如今，AI不再只是專業(yè)的研究工具，它已成為大學(xué)生日常學(xué)習(xí)的好幫手。

隨著AI越來越深入地融入教育環(huán)境，需要思考一系列關(guān)于學(xué)習(xí)、評(píng)估和技能培養(yǎng)的重要問題。

目前，大多數(shù)相關(guān)討論都基于調(diào)查和對(duì)照實(shí)驗(yàn)，卻缺乏學(xué)生在真實(shí)學(xué)習(xí)場景中自然融入AI的直接證據(jù)。

為了填補(bǔ)這一空白，Anthropic開展了一項(xiàng)針對(duì)高等教育中AI實(shí)際使用的大規(guī)模研究，分析了Claude.ai平臺(tái)上100萬條匿名學(xué)生對(duì)話記錄。

報(bào)告的主要發(fā)現(xiàn)如下：

• 理工科學(xué)生是Claude等AI工具的早期使用者，其中計(jì)算機(jī)專業(yè)尤為突出。計(jì)算機(jī)專業(yè)僅占美國學(xué)位的5.4%，但在Claude.ai的對(duì)話中，占比卻高達(dá)36.8%。相比之下，商科、健康科學(xué)和人文學(xué)科的學(xué)生，Claude的使用率相對(duì)較低。
• 總結(jié)了學(xué)生與AI交互的四種模式，每種模式在數(shù)據(jù)中的占比大致相同（各占對(duì)話總數(shù)的23-29%），分別是直接解決問題、直接生成內(nèi)容、協(xié)作解決問題和協(xié)作生成內(nèi)容。
• 學(xué)生使用AI主要是為了創(chuàng)造新知識(shí)和進(jìn)行分析，如創(chuàng)建編程項(xiàng)目或分析法律概念。這與布魯姆分類法中的高階認(rèn)知功能相契合。不過，這也引發(fā)了人們的擔(dān)憂：如何防止學(xué)生過度依賴AI，而放棄自身關(guān)鍵認(rèn)知能力的鍛煉？

教育領(lǐng)域的AI使用情況

研究人們?nèi)绾问褂肁I模型時(shí)，保護(hù)用戶隱私是重中之重。

Claude Insights and Observations（簡稱Clio）是一款自動(dòng)分析工具，能幫助了解人們使用Claude的具體情況。

Clio能深入挖掘用戶與Claude的對(duì)話內(nèi)容，將其提煉成諸如「調(diào)試代碼」「解釋經(jīng)濟(jì)概念」等高層次的總結(jié)，從而發(fā)現(xiàn)AI的使用模式。

研究中，Clio分析了來自Claude.ai免費(fèi)和專業(yè)賬戶約100萬條匿名對(duì)話。

然后，進(jìn)一步篩選出與學(xué)生學(xué)業(yè)緊密相關(guān)的對(duì)話，如課程作業(yè)、學(xué)術(shù)研究，最終得到574,740條有效對(duì)話。

接著，Clio對(duì)這些對(duì)話進(jìn)行分類匯總，從不同角度得出有價(jià)值的見解，包括不同學(xué)科在對(duì)話中的占比、學(xué)生與AI交互方式的差異，以及學(xué)生交給AI完成的任務(wù)類型等。

學(xué)生用AI做什么？

研究發(fā)現(xiàn)，學(xué)生使用Claude的主要目的，是跨學(xué)科地創(chuàng)建和優(yōu)化教育內(nèi)容，這類對(duì)話占比達(dá)到39.3%。

具體為設(shè)計(jì)練習(xí)題、潤色論文、總結(jié)學(xué)術(shù)資料等。

33.5%的對(duì)話是讓Claude為作業(yè)提供技術(shù)解答，如幫學(xué)生調(diào)試代碼、修復(fù)編程錯(cuò)誤、實(shí)現(xiàn)算法和數(shù)據(jù)結(jié)構(gòu)，或解答數(shù)學(xué)難題。

