面向K12领域的人工智能教学报告

K-12领域报告 基于《罗切斯特挑衅》 技术变革并非简单的叠加，而是生态式的。 —— 尼尔·波兹曼 致谢 项目团队与专家小组 “TeachingAbout.AI”项目得以实现，得益于谷歌的资助，以及下方教育工作者、研究人员和从业者的慷慨时间、专业知识和坦诚交流。 项目团队 克里斯托弗·哈里斯博士（Ed.D.）—— 乔治恩斯河谷BOCES图书馆/数字学习服务总监 安德鲁·奥斯汀 — 图书馆技术专家，杰尼苏谷BOCES安德莉亚·费特利 — 图书馆技术专家，杰尼苏谷BOCES朱莉·亨根尼乌斯 — 图书馆技术专家，杰尼苏谷BOCES邦尼·柯克兰 — 图书馆技术专家，杰尼苏谷BOCES梅丽莎·斯威恩 — 学校图书馆系统项目助理，杰尼苏谷BOCES 专家小组 艾琳·安德森 — 埃里1BOCES/WNYRIC，学校图书馆系统及图书馆自动化主管瑞秋·艾金斯 — 指导技术主管，圣劳伦斯-刘易斯BOCES恩里克·卡查费罗 — 兼职教授，北卡罗来纳州阿巴拉契亚州立大学琳赛·塞拉里 — 中学图书馆员，鲍德温维尔学区学校托马斯·科尔宾 — 研究员，CRADLE，澳大利亚维多利亚州迪肯大学特里·艾希霍兹 — 指导设计师，马克·库班基金会AI训练营托比·格林沃特 — 校长，飞轮策略公司杰森·格里菲 — 执行董事，开放科学硬件基金会托马斯·R·古斯凯 — 教授（荣休），肯塔基大学教育学院梅丽莎·雅各布斯 — 图书馆服务总监，纽约市学校图书馆系统安吉拉·梅塞杰 — 数学教育推广助理总监，罗切斯特大学大卫·C·佩蒂 — 教育项目经理，App Inventor基金会辛西娅·桑德勒 — 图书媒体专家，诺瑟姆中学/高中帕特里克·B·惠普尔 — 专业学习服务总监，杰内瑟谷BOCES钱阳 — 助理教授，计算与信息科学，康奈尔大学 纽约州吉尼斯谷BOCES（Genesee Valley BOCES）的学校图书馆系统（SLS）成立于1985年，依据专员条例设立，是一项由州政府资助的旨在改善该地区22个学区和非公立学校图书馆的项目。通过尖端的网络开发、专业支持以及资源共享工具的促进，SLS为图书馆和教室提供关键任务支持。我们的项目已被全国认可为下一代图书馆服务的典范。 引言 教育生态视角下的AI 如果我们把一滴红染料滴入一个装着清水烧杯中，会发生什么？是我们得到了清水加上一个红染料斑点吗？显然不是。我们得到了每一滴水分子的全新着色。这就是我所说的生态变化。 —— 尼尔·波兹曼，1998年 2025年12月，TeachingAbout.AI项目在纽约罗切斯特召集了一组学校图书馆员、课堂教师、教学领导者、大学研究人员和教学技术专家。其目的并非起草另一份人工智能政策、审核另一款产品或确定另一套可接受使用规则。其目标更为艰巨：阐明K-12教育工作者在开展任何上述工作之前，实际上需要提出的问题。在四天的时间里，该小组将其思考提炼为八条刻意令人不适的声明，并以《罗切斯特启示录》（Rochester Provocations）为名发布。这些并非解决方案。它们是诚实的解决方案得以成为可能的条件。 我们的指导理念借鉴自尼尔·波斯特曼1998年的演讲《关于技术变革的五件事》（Postman, 1998）。波斯特曼认为，一项新技术并非简单地被添加到现有环境中；它会对环境产生生态式改变。在一杯清水中滴入一滴红墨水，你不会得到清水加墨水，而是得到一杯红色的水。印刷术并没有带来“欧洲加书籍”的结果。电视的普及也不仅仅是“美国加屏幕”。同样，生成式人工智能并没有留下我们旧有的教育体系加一个聊天机器人。它正在改变所有互动——教师与学生的互动、学生与文本的互动、学校与社区的互动——而这些改变都无法被孤立、遏制或逆转。 这一生态框架与大多数学校对待人工智能的方式相悖。各学区正在成立人工智能委员会、评估人工智能产品、制定人工智能政策。这项工作很有价值，但它都建立在…… 认为人工智能是一个可以通过加法方式解决的问题的假设。