AI 反馈：改得快不等于改得对

本文性质： 观察 + 假设（Observation / Hypothesis）　证据标签： 观察 Observation／模型 Model／假设 Hypothesis／实证 Evidence

本篇涉及的证据类型：观察 Observation／假设 Hypothesis／实证 Evidence。凡属本院课堂观察与教学模型的部分，均不作效果承诺。

写作批改这件事，过去要等三天，现在十分钟就能收到一份密密麻麻的批注。批注出现得快、条目多、语气客气，看上去比手改更周到。但反馈的价值从来不由速度决定，也不由条数决定，而由它有没有让人知道下一步该改什么决定。

反馈的价值不由速度决定，也不由条数决定

本院课堂观察里有一个反复出现的对比：教师手改时通常只挑两三处最关键的问题，学生第二天多半真的动了那两三处；自动批注一次给出十几条，学生的第一反应往往是先改最容易改的那几条——拼写、冠词、单复数，而段落之间的逻辑一条没动。原因并不神秘：人的注意力是有限的，反馈越多，注意力越会往门槛低的地方流。这不是学生偷懒，是设计问题。

反馈研究的元分析说了什么

反馈研究对此有相当明确的说法。Kluger 与 DeNisi 1996 年对六百多个效应量的元分析发现，反馈的平均效果并不大，而且有相当一部分干预产生了负向作用——被评价这件事本身会占用注意力。Hattie 与 Timperley 2007 年提出的模型把反馈分成三层：往哪去、现在在哪、下一步怎么走，并指出只评价结果、不给下一步路径的反馈，接收者往往不知道要改什么。Stevenson 与 Phakiti 2014 年关于计算机生成反馈的元分析发现，机器反馈对写作质量有正向作用，但效应大小受任务类型与反馈聚焦方式调节。换句话说，决定效果的是改什么，而不是谁改。

本院把自动反馈限定在可判定的维度

本院课程研发部的做法是把自动反馈限定在可判定的维度上：拼写、常见搭配、时态一致性、句子长度分布——这些机器判断稳定、重复性高；而论证是否成立、例子是否支撑论点、语气是否合适，交回教师与同伴。我们还加了一条硬规则：一条反馈如果附不出一个可执行的下一步，就不发出去。宁可少五条，也不要让学生面对一面红墙。

三条边界：不分水平、挤占时间、改错游戏

三点边界要说清楚。第一，自动批注不区分学生水平，同一个错误对初学者和进阶者的意义完全不同，机器不会替你排优先级。第二，批注总量上升会挤占学生与教师处理反馈的时间，反馈条数与有效反馈并不成正比。第三，如果评价只看红字清没清干净，写作会退化成改错游戏，学生学会的是躲错误，不是表达。本院没有做过对照实验，以上是课堂观察与文献推理的合并判断，不作为效果承诺。

今天就能开始

下次收到自动批注，先圈出三条，只改与这篇文章想说什么直接相关的那一条，其余先记下、不动手。

本文依据

• 观察来源： 本院写作课与课程研发部课堂观察记录（2019 年至今）：手改稿的修改率高于批量批注稿，属课堂观察，未做统计检验。
• 模型出处： 可判定维度清单与「无下一步不发」规则为本院课程研发部内部教学建议，非外部研究成果。
• 待验证项： 反馈聚焦度与写作质量提升之间的因果关系，需对照实验检验；本院尚无该实验。
• 外部文献： Kluger & DeNisi 1996（Psychological Bulletin 反馈干预元分析）；Hattie & Timperley 2007（Review of Educational Research 反馈模型）；Stevenson & Phakiti 2014（Assessing Writing 计算机生成反馈元分析）。