答案已经泛滥，学习证据仍然稀缺：AI 时代的教育该生产什么？

课堂悖论：两份同样漂亮的作业，教师还能看出多少学习？

先看一个真实的尴尬场景。桌上摆着两份作业，都一样漂亮。一份，是学生自己真正弄懂了课程之后写出来的；另一份，是 AI 生成、学生直接交上来的。把名字遮住，老师几乎分不出哪份是哪份。过去一年里，这样的场景在世界各地的课堂上反复上演。

数字能说明这种变化到底有多大。先看英国。HEPI 与 Kortext 的年度学生调查发现，2024 年底接受访问的 1,041 名本科生里，用生成式 AI 准备作业的比例，一年之内从 53% 涨到 88%。调查者把这个速度称作「几乎闻所未闻」的跳升。HEPI 再看美国。Berkeley 的 SERU 联合体在 2024 年春天调查了 20 所研究型公立大学、95,513 名本科生，结果更惊人：大约三分之二的人用过生成式 AI，将近四成的人每个月至少用一次；在用过的学生里，至少 9% 承认拿它作过弊。调查者还特别说明了一点：这是用间接提问法算出来的数字，只会少算，不会多算。Berkeley/Science

看 HEPI 那张双年对比图，能更直观地感受这组跳升：

图注：2025 与 2024 双年对比，「解释概念」（58% vs 36%）、「总结文章」（48% vs 24%，翻了一倍）、「建议选题」（41% vs 25%）的使用率均大幅上升，2025 年新增了「组织我的思路」；「什么都没用」的学生从 47% 掉到 12%。答案的生产已经装进每个学生的口袋。HEPI

不过，「用了」和「真在用」是两回事。在教育领域，有一个少见的严格实验可以对照：Khanmigo 的项目为期两年，随机挑出 18 所田纳西州的中学参与。结果很有意思：第二年，在 16 所中学的详细数据里，96% 的学生至少给这个 AI 辅导发过一条消息。可再往深看一层：一半的学生，只在 33% 的练习日、14% 的练习 session（一次完整的使用时段）、17% 的出错 session 里，才真的跟它说过话。也就是说，大多数人只是偶尔跟它搭两句话，谈不上稳定地在用。Khanmigo

图注：右侧三格是「有 Khanmigo 消息的练习日 / 练习 session / 出错 session 占比」分布：中位数分别只有 33%、14%、17%，灰色柱代表从不发消息的那 4% 学生。有使用权是一回事，用不用是另一回事。Khanmigo

有学者给这种状态起了个名字。Wharton 的 Shaw 与 Nave 在 2026 年提出一个词：cognitive surrender，认知让渡。意思是：一个人对 AI 太信任，就会把自己的判断交出去，直接采用机器的输出——哪怕他自己再想一想，本来能给出更好的答案。Hypothesis 这个词正好点破了「成品不可信」背后的心理机制：不是学生变懒了，而是过高的信任本身，就会让人停止思考。

把上面三件事叠起来看，结论已经摆在那里：理解的过程，不会写在成品的表面。作业交上来的那一刻，过程已经消失了。所以，教育真正缺的，是一种可以核验、可以共享、可以反馈的东西——学习证据。什么是学习证据？说简单点，就是学习过程中留下的那些痕迹：读到哪儿了、在原文的哪句话上提问、追问是怎么问的、学到哪儿突然停住了。如今答案随手可得，想判断一个人到底学没学会，只能靠这些痕迹。可惜的是，这些痕迹今天几乎全被丢掉了。那么问题来了：这场变化，到底冲击了教育的哪些环节？

三重冲击：答案去中心化、知识差距扩大、成品可信度下降，人人有 AI 不等于人人有证据

冲击不是一件事，是三件事。下面逐一用数据说话。

第一重：答案去中心化。 HEPI 那份 53% 到 88% 的数据已经说明问题：生成答案的本事，从老师的讲台上，转移到了每个学生的口袋里。这是既成事实，已经不需要再论证。

第二重：知识差距在扩大。 SERU 的数据里藏着一道裂缝。男生（45%）比女生（33%）更规律地使用生成式 AI；白人与亚裔学生（39%）明显高于少数族裔（29%）。（这是 CSHE 新闻稿口径的数字。）更扎眼的是作弊率的梯度：每天用的人里，26% 承认作过弊；每月才用一次的人里，只有 7%。Berkeley/Science 收入的门槛同样锋利：Claude、GPT 这类头部模型，订阅费最高的档位每月要 200 美元；而另一些学生，只能用完全免费的版本。你看，答案虽然是人人拿得到的，但拿到它的门槛一点也不平等——性别、族裔、收入、使用频率，处处都在划出差距。人人都有 AI，不代表人人站在同一条起跑线上。