但这次会议得出了不同的结论。人工智能在学校中引发的最深层问题——作弊、评估的有效性、教师的作用、家庭作业的目的、教师学习的条件——并非由人工智能引起的新问题。它们是旧问题，是人工智能让它们变得无法忽视的问题。人工智能是催化剂，而非根源。 无论什么能够显现，终将显现。无论什么能够被发明，终将被发明，用于善与恶。——罗杰罗-ﻭﻥ罗森，阿利斯·森基金会 本报告旨在面向那些将决定人工智能整合成败的关键人物：课堂教师、学校图书馆员、校区校长，以及负责制定相关条件的课程主管和教学助理总监。在学校图书馆员在这一工作中扮演着独特角色。通过LibraryReady.AI学前至12年级的课程范围与顺序（Harris，2024），他们已成为大多数学区最接近人工智能精通型教学领导的角色。学校图书馆员跨越不同年级进行教学，负责信息策展，示范评估与伦理实践，并构建与公共图书馆和高等教育之间的合作，这些合作是下一阶段工作所必需的。他们应当成为每个学区人工智能讨论的核心，而非被动等待被邀请。 接下来的每一章都选取一个议题，总结召集的讨论内容，将这些对话置于同行评审的研究之中，并提出具体的建议行动。全文中穿插的提示框说明了这项工作如何通过与公共图书馆和高等教育机构的合作得以扩展。 为牢固确立阅读本报告所需的共同理念，我们必须明确指出，我们正面临教育领域中的“ wickedproblem”（棘手问题）。棘手问题没有绝对的对错之分，只有好坏之别，而所谓“好”的解决方案会随着我们的认知深化而不断演变（Rittel & Webber, 1973）。接下来，我们诚挚邀请大家共同参与这一学习过程。 罗切斯特挑衅 1.没有AI问题。教育本身就是一个棘手的问题；假设存在AI教育问题，会让我们误以为存在AI解决方案。 挑衅1 没有人工智能问题 教育本身就是一个棘手的问题；假设存在教育中的AI问题，就可能导致我们认为存在AI解决方案。 自召集 第一次挑衅几乎就是最后一次。参与者一直抵制它，直到将其重新定义为一次机遇而非终结性论点。他们的担忧很熟悉：如果将工作定义为解决“AI在教育中的应用”问题，各学区就会寻找AI产品，供应商也会蜂拥而至销售，而三年后我们将耗费大量资金，却几乎未改变孩子们（的现状）。 学习。该小组指出，近期国家在学生手机使用方面的经验是一个警示案例。禁止手机使用是一种可以辩护的短期措施，但它使得潜在问题——具有成瘾性的产品设计、算法信息流的操纵、对青少年注意力的商业攫取——在很大程度上仍未得到解决。在关于该主题的22项研究综述中，Campbell等人（2024）发现“几乎没有或没有确凿的证据表明，学校中‘一刀切’的手机禁令 “人工智能是催化剂。所以我们会有一些感觉与人工智能脱节的事物，因为人工智能正照亮它们。” -帕特里克·惠普尔，杰内西谷BOCES 由此带来了学业表现、心理健康和福祉的改善，以及网络欺凌的减少。” 通过购买检测器或其他解决方案工具来解决人工智能问题，其风险类似于通过购买信号屏蔽袋来快速解决手机问题。这两种应对方式都将购买决策替代了教学决策。 托马斯·科尔宾（迪肯大学）在会议期间以“棘手问题”的概念引导讨论，其理论依据源于Rittel和Webber（1973）的研究，并结合了他近期与评估与数字学习研究中心（CRADLE）同事的合作成果（科尔宾、比尔曼等，2025）。棘手问题无法被解决，只能被重新定义。每一次重新定义都孕育着其潜在解决方案的种子。如果问题是“学生正利用AI作弊”，解决方案将是检测器、受控浏览器和对抗性警惕。但如果问题是“我们不知道学生掌握了什么”，解决方案将截然不同，且更为困难。会议始终围绕一个核心意象：AI如同撬棍，撬动着那些早已存在的石头。 研究显示什么 科宾、比尔曼等人（2025）明确指出，将人工智能与评估视为一个棘手问题，“卸下了教师和机构必须一劳永逸地立即把事情做对的沉重负担”，并将教育者“从实施固定方案转变为参与持续寻求更符合内容敏感性的设计”。