三十份作文、四个班的程序作品、上百张学习单，教师很容易产生一个直接的想法：把作业交给 AI，让它批完并写评语。真正危险的不是模型偶尔看错一题，而是它把“看到了什么”“怎样理解”“最后怎么评价”一次完成，教师只剩下一列看似整齐的分数。

批量处理作业时，AI 最适合先做整理员：统一文件、提取可核对的证据、标出缺失和异常、归纳共性问题。评价与反馈应建立在这些证据上，由教师完成规则解释、边界判断和最终确认。这样既能减少重复劳动，也不会把专业判断藏进黑箱。

先把三个动作拆开：提取、解释、决定

提取是从作品中找出可观察内容，例如是否提交源文件、是否有两组对比数据、程序能否运行、结论是否引用了材料。解释是判断这些内容说明了什么，例如学生可能不理解变量，还是只漏传文件。决定则是给等级、写反馈或安排补做。

AI 在第一步通常效率最高。它可以按固定字段扫描大量文件，并把证据位置一并记录。第二步需要结合任务设计、学生年龄和课堂经历，模型只能提出可能解释。第三步会直接影响学生，必须由教师承担最终责任。

如果一条指令同时要求“检查全部作业、判断掌握情况、给分并写个性化评语”，三种动作就混在一起。改成分阶段任务，任何错误都更容易发现和追溯。

批量开始前，先固定任务要求和证据字段

不要让 AI 读完作业以后自己猜“什么算好”。教师先提供原始任务单、评分规则、课堂上实际讲过的要求和允许使用的工具。如果评分规则还不清楚，应先把规则补齐，而不是让模型从优秀样例反推。

证据字段要写成能观察的项目。信息科技作品可以包括：文件是否能打开、主要功能是否运行、是否保留关键操作过程、测试记录是否完整、作品说明能否指出一次修改。作文可以记录：题目要求是否回应、关键事实是否有来源、段落结构、修改痕迹和需要教师判断的表达。

每个字段还要约定三种状态：已找到、未找到、无法确认。没有看到证据不等于学生一定没做；文件损坏、图片模糊或命名错误，都应进入“无法确认”，留给教师处理。

先做副本和匿名化，再交给工具

原始作业不直接批量改名、转换或覆盖。先保留只读备份，再建立处理副本。为每份作品生成内部编号，把姓名、班级、学号、联系方式和照片等非评价所必需的信息移出工作文件。编号与学生身份的对应表单独保存，不交给模型。

文件格式也要统一。把无法读取的文件列成异常清单，不要静默跳过；图片作业记录页数和清晰度；程序作品保留原目录结构，不随意删除依赖文件。批量任务开始前先用三到五份样本跑一遍，确认字段和输出格式没有偏差。

如果使用云端服务，还要先确认学校数据规则和产品的数据处理方式。涉及未成年人作品时，能在校内环境处理的就优先在校内处理；无法匿名化的材料不要因为“只用于批改”就默认可以上传。

让 AI 只输出“证据矩阵”

证据矩阵一行对应一份作业，一列对应一个观察字段。每个结论后面附证据位置：文档页码、段落开头、文件路径、程序运行结果或截图编号。找不到就写“未找到”，不能补写学生可能想表达的内容。

例如，程序作品的“测试记录”一列，不是只写“较完整”，而是写“在说明文档第二页发现三组输入与输出；未说明异常情况”。作文的“事实依据”一列可以写“第二段引用校园用水数据，但未标明来源”。这些句子教师能够回到原作业核对。

矩阵还应有“工具置信度”和“需人工查看原因”两列。低清图片、混合手写、代码无法运行、多个文件对应不上、同一句话可能有两种理解，都自动进入人工队列。

先看异常，再看共性，不急着逐份打分

批量结果出来后，第一轮复核先处理异常：文件打不开、证据冲突、工具置信度低、可能涉及抄袭或不当内容的作品。高风险结论不能由 AI 自动下定论，更不能直接通知学生。

第二轮看全班共性。把证据矩阵按字段统计，找出哪些要求大多数学生完成，哪些环节集中缺失。例如，程序能运行但测试记录普遍不足，说明下一课可能要补“怎样证明程序可靠”，而不是给三十名学生重复写同一句评语。

第三轮才进入个体评价。教师可以按高、中、低和不确定四组各抽样若干份，检查 AI 提取是否稳定。如果某一字段误判明显，应修正规则并重新处理整批，而不是手工修几个单元格后继续相信剩余结果。

一张流程表规定 AI 到哪里停手

这张表应写进批量处理说明。AI 到“评价建议”必须停下来，任何分数、等级、评语和补做通知都先进入草稿，不直接写回成绩系统，也不自动发送给学生或家长。

评语要引用证据，也要保留教师语境

AI 可以根据已确认的证据生成反馈草稿，但每条反馈至少包含三部分：作品中已经做到的具体内容、需要改进的一个重点、下一步可以执行的动作。避免“很有创意”“继续努力”这类无法指导修改的句子。

同一证据在不同学生身上可能需要不同语气。初次尝试失败和反复忽略要求不是一回事；课堂上因设备故障没有保存，也不能等同于没有完成。教师掌握这些背景，应在发布前修改措辞和要求。

反馈也不宜暴露模型推断。不要写“AI 判断你缺乏逻辑能力”，应回到作品：“第三步没有记录测试结果，读者无法确认程序在不同输入下是否有效。请补两组测试并写出发现。”

保存审计线索，不保存一座新的隐私仓库

一次批量处理至少保留任务规则版本、所用证据字段、处理日期、工具与模型、人工抽样结果、最终修改人。以后学生提出疑问，教师能说明评价依据和修改过程。

但不必无限保存模型看到的全部文件和中间对话。处理结束后，按学校规则删除临时副本、上传缓存和无用日志；编号对应表与评价结果分开管理。工具账号、操作日志和作业数据也不要混在教师个人网盘中。

联合国教科文组织的教师 AI 能力框架强调以人为中心、伦理与教师能动性；OECD 2026 年数字教育展望也指出，生成式 AI 可以辅助评价，但教学相关性、真实性、公平性和目标一致性仍需要人工复核。落实到一线工作，就是让 AI 先把证据摆整齐，让教师更快看见问题，而不是让模型替教师决定学生得到了什么评价。

参考资料

• UNESCO：AI competency framework for teachers

• UNESCO：Guidance for generative AI in education and research

• OECD Digital Education Outlook 2026

• 教育部：用好人工智能这把“钥匙”