加州理工教授因AI普及不再批改作业

加州理工教授因学生普遍用AI完成作业而停止批改,引发对高校评价体系改革的讨论。
加州理工学院一位教授决定停止批改作业,原因是几乎所有学生都在使用AI工具完成作业,这使作业作为评价手段的有效性受到侵蚀。作业在课外完成、无监督,是最容易被大语言模型冲击的评价环节。放弃批改意味着评价压力向考试、项目等形式转移,但批改本身也承担反馈功能,停止批改可能牺牲反馈质量。这一事件反映高校评价体系调整落后于AI工具普及速度,倒逼课程设计重新回答如何证明学生学会了。
一位加州理工学院的教授决定不再批改作业,原因直指当下课堂的现实:几乎所有学生都在使用AI工具完成作业。这一消息在Hacker News上引发讨论,也把高校评价体系与技术工具之间的张力再次摆上台面。
从批改作业到放弃批改:发生了什么
据Hacker News上的讨论,这位Caltech教授选择停止批改作业,核心动因是学生普遍借助AI完成作业,使得传统作业作为评价手段的有效性受到侵蚀。消息本身信息有限——没有披露课程名称、教授姓名或具体的替代方案——但它触及的问题足够具体:当AI可以轻易生成看起来合格的作业答案时,逐份批改还有多少意义?
这不是孤例式的抱怨,而是一个信号。作业作为教学环节的一部分,长期承担着巩固知识、暴露理解漏洞、为评分提供依据的三重功能。当其中两个功能被AI工具大幅削弱,教授的理性反应要么是改变作业形式,要么是放弃把作业纳入评分。
为什么作业最先失守
作业与考试的区别,恰恰决定了它最容易被AI冲击。考试通常有监考、有时间限制、有封闭环境;作业则在课外完成,学生可以自由使用任何工具,包括大语言模型。
一位教授无法判断一份作业背后是学生的思考还是模型的输出,尤其是在答案本身正确、表述流畅的情况下。批改者面对的不再是理解水平的证据,而是生成质量的抽样。这种情况下,继续用作业打分,等于把评分建立在无法验证的信号上。
有意思的是,问题不在于学生是否"作弊"。即便学生用AI辅助理解题目、梳理思路,作业也已经不再是独立完成的产品。评价体系默认的前提——作业反映学生自身能力——在没有额外验证手段时不再成立。
大语言模型(Large Language Model, LLM)是一类基于海量文本训练的深度学习模型,能够根据上下文生成连贯的自然语言。其核心能力包括理解指令、推理和创作,典型代表如GPT系列。LLM通过预测下一个词的概率分布来生成文本,经过大规模预训练和人类反馈强化学习(RLHF)微调后,可完成问答、写作、代码生成等任务。在教育场景中,LLM能快速生成结构清晰、表述流畅的答案,且难以被传统查重工具识别,这直接削弱了课外作业作为独立能力证明的可靠性。
对教学评价体系的连锁影响
教授的这一个决定,指向的是更大的结构性调整。如果作业退出评分,课程的考核压力会向考试、项目、课堂参与等环节转移。这些环节能否承接,取决于它们是否同样容易被AI工具绕过。
从Hacker News的讨论氛围看,社区关注点集中在两个方向:一是高校是否会因此加速转向口试、现场编程、过程性评价等更难被AI替代的形式;二是放弃批改作业是否等于放弃了教学反馈。后者的担忧并非没有道理——作业的价值不只是打分,批改本身也是学生获得针对性反馈的渠道。教授停止批改,可能同时牺牲了反馈质量。
目前公开的信息不足以判断这位教授是否设计了替代性评价方案。但这一决定本身就说明,至少在这门课上,传统作业的评价功能已被判定为失效。
过程性评价(formative assessment)与终结性评价(summative assessment)是教育评价的两种基本类型。前者关注学习过程中的表现,如课堂参与、阶段作业、项目进展,旨在提供反馈以改进学习;后者关注学习结束时的成果,如期末考试、最终项目,用于评定等级或认证。作业通常兼具两者功能。当AI工具使作业的终结性评价功能失效时,教育者可能转向更依赖过程性评价——如口头答辩、现场编程、学习日志——因为这些形式更难被AI替代,且能捕捉学生的思维过程。然而,过程性评价对教师时间和课程规模要求更高,推广面临现实约束。
工具普及倒逼评价改革
AI进入课堂的速度快于评价体系的调整速度,这是当前高校面临的普遍处境。单一教授的应对方式未必是标准答案,但它把一个此前可以回避的问题变得具体:当学生普遍使用AI,课程设计必须重新回答"如何证明学生学会了"。
对教师而言,可行的方向包括把作业改为课堂内完成、增加口头答辩环节、用需要过程记录的项目替代一次性提交的作业。这些方案各有成本,也都无法完全消除AI的影响。对学校而言,更根本的问题是如何在工具普及的环境中重新定义学术评价的可信度。
加州理工教授的这一个决定,短期内只影响一门课的评分方式,长期看却是评价体系必须面对的一次公开表态。
相关推荐

Gemini 4 Neon评测:跑分比肩Carbon,API定价与额度解析
Google Gemini 4 Neon正式上线,跑分紧咬Carbon,API定价3/15为Hydrogen两倍。本文汇总B站UP主实测:Neon可平替90% Carbon场景,AntiGravity中额度消耗仅为Carbon三分之一,并解析订阅渠道限制与2API封号风险。

Gemini 4 Helium或将至?Google订阅限制松绑信号
Google团队成员预告发布将继续,社区推测Gemini 4 Helium(Flash Lite)或成下一款模型;订阅封禁争议获回应,产品负责人以「Soon」暗示可能开放限制。本文梳理Gemini动向、OpenAI Coding Agent与风险管理、豆包实时音视频API及算力商业动态。

AI辅助React开发实战:视频应用优化与错误处理
14年经验开发者演示如何用AI辅助优化React视频应用:通过ImageKit将视频从80MB压缩至5MB(约94%),并实现可靠的错误处理与重试机制。包含与AI协作的规划、代码理解和验证方法。