越要专门教批判性思维？

把思考外包给 AI，就像把认路外包给导航软件：去得越多，自己认路的本事退得越快，更麻烦的是会越来越习惯不看路。

现象：知识工作者在用 AI 后普遍更省力

CHI 2025 的一篇同行评审研究调查了 319 名知识工作者、936 个真实工作案例，得出一条干净的负相关：对 AI 越有信心，越少实施批判性思维活动，回归系数 β=-0.69。注意样本是知识工作者而不是学生，但这是这个方向上最硬的一手证据。Lee-CHI25

图注：六类认知活动在使用 GenAI 前后感知努力的变化分布：五类被普遍感知为更省力（Knowledge 72%、Comprehension 79%、Application 69%、Analysis 72%、Synthesis 76%），只有 Evaluation 保留了约 16% 的「更费力」人群。样本为 319 名知识工作者的 936 个工作案例。Lee-CHI25

六类认知活动里五类在使用 GenAI 后被普遍感知为「更省力」，只有 Evaluation（评估）还保留着约 16% 的「更费力」人群，说明核对和质疑是最后一块需要额外用力的地方。研究者还用质性分析归纳出批判性思维的重心迁移：从信息收集转向信息验证、从问题求解转向 AI 响应整合、从任务执行转向任务 stewardship（看管与把控）。作者自己声明这是自报感知、相关性而非因果，但它把「AI 会不会让人不思考」从猜测变成了可测量的现象。

机制：认知外包是一个中介

现象背后有机制。一项 666 人的混合方法研究（问卷加 50 人访谈）把链条拆开看：AI 工具使用与认知外包强正相关（r=+0.72），认知外包又与批判性思维强负相关（r=-0.75）；统计中介显示，AI 使用对批判性思维的负效应（总效应 b=-0.42）里，约 -0.25 经认知外包传导（部分中介），-0.17 是直接效应。Gerlich

cognitive offloading，中文常译作认知外包，意思是把原本需要自己动脑完成的思考环节（查证、权衡、复核）交给外部工具去做。访谈里有句被反复说到的原话是「我越用 AI，就越觉得没必要自己解决问题，好像在失去批判性思考的能力」。对教学最有用的调节发现有两个：17 至 25 岁的年轻组依赖更高；而教育程度高的人批判性思维更好、也更倾向核验 AI 输出。高教育本身不能杜绝外包，但「会核验」这个行为习惯可以部分缓释危害，直接指向教师的任务设计。同样要注明，这是相关性中介，不是因果。

学生端：把因果做实

现象和机制都有了，落到学生身上还需要因果证据。上一章那个象棋实验在这里补上最后一环：它是唯一的学生端长期随机实验，证据等级高于前面两个观察性研究，而且揭示了「认知清醒不等于行为自律」。学生明知过度求助有害，求助频率还是一路从第 1 周的约每局 5 次涨到第 12 周的约每局 11 次（作者在 INSEAD Knowledge 撰文称）。技能不保护、动机只缓解不消除，教育设计不能假定学生能自我调节。Poulidis

学生自己也察觉到了。436 名 CS 研究生的调研里，第一大担忧就是「过度依赖与批判性思维下降」（56.1%），63.4% 的学生承认依赖 AI 减少了他们展示自身能力的机会。Singh 2026

对策一：把信任校准写成显式教学目标

风险证据链走完，怎么教？先把目标定对：不是让学生「更信任 AI」或者「不信任 AI」，而是形成校准过的信任（calibrated trust）。把「对 AI 形成校准过的信任」当作显式教育目标，是 ICE-T 教学法框架的核心主张。这个框架里，overtrust（盲信）和 undertrust（一概拒绝）都是失败模式，教学目标是把学生带进中间的校准区。作者自述这是理论性框架，尚无实证评估，引用时不能写成已验证的教学干预。ICE-T

落地抓手是打开黑箱。ICE-T 三个面向之一「解释性思维」配套了 PETSP-ML 过程模型，核心设计在顺序：把「模型理解」设为训练之前的独立前置阶段，坚持先建概念基础、再学程序技能，刻意偏离产业界「先跑起来再说」的习惯。没有对系统「为什么这么行为」的理解，学生就没有原则性依据决定何时依赖、何时怀疑。

图注：ICE-T 框架中「解释性思维」面向的过程模型 PETSP-ML：任务理解 → 数据阶段 → 模型理解 → 模型训练与评估，箭头表示阶段间的迭代与回溯。设计的要点是「模型理解」先于「模型训练」。ICE-T