第三重：成品可信度在下降。 Khanmigo 实验把学生发给 AI 辅导的 94,485 条消息做了分类，结果是最扎眼的一张证据图：

图注：数学练习 session 里学生给 Khanmigo 发消息的构成：带数学推理或问题的只有 14.5%，裸答案占 39.4%，点击系统建议的按钮占 24.2%。这是论文用 LLM 分类器做出的划分，尚未与人工标注独立比对；苏格拉底式辅导本身就会诱发简短回答，别急着对 39.4% 做道德判断。Khanmigo

这张图说明一个很硬的事实：流畅不等于可信。文字越流畅，反而越没有理解的信息。这就是「证据稀缺」最直观的样子。Khanmigo 的实验还不止于此，它把问题从现象升级成了机制。整个实验做了两个学年，覆盖 6,902 个学生学期。把所有学期的数据合并起来算总账（统计上叫「意向治疗分析」），AI 辅导带来的成绩提升只有 +1.26 个全国百分位——在全体学生的排名里，平均只往前挪了一格多，几乎可以忽略。作者自己的一句话说得最清楚：「约束条件看起来是投入度（engagement），不是接入（access）。」那些有限的成绩增益，主要来自结构化、个体化的练习，而不是来自和 AI 对话本身。Khanmigo

实验的结论是清楚的：即便把最好的 AI 家教装进学校，人人有 AI，也不等于人人都留下可核验的学习证据；学生之间的差距，反而还在拉大。

那么证据从哪来？很多人第一反应是：检测。用 AI 检测工具，把 AI 写的作业挑出来。这条路看似顺理成章，其实走不通。下一章就讲：为什么不能靠检测，只能靠设计。

不靠检测靠设计：教育改生产三种东西

为什么不靠检测？因为 AI 检测工具这个类别，已经被反复证伪了。它误报率高，特别容易误伤母语不是英语的写作者；网上的「humanizer」类工具，可以轻轻松松绕开它；已经有大学公开关掉了检测功能。把学术诚信押在这种工具上，等于用一把人人都能仿制的锁来看门。DECE 这篇论文（澳大利亚 MIT Melbourne 的预印本——注意，不是美国的麻省理工）给了一个鲜明的立场：诚信应当是评估设计自带的东西，而不是出了事再事后执法。DECE

那设计层要补什么？三件事。每一件都不是拍脑袋想出来的，在已有的文献里都有名字、有出处。

第一件：把「一次即时回答」升级成「一次知识生产」。 升级的套路有三个关键词：多阶段、来源锚定、教师校验。多阶段，是把一次作答拆成「读—问—答—评」好几个环节，让思考过程不得不显形；来源锚定，是每一步都要带上页码级别的引用，说到哪都指回原文；教师校验，是中间每一站都由老师把关，而不是到最后直接收一份成品。

第二件：从「私人算力」变成「公共知识」。 花大力气做出来的东西，不应该只在交作业那一刻用一次，而应该成为全班共享、下一代还能接着改的公共资产。这条传统的根，扎在 CSILE 与 Knowledge Forum 里，已经有四十年历史，最后一章会专门展开。

第三件：从「最终成品」到「学习过程」。 判断理解的依据，从交上来的成品，换成学习过程中一路留下的痕迹：版本化的制品与设计日志、反思与同伴互评、AI 使用披露与过程反馈——几路证据汇成一份连续可核验的档案。

DECE 给出的操作形态是 3-2-1 组合评估：

把三件事放在一起看，会发现它们都不是什么全新发明，而是评估设计学科里早就有的几个有名选项：知识生产，对应带引用的 RAG（检索增强生成）；公共知识，对应知识建构传统；过程可见，对应过程性评估。Bloom 做的事情，只是把它们放到一门课程的尺度上重新排布。不过，三个机制各自为政还不够。它们要怎么连成一条线，让老师每周都能真正用起来？

一条完整的学习循环：从一次生成，到一门课程的复利

把三个机制串起来，就得到一条八个环节的闭环。下图是本文作者自己画的，不是任何论文里的原图：

这条产线的每一段，都有人在别处搭过。先看生成侧。Studymate 用 ChromaDB（一个开源向量数据库）把教材长期存下来；配合分页引用和角色权限，它把两个工程问题回答干净了：来源怎么锚定、谁来授权。答案，只有教师说了算。Studymate 再看阅读侧。Hypothesis 的社会批注，把「读」这个动作变成看得见的过程，已经覆盖 20,000+ 门活跃课程。Hypothesis

