当老师开始兼职“AI侦探”：ChatGPT 正把大学课堂拖进一场消耗战

课堂没消失，只是悄悄变了味

这篇来自 Ars Technica 的文章，标题很直白，甚至带着一点疲惫后的苦笑：在 ChatGPT 时代教书，就是知道什么叫痛。作者是一位长期教授大学地球科学课程的兼职教师，原本喜欢和学生打交道，哪怕收入不高、岗位也不稳定。但在生成式 AI 普及之后，他对教学的感受，从“有成就感”一路滑向了“多数时候都很痛苦”。

如果你以为这只是某位老师对新技术的保守抱怨，那恐怕低估了问题的复杂度。真正刺痛教师的，不是学生偶尔用一下 AI，而是整套教学逻辑开始松动。尤其在异步在线课程里，老师看不到学生的表情，抓不住课堂节奏，原本就更依赖作业、小测和讨论来判断学生是否真的理解了内容。可现在，这些本来用来“帮助学习”的环节，越来越像是在给大模型做性能测试。

教师过去的工作是讲课、答疑、反馈、鼓励。现在还得加上一项副业：侦查。作业像不像 AI 写的？学生到底是理解了，还是只是把 ChatGPT 的回答换了几个说法？更麻烦的是，这种判断没有像考试夹带小抄那样干脆。大模型生成的内容，正把学术不端从“是或不是”变成一片灰色沼泽。老师不光要怀疑，还要准备证据链，防着学生申诉，防着学校审核，最后把大量时间消耗在一场谁都不体面的拉锯战里。

真正被偷走的，不是答案，而是“费劲”本身

这篇文章里有一个特别形象的比喻：用 LLM 写作业，就像把叉车开进健身房。杠铃是被举起来了，训练却没发生。这个比喻好就好在，它一下子点中了教育里最容易被误解的地方——学生以为“得到正确答案”就是学习，实际上，学习的核心往往是那个磕磕绊绊、费劲巴拉的过程。

教育里有个常被忽略的事实：很多作业不是为了筛选谁聪明，而是为了让人卡壳、犯错、修正、再理解。所谓 formative assessment，也就是形成性评价，本来就是低风险练习。老师并不一定在乎你答对没有，更在乎你思考到了哪一步、哪一个概念还没打通。可一旦学生把这些练习交给 AI，训练本身就被抽空了。

作者举了一个很具体的例子。他让学生思考，如何研究风蚀作用，而不用等几辈子去观察一块巨石被慢慢磨损。这个问题的目标，不是背标准答案，而是让学生自己“撞见”自然实验这个科学方法概念。2019 年到 ChatGPT 出现前，大约三分之一学生能自己想明白；过去两年，答对率升到一半以上。乍一看，教学效果像是变好了，但老师清楚，真正增长的不是独立思考能力，而是大模型的答案扩散率。

这正是今天教育里最尴尬的一幕：数据看起来更漂亮了，学习却可能更空心。学生交上来的东西越来越“像样”，老师却越来越不知道，那份像样究竟来自脑子，还是来自提示词。

教育系统正在被迫“退化”——不是回归本质，而是回到防作弊时代

为了对抗 LLM，不少教师开始回撤到几种相对安全的评估方式：口试、课堂手写、现场监督完成的考试。这些手段不是新发明，某种意义上甚至有点复古。它们确实更难被 AI 代劳，但代价也很明显：成本高、效率低、规模化难，而且会伤害一部分本来就依赖在线教育的学生。

这也是这场 AI 教育风波里最容易被忽略的现实问题。异步在线课程不是“偷懒教学”的代名词，它对残障学生、偏远地区学生、全职工作者、照顾家庭的人都很重要。很多人不是不想进教室，而是现实不允许。如果为了防 AI，把大量课程重新变成必须线下、必须监考、必须口试，那牺牲的不是技术理想，而是教育可及性。

更讽刺的是，许多原本很好的作业形式，正在因为太容易被 AI 模仿而被迫消失。作者提到，他曾让学生为一门自然灾害课程写好莱坞灾难片剧情：其中既要有科学合理的灾害机制，也要有故意夸张、不合理的部分。这种作业其实很妙，既练写作，也逼着学生灵活应用知识，还挺有趣。可现在，大模型十秒钟就能吐出一篇“像那么回事”的东西。哪怕质量不高，老师识别和处理一次 AI 作弊的精力，可能远比批改一篇真作业高得多。结果很现实：这类作业被砍掉了。

