AI助力学习：追问答案，而非仅是接受

一位教师将一篇学生作文交由人工智能进行评估。

数秒之后，屏幕上呈现出了一段评价：

文章的整体结构完整，语言表达也相当流畅。 然而，第二段和第三段在论证方面显得不够充分。 第二段提出了论点，但所举的例子略显笼统；第三段虽然进行了补充说明，却未能将例子与中心论点有效地联系起来。 建议补充更具体的材料，并阐述这些材料如何支持中心观点。

这已经超越了一句空泛的评语。

它精确地指出了具体段落存在的问题，并明确了改进的方向。 从教师工作量角度考量，其价值显而易见。 对学生而言，其反馈也远比“继续努力”或“论证不够深入”来得具体。

学生在阅读后，很可能会产生这样的想法：

既然它已经点明了第二、三段的问题所在，那我就按照它的建议来修改吧。

然而，这位老师并未立即让学生着手修改，而是提出了一个问题：

“它为什么会给出这样的评价？”

教室里陷入了片刻的沉默。

有学生尝试回答：

“它好像非常看重例子是否足够具体。”

另一位学生补充道：

“它认为每一个例子都应该服务于中心观点。”

还有一位学生经过思考后说道：

“它默认了一篇优秀的文章应该清晰地呈现观点、例子和解释。”

课堂的真正意义在此刻得以重新开启。

如今，我们很容易将这一现象归结为“人工智能时代的新挑战”。

但在传统的教学模式中，类似的情形一直存在。

老师在作文上批注：

中心论点不够突出。 结构需要进一步调整。 语言表达不够精炼。 情感的抒发略显空泛。

学生通常不会进一步追问：

“老师，您为何会做出这样的评价？” “‘中心突出’具体指的是什么？” “这篇文章是否存在其他解读的可能性？” “如果我采用非标准议论文的写法，它是否就不算好文章了？”

并非学生完全没有疑问，而是课堂中固有的权威关系使得这些疑问难以被提出。

教师的评价、教材的阐释、参考答案的表述，往往自带一种“无需质疑”的权威光环。

学生被期望的是理解、记忆并趋近于此。

而非对其进行深入的追问。

因此，人工智能真正带来的变革，并非它首次在课堂中引入了权威。

它只是以一种新的形式，呈现了课堂中本已存在的权威。

过去，是老师说：

“这篇作文的论证不够充分。”

现在，是人工智能说：

“第二段和第三段的论证还不够充分。”