波斯特曼（1998）的生态框架深化了这一点。一旦一种新媒介进入系统，系统的每个部分都会被赋予新的色彩，即使媒介从未触及的部分也是如此。这对K-12领导者的启示是，对人工智能的成功回应不能是一个自成一体的AI计划。它必须是一个教学计划，将人工智能严肃地视为其他所有事物的转变背景。 推荐操作 • 将区域规划文件中的“人工智能政策”重新表述为“人工智能环境下的教与学”。这一转变并非表面功夫；它改变了何为相关解决方案，以及谁需要参与其中。 在采用任何人工智能产品之前，请问：我们试图解决的是哪个长期存在的教学问题？如果移除了人工智能功能，我们是否还会想要这个解决方案？ • 应要求学校图书管理员与课程主任合作，审核现有举措（如早期识字、评估、MTSS、专业学习）对人工智能生态影响的审计，而不是启动一个平行的AI工作流程。 • 将寻求“我们是否允许人工智能？”这类是/否答案的对话，替换为针对特定学科和年级中具体教学措施的优/劣解决方案的对话。 合作视角：高等教育 职前教师项目是学区在人工智能方面做出的所有 K-12 相关决策的下游环节。如果一个学区将人工智能视为一个纪律问题，那么为其培养下一代教师的师范院校也会以同样的方式来看待它。课程主任应考虑与区域师范院校联合举办会议，以就复杂问题的框架达成一致，与研究人员分享 K-12 课堂证据，并塑造当今正在培养的教师明天进入课堂时将如何思考人工智能。 挑衅2 我们可以成为有效性的推动者，或成为欺骗的受害者 我们无法控制作弊，过分关注作弊会导致与学生形成对抗关系；我们能够发挥作用的是，通过更有意义的教学任务来引导学生，从而帮助学生形成对学习的准确理解。 自召集 没有哪个话题比作弊更频繁地回到讨论桌上，也没有哪个话题更难留在那里。每一次关于作弊的讨论，最终都转变成了关于评估以及有效评估特征的讨论。会议组织者最终接受了这一点，并将其作为一个特点：词语“作弊”指的是教师无法控制的学生行为，而词语“ 如果我们将其视为一个作弊问题，那就是一个学生的问题。它就不再是我们的问题了。”——托马斯·科尔宾，摇篮 “有效性”赋予了教师作为评估创造者的控制权。选择哪个词作为开头，决定了谁掌握主导权。正如一位参与者所说，当教育者将人工智能视为作弊时，他们就已经将自己置于自己学生的对立面。他们将评估的诚信责任置于他们毫无影响力的地方。 几个实践者的故事为讨论提供了基础。一位中学图书馆员描述了一名学生提交了一份AI生成的基于论点-证据-推理的科学论证。老师的回应是修复性的而非惩罚性的：一次结构化的对话、一次重做以获得全额分数的机会，以及一次后续跟进，要求学生阐述作业实际上试图衡量的是什么。 数学教育工作者回忆起 Photomath 在2014年的崛起，以及人们逐渐认识到，答案并非在于检测 Photomath 的使用，而在于改变评分标准中计分的内容。这一点与向意义构建而非程序熟练度的投资转变相辅相成，并得到了数学研究（Liljedahl，2020）的支持。在两种情况下，将作弊视为一个效度问题都为……打开了大门。 “Photomath促使我们审视何为有效的学生理解证据。” - 安吉拉·梅塞瑟，罗切斯特大学 将其视为纪律问题，该问题已关闭。 研究显示什么 科宾、道森和刘（2025）在评估中对AI的回应区分了话语和结构两个方面。话语回应会改变任务规则——即告知学生可以使用或禁止使用AI的范围。结构回应则会改变任务本身，使其有效性不依赖于学生是否遵守规则。作者将这种话语方法称为“空谈无益”。 并记录其核心失效模式：“我们对‘可接受’的AI使用的指令越详细、越具体，我们就越凸显出可规定性与可验证性之间的差距”（Corbin、Dawson & Liu，2025）。话语解决方案看似行动却毫无效果。结构解决方案提出更深刻的问题，并带来评估实践的真实变革。 鹿恩等（2025）建议，在“真实性”方面存在“值得探索的有趣评估设计可能性”，例如，将建