而要从原始痕迹走到教师能直接行动的信号，中间整条数据流也有两个已经发表的骨架可以参考。最接近的一个，是 PA-TKG 的七层管线：

图注：输入（代码演化、领域概念、测试结果、题目）经预处理、PA-TKG 异质图构建、图嵌入、对比模式学习、知识图谱约束验证，最终输出多维分数、异常分数与知识锚定反馈。这是「痕迹一步步变成教师可行动信号」的已发表骨架；它来自 CS1 编程域，正文只借用其机制结构，不转写其数值。PA-TKG

「痕迹到层级化解释」这最后一环，ClickSight 已经用 LLM 走通了：

图注：点击流与环境上下文被结构化后，LLM 用四种提示策略之一生成解释，可选自我修正，最后由领域专家按 rubric 评分。图底部 Self-Refinement 与 Domain Expert 块有轻微裁切，阶段之间没有画出显式箭头，按文字描述理解流程即可。ClickSight

Bloom 的贡献，是把这些已经存在的段落，装配成一条按周运转的闭环。这条闭环里最关键的一份产出，叫认知摩擦地图，目前它还只是图里的一个方块。它长什么样？下一章用真实数据把它点亮。

AIAA 3201：96 个学生、4,414 个阅读 session、468 个锚定原文的问题

AIAA 3201 是一门期末复习课。96 名学生共同读一篇带图、带公式、带来源的 AI 专题文章，而且阅读本身被做成了看得见的过程。课程后台留下了这样几笔数字：4,414 个阅读 session、约 604 小时的有效阅读、468 个锚定原文的提问。这 468 个提问还能往下细分，分成概念澄清、公式解析、原理解释、方案比较、迁移应用五类。先说明这些数字的边界：它们来自作者自有课程后台，是去掉身份信息之后按聚合口径统计的；没有经过外部审计，也不含任何可识别个人的信息。引用时，请按这个边界看待。

光看这几个数字，很难说它们算大算小。更聪明的办法是横向比一比：看看别处那些被认真测量过的平台，痕迹数据是不是也长这个样子。Hypothesis 的社会批注，提供了第一个对照。接入批注工具之后，一个班的阅读中位天数，从 4 天提到了 10 天：

图注：明尼苏达大学双城分校传播学课程：接入 Hypothesis 的班级阅读中位天数 10 天，未接入班级 4 天，约 2.5 倍。UT Austin 物理课的「超三倍」只在原博文说明文字里，图中没有对应柱，不要当作图内数据引用。Hypothesis

再看规模。Hypothesis 自 2019 年累计了 300 万+ 学生、1 亿+ 条批注；2025-26 学年，有 20,000+ 门活跃课程。这里要先说明口径：这些是 vendor 自己报的数，样本来自合作院校，不是全国分布。但不管怎样，AIAA 3201 的痕迹画像不是孤例——它就是课程尺度过程数据本来会有的形状。

第二个对照，换到教师这一端。过程数据落到老师桌上，看起来是什么形状？FlippED 用三个视图回答了这个问题：FlippED

图注：FlippED 教师端三视图：Summary 显示五个自调节学习维度卡片，Student Profiles 显示 1 到 14 周的班级叠图和 Profile A 到 D 画像表，Per Group 允许切换全班与分组。画面内数字（如 Proactivity 20%）是演示态 mockup 数据，不是真实学生数据。FlippED

这里还需要一句诚实的说明：PA-TKG 那套绑定机制出自 CS1 编程课，本文只借用它的机制做类比，不会把它的测量数字硬套到阅读课上。而 AIAA 3201 的五类提问口径，恰好可以拿来做认知摩擦地图的图例初稿。下一章，就把它们落到地图上。