它的表述更为具体、克制，且更接近客观分析。

但核心问题依然是同一个：

学生是否能够追问：您为何如此评价？

当我们讨论人工智能在课堂中的应用时，常常首先聚焦于其作为工具的效用。

它能否辅助学生写作？能否协助教师批改？能否提升效率？能否节省时间？

然而，若仅停留在这一层面，人工智能很容易沦为一个提供答案的机器，只不过它反应更快、更有耐心，且更具教师的口吻。

学生遇到写作困难，它代为起草。 学生需要修改，它代为润色。 学生无法总结，它代为概括。 学生不懂评价，它代为评判。

由于答案的获取过于迅速，学生尚未形成自己的独立判断，就已经面对一个看似完善的结果。

这正是人工智能时代需要重新审视“学习”的根本原因。

过去，学生需要循序渐进地攀登知识的高梯。

首先是记忆，然后是理解。 在理解的基础上，尝试运用。 更进一步，才是分析、评价与创造。

这便是许多教师所熟悉的布鲁姆教育目标分类学。

然而，人工智能的出现颠覆了这一顺序。

学生在未能真正理解一篇文章之前，已获得了分析结果。 在未尝试评价一篇作文之前，已收到了评语。 在未组织自身观点之前，已得到了一篇结构完整的文章。

人工智能将许多原本位于知识阶梯高处的要素，直接递送到了学生面前。

这并非全然是负面的。

它能将一个模糊的想法迅速转化为可供讨论的对象。 它也能让学生洞察一篇文章的多种修改可能性，以及一个问题可以有多少种解释。

但前提是：学生不能仅仅满足于获取结果。

如果学生仅是被动接受，学习过程可能会被大大缩短甚至绕过。 只有当学生反过来审视这些结果时，真正的学习才得以启动。

面对人工智能提供的答案，学生自然需要首先判断其可靠性。

以那段作文评语为例。

学生可以将其与自己的作文进行比对，从而认识到：

人工智能的输出并非不容置疑的指令，而是一种需要被审慎核查的判断。

然而，如果课堂仅止步于此，学生所学到的将主要是：

如何辨别人工智能的评价是否出错。

这固然必要，但仍显不足。

因为在人工智能时代，更深层次的问题往往不在于其明显的错误，而在于其恰当的合理性。

一段看似合理的评语，反而更容易让学生忽略进一步追问的必要性：

它为何会采纳这套评价标准？

人工智能的评价中提到：

结构完整。 语言流畅。 论证充分。

这些表述听起来并无不妥。 但其背后的逻辑是什么？

为何一篇优秀的文章必须遵循这样的模式？ 为何“语言流畅”比一些不够流畅却更显真实的表达更容易获得肯定？ 为何“论证充分”成为了评价文章时最便捷的标准？

此时，学生看到的将不只是简单的评语。

他们将洞察到评语背后所依据的评价体系，以及其中蕴含的关于“正确”的定义。

这套评价体系可能源自考试大纲，源自教材内容，源自作文评分细则，源自教师长期形成的评价习惯，也可能源自人工智能所学习的海量文本数据。

它并非凭空产生。

只是由于被反复应用，才逐渐被视为理所当然的常识。

这正是批判性素养开始发挥作用的关键时刻。

它的目的并非要求学生全盘否定所有既定标准。

但如果标准本身从未被深入探讨，学生就只能学会如何去迎合标准，而难以意识到标准本身也可以被审视、被比较、被质疑。

在人工智能辅助的课堂中，学生提出“它为何这样评价”会相对容易。

因为人工智能并非眼前这位有血有肉的老师。 它没有表情，也没有情绪。 学生对其提出质疑，心理负担会相对较轻。

然而，真正的挑战存在于传统课堂之中。

当老师指出：

“这篇作文的中心论点不够突出。”

学生是否敢于追问：

“您所说的‘中心突出’，具体是依据什么标准来判断的？”

当老师表示：

“这个回答不够准确。”

学生是否能够追问：

“它在哪些方面不够准确？是否存在部分是成立的？”

当教材或参考答案写道：

“这首诗表达了作者内心的孤独与忧愁。”

学生是否能够追问：

“这一解释的依据是什么？是否存在其他可能的解读方式？”

这才是批判性素养在学校教育中真正面临的困难，也是其意义所在。

它旨在让学生明白：知识并非仅仅是需要被动接受的对象，评价也并非仅仅是需要被动服从的指令。

任何一条评语、一种解释、一个标准答案、一项知识，都可以被拿出来进行审视。

它为何如此表达？它的依据是什么？它遗漏了什么？它是否存在其他的可能性？

人工智能只是将一个古老的问题重新摆在了我们面前：

在学校教育环境中，学生是否有机会对知识进行追问？是否有机会对评价进行质疑？是否有机会对那些看似不容置疑的标准进行审视？

如果答案以及知识的传递始终是单向的，仅从教师、教材、参考答案或人工智能流向学生，那么学习极易沦为一种被动的接受过程。

真正的学习，恰恰应该在答案呈现之后才真正开始。

因为学校教育的根本目标，并非培养能够更快接受答案的人。

而是培养那些在面对答案时，仍能保持独立判断能力的人。

是在既定标准面前，仍能坚持追问的人。

是在面对看似权威的声音时，仍能保持审慎思考，而非急于认同的人。