Hello 大家好，欢迎来到教育AI智造者播客。

这一期，我们直面一个在AI时代越来越难回避、却被反复“简化”的问题：
当AI可以完成越来越多“看起来像学习成果”的事情时，我们到底在评估什么？

在过去两年，关于AI进入教育的讨论，大多集中在效率、工具、甚至伦理层面。但在这次对话中，我逐渐意识到：真正被低估、甚至被忽略的，是 assessment ——评估本身。

当一个学生可以用AI写出更好的代码、更完整的论文、更流畅的表达，我们看到的“成果”，还等于这个学生的能力吗？
当检测AI的工具本身也不可靠，甚至无法作为证据，我们又凭什么去判断“作弊”？
当老师说“鼓励使用AI”，学生却直接用AI完成全部作业，这到底是理解偏差，还是系统设计的问题？

这一期我邀请到的嘉宾是韩文林教授，一位同时身处计算机科学、教学一线，以及AI评估标准建设的实践者。她提出了一个非常关键的视角：
AI改变的，可能不是学习本身，而是我们判断“学习是否发生”的方式。

在这场对话中，我们不仅讨论了：

• 为什么AI检测工具在逻辑上很难成立
• 为什么“允许/鼓励使用AI”会带来系统性混乱
• 为什么完成任务 ≠ 学会能力

更重要的是，我们逐渐走向一个更底层的问题：

👉 在AI时代，我们评估的，还是“人”，还是“人+AI的系统”？
👉 评估，到底是技术问题，还是认知与信任的问题？

如果你是老师、研究者、产品设计者，或者正在用AI学习的人，这一期可能不会给你一个简单答案，但会帮你看清一个更底层的变化：

评估，正在从“结果判断”，变成“学习如何发生”的再定义

韩教授主办的AAB(AI Assessment Board) 网址：www.aaboard.org

🧭 内容大纲

🧩 AI来了，但我们还在用旧的评估逻辑

• AI可以生成答案，但“答案”不再等于能力
• assessment 被忽视，但其实是最核心问题
• 学习的证据，开始变得不可信

⚡ 第一波冲击：作业突然“变好了”

• 学生项目质量整体提升，而不是个别作弊
• 教师凭经验判断：这是AI带来的结构性变化
• 旧的rubric在新能力面前失效

⚖️ AI作弊检测：一个逻辑上站不住的系统

• AI detector 只能给“概率”，无法给“证据”
• 学生申诉几乎必然成功
• 对比 Turnitin：有来源 vs 无来源

🧠 评估崩塌的本质：边界无法定义

• “允许 / 鼓励 / 禁止”AI → 每个人理解不同
• 60%用AI？怎么量化？按代码量还是思路？
• 教师与学生对“合理使用”的认知完全错位

🔄 从“评估人”到“评估人+AI系统”

• 计算机课程已开始评估人机协作能力
• 不再只看代码，而看“如何用AI完成任务”
• 课程体系被整体重构

🧪 完成任务 ≠ 学会能力

• 任务完成只是“样本”，不是能力本身
• 真正关键：迁移能力（举一反三）
• AI可以加速任务，但不保证形成认知结构

🌐 AI Assessment Board：从“共识”走向“事实”

• 不先定义标准，而先收集真实案例
• 用数据找pattern，而不是专家拍脑袋
• 从实践中抽取“不可替代能力”

🧭 收束：评估不再是技术问题，而是哲学问题

• 我们是否一直在用“产出”替代“理解”？
• 我们是否误把“完成”当作“掌握”？
• 在AI时代，什么才算真正的学习？

-----------------------关于伊伊子----------------------

伊伊子的小红书传送门

----------------------关于听友群-----------------------

如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊

请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！

--------------------相关词介绍-------------------

Assessment（评估）
在AI时代，从“结果验证”转向“学习证据的定义”。不再只是打分工具，而是决定什么被视为能力的核心机制。

Test-Based Learning (TBL)
以考试为核心的学习方式，依赖标准答案与个体输出。在AI时代最容易被替代与冲击。

Project-Based Learning (PBL)
通过项目完成任务进行学习。原本被认为更真实，但在AI加持下也出现“代做式完成”的问题。

AI Detector（AI检测器）
试图判断文本是否由AI生成的工具，但由于缺乏可验证来源，在教育场景中难以作为有效证据。

Turnitin（查重系统）
基于已有文本数据库进行比对的工具，因“有来源证据”而成立，对比凸显AI检测的逻辑问题。

Rubric（评分标准）
教师用于评估学生表现的标准体系。在AI时代失效，因为无法区分“能力 vs 工具增强”。

Human-AI Collaboration（人机协作）
新的能力单位。学生不再是独立个体，而是与AI共同完成任务的系统。

Transfer（迁移能力）
将知识应用到新情境的能力。是区分“学会”与“完成任务”的核心指标。

Feynman Technique（费曼学习法）
通过解释来验证理解。在AI时代成为重要“反作弊”与“验证真实理解”的方式。

Formative Assessment（形成性评估）
关注学习过程，例如与AI的互动记录。相比结果，更能反映真实学习。

Summative Assessment（终结性评估）
关注最终成果（考试、作业）。在AI时代逐渐失去可信度。