到这一步，结论已经清楚：过程痕迹不是纸上谈兵的概念，而是真实课堂里被成规模记录下来的东西。但一堆痕迹，不等于一张地图。老师到底该怎么读它？

认知摩擦地图：痕迹与知识点、时间线、班级基线三重绑定

认知摩擦地图的核心，是把学生的痕迹钉在三根轴上：卡在哪个知识点、何时开始空转、在全班曲线上排在什么位置。三根轴，每一根都有已经发表的机制在背后撑着。

先看知识点轴和时间轴怎么同时工作。PA-TKG 用一张时间列异质图，把它们摆在一起：

图注：t₁ 到 t₄ 四个时刻 × 概念（绿六边形）、代码状态（蓝圆）、行为（橙菱形）三行节点，边标注 EVOLVES_TO、DEMONSTRATES、PREREQUISITE_OF、PERFORM、RESULTS_IN 等关系。一个学生的卡点被钉在「哪个概念、哪个时刻、哪次行为」的交叉点上。图底部 Key Insight 文字与公式框尾部被裁切，正文只讲主体结构。PA-TKG

在这张图上，可以追踪一个学生写二分查找的全过程：他沿着概念行，从「变量」走到「循环」，再走到「二分搜索」。如果他在中间的某个时刻反复进出、代码状态长时间不更新，卡点就显形了。怎么读这张图？两个办法：概念行的聚集，回答「卡在哪」；时间列的断裂，回答「从什么时候开始空转」。PA-TKG 论文在 CS1 数据集上的验证，还给出了直接的数值证据：只盯着最终提交的基线做法，异常检测的 AUC（衡量检测准不准的指标）只有 0.567；加上过程信息之后，一路拉到 0.923；LLM 反馈的幻觉率，也从 28.7% 压到 4.8%。PA-TKG

第三根轴，是班级基线。单个学生的曲线，单独看没有意义；只有放进全班，才看得出强弱。FlippED 的做法很聪明：给画像起名字。FlippED

图注：四面板视图：Summary（亮色）、Student Profiles（暗色，含 1 到 14 周班级叠图与 Profile A 到 D 画像表）、Effort 明细（带期中期末标记）与 Per Group 分组对比。Profile A 到 D 的平均成绩 5.7/4.8/3.9/3.0 是演示数据，不是真实学生成绩。FlippED

有了带名字的画像，老师可以直接说「这是 Profile B 的典型问题」，而不是对着 40 个孤零零的点发呆。Utrecht 的 C-LED 仪表盘，把粒度做得更细：每一份课程材料、每一周的交互学生占比、平均观看时长，全都摊在桌面上，老师扫一眼就能据此调整辅导课。这是这张地图的最小可用形状。C-LED 这样一来，老师读图的顺序也定下来了：先看概念列聚集——卡点集中在哪；再看时间列断裂——空转从何时开始；最后对照全班基线——判断这是普遍难点，还是个别障碍。

AIAA 3201 的五类提问口径，就是这张地图的图例：

想理解这张地图，可以借一个现成的比喻——程序性能分析里的火焰图。火焰图横着是采样时间，纵着把一层层调用叠起来；哪一层堆得最厚，瓶颈就在哪里。摩擦地图，就是一张「学习过程」的火焰图：知识点堆得最厚的地方是卡点，横向的时间跨度标记空转从何开始，整棵树再跟全班样本的栈做对比，才能区分出普遍难点和个人障碍。没写过 profiler 也没关系，把它想成「把一段时间里的学习活动，按位置和时间摊开来看」就行。

地图的概念说清楚了，最后要立一条硬边界：摩擦地图是理解判断的依据，不是作弊检测工具。它回答的问题不是「这作业是不是 AI 写的」，而是「这个学生卡在哪、需要哪一种解释」。这正是 DECE 反复强调的那个立场：诚信要变成评估设计里内建的特征（论文原话是 integrity becomes a feature of design）——证据是设计里自带的属性，不是事后的执法。DECE 就连把痕迹读成解释的 ClickSight，产出的也只是供专家评估的层级化判断，从不替老师下结论。

三根轴交叉之后，判断「是否真的理解」的依据，就从老师的直觉变成了证据。那么，这张地图攒满一届学生之后，会发生什么？

课程的复利与学校的公共知识界面：把「给分机器」重写成「持续修订的知识出版者」

收口之前，先把「公共知识」这个词钉到四十年前。1983 年，Scardamalia 与 Bereiter 的 CSILE 项目在大学课程里做出原型；1986 年，它在小学完整落地；到了 90 年代，它被重新设计成 Knowledge Forum。从一开始，这个词就不是比喻，而是字面意义上的软件设施：在社区数据库里，笔记和视图是大家共享的对象——它们不属于某个学生的脑子，而是所有人共有的东西。KB Theory

同一批笔记可以同时拥有四种视图：

图注：Knowledge Forum 里同一批恐龙笔记的四种视图：自由排布、按物种分类、按地质年代、按食物链。同一知识对象、多种视角、多种素养，在这个软件里是普通操作。图为 2006 年前后的历史软件截图，不是 2026 年系统演示；图中学生代号不指向真实身份。KB Theory

