AI教育白皮书：评价环节怎么改

本文性质： 模型 + 假设（Model / 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／模型 Model／假设 Hypothesis。凡属本院课堂观察与教学模型的部分，均不作效果承诺。

一门课要不要改，教师先看的是作业怎么批。评价是课程的方向盘，方向盘不动，教案改得再漂亮，课堂上也会回到原来的轨道。

课程改不动，常常是评价没改

本院在讨论 AI 进入课程时，遇到的第一个真实阻力不在技术，而在评价。教师愿意用新工具备课、愿意设计新任务，但一到打分就退回去：期末仍是一张卷子，平时分仍按出勤与作业次数算。于是所有新做法都被折算成「有没有多做题」，学生的策略也随之回到最省力的那条路。这不是教师保守，而是评价承担着排序功能：只要排序依据不变，教学过程就很难真正变。所以本院把评价当作 AI 课程改造的第一站，而不是最后一站。先想清楚「凭什么说这个学生学会了」，再谈用什么工具去收集证据。

模型能评什么，不能评什么

自动评分能做的事比很多人想的窄，也比很多人想的稳。它擅长处理结构清晰的产出：拼写、语法改错、句型仿写、有明确评分点的短答。Williamson、Xi 与 Breyer 2012 年提出的评估框架提醒，自动评分的效度不是「模型准不准」一个数字，而是它测的东西与教学目标是否同一件事。Bennett 2011 年对形成性评价的综述也指出，评价的价值主要来自「反馈之后学生做了什么」，而不是反馈本身有多精确。换句话说，一个 70 分的判断即使准确，如果学生不知道该改哪一句，它的教学价值仍然接近零。反过来，一个粗糙但指向明确的提示，往往比精确分数更能推动修改。

本院的三栏评价框架

本院目前的框架把评价拆成三栏，各自用不同的证据来源。第一栏是过程：学生怎么想、怎么改、卡在哪里，靠草稿、录音、修改痕迹来收，AI 只做整理与归类，不做判断。第二栏是成品：一篇文章、一段口语、一个项目产物，由教师按事先给定的评分点判断，AI 可以提供第二意见，但意见必须写出理由，且允许被推翻。第三栏是自评：学生对照评分点给自己定位，并写下一处具体改动。这一栏不占分数，但必须提交，因为它迫使学习者把注意力从「得了多少」转到「差在哪里」。三栏的比例可以随学段调整，但三栏不能缺栏——缺了过程就只剩结果，缺了自评就只剩外部判断。

边界：分数不能外包给模型

把评分整体交给模型，本院明确不主张。原因有三：一是效度问题，模型对「好」的定义来自训练材料，未必等于本课程的定义；二是不透明，学生收到分数却拿不到可执行的解释，学习就停在这里；三是责任问题，评价涉及升学与分班，必须有一个能被追问的人站在结果后面。本院的做法是把 AI 限定在「提供第二意见与整理证据」的位置，终评由教师签字。这条边界不是技术不成熟时的权宜之计，而是评价本身的属性决定的：评价是价值判断，不是模式识别。

今天就能开始

下一次布置作业时，先写下三条评分点，再决定哪一条可以交给工具整理、哪一条必须自己看。

本文依据

• 观察来源： 本院在奥克兰北岸的课堂中长期并行使用书面作业与口头反馈两条线，教师对「哪类作业改得动、哪类改不动」有持续记录，但未做系统采样。
• 模型出处： 三栏评价框架为本院课程研发内部工作模型，用于组织教学，不解释学习机制。
• 待验证项： AI 提供的第二意见能否稳定提升学生的修改轮次与修改质量，本院尚未做对照检验。
• 外部文献： Black & Wiliam 1998（形成性评价综述）；Messick 1995（效度整体观）；Bennett 2011（形成性评价批判性回顾）；Williamson, Xi & Breyer 2012（自动评分评估框架）。