AI 进入教育：学习者、教师与培训者分别需要改变什么
区分不同角色的目标、教学责任与评估方式。
AI 能帮助生成答案，也可能让学习者绕过形成答案的过程。教育中的关键问题不是“能不能使用”，而是使用之后，学习者是否仍然具备需要培养的能力。学生、教师与培训者面对的任务不同，使用方式也应不同。
01 / 定义：学习成果要能在新情境中表现出来
完成一份作业是制品结果，能够独立解释、判断和应用才是学习结果。AI 可以生成制品，却不能据此证明使用者已经学会。需要先确定要培养什么能力，再决定哪些环节允许由 AI 协助。
例如学习数据分析，目标可能是解释去重为什么影响分母、辨别相关与因果、推导统计口径、在新数据上完成分析。如果只评最终报告是否漂亮，很容易错过这些能力。
02 / 推导：同一个工具，对不同目标作用不同
如果目标是练习基础推导，直接索取完整答案会跳过关键过程；如果目标是比较不同解决方案，AI 提供候选反而能扩展讨论。工具本身没有统一的教学价值，价值来自它与目标任务的关系。
| 角色 | 适合交给 AI | 应保留的关键判断 |
|---|---|---|
| 学习者 | 解释术语、提供反例、反馈草稿 | 先作答、检查依据、说明思路 |
| 教师 | 生成练习变体、整理材料、辅助反馈 | 学习目标、评分标准、事实核查 |
| 培训者 | 按岗位改编案例、归纳常见错误 | 真实任务选择、表现验收、后续支持 |
未成年人或敏感学习记录还涉及机构批准的工具、数据范围和监护安排。本文不替代具体学校规则；实际使用前要按所在机构确认，不能把学生身份与成绩默认上传到任意服务。
03 / 应用：设计一次“AI 辅助数据判断”练习
准备一份完全虚构的活动反馈表，包含记录 ID、日期、主题和评分。其中故意放一个重复 ID、一条空评分和两个相反意见。目标是让学习者解释“满意度”如何计算，并辨别数据能支持什么结论。
- 先独立判断。不调用 AI，写出分母、重复记录处理和空值处理。教师据此区分不会定义与计算失误。
- 再向 AI 求反馈。让它检查推导缺失，不直接给最终报告；要求举一个会改变结果的反例。
- 实际计算。学习者用表格或代码得到结果，展示有效记录数和计算过程。AI 可协助操作，但学习者要能解释口径。
- 比较两种答案。一份把重复行计入，一份去重；讨论差异为什么产生，而不是只选更流畅的一份。
- 提交过程证据。初始判断、AI 建议、最终取舍及修改理由。无需上传全部私人对话，只保留与任务有关的过程。
- 做迁移任务。换成包含多选标签的新表，让学习者说明为什么标签总数不能当人数。这个变化检验是否理解了分母与对象。
请作为练习反馈者，而不是代写者。
先阅读我的统计口径，指出缺少的前提。
每次只给一个提示，让我先修改。
如果我给出结论，请问我它对应哪些记录和计算。
不要把相关关系解释成因果，也不要补造数据。
最后给一个结构不同但原理相关的新情境。反馈顺序很重要。先显示完整答案，再要求“想一想”，难以区分独立理解与照着复述。先作答再反馈，才能保留诊断价值。
04 / 验收：同时看解释、辨别、推导和应用
| 能力 | 可观察任务 | 不足时如何补 |
|---|---|---|
| 解释 | 不用原句说明去重影响什么 | 回到统计对象与分母 |
| 辨别 | 识别相关与因果、人数与标签数 | 加入近邻反例比较 |
| 推导 | 补出从原始行到指标的步骤 | 显式列中间结果 |
| 应用 | 在新表格中选择处理方式 | 换情境而不是重复旧题 |
评分规则应告诉学习者什么算证据。解释可以简短，但要说明机制；操作可以借助工具，但要能检查结果。不要仅凭写作风格判断是否使用 AI，也不要把检测工具的概率当作学习过程的事实证明。
教师使用 AI 批改时，应先用样例校准，抽查错误与分歧，保留学生申诉和人工复核渠道。模型反馈可以辅助，重要评价仍需要明确责任人。
05 / 迁移：培训也要回到实际工作
企业培训可以把练习换成真实岗位中的脱敏任务：整理需求、核对报表、评审文档。培训结束不只交一份作品，还要在后续工作中观察能否独立识别错误、修正输入和处理异常。没有真实表现证据，就不能宣称培训已经带来能力提升。
练习：学习者交出完美报告，却解释不出计算过程，下一步是什么？
不要只要求再写一遍报告。让其从少量记录开始，解释对象、分母和每一步计算，再给一个新变体。允许 AI 提示，但先保留独立尝试，定位究竟缺概念还是操作能力。
这也适用于本知识库：阅读完不是终点。挑一个自己的任务，准备输入、执行流程、检查失败，再看哪些概念需要回补。知识关系图可以帮助找到对应文章。