其中部分行為可能存在作弊嫌疑，后面會(huì)詳細(xì)討論。

另外，還有一部分學(xué)生用來分析和可視化數(shù)據(jù)（11.0%）、輔助研究設(shè)計(jì)和工具開發(fā)（6.5%）、繪制技術(shù)圖表（3.2%），以及進(jìn)行翻譯和校對(duì)（2.4%）。

下圖是各學(xué)科常見請(qǐng)求的詳細(xì)分類。

各學(xué)科使用AI的情況

通過對(duì)比Claude.ai的使用模式和美國各學(xué)科頒發(fā)學(xué)士學(xué)位的數(shù)量，發(fā)現(xiàn)計(jì)算機(jī)專業(yè)使用Claude的比例極高。

雖然計(jì)算機(jī)專業(yè)在學(xué)士學(xué)位中僅占5.4%，但在Claude.ai的對(duì)話中卻占了38.6%。這可能是因?yàn)镃laude在編程方面的獨(dú)特優(yōu)勢(shì)。

自然科學(xué)和數(shù)學(xué)專業(yè)Claude.ai的使用占比，也高于這兩個(gè)專業(yè)的學(xué)生人數(shù)的占比（分別為15.2%和9.2%）。

理工科學(xué)生，特別是計(jì)算機(jī)專業(yè)的學(xué)生，可能更早地將Claude用于學(xué)習(xí)。

這可能是因?yàn)橛?jì)算機(jī)學(xué)生對(duì)Claude更熟悉，同時(shí)AI系統(tǒng)在處理STEM任務(wù)時(shí)，也更出色。

商科相關(guān)的對(duì)話在Claude.ai上僅占8.9%，而商科學(xué)位在美國學(xué)士學(xué)位中占比高達(dá)18.6%，可見Claude在商科領(lǐng)域的使用率較低。

學(xué)生如何與AI互動(dòng)

分析學(xué)生與AI的交互時(shí)，識(shí)別出了四種不同的交互模式，按照兩個(gè)不同維度分類，具體如下圖。

第一個(gè)維度是「交互模式」，包括：

（1）直接對(duì)話，指的是用戶期望盡快得到問題的答案，解決自己的疑問。

（2）協(xié)作對(duì)話，即用戶主動(dòng)與模型展開交流，通過對(duì)話來實(shí)現(xiàn)自己的目標(biāo)。

第二個(gè)維度是交互的「期望結(jié)果」，分為：

（1）解決問題，也就是用戶尋求問題的解決辦法或解釋。

（2）生成輸出，意味著用戶想要生成像演示文稿、論文這類較長的內(nèi)容。

這4種交互在對(duì)話中的占比相近（均在23%-29%之間），體現(xiàn)了學(xué)生對(duì)AI的多元應(yīng)用。

傳統(tǒng)的網(wǎng)絡(luò)搜索通常只能提供直接答案，而AI支持更為豐富的交互方式，為教育帶來了新的機(jī)遇。

以下是一些用于學(xué)習(xí)的案例：

• 闡釋哲學(xué)概念與理論，幫助理解其內(nèi)涵。
• 打造全面的化學(xué)學(xué)習(xí)資料，助力化學(xué)知識(shí)的學(xué)習(xí)。
• 為作業(yè)講解肌肉的解剖結(jié)構(gòu)、生理機(jī)能和功能概念。

與此同時(shí)，AI也帶來了新的難題。

一個(gè)備受關(guān)注的問題是：「學(xué)生在多大程度上利用AI作弊？」

這個(gè)問題很難給出確切答案，因?yàn)椴⒉磺宄﨏laude的每一個(gè)回復(fù)在具體學(xué)習(xí)場景中的實(shí)際用途。

比如「直接解決問題」的對(duì)話，既可能是學(xué)生在居家考試中作弊，也可能只是在檢查練習(xí)題答案。

「直接生成成果」的對(duì)話，也許是學(xué)生想直接生成一篇論文，也可能是為進(jìn)一步研究總結(jié)知識(shí)要點(diǎn)。

至于協(xié)作對(duì)話是否屬于作弊，也取決于具體的課程規(guī)定。

實(shí)際上，近一半（約47%）學(xué)生與AI的對(duì)話屬于直接對(duì)話，即參與度較低，只是單純尋求答案或內(nèi)容。

雖然很多對(duì)話是出于合理的學(xué)習(xí)目的（如詢問概念性問題、生成學(xué)習(xí)指南），但還是發(fā)現(xiàn)了一些令人擔(dān)憂的情況：