知识建构传统，还给了「复利」最长的论证。Scardamalia 与 Bereiter 的原文主张：一届学生，应该能够在多年之后，接起另一届学生留下的探究线索。KB Theory 这条传统的关键词，来自 2002 年 Scardamalia 列出的十二条知识建构原则。其中「集体认知责任」和「嵌套式与变革性评估」这两条，恰好对应本文循环里的公共资产与过程证据。更重要的是：「修订」在 Knowledge Forum 里是一等公民：

图注：rise-above 与无尽可改进性：左侧窗口里学生的循环系统理论笔记带 Build On、References 等编辑操作，右侧更高阶的视图把笔记组织进人体系统图。修订是知识对象本身的普通操作，不是例外流程。图左缘有轻微裁切，不影响主体。KB Theory

到这里，可以把一门课程想象成一个代码仓库：学生的锚定批注，是 issue；老师，是维护者；基于证据的修订，是一次 merge；下一届学生，是从最新主干上 fork 出来的新贡献者。没有人要求新贡献者从 v0.1 开始写起，公开知识也一样。把循环放到跨届的尺度上，机制也都齐了：Studymate 的 ChromaDB 持久化，提供了跨届复用的存储机制；Studymate Hypothesis 的印第安纳大学案例，两年积累 78,000 条批注，给出了跨届的数量级（同样是 vendor 自报口径）；Hypothesis ClickSight 的 rubric 化解释，则给每一次修订提供了依据。ClickSight

一届的产出传给下一届，是这条逻辑的自然走向：

（上图为本文作者绘制。）当这条循环跨届运转起来，课程与知识本身就开始复利。现在回到开篇的那个悖论：两份同样漂亮的作业，再也分不出谁学得更好；但两份同样深的追问，却可以分得出高下。学校的角色，也因此从「给分机器」，重写成了「持续修订、证据锚定的公共知识出版者」；教学研究的数据来源，也从期末分数和满意度，走向密度高得多的过程证据。

所以，回到最初的问题：答案泛滥的时代，教育该生产什么？生产的不是更多答案，而是让下一代学生能站上去的知识台阶。

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. How College Students Are Reading in the Age of AI（Hypothesis 官方博客，vendor 自发布） https://web.hypothes.is/blog/how-college-students-are-reading-in-the-age-of-ai/
2. Student Generative AI Use in Research Universities：Berkeley/Science 2026 + HEPI Student GenAI Survey 2025 https://news.berkeley.edu/2026/05/21/the-largest-study-of-ai-use-by-undergrads-is-in-revealing-disparities-in-access-and-in-cheating/
3. Assessment Design in the GenAI Era：The X1-X2-X3 Assessment Pattern for Testing Students' AI Literacy, Learning Outcomes, and Reflection（Islam & Roelleke, arXiv 预印本） https://arxiv.org/abs/2608.12351
4. Dynamic Evidence Collection Ecosystem for Assessment Integrity and Authentic Competence（arXiv 预印本） https://arxiv.org/html/2608.16016
5. AI-Powered Pedagogy：Generating Reliable and Context-Aware Educational Content from Instructor-Curated Materials (Studymate)（IADIS AC+ICWI 2025） https://doi.org/10.33965/ac_icwi_2025_202508l012
6. Process-aware programming assessment through temporal knowledge graph reasoning and LLM verification（Springer Nature, Discover Artificial Intelligence 6:764） https://link.springer.com/article/10.1007/s44163-026-01423-9
7. One Click Away：AI Tutoring with Khanmigo in a Two-Year School Experiment（NBER Working Paper 35620 / EdWorkingPaper 26-1551） https://www.nber.org/papers/w35620
8. ClickSight：Interpreting Student Clickstreams to Reveal Insights on Learning Strategies via LLMs（AIED 2025 Late-Breaking Results） https://arxiv.org/abs/2505.15410
9. FlippED：Visualizing Self-Regulated Learner Profiles in Dashboards（EPFL 预印本） https://arxiv.org/abs/2305.16851；另见 C-LED 官方页面 https://www.uu.nl/en/education/learning-analytics/c-led-course-learning-engagement-dashboard
10. Knowledge Building：Theory, Pedagogy, and Technology（Scardamalia & Bereiter 2006 章节，IKIT 存档） https://ikit.org/fulltext/KBTheory.pdf