報導：中學生用 AI 之後成績上升，但那個分數可能只是幻象

成績是學習成效最方便的代理指標，而報導指出這個代理正在失效：中學生的分數上升了，但那個分數可能什麼都不代表。

脫鉤的機制並不複雜。當作業與報告可以由 AI 完成或大幅協助，交出的成品品質確實提升——結構更完整、表達更流暢、錯誤更少。而評分依據的是成品，於是分數跟著上升。問題是分數原本要衡量的東西——學生自己能做到什麼——並未同步改變。

真正的代價落在學生身上，而且是延遲顯現的。一個持續拿到好成績的學生，沒有理由懷疑自己的理解程度。回饋系統告訴他一切正常，直到某個無法使用 AI 的場合——課堂即席寫作、口頭答辯、下一階段建立在前一階段之上的課程、或工作中真正需要自己判斷的時刻——落差才會一次浮現。這種延遲的發現比即時的失敗傷害更大，因為中間錯過了所有可以補救的時間。

近期的研究提供了對照。一項針對近七千名學生的 AI 家教試驗發現，AI 會拖慢練習速度，但明顯改善學生犯錯後的修正能力——換句話說，效果取決於 AI 被設計成做什麼。當它負責產出，學習就被跳過；當它逼學生處理自己的錯誤，學習才發生。

這也讓評量設計的重要性再度浮現。若成績已無法區辨能力，那麼繼續用同一套評量爭論該不該用 AI，本身就是徒勞。近期教育界的討論方向相當一致：要求歷程證據、把評量拉回現場、與學生個人經驗綁定、或直接要求學生批判 AI 的產出——這些設計的共同點是把評量對象從成品移向思考。

需要留意的是報導的框架。「極度不祥」這類措辭容易滑向道德恐慌，而 MIT 學者近期的提醒也值得並列：歷次教育科技浪潮的實際影響，通常都比兩派預期的更小。合理的態度是既不忽視脫鉤現象，也不假設一整代人已經完蛋。

對台灣的教學現場而言，這個提醒可以轉成一個具體動作：在學期中安排一次不使用任何工具的課堂診斷，不計分、不通報，只是讓學生自己看到真實的位置。這比任何規範都更能傳達訊息。