• 讓AI提供機(jī)器學(xué)習(xí)選擇題的答案。
• 直接獲取英語測試題的答案。
• 借助AI改寫營銷和商業(yè)文本，以躲避抄襲檢測。

這些現(xiàn)象引發(fā)了關(guān)于學(xué)術(shù)誠信、批判性思維能力培養(yǎng)，以及如何有效評(píng)估學(xué)生學(xué)習(xí)效果的思考和討論。

即使是協(xié)作對(duì)話，學(xué)習(xí)成果也可能存在爭議。

比如「求解概率和統(tǒng)計(jì)作業(yè)問題并給出解釋」，雖然涉及學(xué)生與AI的多次交流，但大部分思考過程是由AI完成的。

Anthropic會(huì)持續(xù)關(guān)注這些交互情況，努力甄別哪些真正有助于學(xué)習(xí)和批判性思維的養(yǎng)成。

特定學(xué)科的AI使用模式

不同學(xué)科的學(xué)生與AI的互動(dòng)方式存在差異。

在自然科學(xué)與數(shù)學(xué)領(lǐng)域，學(xué)生的對(duì)話多圍繞解決問題展開，常見的如「通過逐步計(jì)算求解特定概率問題」「為學(xué)術(shù)作業(yè)或考試題目提供詳細(xì)解答」。

計(jì)算機(jī)科學(xué)、工程以及自然科學(xué)與數(shù)學(xué)專業(yè)的學(xué)生，更傾向于選擇協(xié)作對(duì)話。而人文、商業(yè)和健康領(lǐng)域的學(xué)生，在協(xié)作對(duì)話和直接對(duì)話之間的選擇相對(duì)均衡。

教育領(lǐng)域的對(duì)話中，生成輸出的需求最為突出，占比達(dá)到74.4%。不過，這可能是由于篩選方法不夠完善。

這表明，針對(duì)不同學(xué)科制定專門的AI教育策略，或許能取得更好的效果。

學(xué)生交給AI的認(rèn)知任務(wù)

團(tuán)隊(duì)還研究了學(xué)生將哪些認(rèn)知任務(wù)交給AI處理。

研究采用了布魯姆分類法，這是一種在教育領(lǐng)域用于將認(rèn)知過程從簡單到復(fù)雜進(jìn)行分類的框架。

雖然該框架最初是針對(duì)學(xué)生思維設(shè)計(jì)的，對(duì)其進(jìn)行調(diào)整，用來分析Claude與學(xué)生對(duì)話時(shí)的回復(fù)。

研究結(jié)果顯示，Claude主要承擔(dān)高階認(rèn)知功能，創(chuàng)造（39.8%）和分析（30.2%）是最常見的操作。

低階認(rèn)知任務(wù)的占比相對(duì)較低，應(yīng)用（10.9%）、理解（10.0%）和記憶（1.8%）。

生成學(xué)術(shù)文本摘要、撰寫論文反饋等生成任務(wù)，更多涉及創(chuàng)造。而解決微積分問題、解釋編程基礎(chǔ)知識(shí)等任務(wù)，則更多運(yùn)用分析功能。

雖然AI具備這些能力，但這并不意味著學(xué)生不能自己運(yùn)用這些技能。

比如，學(xué)生可以和AI共同完成項(xiàng)目，或者在其他場景中利用AI生成的代碼來分析數(shù)據(jù)集。

不過，這確實(shí)引發(fā)了人們的擔(dān)憂，學(xué)生是否會(huì)過度依賴AI，導(dǎo)致自身認(rèn)知能力發(fā)展受阻。

畢竟，如果基礎(chǔ)技能得不到鍛煉，就如同倒金字塔一樣，難以穩(wěn)固支撐高階思維的發(fā)展。