AI评估重新设计如何帮助初学者？
初学者主要通过结构化的AI素养教育和明确的指导方针，从AI评估改革中获益。在2025年一项针对瑞典物理治疗课程的研究中，教师团队实施了针对性的AI素养培训，并重新设计了评估方式，重点强调临床推理和批判性思维，从而减少了滥用AI的机会[1]。实施两个月后，42%的学生认为自己对AI有了充分了解，而教师的AI素养和信心也通过结构化小组合作得到了提升[1]。这表明，初学者不仅需要重新设计的任务，更需要关于何时以及如何使用AI的明确指导。
另一项2025年针对61名教职员工的研究发现，重新设计评估的主要动机包括维护学术诚信和帮助学习者做好未来职业准备，但依然存在重大挑战，例如需要开展专业发展培训以及解决公平性与可及性问题[5]。这表明，对于初学者而言，仅靠重新设计评估是不够的，还需辅以相应的培训和支持。
AI评估重新设计如何让专家受益？
专家通过重新设计人工智能评估，得以更深入地将AI融入专业实践，从而从中受益。一项2025年的研究利用60份来自教师教育者的真实教学案例，开发并验证了一套AI-TPACK评估工具[2]。该工具识别出四种能力模式：技术创新者、教学整合者、内容开发者以及初学者。AI教学知识与整合实践之间的强相关性（r = 0.78）表明，专家可以借助重新设计，深化AI知识与课堂教学之间的协同效应[2]。
一项2024年针对硕士生的研究发现，许多现有作业可借助生成式AI部分完成，学生建议将持续性评估与口试作为补充手段[4]。这表明，专家——包括教师和高年级学生——可以通过重新设计评估方式，打造更具韧性的考核体系，从而检验更深层次的理解，而不仅仅是记忆能力。
对初学者和专家都适用的方法是什么？
多项研究一致表明，两种策略对两类群体均有益：明确人工智能使用规范以及持续性评估模式。2025年物理治疗研究在所有课程中统一推行标准化指南，有效减少了滥用现象[1]。2024年硕士生研究则建议，应明确说明允许使用人工智能的场景，并重新设计课程结构以实施持续性评估——即评估整个学习过程，而非仅针对零散提交的作业[4]。这一方法增强了所有学习者的公平性与可持续性。
一篇2026年的论文提出了AI风险张量（ART）这一三维框架，在影响和概率之外新增了“不透明性”作为风险维度[3]。尽管该框架聚焦于组织风险，但其概念同样适用于评估：无论是初学者还是专家，都需要理解AI输出的不透明性（例如，AI为何给出某个答案），才能负责任地使用AI。2025年的教师研究提出的“反对、规避、采纳与探索”框架[5]同样提供了一系列可针对不同专业水平进行调整的应对策略。
关于这些来源
该答案基于5篇经同行评审的研究构建而成——发表于2024年至2026年间，其中5篇为2024年及以后发表，2篇发表于Q1期刊——这些研究是从5篇通过质量筛选的研究中选出的最具相关性的成果，而后者又源自从超过5亿篇论文数据库中检索到的56篇文献。
本文引用的文献
物理治疗教育中学习与评估任务的结构化开发：防止生成式AI滥用并提升教师AI素养
在一项瑞典物理治疗项目中，教师重新设计了评估方式，以突出临床推理和批判性思维；实施后，42%的学生认为自己对人工智能有了充分了解，而教师的AI素养也通过结构化小组合作得到了提升[1]。
开发并验证AI-TPACK评估框架：通过真实作品提升教师教育者的专业实践
一项针对60份教师教育者真实教学案例的验证研究，识别出四种人工智能能力模式（技术革新者、教学整合者、内容开发者、新手），并发现人工智能教学知识与整合之间存在强相关性（r = 0.78）[2]。
AI时代的风险评估重塑：不透明风险维度的浮现
一篇2026年的论文提出了AI风险张量（ART），这是一个三维框架，在影响和概率之外增加了“不透明性”作为风险维度，以应对AI系统的不可预测性[3]。
生成式人工智能对高等教育活动与评估的影响：来自硕士研究生的若干建议
一项针对16名硕士生的研究发现，许多作业可借助生成式AI部分完成；学生们建议制定明确的AI使用指南，并采用包括口试在内的持续性评估形式[4]。
为人工智能增强学习重新设计评估：生成式AI时代教育工作者的框架
一项针对61名教职人员的定性研究揭示了重新设计评估的动机（学术诚信、职业准备）与挑战（专业发展需求、公平性问题），并由此提出了“反对、规避、采纳与探索”框架[5]。