对策二：改掉「模型能静默代写」的考核

教学法要落地，考核必须跟着改。一门课程重构实践的作者给出一句被反复引用的判断：一个模型能无声完成的评估就是弱评估，对策不是评同样的东西再事后抓作弊，而是去评模型不能静默代写的东西。Pisan 这就是下一章和最后一章要展开的方向：把考核从「模型也能答的题」搬家到「只有你会做、且能展示过程的事」上。

这一章的证据链合起来是一条完整的论证：批判性思维被侵蚀不是猜测，而是从现象（更省力）、机制（认知外包）、学生端因果（明知有害仍依赖）逐环坐实的；防守的方式不是禁用 AI，而是把信任校准写进教学设计、把考核改到模型不能静默代写为止。

跨学科能力从哪来：从「刷榜调参」到「解决真实问题」

只会刷榜调参的学生，像只在模拟器里飞行的飞行员：仪表操作熟练，一遇到真实起降就露怯。跨学科项目就是第一次真实起飞。

官方依据：AI 系统设计本来就是跨学科工程活动

回到第二章那张学生能力矩阵（见前文 4 × 3 矩阵图），看「AI 系统设计」这一整行：问题界定（Problem scoping）、架构设计（Architecture design）、迭代与反馈循环（Iteration and feedback loops）。官方定义把这一维度讲成涵盖问题界定、架构构建、训练、测试与优化的综合工程技能。学生框架还给了两句分量很重的话：AI 能力「本质上是跨学科的通用能力与价值取向」，AI 相关学习的课程整合「要求跨学科方法」，从科学、技术、工程一路到社会研究与公民教育。也就是说，跨学科不是课程外挂，而是写在官方能力维度里的必修路线。UNESCO 学生框架 引用时要留意一个口径：这个框架以 K-12 学段为主要对象，高校迁移需要按培养方案本地化。

落地工具：主题式团队项目

官方维度要落地，最顺手的工具是主题式团队项目。课程重构实践里的辩护式团队项目是这样的：2 至 3 人一组，4 至 5 周内部署一个惠及真实社区的网络应用，课程里的 AI 技术必须用上，从提案、里程碑到期末展示横跨课程后半段。Pisan 它把 AI 系统设计维度里的问题界定（社区需要什么、该不该用 AI）、架构设计（方案怎么搭）、迭代反馈（测试、改进、再交付）全部装进一个真实任务。《指引》的场景清单同样覆盖了这层：学习变革下的「跨学科学习」、教学提质下的「作业设计」都明确鼓励跨学科形态。

学生的反应可以作为佐证：课程评价里团队项目被称作「现实工作的迷你模拟」。课程报告也诚实地记下了反面声音，有学生批它是「什么都往上堆的 AI 代码工程」。真实项目的打开方式本来就该如此，成品有好坏，但「解决真实问题」这一课只有真做才上得到。

这一章的落点很清楚：跨学科写在学生能力框架的官方维度里，把它变成课堂现实，靠的是围绕真实问题设计的团队项目，把学生从刷榜调参拉向解决真实问题。

收口：考核改什么、规范怎么立、培训怎么起步

图纸画完，接下来是按顺序排管线：考核是水电、规范是墙、培训是软装，少了哪样房子都不好用。全篇的坐标和证据链都齐了，最后收成三张能带走的清单。

考核怎么改：评模型不能静默代写的东西

前面说过「模型能静默代写的就是弱评估」，一门真实课程的改法可以参考：UW Bothell 的 AI 入门课 CSS 382，把 2023 到 2026 的考核整体重构了一遍。

这套设计的逻辑和第四章的判断严格对应：AI 能当场代做的成分全部压到最低，AI 帮不上忙的成分（现场推理、自己的声音、团队交付）全部抬到最高。Pisan

研讨分享时，请连同它的诚实一并讲。这是 single-cohort 体验报告，没有对照组，作者不做因果断言；原计划的「从零搭 LLM」主线因为课时被团队项目挤占而没有交付，学生明确抱怨「教我们怎么造 LLM 的课，我们只拿到一篇阅读材料」；最反直觉的是，让学生自己设计评分规则时，大多数组主动把考试请了回来，把 60% 到 70% 的成绩压回监考或手写成分。学生不是想要旧考核，而是想要一个「AI 代做不了」的认证。带着失败细节的报告，本身就是研讨分享的诚实模板。

规范怎么立：师生双向，一自下而上、一自上而下

规范要两条腿走。自下而上的一条来自同一门课：第 2 周课堂活动「The Algorithmic Professor?」让学生辩论教师用 AI 做课件、评分、出题是否正当，各组独立收敛出同样的三条权利：全面披露 AI 用在何处；任何 AI 给出的评分可以无惩罚申诉到真人；教师必须先亲自解出任何 AI 生成的题目再布置给学生。教师随后自选受其约束，并承诺「AI 起草但不用 AI 思考」「亲自解每一道布置的题」等四项实践。Pisan