这不是教学升级，而是教学收缩。过去大家常说，别出那种在维基百科上抄一抄就能完成的题，要设计更高阶、更开放、更贴近现实的任务。今天的问题是，AI 连“反思题”“开放题”“结合个人经历谈理解”都能一本正经地胡说八道，而且比复制粘贴更容易。它不只是让低质量作业泛滥，而是让高质量作业也失去了防线。

管理层在谈“AI素养”，一线教师却先学会了筋疲力尽

文章里最扎心的一段，是作者对高校管理层态度的吐槽。面对教师普遍的无力感，很多学校管理者的回答是：既然 AI 是未来，那老师就该教学生“如何有效使用 AI”。这句话表面上很进步，实际落到课堂里，常常变成一种逃避。

什么叫“有效使用 AI”？现在常见的设计是，让学生先用 AI 生成一篇文章，再去批判它。听起来很现代，但问题是，如果教学目标是让学生明白“不要轻信 AI 的输出”，那为什么要先让 AI 接管原本该由学生完成的思考过程？互联网从来不缺人类写得好的、写得糟的、值得分析的文本，为什么非得让机器先制造一份半成品，再围着它打转？

说到底，技术管理者喜欢的是“接纳趋势”的叙事，教师处理的却是“具体的人”。学生会走捷径，这不新鲜。新鲜的是，这次捷径被包装成了生产力革命、学习助手、未来通行证，还带着一种几乎不可质疑的政治正确：谁反对，谁就落后。可一线教师感受到的，不是解放，而是被架空。学校一边购买机构级大模型服务，一边要求老师维持学术标准，这种拧巴像极了让消防员边灭火边卖打火机。

数据也支持这种挫败感。文章援引的一项针对约 3000 名大学教师的调查显示，85% 的受访者认为 LLM 会削弱学生发展批判性思维的可能性，72% 表示在管理学生使用 LLM 上遭遇困难。这不是个别人的情绪，而是正在扩散的系统性疲劳。

这场争议真正重要的地方，不是“该不该用 AI”，而是教育还剩下什么

关于 AI 进入教育，公众讨论常常陷入两个极端：要么把它吹成私人家教，要么把它骂成作弊神器。现实比这复杂得多。AI 当然可以帮老师备课、帮学生梳理知识点、帮非母语写作者改善表达，甚至在某些结构化任务上提供很实用的辅助。问题不在“能不能用”，而在“由谁主导、在什么环节用、替代了什么”。

如果 AI 帮学生整理参考文献，但论文的论证、取舍和写作仍由学生完成，那它像计算器，是工具；如果 AI 直接代替了阅读、思考、组织与表达，它就不再是工具，而是代打。教育最怕的，不是机器比人快，而是学生越来越习惯把最能锻炼自己的那部分外包出去。

文章最后写了一个小细节，很有冲击力。作者听到几名大学生聊天，其中一人抱怨晚上要做作业，另一人很诧异地问：你为什么不直接让 ChatGPT 做？前者回答说，这门课是我的专业课，我真的得学东西；AI 是给其他课用的。你看，学生并不傻，他们知道自己有没有学到东西。某种意义上，这比任何教师控诉都更诚实。AI 在不少学生眼里，不是什么智慧导师，而是 workload management——工作量管理工具。

这才是今天最该警惕的信号。不是学生被骗了，而是他们清醒地选择：哪些知识值得自己爬山，哪些课可以坐缆车混过去。可问题来了，如果越来越多课程都被视为“可以混”，大学教育最后会不会只剩下学分统计和文凭包装？当学习的摩擦力被技术一层层磨平，所谓效率提升，很可能只是把成长里最必要的阻力给一起抹掉了。

生成式 AI 当然不会退出校园，它已经来了，还会继续渗透。但教育界真正需要的，恐怕不是一套更漂亮的宣传口号，而是更诚实地承认：有些事情，机器做得越轻松，人就越学不会。这个矛盾如果不正视，课堂接下来失去的，就不只是作业的真实性，而是老师和学生对“学习”这件事本身的信心。"