ChatGPT 等生成人工智能 (GenAI) 工具的发布引发了关于其对教育潜在影响的激烈讨论。

在过去这一年里，就自留地君所读到的文献来看，这些讨论中有关GenAI 的影响林林种种，从激进主义者的用Gen AI 解决所有教育问题，到悲观主义者所担忧的彻底摧毁学习和教育。

回顾教育科技的历史，新技术能够、并且将会解决所有教育问题的说法屡见不鲜。从托马斯.爱迪生的留声机和电影彻底解放学校教育，到教学机器和程序教学所带来的教学自动化的“美好前景”，再到上个世纪八十年前的计算机辅助教学，以及过去这三十年来的自适应学习系统等等......

历史不会停住脚步，历史也告诉我们，这些所谓的技术灵丹妙药并没有产生预期的结果。

今天的生成式人工智能有何不同？它会破坏我们所知的教育吗？

它会不会是人类教育科技史上的又一个肥皂泡？

生成式人工智能会不会是“猴子掰包谷”式的盲目追逐科技潮流的那种终将会扔在地上的下一个包谷棒子？

如同被世俗日渐抛弃的类似CAI、“微课”、“翻转课堂”等在今天的命运？

早上例行阅读，读到了 教育传播与技术协会（the Association for Educational Communications & Technology, AECT）的会刊之一TechTrends的最新的一篇社论文章，

题目是《生成人工智能时代的教学设计与评估创新》（Innovation of Instructional Design and Assessment in the Age of Generative Artificial Intelligence）

作者是 Charles B. Hodges & Paul A. Kirschner

其中，Charles B. Hodges 来自美国Georgia Southern University大学，他是 TechTrends 的主编，Paul A. Kirschner 在荷兰开放大学和比利时Thomas More University of Applied Sciences 任职。

在这篇社论中，两位作者提出了生成式人工智能时代教师作业设计（和评估设计）的12种策略，

他们不仅分析了每一种策略的优势，也剖析了每一个策略可能无效的根源，读来也颇具意味。

这里一并分享给自留地的诸位朋友！

1. 强调过程而非产品

将作业的重点从结果和最终产品转移到学习过程。

这可能包括要求学生在最终提交的同时，也提交草稿、大纲或带注释的参考书目。

通过评估该过程，教育工作者可以更好地了解学生的学习历程。

这里的一个障碍是 GenAI 工具也可以做到这一点。

2. 纳入口头评估

口头考试或演示可以有效地评估学生的理解情况。

这些评估对于准备使用人工智能来说更具挑战性，并且可以深入了解学生对材料的真正掌握程度。

然而，对于像《心理学 101》这样有 600 名学生的阶梯教室里的课程来说，这几乎是不可能的。

3. 使用人工智能检测工具

有一些新兴技术旨在检测一篇文章是否是由人工智能生成的。

结合这些工具可以帮助教育工作者识别 GenAI 创作的作品。

然而，这些程序的准确性，无论是在假阴性（即使用了 GenAI 但未检测到）还是假阳性（即未使用 GanAI，但学生被指控使用它）方面都存在缺陷。

希望采用人工智能监控工具的教育工作者应了解这些技术的功能和局限性，以便负责任和有效地使用它们。

4. 修改作业设计

将作业定制得更加具体、个性化或与上下文相关。

这可以包括与课堂讨论、时事或人工智能不太可能成功解决的独特场景直接相关的提示。

5. 鼓励批判性思维和分析

人工智能不太容易完成要求学生在新环境中批判、分析或应用概念的作业。

这些任务通常需要深度理解，而人工智能目前无法模仿。

然而，ChatGPT 5.0 估计也能够做到这一点。

6. 注重应用和创造力

需要创造性思维、将知识应用到新情况或解决现实世界问题的项目可以更能体现学生自己的工作和理解。

7. 课堂作业

在课堂上亲自或通过教育者监控的在线平台进行评估，可以帮助确保提交的作业是学生自己的。这也有前面提到的关于班级规模的限制。

8. 同行评审和协作工作

结合同行评审流程和协作项目可以鼓励学生更深入地学习材料，减少对人工智能生成内容的依赖。

这里需要注意的是，GenAI 能够批评键入的文本。

例如，提示“请批评 Hodges 和 Kirschner 的社论。它的优点和缺点是什么？” 随后复制并粘贴将返回“同行评估”。

9. 开发数字素养和道德课程

教育学生有关人工智能的道德使用，包括关于学术诚信、人工智能的局限性以及原创作品的重要性的讨论。

这所遇到的障碍就是人性。

在经济学中，它被称为“经济人”（homoeconomicus）。

通过理性判断避免不必要的工作的人。

在教育中，这被称为计算型学习者；一个以最小的努力获得最大利益的学生。

10. 个性化学习路径

为个别学生定制学习体验和作业可以降低使用通用人工智能生成内容的可行性。

这在大型戏剧讲座课程中又是极其困难的。

11. 频繁、低风险的评估

用更频繁、低风险的评估取代高风险的测试，以随着时间的推移衡量学生的理解程度。

然而，如果低风险测试是在线的，这可能会成为一个问题。

12. 鼓励反思性写作

要求学生反思个人经历或观点的作业不太适合人工智能生成。

在这里，“聪明”或“精明”的学生也可以解决这个问题。

提示是：“反思一下 1968 年在芝加哥举行的民主党全国代表大会对于 20 世纪 60 年代和 70 年代高中时来自布朗克斯区的嬉皮士意味着什么。” GenAI能够以第二作者可能的方式回答，而老师无法知道是否是这样（见图 3）。

读者诸君，生成式人工智能时代的作业设计，对于全球各级各类学校教育工作者而言，是一个世界性的难题。

对于这篇社论中两位作者提出的观点，您有何评论？

除了这12种可能有效的策略，

您觉得还有哪些策略可以有效解决与应对这个挑战？