学生交来一份排版整齐、表达流畅的作品，教师第一反应却变成了：“这到底是不是他自己写的？”大模型进入作业以后，评价很容易被带到一个死胡同——花大量时间猜测 AI 参与了多少，却没有回答更重要的问题：学生在这次任务里究竟学会了什么。

只看结果不够，只看过程也不现实。成品仍然要接受质量检查，但教师还需要几份能够说明思考、选择和修改的过程证据。评价的重点不应是寻找“纯人工”的痕迹，而应是判断学生有没有完成课程要求中本该由自己承担的学习动作。

先别急着判断“是不是 AI 写的”

单靠语气、用词和句式猜测文本来源，既不稳定，也容易误伤。学生可能因为模仿范文写得规整，大模型也可能在多轮修改后带上学生自己的表达。所谓 AI 检测结果更不能直接当作学业评价依据：它只能给出某种概率判断，无法还原学生如何完成任务。

教师真正需要知道的，不是某一段文字有没有经过模型，而是几个更具体的问题：学生能否说清任务目标？有没有提供自己的材料？面对模型给出的错误或空话，他做了什么判断？最终留下的内容，能否用自己的话解释？

这些问题一旦提前写进作业要求，评价就不必依赖事后侦查。学生知道要保留哪些证据，教师也知道应该检查什么。

作业发布时，先说清 AI 可以做到哪一步

“可以使用 AI”是一句过于含糊的要求。有人会把它理解成查词和润色，有人会直接让模型生成完整成品。更可行的做法，是在每次任务开始前明确一种使用方式。

第一类是不使用。例如检查基础概念、现场观察或个人独立表达时，学生应在课堂内完成，不借助生成式工具。第二类是可以使用。学生可以请模型提供思路、反馈或语言修改，但必须注明使用环节，并对事实和最终表达负责。第三类是要求使用。任务本身就是学习如何提问、比较输出、核验和改写，学生需要提交人机协作过程。

同一门课里，这三类任务可以同时存在。边界写清楚以后，学生违反的是明确规则，而不是教师事后才宣布的标准。

结果要看，但不再只看“像不像好作品”

有了大模型，结果评价反而要更贴近任务本身。信息科技课制作一张数据图表，就检查数据是否准确、图表类型是否合适、标注是否清楚；人工智能课比较两个模型回答，就检查比较维度是否合理、判断有没有证据。文字是否华丽、页面是否精美，只能占有限分值。

结果评价还要区分“工具替学生完成的表面质量”和“学生真正作出的决定”。模型生成了一张漂亮海报，并不等于学生理解了信息层级；模型写出一段完整说明，也不等于学生核实了事实。教师可以要求学生在成品旁标出一两个关键决定：为什么删掉某段内容，为什么选这张图，为什么修改一个数据。

这样的标注不会削弱结果评价，反而让成品与学习目标重新连在一起。

过程证据不用多，关键是能回答问题

如果要求学生提交完整聊天记录，教师很快会被几十页截图淹没。过程评价不是材料越多越好，而是留下少量、能够证明关键学习动作的证据。一份普通的 AI 辅助作业，可以保留下面五项：

1. 任务开始前的一份想法、提纲、观察记录或独立尝试；

2. 一条真正影响结果的提示词，以及学生为什么这样写；

3. 一处模型回答中不准确、没用或需要补证据的内容；

4. 初稿到终稿之间的一项重要修改；

5. 一句 AI 使用说明，写清模型参与了哪个环节。

这五项可以放进一张学习单，也可以嵌入作品提交页面。它们不能证明每一个字由谁输入，却足以帮助教师判断学生是否观察、思考、核验和修改。

一张量规，同时放下结果和过程

评价表不需要为“AI 含量”单独设置分数。可以把课程真正看重的能力拆成四个维度，每个维度同时看作品和证据。下面这张表适合项目作业，也可以按学段删减。

分值可以根据任务调整。例如人工智能课可以提高“核验”和“规范使用”的比重；信息科技课完成程序或数字作品，则可以提高功能正确性和问题解决的比重。关键是先确定本次作业要观察哪种能力，再决定证据和分值。

一分钟说明，往往比检测报告更有用

对重点作品，教师可以安排很短的口头说明，不必让每名学生重新答辩一遍。随机问一个与作品紧密相关的问题：“你改动最大的是哪里？”“这条信息怎么确认的？”“如果不能用 AI，哪一步你仍然会这样做？”

真正参与过任务的学生通常能结合草稿和成品说明具体决定。即使表达不够完整，也能指出当时的困难和修改。相反，如果学生只能复述成品中的句子，无法解释资料来源和选择理由，教师就有依据要求补做、重做或进一步核查。

这种说明不是审讯，而是评价的一部分。问题要围绕学习目标，给学生查看自己的过程材料，也允许他承认某一步依赖了工具。目的不是抓住谁，而是确认哪些能力已经形成、哪些还需要补上。

例如，学生提交了一份“校园节水建议”。教师可以请他指出建议中哪一条来自现场观察，哪一条是在模型提示后补充的，以及为什么删掉某个看似专业的数字。学生若能拿出水龙头记录、解释数字没有可靠出处并说明修改，已经展示了信息核验和责任意识。即使最后的文字不够漂亮，这些证据也应该得到肯定。反过来，成品语言成熟却说不出校园里观察过什么，就需要补充调查，而不是仅凭文风扣一个“疑似 AI”的帽子。

别让过程评价变成新的材料负担

如果每份作业都要求保存完整版本、逐句标注、录制操作视频，学生和教师都会疲于留痕。过程证据应当随任务复杂度变化。一次十分钟的课堂练习，保留一个修改前后对照就够了；持续两周的项目，才需要阶段检查、资料清单和小组分工记录。

教师也不必逐项审阅所有证据。可以先看成品和一页证据卡，对异常、优秀或抽样作品再查看详细记录；在课堂中设置两个检查点，及时看学生的原始材料和中间版本；让同伴互相指出一条可靠证据和一处待核实信息。这样既留下过程，又不会把教学时间都用在收材料上。

如果学校使用统一的作业平台，还可以把五项证据做成固定字段，但不要让系统自动用一次分数代替教师判断。平台适合提醒学生是否提交、帮助教师并排查看版本；作品是否反映了本节课的学习目标，仍要回到任务、证据和学生说明中判断。

真正要评价的是学生有没有掌舵

使用大模型并不自动降低作业价值，禁止大模型也不自动保证独立思考。关键在于任务中哪些决定必须由学生作出，以及教师能否看见这些决定。

教育部关于基础教育课程教学改革的文件提出加强过程性、实践性和发展性评价，发挥评价的诊断与改进作用；相关过程性评价研究也强调在真实场景中采集表现证据，并结合成长记录、实践作品、观察和访谈。联合国教科文组织的生成式人工智能教育指南则把以人为本、年龄适切和人的能动性放在重要位置。这些要求落到作业上，并不是多收几张截图，而是让评价重新看见学生的判断和成长。

所以，“看结果还是看过程”并不是一道二选一。结果告诉我们任务有没有完成，过程解释学生怎样完成、学会了什么。两者放在一起，教师才有可能分辨一份漂亮作品背后的真实学习。

参考资料

• 教育部：《基础教育课程教学改革深化行动方案》

• 教育部：指向五育并举的中小学过程性评价

• UNESCO：Guidance for generative AI in education and research