生成式 AI 进入课堂后，讨论很容易停留在“学生会不会偷懒”这一层面。更值得研究的问题是：当 ChatGPT 与批判性思维训练同时出现时，学生能否写出更好的答案，提出更有原创性的观点，并把 AI 生成内容转化为自己的判断？一项针对 1,000 多名学生的随机研究，正是围绕 ChatGPT、批判性思维、原创性以及真实大学作业中的表现展开。
从“会不会用”转向“如何思考”
ChatGPT 可以快速提供解释、结构和初稿，但它并不自动保证答案可靠、独特或适合具体任务。学生面对真实作业时，仍然需要完成几项关键工作：
- 明确作业真正要求解决的问题，而不是直接复制一个看似完整的回答。
- 检查论据、事实和推理链条是否成立。
- 比较多个可能解释，识别答案中的假设与遗漏。
- 根据自己的课程材料、经验和立场重新组织内容。
- 判断哪些内容可以采用，哪些内容必须修改或舍弃。
这也是批判性思维训练的价值所在。它不是给学生增加一道与 AI 对抗的门槛，而是帮助学生把 ChatGPT 从“代写工具”变成“思考对象”和“反馈来源”。
随机研究为什么值得关注
这项研究的特点不只是样本超过 1,000 人，还在于它把观察场景放到了真实的大学作业中。与只测试问答准确率的实验相比，真实作业更能暴露几个实际问题：
- 学生是否能把 AI 输出转化为符合任务要求的作品。
- ChatGPT 的帮助是否改善了最终表现，而不只是缩短完成时间。
- 批判性思维训练是否影响学生评估、修改和延伸 AI 输出的方式。
- 最终答案是否保留了学生自身的判断与原创性。
需要注意的是，研究摘要说明了研究关注的变量和设计，但没有提供足够细节来支持“ChatGPT 一定提升成绩”或“批判性思维训练一定提高原创性”这样的确定结论。阅读此类研究时，应区分“研究正在检验什么”和“研究已经证明什么”。
一个可操作的课堂工作流
可以这样实践：把 ChatGPT 放在“提出候选方案”和“制造反例”的位置，把最终判断留给学生。下面的 Python 示例是一个简化的作业自评工具，假设教师要求学生从四个维度检查 AI 辅助后的初稿：论点、证据、反例和原创贡献。
运行前只需要安装 Python 3；将示例中的分数替换为学生自己的评估结果即可。
from dataclasses import dataclass
@dataclass
class DraftReview:
argument: int
evidence: int
counterargument: int
originality: int
def total(self) -> int:
scores = [
self.argument,
self.evidence,
self.counterargument,
self.originality,
]
if any(score < 0 or score > 5 for score in scores):
raise ValueError("每项分数必须在 0 到 5 之间")
return sum(scores)
def advice(self) -> list[str]:
checks = {
"论点": self.argument,
"证据": self.evidence,
"反例": self.counterargument,
"原创性": self.originality,
}
return [
f"补强{item}：回到课程材料，补充依据或明确推理。"
for item, score in checks.items()
if score < 3
]
review = DraftReview(
argument=4,
evidence=2,
counterargument=3,
originality=2,
)
print(f"总分：{review.total()}/20")
for item in review.advice():
print(f"- {item}")
这个工具并不能判断文章是否真的优秀，也不是上述研究的官方测量方法。它的用途是把“我觉得这篇文章还不错”拆成可讨论的判断：证据是否足够，反例是否被处理，文本中哪些部分体现了学生自己的观察。课堂上还可以要求学生保留三份材料：首次向 ChatGPT 提出的问题、AI 返回的关键内容，以及自己修改后的版本。这样能让思考过程变得可追踪。
对学生、教师和学校的启示
对学生来说，最稳妥的策略不是拒绝使用 ChatGPT，也不是全盘接受它，而是把每次输出当作一个待验证的候选答案。特别是涉及事实、引用和专业结论时，必须回到原始资料检查。
对教师来说，作业设计可以减少只要求“写一篇完整文章”的任务，增加过程性要求，例如提交问题拆解、证据表、反例分析和修改说明。这样的设计更容易观察学生是否真正理解了内容。
对学校来说，评价标准需要同时关注结果与过程。仅凭最终文本，很难判断一篇文章的原创性、思考深度和 AI 使用方式。明确允许的 AI 用法、要求披露使用过程，并训练学生验证输出，通常比简单禁止更接近真实学习环境。
使用前检查清单
- 我能用自己的话说明任务要解决的问题吗？
- ChatGPT 的回答是否提供了可核查的依据？
- 我是否主动寻找过反例、限制条件或相反观点？
- 最终文本中哪些判断来自我的分析，而不是直接改写 AI 输出？
- 我能否解释每一个关键结论是如何得出的？
ChatGPT 的教育价值，最终不取决于它能生成多少文字，而取决于学生是否有能力审查、修正和超越这些文字。随机研究把这个问题带进了真实大学作业，也提醒教育者：真正需要训练的不是“如何得到答案”，而是“如何判断一个答案是否值得相信，以及如何把它变成自己的工作”。