第一份「導入 AI 之後批判思考提升」的學區報告，關鍵在兩個做法

猶他州 Jordan 學區報告指出，在導入 AI 之後，學生的批判思考表現有所提升。在近期多數討論都集中於風險與限制的背景下，這份報告提供了另一個方向的資料點。

先說必要的保留。這是學區自行報告的成果，而非獨立研究；沒有對照組，也無法排除其他同時發生的因素（教師培訓、課程調整、觀察者的期待效應）。因此它應該被理解為「一種做法的實務描述」，而不是「AI 提升批判思考」的證據。

即使如此，它描述的兩個做法值得注意，因為它們與前幾天多份研究指出的失敗模式恰好相反。

**第一個做法是設定明確界線。** 學區的說法是「intentional boundaries」——哪些任務可以用、哪些不行，事先講清楚而非留給學生自行判斷。這一點對照先前提到的問題很有意思：多數導入失敗的案例，共同特徵是規範模糊，於是實際使用行為由學生的方便程度決定。而界線明確之後，教師才有辦法設計出「必須自己完成」的部分。

**第二個做法是把 AI 定位成思考夥伴而非答案來源。** 這句話常被當成口號，但它的實際差別在於任務設計。要求學生「問 AI 這題怎麼解」與要求學生「先寫下自己的想法，再請 AI 找出其中的漏洞」，是兩種完全不同的活動。後者要求學生先有立場才能開始，而 AI 的角色是質疑者。這種設計下，學生無法跳過思考的步驟——因為沒有想法就沒有東西可以被質疑。

這兩點合起來指向同一個結論：決定成效的不是有沒有用 AI，而是任務怎麼設計。這與蓋茲那句「可能學得更少」的警告並不矛盾——他指的正是**沒有重新設計任務**的情況下會發生什麼。

值得補充的是，這種設計對教師的要求不低。把每一份作業從「求答案」改成「先立場再質疑」，需要重新思考課程結構、需要備課時間、也需要教師自己先熟悉工具的失敗模式。這也是為什麼它難以規模化——它依賴的是教學設計能力，而不是採購決策。

還有一個實務提醒：批判思考的測量本身就困難。前幾天的研究指出，AI 在評估批判思考時能辨識結構卻難以判斷論證是否成立。因此當一個學區報告「批判思考提升」時，值得追問它用什麼測量、由誰評分、以及測的是結構還是實質。

業界分析人士指出，教育科技的正面成果報告多半來自實施者本身，而這類報告的價值通常不在結論，而在它揭露的實施細節——那些細節才是可被其他單位複製的東西。

對台灣的學校而言，這份報告最可以直接借用的就是那兩個做法：把使用界線寫明白，以及把作業改成「先有自己的想法，再請 AI 挑戰它」。這兩件事不需要任何採購預算。