AI教育白皮书：它替谁说话

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。

学生问工具：外国人早餐吃什么。答案通常从面包、牛奶、麦片开始。这个答案不算错，但它替一个具体的世界说了话，而那个世界不是所有人的世界。

答案里的世界，是谁的世界

本院在中文课上做过一次很随手的记录：让十来个华裔背景的学生分别问同一款工具同一个问题，外国人的家庭周末做什么。收回来的答案高度相似，集中在郊游、看电影、去教堂、家庭聚餐这几类。有个学生追问了一句：那我们家这种周末开店的算什么。工具补了一段，说也有家庭经营小生意，但只占一句，后面又回到前面的清单。这次记录没有对照、没有编码、也没有第二个人复核，只能说明一件事：答案有默认的例子，也有被放在括号里的例子。至于这种分布会不会影响学生的文化判断，本院没有测过，不敢下结论。

三个位置：谁在举例、谁被默认、谁缺席

本院白皮书框架把语料偏向分成三个可观察的位置。第一个位置是谁在举例：问一个普遍问题，答案会挑一批典型例子，这批例子的来源地、阶层、生活方式，构成了一个看不见的取样框。第二个位置是谁被默认：有些设定会被当作前提写进句子，比如家庭结构、作息、节假日安排，读者若不追问，就会把它当成普遍事实。第三个位置是谁缺席：有些群体不是被写错，而是根本没出现，这比写错更难发现，因为页面上没有留下痕迹。三个位置里，第三个最难自查，也最容易在课堂上被学生问住。把这三个位置当成阅读工具，比记一堆名词有用：读一段答案，先数例子来自哪里，再找被写成前提的设定，最后问一句谁没在。

一问三查：把例子换成自己的

白皮书框架给了一条一问三查的做法。问之前，先把自己的位置写进去：我家的做法是什么，我所在的城市是什么样，我认识的人里有没有不一样的。拿到答案之后查三件事。第一查例子：把答案里的例子逐个换成自己身边的例子，看哪些换得动、哪些换不动；换不动的那个，往往就是取样框的边缘。第二查前提：把句子里的 everyone、usually、most families 圈出来，问一句这里指的是谁。第三查缺席：主动补问一句，还有没有别的情况，如果工具只补一句就回到原清单，说明它在这个方向上的材料很薄。这是本院 AI 学习课程的工作模型，用来组织阅读，不作效果承诺，也不作为判断工具好坏的唯一标准。

四条边界：不当地理老师、不把概率当事实、不替代真实交流、不回避

四条边界。第一，不把工具当地理老师：它给的是语料里的常见说法，不是田野调查，具体到某个城市、某个社区，它常常不如一个在当地住过的人。第二，不把概率当事实：答案里 most、often 这类词背后是频率，不是规范，不能拿来评判某个家庭的做法是否正常。第三，不替代真实交流：文化判断最可靠的来源仍然是与人打交道，工具最多帮你准备问题，不能替你完成对话。第四，不回避：发现答案有偏向，不必因此弃用，也不必替它辩护，把它当成一次可以讲的案例，学生学到的东西反而更多。

今天就能开始

今天挑一个带文化预设的问题问工具，把答案里的例子逐个换成自己身边的，看哪一个换不动。

本文依据

• 观察来源： 本院中文课堂十余人的随手记录，无对照、无编码、无第二人复核，仅作现象描述。
• 模型出处： 一问三查为本院 AI 学习课程的工作模型，用于组织阅读，未经检验。
• 待验证项： 显式做例子替换与缺席追问，可能提高学生对答案取样范围的敏感度；该命题正在验证中，需要前后测与延时测，本院尚无数据。
• 外部文献： Blodgett 等 (2020) 对自然语言处理中 bias 研究的批判性综述；Bender 等 (2021) 关于大规模语料与生成模型风险的讨论；Naous 等 (2024) 对大型语言模型文化偏向的测量；Byram (1997) 跨文化交际能力框架；Kramsch (1993) 语言教学中的语境与文化。