为何传统绩效评估在学生使用AI时失效
当学生能够利用人工智能生成论文、解决问题或创作内容时，仅凭最终成果进行评分已无法衡量学生的能力——它衡量的是AI的能力。2022年一项针对20名本科生的实验发现，在公共广告绘画任务中，学生与AI协作显著提升了内容的创意性和表达的感染力[4]。这意味着，如果你只对最终画作评分，奖励的是AI的贡献，而非学生的技能。同样的逻辑也适用于书面作业：如果ChatGPT能写出一篇及格的论文，那么这篇论文的“A”等成绩完全无法反映学生的理解水平。这些研究共同指向一个观点：评估必须从关注学生“产出什么”转向关注他们“如何产出”——即他们提示、评估和优化AI输出的过程。
取而代之，应衡量什么：过程、伦理与批判性思维
研究指出了AI政策应优先关注的三个新的能力维度。第一，伦理判断与披露：一项2026年对864名体育科学专业学生的研究开发了经过验证的量表，将“伦理与披露”及“信任与验证”列为AI素养的核心维度[5]。这意味着评估应检查学生是否恰当引用AI的使用，并核实AI生成的事实。第二，批判性思维与协作：一项2025年对982名学生和76名教师的调查发现，学生和教师一致认为，AI的使用可能对不同群体的学习成果产生不同影响，其中男性STEM专业学生的态度比女性非STEM专业学生更为积极[2]。这表明评估设计需要捕捉每个学生如何批判性地与AI互动，而不仅仅是他们是否使用了AI。第三，情感与策略性使用：一项2026年的混合方法研究发现，学生对AI的情感态度是其感知学习的最强预测因素，且AI能提供情感支持并增强信心[3]。因此，衡量表现应包含学生如何在保持自身学习主体性的同时，策略性地利用AI获取学业支持。
AI政策要求下的评估设计实际变革
这些研究为重新设计评估方式提供了具体建议。2026年关于人工智能融合评估的研究提出了"双轨模型"，即作业设计分为借助人工智能完成（第一轨道）和不借助人工智能完成（第二轨道）两类，每条轨道采用不同的评分标准[3]。对于第一轨道，评分重点在于学生与人工智能互动的质量，以及学生对人工智能输出结果的批判性评估能力。而第二轨道仍沿用传统评估方式，但必须在受控环境下进行。此外，2023年一项针对265名医学生的调查发现，虽然医学院中仅有20.4%的学生在书面评估中使用ChatGPT，但63.4%的学生计划在住院医师阶段将其用于研究和备考[1]。当前使用率与未来使用意愿之间的差距，凸显了立即更新政策的紧迫性。该研究的作者明确呼吁"建立结构化课程体系及正式政策与指导方针"以培养学习者[1]。纵观这五篇论文，一致传递的信息是：政策必须与新型评估方法相结合，这些方法应衡量人工智能素养、伦理推理能力以及与人工智能协作的能力——而不仅仅是最终答案。
关于这些来源
该回答基于5篇经同行评审的研究——发表于2022年至2026年间，其中3篇为2024年或之后发表，4篇发表于Q1期刊，累计被引用178次——这些研究是从5篇通过质量筛选的文献中选出的最具相关性的成果，而该筛选过程则源于从超过5亿篇论文数据库中检索到的63篇论文。
本文引用的文献
医学生对ChatGPT及人工智能的体验与认知：横断面研究
一项针对265名医学生的横断面调查发现，仅20.4%的学生在书面考核中使用过ChatGPT，但63.4%的学生计划在住院医师培训阶段使用它。这凸显了当前使用率与未来需求之间的差距，亟需更新相关政策和评估方法。
考察师生对大学课程中生成式人工智能的看法
一项针对美国某大学982名学生和76名教职员工的调查发现，学生与教职员工对生成式AI的态度相似，但男性STEM专业学生与女性非STEM专业学生之间存在显著差异，这表明在评估AI使用情况时必须考虑人口统计多样性。
利用学生对人工智能的看法来指导学术政策与评估实践
一项混合方法研究发现，学生对人工智能的情感态度是感知学习的最强预测因素，且学生希望获得机构层面的指导；该研究建议采用“双轨”评估模式，将人工智能辅助任务与非人工智能任务区分开来。
两个脑袋比一个强吗？学生与人工智能协作对学习任务表现的影响
一项针对20名本科生的重复测量实验发现，学生与人工智能协作能显著提升绘画任务中内容的创意性与表达的丰富性，这表明人工智能能够以传统评分方式可能无法捕捉的维度提升表现。
运动与体育科学专业学生人工智能使用量表的开发与验证。
一项针对864名体育科学学生的验证研究开发了包含14个条目的AI使用量表，涵盖认知、伦理与披露、信任与验证以及课程期望四个维度，为衡量新AI政策下应评估的维度提供了工具。