这个流程的自指很有意思：活动材料本身是教师用 AI 生成的，「Beta-Test Rule」这个名称也不是学生起的，而是出现在模型生成的总结里。AI 出题、学生批准、教师受绑，用 AI 来约束 AI 的使用，这本身就是论文的发现。分享时别说成「学生发明了权利法案」，准确的讲法是「师生共治」。

自上而下的一条来自《指引》的规范部分：6 个领域 × 3 个行为示例，共 18 条行为底线，覆盖育人主体地位、内容审查把关、学术创作伦理、引导学生规范使用、数据合规、技术智能向善。其中「不得直接将 AI 生成的论文、课题申报书等作为个人成果提交」「学生作业不得直接提交 AI 生成内容」等用了强约束表述。教师AI指引

两条腿合在一起才是完整的师生双向规范：权利法案是学生为教师立约，管教师；18 条底线是官方为教师立规，管学生的使用引导。引用时记住限定语：发布主体是教育部教师队伍建设专家指导委员会，不是部令；且《指引》面向全体教师，中小学条目对高校没有直接约束力。

培训怎么起步：场景自检 + 培训体系 + 校本细则

最后是培训。《指引》的组织保障部分写得具体：各地要制定实施细则、建立面向教育场景的 AI 工具评估与准入机制、把教师 AI 素养提升纳入培训体系；学校要把指引融入校本实施方案与操作流程；企业要做产品合规。落到教师个人，最轻的起步动作是拿「六大助力 × 5」的 30 个场景逐项自检：哪些已经在做、哪些可以试试、哪些需要先补培训。评价增效的五个场景（课堂评价、作业反馈、试题设计、量规设计、学业诊断）对 AI 专业课尤其值得先试点，它们直接对接前面说的评估缺口。

一句话建议

这场转型最不该缺位的理由，其实写在数据里：57% 的学生说评估里没有清晰的 AI 使用指导，但 63.3% 的学生支持把 AI 素养正式整合进课程，48.9% 没参加过培训但想参加。DEC 2026Singh 2026 学生期待的是被教，不是被禁。剩下的问题不是要不要转，而是从哪一步开始：先把自己和学生放进两张能力坐标，挑一门课换掉一个「模型能静默代写」的考核，再把权利法案式的师生对话在课堂里开起来。三件事，每件都有现成的官方依据和试过的做法，这就是 AI 专业教师的新基本功。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. AI competency framework for teachers（UNESCO，2024） — https://www.unesco.org/en/articles/ai-competency-framework-teachers
2. AI competency framework for students（UNESCO，2024） — https://www.unesco.org/en/articles/ai-competency-framework-students
3. AI in Higher Education Global Survey 2026（Digital Education Council，2026） — https://www.digitaleducationcouncil.com/resource-library-items/ai-in-higher-education-global-survey-2026
4. Teaching Intro AI When the Tools Can Do the Homework: A Course Redesign and a Student Bill of Rights（Pisan，arXiv:2608.05175） — https://arxiv.org/abs/2608.05175
5. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers（Lee et al., CHI 2025） — https://dl.acm.org/doi/10.1145/3706598.3713778
6. AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking（Gerlich，Societies 15(1):6, 2025） — https://doi.org/10.3390/soc15010006
7. Self-Regulated AI Use Hinders Long-Term Learning（Poulidis, H. Bastani, O. Bastani，SSRN 5604932） — https://doi.org/10.2139/ssrn.5604932
8. Cite or Decline: A Strict Course-Grounded Chatbot for STEM Lecture Videos（Ahmed & Subhlok，arXiv:2609.01846） — https://arxiv.org/abs/2609.01846
9. 《教师生成式人工智能应用指引（第一版）》（教育部教师队伍建设专家指导委员会，2025） — https://www.cernet.edu.cn/xxh/focus/zc/202511/t20251128_2704300.shtml
10. 《教师数字素养》教育行业标准 JY/T 0646—2022（教育部） — http://www.moe.gov.cn/srcsite/A16/s3342/202302/t20230214_1044634.html
11. Addressing Trust in AI Systems through Education: A Didactic Perspective（ICE-T）（Haritz, Krone, Liebig，arXiv:2609.02453） — https://arxiv.org/abs/2609.02453
12. Exploring Student Perception on Gen AI Adoption in Higher Education: A Descriptive Study（Singh et al., arXiv:2603.27777） — https://arxiv.org/abs/2603.27777